一种适用于高分一号影像的CART决策树分类方法专利检索-明显错误国际申请申请专利权专利检索查询-专利查询网

一种适用于高分一号影像的CART决策树分类方法

阅读：1012发布：2020-09-12

专利汇可以提供一种适用于高分一号影像的CART决策树分类方法专利检索，专利查询，专利分析的服务。并且本发明属于信息提取技术领域，具体涉及一种适用于高分一号影像的CART 决策树分类方法。本发明包括如下步骤：步骤一：高光谱数据预处理：基于MODTRAN+的大气辐射传输模型，计算在高光谱传感器处接收的像元光谱辐射亮度；步骤二：影像分割：采用的分割算法为多尺度分割；步骤三：确定分类类别及特征参数；步骤四：CART决策树分类；步骤五：精度验证：为了客观评价分类方法的精度，通过野外实测数据点，建立混淆矩阵对分类结果进行精度验证。本发明能进一步提高高分一号影像的分类精度。，下面是一种适用于高分一号影像的CART决策树分类方法专利的具体信息内容。

权利要求

1.一种适用于高分一号影像的CART决策树分类方法，其特征在于：包括如下步骤：步骤一：高光谱数据预处理：基于MODTRAN+的大气辐射传输模型，计算在高光谱传感器处接收的像元光谱辐射亮度；步骤二：影像分割：采用的分割算法为多尺度分割；步骤三：确定分类类别及特征参数；步骤四：CART决策树分类；步骤五：精度验证：为了客观评价分类方法的精度，通过野外实测数据点，建立混淆矩阵对分类结果进行精度验证。
2.根据权利要求1所述的一种适用于高分一号影像的CART决策树分类方法，其特征在于：所述步骤一中采用的公式为：
式中，X为传感器接收的总辐射亮度；l为像元表面反射率；l0为像元周围平均表面反射率；T为大气球面反照率；Xa为大气后向散射辐射率；N、M为大气和几何条件的系数。
3.根据权利要求2所述的一种适用于高分一号影像的CART决策树分类方法，其特征在于：所述步骤二的具体步骤为：选取高分一号的4号近红外波段、3号红波段、2号绿波段，波段权重设置为1：1：1，异质性因子形状指数设置为0.2，紧致度指数为0.5，分割尺度为300进行影像分割。
4.根据权利要求3所述的一种适用于高分一号影像的CART决策树分类方法，其特征在于：所述步骤三中，将高分一号遥感卫星影像类别确定为：草地、林地、耕地、未利用地物、水体。
5.根据权利要求4所述的一种适用于高分一号影像的CART决策树分类方法，其特征在于：计算水体指数NDWI的公式为：
式中，NDWI为水体指数；R2和R4为高分一号绿波段和近红外波段波长处的影像反射率值。
6.根据权利要求5所述的一种适用于高分一号影像的CART决策树分类方法，其特征在于：NDWI值大于-0.1，则为水体；然后选取近红外标准差Nir Std、纹理特征均匀度HOM、近红外波段比率Nir Ratio、红波段均值R Mean、纹理特征均值MEAN、红波段标准差R Std、形状指数SI七种特征参数，由于CART决策树是一种后剪枝方法，需要利用训练样本检验目标变量的预测精度，当错误率高于某一阈值或者明显增大时，停止修剪。
7.根据权利要求6所述的一种适用于高分一号影像的CART决策树分类方法，其特征在于：所述步骤四的具体步骤为：
利用水体指数NDWI、近红外标准差Nir Std、纹理特征均匀度HOM、近红外波段比率Nir Ratio、红波段均值R Mean、纹理特征均值MEAN、红波段标准差R Std、形状指数SI八个特征参数训练草地、林地、耕地、未利用地物、水体五种分类类别所对应的训练样本，建立用于CART决策树分类的模型进行分类。

说明书全文

一种适用于高分一号影像的CART决策树分类方法

技术领域

[0001] 本发明属于信息提取技术领域，具体涉及一种适用于高分一号影像的CART决策树分类方法。

背景技术

[0002] 对高分一号影像进行分类的传统流程是，对获取的高分一号影像进行基于像素的规律统计，将特征接近的像素归并为一类，通过地面选取若干典型地物进行属性验证，确定类别，实现分类。传统方法的不足体现在：首先，基于像素的方法忽略了地物固有的纹理和形状特征，缺乏分类结果的可解释性，导致大量的错分、漏分情况出现；其次，费时费力，需要对每一个分类结果进行现场验证工作，某些地块客观上无法到达，限制了分类精度的提高。

发明内容

[0003] 本发明解决的技术问题：本发明针对现有技术的缺陷，提供一种适用于高分一号影像的CART决策树分类方法，能进一步提高高分一号影像的分类精度。

[0004] 本发明采用的技术方案：

[0005] 一种适用于高分一号影像的CART决策树分类方法，包括如下步骤：步骤一：高光谱数据预处理：基于MODTRAN+的大气辐射传输模型，计算在高光谱传感器处接收的像元光谱辐射亮度；步骤二：影像分割：采用的分割算法为多尺度分割；步骤三：确定分类类别及特征参数；步骤四：CART决策树分类；步骤五：精度验证：为了客观评价分类方法的精度，通过野外实测数据点，建立混淆矩阵对分类结果进行精度验证。

[0006] 所述步骤一中采用的公式为：

[0007]

[0008] 式中，X为传感器接收的总辐射亮度；l为像元表面反射率；l0为像元周围平均表面反射率；T为大气球面反照率；Xa为大气后向散射辐射率；N、M为大气和几何条件的系数。

[0009] 所述步骤二的具体步骤为：选取高分一号的4号近红外波段、3号红波段、2号绿波段，波段权重设置为1：1：1，异质性因子形状指数设置为0.2，紧致度指数为0.5，分割尺度为300进行影像分割。

[0010] 所述步骤三中，将高分一号遥感卫星影像类别确定为：草地、林地、耕地、未利用地物、水体。

[0011] 计算水体指数NDWI的公式为：

[0012]

[0013] 式中，NDWI为水体指数；R2和R4为高分一号绿波段和近红外波段波长处的影像反射率值。

[0014] NDWI值大于-0.1，则为水体；然后选取近红外标准差Nir Std、纹理特征均匀度HOM、近红外波段比率Nir Ratio、红波段均值R Mean、纹理特征均值MEAN、红波段标准差R Std、形状指数SI七种特征参数，由于CART决策树是一种后剪枝方法，需要利用训练样本检验目标变量的预测精度，当错误率高于某一阈值或者明显增大时，停止修剪。

[0015] 所述步骤四的具体步骤为：

[0016] 利用水体指数NDWI、近红外标准差Nir Std、纹理特征均匀度HOM、近红外波段比率Nir Ratio、红波段均值R Mean、纹理特征均值MEAN、红波段标准差R Std、形状指数SI八个特征参数训练草地、林地、耕地、未利用地物、水体五种分类类别所对应的训练样本，建立用于CART决策树分类的模型进行分类。

[0017] 本发明的有益效果：

[0018] 高分一号影像具有高空间分辨率、多光谱与宽覆盖相结合的光学遥感特征，对它进行分类是遥感界的重要研究前沿。CART决策树分类方法具有自动选择分类特征、自动确定阈值、运算速度快、分类精度高等诸多优点。将CART决策树分类方法用于高分一号影像的处理中，能进一步提高其分类精度。

[0019] 基于高分一号高光谱数据，利用CART决策树，进行自动建树并完成分类，能够快速获取某地区林地、草地、耕地、水体以及未利用地物的分类情况，该方法有较好的可操作性和适用性，不仅能够解决同谱异物的错分问题，而且很好地解决了传统的基于象元的分类方法产生的噪声现象，减少野外工作量，提高分类效率与精度。附图说明

[0020] 图1为一种用于高分一号影像的CART决策树分类方法流程图。

具体实施方式

[0021] 下面结合附图和具体实施例对本发明作进一步详细说明。

[0022] 一种适用于高分一号影像的CART决策树分类方法，包括如下步骤：

[0023] 步骤一：高光谱数据预处理

[0024] 基于MODTRAN+的大气辐射传输模型，根据公式(1)计算在高光谱传感器处接收的像元光谱辐射亮度：

[0025]

[0026] 式中，X为传感器接收的总辐射亮度；l为像元表面反射率；l0为像元周围平均表面反射率；T为大气球面反照率；Xa为大气后向散射辐射率；N、M为大气和几何条件的系数。

[0027] 步骤二：影像分割

[0028] 多尺度分割是较为常用的一种分割算法，它是一种自下而上合并相邻对象的方法，通过保证对象与对象之间平均异质性最小、内部像元之间同质性最大从而合并相邻的像素或小的分割对象。选取高分一号的4号近红外波段、3号红波段、2号绿波段，波段权重设置为1：1：1，异质性因子形状指数设置为0.2，紧致度指数为0.5，分割尺度为300进行影像分割。

[0029] 步骤三：确定分类类别及特征参数

[0030] 将高分一号遥感卫星影像类别确定为：草地、林地、耕地、未利用地物、水体五种，计算水体指数NDWI的公式为：

[0031]

[0032] 式中，NDWI为水体指数；R2和R4为高分一号绿波段和近红外波段波长处的影像反射率值。NDWI值大于-0.1，则为水体；然后选取近红外标准差Nir Std、纹理特征均匀度HOM、近红外波段比率Nir Ratio、红波段均值R Mean、纹理特征均值MEAN、红波段标准差R Std、形状指数SI七种特征参数，由于CART决策树是一种后剪枝方法，需要利用训练样本检验目标变量的预测精度，当错误率高于某一阈值或者明显增大时，停止修剪，因此这种分类方法可以自动确定特征参数的阈值，不需要手动计算。

[0033] 步骤四：CART决策树分类

[0034] 利用水体指数NDWI、近红外标准差Nir Std、纹理特征均匀度HOM、近红外波段比率Nir Ratio、红波段均值R Mean、纹理特征均值MEAN、红波段标准差R Std、形状指数SI八个特征参数训练草地、林地、耕地、未利用地物、水体五种分类类别所对应的训练样本，建立用于CART决策树分类的模型进行分类。

[0035] 步骤五：精度验证

[0036] 为了客观评价分类方法的精度，通过野外实测数据点，建立混淆矩阵对分类结果进行精度验证。

标题	发布/更新时间	阅读量
肌力恢复与姿势纠正辅助装置	2020-05-12	889
读取邮件地址的方法和设备	2020-05-12	70
视频图象中的错误检测	2020-05-14	556
AVS视频解码的错误检测与掩盖方法	2020-05-13	270
SDH业务中对信号误码降低告警错误产生次序的方法	2020-05-16	542
基于多视点视频整帧丢失的自适应错误掩盖方法	2020-05-11	404
心脑欣胶囊在制备改善老年记忆力药物中的应用	2020-05-13	283
一种注意缺陷多动障碍儿童的错误相关负电位的检测方法	2020-05-13	572
一种改善记忆力的组合物及其制备方法	2020-05-16	994
实现数据包重发的方法、装置及系统	2020-05-12	265

一种适用于高分一号影像的CART决策树分类方法

一种适用于高分一号影像的CART决策树分类方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：