- · 《遥感学报》栏目设置[09/01]
- · 《遥感学报》数据库收录[09/01]
- · 《遥感学报》投稿方式[09/01]
- · 《遥感学报》征稿要求[09/01]
- · 《遥感学报》刊物宗旨[09/01]
基于极化分解和集成学习的影像分类(3)
作者:网站采编关键词:
摘要:1)4×n个灰度特征:n个图层的均值、标准差、最小像素值和最大像素值。 2)8×n个纹理特征:n个图层的均值、标准差、熵、同质度、对比度、非相似性、
1)4×n个灰度特征:n个图层的均值、标准差、最小像素值和最大像素值。
2)8×n个纹理特征:n个图层的均值、标准差、熵、同质度、对比度、非相似性、角二阶矩和相关性(采用灰度共生矩阵(Grey Level Concurrence Matrix,GLCM)来描述对象的纹理特征)[29]。
3)2×n个空间关系特征:对象邻域的平均差分、对象邻域的平均差分(绝对值)。
4)11 个形状特征:各个对象的面积、边界长度、长度、长宽比、宽度、不对称性、边界指数、紧凑性、密度、形状指数、圆度。
1.3.4 特征选择
采用PSO_SVM 封装算法进行特征选择[30]。分类器和搜索算法是封装特征选择算法的 2 个组成部分。PSO_SVM 算法以粒子群优化(Particle Swarm Optimization,PSO)作为搜索算法、支持向量机(Support Vector Machine,SVM)的分类精度作为评估函数挑选最优特征子集[31-32],其中SVM 选用径向基函数为核函数。采用径向基函数时,容错惩罚系数C和内核参数γ是2 个必要调整参数,其取值直接影响分类精度,因此必须进行参数寻优。鉴于在封装算法中,特征子集的构成和SVM 核参数的取值是相互影响的,因此,本研究利用PSO 算法对SVM 核参数和特征子集进行同步优化。
表3 提取和选择的特征数量以及获得的最优C和γ值Table 3 Numbers of extracted and selected features and obtained optimalCandγvalues分解方法Decomposition method提取特征的数量Number of extracted features选择特征的数量Number of Selected features容错惩罚系数Fault tolerance penalty coefficient C内核参数Kernel parameter γ Pauli 4×3+8×3+2×3+11=53 9 200.000 0 1.401 0 Krogager 4×3+8×3+2×3+11=53 15 200.000 0 2.097 7 Huynen 4×3+8×3+2×3+11=53 6 103.226 3 1.548 9 Barnes1 4×3+8×3+2×3+11=53 12 174.193 7 1.547 8 Barnes2 4×3+8×3+2×3+11=53 13 154.838 9 1.391 7 Cloude 4×3+8×3+2×3+11=53 8 103.226 3 3.231 1 H/A/α 4×12+8×12+2×12+11=179 44 135.484 2 2.141 3 Freeman2 4×2+8×2+2×2+11=39 12 180.645 3 1.775 6 Freeman3 4×3+8×3+2×3+11=53 12 148.387 4 1.341 5 Yamaguchi3 4×3+8×3+2×3+11=53 11 167.742 1 1.291 2 Yamaguchi4 4×4+8×4+2×4+11=67 14 200.000 0 2.510 8 Neumann 4×2+8×2+2×2+11=39 12 187.096 8 1.281 6 Touzi 4×8+8×8+2×8+11=123 34 135.484 2 1.349 0 Holm1 4×3+8×3+2×3+11=53 11 180.645 3 2.221 4 Holm2 4×3+8×3+2×3+11=53 9 116.129 5 1.097 7 Van Zyl 4×3+8×3+2×3+11=53 12 174.193 7 1.873 1
利用 PSO_SVM 算法分别对各目标极化分解方法的特征进行选择,获得特征的数量以及最优C和γ参数的值如表3 所示。
1.3.5 土地覆被分类
基于 软件,利用获取的最优特征子集,以SVM 为分类器对研究区进行土地覆被分类,其中参数C和γ按照表3 进行取值,各目标极化分解方法的分类结果如图4 所示。
针对各极化分解方法对应的分类结果,分别利用验证样本建立精度混淆矩阵,该矩阵包括 4 个统计量:生产者精度(Producer’s Accuracy,PA)、用户精度(User’s Accuracy,UA)、总体精度(Overall Accuracy,OA)和Kappa 系数,如表4 所示。
图4 土地覆盖分类结果Fig.4 Land-cover classification results
1.3.6 多分类器集成
参与集成的成员分类器数量并不是越多越好,成员分类器自身的分类性能会直接影响集成效果。因此,应选用分类性能较好的成员分类器进行集成。本研究将Kappa 系数>0.60 的9 种目标极化分解方法(Pauli、H/A/α、Freeman2、Freeman3、Yamaguchi3、Yamaguchi4、Neumann、Touzi、Van Zyl)的分类结果用于集成。多分类器集成的效果除了受参与集成的成员分类器自身的分类性能影响外,还与各成员分类器之间的差异程度有关,所以在集成之前,需要对成员分类器间的差异性进行度量。如 2.2 节所述,本研究选用熵值对 9种成员分类器的所有组合形式的差异性进行度量。在所有组合中,由 Pauli、Freeman3、Yamaguchi4、Neumann、Touzi 和Van Zyl 6 种极化分解方法的分类结果构成的组合熵值最大,为0.282 7,所以最终选取了该组合进行集成。本研究中,特征选择、差异性度量以及多分类器集成都是通过Matlab 2010b 语言平台编程实现。
表4 不同极化分解方法的分类精度Table 4 Classification accuracies of different polarimetric decomposition methods分解方法Decomposition methods各地类精度Accuracy of each land-cover class/%生产者精度/用户精度Producer’s Accuracy PA/User’s Accuracy UA 水体Water道路Road居民地Building耕地Cropland林地Forest草地Lawn总体精度Overall accuracy /%Kappa 系数Kappa coefficient PA 100.00 89.82 85.99 94.53 75.66 8.95 Pauli UA 97.00 98.18 78.12 83.80 79.89 100.00 86.56 0.82 PA 72.20 89.63 64.70 84.79 51.21 20.81 Krogager UA 87.84 80.66 48.43 74.62 53.38 49.83 69.50 0.60 PA 21.55 69.52 79.73 88.67 57.54 4.52 Huynen UA 85.43 52.12 80.36 53.59 55.56 35.02 58.70 0.44 PA 18.30 70.94 79.94 87.07 49.60 4.80 Barnes1 UA 78.28 61.74 79.30 51.80 47.13 56.68 55.84 0.40 PA 18.92 77.66 84.96 88.50 49.93 12.57 Barnes2 UA 78.05 80.23 85.02 49.62 59.08 46.90 57.75 0.42 PA 38.77 71.80 80.51 88.07 61.21 9.51 Cloude UA 86.62 51.46 83.42 55.80 66.68 93.93 64.18 0.51 PA 87.68 88.25 95.84 89.06 76.48 24.56 H/A/α UA 97.81 79.90 68.12 86.00 77.70 51.68 83.41 0.78 PA 73.52 77.19 84.16 82.68 57.75 17.64 Freeman2 UA 98.83 60.37 51.51 75.42 58.13 73.44 71.82 0.63 PA 45.04 90.39 90.03 91.71 81.76 42.35 Freeman3 UA 98.00 89.57 38.14 87.92 78.00 80.37 74.56 0.67 PA 60.37 86.43 90.39 83.96 70.70 16.78 Yamaguchi3 UA 96.09 44.88 46.01 82.47 70.05 100.00 72.27 0.64 PA 100.00 86.89 96.48 89.70 82.86 21.95 Yamaguchi4 UA 99.95 84.21 75.30 90.36 78.54 77.24 88.00 0.84 PA 91.43 79.58 74.87 89.99 77.44 25.63 Neumann UA 95.14 51.16 66.75 85.70 77.58 93.08 82.44 0.77 PA 78.26 86.45 80.77 95.84 84.75 21.20 Touzi UA 96.52 58.38 53.34 90.16 87.94 64.14 83.05 0.78 PA 24.02 64.02 81.88 88.97 61.97 10.20 Holm1 UA 89.70 47.10 82.60 52.26 66.71 88.46 60.66 0.46 PA 22.72 70.92 80.23 91.30 54.66 13.08 Holm2 UA 82.48 61.84 82.95 52.32 62.50 68.20 59.93 0.45 PA 85.86 89.58 86.03 82.77 51.90 20.66 Van Zyl UA 97.68 98.62 60.47 73.05 57.46 62.70 74.78 0.66
文章来源:《遥感学报》 网址: http://www.ygxbzz.cn/qikandaodu/2021/0307/546.html