服务热线:
86-0755-23229824
您当前所在位置: 首页>>应用案例
应用于地物识别的改进轮转森林算法

image.png

1、引言

面对现今用来进行地物识别的遥感数据的数量以及种类越来越多需要进行处理实际问题也越来越复杂的情况单纯地对一种算法进行改进已经不能满足解决问题的需要然而集成学习方法可以较好地解决该问题集成学习方法按照分类器之间的种类关系可以分为异态集成学习和同态集成学习两种异态集成学习指的是使用各种不同的分类器进行集成它的优势在于异态集成学习中的某种基本算法会对某类特定数据样本比其他的基本算法更为有效得到的效果也会更好同态集成学习是指集成的基分类器都是同一类分类器只是基分类器之间的参数有所不同它针对各种不同的数据类型用抽样与集成进行结合对原始训练集进行一系列抽样产生多个分类器然后用投票或合并的方式输出最终结果

决策树的研究为这两种集成方式提供了研究平台利用决策树来进行特征提取也是其中的一个研究方向然而有学者提出决策树在构建过程中进行特征选择有不足之处决策树中出现的特征是有等级的浅节点的特征明显要比深节点处的特征更为重要如果直接综合每个节点的特征来进行特征选择就完全忽略了这种等级特性有可能使特征子集的潜在作用得不到发挥因此如何正确地使用决策树来进行特征选择也是一个研究热点这也是轮转森林Rot-F提出的出发点轮转森林对特征进行深层划分将原特征集随机分为多个小的特征子集利用PCA主成分分析变换得到的系数对原数据集进行改变以此来建立树的过程要明显优于普通决策树在分叉过程中对原始数据的分类性能然而决策树对遥感数据的分类往往会出现过分类的现象所以考虑将具有自学习和自组织能力的径向基函数神经网络RBFN与之进行结合用轮转森林转换各子集后的数据样本作为神经网络的输人对应转换后的样本类标作为网络的输出以此来构造多个子分类器集通过将原数据集进行分化的方法构造多个内部参数差异较大的同态集成基分类器提升总体的分类精度集成两种方法的优势达到对遥感地物的识别更加精确

 

2、Rot-FRBFNN的集成算法

异不显著  2)。对树体水势的研究结果表明3个地块中只有8号地内不同生长势植株间有显著的差异生长势强的树中庸树其树体水势显著高于弱树 其他两块地树势间无显著差异轮转径向基函数神经网络首先是利用轮转森林对特征集的转换得到多个新的特征子集并将改变后的数据用于RBFN的分类过程对原始数据集的处理过程如下将原始数据按照特征集随机分为多个小的特征子集数据块之后在每个特征子集的数据块中依据数据实例进行重采样将重采样后的数据小块进行主成分分析使得到的各特征值的重要性程度系数与原数据集进行相应的乘积变动因采样过程得到的数据块要小于原始数据块所以得到特征集的大小也就不同以新特征集作为各个RBFN基分类器的输人来训练模型和预测数据

为了利用训练样本集来构建这些子分类器需要进行以下几个步骤

1随机的将F分为K个子集这些子集可能是相对独立的也有可能是相互交叉重复的为了最大可能地增加多样性选用相对独立的特征子集同时为简化计算假定K是一个可调的变量那么对于每个特征子集所包含的特征个数为M=n/K

2定义FijDi个子分类器用来进行训练的第j个特征子集利用Botstrap进行随机抽样选取一组数据样本抽样的比例为该子集数据的75%仅利用Fij中的M个特征进行PCA变换将得到的主成分系数进行存储每个系数的维数为M×1对于上述的矩阵得到的特征值有可能是0所以可能得不到所有的M个向量Mj≤M因此通过在这些子集中运用PCA技术而不是在所有的数据集中应用其目的就是为了避免在不同的子分类器中对于相似特征子集产生类似的系数

3将所获得的带有主成分系数的向量进行综合构造一个具有稀疏性的轮转矩阵Ai

4用来进行训练Di个子分类器的训练数据集为XAi*将这样的训练集作为输人对RBFN进行训练来建立神经网络模型训练部分分为两个阶段

1训练输人层和隐含层之间的径向基函数即确定基函数的中心和方差隐含层的径向基函数有多种形式最常用的是高斯函数

2训练隐含层和输出层之间的线性权值通过采样和样本聚类生成RBFN的中间节点参数中间层状态确定法选用K-means聚类该方法采用最小平方误差和作为分类准则通过迭代获得聚类中心点集即中间层的状态节点个数等于聚类数

3该集成模型解决的是一个c类的模式分类问题集成的规模为P即有P个子分类器通过期望的输人输出编码映射关系对P个成员网络进行训练

3、数据的选取及实验结果分析

实验区采用扎龙湿地它位于黑龙江省西部乌裕河下游齐齐哈尔市及富裕、林甸、杜蒙、泰来县交界地域扎龙湿地保护区是以芦苇沼泽为主的内陆湿地和水域生态系统它是中国北部最完整、最原始和广阔的湿地生态系统已被列人国际重要湿地名录该地区地物类型主要包括盐碱地、草地包括芦苇、水体、沼泽轻度和重度沼泽归为一类这些具有比较代表性的类物选用的遥感图像为2001-10-05获取的xandsatETMI图像图像大小为500X500像素待分类图像采用TM影像7个波段中的3213个波段的真彩色合成图像如图1所示

image.png 

1    研究区域影像

经目视判读,结合土地利用现状图,确定湿地影 像区域内主要包括六大类地物:盐碱地、草地、水域、 沼泽地、受火区域以及农用地(包括农用耕地和农用居住地)。

xandsatTMETMI影像的321波段组合能较好地反映土地植被特征根据目视判读结果并且结合土地利用现状图和20035/11月的实地调查资料在真彩色合成影像上共选取1700个样本点其中1020个像素点作为轮转神经网络的训练样本340个像素点作为校验样本剩余的340个用来测试分类精度.为进一步减小输人数据的不同所造成不同算法之间的差异性将所有的原始输人数据都归一化到[-11]之间具体结果如下表1所示 分别应用朴素贝叶斯NB方法、传统径向基函数神经网络方法RBFN、普通轮转森林方法RotationForest方法、文献中的方法Rot-Bost、随机森林方法RandomForest以及本文方法Rot-RBFN对所选的区域ETMI遥感影像进行分类分类结果如图2对应每个类标的分类  结果量化后如表2所示.由表2和图26幅分类效果图可以看出随机森林算法对水体的分类精度要高但是对于训练样本较少的盐碱地和草地以及农用地等分类精度要低于本文方法本文方法的精度分别达到了0.9170.60.795而且从图中可以看出采用决策树作为基分类器的分类方法中出现了过分类现象所以有较多的斑点出现文献中的方法虽然在农用地的精度上要略高一些但是对于 其他几类地物出现了明显分辨不出的情况此外从图2可以看出本文方法虽没有NB方法看起来清晰、明亮但从精度上却明显优于NB算法

1   波段值和总体样本数目

image.png 

将上述结果采用R-C曲线下面积A0C的大小以及用误差矩阵的主要参考指标总体精度和Kappa系数来进行评估其中Kappa系数是综合整个误差矩阵的信息提出的一个精度表达系数可以比较不同分类器的误差矩阵在精度上的差异得到 的结果如表4所示从表3结果可以看出本文方法在A0CKappa系数和总体精度上都比其他几种算法高分别达到了0.9090.613868.4211相比于其他5种常用的算法本文方法效果更好A0C值越大说明该分类器的分类结果越靠近于R-C坐标的纵轴对应分类器的分类效果和泛化性能也就越好Kappa系数越高则说明对应该算法的过度拟合情况越小也就从侧面说明该分类器所建模型的泛化能力越强而总体精度则从准确率方面说明所提方法的有效性更强从上述3个方面来说本文方法更能给出较高的分类精度和较好的泛化性能从算法耗时来讲本文方法耗时稍微较长一些达到24.21s而其他几种算法的耗时基本在10s左右

 

image.png 

 2   不同分类器的分类结果

 

 

4、总结

应用遥感技术测定NDVI能快速评价葡萄生长势的差异为确定与之相适应的栽培管理技术决策提供依据其结果数据可以更好地与越来越广泛的机械化操作相适应从而提高酿酒葡萄原料质量均一性保证获得高品质的葡萄酒这一技术在未来葡萄生产中使用具有广阔的前景

 

 

 

 2    不同校验样本的生产者精度对比表

image.png 

 

 3    不同算法下评价指标结果比较

image.png 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

推荐

便携式地物光谱仪iSpecField-NIR/WNIR

专门用于野外遥感测量、土壤环境、矿物地质勘探等领域的最新明星产品,由于其操作灵活、便携方便、光谱测试速度快、光谱数据准确是一款真正意义上便携式地物光谱仪
image.png

无人机机载高光谱成像系统iSpecHyper-VM100

一款基于小型多旋翼无人机机载高光谱成像系统,该系统由高光谱成像相机、稳定云台、机载控制与数据采集模块、机载供电模块等部分组成无人机机载高光谱成像系统通过独特的内置式或外部扫描和稳定控制,有效地解决了在微型无人机搭载推扫式高光谱照相机时,由于振动引起的图像质量较差的问题,并具备较高的光谱分辨率和良好的成像性能

image.png 

便携式高光谱成像系统iSpecHyper-VS1000

专门用于公安刑侦、物证鉴定、医学医疗、精准农业、矿物地质勘探等领域的最新产品,主要优势具有体积小、帧率高、高光谱分辨率高、高像质等性价比特点采用了透射光栅内推扫原理高光谱成像,系统集成高性能数据采集与分析处理系统,高速USB3.0接口传输,全靶面高成像质量光学设计,物镜接口为标准C-Mount,可根据用户需求更换物镜

image.png 


Copyright © 2020 All Rights Reserved 莱森光学(深圳) 有限公司·版权所有 备案号:粤ICP备18141551号-1