基于AdaBoost的组合分类器 在遥感影像分类中的应用.docx

基于AdaBoost的组合分类器 在遥感影像分类中的应用.docx基于AdaBoost的组合分类器在遥感影像分类中的应用摘要:运用组合分类器的经典算法AdaBoost将多个弱分类器-神经网络分类器组合输出,并引入混合判别多分类器综合规则,有效提高疑难类别的分类精度,进而提高分类的总精度｡最后以天津地区ASTER影像为例,介绍了基于AdaBoost的组合分类算法,并在此基础上实现了天津地区的土地利用分类｡分类结果表明,组合分类器能有效提高单个分类器的分类精度,%%｡实验表明基于AdaBoost的组合分类是遥感图像分类的一种新的有效方法｡关键词:组合分类器;AdaBoost;神经网络中图分类号:TP391;:A文章编号:1001-3695(2007)10-0181-04在遥感影像分类应用中,不同的分类器分类精度不同,而同一个分类器对不同类别的分类精度也不相同｡对于特定的遥感数据,同一个分类器对部分类别分类精度高,而对其他类别分类精度低,因此可以找到多个分类器｡其中一些分类器对一部分类别分类精度高,而另一些分类器对其他类别分类精度高,不同的分类器之间存在一定的互补性,将多个分类器结合在一起,往往可以得到比单个分类器更好的分类结果[1]｡??近年来,利用组合分类器来提高分类精度已经成为模式识别领域的一个重要研究方向,并且集成分类器已经成功用于人脸表情识别[2]､手写体识别[3]､医学诊断[4]等,但在遥感图像的处理方面应用得还很少｡??本文将分类器组合的一种经典算法AdaBoost引入到遥感图像分类中,并引入混合判别多分类器综合规则,将抽象级组合与测量级组合相结合进行决策,目的是提高分类精度｡??1组合分类算法????AdaBoost算法,即自适应Boosting算法,它是Boosting家族中最具代表性也是最为流行的算法,[5]｡早期的AdaBoost算法只能解决两类问题,,用于解决多类单标签问题,即每个待分类样本只能属于多个类别中的单个类｡??在AdaBoost算法中,每一个训练样本均被赋予一个权重,权重值代表该样本被下一弱分类器选入训练集的概率｡如果某个样本被当前弱分类器准确分类,则在构造下一个弱分类器的训练集时,它被选中的概率就被降低;相反,如果某个样本没有被当前分类器正确分类,则它的权重就相应提高｡通过这种方式,AdaBoost能够逐渐聚焦于那些难以学习的样本｡在遥感图像的分类中,单一的分类器可能会出现对某些疑难的类别分类效果不好,而对其他容易区分的类别分类精度高｡虽然总体精度不低,但疑难类别仍然没有得以区分｡AdaBoost算法能很好地解决这个问题,对于无法正确学习的类别样本,能够集中学习,并将学习的结果与其他分类器的结果组合输出｡??其中:h??t(x,y)表示弱分类器h??t将x??i分类为y的置信度｡q??t(i,y)是标签加权函数,它对伪误差的贡献最大,表示对于样本i,将错误类别y??i与其正确类别区分的重要性｡其大小反映了样本被错分为某一类的可能性,q??t(i,y)越大,表明样本i被错分为y的可能性越大,它的初始值为1/(k-1)｡D??t(i)表示当前样本权值和占所有样本权值和的总和比重,初始值为1/N｡ω?