基于AdaBoost改进随机森林的高光谱图像地物分类方法研究

doi:10.11873/j.issn.1004\|0323.2018.4.0612

遥感技术与应用

2018, Vol. 33

Issue (4): 612-620 DOI: 10.11873/j.issn.1004\|0323.2018.4.0612

数据与图像处理

基于AdaBoost改进随机森林的高光谱图像地物分类方法研究

陈伟民¹，张凌³，宋冬梅^1，2，王斌¹，丁亚雄¹，许明明¹，崔建勇^1

（1.中国石油大学（华东）地球科学与技术学院，山东青岛 266580；
2．中国石油大学（华东）研究生院，山东青岛 266580
3.中国地震应急搜救中心，北京 100049）

Research on Hyperspectral Imagery Land Cover ClassificationMethod based on AdaBoost Improved Random Forest

Chen Weimin¹，Zhang Ling³，Song Dongmei^1，2，Wang Bin¹，Ding Yaxiong^1，2，Xu Mingming¹，Cui Jianyong^1

(1.School of Geosciences，China University of Petroleum，Qingdao 266580，China;
2.College of Graduated，China University of Petroleum，Qingdao 266580，China；
3.National Earthquake Response Support Service，Beijing 100049，China)

全文: PDF(8351 KB)

摘要：

为了提升传统等权随机森林的分类精度，提出基于自适应提升（Adaptive Boosting，AdaBoost）的加权随机森林组合算法。该方法引入样本权重的概念，根据样本是否被正确分类调整各个样本的权重，使得分类器更加重视被错分的样本，依据分类器的分类错误率赋予其在组合模型中的投票权重。利用黑河生态水文CASI高光谱数据和黄河口CHRIS高光谱遥感数据对该方法进行实验验证，结果表明：与等权随机森林相比，加权随机森林在总体分类精度、平均分类精度和Kappa系数有着更好的表现，并在实验中取得了高于等权随机森林与支持向量机（Support Vector Machine ，SVM）的分类结果。

关键词： AdaBoost; 随机森林; 高光谱; 图像分类

Abstract: In order to improve the classification accuracy of hyperspectral images，a new weighted random forest method based on AdaBoost is proposed.In this method，the concept of sample weight is introduced，and then the weight of each sample will be adjusted according to whether the sample is correctly classified.Those misclassified samples will be given higher weight value，to attract more attention of the classifier to improve the classification.Furthermore，the method gives the voting weight to every basic classifier according to their classification error rate.The basic classifier with higher classification accuracy will obtain larger voting weight.Two sets of Hyperspectral data(The CASI Hyperspectral Data acquired in Heihe region and CHRIS Hyperspectral Data acquired in the Yellow River Estuary) are used to verify the validity of the method.The results show that the weighted random forest has a better performance than the equal weight random forest and the SVM method in the overall classification accuracy，the average classification accuracy and the Kappa coefficient，which proves the efficiency of the proposed method.

Key words: AdaBoost Random forest Hyperspectral Image classification

收稿日期: 2018-03-09 出版日期: 2018-09-08

TP79

基金资助: 国家重点研发计划（2017YFC1405600），国家自然科学基金项目（41772350、61371189、41706208、41701513）。

作者简介: 陈伟民（1993- ），男，山东青岛人，硕士研究生，主要从事遥感图像处理与分类方法研究。Email:chenwmupc@163.com.

	服务
	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	陈伟民
	张凌
	宋冬梅
	王斌
	丁亚雄
	许明明
	崔建勇

引用本文:

陈伟民，张凌，宋冬梅，王斌，丁亚雄，许明明，崔建勇. 基于AdaBoost改进随机森林的高光谱图像地物分类方法研究[J]. 遥感技术与应用, 2018, 33(4): 612-620.

链接本文:

http://www.rsta.ac.cn/CN/Y2018/V33/I4/612

[1]	刘振波，邹娴，葛云健，陈健，曹雨濛. 基于高分一号WFV影像的随机森林算法反演水稻LAI[J]. 遥感技术与应用, 2018, 33(3): 458-464.
[2]	苏阳，祁元,王建华，徐菲楠，张金龙. 基于航空高光谱影像的额济纳绿洲土地覆被提取[J]. 遥感技术与应用, 2018, 33(2): 202-211.
[3]	秦振涛，杨茹，张靖，杨武年. 基于聚类结构自适应稀疏表示的高光谱遥感图像修复研究[J]. 遥感技术与应用, 2018, 33(2): 212-215.
[4]	郭宇柏，卓莉，陶海燕，曹晶晶，王芳. 基于空谱初始化的非负矩阵光谱混合像元盲分解[J]. 遥感技术与应用, 2018, 33(2): 216-226.
[5]	刘爱林，郭宝平，李岩山 . 基于离散粒子群算法的凸多模态高光谱图像端元提取研究[J]. 遥感技术与应用, 2018, 33(2): 227-232.
[6]	吴兴，张霞，孙雪剑，张立福，戚文超. SPARK卫星高光谱数据辐射质量评价[J]. 遥感技术与应用, 2018, 33(2): 233-240.
[7]	宋婷婷，付秀丽，陈玉，魏永明，王钦军，程先锋. 云南个旧矿区土壤锌污染遥感反演研究[J]. 遥感技术与应用, 2018, 33(1): 88-95.
[8]	刘慧珺，苏红军，赵-波. 基于改进萤火虫算法的高光谱遥感多特征优化方法[J]. 遥感技术与应用, 2018, 33(1): 110-118.
[9]	李伟娜，韦玮，张怀清，刘华. 基于多角度高光谱数据的高寒沼泽湿地植被生物量估算[J]. 遥感技术与应用, 2017, 32(5): 809-817.
[10]	肖昊，王杰. 基于IDL和MATLAB混合编程的两种光谱混合分析方法比较[J]. 遥感技术与应用, 2017, 32(5): 858-865.
[11]	秦俊，冷寒冰，赵广琦，景军，周坚华. 物候和波谱—位置分析在城镇绿化植物群分类中的应用[J]. 遥感技术与应用, 2017, 32(5): 948-957.
[12]	唐超,邵龙义. 高光谱遥感地物目标识别算法及其在岩性特征提取中的应用[J]. 遥感技术与应用, 2017, 32(4): 691-697.
[13]	李恒凯，欧彬，刘雨婷，邱玉宝. 基于混合像元分解的高光谱影像柑橘识别方法[J]. 遥感技术与应用, 2017, 32(4): 743-750.
[14]	苏红军，赵波. 基于共形几何代数的高光谱遥感波段选择方法[J]. 遥感技术与应用, 2017, 32(3): 539-545.
[15]	史飞飞,高小红，杨灵玉，何林华，贾伟. 基于HJ-1A高光谱遥感数据的湟水流域典型农作物分类研究[J]. 遥感技术与应用, 2017, 32(2): 206-217.

Viewed

Full text

Abstract

Cited

Shared

Discussed