(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211126727.5 (22)申请日 2022.09.16 (65)同一申请的已公布的文献号 申请公布号 CN 115205693 A (43)申请公布日 2022.10.18 (73)专利权人 中国石油大 学 （华东） 地址 266580 山东省青岛市黄岛区长江西 路66号 (72)发明人 许明明　祝晓芳　郑红霞　盛辉　 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/40(2022.01)(56)对比文件 CN 113326741 A,2021.08.31 CN 114266961 A,202 2.04.01 审查员 张露 (54)发明名称 一种多特征集 成学习的双极化SAR影像浒苔 提取方法 (57)摘要 本发明公开的一种多特征集成学习的双极 化SAR影像浒苔提取方法， 属于海洋遥感探测技 术领域。 该方法包括以下步骤： 数据预处理， 提取 24个纹理和极化特征， 利用集成随机森林、 Jeffries ‑Matusita距离、 皮尔森相关系数三种 算法进行特征优选； 随机分组优选特征， 分层采 样浒苔和海水样本点集对每组特征进行LDA特征 变换； 构建并训练浒苔多特征集成分类模型， 将 测试影像导入训练好的模型中， 判定样本点类别 并提取浒苔。 本发明提供的方法科学合理， 综合 考虑了微波遥感监测浒苔的优势， 顾及多种特征 选择算法对 特征重要性的评价角度， 并优化集成 学习方法， 可在一定程度上提高浒苔提取的精 度， 实现浒苔 灾害全天侯监测。 权利要求书3页 说明书7页 附图2页 CN 115205693 B 2022.12.02 CN 115205693 B 1.一种多特 征集成学习的双极化SAR影 像浒苔提取方法， 其特 征在于， 包括以下步骤： 步骤一： 获取双极化SA R浒苔研究区影像， 对其进行轨道校正、 辐射定标、 Deb urst、 生成 极化矩阵C2、 多视、 地形校正、 精致Lee滤波去噪、 影像裁剪预处理操作， 得到大小为row × col的影像， 按照4:1划分为训练影像 Ii及测试影像Gj， 目视解译制作Ii的对应标签Li， 对Ii进 行特征提取， 得到特 征Fk影像， 对特征影像中各像素进行 标准化操作， 生成样本数据集D； 其中， i＝1,2,3,. ..,u， u为训练影 像数， j＝1,2,3, …,v， v为测试影 像数； k＝1,2,3, …,n， k表示特征序号， n＝24， 24个特征分别为： 极化总功率、 散射角、 极化反 熵、 极化熵、 极化协方差矩阵平均 实特征值、 雷达植被指数、 幅值、 双极化水体指数、 四个极 化熵与极化反熵的组合参数、 极化协方差矩阵的四个分量、 均值、 方差、 协同性、 对比度、 异 质性、 熵、 角二阶矩、 相关性； 步骤二： 从信 息度量、 可分性度量和关联性度量三个方面分别评价特征重要性： 通过随 机森林算法判定样本数据集D的特征重要性， 计算获取各特征基尼不纯度大小RF_scorek， 根据样本数据集D类间样本的Jeffr ies‑Matusita距离， 求得各特征中海水与浒苔两类的可 分性大小JM_scorek， 利用皮尔森相关系数算法根据特征与类别之间的相关性对每个特征 分配不同权 重PRS_scorek； 步骤三： 以0.4、 0.3、 0.3的权重分配方式集成步骤二中三种评价角度对应的随机森林、 Jeffries ‑Matusita距离和皮尔森相关系数算法， 求得各特征重要性Total_scor ek， 并按照 特征重要性由高到低排序， 选择前15个特征作为优选特征S Fs， 与对应标签构成训练样本集 D1； 其中， s＝1,2,3, …,15， 集成后的各 特征重要性Total_scorek的计算公式如下： 步骤四： 将步骤 三所得优选 特征SFs随机划分为特征互不重复的3组， 每组包含5个特征， 对训练样本集D1进行浒苔样本:海水样本＝1:1的分层采样， 产生训练样本点集， 使用选取 的训练样本点对每组特 征进行LDA特 征变换， 得到三组变换后的训练子集Xt； 其中， t＝1,2,3表示分类的轮次， Xt表示参与第t轮分类的训练子集； 步骤五： 在windows上搭建scikit ‑learn机器学习框架， 采用DT、 GBDT、 NB、 SVM、 RF五种 弱分类器作为A daBoost的候选基分类器， 逐一对本轮训练子集Xt进行分类， 并将分类结果 最优的弱分类器作为该轮基分类器， 根据scikit ‑learn库中该轮基分类器的predict_ proba函数计算并获取当前各样 本分类预测的后验概率， 使其参与下一轮样本权重更新， 得 到浒苔多特 征集成分类模型Alg ae_Model； 步骤六： 对每张测试影像Gj提取优选特征SFs， 将其输入步骤五所得浒苔多特征集成分 类模型Alg ae_Model， 判定各像素类别并提取浒苔， 得到浒苔 提取结果图Aj。 2.如权利要求1所述的一种 多特征集成学习的双极化SAR影像浒苔提取方法， 其特征在 于， 步骤五中， 构建浒苔多特 征集成分类模型Alg ae_Model， 包括以下步骤： 1)训练子集 对第一轮训练子集X1权重进行 初始化：权　利　要　求　书 1/3 页 2 CN 115205693 B 2其中， b＝1,2,3,...,m， 和 分别表示第t轮分类的第b个实例样本和类别标志， 且 m表示本轮训练样本总数， b 表示训练样本点序号， X1表示当t＝1时第一轮分类 训练子集， 表示第1轮迭代时每 个样本点对应的权 重； 2)循环t＝1,2,3， t为分类轮次， h＝{DT， GBDT， NB， SVM， RF}为弱 分类器集合， 利用本轮 训练子集逐个训练h中的弱分类器， 选取最佳弱分类器作为本轮基分类器， 根据本轮基分类 器分类结果对应的后验概率更新下一轮训练子集权重， 三轮训练结束后， 集 成各基分类器， 得到浒苔多特 征集成分类模型Alg ae_Model。 3.如权利要求2所述的一种 多特征集成学习的双极化SAR影像浒苔提取方法， 其特征在 于， 步骤2)中， 选取并训练各基分类器， 将各基分类器集成得到浒苔多特征集成分类模型 Algae_Model， 包括以下步骤： ①在当前的样本权重 下， 逐个训练h中的弱分类器， 采用F1_score作为评价标 准， 选取分类结果 最佳的弱分类 器作为本轮 基分类器ht： 其中， TP表示真值是浒苔， 预测也是浒苔的像素点个数， FN表示真值是海水， 预测也是 海水的像素点个数， F1_score 是评价弱分类 器分类性能的指标； ②计算基分类 器分类的错 误率et： 其中， et表示基分类器ht分类的错误率， 和 分别表示第t轮的第b个像素点的分 类值和真值， 表示第t轮的第b个 像素点权 重； ③计算基分类 器的权重因子αt： 其中， αt为基分类 器ht的权重因子， et为基分类 器ht分类的错 误率； ④更新下一轮训练子集权重 根据scikit ‑learn库中该轮基分类器的 predict_pr oba函数计算并获取基 分类器ht分类结果对应的后验概率 参与样本权重的更 新： 其中， 和 分别为第t次迭代时被正确分类的样本总数和错误分类的权　利　要　求　书 2/3 页 3 CN 115205693 B 3