D-S理论多分类器融合的光学遥感图像多目标识别

发布时间：2021-03-28 10:52

　　光学遥感图像的多目标检测与识别一直是图像处理与分析领域的热点研究问题。针对多特征单一分类器决策级融合不能很好的利用特征与分类器的适应性,导致识别的准确率很难进一步提高的问题,提出了基于D-S证据理论的多特征多分类器决策级融合策略。首先提取了两种简单且具有平移、缩放不变性的特征;其次分别引入3种适应性较好的分类器进行分类;最后设计了两级的D-S证据理论的融合方案,并且在置信度函数计算的过程中引入表征分类器性能的混淆矩阵。该算法有效地解决了分类器输出的不确定性问题,进一步提高了光学遥感图像多目标分类识别的准确性。测试表明,对4种目标的识别率达到97.22%,验证了算法的有效性。 

【文章来源】：电子测量与仪器学报. 2020,34(05)北大核心CSCD

【文章页数】：6 页

【部分图文】：

舰船的旋转归一化图像及其HOG特征表示

图3 分类器融合过程示意图

本文使用自行建立的遥感图像库对所提出的算法进行了测试,数据库总体分为4个类别,包含飞机、汽车、油罐、船舰,每类共有74幅图像,总共包含74×4共288张图像,部分图例如图4所示。4.1 三种分类器对应两种特征测试结果

【参考文献】：
期刊论文
[1]基于流形学习的光学遥感图像分类[J]. 王云艳,罗冷坤,王重阳.  计算机工程与科学. 2019(07)
[2]基于SPCA和HOG的单样本人脸识别算法[J]. 韩旭,谌海云,王溢,许瑾.  计算机科学. 2019(S1)
[3]基于多分类学习的光学遥感图像舰船检测[J]. 陈丽琼,石文轩,范赐恩,邓德祥.  华中科技大学学报(自然科学版). 2019(05)
[4]基于三维可视化空中走廊体系的城市低空空域航图绘制研究[J]. 冯登超,秦焕禹,曾湧,王春喜.  电子测量与仪器学报. 2018(04)
[5]基于BP神经网络和改进D-S证据理论的目标识别方法[J]. 张志,杨清海.  计算机应用与软件. 2018(03)
[6]多特征的光学遥感图像多目标识别算法[J]. 姬晓飞,秦宁丽,刘洋.  智能系统学报. 2016(05)
[7]基于光学遥感图像的目标检测与分类识别方法[J]. 姬晓飞,秦宁丽.  沈阳航空航天大学学报. 2015(01)
[8]特征点和不变矩结合的遥感图像飞机目标识别[J]. 曾接贤,付俊,符祥.  中国图象图形学报. 2014(04)
[9]基于SVM概率输出与证据理论的多分类方法[J]. 权文,王晓丹,王坚,张玉玺.  计算机工程. 2012(05)
[10]采用独立分量分析Zernike矩的遥感图像飞机目标识别[J]. 刘富,于鹏,刘坤.  智能系统学报. 2011(01)

硕士论文
[1]基于复杂背景的光学遥感图像舰船目标检测技术[D]. 金文超.哈尔滨工程大学 2013



本文编号：3105432