基于混合智能系统的遥感影像融合分类

发布时间：2018-12-27 18:39

【摘要】：随着航空航天技术以及传感器技术的发展,人们可以获得多平台、多类型的遥感影像数据,从多尺度效应、几何形状特性、纹理分布特性、多／高光谱特性、红外辐射特性、后向散射特性等多方面多角度地对同一地物进行认知,为尽可能的提高判决决策的准确性与可靠性提供了良好的机遇。然而,由于分类识别过程中一系列因素的影响,会严重降低决策的准确性和可靠性：1)传感器辐射定标的误差、大气条件的不稳定以及地表环境的复杂性等因素影响,会导致最终获取的影像数据中存在自身的粗糙性以及分类信息的模糊性,进而严重影响了决策精度；2)由于噪声的影响,特征之间以及特征与决策之间依赖关系会发生改变,分类精度也随之会改变,例如,如果特征和决策之间相关性越大,那么特征中包含的噪声对其的影响也就越大；3)来自多源遥感影像的高维特征中很有可能包含着冗余特征,这不仅增加了计算的代价,而且影响分类器判决；4)产生式分类模型以及判决式分类模型并没有充分利用特征之间的关系,而在分类识别的决策中,只有充分的利用多源遥感影像特征之间的依赖关系,建立合理的分类模型,才能够进行有效的判决识别。上述这些因素为遥感影像融合决策的发展带来了挑战。现有的多源遥感影像处理方法,大多停留在像素级融合。然而多源遥感影像之间成像的机理性差异,导致影像之间的像素级融合存在根本性的困难；另外,像素级融合的最终结果是将两幅影像叠加,从而突显某些特定的地物目标,这有利于人工判读,然而其对于自动分类识别意义并不突出,难以提高自动分类识别的效率。而特征层和决策层的融合算法中,具体的方法仅仅从某些特性的应用出发,仅仅能解决某方面的问题；而针对遥感影像融合的复杂性问题,包括多类不确定处理、有效特征选择、分类识别模型等,一种方法不足以很好的解决这些复杂性问题。针对影像配准、属性函数估计、多类不确定性条件下的特征选择以及分类决策建模等遥感影像融合决策中的一系列复杂的难题,本文以模糊理论和粗糙集理论为基础,构建了高斯模糊粗糙集模型和直觉模糊粗糙集模型,结合粒子群优化算法、遗传算法、蚁群算法以及贝叶斯网络模型等,建立混合智能系统,形成属性函数估计的混合智能算法、基于高斯模糊粗糙集的混合智能特征选择算法、基于直觉模糊粗糙集的混合智能特征选择算法以及基于贝叶斯网络的混合智能决策算法,实现遥感影像的智能融合决策。本文的主要研究工作可以具体概括如下： 1)充分的利用影像中的结构特征,构建了复杂条件下稳健的影像配准算法。针对遥感影像之间存在着的灰度变化以及重复特征等影响配准的难题,本文深入研究形状上下文特征及其改进方法,将其与点特征描述符结合,构建混合特征描述符,能够保证在初始匹配中能够获得稳健的匹配点对；详细研究了基于图形变换匹配(GTM)的特征匹配算法,这种基于点邻域变换不变性的假设,能够保证有效的去除误匹配点。实验表明,在配准的过程中充分的利用结构信息,能够在复杂条件下有效提高配准精度。 2)建立了混合智能的属性函数估计方法。论文从模糊集合与高斯核函数的联系出发,定义了模糊概率,建立了模糊条件下的对称不确定性,以此对高斯函数进行评价,并有机的结合数据驱动与智能优化的参数估计方法,形成了混合智能核参数估计方法,该方法能有效的计算出优化的参数,能有效提高分类器的分类性能。 3)构建了基于高斯模糊粗糙集的特征选择方法。为了解决数据粗糙性、分类模糊性、特征冗余性、包含噪声等多类不确定条件下的特征选择问题,本文首先利用高斯核函数充分挖掘数据之间的模糊关系,建立具有Tcos传递性的模糊等价关系,构建高斯模糊粗糙集模型；其次充分的考虑冗余性对选择特征子集的影响,同时考虑特征与类别相关性和特征之间冗余性,构建特征评价准则；最终实现多类不确定条件的特征选择,实验证明,该方法能够针对特定分类任务,在保证分类精度的条件下,选择出特征数较少的特征子集。 4)提出了基于直觉模糊粗糙集的特征选择方法。为了更全面的对多类不确定建模,本文将高斯模糊关系扩展到具有max-min传递性的直觉模糊等价关系,进而将模糊粗糙集扩展到直觉模糊粗糙集；同时充分考虑分类类别信息,基于决策依赖相关性(Decision Dependence Correlation, DDC)和决策依赖独立性(Decision Independence Correlation, DIC)方法,提出了顾及冗余性及相关性的新特征评价方法；最后在混合智能优化的框架下,实现多类不确定条件下的针对特定分类任务的特征选择。 5)形成了基于贝叶斯网络的混合智能决策方法。为了解决这些问题,包括特征维数高、数据粗糙性、分类模糊性、冗余特征等对分类精度及效率的影响,同时充分的利用特征之间的相关性并对其准确建模,本文详细分析了基于贝叶斯网络模型的分类器在网络结构学习和参数学习等方面存在的问题,将直觉模糊粗糙集与贝叶斯网络分类器结合,构建选择性扩展贝叶斯网络分类器模型,并利用SVM后验概率方法估计贝叶斯网络参数,使其能够适用于连续变量,实现高效准确的分类决策。总而言之,本文首先解决了复杂条件下影像配准以及分类识别中属性函数估计等影像融合决策的预处理问题；其次,再针对多类不确定性条件下的高维特征选择问题,从多类不确定性建模、属性特征评价以及智能优化算法等多方面进行细致的研究,建立了多类不确定性条件下的混合智能特征选择方法；最后,本文针对分类建模问题,建立了选择性扩展贝叶斯网络分类器,在提高分类决策精度的同时也提高了计算效率。本文的研究工作涵盖了遥感影像融合的基本过程,能够科学分析多源特征之间的冗余性相关性,可以针对具体分类任务选择出有效的特征子集,并能够对特征相关性建模,提高分类决策的精度,为影像融合决策提供了较好的借鉴。
[Abstract]:......
【学位授予单位】：武汉大学
【学位级别】：博士
【学位授予年份】：2014
【分类号】：P237

【参考文献】