光學(xué)遙感圖像的多目標(biāo)檢測與識別一直是圖像處理與分析領(lǐng)域的熱點研究問題。針對多特征單一分類器決策級融合不能很好的利用特征與分類器的適應(yīng)性,導(dǎo)致識別的準(zhǔn)確率很難進一步提高的問題,提出了基于D-S證據(jù)理論的多特征多分類器決策級融合策略。首先提取了兩種簡單且具有平移、縮放不變性的特征;其次分別引入3種適應(yīng)性較好的分類器進行分類;最后設(shè)計了兩級的D-S證據(jù)理論的融合方案,并且在置信度函數(shù)計算的過程中引入表征分類器性能的混淆矩陣。該算法有效地解決了分類器輸出的不確定性問題,進一步提高了光學(xué)遙感圖像多目標(biāo)分類識別的準(zhǔn)確性。測試表明,對4種目標(biāo)的識別率達到97.22%,驗證了算法的有效性。 

【文章來源】：電子測量與儀器學(xué)報. 2020,34(05)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

艦船的旋轉(zhuǎn)歸一化圖像及其HOG特征表示

圖3 分類器融合過程示意圖

本文使用自行建立的遙感圖像庫對所提出的算法進行了測試,數(shù)據(jù)庫總體分為4個類別,包含飛機、汽車、油罐、船艦,每類共有74幅圖像,總共包含74×4共288張圖像,部分圖例如圖4所示。4.1 三種分類器對應(yīng)兩種特征測試結(jié)果

【參考文獻】：
期刊論文
[1]基于流形學(xué)習(xí)的光學(xué)遙感圖像分類[J]. 王云艷,羅冷坤,王重陽.  計算機工程與科學(xué). 2019(07)
[2]基于SPCA和HOG的單樣本人臉識別算法[J]. 韓旭,諶海云,王溢,許瑾.  計算機科學(xué). 2019(S1)
[3]基于多分類學(xué)習(xí)的光學(xué)遙感圖像艦船檢測[J]. 陳麗瓊,石文軒,范賜恩,鄧德祥.  華中科技大學(xué)學(xué)報(自然科學(xué)版). 2019(05)
[4]基于三維可視化空中走廊體系的城市低空空域航圖繪制研究[J]. 馮登超,秦?zé)ㄓ?曾湧,王春喜.  電子測量與儀器學(xué)報. 2018(04)
[5]基于BP神經(jīng)網(wǎng)絡(luò)和改進D-S證據(jù)理論的目標(biāo)識別方法[J]. 張志,楊清海.  計算機應(yīng)用與軟件. 2018(03)
[6]多特征的光學(xué)遙感圖像多目標(biāo)識別算法[J]. 姬曉飛,秦寧麗,劉洋.  智能系統(tǒng)學(xué)報. 2016(05)
[7]基于光學(xué)遙感圖像的目標(biāo)檢測與分類識別方法[J]. 姬曉飛,秦寧麗.  沈陽航空航天大學(xué)學(xué)報. 2015(01)
[8]特征點和不變矩結(jié)合的遙感圖像飛機目標(biāo)識別[J]. 曾接賢,付俊,符祥.  中國圖象圖形學(xué)報. 2014(04)
[9]基于SVM概率輸出與證據(jù)理論的多分類方法[J]. 權(quán)文,王曉丹,王堅,張玉璽.  計算機工程. 2012(05)
[10]采用獨立分量分析Zernike矩的遙感圖像飛機目標(biāo)識別[J]. 劉富,于鵬,劉坤.  智能系統(tǒng)學(xué)報. 2011(01)

碩士論文
[1]基于復(fù)雜背景的光學(xué)遙感圖像艦船目標(biāo)檢測技術(shù)[D]. 金文超.哈爾濱工程大學(xué) 2013



本文編號：3105432