【摘要】：隨著航空航天技術(shù)以及傳感器技術(shù)的發(fā)展,人們可以獲得多平臺、多類型的遙感影像數(shù)據(jù),從多尺度效應(yīng)、幾何形狀特性、紋理分布特性、多／高光譜特性、紅外輻射特性、后向散射特性等多方面多角度地對同一地物進(jìn)行認(rèn)知,為盡可能的提高判決決策的準(zhǔn)確性與可靠性提供了良好的機(jī)遇。然而,由于分類識別過程中一系列因素的影響,會嚴(yán)重降低決策的準(zhǔn)確性和可靠性：1)傳感器輻射定標(biāo)的誤差、大氣條件的不穩(wěn)定以及地表環(huán)境的復(fù)雜性等因素影響,會導(dǎo)致最終獲取的影像數(shù)據(jù)中存在自身的粗糙性以及分類信息的模糊性,進(jìn)而嚴(yán)重影響了決策精度；2)由于噪聲的影響,特征之間以及特征與決策之間依賴關(guān)系會發(fā)生改變,分類精度也隨之會改變,例如,如果特征和決策之間相關(guān)性越大,那么特征中包含的噪聲對其的影響也就越大；3)來自多源遙感影像的高維特征中很有可能包含著冗余特征,這不僅增加了計(jì)算的代價(jià),而且影響分類器判決；4)產(chǎn)生式分類模型以及判決式分類模型并沒有充分利用特征之間的關(guān)系,而在分類識別的決策中,只有充分的利用多源遙感影像特征之間的依賴關(guān)系,建立合理的分類模型,才能夠進(jìn)行有效的判決識別。上述這些因素為遙感影像融合決策的發(fā)展帶來了挑戰(zhàn)。 現(xiàn)有的多源遙感影像處理方法,大多停留在像素級融合。然而多源遙感影像之間成像的機(jī)理性差異,導(dǎo)致影像之間的像素級融合存在根本性的困難；另外,像素級融合的最終結(jié)果是將兩幅影像疊加,從而突顯某些特定的地物目標(biāo),這有利于人工判讀,然而其對于自動分類識別意義并不突出,難以提高自動分類識別的效率。而特征層和決策層的融合算法中,具體的方法僅僅從某些特性的應(yīng)用出發(fā),僅僅能解決某方面的問題；而針對遙感影像融合的復(fù)雜性問題,包括多類不確定處理、有效特征選擇、分類識別模型等,一種方法不足以很好的解決這些復(fù)雜性問題。 針對影像配準(zhǔn)、屬性函數(shù)估計(jì)、多類不確定性條件下的特征選擇以及分類決策建模等遙感影像融合決策中的一系列復(fù)雜的難題,本文以模糊理論和粗糙集理論為基礎(chǔ),構(gòu)建了高斯模糊粗糙集模型和直覺模糊粗糙集模型,結(jié)合粒子群優(yōu)化算法、遺傳算法、蟻群算法以及貝葉斯網(wǎng)絡(luò)模型等,建立混合智能系統(tǒng),形成屬性函數(shù)估計(jì)的混合智能算法、基于高斯模糊粗糙集的混合智能特征選擇算法、基于直覺模糊粗糙集的混合智能特征選擇算法以及基于貝葉斯網(wǎng)絡(luò)的混合智能決策算法,實(shí)現(xiàn)遙感影像的智能融合決策。本文的主要研究工作可以具體概括如下： 1)充分的利用影像中的結(jié)構(gòu)特征,構(gòu)建了復(fù)雜條件下穩(wěn)健的影像配準(zhǔn)算法。針對遙感影像之間存在著的灰度變化以及重復(fù)特征等影響配準(zhǔn)的難題,本文深入研究形狀上下文特征及其改進(jìn)方法,將其與點(diǎn)特征描述符結(jié)合,構(gòu)建混合特征描述符,能夠保證在初始匹配中能夠獲得穩(wěn)健的匹配點(diǎn)對；詳細(xì)研究了基于圖形變換匹配(GTM)的特征匹配算法,這種基于點(diǎn)鄰域變換不變性的假設(shè),能夠保證有效的去除誤匹配點(diǎn)。實(shí)驗(yàn)表明,在配準(zhǔn)的過程中充分的利用結(jié)構(gòu)信息,能夠在復(fù)雜條件下有效提高配準(zhǔn)精度。 2)建立了混合智能的屬性函數(shù)估計(jì)方法。論文從模糊集合與高斯核函數(shù)的聯(lián)系出發(fā),定義了模糊概率,建立了模糊條件下的對稱不確定性,以此對高斯函數(shù)進(jìn)行評價(jià),并有機(jī)的結(jié)合數(shù)據(jù)驅(qū)動與智能優(yōu)化的參數(shù)估計(jì)方法,形成了混合智能核參數(shù)估計(jì)方法,該方法能有效的計(jì)算出優(yōu)化的參數(shù),能有效提高分類器的分類性能。 3)構(gòu)建了基于高斯模糊粗糙集的特征選擇方法。為了解決數(shù)據(jù)粗糙性、分類模糊性、特征冗余性、包含噪聲等多類不確定條件下的特征選擇問題,本文首先利用高斯核函數(shù)充分挖掘數(shù)據(jù)之間的模糊關(guān)系,建立具有Tcos傳遞性的模糊等價(jià)關(guān)系,構(gòu)建高斯模糊粗糙集模型；其次充分的考慮冗余性對選擇特征子集的影響,同時(shí)考慮特征與類別相關(guān)性和特征之間冗余性,構(gòu)建特征評價(jià)準(zhǔn)則；最終實(shí)現(xiàn)多類不確定條件的特征選擇,實(shí)驗(yàn)證明,該方法能夠針對特定分類任務(wù),在保證分類精度的條件下,選擇出特征數(shù)較少的特征子集。 4)提出了基于直覺模糊粗糙集的特征選擇方法。為了更全面的對多類不確定建模,本文將高斯模糊關(guān)系擴(kuò)展到具有max-min傳遞性的直覺模糊等價(jià)關(guān)系,進(jìn)而將模糊粗糙集擴(kuò)展到直覺模糊粗糙集；同時(shí)充分考慮分類類別信息,基于決策依賴相關(guān)性(Decision Dependence Correlation, DDC)和決策依賴獨(dú)立性(Decision Independence Correlation, DIC)方法,提出了顧及冗余性及相關(guān)性的新特征評價(jià)方法；最后在混合智能優(yōu)化的框架下,實(shí)現(xiàn)多類不確定條件下的針對特定分類任務(wù)的特征選擇。 5)形成了基于貝葉斯網(wǎng)絡(luò)的混合智能決策方法。為了解決這些問題,包括特征維數(shù)高、數(shù)據(jù)粗糙性、分類模糊性、冗余特征等對分類精度及效率的影響,同時(shí)充分的利用特征之間的相關(guān)性并對其準(zhǔn)確建模,本文詳細(xì)分析了基于貝葉斯網(wǎng)絡(luò)模型的分類器在網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)和參數(shù)學(xué)習(xí)等方面存在的問題,將直覺模糊粗糙集與貝葉斯網(wǎng)絡(luò)分類器結(jié)合,構(gòu)建選擇性擴(kuò)展貝葉斯網(wǎng)絡(luò)分類器模型,并利用SVM后驗(yàn)概率方法估計(jì)貝葉斯網(wǎng)絡(luò)參數(shù),使其能夠適用于連續(xù)變量,實(shí)現(xiàn)高效準(zhǔn)確的分類決策。 總而言之,本文首先解決了復(fù)雜條件下影像配準(zhǔn)以及分類識別中屬性函數(shù)估計(jì)等影像融合決策的預(yù)處理問題；其次,再針對多類不確定性條件下的高維特征選擇問題,從多類不確定性建模、屬性特征評價(jià)以及智能優(yōu)化算法等多方面進(jìn)行細(xì)致的研究,建立了多類不確定性條件下的混合智能特征選擇方法；最后,本文針對分類建模問題,建立了選擇性擴(kuò)展貝葉斯網(wǎng)絡(luò)分類器,在提高分類決策精度的同時(shí)也提高了計(jì)算效率。本文的研究工作涵蓋了遙感影像融合的基本過程,能夠科學(xué)分析多源特征之間的冗余性相關(guān)性,可以針對具體分類任務(wù)選擇出有效的特征子集,并能夠?qū)μ卣飨嚓P(guān)性建模,提高分類決策的精度,為影像融合決策提供了較好的借鑒。
[Abstract]:......
【學(xué)位授予單位】：武漢大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2014
【分類號】：P237

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 倪國強(qiáng),李勇量,牛麗紅;基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合技術(shù)的新進(jìn)展[J];北京理工大學(xué)學(xué)報(bào);2003年04期

2 倪國強(qiáng),戴文,李勇量,蒲恬;基于響尾蛇雙模式細(xì)胞機(jī)理的可見光/紅外圖像彩色融合技術(shù)的優(yōu)勢和前景展望[J];北京理工大學(xué)學(xué)報(bào);2004年02期

3 李延新;李光宇;李文;;基于RBF神經(jīng)網(wǎng)絡(luò)的隸屬度函數(shù)學(xué)習(xí)算法[J];大連交通大學(xué)學(xué)報(bào);2007年02期

4 朱R緘，

本文編號：2393453