基于证据理论的信息融合在图像分类中的应用

该文在阐述Dempster-Shafer证据理论的基础上,给出了基于Dempster-Shafer证据理论的多源信息融合的方法,并将Dempster-Shafer证据理论的信息融合技术应用于遥感图像纹理的分类。提取纹理图像不同特征构成该理论中的证据,利用一定的决策规则,选择融合证据作用下最大的假设。实验结果表明,该文提出的基于Dempster-Shafer证据理论的多特征融合分类识别图像纹理的新方法是切实有效的,能极大地提高图像纹理的识别分类能力。     

林业土地信息管理中的多源遥感图像融合技术

多源遥感图像为林业土地监测提供了更为丰富、精确和详尽的动态信息,提升了遥感技术科技含量和应用价值,在林业土地信息管理中得到日益广泛的重视和应用.然而多源遥感同时也增加了有效图像信息的识别问题.结合多源遥感图像融合的信息处理特点,采用基于模糊径向基函数网络、模糊Kohonen神经网络和模糊自适应谐振网的计算机图像目标识别技术,自主开发设计软件对高分辨率SPOT全色影像的多波段数据信息进行图像融合类别判断.实验证明模糊Kohonen神经网络在识别的精度、速度以及识别率是最佳方法.     

一种基于信息融合的多源遥感图像分类方法

基于D-S证据理论提出了一种多源遥感图像分类融合的新方法。首先通过人为选择感兴趣的分类区域，提取特征获取基本概率分配函数，将待分类的多源图像进行分类融合，从而得到最终的分类结果。试验表明，相比于K-mean分类方法，这种分类融合方法可以有效地减少分类过程中的不确定性信息，提高分类精度。     

多源遥感图像融合方法研究

研究多源遥感图像的融合技术,针对不同传感器获取的遥感图像像素信息有很大差异.当所要融合的图像是多源遥感图像时,应提取多图像的有效信息,组合出高质量的图像.传统IHS图像融合方法无法避免多源图像像素不匹配带来的有效像素丢失,造成融合图像模糊,清晰度不高的问题.提出一种基于Contourlet变换的遥感图像融合方法,通过对图像进行Contourlet变换后提取各源图像的特征信息,并计算提取特征所包含的信息量,选取高信息景的特征进行融合,最后通过进行Contourlet逆变换即得到多源融合图像,利用信息量融合配准的方法就避免了直接对不匹配像素运算而造成的有效像素丢失.实验证明,改进的优化融合方法能够保留图像的有效信息,得到高清晰度的融合图像.     

基于信息融合技术的动态安全态势评估模型

本文提出了一种基于信息融合的动态网络安全态势评估方法。此方法采用信息融合系统的三层结构,数据层用粗糙集理论确定有用属性及权值,定时收集多源数据并标准化,特征层采用模糊聚类分析进行信息预分类,决策层用模糊识别和D-S证据理论组合的识别方法得到最终结果。     

基于数据融合的多特征遥感图像分类

以多光谱图像为研究对象，综合利用遥感图像的光谱、纹理和数学变换特征，提出了一种基于数据融合的多特征遥感地物分类方法。该方法针对不同的特征分别构造了神经网络分类器和K-均值聚类器，并对前者利用Adaboost算法进行提升，然后再将各特征的分类结果利用证据理论合成公式融合得到最终结果。实验结果表明，该方法的分类效果要优于单特征的分类结果。     

基于聚类和NSCT的遥感图像融合算法

研究遥感图像融合问题。针对遥感图像数据在时间、空间和光谱方面差异大,图像分辨率低等问题,为有效提高遥感图像的分辨率,提出了一种基于聚类和NSCT的遥感图像融合算法。首先对源图像进行小波变换提取源图像特征;然后利用改进的模糊C均值聚类算法在多特征形成的特征空间上对图像进行区域分割,并在此基础上对区域进行NSCT分解,通过设计的区域相似度度量方法,以信息度大的区域作为融合区域,对不同的区域采用不同的融合规则进行融合,最后进行重构得到融合图像。仿真结果表明,对比其它图像融合算法,改进的遥感图像融合算法可获得较理想的融合图像,具有一定的实用性。     

基于神经网络-证据理论的遥感图像数据融合与湖泊水质状况识别

为了进一步提高湖泊水质状况识别的准确性，提出了一种基于神经网络．证据理论的遥感图像数据融合处理方法，并以太湖水质监测数据为例进行了实证分析。该方法先对不同的遥感输入图像，采用各自相应的神经网络进行处理，然后对神经网络输出的结果做归一化处理，再利用D-S证据理论进行数据融合，最终给出水质的识别结果。该方法的优点为(1)可增加水质识别的容错性；(2)由于融合了多源水质遥感图像的数据，因而水质状况识别的可信度更高。     

SVM在多源遥感图像分类中的应用研究

在利用遥感图像进行土地利用/覆盖分类过程中,可采用以下两种途径来提高分类精度:一是通过增加有利于分类的数据源,引入地理辅助数据和归一化植被指数(NDVI)来进行多源信息融合;二是选择更好的分类方法,例如支持向量机(SVM)学习方法,由于该方法克服了最大似然法和神经网络的弱点,非常适合高维、复杂的小样本多源数据的分类。为了提高多源遥感图像分类的精度,还研究了支持向量机在遥感图像分类中模型的选择,包括多类模型和核函数的选择。分类结果表明,支持向量机比传统的分类方法具有更高的精度,尤其是基于径向基核函数和一对一多类方法的支持向量机模型更适合多源遥感图像分类,因此,基于支持向量机的多源土地利用/覆盖分类能大大提高分类精度。     

一种基于模糊关联分类的遥感图像分类方法

遥感图像分类是遥感领域的研究热点之一.提出了一种基于自适应区间划分的模糊关联遥感图像分类方法(fuzzy associative remote sensing classification,FARSC).算法根据遥感图像分类的特点,利用模糊C均值聚类算法自适应地建立连续型属性模糊区间,使用新的剪枝策略对项集进行筛选从而避免生成无用规则,采用一种新的规则重要性度量方法对多模糊分类规则进行融合,从而有效地提高分类效率和精确度.在UCI数据和遥感图像上所作实验结果表明,算法具有较高的分类精度以及对样本数量变化的不敏感性,对于解决遥感图像分类问题,FARSC算法具有较高的实用性,是一种有效的遥感图像分类方法.