《基于D-S证据理论的遥感影像融合技术研究》由会员分享，可在线阅读，更多相关《基于D-S证据理论的遥感影像融合技术研究（8页珍藏版）》请在金锄头文库上搜索。
1、基于D-S证据理论的遥感影像融合技术研究刘江刘丹丹田静黑龙江工程学院测绘工程学院摘要：多源遥感影像融合是一种将來自多个传感器所拍摄的同一区域图像进行智能合 成的一项技术。冃前，遥感影像融合研究大多数都停留在像素级融合方而，很少 考虑到界质影像融合后新像元的物理意义丢失。因此，提出基于D-S证据理论的 热红外高光谱和可见遥感影像决策级融合方法，首先釆用最大似然监督分类方 法分别对热红外高光谱遥感影像和可见光遥感影像分类，并对分类结果进行评 价，然后利用D-S证据理论对热红外高光谱影像和可见光遥感影像分类信息实 现决策级融合，实验结果表明：使用D-S证据理论融合后的图像分类精度较融合 之前改善效果
2、非常明显，说明该方法在界质遥感影像融合中有很强的理论和实 际意义。关键词：影像融合;D-S证据理论;影像分类;热红外高光谱影像;决策级融合;作者简介：刘江（1980-），男，讲师，研究方向:遥感图像处理.收稿日期：2017-06-12 基金：黑龙江省普通高校重点实验室项目(kjkf-14-04)Research on fusion technology of remote sensing image based on DS theoryLIU Jiang LIU Dandan TIAN JingCollege of Suirveying and Mapping EngineeringHeilo
3、ngjiang Institute of Technology;Abstract：The fusion of multisource remote sensing image is a technique to intelligently synthesize images taken by multiple sensors in the same region .At present the study on the present pixel-level fusion is still the main content of the remote sensing image fusion,
4、 and the new pixel is proposed without physical signifiedncc after hctcrogcncous image fusion, where the fused image serves as a disservice to its subsequent application. In this paper, the decision-level fusion is developed based on Dempster-Shafer (DS) theory to fuse the thermal infrared hyperspec
5、tral image and opticaJ image. Firstly the thermal infrared hyperspectral image and optical image arc classified respectively by cmploying Maximum Likelihood Classification. Secondly, the precision evaluation is carried out for the classified images. Finally, the decision-level fusion is implemented
6、based on D-S theory to fuse the classified images.The experiment resuIt shows that the preci si on of the classified image fused by D-S theory is higher them the pre-fusion classified image, and the method has a strong theoretical and practical significance in the area of heterogeneous remote sensin
7、g images fusion.Keyword：image fusion; D-S theory; image classification; thermal infrared hyperspectral image; dccisionlcvcl fusion;Received： 2017-06-12多源遥感图像融合是把同一区域的不同传感器拍摄的影像使用一定的算法实现 处理，将会获得一个更加丰富、更加可信、更加准确的数据，对后面要做的判别 和评估产生极为有利的条件。这种融合的目的是把多个图像中的优势信息进行合 并，得到一个更精确、更可信的数据图像II。Alex Pappachc等在2014年主
8、要 从方法、图像模式和图像结构方面研究现有医学图像融合方法，即便现有方法存 在一些理论和技术上的难点，但I矢学图像融合在利用I矢学图像诊断疾病过程中 起着重大作用R1。Mahdi Khodadadzadeh等在2015年提出一种新的融合方法实 现高光谱遥感图像和IJDAR的分类，该方法联合利用提取的多种特征实现融合 分类，不需要对特征进行归一化处理，实验结果表明，基于多特征学习的融合 方法用于高光谱图像和LiDAR的分类明显改善分类结果UloShutao Li等在2016 年研究像素级图像融合在遥感、陕学和红外夜视等领域取得进展，同时也研究了 融合质量评价方法，主要分析了融合方法在遥感、医学诊
9、断、监视和摄影领域的 应用和挑战，最后指岀像素级融合的发展方向4。Yokoya N 在2017年对现有文献系统地分析了高光谱图像和多光谱图像的融合方法，主要利用8种数据 源实验分析10种融合方法的通用性和差异性固。通过近年图像融合技术领域文 献分析发现，目前遥感图像融合方法主要还是集中在像素级层面，针对异质遥 感图像融合有部分学者研究特征级遥感图像融合，然而基于决策级的融合研究 相对来说较少，考虑到异质影像融合后新像元物理意义丢失，因此，针对异质 图像采用特征级或决策级融合更为合理。对于热红外高光谱和可见遥感影像而言, 考虑到基于像素级融合方法导致融合牛成新像元物理意义丢失，因此，木文提 岀基
10、于D-S证据理论的热红外高光谱和可见遥感影像决策级融合方法。首先采用 最大似然监督分类方法分别对热红外高光谱遥感影像和可见光遥感影像分类， 并对分类结果进行评价，然后利用D-S证据理论对热红外高光谱影像和可见光 遥感影像分类信息实现决策级融合，具体流程如图1所示。图1基于D-S证据理论的热红外高光谱和可见光遥感图像信息决策级融合算法 流程下载原图1 D-S证据理论1. 1识别框架在D-S证据理论中，设定是一个集合，则有二0】，。2,，Oj,，0No 当某个元素存在一个有效的结果时，而且仅仅存在一个正确的结果，此时把这 个集合当做一个识别框架。识别的意义是从所有可能的这个问题的答案只能判别 出一
11、个正确的答案。在识别框架中把全部的子集合成的一个集合就形成了幕 集，记作2,如式（1）所示。式中：表示空集； iu 0 j同样可以写成（）i, Oj, i, jwl, n,且iHj, 根据这个规则继续推断。1.2基本信任分配函数在识别框架中，m是一个从集合2到0, 1的映射，m代表基本信任分配函数, 这个函数体现出对A本身的信任度大小。m ()二0表示对于空命题信任度不存 在;式(3)中下面的式子表示虽然m (A)的值可以随意设定，但是所有命题所 提供的信度和必须为1。识别框架的随便一个子集用A来表示，记作,同时满足下面的条件:1. 3 D-S证据理论的合成规则信任函数1)两个证据的组合规则B
12、ch, Bel代表两个信任函数，叽血为与Z对应的基本 信任分配函数。A., Bi假如是一个焦元,叫(AJ m2 (BJ在Beg Beb的影响下 被分配在AiABi上。在A不变的时候，如果AtAB-A,此时就存在m. (Aj m2 (Bj 分配在A的可信度上。使用D-S合成规则：这里K代表冲突系数，1-K表示归一化因子，它不会在合成证据的时候将不是 0的值分配给空集。g和嗫的正交和就是信任函数m,记作m2o2基于D-S证据理论的热红外和可见光遥感影像信息融合实验与分析2.1实验数据源实验所使用影像分别为机载热红外高光谱遥感影像和可见光遥感影像，为2013 年IEEE GRSS国际数据融合比赛所用
13、影像，影像区域是加拿人魁北克省的塞特福 德矿城的黑湖地区，拍摄时间为2013-05-21,拍摄高度距离地面807m。热红外 高光谱影像使用基于傅里叶变换光谱仪的机载热红外高光谱传感器 Telop, Hyper-Cam拍摄;与此同时，此平台上搭载一个两百万像素的数码彩色 照相机。两幅图像信息如表1所示，热红外原始影像和可见光原始影像如图2、 图3所示。本次实验提供一个完整的训练集，包含7种不同的地物标记，分别表 示水泥路面(Road)、树木(Trees)、红色屋顶(Red roof)、灰色屋顶(Grey roof)、水泥屋顶(Concrete roof)、草木(Vegetation)和裸地(Ba
14、re so订)， 如图4所示。图2热红外遥感影像下载原图2. 2热红外高光谱影像分类实验与分析选择的训练样本使用最大似然监督分类法对热红外影像进行分类，所获得的热 红外遥感影像分类如图5所示。通过利用混淆矩阵分析分类后图像的精度，热红 外遥感影像分类精度混淆矩阵如表2所示。表1遥感影像信息下载原表图3可见光遥感影像下载原图图4地面参考训练集下载原图下载原表表2热红外图像分类精度混淆矩阵通过对热红外图像分类图像的混淆矩阵分析可以看出，分类总体精度是57.91%, Kappa系数为0.46。总的来说分类精度一般，特别是分析每一类的分类精度时， 除了水泥地面和裸地分类情况较好，其他地物分类效果不是很
15、好。因为热红外高 光谱影像尽管波段数较多，但波段覆盖范围仅限于热红外区域，这些地物的热 辐射差异较小，导致这类地物分类效果较差。2. 3可见光遥感影像分类实验与分析选择训练样本使用热红外遥感影像分类方式相同的分类算法，对可见光遥感影 像进行了分类，分类后如图6所示。可见光遥感图像分类精度的混淆矩阵如表3 所示。表3可见光遥感图像分类精度混淆矩阵下载原表通过对可见光遥感分类图像的混淆矩阵分析发现，可见光遥感影像的总体分类 精度为92. 56%, Kappa系数为0.91,远高于热红外遥感影像的分类精度。分析 每类地物精度时发现，除了红色屋顶制图精度较低，为44. 25%,不过相对于热 红外影像分
16、类精度2& 57%还是得到很大地改善，其他地物类别的分类精度都很 高，相对于热红外影像改善也很大。这跟可见光影像波段覆盖范围广有很大关系, 地物光谱差异在可见光区域比较大，相对来说容易区分，所以分类精度提高很 大。2. 4基于可见光和热红外遥感影像信息决策级融合实验与分析应用D-S证据理论融合方法对分类后的热红外遥感图像信息和可见光遥感图像 信息进行决策级融合操作，融合后数据图像如图7所示。融合后图像信息的混淆 矩阵如表4所示。表4融合后图像混淆矩阵下载原表通过对表4融合分类混淆矩阵分析发现，融合分类的总体分类精度为9& 34%, Kappa系数为0. 98,高于热红外高光谱遥感影像和可见光影像分类精度。分析每 类地物精度时发现，红色屋顶融
