多源遥感信息融合方法及其应用研究

近年来，多源遥感数据融合技术已经成为遥感领域的研究热点。面对遥感数据多元化这个现实，多源信息融合方法的研究，特别是针对处理多源信息中的不确定性和不精确性问题的快速算法的研究，成为现今遥感数据分析和处理的重要内容。因此如何利用遥感多源信息进行有效的快速分类在计算机辅助分析和识别系统中更有实用价值。本文针对遥感图像计算机自动分类中的问题，主要进行了以下几方面的研究工作。 1) 改进基本的Kohonen神经网络(KNN)学习率和核函数，并针对每个信息源对最终识别贡献的大小，提出加权与不加权两种融合规则。算法在模拟多源图像融合分类中得到有效的应用。实验结果表明，采用加权的融合方法，可以取得更好的分类效果，对混合像元的识别也有一定的改善。 2) 针对基于KNN融合方法在遥感图像处理中的不足，提出使用模糊技术与KNN相结合的模糊Kohonen神经网络(FKNN)融合方法。实验表明，该融合分类方法能够快速收敛，并能得到较好的分类结果。 3) 由于构造一个恰当的隶属函数等同于提取有效特征，提出了MFKNN1和MFKNN2两种改进方法。同时对MFKNN2中神经网络的权值修改还引进一个平滑因子，以保证权矢量在输出空间分布的平滑性。有效地改善了融合分类的效果和算法性能。 4) 基于模糊逻辑、神经网络和遗传计算相结合，提出了进化规划FKNN(EPFKNN)融合算法。实验结果表明，EPFKNN融合分类算法的性能和分类结果比较好，尤其对混合像元的分类，可以得到更好的结果。 5) 研究了基本DS证据理论(BDSET)和模糊DS证据理论(FDSET)两种决策层融合方法。根据遥感图像分类原理以及证据理论的特点，分别确定了BDSET方法和FDSET方法的基本概率分配函数及融合分类规则。实验结果表明基于BDSET和FDSET融合的分类方法比传统的非监督分类方法具有更好的分类效果，有效地提高了分类的精度。 6) 结合多源遥感信息融合分类的特点，在多级数据融合方法集成技术的基础上，初步形成一个对多源遥感信息融合分类的技术框架。将特征层融合的FKNN与决策层融合的FDSET相结合，提出一种新的融合方法。在多源遥感信息融合分类的应用中，可以利用FKNN的自学习和自适应功能，根据训练样本的学习而自动地获得知识，并将这一知识应用到决策层融合的FDSET融合方法中。实验结果表明， 摘要 博士论文 这种基于FKNN和FDSET相结合的多源遥感信息融合分类器经过训练后，可应用于 遥感图像的计算机自动分类，其分类精度明显高于其他传统的计算机自动分类方法。 总之，本文的工作在应用计算机辅助多源遥感信息融合分类的领域内作了有益的 理论探讨和方法研究，对计算机多源遥感信息自动分类的进一步完善和发展起了重要 的推动作用。