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。

一种基于证据理论与神经网络的遥感影像分类方法

把影像的空间信息融入分类决策 ,提出了一种基于证据理论与神经网络的遥感影像分类方法。对原图像作平滑处理 ,得到原图像的平滑图像 ;利用神经网络对原图像及其平滑图像分别进行训练、分类 ;利用证据理论对它们的分类结果 (决策 )进行融合 ;最后 ,把融合结果 (决策 )作为原图像的最终分类结果。实验结果与性能比较表明 ,新方法是有效的 ,提高了影像的分类精度。

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。

基于模糊证据理论分类的多源遥感信息融合

运用模糊理论和证据理论相结合的方法融合来自遥感领域中不同数据源的证据,以实现各种数据所含互补信息的融合,同时减少不同数据间的信息冗余。通过模糊理论的引入,基于模糊证据理论对多源数据的融合可以更好地处理分类中的不确定性。最后以中巴地球资源一号卫星(CBERS-1)的CCD与Landsat5的TM图像进行决策层融合分析,试验结果表明该方法在多源信息融合的遥感图像小目标自动分类中具有可行性和有效性,并有很好的应用前景。