内容总结

如题所述

本书以遥感信息的不确定性和尺度问题两个当前遥感研究中的热点问题为核心,着重研究了遥感数据专题分类的不确定性表达和评价问题,通过多分类器结合降低遥感数据分类不确定性的方法,遥感专题分类不确定性的尺度效应,以及遥感信息的尺度转换方法和合适分辨率的选择问题。具体的研究工作和结果体现在以下几个方面:

一、提出了“扩展的概率矢量”的概念

在对遥感数据专题分类不确定性评价方法详尽回顾和分析的基础上,指出了像元尺度上遥感数据专题分类不确定性评价的必要性;对基于概率矢量的像元尺度遥感专题分类不确定性评价的各种指标进行了分析和评价,指出概率残差和概率熵是较好的表达分类不确定性的度量;针对概率矢量只适用于贝叶斯分类方法的缺陷,提出了“扩展的概率矢量”的概念。通过将各种距离分类器和模糊分类器等分类器表示像元属于各类别可能性的度量通过一定方法转换为和概率矢量一样满足概率论三个公理的度量,使基于概率适量的像元尺度不确定性评价方法和指标适用于大部分常用的分类器分类不确定性评价。实验结果证实基于“扩展的概率矢量”的方法能够反映遥感数据专题分类不确定性的空间分布结构差异。

二、评价了标准的多分类器结合方法在遥感数据专题分类中的有效性

对现有的遥感数据专题分类中常用的分类器进行了比较评价,指出不同的分类器的分类表现有很大不同,而这种不同与其分类的数据的统计分布特征、先验知识、训练数据样本的大小以及分类器本身的结构等多个因素相关联。对于给定的遥感数据,不同的分类器的分类精度不同,而且同一个分类器对不同类别的分类精度也不同。将近年来模式识别领域里发展的多分类器结合的分类方法引入到遥感数据的分类中,分别在抽象级和测量级上进行了多分类器结合分类遥感数据的实验。结果表明,抽象级多分类器结合和测量级的多分类器结合都能够提高总体分类精度。但通过多分类器结合后,单个类别的分类精度不一定高于单个分类器对单个类别的分类精度;抽象级的多分类器结合可以结合任何不同的分类器,但参与分类器结合的分类器个数应为奇数,最终的分类结果的不确定性无法在像元尺度上表达;测量级的多分类器结合实质上是在各分类器的不确定性测量的基础上的分类器结合,其分类结果便于在像元尺度上表达,但参与测量级多分类器的结合的每一个分类器在分类过程中都必须能够输出类似于概率矢量的不确定性测量。

三、提出了通过统计可分性评价遥感分类不确定性尺度效应的方法

遥感数据的空间分辨率直接影响分类的不确定性。遥感分类不确定性随遥感数据空间分辨率的变化,是类内光谱特征变异程度和混合像元数目两个影响分类不确定性的互相矛盾的因子随空间分辨率的变化共同作用的结果。提出了通过类别间特征统计可分性评价遥感分类不确定性尺度效应的方法。通过计算变换离散度和J-M距离两个统计可分性度量随遥感数据空间分辨率的变化,发现随着空间分辨率的变化,不同类别间的统计可分性的变化结构不同,解释了不同变化结构下类内光谱特征变异程度和混合像元数目两个因子的互动关系。指出类别间的空间邻接关系通过影响混合像元数目的变化而影响统计可分性随空间分辨率的变化。指出不同的类别间的最大可分性出现的空间分辨率不同,平均的最大统计可分性也不一定出现在最高空间分辨率。

四、提出了基于模拟点扩散函数的遥感信息尺度扩展方法和快速确定合适分辨率的方法

提出了通过模拟的传感器点扩散函数与高分辨率遥感数据卷积进行遥感信息尺度扩展的方法;提出将图像的空间自相关系数作为评价遥感数据尺度转换的指标之一,从均值、标准差和空间自相关程度随空间分辨率的变化三个方面与传统的简单平均方法和中心像元法两个尺度扩展方法进行了对比,证明点扩散函数法在总体上最优。在分析现有方法的基础上,提出了通过分析以一个像元为步长的图像变异函数的结构,确定图像合适空间分辨率的方法。与传统方法相比较,该方法具有计算简单快速,且没有边缘效应的特点。与传统方法的实验结果对比显示,该方法的结果是准确可靠的。

温馨提示:答案为网友推荐,仅供参考
相似回答