基于数据融合的综合识别方法研究

【摘要】：近年来信息科学飞速发展，数据所含信息量巨大，复杂性增高。如何从海量数据中提取出人们真正感兴趣的信息，准确地对目标进行综合识别已成为国内外相关领域研究的热点问题。数据融合将大量数据进行整合，以低维形式重新进行表达，可以更好地体现目标的本质特征，利用数据融合对脑肿瘤等目标进行准确识别已成为电子信息和医学探测等领域研究的难点问题。非负矩阵分解(Non-negative Matrix Factorization，NMF)是一种高级的盲信号处理方法。在非负性的约束下，使用NMF算法对复杂数据进行降维、特征提取、信息融合等处理可以得到较为满意的效果。并且，根据解决实际需求，对NMF算法进行改进、扩展及优化处理后的成果，已经在生命医学、遥感数据处理、语音信号、文本等数据处理与分析方面得到了颇有成效的应用。 本文基于数据融合方法，利用NMF算法对人脑恶性胶质母细胞瘤(Glioblastoma，GBM)的组织成分识别和多源遥感数据中目标的特征及身份识别等问题进行了较为深入系统的研究，主要工作和贡献如下： 1．针对现行NMF算法对目标识别准确性不够等问题，分析讨论了目前流行的NMF算法以及它们各自的特点，并利用GBM的核磁共振谱成像(MagneticResonance Spectroscopy Imaging，MRSI)仿真信号对它们的目标识别准确性进行比较和分析。 2．针对GBM的MRSI数据难以清晰表达，以及传统NMF算法无法稳定识别GBM组织类型(正常、肿瘤和坏死)等问题，提出了分层NMF (Hierarchical NMF，hNMF)算法。该算法基于GBM三种组织波谱的互相关性最小这一医学原理，构造了一系列变化的掩膜，通过分层次应用NMF准确地恢复出GBM三种组织波谱，并利用非负最小二乘法实现了其空间位置的可视化。该算法提高了脑肿瘤组织波源识别及其空间分布估计的稳定性。 3．针对传统的疾病分类学成像方法需要大量标识模型波谱训练集的问题，提出一种非监督的胶质细胞瘤疾病分类学成像方法。该方法利用NMF算法和hNMF算法识别出胶质细胞瘤MRSI数据中的不同组织成分及其空间分布，用不同的颜色在一幅脑图像中表示出来，解决了在没有先验信息的情况下的胶质细胞瘤进行疾病分类学成像问题，实现了对肿瘤组织侵入性的表达。同时提出了基于线性最小二乘估计的误差图估计方法，解决了疾病分类学图像可信度表达的问题。 4．针对多源数据融合的预处理过程中配准结果易受特征提取精度影响的问题，提出了基于水平集的合成孔径雷达(SyntheticAperture Radar，SAR)图像和光学图像的配准方法，在水平集框架下通过映射函数将SAR图像特征和光学图像特征相结合，构造了配准的能量泛函模型。该方法可以同时完成图像的分割和配准，简化了配准过程，减弱了图像分割对配准精度的影响，提高了SAR图像和光学图像的配准精度。 5．针对遥感图像变化检测中背景和目标变化区域易混淆的问题，提出了基于非负矩阵分解的分时融合方法。该方法通过基于NMF的多波段SPOT图像融合对差值影像进行构造，从而完成变化区域的检测，提高了变化区域的识别正确率。