粗糙集遥感图像融合及分类方法研究

【摘要】：本文研究了粗糙集遥感图像融合方法,以及纹理特征辅助光谱特征进行遥感图像分类的方法。 本文首先提出了一种基于Contourlet变换的粗糙集遥感图像融合方法,该方法将粗糙集的等价类思想用于图像Contourlet变换得到的高频系数的划分,利用梯度属性将高频系数划分为不同的等价类,对不同类别的高频系数采用不同的规则进行组合,得到新的融合高频系数,将新的高频系数与低频系数结合进行逆变换得到融合图像。仿真实验结果表明该融合方法与基于2代Curvelet改进IHS变换的遥感图像融合方法相比,在增强空间细节信息的同时,光谱信息得到了更好的保留。 接着提出了一种基于遗传算法的粗糙集遥感图像融合方法,即利用遗传算法对低频系数和粗糙集划分的高频系数进行权值寻优,利用最优的加权值对低频系数和高频系数的不同等价类进行组合,得到融合后的各频带系数,进行逆变换得到融合图像。实验表明该融合方法比基于小波变换和粗糙集的图像融合方法得到的融合图像质量更加优秀。 本文对于遥感图像分类的研究是在论文《光谱与纹理特征融合的遥感图像分类方法》基础上进行的,改进提出了D-S证据理论遥感图像分类方法和模糊相似度遥感图像分类方法。在D-S证据理论分类方法中,光谱概率分配和纹理概率分配组合时分别进行直接组合和取优组合两种方法得到整体概率分配。在模糊相似度分类方法中,光谱隶属度和纹理隶属度组合时进行取优组合得到整体隶属度信息。将利用本文融合方法得到的遥感图像用于分类,实验结果表明对源图像进行融合再分类效果优于直接利用源图像进行分类的效果,纹理特征辅助光谱特征进行分类的精度高于单一光谱特征分类的精度。本文提出的D-S证据理论分类方法和模糊相似度分类方法与前人的方法相比,分类精度得到了一定提高。