多源遥感数据融合理论与方法

《多源遥感数据融合理论与方法》由会员分享，可在线阅读，更多相关《多源遥感数据融合理论与方法（45页珍藏版）》请在装配图网上搜索。

1、多源遥感数据融合理论与方法Bayes统计理论基于Bayes估计的身份识别方法4Bayes统计理论基于经典统计方法的多传感器数据处理O经典统计理论的两个特征：不采用先验概率；概率是一种类似频数的解释。经典统计理论的基本原理：小概率原理。:经典统计理论的不足：将被测参数看做一个固定值，没有充分利用其先验信 息；精度和信度是预定的，不依赖于样本。iBayes统计理论基于贝叶斯(Bayesian)理论的统计数据融合方法是目前较常用的遥 感图像融合方法。贝叶斯方法又称为最大似然法，在基于Bayesian 模型的目标识别方案中，可以利用不同平台、不同类型传感器、不同 吋相的遥感数据通过计算得到目标的融合概

2、率，最后以融合概率为基 础实现目标的识别决策。这种方法首先对各种传感器信息作相容性分 析，删除那些可信度很低的错误信息，然后对保留下来的信息利用先 验信息和样本信息合成为后验分布，并对检测目标进行贝叶斯估计， 以求得最优的融合概率。在各类光谱数据满足正态分布假设的条件下 ,贝叶斯推理技术理论上能获得最小的分类误差。该方法通常以提高 遥感图像的分类性能为目的，用于目标的检测和地物的分类。Bayes统计理论:在考虑可靠度情况下传感器测量需要解决的一个关键问 题：真值和测量值。考察一个随机试验，在该试验中於互不相容的事件力鯨 -必然会发生一个，且只能发生一个，用尸(A.)表示&发生的概率，则有:EP

3、（A）=1i=l:设利用一传感器对力事件的发生进行检测，检测结果为E 则厶为真值，E为测量值。Bayes统计理论 Bayes统计理论认为，人们在检验前后对某事件的发 生情况的估计是不同，而且一次检验结果不同对人们的 最终估计的影响是不同的。先验知识：Pg）、PQ、FQ 表示事件力” A2,4 发生的概率，这是试验前的知识称为“先验知识”。Bayes统计理论后验知识：由于一次检验结果B的出现，改变了人们对事件力4,心发生情况的认识，这是试验后的知识称为 “后验知识”。检验后事件力”鯨4发生的概率表现为条件概率：显然有：P（A【B）noBayes统计理论 Bayes估计是检验过程中对先验知识向后验

4、知识的不条件概率公式:或P（AB）= P（A|B）P（B）全概率概率公式：/7p（b）=p（b|a（A）i=其中A为对样本空间的一个划分，即4为互斥事件且(4卜17=1Bayes统计理论yes公式:对一组互斥事件人北2,n9在一次测量结果为时，儿发生的概率为:1=1利用Bayes统计理论进行测量数据融合：充分利用了测量对象的先验信息。是根据一次测量结果对先验概率到后验概率的修正。基于Bayes估计的身份识另!|方法:假设由n个传感器对一未知目标参数进行测量，每一传感器根据测量结果利用一定算法给出一个关于目标的身 份说明。设“很 ，人为n个互斥的穷举目标，Bj为 第丿个传感器给出的目标身份说明，

5、且厶满足：EHa）=ii=则：伽）5伽）PP 1=1基于Bayes估计的身份识别方法基于Bayes统计的目标识别融合模型基于Bayes估计的身份识别方法基于Bayes统计的目标识别融合的一般步骤： 获得每个传感器单元输出的目标身份说明坊， 场，Bn； 计算每个传感器单元对不同目标的身份说明的不确定性即|A) ； i=l, 2, ,!基于Bayes估计的身份识另!|方法基于Bayes统计的目标识别融合的一般步骤: 计算目标身份的融合概率：p（4隊场,氏）=户何,场,，氏|4）戸（4） 卩（1，2,心）如果厂0”，巧相互独立，则:尸何,场,氏|4）=尸何|4）尸2|4）p仮M）基于Bayes估计的

6、身份识别方法基于Bayes统计的目标识别融合的一般步骤: 目标识别决策（判据）：max 戶弘场,/”）9厶 9加基于Bayes估计的传感器检测数据融合方法思路传感器传感器传感器 A关系矩阵信离阵置距矩基于Bayes估计的传感器检测数据融合基本理论和方法一置信距离和置信距离矩阵 利用多个传感器测量某参数的过程中有两个随机变一是被测参数，二是每个传感器的输出心,i=l, 2風一般认为它们服从正态分布，用兀.表示第了个测量值的一次测量输出，它是随机变量心的一次取样。 设：“N（“,云） 母N（g）基于Bayes估计的传感器检测数据融合基本理论和方法一置信距离和置信距离矩阵为对传感器输出数据进行选择，

7、必须对其可靠性进 行估计，为此定义各数据间的置信距离。 用心、為表示第才个和第丿个传感器的输出，则其一次读数兀和屯之间的置信距离定义为:dij =基于Bayes估计的传感器检测数据融合 若心服从正态分布,基本理论和方法一置信距离和置信距离矩阵则上式中:(1( 、21 1x 兀11L 6 )r( 、21x-X.S2J丿故可知:当兀=时，dij=dji=Q 当形勺或勺兀时，djj=dji=dm此2基于Bayes估计的传感器检测数据融合基本理论和方法一置信距离和置信距离矩阵置信距离矩阵：对m个传感器的一次测量数据，利用dm此2dm此2上述方法可以分别计算任意两个传感器数据之间的置信距离=,m得到一个

8、m X m矩阵。Dmii212dmd2mdm此2基于Bayes估计的传感器检测数据融合基本理论和方法一关系矩阵和数据选择 根据具体问题选择合适的临界值角由给对数据的可 靠性进行判定。 由此得到一个二值矩阵，称为关系矩阵。G厂12仏 12%rV 厂ml m2mmdm此2二 ozannnHnnnnuniuinHiMn基于Bayes估井的传感器检测数据融合I II基本理论和方法一基于Bayes估计的数据融合算法设被测参数“”仏,曲），第k个传感器的测量数 据兀N（“,b；）,经过删选，选择1个数据作为最 佳融合数。融合结果为：基于Bayes估井的传感器检测数据融合I II基于Bayes估计的数据融合

9、一般步骤计算m个传感器数据的置信距离矩阵，为简化计算, 当测试数据服从正态分布时可利用误差函数计算置 信距离。基于Bayes估计的传感器检测数据融合基于Bayes估计的数据融合一般步骤选择合适的距离临界值，由置信距离矩阵产生关系矩阵。 1 dtj 0耳由关系矩阵对多传感器数据进行选择，产生最佳融 合数。基于Bayes估计的传感器检测数据融合基于Bayes估计的数据融合一般步骤 将“、云和最佳融合数对应的耳、b；代入Bayes融合估计公式求的参数估计值。多源遥感数据融合理论与方法融合结果定量评价融合结果定量评价评价融合影像的质量是遥感图像融合的一个重要步骤。评价融合效果主要包括定性和定量评价两种

10、。定性评价一般选用目视法解译。定量评价选择：均值、标准差、爛、光谱偏差、相关系数等。定量评价分为：融合图像的整体质量、融合图像和低分辨率图像的光谱信息保真度和融合图像与高分辨率图像的高频信息保真度（纹理信息）三个方面。均值：图像均值是像素的灰度平均值，对人眼反映为平均亮度。均值越大说明影像含息量越高。M iV工工F(mji)in=l ri=标准差：反应图像灰度相对于灰度均值的离散情况。标准差大。则图像灰度级分散，图像反差大，信息量丰富。M N工口 Wi) n;=| nM *N根据仙农(Shannon)信息论的原理，一幅8bit表示的图像x的信息爛为:255H （工）=-乞弋1=0式中：X为输入

11、的图像变量，iP为图像像元灰度值为i的 概率。爛越大说明整体图像的信息含量高。融合结果定量评价平均梯度：平均梯度可敏感地反映图像对微小细节反差表达的能力，可用来评价图像的清晰程度，同时还可以反映出图像中微小细节反差和纹理变换特征。一般来说，g越大,图像越清晰。1(M I)(N I)融合结果定量评价相关系数：图像的相关系数反映了两幅图像的相关程度，可用来表示多光谱信息的改变程度。两幅图像的相关系数可定义为:其中陰初gmn分别为融合前后图像（i）点的灰度值，山与 Pg分别为两幅图像的均值。光谱扭曲度：其中N为整个图像像元总数,、I分别为行列位置，Gb|和G说分别为多光谱波段融合前后对应像元的灰度值

12、，Di表示融合前后光谱的差异，因此该值越小越好。光谱相关系数和光谱扭曲度两个指标主要评价多光谱信息的保持程度。1 一影像波段均值标准差信息爛平均梯度相关系数（光 谱）光谱扭曲 度HR120.19417.8060703.6608R96.73124.5904.5621.268710G142.89824.5094.3251.321910B61.90614.0633.2010.999610R85.43024.8227.0564.00310.834872.378主成分G116.27817.3566.9854.26120.852471.234变换B94.82719.0486.4323.98770.8456

13、73.486R91.87423.2394.3680.98560.823174.321IHSG134.22314.5354.2340.96540.863069.652变换B58.33311.5123.0021.00020.852373.459小波R168.79530.4724.9871.56320.990851.362（主成G171.72021.6814.5641.23640.987652.125分）变 换B166.65327.3044.8951.54230.992353.321小波R168.78130.5304.9931.23690.987555.326(IHS)G171.74721.6284

14、.5561.02310.990252.693变换B166.70327.0934.8351.36540.994256.3201. 亮度信息主成变换的均值稍有增加或降.标准差有所增加，目 视效果较好；小波变换的均值和标准差均有所增加，使得目视效果变好5 IHS变换的均值和标准差均下降，不利于目视判读。因此亮度指标最好的为小波变换，其次为主成分变换， 最后为IHS变换。2. 信息量通过信息藕可以看出主成分变换所得融合结果信息量最 大，小波变换其次，IHS变换最后。3. 清晰度主成分变换法融合影像的的平均梯度高于原始多光 谱影像7同时也高于原始全色影像，说明融合后的结果 影像可以更地突出细节纹理信息，

15、使影像更加清晰。 IHS变换法，恰恰相反。小波变换的指标接近于或稍高 于原始多光谱影像,提高较少4. 光谱信息从表中可以看出小波变换扭曲程度最小，而相关系数 最大，因此小波变换的光谱信息保持的最好。主成分变 换和IHS变换法的光谱相关系数均比小波变换的低，而 扭曲程度大，光谱保持不如小波变换。三种融合方法中主成分变换法效果最好，尤其是其空间细节保 持很好；IHS变换法无论是光谱保持方面还是空间分辨率 方面效果都相对最差；小波变换法，光谱保真效果最好，但空间细节 保持远不如主成分变换法。参考文献1 葛志荣基于Bayes线性估计的遥感图像融合.2 罗忠多源遥感数据融合的现状.3 曹广真多源遥感数据融合方法与应用研究.4 吴小俊基于Bayes估计的多传感器数据融合方法研究.5 付华基于Bayes估计理论的数据融合方法.6 康停军遥感影像数据融合方法的比较分析.