[發(fā)明專利]一種基于DBN分布集成與沖突證據(jù)合成的遙感地物識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010096560.7
• 申請(qǐng)日: 2020-02-14
• 公開(kāi)（公告）號(hào): CN111368647B
• 公開(kāi)（公告）日: 2023-02-17
• 發(fā)明（設(shè)計(jì)）人: 李大威;張瑞芳;劉天野;牛興龍;劉鵬;王肖霞
• 申請(qǐng)（專利權(quán)）人: 中北大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/778;G06V20/13;G06V20/10;G06V10/82;G06N3/045;G06N3/08
• 代理公司: 太原申立德知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 14115
• 代理人: 張向瑩

本發(fā)明公開(kāi)了一種基于DBN分布集成與沖突證據(jù)合成的遙感地物識(shí)別方法，屬于遙感地物分類領(lǐng)域。本發(fā)明首先提取LIDAR系統(tǒng)數(shù)據(jù)和多光譜圖像的高程特征、光譜特征、強(qiáng)度特征，構(gòu)建特征向量；然后隨機(jī)選取一定數(shù)量的選擇特征和樣本實(shí)驗(yàn)統(tǒng)計(jì)確定分布式DBN網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)；接著構(gòu)造多個(gè)獨(dú)立并行的DBN網(wǎng)絡(luò)獲取類別概率為證據(jù)信息；最后計(jì)算證據(jù)合成權(quán)重，以D?S合成原則獲取決策級(jí)融合結(jié)果。本發(fā)明充分利用分布式DBN集成與沖突證據(jù)合成的優(yōu)點(diǎn)挖掘分析機(jī)載LIDAR數(shù)據(jù)地物信息，實(shí)現(xiàn)遙感數(shù)據(jù)地物精確分類。實(shí)驗(yàn)結(jié)果表明，總體分類精度明顯優(yōu)于未充分合成前的分類結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及遙感數(shù)據(jù)地物識(shí)別技術(shù)，具體涉及一種基于DBN分布集成與沖突證據(jù)合成的遙感地物識(shí)別方法。

背景技術(shù)

遙感數(shù)據(jù)的豐富為加強(qiáng)地物分類識(shí)別精度提供了數(shù)據(jù)資源，能夠?yàn)樾袠I(yè)應(yīng)用，如數(shù)字城市建設(shè)、城區(qū)管理、自然災(zāi)害調(diào)查等領(lǐng)域，提供重要的決策支持。LIDAR系統(tǒng)可以快速、主動(dòng)地獲取地物密集采樣點(diǎn)的三維信息，得到高精度數(shù)字高程模型。同時(shí)，光譜相機(jī)獲取的相同場(chǎng)景的多光譜圖像具備豐富的光譜信息，彌補(bǔ)了獲取地物信息單一的缺陷。將系統(tǒng)采集的信息作為深層置信網(wǎng)絡(luò)的數(shù)據(jù)源，訓(xùn)練構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)，可以增強(qiáng)對(duì)地物目標(biāo)的識(shí)別和解譯能力，明顯提高分類精度，為行業(yè)具體應(yīng)用決策提供更真實(shí)可靠的基礎(chǔ)信息，如城市違建處置過(guò)程的證據(jù)快速可靠獲取等。

同其它深層網(wǎng)絡(luò)相同，深度置信網(wǎng)(DBN)性能的提高與網(wǎng)絡(luò)的復(fù)雜度有著不可割舍的聯(lián)系。若要獲得較高的精度，必須保證整個(gè)網(wǎng)絡(luò)具有極強(qiáng)的泛化能力，即要有足夠的訓(xùn)練樣本、足夠的網(wǎng)絡(luò)深度和隱藏節(jié)點(diǎn)數(shù)目，這樣勢(shì)必加重用戶的計(jì)算成本，整個(gè)網(wǎng)絡(luò)訓(xùn)練后則不能靈活地改變結(jié)構(gòu)。在此背景下，研究者從另一途徑構(gòu)建分布式的DBN集成網(wǎng)絡(luò)，即在保證獨(dú)立性的條件下隨機(jī)選擇部分特征維度，一定數(shù)量的訓(xùn)練樣本構(gòu)建短小精悍的DBN網(wǎng)絡(luò)結(jié)構(gòu)，多個(gè)獨(dú)立的DBN網(wǎng)絡(luò)集成構(gòu)造分布式的DBN群網(wǎng)絡(luò)，然后依據(jù)合成規(guī)則集成各DBN的識(shí)別結(jié)果。其中D-S證據(jù)合成理論不失為優(yōu)秀的選擇。但傳統(tǒng)的證據(jù)合成規(guī)則具有本質(zhì)上的缺陷，存在的不足是由歸一化引起的，忽略了證據(jù)間的矛盾沖突，最終導(dǎo)致嚴(yán)重的悖論。眾多研究者也根據(jù)不同的應(yīng)用環(huán)境提出了改良方法，Murphy提出了修改模型而不改變D-S合成規(guī)則的方法，將證據(jù)的基本信任分配值平均，但沒(méi)有考慮各證據(jù)的關(guān)聯(lián)，使得某些偏差很大的數(shù)據(jù)對(duì)融合決策結(jié)果產(chǎn)生了破壞性影響。面向LIDAR系統(tǒng)，在DBN網(wǎng)絡(luò)構(gòu)建與訓(xùn)練時(shí)，隨機(jī)選擇的高程特征和光譜特征的貢獻(xiàn)程度差異較大，訓(xùn)練網(wǎng)絡(luò)的自測(cè)結(jié)果差異較大，沖突不可避免，因此決策融合結(jié)果出現(xiàn)很大問(wèn)題，識(shí)別精度的提升存在不可逾越的瓶頸。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)中的不足，本發(fā)明以機(jī)載LIDAR遙感圖像為數(shù)據(jù)源，為降低復(fù)雜DBN網(wǎng)絡(luò)的計(jì)算成本，提高地物分類識(shí)別精度，提供一種基于DBN分布集成與沖突證據(jù)合成的遙感地物識(shí)別方法。

為實(shí)現(xiàn)上述目的，本發(fā)明采用了以下技術(shù)方案：

一種基于DBN分布集成與沖突證據(jù)合成的遙感地物識(shí)別方法，包括以下步驟：

(S1)獲得LIDAR點(diǎn)云數(shù)據(jù)和多光譜數(shù)據(jù)，根據(jù)物理意義和地物信息區(qū)別提取高程、光譜和強(qiáng)度特征，構(gòu)造10維特征向量；

(S2)根據(jù)交叉驗(yàn)證實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果確定DBN網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，從10維特征向量中隨機(jī)選擇4維特征，隨機(jī)選擇總樣本的20％構(gòu)建訓(xùn)練4-100-100-4的四層DBN網(wǎng)絡(luò)；

(S3)根據(jù)確定的DBN網(wǎng)絡(luò)結(jié)構(gòu)，獨(dú)立并行構(gòu)造不少于20個(gè)基元DBN的分布式網(wǎng)絡(luò)，各DBN網(wǎng)絡(luò)最終輸出為[0，1]間的概率值，表征所有樣本分別歸屬于不同地物類型的隸屬度m_j(A_l)，用其作為證據(jù)理論的證據(jù)源；

(S4)遍歷計(jì)算兩兩證據(jù)間的相似系數(shù)，構(gòu)建證據(jù)相似矩陣D；

(S5)將相似矩陣D的各行相加，獲得各個(gè)證據(jù)被其它證據(jù)支持的程度S_i；