基于偏振通道纹理特征决策层融合方法.pptVIP

视频与宽带网络研究室 Decision Fusion of Textural Features Derived From Polarimetric Data for Levee Assessment 马伟英 目录 研究背景 1 传统的特征提取技术 2 本文的整体技术和实验方案 3 总结和展望 4 研究背景 利用灰度共生矩阵获得合成孔径雷达图像的纹理特征会导致高维的特征空间，虽然这样能为我们的分类提供更丰富的信息，但是也会导致数据维度过高，不利于我们队图像的处理。本文中提出了一种基于偏振通道数据的纹理特征的决策层融合方法，可以有效地应用在大坝滑坡的探测中。 传统的特征提取技术 对于高维数据，降维过程是在数据分类之前非常重要的预处理过程，在传统的特征提取技术中，我们介绍两种常用的特征提取级数LDA,SLDA和一种常用的分类器——高斯最大似然分类器 一 LDA LDA是一种常用的降维技术 传统的特征提取技术 他的目的是在保存类之间差别信息的同时来完成数据的降维。 传统的特征提取技术 二 SLDA 对于取样值很少的降维问题，SLDA很适用。 分为前向选择（FS）和后向移除（BR） FS:我们从一个空集开始，然后逐渐往空集中加入特征，如果我们加入的特征能够增加某些目标函数我们就保留这些特征，否则则废弃他。 缺点：对于加入某些信息后而变得陈旧的特征我们不能及时废弃。 传统的特征提取技术 BR 我们从所有特征集开始，然后一个接一个的移除特征，如果某个特征的移除会增强目标函数我们保留这些特征，否则我们就丢弃它。 缺点：当一个特征被丢去后，我们不能重新对他进行评估。 三 最大似然分类法 传统的特征提取技术 在两类或多类判决中，用统计方法根据最大似然比贝叶斯判决准则法建立非线性判别函数集，假定各类分布函数为正态分布，并选择训练区，计算各待分类样区的归属概率，而进行分类的一种图像分类方法。 传统的特征提取技术 本文的整体技术和实验方案 一 本文所提出的系统 1 灰度共生矩阵 取图像(N×N)中任意一点 （x，y）及偏离它的另一点 （x+a，y+b），设该点对的灰度值为 （g1，g2）。令点（x，y） 在整个画面上移动，则会得到各种 （g1，g2）值，设灰度值的级数为 k，则（g1，g2） 的组合共有 k 的平方种。对于整个画面，统计出每一种 （g1，g2）值出现的次数，然后排列成一个方阵，再用（g1，g2） 出现的总次数将它们归一化为出现的概率P（g1，g2） ， 本文的整体技术和实验方案 这样的方阵称为灰度共生矩阵。 对于每一个灰度共生矩阵中14个纹理特征，我们选取常用的六个特征。 如图所示 本文的整体技术和实验方案 本文的整体技术和实验方案 2 决策层多分类器融合 本文的整体技术和实验方案 常用的两种决策层融合 （1）MV(Majority voting) (2) LOP(Linear Opinion Pool) 本文的整体技术和实验方案 二 实验数据 本研究的主要目的是探测大坝的潜在破坏区，这里主要是泥沼的滑动等。一幅典型的衰退滑动如图所示： 本文的整体技术和实验方案 本文的整体技术和实验方案 实验数据的获得 本实验的数据是利用UAVSAR，雷达在高空12.5km，本实验中我们研究的是密西西比河大坝的500平方米范围。选取的大坝中包含一块还没有修好的滑坡。为了使散斑效应最小我们选取了3到12个多角度数据。 下图表示了真实的大坝片段图像 本文的整体技术和实验方案 本文的整体技术和实验方案 常用的六个特征图像如图 本文的整体技术和实验方案 几种分类方法的精确度对比如图： 本文的整体技术和实验方案 实验的融合结果对比： 本文的整体技术和实验方案 本文的整体技术和实验方案 总结和展望 实验结果表明，我们的方法比一般的其他方法有更好的实验结果，尤其是当实验数据很少时。本文中此方法是应用在大坝的检测，实际上我们可以把该方法应用到SAR图像特征提取的各种应用当中。 视频与宽带网络研究室