基于粗集理论的遥感影像分类

《基于粗集理论的遥感影像分类》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于粗集理论的遥感影像分类　　摘要粗集理论作为一种新兴的处理含糊和不确定性问题的数学工具，特别适合于不完整、不确定知识和数据的表达、学习和归纳，己经在模式识别、机器学习、决策支持、过程控制、预测建模等众多科学与工程领域得到成功的应用，相当具有发展潜力。　　关键词数据挖掘不确定性粗集理论遥感影像分类　　中图分类号：TP751文献标识码：A　　1绪论　　1.1研究背景　　进入80年代后，数据库大量涌现，对信息处理和数据理解需求愈来愈大，依靠人工分析数据远远满足不了这一要求。因此，信息处理研究的热潮被掀起，1989年8月在美国底特律召开的第11届国际人工智能联合会议的专题讨论会上首次提出了数据库中的

2、知识发现KDD（KnowledgeDiscoveryinDatabase）或数据挖掘DM（DataMining）。　　1.2研究目的与意义　　遥感信息是地学规律复杂性、不确定性的综合反映。常规的遥感数理统计分析模型，采用纯数学上的假设来消除或回避这种不确定性，效果往往很不理想。主观BAYES概率推理、模糊逻辑推理和证据理论是目前处理不确定信息常用的几种方法，这些方法需要一些数据的附加信息或先验知识，如模糊隶属函数、基本概率指派函数和有关统计概率分布等，而这些信息往往很不容易得到。利用粗集进行空间不确定性推理，可以不需要问题所处理的数据集合以外的任何先验信息。　　2粗集理论下的遥感影像分类　　2

3、.1理论基础　　根据Pawlak提出的粗集理论，假定我们具有关于论域的某种知识，并使用属性和相应的值来描述?域中的对象。例如：空间物体集合U具有“颜色”、“形状”、“大小”这3种属性。从离散数学的观点看，“颜色”、“形状”、“大小”构成了集合U上的一族等价关系。U中的物体，按照“颜色”这一等价关系，可以划分为“红色的物体”、“黄色的物体”、“绿色的物体”等集合；按照‘?形状”这一等价关系，可以划分为“方的物体”、“圆的物体”、“三角形的物体”等集合；按照“大小”这一等价关系，可以划分为“大的物体”、“小的物体”；按照“颜色十形状”这一合成等价关系，又可以划分为“红色的方物体”、“黄色的三角形物

4、体”、“绿色的圆物体”等集合。　　2.2现状分析　　粗集理论经过多年的理论研究和应用表明它成为应用于人工智能和认知科学，特别是专家系统、机器学习、机器发现、归纳推理、模式识别、决策表等领域的一个重要理论。但在遥感数据处理中的应用，报道和文献收录为数不多，并且多限于常规的数据预处理。对于基于粗集理论的遥感数据智能分析处理模型、且模型理论基础系统坚实的模型建立，以及结合神经网络、模式识别等软计算科学的混合遥感数据智能分析处理模型的建立，更是少见。　　2.3发展前景　　在遥感影像计算机自动分类这一研究领域，分类知识自动发现的方法一直受到广泛而深入的研究，实验证明，粗集与模糊集、神经网络、进化计算等软

5、计算科学具有很好的结合能力。而它们正是目前遥感信息智能处理中应用较多，且被证明较为有效的工具.　　3结论　　3.1总结　　遥感图像分类是遥感图像解译中的一项关键技术，是通向遥感应用之门的一条主要通道，始终受到许多专家学者的热切关注，是遥感领域的一个重要研究方向。新方法、新理论、新技术的引入，为遥感影像分类提供了广阔的前景。基于粗集理论的遥感影像分类，以非完善数据作为处理对象刻划不完整性和不确定性，为遥感信息不确定性处理提供了新的途径，提高了处理效率、精度和鲁棒性。　　3.2建议　　遥感影像分类处理过程始终贯穿着不确定性，对于已建立了粗集方法的系列不确定性度量体系，应更好地利用这些度量指标来指导

6、启发分类过程，提高最后的分类质量。　　将纹理信息、地形特征等空间信息特征纳入分类过程中，寻求以粗集理论为基础的应对措施，提高影像分类质量。　　除了在遥感影像处理和分类上能获取较好的研究成果，粗集理论在地理模拟领域上也应受到广泛应用，为区域土地资源的合理利用、生态环境的保护和改善及可持续发展提供科学的参考依据。比如在分析过去土地利用的变化的基础上，结合土地利用格局动态模拟模型，如元胞自动机（CA）、元胞自动机耦合的CA-Markov模型，重建过去的和预测未来的土地利用情景，原理是应用粗集理论来确定元胞自动机的不确定性转换规则，为复杂城市系统的演变提供有用的工具。　　参考文献　　[1]Ouyang

7、Y，MaJW.LandCoverClassificationBasedonTolerantRoughSet[J].InternationalJournalofRemoteSensing，2006（24）：3041-3047.　　[2]JensenJR.IntroductoryDigitalImageProcessingARemoteSensingPerspective[M].London，Pear