论文部分内容阅读
随着遥感技术不断迅猛的发展,遥感图像呈爆炸式的增长,传统人工目视解译的效率已难以满足需要,因此,有效的利用计算机对遥感图像解译有着重要的研究意义。遥感图像计算机解译的方法是利用领域专家知识通过计算机对图像进行理解和识别,其中存在两方面的难点:图像底层特征同高层语义信息之间鸿沟的问题及遥感图像解译知识形式化描述的问题。本文将图像理解领域中产生式模型更适合对图像高层信息建模的优点和知识工程领域中本体易于对知识形式化描述的优点相结合,系统性地提出了基于产生式映射模型与本体的遥感图像解译方法以解决这两个问题。并针对这两个问题中的关键点展开了深入的研究。本文的创新点如下:
1.提出了基于OC-pLSA的遥感图像产生式语义映射模型,该模型适合小规模图像的应用,有着准确率较高速度较快的特点。
针对小规模遥感图像语义映射中传统pLSA模型进行遥感图像语义映射时,将有明确语义概念的数据(本体概念集)代替模型中隐含主题影响准确率的问题,提出了改进的OC-pLSA产生式映射模型。OC-pLSA模型在pLSA模型的图像层和隐含主题层中加入本体概念集这一层,建立本体概念集同图像层及隐含主题层之间的依赖关系,解决了pLSA模型不合理的地方,提升了映射的正确率。OC-pLSA模型可以通过小样本图像集训练,达到较高的准确率及效率。因此OC-pLSA模型对较小规模图像集进行语义映射有着很高的应用价值。
2.提出了基于OC-LDA的遥感图像产生式语义映射模型,该模型在准确率提升的同时更适合大规模图像的应用。
针对大规模遥感图像语义映射中传统LDA模型进行遥感图像语义映射时带来隐含主题强制分配使得计算出现偏差的问题,提出了改进的OC-LDA产生式映射模型。OC-LDA模型将本体概念集引入到传统的LDA模型中,使得图像语义映射的结果共享同一组主题,并通过统一的模型计算得到的,解决了LDA模型独立训练会产生概率计算偏差的缺点,进而提升了图像语义映射的正确率。由于OC-LDA模型的参数不包含图像个数,解决了大样本集图像映射中OC-pLSA模型参数剧增性能骤降的缺点。因此,OC-LDA模型在准确率提升的同时更适合于大规模图像集语义映射。
3.提出了改进的大规模遥感图像解译本体知识库构建方法,进一步提高了推理能力和访问速度。
针对现有大规模本体知识库构建方法存在的问题,结合遥感图像解译知识的特点,提出了改进的大规模遥感图像解译本体构建方法。针对现有建模原语限制过于严格损失语义成分的问题,提出了改进的建模原语,该原语详细分析了影响性能的成分并对必要的成分作保留对不必要的成分作限制;针对现有推理算法对TBox和ABox进行独立推理产生推理不完全的问题,将推理规则按照逻辑关系进行归纳,并依据逻辑推理关系的推导提出了隐含知识的推理算法;针对现有存储模式在联合访问时出现性能急剧下降的问题,将本体类及对象属性的层次结构进行统一映射,提出了改进的映射模式。通过这三个方面的改进使得本文改进的大规模本体知识库构建方法在推理能力和访问速度上明显优于现有的方法。并结合改进的大规模本体知识库的构建方法及产生式映射模型,从系统和全局的角度构建了完整的复杂目标遥感图像解译实现方案,该方案为复杂目标解译判读打下了良好的基础。