论文部分内容阅读
贝叶斯网络(BN)在发展了20多年后已经成为人工智能领域一种较为成熟的技术。为了在遥感图像分类中引入这种智能方法,论文以提高遥感图像分类的效果和分类方法的自动化水平为目标,对基于BN的遥感图像分类方法进行了详细的研究。
在贝叶斯网络分类方法研究的基础上开发了相应的遥感图像分类软件。实现了样本采集,样本预处理,贝叶斯网络结构和条件概率表(CPT)的学习,以及遥感图像的分类等主要过程。其中样本采集的方法是通过选取不同的样本训练区,并把这些样本训练区中所有的数据存入数据库中;样本预处理的方法是等宽度划分每个波段的属性区间,对每个样本记录的每个波段的值计算出相应的属性区间。在贝叶斯网络结构学习的过程中使用了基于信息论的学习方法,该方法主要分为三个过程:构建无向图草图,无向图草图加厚,无向图草图变薄。使用了与Polytree类似的推理方法来计算分类节点的条件概率表。然后保留分类节点的条件概率表中每个条件相同、分类节点属性值不同的多个组合中条件概率值最大的一个,处理完成之后在分类节点的条件概率表中只保留了在相同的条件下只对应了唯一的分类节点属性值的条件概率组合。在遥感图像的分类过程中,首先对图像上每个象素点根据贝叶斯网络图计算出与分类节点直接关联的那些节点所对应的波段上的值,然后判断这些值所对应的相应波段上的属性值区间,再根据处理后的CPT表,就可以判断得出它所属的分类类别,最后就得到整个遥感图像的分类结果图。
主要研究内容有:1、贝叶斯网络作为人工智能方法的特点及其应用于遥感数据处理的优势。
2、贝叶斯网络分类系统的实现方法。
3、贝叶斯网络分类算法与传统遥感图像分类的实验比较和分析。
最后使用TM数据进行了一系列的实验。并将实验结果与最大似然分类方法进行了比较。结果表明,基于BN的遥感图像分类方法能够取得较好的效果。