光学遥感图像多目标识别的决策级融合算法

光学遥感图像目标识别是遥感领域的重要任务，它涉及到图像处理与分析中的复杂挑战。传统的基于单一特征和分类器的方法在处理多目标识别时往往面临识别准确率不高的问题。针对这一问题，本论文《多分类器融合的光学遥感图像目标识别算法》由姬晓飞和石宇辰两位研究人员提出了一种创新的方法。 首先，他们强调了特征选择的重要性，选择了两种具有平移和缩放不变性的特征表示：Histogram of Oriented Gradients (HOG)特征和Zernike特征。HOG是一种统计特征，用于捕捉图像中局部纹理信息，而Zernike多项式则提供了形状和结构的全局描述，这两种特征能够有效区分不同的目标对象。 接下来，为了提高分类的准确性，他们采用了三种适应性较强的分类器：Back Propagation (BP)神经网络，这是一种模仿人脑神经元工作方式的机器学习模型；支持向量机(SVM)，一种强大的监督学习算法，能有效地在高维空间中构建决策边界；以及随机森林(RF)，一个集成学习方法，通过构建多个决策树并取平均来提升预测性能。 论文的核心在于决策级融合，即在特征提取和分类之后，将两种特征的概率输出以及三种分类器的结果进行综合考虑。这种融合策略有助于减少单个分类器的错误影响，并提高整体识别的可靠性。实验结果显示，这种方法显著提升了光学遥感图像多目标识别的精度，特别是在飞机、舰船、油罐和汽车这四类目标上的识别表现尤为出色，达到了95.37%的正确识别率。 论文的研究成果对于提升光学遥感图像处理的准确性和鲁棒性具有重要意义，对于多目标识别技术的发展具有推动作用。此外，论文还遵循了严格的学术规范，包括收稿和修回日期，网络出版时间和相关基金项目的资助，以及作者的简介和研究方向，体现了对学术严谨性和合作精神的重视。 这篇论文探讨了一种结合多特征和多分类器的融合策略，成功地提高了光学遥感图像的多目标识别性能，为相关领域的研究者提供了有价值的参考和实践指导。