多分类器融合提升遥感图像分类精度的研究

"这篇论文探讨了基于多分类器融合的遥感分类研究，旨在提高遥感图像分类的准确性。作者劳信尧和石爱业提出了一种新方法，通过组合多个简单分类器，利用不同的融合策略提升整体分类精确度。论文指出，传统的分类方法如最小距离法、最大似然法等在处理遥感图像时常常因空间分辨率问题和同物异谱、异物同谱现象导致分类误差，尽管已有如模糊集、神经网络等新方法尝试改进，但单一分类器往往无法满足高精度需求。因此，他们提出使用模糊积分和模糊密度，并结合遗传算法来寻找最佳模糊测度值，以实现更优的分类效果。遗传算法模拟生物进化过程，通过复制、交叉和变异操作来优化搜索过程，以识别率作为适应度准则。文章后续部分详细介绍了模糊测度和模糊积分的概念，以及基础分类器和融合策略的实现细节。" 这篇论文的研究核心是多分类器融合技术在遥感分类中的应用。传统的遥感图像分类方法，如最小距离分类、最大似然分类等，由于图像本身的复杂性和各种干扰因素，往往分类效果不尽人意。为了克服这个问题，论文提出了一个创新的解决方案——利用多分类器融合。这种方法不是通过增强单一分类器的复杂性来提升精度，而是通过结合多个结构简单的分类器，采用不同的融合策略，以达到整体分类性能的提升。 模糊积分和模糊密度是这种方法的关键组成部分。模糊积分是一种处理模糊信息的方法，它允许在不确定性的情况下进行决策和分类。模糊密度则用于量化图像像素的模糊属性，帮助处理遥感图像中的模糊区域。论文中，作者利用遗传算法来优化模糊测度的选择，遗传算法是一种强大的全局优化工具，通过模拟生物进化过程来寻找最佳解。 在遗传算法的应用中，每个个体（或称染色体）代表一组可能的模糊测度值，通过执行复制、交叉和变异操作，算法不断迭代以找到能最大化识别率的最佳模糊密度值。这样的优化过程有助于提高分类的准确性和鲁棒性，从而实现优于单一最优分类器的分类效果。 论文的后续部分深入探讨了这些概念和技术的理论基础和具体实现，包括模糊测度的计算方法、模糊积分的运算过程，以及如何设计和执行遗传算法来寻找最佳模糊测度。此外，还可能涵盖了实验设计、数据集选择、结果分析和与其他方法的比较，以验证所提出方法的有效性。这种方法对于提高遥感图像分类的精度具有重要意义，特别是在复杂的地物识别和环境监测等领域。