Dempster-Shafer理论在Aster图像与光谱指数像素分类的应用
36 浏览量
更新于2024-07-15
收藏 1.94MB PDF 举报
"这篇论文探讨了Dempster-Shafer理论在基于Aster卫星图像和光谱指数的像素分类中的应用。作者们建议利用DST(也称为证据理论)来映射植被、水体和矿物表面,以识别可能的地质构造露头。他们通过预处理的Aster卫星图像,计算NDVI、MNDWI和NDBaI等光谱指数,创建了新的通道。随后,使用MATLAB软件进行DST建模和分类,将图像划分为六个类别,包括三个绝对类(E、V、M)和三个混淆类({E,V}、{M,V}、{E,M})。通过对图像上不同类别的像素进行地理坐标分析,实现了一致的解释。论文中还提出了一个质量函数,基于简单支持模型,考虑了源信息的不精确性和不确定性,以更好地管理和解释这些数据。"
在这篇发表在《应用数学与物理学》2017年第五期的文章中,研究者使用Dempster-Shafer理论作为处理遥感数据的关键工具。Dempster-Shafer理论是一种概率推理方法,它允许处理不确定性和不完全信息,特别适合于复杂环境下的数据分类。在本研究中,该理论用于结合来自Aster卫星图像的不同信息源,如NDVI(归一化差值植被指数)、MNDWI(归一化差值水分指数)和NDBaI(归一化差值bare-soil指数),这些指数可以帮助区分不同地表特征。
Aster卫星图像经过预处理,包括地理参考、几何校正和15米重采样,以提高图像质量和准确性。接着,通过DST将这些光谱指数转化为新的分类通道,然后用MATLAB进行建模,最终实现像素的六类划分。这种分类方法有助于识别植被、水体、矿物以及可能的地质构造露头。
论文的创新点在于引入了一个基于源建模的质量函数,它考虑了信息源的不准确性和不确定性,即通过识别框架和像素潜在所属的类别集合,提供了一种更精细的解释方式。正常法则被用来有效管理这些不确定性,确保分类结果的可靠性和一致性。
这篇研究展示了Dempster-Shafer理论在地球科学和遥感领域的一个具体应用,尤其是在复杂地表特征分类中的潜力。通过这种方法,科学家和研究人员能够更准确地解读卫星图像,对地质调查、环境监测和资源管理等领域提供有价值的决策支持。
2021-09-11 上传
2023-04-04 上传
2023-05-31 上传
2023-04-28 上传
2023-05-11 上传
2023-06-21 上传
2023-05-09 上传
2023-05-29 上传
2023-05-22 上传
weixin_38516706
- 粉丝: 9
- 资源: 888
最新资源
- C语言快速排序算法的实现与应用
- KityFormula 编辑器压缩包功能解析
- 离线搭建Kubernetes 1.17.0集群教程与资源包分享
- Java毕业设计教学平台完整教程与源码
- 综合数据集汇总:浏览记录与市场研究分析
- STM32智能家居控制系统:创新设计与无线通讯
- 深入浅出C++20标准:四大新特性解析
- Real-ESRGAN: 开源项目提升图像超分辨率技术
- 植物大战僵尸杂交版v2.0.88:新元素新挑战
- 掌握数据分析核心模型,预测未来不是梦
- Android平台蓝牙HC-06/08模块数据交互技巧
- Python源码分享:计算100至200之间的所有素数
- 免费视频修复利器:Digital Video Repair
- Chrome浏览器新版本Adblock Plus插件发布
- GifSplitter:Linux下GIF转BMP的核心工具
- Vue.js开发教程:全面学习资源指南