决策层融合在高光谱遥感图像分类中的应用比较

"这篇论文探讨了在高光谱遥感（HRS）图像分类中应用决策级融合技术。文中比较了三种不同的决策级融合策略，包括线性共识算法、改进的证据理论以及提出的支持向量机（SVM）组合器。为了评估输入特征对分类性能的影响，实验使用了四种不同的特征组织方案来训练成员分类器。实验基于操作模块成像光谱数据进行，以验证所选方法的效果。" 本文主要关注的是如何提高高光谱遥感图像的分类精度，通过决策级融合策略实现。决策级融合是一种集成学习方法，它在多个分类器独立工作之后，将它们的决策结果合并，以获得更准确的分类输出。在本文中，研究者选择了三种不同的融合策略： 1. 线性共识算法：这是一种基本的融合方法，通过加权平均或简单多数投票的方式结合各个分类器的结果。 2. 改进的证据理论：这种方法基于模糊集理论，特别是Dempster-Shafer证据理论，考虑了不同分类器间的不确定性，通过合成不确定性的证据来提高分类性能。 3. 提出的支持向量机（SVM）组合器：SVM是一种强大的监督学习模型，常用于分类任务。在这里，研究者可能设计了一种新的融合方法，利用SVM来集成多个分类器的决策。 为了探究输入特征对分类性能的影响，研究者采用了四种特征组织方案。这可能包括选择不同的特征子集、使用特征选择算法或者采用不同的特征提取方法。这些方案有助于理解哪些特征对分类最重要，以及如何有效地组合特征以优化分类结果。 实验部分，研究者使用了实际的高光谱遥感数据，可能是来自某个特定地区的操作模块成像光谱仪的图像。通过对这些数据的处理和分类，研究者可以评估每种融合策略的性能，并可能比较它们在处理复杂光谱信息时的优劣。 这篇论文为高光谱遥感图像的分类提供了一种新的视角，即通过决策级融合策略提高分类的准确性和可靠性。这种方法对于环境监测、灾害识别、土地利用分析等遥感应用具有重要意义。通过对比和优化不同的融合策略，可以为未来的高光谱图像处理提供有价值的参考。