论文部分内容阅读
土地利用/覆盖及其变化是全球环境变化中的重要因子，遥感技术的提高增强了我们获取这些信息的能力。如何及时准确地从遥感影像自动获取土地利用/覆盖信息，不但要依赖于数据源的质量和分辨率，而且依赖于分类技术的选取。目前出现了很多遥感分类方法如：最大似然分类、模糊集、神经网、基于分类树的分和基于分类规则的分类方法。但是空间数据的同物异谱和异物同谱导致的不确定性和不一致性对于遥感自动分类技术仍然是一个很大的挑战。
由Pawlak在1982年提出的粗集理论(rough set theory,RST)是对传统集合论在近似决策方面的扩展。相对于模糊集，粗集的一个最大优势就是对于要分析的数据它不需要任何先验或附加的信息；尤其是在处理不确定、不一致的数据方面，粗集是一个有力的数学分析工具。
由于粗集在处理不确定、不一致和属性约简方面具有一定优势，所以近年来将粗集应用于遥感影像的分类得到了很多学者的关注。但是由于普通粗集严格的集合包含关系使其对交叠的数据过于敏感，所以它在处理遥感影像(尤其是湿地遥感影像)的时候仍然会遇到困难。本文分别从以下几个方面对粗集进行扩展，使其适于遥感影像的分类工作：
(1)通过引入容错度β放宽了集合包含关系，提出了一种基于变精度粗集(variable precision rough sets)的遥感影像分类与属性选取新方法。使得粗集泛化能力有所提高，并在一定程度上防止了过度拟合现象的发生。
(2)过多的属性信息往往会使分类器过早的拟合于属性的某一特征，从而使分类精度降低。传统的属性选取方法由于依赖训练样本的个数，分类能力表现可能不稳定。本研究提出了一种基于粗集属性划分的遥感分类新方法，构造了基于粗集的集成遥感分类器(Rough Set Ensemble Remote Sensing ImageClassifier，RSEC)。结果表明RSEC无论在分类精度上，还是在不同样本个数条件下的精度稳定程度上均有较好表现。
(3)针对区间信息表粗集系统的缺陷，本研究将α-Torrent粗集理论引入遥感分类领域，构造了基于α-Torrent粗集的遥感影像分类器，它在允许一定误分率基础上进行分类知识的抽取。由于允许误分的知识之间存在交叠，所以本研究还构造了知识集成感知器辅助进行决策。实验证明本研究采用的方法不但可以获得更加明确和可理解的知识，而且在分类精度上也有了较大提高。