多时相遥感变化检测的动态贝叶斯网络研究

动态贝叶斯网络是20世纪90年代在贝叶斯网络基础上发展起来的、利用时序动态数据产生可靠概率推理的新方法，动态贝叶斯网络为实现遥感变化检测从静态到动态分析提供了一种新的途径。在实现了贝叶斯网络遥感数据分类的基础上，把握发展动态，探索了利用动态贝叶斯网络对多时相多特征遥感数据进行变化检测的问题。以北京东部地区1994年、2001年和2003年5月Landsat TM遥感数据为例，介绍了利用动态贝叶斯网络进行多时相遥感变化检测的基本过程。实验结果表明：动态贝叶斯网络算法可以一次性输入和处理多个时相的遥感数据，并通过概率和有向无环图表达了不同时间片段之间特征和状态变化的关系。     

基于K2结构学习算法的多光谱影像贝叶斯网络分类器

用基于启发式搜索的结构学习算法,学习得到多光谱影像的贝叶斯网络结构,分析了TM的波段（特征）间条件独立性假设的合理性,给出了贝叶斯推理中后验概率计算的公式,并通过和最大似然法对比试验分析了简单贝叶斯网络应用于多光谱影像分类的优势。     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。     

抗差贝叶斯估计及应用

当未知参数具有先验期望和方差，且观测值与未知参数先验值均服从正态分布时，最小二乘贝叶斯估计将给出参数的最优解。然而当观测值和参数先验值的实际分布有悖于正态假设时，经典贝叶斯估计使估值偏高。本文基于常用的M估计原理，对三种类型的误差模式，导出了M－LS、LS－M和M－M三种抗差贝叶斯估计解式和影响函数；讨论了相应的计算方法；给出了参数验后方差表达式。     

基于贝叶斯网络分类的遥感影像变化检测

遥感成像过程中,地面、大气等诸多要素的不确定性和波段之间的相关性等原因影响了分类精度,导致变化检测的不准确性。为了提高分类精度往往需要引入先验知识。贝叶斯网络是一种新的数据表达和推理模型,对数据没有严格的正态分布前提要求,通过动态地调整先验概率密度,能有效提高分类精度。以北京通州地区1996-05-29和2001-05-19两个时相的陆地卫星Landsat TM遥感影像为例,介绍了基于贝叶斯网络的分类算法,并在此基础上实现了两个时相遥感影像的变化检测。实验结果表明:基于贝叶斯网络分类算法的后分类比较变化检测方法是遥感影像变化检测的一种新的有效方法。     

利用互信息改进遥感影像朴素贝叶斯网络分类器

针对朴素贝叶斯网络简单条件独立性假设的不足,将它的一种改进形式——选择型朴素贝叶斯网络和两种扩展形式(树增强型朴素贝叶斯网络、贝叶斯增强型朴素贝叶斯网络)用于多光谱遥感影像的分类中。在分析波段间互信息的基础上,分别构造了上述3种分类器,并和朴素贝叶斯网络分类器的性能进行了比较。     

约束型贝叶斯网络在遥感图像解译中的应用方法研究

采用一种带有约束条件的贝叶斯网络来构造分类器,即特征节点被约束为类节点的子节点,子节点间允许有不同的连接关系,并将约束型贝叶斯网络的几种典型模型--NB、TAN、BAN用于遥感图像的解译中.通过评价结构的似然函数得到网络结构,综合特征节点和类别节点的拓扑和概率统计信息学习得到分类器.将这些模型用于多光谱和高光谱影像的分类,并就其性能进行探讨.     

面向土地利用分类的多源遥感数据混合贝叶斯网络分类器

传统的离散型贝叶斯网络分类器是将所有变量视为离散变量,或对连续变量做离散化处理.可是离散化不可避免地存在信息损失,且在多源遥感数据的处理和分析中,连续变量的离散化会导致搜索空间的急剧增加和计算及存储量的极大开销.针对这些问题,开发了一种面向土地利用分类的多源遥感数据混合贝叶斯网络分类器,该分类器首先对问题领域的所有变量...     

多视影像相对方位关系误判检测的置信传播算法

场景模糊或者不同场景中的重复纹理会导致影像匹配时产生大量的误匹配点,从而得到误判的相对方位关系。本文引入概率推论方法,提出了一种改进的误判相对方位关系检测算法,利用回路闭合约束构建了基于影像间相对方位关系的贝叶斯网络,推导了贝叶斯网络中的先验概率模型,并利用置信传播算法解算了贝叶斯网络中最大后验概率的求解问题。试验结果表明,利用本文提出的全局一致性约束方法可以有效检测影像间误判的相对方位关系,改善场景重建的结果,并且具有很高的计算效率。     

高光谱影像概率分类向量机分类方法研究

从分析基于支持向量机和相关向量机的高光谱影像分类方法的优势和不足出发,将基于概率分类向量机的方法用于高光谱影像分类试验。在贝叶斯理论框架下,概率分类向量机为基函数权值引入截断Gauss先验概率分布,使得不同类别的基函数权值具有不同符号的先验分布,并利用EM算法进行参数推断,得到足够稀疏的概率模型,弥补了相关向量机选取错误类别的样本作为相关向量的不足,从而有效地提高了模型的分类精度和稳定性。OMIS和PHI影像分类试验表明,概率分类向量机能够很好地应用在高光谱影像分类。     

粗差探测的Bayes方法

讨论粗差探测的Bayes方法。首先根据Bayes统计推断的基本原理,建立判断粗差的Bayes方法———后验概率法,然后针对测量平差实际,分别给出非等权独立观测条件下基于均值漂移模型和方差膨胀模型的后验概率的计算公式,最后结合一边角网算例,验证本文方法的效果。     

基于方差膨胀模型的粗差探测Bayes方法

基于方差膨胀模型提出并建立了用观测信息的同时利用先验信息判断粗差的Bayes方法。首先,根据Bayes统计推断的基本原理,建立了判断粗差的Bayes方法——后验概率法;然后针对测量平差实际,考虑未知参数的两种先验信息分别给出了非等权独立观测条件下基于该模型的后验概率的计算公式;最后对模拟算例进行了计算和分析。试验结果表明,用给出的探测粗差的Bayes方法是切实可行的。     

结合边界约束网络和分水岭分割算法的建筑物提取

城市作为高密度建筑区域,在较小范围内有大量结构相似的建筑紧密分布。当前从高分辨率图像中准确检测建筑仍然是一个挑战,本文受边缘检测网络启发,提出一种强化边界精度的建筑物提取新方案,根据建筑物及边界特点改进深度网络,结合自下而上分组的分水岭分割提高分类精度和建筑边界的准确度。首先对数据预处理,生成建筑边界和建筑分割线两类辅助标签;改进性能较优的建筑检测框架ICT-Net网络,修改网络结构和损失函数,针对两类辅助标签,强化边界影响,提高网络性能;最后对网络预测结果应用结合分水岭分割和梯度提升回归树的后处理,实现高精度的建筑提取。结果表明,数据预处理、改进深度学习算法可提高建筑检测像素精度IOU (Intersection over Union)约1%。后处理能充分利用网络输出的概率信息,有效优化建筑边界,在网络预测结果的基础上提高建筑实例召回率10.5%。本文方案与原始的ICT-Net网络相比,提高建筑实例召回率22.9%。     

A Bayesian approach to the detection of gross errors based on posterior probability

Existing methods for gross error detection, based on the mean shift model or the variance inflation model, have hardly considered or taken advantage of the potential prior information on the unknown parameters. This paper puts forward a Bayesian approach for gross error detection when prior information on the unknown parameters is available. Firstly, based on the basic principle of Bayesian statistical inference, the Bayesian method—posterior probability method—for the detection of gross errors is established. Secondly, considering either non-informative priors or normal-gamma priors on the unknown parameters, the computational formula of the posterior probability is given for both the mean shift model and the variance inflation model, respectively, under the condition of unequal weight and independent observations. Finally, as an example, a triangulation network is computed and analyzed, which shows that the method given here is feasible.     

Mapping rates associated with polygons

Suppose that geographic data under investigation are rates associated with polygons. For example, disease incidence, mortality, and census undercount data may be displayed as rates. Spatial analysis of data of this sort can be handled very naturally through Bayesian hierarchical statistical modeling, where there is a measurement process at the first level, an explanatory process at the second level, and a prior probability distribution on unknowns at the third level. In our paper, we shall feature epidemiological data, specifically disease-incidence rates, and the “polygons” referred to in the title are typically states or counties.     

基于识别变量的粗差探测Bayes方法

从一个新的角度出发,对应每个观测值引入一个识别变量,基于识别变量的后验概率提出一种新的粗差定位的Bayes方法,并构造相应的均值漂移模型给出粗差估算的Bayes方法.由于识别变量的后验分布往往是复杂的、非标准形式的,为此设计一种MCMC(Markov Chain Monte Carlo)抽样方法以计算识别变量的后验概率值.最后对一边角网进行了计算和分析.试验表明,本文给出的探测粗差的Bayes方法不仅充分利用了先验信息,而且克服了以往粗差定位方法的模糊性以及探测标准选择的问题,同时计算简便.     

Some considerations on significance analysis for deformation detection via frequentist and Bayesian tests

The Bayesian approach to significance testing, that makes use of prior information, has been studied in the last years, particularly to allow the detection of deformations which are small with respect to measurement errors from repeated surveys. Some investigations showed up to now that, under particular conditions concerning both the parameters of the prior distribution and the structure of the control network, Bayesian tests give stronger results than tests based on the frequentist approach, with regard to the detectability of deformations. In the present paper, after illustrating the essential developments and the most relevant results of previous works, new analytical developments and numerical simulations are carried out, to illustrate some critical aspects and advantages of the frequentist and Bayesian methods. It is shown, starting from simple examples involving only Gaussian and truncated Gaussian distributions and from a simplified formulation of the prior deformation model, that the testing procedures based on the frequentist approach, which do not introduce any a priori information, are in many cases of practical interest insensitive to internal consistencies of the displacements (e.g., to the fact that they have a common direction). It is also illustrated that the introduction of prior information, even in a non Bayesian context, more easily allows the detection of little displacements. Besides it is noted that in some cases Bayesian tests detect displacements in the presence of observed non-coherent movements, even if prior probability densities describing coherent movements are introduced.     

遥感影像居民地目标Bayesian网络识别算法研究

利用Naive Bayesian网络的学习和推理机制，提出一种在遥感影像上提取居民地目标的方法。该方法通过对所选取的正负样本进行学习，获取Bayesian网络的重要参数，即条件概率和概率分布密度。在此基础上，根据正负样本所构建的条件概率网，对未知类别信息的影像进行分类，从而获取居民地目标的信息。通过对实际全色SPOT5影像中居民地目标的提取，表明该方法具有较高的识别率。     

Model Building to Investigate the Role of Spatial Location in Classifying Satellite Image Using SVM,CART and mBACT: A Case Study

This paper investigates the importance of spatial location of pixels in terms of row-column as an additional explanatory variable in classification along with available spectral bands of remotely sensed data. In view of this, a forward step-wise variable selection algorithm is used to select significant bands/variables and build an optimal model to extract the maximum accuracy. Author performed a case study on the area of town of Wolfville acquired by LANDSAT 5 TM data containing six 30 m resolution spectral bands and pixel location as an additional variable. Data are classified into seven classes using three advanced classifiers i.e. classification and regression trees (CART), support vector machines (SVM) and multi-class Bayesian additive classification tree (mBACT). Traditionally, it is assumed that addition of more explanatory variables always increase the accuracy of classified satellite images. However, results of this study show that adding more variables may sometimes confuse the classifier, that is, if selected carefully, fewer variables can provide the more accurate classification. Importance of row-column information turns out to be more beneficial for mBACT followed by SVM. Interestingly, spatial locations did not turn out to be useful for CART. Based on the findings of this study, mBACT appears to be a slightly better classifier than SVM and a substantially better than CART.