一種堅固特征級融合和決策級融合的分類方法

　　針對單一特征在場景分類中精度不高的問題，借鑒信息融合的思想，提出了一種兼顧特征級融合和決策級融合的分類方法。首先，提取圖像的尺度不變特征變換詞包（ SIFT-BoW）、Cist、局部二值模式（LBP）、Laws紋理以及顏色直方圖五種特征。然后，將每種特征單獨對場景進(jìn)行分類得到的結(jié)果以Dezert-Smarandache理論（DSmT）推理的方式在決策級進(jìn)行融合，獲得決策級融合下的分類結(jié)果；同時，將五種特征串行連接實現(xiàn)特征級融合并進(jìn)行分類，得到特征級融合下的分類結(jié)果。最后，將特征級和決策級的分類結(jié)果進(jìn)行自適應(yīng)的再次融合完成場景分類。在決策級融合中，為解決DSmT推理過程中基本信度賦值（BBA）構(gòu)造困難的問題，提出一種利用訓(xùn)練樣本構(gòu)造后驗概率矩陣來完成基本信度賦值的方法。在21類遙感數(shù)據(jù)集上進(jìn)行分類實驗，當(dāng)訓(xùn)練樣本和測試樣本各為50幅時，分類精度達(dá)到88. 6l%，較單一特征中的最高精度提升了12. 27個百分點，同時也高于單獨進(jìn)行串行連接的特征級融合或DSmT推理的決策級融合的分類精度。