基于模糊神經(jīng)網(wǎng)絡(luò)的艦船目標(biāo)識(shí)別方法

基于模糊神經(jīng)網(wǎng)絡(luò)的艦船目標(biāo)識(shí)別方法

1基于特征的目標(biāo)分類識(shí)別此特征是圖像識(shí)別目標(biāo)的最基本屬性。因此，研究了不同類型的函數(shù)，并將其應(yīng)用于圖像的對象分類和識(shí)別處理（koto原材料，1999）。這些特征包括線特征(Katartzisetal.,2001),平面特征(Pigeonetal.,2000),紋理特征(Haralicketal.,1973;Luo&Savakis,2001;Fukuda&Hirosawa,1999;Xiong&Zhang,1999)等等。目標(biāo)的特征通?？梢苑譃?Pohl,1998):·幾何特征,如線,邊緣,脊,角,區(qū)域,相對定位等信息;·統(tǒng)計(jì)特征,如目標(biāo)表面的數(shù)目,表面的周長,矩特征以及紋理特征等;·譜特征,包括目標(biāo)的色彩,溫度,譜信號(hào)等?；谔卣鞯哪繕?biāo)分類識(shí)別(Theodoridis&Koutroumbas,1999)是圖像處理最廣泛的應(yīng)用之一,已經(jīng)有大量的方法被提出,包括模糊集理論方法(Blasch&Huang,2000),神經(jīng)網(wǎng)絡(luò)方法(Binaghietal.,2001)等等。另外,基于特征和決策融合的方法也得到了深入的研究和應(yīng)用(Rolietal.,2001)。模糊神經(jīng)網(wǎng)絡(luò)方法可以有效地綜合模糊集理論和神經(jīng)網(wǎng)絡(luò)方法的優(yōu)勢,因此近來已經(jīng)獲得越來越深入的研究和應(yīng)用(Joshietal.,1997;Tsao,etal.,1992;Pal&Ghosh,1996)。Pal和Mitra(1999)系統(tǒng)地分析了模糊集理論與神經(jīng)網(wǎng)絡(luò)的集成,在此基礎(chǔ)上開發(fā)出了一系列的模糊多層感知器、模糊邏輯多層感知器、模糊Kohonen網(wǎng)絡(luò)進(jìn)行特征評估、模式識(shí)別、規(guī)則推理和決策生成。2典型的目標(biāo)特征基于研究識(shí)別艦船目標(biāo),分析了高分辨率衛(wèi)星觀測圖像中大型艦船的幾何特征、矩特征和紋理特征。2.1典型船舶目標(biāo)幾何特征的提取幾何特征是目標(biāo)最基本最直觀的輪廓形狀特征,因此可以很好地用于目標(biāo)的檢測與識(shí)別。在高分辨率衛(wèi)星圖像中,典型艦船目標(biāo)的幾何特征可以較好地呈現(xiàn)出來。盡管會(huì)受噪聲等因素的影響,但通過一定的特征提取方法還是可以有效地提取出這些目標(biāo)幾何特征。一般常用于目標(biāo)識(shí)別的幾何特征包括:長度L、寬度W、周長、面積A、圓率γ、質(zhì)心(X,Y)。2.2基于特定形狀的心矩描述矩特征是目標(biāo)外部輪廓形狀及其像素強(qiáng)度分布的一種有效度量,對于大型艦船這類具有特定形狀的目標(biāo),矩特征是一種有力的描述工具。標(biāo)準(zhǔn)中心矩具有平移和尺度不變性。進(jìn)一步還可以利用標(biāo)準(zhǔn)中心矩定義具有旋轉(zhuǎn)不變性的矩特征。Hu定義了7個(gè)矩特征來度量目標(biāo)的矩特征,這7個(gè)矩特征具有平移、尺度和旋轉(zhuǎn)不變性。2.3角度二階矩特點(diǎn)圖像區(qū)域的紋理體現(xiàn)了圖像灰度層次的分布特性,紋理特征反映了圖像的精致與粗糙、平滑與不規(guī)則、一致與不一致等特性,是描述圖像的一類重要特征。最常用的中心矩紋理特征為μ2,μ3和μ4,μ2即為直方圖的方差σ2,μ3為直方圖的傾斜度,μ4為直方圖的峰度。其中μ3和μ4分別可以用σ3和σ4來標(biāo)準(zhǔn)化。角度二階矩ASM特征用于度量圖像的平滑度,若圖像中所有像素灰度層次均為Level=k,則有ASM=1。圖像越不平滑,ASM值越小。對比度CON反映了圖像的對比度,即局部灰度層次的變化特性。CON越大,圖像具有更高的對比度。倒數(shù)差分矩IDF對于低對比度的圖像具有更大的值。熵HST體現(xiàn)了圖像灰度層次分布的隨機(jī)性,圖像越平滑,其值越小。3特征提取與分析本文分析的大型艦船目標(biāo)分為4個(gè)級(jí)別,分別標(biāo)識(shí)為艦船Ⅰ級(jí)、艦船Ⅱ級(jí)、艦船Ⅲ級(jí)和艦船Ⅳ級(jí)。對大型艦船特征的提取將針對3類數(shù)據(jù)中的目標(biāo)進(jìn)行,即某型衛(wèi)星仿真數(shù)據(jù)中的大型艦船,高分辨率衛(wèi)星對地觀測成像數(shù)據(jù)中的大型艦船,以及自動(dòng)檢測提取的大型艦船目標(biāo)(瞿繼雙,2002)。下面將分別對上述數(shù)據(jù)中的大型艦船目標(biāo)進(jìn)行幾何特征、矩特征和紋理特征提取與分析。在特征提取過程中,大型艦船目標(biāo)的方位姿態(tài)定位如下:包含大型艦船的最小橢圓的長軸處于垂直軸線上,艦船前端朝上。艦船仿真數(shù)據(jù)的幾何特征包括目標(biāo)長度、寬度、面積、周長、甲板質(zhì)心等特征;矩特征包括7個(gè)Hu矩特征;一階紋理特征包括二階中心矩,表示目標(biāo)直方圖的方差,三階中心矩為目標(biāo)直方圖的傾斜度,四階中心矩為目標(biāo)直方圖的峰度,并進(jìn)行標(biāo)準(zhǔn)化處理;二階紋理特征分別是0°,45°,90°和135°的角度二階矩、對比度、倒數(shù)差分矩和二階紋理熵。3.1船港特征提取在仿真數(shù)據(jù)特征提取時(shí),我們將大型艦船分為3類,即艦船Ⅰ級(jí)、艦船Ⅱ級(jí)和艦船Ⅲ級(jí)。分別對艦船Ⅰ級(jí)的A型號(hào)、艦船Ⅱ級(jí)的B型號(hào)、艦船Ⅲ級(jí)的C型號(hào)和D型號(hào)進(jìn)行特征提取和特征分析。在大型艦船特征提取過程中,艦船目標(biāo)是通過目標(biāo)邊緣提取后進(jìn)行人工介入處理獲取的。在特征提取過程中,需要注意以下幾個(gè)影響艦船特征的因素:·艦船升降機(jī)的狀態(tài)對其各類特征均有較大影響?！づ灤系母鞣N設(shè)施將影響其特征。針對升降機(jī)對艦船特征的影像,我們在提取艦船特征時(shí),分別考慮各升降機(jī)不同狀態(tài)的特征,假定每艘艦船擁有4個(gè)升降機(jī),于是每艘艦船將有n=C04+C14+C24+C34+C44=16種狀態(tài)。經(jīng)過對提取的仿真艦船特征數(shù)據(jù)進(jìn)行分析,幾何特征、矩特征、一階紋理特征、二階紋理特征均可以很好地區(qū)分出A型號(hào)、B型號(hào)、C型號(hào)和D型號(hào)艦船,因此利用這些特征可以對各艦船進(jìn)行有效的分類識(shí)別應(yīng)用處理。3.2特征邊緣的提取除了對仿真數(shù)據(jù)進(jìn)行特征提取分析之外,還對某型衛(wèi)星所成圖像中的A型號(hào)、B型號(hào)和D型號(hào)艦船,以及IRS-1C圖像數(shù)據(jù)中的C型號(hào)艦船進(jìn)行特征提取和分析,這兩種圖像數(shù)據(jù)的分辨率分別為3m×3m和5.8m×5.8m,其中C型號(hào)艦船1和艦船2分別是不同時(shí)相下獲取的數(shù)據(jù)。這里的目標(biāo)也是通過提取目標(biāo)邊緣形狀后進(jìn)行人工處理獲取的。在后面矩特征和紋理特征提取時(shí)也將使用相同的數(shù)據(jù)和人工獲取目標(biāo)方法。3.3特征指標(biāo)分析3.1和3.2中目標(biāo)特征提取之前的目標(biāo)獲取介入了人工處理,這在自動(dòng)目標(biāo)檢測和識(shí)別中是不可取的,數(shù)據(jù)處理的自主性是越來越多的圖像數(shù)據(jù)處理及應(yīng)用系統(tǒng)的一個(gè)基本要求。因此,下面對艦船目標(biāo)特征進(jìn)行自動(dòng)特征提取處理。圖1為一種從衛(wèi)星觀測圖像數(shù)據(jù)中自動(dòng)檢測、識(shí)別目標(biāo)(主要以大型艦船目標(biāo)為識(shí)別對象)系統(tǒng)的處理流程(瞿繼雙,2002)。首先使用閾值分割方法或模糊神經(jīng)網(wǎng)絡(luò)方法對目標(biāo)進(jìn)行初步檢測(瞿繼雙等,2003,2004),將目標(biāo)從背景中突顯分離出來,然后對目標(biāo)圖像進(jìn)行模板匹配處理,從而檢測、識(shí)別目標(biāo),確定出目標(biāo)的基本類別,例如機(jī)場、港口、大型艦船等。如果需要進(jìn)一步確定目標(biāo)的特性類別,例如希望知道艦船是哪一種型號(hào),或者模板匹配方法無法識(shí)別出目標(biāo)的類別屬性時(shí),就需要通過對目標(biāo)進(jìn)行深入的特征提取和分析,利用其特征進(jìn)行目標(biāo)識(shí)別處理,準(zhǔn)確地確定出目標(biāo)屬性。3.3.1幾何特征利用圖1所述自動(dòng)目標(biāo)檢測、識(shí)別系統(tǒng),對A型號(hào)和B型號(hào)艦船進(jìn)行自動(dòng)特征提取處理,表1中數(shù)據(jù)為該兩艘艦船的幾何特征。3.3.2矩特征表2給出了利用自動(dòng)特征提取方法對A型號(hào)和B型號(hào)艦船進(jìn)行特征提取獲得的Hu矩特征。3.3.3紋理特征表3和表4分別為利用自動(dòng)特征提取方法對A型號(hào)和B型號(hào)艦船進(jìn)行特征提取獲取的一階紋理特征和二階紋理特征,其中一階紋理特征中的傾斜度μ3和峰度μ4分別使用σ3和σ4進(jìn)行標(biāo)準(zhǔn)化處理,二階紋理特征的角度二階矩ASM利用式ASM=-log10ASM進(jìn)行對數(shù)處理。4模糊神經(jīng)網(wǎng)絡(luò)的分類和識(shí)別方法4.1基于函數(shù)的模糊成員函數(shù)對于目標(biāo)特征集Ω中的任一特征向量F=F1,…,Fi,…,Fn構(gòu)成的模式F(本文中模式指具體用于訓(xùn)練或測試的特征向量),設(shè)C=C1,…,Ck,…,CK為已知的模式可能所屬類別,定義F與Ck的距離為:dk(F)=[n∑i=1(Fi-mkiλki)rk]1rk?rk>0(1)式中,λki=2maxF∈Ck[Fi-mki](2)式(1)和(2)中的mki在具備先驗(yàn)知識(shí)時(shí)由先驗(yàn)知識(shí)確定,在不具備先驗(yàn)知識(shí)時(shí)由下式確定:mki=∑F∈CkFi|Ck|(3)于是利用π函數(shù)定義特征F在Ck中的模糊成員函數(shù)為:μCk(F)={1-2d2k(F)0≤dk(F)<122[1-dk(F)]212≤dk(F)<10其他(4)4.2模糊性神經(jīng)網(wǎng)絡(luò)lj輸出利用神經(jīng)網(wǎng)絡(luò)方法來選擇評估特征向量F中的各分量Fi,i=1,…,n。如圖2,網(wǎng)絡(luò)包括輸入層和輸出層,特征向量分量F1,…,Fi,…,Fn在輸入層輸入,每個(gè)特征分量對應(yīng)一個(gè)神經(jīng)元,網(wǎng)絡(luò)輸出層每個(gè)節(jié)點(diǎn)對應(yīng)一類目標(biāo),每個(gè)節(jié)點(diǎn)擁有兩個(gè)神經(jīng)元,即一個(gè)主神經(jīng)元(白色)與一個(gè)輔助神經(jīng)元(灰色)(Pal&Mitra,1999)。輔助神經(jīng)元用于控制激活主神經(jīng)元,使其在只有輔助神經(jīng)元被激活時(shí)才能激活生成輸出。輔助神經(jīng)元與輸入神經(jīng)元進(jìn)行反饋連接,第k個(gè)輸出類別至第i個(gè)特征分量的連接權(quán)值為-mki。輸入神經(jīng)元與輸出神經(jīng)元之間連接權(quán)值則是ωi的函數(shù),由下式給出:當(dāng)模式F輸入時(shí),依次激活輔助神經(jīng)元,而其他的輔助神經(jīng)元?jiǎng)t處于不激活狀態(tài),這意味著每次只有一個(gè)主神經(jīng)元產(chǎn)生輸出結(jié)果。當(dāng)?shù)趉個(gè)輔助神經(jīng)元被激活時(shí),輸入節(jié)點(diǎn)i的輸入激勵(lì)值為:uik=(xik)rk(6)式中xik=Fi-mki(7)于是k個(gè)主神經(jīng)元的輸入為:yk=(n∑i=1uik×(ωiλki)rk)1rk(8)通過激勵(lì)函數(shù)g(·),可以得到該主神經(jīng)元的輸出為:vk=g(yk)(9)vk即為模式F隸屬于Ck類目標(biāo)的隸屬度。對于特征向量F={F1,F2,…,Fn}構(gòu)成的模式集Ω,設(shè)Fj∈Ω為其中一個(gè)模式,則定義其與第k類目標(biāo)Ck的加權(quán)距離為:zkj=[n∑i=1(Fi-mkiλkiωki)rk]1rk?rk>0?ωki∈[0?1](10)Fj相應(yīng)于Ck的模糊成員值采用如下激勵(lì)函數(shù)實(shí)現(xiàn):μk(Fj)=11+(zkjfd)fe(11)上式中的fd和fe均為正常量,用于控制類成員集的模糊常量。從(11)式可以看出,Fj相應(yīng)于Ck的模糊成員值μk(Fj)與加權(quán)距離zkj成反比,即zkj越小,μk(Fj)越大,而當(dāng)模式Fj與Ck的中心點(diǎn)完全重合時(shí),zkj=0,則μk(Fj)=1。當(dāng)μk(Fj)<0.5時(shí),則一般認(rèn)為Fj不屬于Ck;而當(dāng)μk(Fj)接近0.5時(shí),表明目標(biāo)在Ck與其他類目標(biāo)的邊緣區(qū)域,是否屬于Ck具有很大的模糊性和不確定性。只有在μk(Fj)>0.5時(shí),才能夠認(rèn)為Fj屬于Ck的可能性比較大。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)輸出單一的結(jié)果(即在輸出層對應(yīng)于每個(gè)輸入模式只有一個(gè)輸出節(jié)點(diǎn)產(chǎn)生有效響應(yīng))相比較,模糊神經(jīng)網(wǎng)絡(luò)甚至允許模式Fj可以同時(shí)屬于多類目標(biāo),例如Ck1和Ck2,此時(shí)將有μk1(Fj)和μk2(Fj)均大于0.5。事實(shí)上,在復(fù)雜的目標(biāo)分類應(yīng)用中會(huì)面臨不同兩類具有重疊區(qū)域的情況,利用模糊集可以有效地描述這種情況。當(dāng)有多個(gè)成員值大于0.5,或成員值全部小于0.5時(shí),可以取μk(Fj)值較大的一類作為模式Fj的所屬目標(biāo)類別,也可以進(jìn)一步利用其他信息或方法對這兩類進(jìn)行進(jìn)一步分析和判斷,從而確定出該模式所屬最優(yōu)的類別。4.3網(wǎng)絡(luò)特征量集的建立傳統(tǒng)神經(jīng)網(wǎng)絡(luò)方法將更大輸出值作為有效輸出響應(yīng),并設(shè)置該節(jié)點(diǎn)輸出值為1,而將其他輸出節(jié)點(diǎn)值設(shè)置為0,這樣可能會(huì)導(dǎo)致網(wǎng)絡(luò)訓(xùn)練時(shí)出現(xiàn)震蕩,即導(dǎo)致近似相同的模式被分為不同的目標(biāo)類別,從而使如何終止算法訓(xùn)練產(chǎn)生困難。處于多類別重疊區(qū)域的模式矢量是造成這種震蕩的根源,盡管網(wǎng)絡(luò)偏差的反向繁殖可以校正權(quán)值以使偏差趨于最小,但是處于多類別重疊區(qū)域的模式的模糊性使得偏差在逐漸趨小的過程中產(chǎn)生震蕩。使用模糊神經(jīng)網(wǎng)絡(luò)方法可以利用期望的模糊輸出作為目標(biāo)函數(shù),約束偏差的校正,并且那些明確地屬于或不屬于某些類的模式矢量,即成員函數(shù)值趨向于1或0的模式矢量在權(quán)值校正過程中發(fā)揮更大的作用;那些相對某些類在所屬隸屬度上比較模糊的模式矢量,主要用于校正權(quán)值以區(qū)分具有重疊區(qū)域的類的邊界區(qū)域。網(wǎng)絡(luò)訓(xùn)練時(shí)不斷通過訓(xùn)練樣本學(xué)習(xí)來校正網(wǎng)絡(luò)權(quán)值,以使目標(biāo)函數(shù)達(dá)到最小。網(wǎng)絡(luò)使用均方差偏差和正交熵偏差作為目標(biāo)函數(shù),分別定義如下:E=Μse=[∑F∈ΩtrainΚ∑k=1(dk-yΗk)2]/(Κ×|Ωtrain|)(12)E=Ce=[∑F∈ΩtrainΚ∑k=1{-dklnyΗk-(1-dk)×ln(1-yΗk)}]/(ln2×Κ×|Ωtrain|)(13)上述兩式中的Ωtrain為模式的訓(xùn)練樣本集,它與測試樣本集Ωtest共同構(gòu)成特征矢量集Ω,即Ωtrain∪Ωtest=Ω,dk為訓(xùn)練模式矢量相應(yīng)于Ck的期望輸出,由式(4)給出,yΗk為第k個(gè)輸出節(jié)點(diǎn)的測試輸出值,K為所有可能的目標(biāo)類別數(shù)目,|Ωtrain|為訓(xùn)練樣本集的模式數(shù)量。顯而易見,無論是Mse還是Ce均隨著yΗk趨近于dk而減小,反之亦然。5目標(biāo)特征模式下面應(yīng)用第4部分介紹的模糊神經(jīng)網(wǎng)絡(luò)方法來對第3部分提取的大型艦船特征進(jìn)行分類識(shí)別。識(shí)別過程中利用仿真數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò),利用衛(wèi)星觀測圖像提取的目標(biāo)特征數(shù)據(jù)以及自動(dòng)檢測提取的目標(biāo)特征數(shù)據(jù)(瞿繼雙等,2002,2003,2004)進(jìn)行測試。目標(biāo)特征模式分別依次編號(hào)為1—7,其中模式1—4、7為衛(wèi)星觀測圖像提取的目標(biāo)特征數(shù)據(jù),模式5和6為自動(dòng)檢測提取的目標(biāo)特征數(shù)據(jù)。目標(biāo)類別分為艦船Ⅰ、Ⅱ、Ⅲ和Ⅳ類,其中Ⅲ和Ⅳ類屬于同一類別目標(biāo),只是具體型號(hào)不同。5.1交熵偏差ce目標(biāo)識(shí)別首先利用艦船的幾何特征對其進(jìn)行分類識(shí)別處理。根據(jù)訓(xùn)練模式樣本的類別把目標(biāo)分為4類,學(xué)習(xí)步長ε=10-4,rk=2,fd=0.5,fe=2,連接權(quán)值初始化為0.2。對于特定的模式集Ω,由于式(12)及式(13)中的Κ|Ωtrain|是常量,因此在計(jì)算過程中可以省略,下面的分類識(shí)別也進(jìn)行相同的處理。表5給出了基于幾何特征的測試數(shù)據(jù)分類識(shí)別結(jié)果和期望輸出,分別利用均方差偏差Mse和正交熵偏差Ce作為網(wǎng)絡(luò)目標(biāo)函數(shù),其中粗體數(shù)字格為測試模式所屬類別。從分類識(shí)別結(jié)果可以看出,基于幾何特征的識(shí)別結(jié)果精度相當(dāng)高,達(dá)到85.7%,只有模式2在期望輸出中屬于Ⅳ類,被本文方法識(shí)別成為Ⅲ類目標(biāo)。事實(shí)上,如前所述,Ⅲ類和Ⅳ類屬于同一類別目標(biāo),因此從廣義上說,任何Ⅲ類或Ⅳ類目標(biāo)被識(shí)別為其中任何一類也可以認(rèn)為正確。模式樣本的期望輸出也說明了這一點(diǎn),例如特征模式1、2、5和6相對于Ⅲ類和Ⅳ類目標(biāo)的模糊期望輸出值均大于0.5。在這種廣義描述下大型艦船目標(biāo)分類識(shí)別的精度則達(dá)到了100%。由于選取參數(shù)的差異,在使用Mse和Ce目標(biāo)函數(shù)時(shí)各模式的輸出期望值有一定的差異。值得注意的是,采用本文模糊神經(jīng)網(wǎng)絡(luò)對大型艦船目標(biāo)進(jìn)行分類識(shí)別時(shí),一個(gè)模式對于目標(biāo)類大于0.5的隸屬度可能多于一個(gè),例如模式3對于Ⅱ類的隸屬度為0.56507,而對于Ⅰ類的隸屬度也為0.51362,其他模式也有這種情況,尤其是特征模式1,2,5和6相對于Ⅲ類和Ⅳ類目標(biāo)出現(xiàn)這種現(xiàn)象的可能性相當(dāng)大,這一點(diǎn)從表5數(shù)據(jù)中可以得到驗(yàn)證。另外,還可能出現(xiàn)一個(gè)模式相對于所有可能目標(biāo)類別的識(shí)別結(jié)果隸屬度均小于0.5的情況,例如利用Ce作為目標(biāo)函數(shù)時(shí)模式7相對于4種艦船類別的識(shí)別結(jié)果最大隸屬度僅為0.30775,此時(shí)基于先驗(yàn)知識(shí)可以取其具有最大值的類別為模式所屬類別,也可以根據(jù)其他特征作進(jìn)一步判斷。5.2高效階次性分析下面利用艦船的二階紋理特征對其進(jìn)行分類識(shí)別處理,同樣把目標(biāo)分為Ⅰ、Ⅱ、Ⅲ和Ⅳ類,算法參數(shù)初始化為:學(xué)習(xí)步長ε=10-3,rk=3.2,fd=0.5,fe=2,連接權(quán)值初始化為0.2。這里首先對16個(gè)二階紋理特征分量進(jìn)行重要性分析(瞿繼雙,2003),并根據(jù)3種分析結(jié)果的加權(quán)平均來確定其最終重要程度,選擇其中前10個(gè)重要的特征分量(即前10個(gè)均值最大的特征分量)來對大型艦船目標(biāo)進(jìn)行分類識(shí)別處理。表6給出了基于二階紋理特征的測試數(shù)據(jù)分類識(shí)別結(jié)果和期望輸出,目標(biāo)函數(shù)為均方差偏差Mse,其中粗體數(shù)字格為測試模式所屬類別。從分類識(shí)別結(jié)果可以看出,基于二階紋理特征的識(shí)別結(jié)果精度相比基于幾何特征的要低,但仍然達(dá)到71.4%,如果采用廣義的Ⅲ類和Ⅳ類目標(biāo)分類標(biāo)準(zhǔn),分類精度將達(dá)到100%。從表中數(shù)據(jù)可以看出,一個(gè)模式同樣可能會(huì)出現(xiàn)相對于多個(gè)目標(biāo)類別的隸屬度大于0.5的情況,此時(shí)既可以取其最大值者為模式所屬類別(本文中即采用此種判別模式),也可以進(jìn)一步結(jié)合其他特征信息作分析判斷。6多時(shí)相幾何特征融合處理特征融合處理可以有效地綜合多源(時(shí)相)數(shù)據(jù)中目標(biāo)體現(xiàn)出的不同類別或不同度量的特征屬性,從而構(gòu)建更有區(qū)分性的特征空間,使基于特征的目標(biāo)分類識(shí)別準(zhǔn)確性得到顯著改善(Blasch&Huang,2000,Jorgeetal.,1999)。在前述基于幾何特征或二階紋理特征分類識(shí)別結(jié)果中,均出現(xiàn)了一個(gè)模式具有