基于數(shù)據(jù)融合的綜合識別方法研究.pdf

1、近年來信息科學(xué)飛速發(fā)展，數(shù)據(jù)所含信息量巨大，復(fù)雜性增高。如何從海量數(shù)據(jù)中提取出人們真正感興趣的信息，準(zhǔn)確地對目標(biāo)進(jìn)行綜合識別已成為國內(nèi)外相關(guān)領(lǐng)域研究的熱點(diǎn)問題。數(shù)據(jù)融合將大量數(shù)據(jù)進(jìn)行整合，以低維形式重新進(jìn)行表達(dá)，可以更好地體現(xiàn)目標(biāo)的本質(zhì)特征，利用數(shù)據(jù)融合對腦腫瘤等目標(biāo)進(jìn)行準(zhǔn)確識別已成為電子信息和醫(yī)學(xué)探測等領(lǐng)域研究的難點(diǎn)問題。非負(fù)矩陣分解(Non-negative Matrix Factorization，NMF)是一種高級的盲信號處理方

2、法。在非負(fù)性的約束下，使用NMF算法對復(fù)雜數(shù)據(jù)進(jìn)行降維、特征提取、信息融合等處理可以得到較為滿意的效果。并且，根據(jù)解決實(shí)際需求，對NMF算法進(jìn)行改進(jìn)、擴(kuò)展及優(yōu)化處理后的成果，已經(jīng)在生命醫(yī)學(xué)、遙感數(shù)據(jù)處理、語音信號、文本等數(shù)據(jù)處理與分析方面得到了頗有成效的應(yīng)用。
　　本文基于數(shù)據(jù)融合方法，利用NMF算法對人腦惡性膠質(zhì)母細(xì)胞瘤(Glioblastoma，GBM)的組織成分識別和多源遙感數(shù)據(jù)中目標(biāo)的特征及身份識別等問題進(jìn)行了較為深入系統(tǒng)

3、的研究，主要工作和貢獻(xiàn)如下：
　　1．針對現(xiàn)行NMF算法對目標(biāo)識別準(zhǔn)確性不夠等問題，分析討論了目前流行的NMF算法以及它們各自的特點(diǎn)，并利用GBM的核磁共振譜成像(Magnetic Resonance Spectroscopy Imaging，MRSI)仿真信號對它們的目標(biāo)識別準(zhǔn)確性進(jìn)行比較和分析。
　　2．針對GBM的MRSI數(shù)據(jù)難以清晰表達(dá)，以及傳統(tǒng)NMF算法無法穩(wěn)定識別GBM組織類型(正常、腫瘤和壞死)等問題，提出了分

4、層NMF(Hierarchical NMF，hNMF)算法。該算法基于GBM三種組織波譜的互相關(guān)性最小這一醫(yī)學(xué)原理，構(gòu)造了一系列變化的掩膜，通過分層次應(yīng)用NMF準(zhǔn)確地恢復(fù)出GBM三種組織波譜，并利用非負(fù)最小二乘法實(shí)現(xiàn)了其空間位置的可視化。該算法提高了腦腫瘤組織波源識別及其空間分布估計(jì)的穩(wěn)定性。
　　3．針對傳統(tǒng)的疾病分類學(xué)成像方法需要大量標(biāo)識模型波譜訓(xùn)練集的問題，提出一種非監(jiān)督的膠質(zhì)細(xì)胞瘤疾病分類學(xué)成像方法。該方法利用NMF算法和

5、hNMF算法識別出膠質(zhì)細(xì)胞瘤MRSI數(shù)據(jù)中的不同組織成分及其空間分布，用不同的顏色在一幅腦圖像中表示出來，解決了在沒有先驗(yàn)信息的情況下的膠質(zhì)細(xì)胞瘤進(jìn)行疾病分類學(xué)成像問題，實(shí)現(xiàn)了對腫瘤組織侵入性的表達(dá)。同時提出了基于線性最小二乘估計(jì)的誤差圖估計(jì)方法，解決了疾病分類學(xué)圖像可信度表達(dá)的問題。
　　4．針對多源數(shù)據(jù)融合的預(yù)處理過程中配準(zhǔn)結(jié)果易受特征提取精度影響的問題，提出了基于水平集的合成孔徑雷達(dá)(Synthetic Aperture R

6、adar，SAR)圖像和光學(xué)圖像的配準(zhǔn)方法，在水平集框架下通過映射函數(shù)將SAR圖像特征和光學(xué)圖像特征相結(jié)合，構(gòu)造了配準(zhǔn)的能量泛函模型。該方法可以同時完成圖像的分割和配準(zhǔn)，簡化了配準(zhǔn)過程，減弱了圖像分割對配準(zhǔn)精度的影響，提高了SAR圖像和光學(xué)圖像的配準(zhǔn)精度。
　　5．針對遙感圖像變化檢測中背景和目標(biāo)變化區(qū)域易混淆的問題，提出了基于非負(fù)矩陣分解的分時融合方法。該方法通過基于NMF的多波段SPOT圖像融合對差值影像進(jìn)行構(gòu)造，從而完成變化