基于數據融合的綜合識別方法研究.pdf

1、近年來信息科學飛速發(fā)展，數據所含信息量巨大，復雜性增高。如何從海量數據中提取出人們真正感興趣的信息，準確地對目標進行綜合識別已成為國內外相關領域研究的熱點問題。數據融合將大量數據進行整合，以低維形式重新進行表達，可以更好地體現目標的本質特征，利用數據融合對腦腫瘤等目標進行準確識別已成為電子信息和醫(yī)學探測等領域研究的難點問題。非負矩陣分解(Non-negative Matrix Factorization，NMF)是一種高級的盲信號處理方

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

3、的研究，主要工作和貢獻如下：
　　1．針對現行NMF算法對目標識別準確性不夠等問題，分析討論了目前流行的NMF算法以及它們各自的特點，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識別準確性進行比較和分析。
　　2．針對GBM的MRSI數據難以清晰表達，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性最小這一醫(yī)學原理，構造了一系列變化的掩膜，通過分層次應用NMF準確地恢復出GBM三種組織波譜，并利用非負最小二乘法實現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的穩(wěn)定性。
　　3．針對傳統(tǒng)的疾病分類學成像方法需要大量標識模型波譜訓練集的問題，提出一種非監(jiān)督的膠質細胞瘤疾病分類學成像方法。該方法利用NMF算法和

5、hNMF算法識別出膠質細胞瘤MRSI數據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，解決了在沒有先驗信息的情況下的膠質細胞瘤進行疾病分類學成像問題，實現了對腫瘤組織侵入性的表達。同時提出了基于線性最小二乘估計的誤差圖估計方法，解決了疾病分類學圖像可信度表達的問題。
　　4．針對多源數據融合的預處理過程中配準結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(Synthetic Aperture R

6、adar，SAR)圖像和光學圖像的配準方法，在水平集框架下通過映射函數將SAR圖像特征和光學圖像特征相結合，構造了配準的能量泛函模型。該方法可以同時完成圖像的分割和配準，簡化了配準過程，減弱了圖像分割對配準精度的影響，提高了SAR圖像和光學圖像的配準精度。
　　5．針對遙感圖像變化檢測中背景和目標變化區(qū)域易混淆的問題，提出了基于非負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行構造，從而完成變化