在本节中,我们介绍了M-GSP框架内高光谱图像的模型和表示。然后,我们将介绍基于M-GSP的HSI无监督分割和监督分类方法。
为了避免因“网络”在交流和深度学习中的不同含义而造成混淆,在本书的剩余部分中,我们将使用“多层图”这一不太模糊的术语,而不是“多层网络”。
2.1高光谱图像的模型和表示
我们首先介绍HSI的MLG模型和表示。
2.1.1HSI的超像素分割
在进行M-GSP分析之前,我们首先介绍了HSI的超像素分割。在传统的基于图形的HSI分析中,图像像素充当节点,并计算其成对距离以形成图形[38]. 然而,由于有大量像素,对基于像素的HSI实现基于图形的完整分析变得效率低下,有时甚至不可能。实际上,由于小区域内的像素可能共享相似的特征,将相邻像素分组为超级像素可能是一种更实用的图形构建方法。
一般来说,一种适用于HSI分类的超像素分割算法应该具有较低的计算复杂度和准确的目标边界检测[39]. HSI中的一类超像素分割使用亮度、颜色和纹理线索等图像特征来估计线段边界的位置。在[40]采用超等高线图(UCM)方法对高光谱体进行超像素估计。在[41],将频带平滑度与一般特征结合起来进行像素分组。基于图形的分割方法在超像素分割中也很常见[42]. 在[43]对于超像素组,使用基于特征的归一化切割解(NCuts)。然而,这种基于特征的方法往往需要耗时的图形构建和矩阵分解。
为了更有效地进行超像素分割,我们在本文中的工作考虑了熵率超像素分割(ERS)。与其他超像素构建算法相比,ERS非常有效,因为它只需2.5秒就可以分割大小的图像\(481\乘以321\),同时在标准指标(如细分不足错误)方面实现卓越性能[44]. 在ERS中[44],数据集建模为图形\({\mathcal{G}}=\{\matchal{V}},{\mathcal{E}}\}\),其中像素作为节点\({\mathcal{V}}\)它们成对的相似性用边表示\({\mathcal{E}}\)接下来是一个子图\({\mathcal{A}}=\{{\mathcal{V}},{\matchal{L}}\}\)通过选择边的子集形成\({\mathcal{L}}\subseteq{\mathcal{E}}\),因此\({\mathcal{A}}\)由较少的连接组件组成。为了获得这样的子图,问题可以表述为
$$\mathcal{L}^{*}=\arg_{\mathcal{L}}\max\;{\text{Tr}}\left\{H\left(\mathcal{L}\right)+\alpha T\left$$
(1)
$$\开始{aligned}&s.t.\四{\mathcal{L}}\subseteq{\mathcal{E}},结束{aligned}$$
(2)
其中熵率项\(H({\mathcal{L}})\)支持更紧的簇和正则项\(T({\mathcal{L}})\)惩罚较大的集群大小。平衡参数由下式给出\(α=βKε)哪里\(ε=0.5),K(K)是超级像素的数量,并且\(测试版)是基于最大熵率增加计算的。感兴趣的读者可以参考[39,44]有关设计的更多详细信息\(H({\mathcal{L}})\)和\(T({\mathcal{L}})\)以及ERS算法的其他详细信息。基于等式的目标函数(1),可以实现贪婪算法来解决该问题。
ERS可以将像素分割为M-GSP的超像素,复杂度低,效率高。从构建的超像素中,我们平均每个超像素中所有像素的位置和特征,作为MLG构建的新位置和特征。注意,我们的目标是提供在HSI中应用M-GSP的指南,并表明即使使用简单的方法,M-GSP也可以实现稳健的性能。本文采用ERS超像素构建和基于平均值的特征聚合。我们计划在未来的工作中考虑其他先进的超像素构建方法和特征生成方法。
2.1.2HSI数据集的多层图构造
使用超像素表示的HSI,我们现在开始构建多层图,如图所示2.HSI\({\mathbf{X}}\在{\mathbb{R}}^{K\次N}\中),包含K(K)光谱框架和N个超像素,可以用多层图建模M(M)图层和N个每个层中的节点。具体来说,MLG由以下属性组成
-
层:为了构建MLG,我们基于谱带定义层。由于不同的光谱帧可能具有相似的特征,我们首先将频带划分为M(M)集群,即。,\({\mathbf{X}}_i\在{\mathbb{R}}中^{{K} _ i\乘以N}\),\(i=1,\cdots,M\)和\(总和{i=1}^{M} K_(i)=K\)接下来,每个簇充当多层图中的一层。各种聚类方法可以生成特征\({\mathbf{X}}_i\)用于图层我例如,可以根据波长范围划分光谱带。为了更有效地捕获不同频带之间的相关性k个-意味着将聚类应用于频带划分。
-
节点:如图所示2,多层图可视为嵌入N个超像素\(\{x_1,x_2,\cdots,x_N\}\)进入之内M(M)层\(\{l_1,\cdots,l_M\}\)然后,我们可以用M(M)图层和N个每个层中的节点。我们使用划分的属性来表征每个超级像素,即。,\({\mathbf{X}}_{\alpha,j}\在{\mathbb{R}}^{K_i}\中)对于超级像素j个的嵌入节点在层中\(\字母\).
-
层间连接:对于层间连接,每个嵌入节点都连接到其他层中的对应节点,即相同超像素(多路复用结构)的所有嵌入节点都完全连接[12]). 表示超像素之间边缘的权重j个层中的嵌入节点\(测试版)和超像素我层中的嵌入节点\(\字母\)作为\(A_{\αi\βj}\)层间连接件的重量可计算为
$$\begin{aligned}A_{\alpha i\beta j}=\left\{\begin{aligned}1,&\quad\alpha \ne\beta,i=j;\\0,&\quad{\text{otherwise},\end{aligned}\right。\结束{对齐}$$
(3)
其中每个术语表示链接存在。还可以将权重分配给\(A_{\αi\βi}\)基于特征相似性。注意,这里我们引入加权复合结构作为层间连接的示例。我们的M-GSP框架适用于各种层间结构。读者可以根据特定的数据集和学习任务构建图表。
-
层内连接:对于层内连接,我们计算超像素嵌入节点之间的权重我和j个在层中\(\阿尔法\)基于如下的局部高斯距离:
$$\begin{aligned}A_{\alpha i\alpha-j}=\left\{\begin{aligned}e^{-\frac{|{\mathbf{X}}_{\alpha,i}-{\mathbf{X{}}{\ alpha,j}|^2_2}{\sigma^2},&\quad\text{dis}_1 p,\\&\quad\text{dis}_2(p(\alpha,i),p(\alpha,j))<q;\\0,&\quad\text{否则。}\end{aligned}\right。\结束{对齐}$$
(4)
哪里\(\西格玛\),第页和q个是设计参数和\(p(α,i))是超级像素的位置我在层中\(\字母\).
在传统的高斯距离之外,我们的层内连接考虑了两个条件来确定链接的存在:(1)两个节点之间的特征应该相似;(2)两个相连的超像素应位于HSI的局部化区域。第一个条件确保连接节点的相似性,而第二个条件强调HSI中的几何接近性。对于参数的初始设置,我们定义\(\text{dis}_1=||{mathbf{X}}_{\alpha,i}-{mathbf{X}{{\alfa,j}||2\),并定义\(\text{dis}_2\)作为两个超像素各自质心之间的欧氏距离。在设计参数方面,我们设置第页作为所有成对相似性的平均值并调整参数q个,\(\西格玛\)基于特定数据集。有关实际应用中参数选择的详细信息,请参阅第节。 3.2.
2.1.3M-GSP中HSI的代数表示
按照上述过程,我们可以很容易地将HSI构建为MLGM(M)图层和N个每个层中的节点。在M-GSP中[16],这样的多层图结构可以直观地用四阶张量表示\({\mathbf{A}}\在{\mathbb{R}}^{M\次N\次M\次N}\中)定义为
$$\begin{aligned}{\mathbf{A}}=(A_{\alpha-i\beta-j})\quad 1\le\alpha,\beta\le-M,1\le-i,j\le-N,\end{aligned}$$
(5)
其中每个条目计算为等式(三)和(4). 类似于正规图,拉普拉斯张量\(\mathbf{L=D-A}\ in{\mathbb{R}}^{M\times N\times M\times N}\)可以定义为MLG的替代表示,其中\({\mathbf{D}}\)是以节点度数作为对角项的度数张量[16].
讨论在我们研究HSI的M-GSP谱表示之前,我们讨论了张量表示的解释及其与前面提到的“嵌入”过程的关系。2.1.2.给定一组超像素\({\mathcal{X}}=\{X_1,X_2,\cdots,X_N\}\),可以构造一个向量\({\mathbf{z}}_i\在{\mathbb{R}}^{N}\中)描述每个超级像素的基本结构特征我其次,两个超像素之间的相互作用可以用二阶张量表示\({\mathbf{A}}_X=\sum_{i,j=1}^Na{ij}{\mathbf{z}}_i\circ{\mathpf{z{}_j\in{mathbb{R}}^{N\次N}\),其中\(a{ij}\)量化超像素之间的关系我和j个类似地,给定一组聚集带(层)\({\mathcal{L}}=\{L_1,L_2,\cdots,L_M\}\),一个向量\({\mathbf{z}}_{\alpha}\在{\mathbb{R}}^{M}\中)可以捕获层的结构属性\(\字母\),两层之间的连接可以表示为\({\mathbf{A}}_L=\sum_{\alpha,\beta=1}^Mb_{\alpha\beta}{\mathbf{z}}_\alpha\circ{\mat血红蛋白{z}{_\beta\ in{\mat乙肝{R}}^{M\ times M}\)根据这种方法,层中超像素嵌入节点之间的连通性可以用四阶张量表示,以描述超像素和层的特征,即:。,
$$\begin{aligned}{\mathbf{A}}=\sum_{\alpha,\beta=1}^{M}\sum_{i,j=1}^N w_{\alpha-i\beta-j}{\mathbf{z}}_\alpha\circ{\mathbf{z{}_i\circ{mathbf}z}}}_i N},\结束{对齐}$$
(6)
哪里\(\circ\)是张量的外积[45],\(w{\αi\βj}\)是超级像素之间的连接权重我层中的嵌入节点\(\字母\)和超级像素j个的嵌入节点在层中\(β)更具体地说,如果我们选择向量\({\mathbf{z}}_i=[0,\cdots,0,1,0,\cdot,0]^\mathrm{T}\)其中唯一的非零元素是我第个元素(等于1)对于层和超像素,四阶张量成为多层网络的邻接张量。感兴趣的读者可以参考[12,16]有关邻接张量和拉普拉斯张量的更多详细信息。
2.1.4M-GSP中HSI的谱表示
我们现在介绍M-GSP中HSI的光谱表示。在M-GSP中,出于不同目的引入了多个MLG谱。由于MLG奇异空间在分析有序特征时更稳健,因此我们在本工作中侧重于奇异分析。其他MLG谱分析的更多细节,例如M-GSP特征传感器分析,可以在[16]. 用邻接张量\({\mathbf{A}}\在{\mathbb{R}}^{M\次N\次M\次N}\中),可以通过高阶奇异值分解(HOSVD)进行分解[46]作为
$$\begin{aligned}{\mathbf{A}}={\mathbf{S}}\times_1{\mathpf{U}}^{(1)}\times _2{\mat血红蛋白{U}{(2)}\times_3{\ mathbf}U}}^{$$
(7)
哪里\(\次_n\)是n模积[45]和\({\mathbf{U}}^{(n)}=[{\mat血红蛋白{U}}^}{(n)}_1\quad{\mathbf{U}{^{是一个整体\((I_n\乘以I_n)\)矩阵,带\(I_1=I_3=M)和\(I_2=I_4=否).\({\mathbf{S}}\)是一个\(((I_1\次I_2\次I_3\次I_4)\)-其子传感器\({\mathbf{S}}_{i_n}\)通过冻结n个第个索引到\(\字母\):
弗罗贝纽斯规范\(\sigma_i^{(n)}=||{\mathbf{S}}_{i_n=i}||\)是n个-模态奇异值,对应奇异向量\({\mathbf{U}}^{(i)}\)由于表示张量在无向MLG中表现出部分对称性,因此存在两种奇异谱模式,即。,\({\mathbf{U}}^{(1)}={\mathbf{U{}^{(3)}=({\mathbf{f}}_\alpha)\)表征层的特征和\({\mathbf{U}}^{(2)}={\mathbf{U{}^{(4)}=({\mathbf{e}}_i)\)描述节点的特征。翻新\({\mathbf{U}}^{(1)}={\mathbf{U{}^{(3)}\)作为\({\mathbf{F}}_s=[{\mathbf{F}}_1\cdots{\mat血红蛋白{F}_M]\在{\mathpb{R}}^{M\次M}\中)和\({\mathbf{U}}^{(2)}={\mathbf{U{}^{(4)}\)作为\({\mathbf{E}}_s=[{\mathbf{E}}_1\cdots{\mathpf{E{}_N]\在{\mat血红蛋白{R}}^{N\次N}\中),等式(7)可以写为
$$\开始{aligned}{{mathbf{A}}={mathbf{S}\times_1{mathbf1{F}}_S\times_2{mathbf2{E}}_S\t次_3{mathbf2{F}{_S\times _4{mathbf-{E}{}_S\t对齐}$$
(8)
用奇异张量\({\mathbf{F}}_s\)和\({\mathbf{E}}_s\)MLG信号的MLG奇异变换(M-GST)\({\mathbf{s}}\在{\mathbb{R}}^{M\次N}\中)可以定义为
$$开始{aligned}\check{{mathbf{s}}={mathbf{F}}_s^{mathrm{T}}{mathbf1{s}{{mathbf{E}}_s\in{mathbb{R}}^{M\timesN}。\结束{对齐}$$
(9)
假设\(伽玛_i)的是分层奇异值\(σi)s是节点的奇异值。M-GSP光谱滤波器可以设计为
$$\begin{aligned}{\mathbf{s}}'={\mathbf{F}}_s\bbegin{bmatrix}g(\gamma _1)&{}\cdots&{}0\\vdots&{}\dodots&{}\vdots\\0&{}\cdots&{}g(\gamma _N)\end{bmatrix}{\mathbf{F}}_s^{\mathrm{T}}}{\mathbf s}}{\mathbf E}}_s\bbegin{bmatrix}F(\sigma _1)&{&{}0\\\vdots&{}\ddots&{}\vdots\\0&{}\cdots&{}F(\sigma-N)\end{bmatrix}{\mathbf{E}}_s^{\mathrm{T}},\end{aligned}$$
(10)
where函数\(g(\cdot)\)和\(f(\cdot)\)由特定任务设计。
在这里,我们主要关注无向多层图的奇异分析的基础。有关其他概念的更多详细信息,如MLG傅里叶变换和M-GSP滤波器设计,请参考感兴趣的读者[16].
2.2基于MLG的无监督HSI分割
在这一部分中,我们提出了一种基于M-GSP谱聚类的无监督分割方法。
谱聚类是一种有效的无监督HSI分割方法[38]. 在谱聚类之前,通过标准图对HSI进行建模,由于其在捕获底层结构方面的强大功能,有可能实现显著改进[47]. 然而,通过单层图表示HSI,可能会忽略各个光谱带的区别。为了捕获HSI中的异质光谱-空间结构,我们建议基于M-GSP光谱聚类对HSI进行分割。
给定一个HSI,我们将多层图构造为Sect。 2.1.2。然后我们计算光谱\({\mathbf{F}}_s=[{\mathbf{F}}_1\cdots{\mat血红蛋白{F}_M]\在{\mathpb{R}}^{M\次M}\中)和\({\mathbf{E}}_s=[{\mathbf{E}}_1\cdots{\mathpf{E{}_N]\在{\mat血红蛋白{R}}^{N\次N}\中)根据公式(8). 由于我们的目标是将超像素分割成有意义的簇,所以我们将重点放在超像素光谱上\({\mathbf{E}}_s\).安排\({\mathbf{e}}_i\)按其对应奇异值的降序排列\(σi)即。,
$$\开始{aligned}\sigma_i=||{\mathbf{S}}_{i_2=i}||,\end{aligned}$$
(11)
哪里\({mathbf{S}}_{i_2=i}\在{mathbb{R}}^{M\次{1}\次{M}\次N}\中)是核心张量的子传感器\({\mathbf{S}}\)在等式中(7)通过冻结二阶\(i_2=i\),我们选择第一个P(P)奇异向量,根据奇异值之间的最大间隙为HSI保留最关键的信息。基于P(P)选择奇异向量并标记超像素内的每个像素,我们可以获得给定HSI的分割。算法1提供了基于MLG的无监督分割的主要过程。
2.2.1讨论
在我们进一步研究基于MLG的监督HSI分类之前,我们对M-GSP奇异张量进行了简短的概念性讨论。在文献中,奇异值分解(SVD)是一种有效的获取频谱的方法,用于信号分析,如谱聚类和主成分分析。在MLG-GSP中,有序奇异向量可以分别解释为表征帧和超像素特征的子空间。由于HOSVD是稳健和有效的,将信号转换到MLG奇异空间(M-GST)以分析底层结构可能是M-GFT的有用替代方案。关于MLG光谱物理意义的更多讨论,请参见[16]. 为了更好地理解基于MLG的奇异张量的特性,我们用图形说明了奇异值的分布,与图中基于图形的模型相比三如图所示,与基于图形的奇异值相比,基于MLG的奇异值的能量更集中于低频的前几个主要奇异向量。这种能量集中表明,在我们提出的M-GSP框架中,谱聚类的实现更加方便且低退化。
2.3基于MLG的监督HSI分类
在这一部分中,我们介绍了基于M-GSP特征提取的HSI分类。
2.3.1基于MLG的HSI分割的单重解
我们从超像素的单分辨率开始。在基于超像素的分类中,超像素分辨率影响最终的性能:更精细的分辨率可以捕获更多的细节,而粗分辨率可以更有效地捕获全局信息。为了从精细分辨率和粗分辨率中获益,我们在精细分辨率上引入了基于MLG的光谱聚类,将超像素重新组合为粗分辨率(重新组合的超像素数仍应大于类数),并使用重新组合的特征作为分类器输入。更具体地说,我们首先实现了基于MLG的光谱聚类来聚类超像素。然后,我们将同一簇内所有像素的特征与重新组合的特征结合起来。最后,我们利用聚类后的特征更新每个像素的特征,并输入新的特征进行分类。这里,我们应用支持向量机对重组后的特征进行分类。我们的单分辨率HSI分割(MLG-SRC)的概念如图所示4,算法2中描述了主要步骤。
拟议MLG-SRC的好处包括:
-
针对粗超像素的单一分辨率,MLG-SRC在精细分辨率上执行分析步骤,并能够捕获详细特征。相对于单一分辨率的精细超像素,MLG-SRC大大减少了像素数,增强了分类器特征输入的鲁棒性。过多的超像素可能会使特征不那么明显,并过度分割区域,而过少的超像素可能会导致边界模糊。
-
传统的基于图的超像素分割只捕获单层结构。M-GSP重组可以跨异构多带结构揭示额外的特征信息。
-
在传统的超像素分割中,不同的区域通常被标记为不同的超像素。然而,在MLG-SRC中,来自不同区域的超像素可以分组到同一个簇中。因此,重新组合的特征可能涉及覆盖较大距离的相似像素,并可能生成更多特征。
-
MLG-SRC可以很容易地与其他特征提取或选择算法集成。在MLG-SRC生成的特征和特征组上应用PCA和ICA等降维技术可以潜在地提高性能。
2.3.2基于MLG的HSI分割的多分辨率
1) 多分辨率结构:
虽然基于MLG的光谱聚类可以将小的超像素重新组合为大的超像素,并从MLG-SRC的精细和粗糙分辨率中获益,但超像素的初始分辨率设置仍然会影响最终性能(图5). 如图所示6显示,不同的初始分辨率可能会导致不同的精度水平。实际上很难确定最佳的超像素初始数目。
这里,我们考虑一种多分辨率分类结构(MLG-MRC),如图所示5在这个框架中,我们研究了超像素的几种不同初始分辨率。将MLG-SRC应用于每个初始分辨率,以相同的群数缩减率对超像素进行重组,即:。,\(70\%\)初始超像素。应用支持向量机对多个重组后的超像素进行分类,在最终分割中融合不同初始分辨率的结果。算法3中描述了该算法。虽然文献中已经考虑了多分辨率结构,但MLG-MRC显示出两个主要区别。首先,我们应用一种新的基于MLG的聚类算法对超像素进行重组,并生成新的特征用于分类。其次,我们基于下面讨论的置信度和图结构提供了几种新的决策融合策略。
2) 决策融合:
多数投票(MV)[48]是一种广泛用于不同分辨率的融合方案。在这种方法中,标签我特定像素的
$$\开始{aligned}l={\arg\max}_i\sum_{j=1}^{C}w_j\cdot\delta(l_j),\end{aligned}$$
(12)
哪里C类是不同分辨率的数量,\(l_j)是像素的分辨率标签j个,\(w_j\)是投票强度,以及\(δ(l_j)=1)如果\(l_j=i); 否则,\(δ(l_j)=0)注意,基于同等实力的基本多数投票\(w_j={C}^{-1}\)对不同的决议应用相同的力量,而忽略它们的差异。为了改进决策融合,我们引入了几种新的决策融合策略。
-
验证准确性(VA):设计决策强度的一种直观方法是基于验证准确性。如果某个分辨率的验证精度更大,那么它在测试数据中也可能具有更好的性能。因此,我们可以为分辨率分配更大的权重,从而提高验证精度。这里,我们可以将验证准确度直接应用于加权强度\(w_j\)用于解决问题j个根据公式融合决策(12).
-
决策值(DV):作为一种替代方法,可以使用每类像素的决策概率作为权重。在多类SVM中,根据决策值确定预测标签\({\mathbf{p}}\在{\mathbb{R}}^{C}\中),其中C类是类的数量[49]. 如果决策值较大,则表示SVM具有较高的分类置信度。因此,决策值也可以描述分类结果的置信水平。让\({\mathbf{p}}{ij}\)是像素的判定值我在里面j个第个决议。我们设定了\(l{ij}\)到
$$\begin{aligned}w{ij}=\max_k{\mathbf{p}}{ij{(k)。\结束{对齐}$$
(13)
与每个分辨率中所有像素的验证精度相同不同,基于决策值的权重甚至可能会因相同分辨率的像素而异。
-
图表总偏差(TV):基于图形的度量可以用作权重。对于超像素的稳健设置,信号应平滑,并显示稳定的底层图形结构。为此,我们引入了基于图形的总变化来测量平滑度。给定超像素分割j个HSI的N个超级像素和K(K)光谱帧,我们通过平均所有像素来重新生成每个超像素的特征。然后,我们基于高斯距离构造单层图来度量不同超像素之间的相似性。通过定义拉普拉斯矩阵\({\mathbf{L}}=\mathbf{D-A}\)哪里\({\mathbf{D}}\)是度矩阵\({\mathbf{A}}\)是邻接矩阵,总变差[7]特征信号的\({\mathbf{s}}_p\in{\mathbb{R}}^{N}\)对于第页第h波段帧结束\({\mathbf{L}}\)是
$$\begin{aligned}\text{TV}_p=||{\mathbf{s}}_p-\frac{1}{|\lambda_{max}|}{{\mathbf{L}}{{\ mathbf}}_p||2^2,\end{alinged}$$
(14)
哪里\(\lambda_{\max}\)是的最大特征值\({\mathbf{L}}\)总变化描述了两个步骤之间的传播差异。总变化越小,信号越平滑。使用K(K)总帧数,分辨率的最终平滑度j个定义为\(\text{SM}_j=\frac{1}{K}\sum_p\text{TV}_p\)。由于我们更喜欢平滑信号的更大权重,因此分辨率的最终权重j个定义为
$$\开始{aligned}w_j=e^{-SM_j}。\结束{对齐}$$
(15)
-
冯·诺依曼熵(VN):底层图形结构的稳定性也可以指示特定超像素分辨率的置信水平。在量子理论中[50],纯态导致冯·诺依曼熵为零。如果系统中有更多的混合态,熵就更大。类似地,在我们的HSI分析中,由于我们更喜欢基础图上的稳定系统或纯状态,因此如果Von Neumann熵较小,权重应该更大。在这里,我们引入Von Neumann熵来评估图的稳定性[50]. 与总变差类似,拉普拉斯矩阵\({\mathbf{L}}\)可以用邻接矩阵定义\({\mathbf{A}}=(A_{pq})\)对于j个第个决议。首先,定义\(c={1}/({总和_{p,q}a_{pq}})\)并重新缩放拉普拉斯矩阵
$$\begin{aligned}{\mathbf{L}}_G=c\cdot(\mathbf{D-A}),\end{alinged}$$
(16)
我们可以定义j个第个分辨率为
$$\开始{aligned}w_j=e^{-hj}。\结束{对齐}$$
(17)
基于冯·诺依曼熵
$$\开始{aligned}h_j=-{\text{Tr}}[{\mathbf{L}}_G\log_2{mathbf}}_G]。\结束{对齐}$$
(18)
注意,这里我们为决策融合的权重提供了几个可能的替代方案。各种建议的融合策略的性能将在第节中介绍。 三.