什么是决策级融合？

在数据融合的三个层次中,决策级融合的层次最高.它直接对完全不同类型的遥感器或来自不同环境区域的感知信息形成局部决策并进行最后分析，以得出最终的决策。决策级融合的方法主要有马尔可夫随机场( Markov random field，MRF)模型方法加入多元决策分类、投票表决、贝叶斯法、Dempster-Shafer方法、广义证据推理理论，以及根据不同情况而专门设计的各种方法等。

Jeon采用联合似然法(jointly likelihood)和主体加权法(weight majority)决策融合让多时相遥感数据进行决策分类,使分类效果得到了明显改善。Be-nediktsson采用种两级方法对多源和高光谱数据进行决策分类 ,该方法在第一级采用投票法进行分类取舍决策，在第二级使用一个神经网络对在第一级被否定的数据进行再次分类。与传统方法进行比较,这两种方法在分类精度上取得了较好的效果。Jimenez不仅对遥感数据进行了特征分类，而且使用主体投票和神经网络法对遥感数据进行了决策融合处理，从而使决策分类的精确度有了一定的提高。

决策级融合的主要优点有:灵活性高，通信量小,抗干扰能力强;因为利用各类特征信息，系统对信息传输带宽要求很低;能有效地反映环境或目标不同方面的、不同类型的信息;对遥感器的依赖性小，具有容错性，当一个或几个遥感器出现错误时,通过适当的融合,还能获得正确的结果。决策级融合的主要缺点是预处理代价高，因为要对原遥感器信息进行预处理以获得各自的判别结果。

决策级融合以像元分解-融合为基础，进一步结合地物高程信息、DBM数据和专家知识等，提高像元分解和图像融合的准确率,或者基于神经网络提高高光谱数据分解和融合的智能化程度，获得更有实效的分解和融合结果等。这方面的研究工作目前已经在部分应用领域展开,是高光谱遥感信息处理领域通向实用的一条可行之路。

实际的应用中，多源数据融合可以在一个层次上进行，也可以在几个不同的层次上实现,但通常都是从低层次到高层次进行,是一个逐步抽象的数据处理过程。