一、引言：为什么需要置信函数理论
在多源信息融合领域，核心问题是如何处理数据源的各种"不完美性"。这些不完美性包括：不确定性（uncertainty）、不精确性（imprecision）、歧义性（ambiguity）和冲突（conflict）。
传统的概率方法存在一个根本性的限制：概率的可加性约束要求
这个约束导致概率论无法区分两种本质不同的认知状态。第一种是"我完全不知道 A 是否发生"，第二种是"我确定 A 发生的概率恰好是50%"。在概率框架下，这两种情况都会被表示为 P(A) = 0.5，但它们的认知含义完全不同：前者代表无知（ignorance），后者代表确定的随机性。
置信函数理论由Dempster（1968年）和Shafer（1976年）发展而来，其核心思想是在辨识框架（frame of discernment）\Omega 的幂集 2^\Omega 上定义质量函数，而不是仅在单个元素上定义概率。这样做的好处是：可以通过对复合假设（如 \{A, B\}）分配质量来表示不精确性，通过对整个框架 \Omega 分配质量 m(\Omega) 来表示无知状态。
二、理论背景
2.1 基本置信分配（BBA）
置信函数理论的核心概念是基本置信分配（Basic Belief Assignment，简称BBA），也称为质量函数（mass function）。设 \Omega = \{\omega_1, \omega_2, \ldots, \omega_n\} 是辨识框架，包含所有互斥且穷尽的假设。质量函数 m: 2^\Omega \rightarrow [0,1] 需要满足归一化条件：
这里的求和是对 \Omega 的所有子集进行的，包括单元素集合（如 \{A\}）和多元素集合（如 \{A, B\}）。满足 m(A) > 0 的集合 A 称为焦点元素（focal element）。
与概率分布的关键区别在于：概率只能分配给单个元素，而质量可以分配给任意子集。当 m(\{A, B\}) > 0 时，表示有一部分证据支持"A 或 B"，但无法进一步区分具体是哪一个，这就是不精确性的数学表达。
2.2 可信度函数与似然度函数
从质量函数可以导出两个重要的测度。可信度函数（Belief function）定义为：
Bel(A) 表示完全支持假设 A 的证据总量，它只累加那些完全包含在 A 内部的焦点元素的质量。这可以理解为对 A 为真的支持程度的下界。
似然度函数（Plausibility function）定义为：
Pls(A) 累加所有与 A 有交集的焦点元素的质量，表示 A 为真的最大可能程度，即支持程度的上界。
区间 [Bel(A), Pls(A)] 的长度反映了关于假设 A 的无知程度。当 Bel(A) = Pls(A) 时，退化为经典概率；当区间很宽时，说明证据不足以精确判断 A 的真假。
2.3 Dempster组合规则
当有多个独立信息源时，需要将它们的证据进行融合。Dempster规则是最经典的组合方法，对于两个质量函数 m_1 和 m_2，组合结果为：
其中分子部分是"正交和"：遍历所有满足 B \cap C = A 的焦点元素对 (B, C)，将它们的质量乘积累加。分母中的 K 是冲突因子：
K 度量了两个信息源之间的冲突程度，即它们支持的假设完全不相容的程度。Dempster规则通过 1-K 进行归一化，将冲突质量重新分配到非空假设上。当 K=1 时，两个信息源完全冲突，Dempster规则无法应用。
三、文献综述
3.1 多传感器监控系统中的证据框架
André等人（2015）针对多传感器监控系统中的目标检测、定位和跟踪问题，提出了一个完整的置信函数处理框架。
建模：对于检测和轨迹的位置不精确性，采用一致型BBA（consonant BBA）进行建模。其特点是所有焦点元素嵌套包含，即 A_1 \subset A_2 \subset \cdots \subset A_k，焦点元素的形状由传感器物理特征决定（如相机产生环形扇区，PIR产生圆形区域）。先验地形知识（建筑物、道路）通过范畴型（categorical）或简单型（simple）BBA融入系统。
关联准则：在多目标跟踪中，需要将新的检测 d_j 与已有轨迹 t_i 进行关联。论文提出基于Pignistic概率的关联准则：
该准则避免了似然度准则对大基数焦点元素的偏向。
结果：与概率网格方法、卡尔曼滤波和区间分析方法相比，置信函数方法在定位精度上表现最优。主要原因是它能够精确建模各种几何形状的不精确性，而其他方法通常假设高斯分布或矩形区域。
3.2 马尔可夫场上下文中的多传感器图像分割
Bendjebbour等人（2001）首次将证据理论与隐马尔可夫场（Hidden Markov Field，HMF）结合，解决多传感器图像分割问题。
背景：经典的贝叶斯HMF方法要求每个传感器对每个像素给出完整的类别概率分布。但在实际应用中，某些传感器可能无法提供完整信息。典型例子是光学卫星图像中的云层遮挡：被云层覆盖的区域无法获得地表类别信息，但我们知道该区域"不是云"，可能是水域或森林。
建模：论文将这种情况建模为对复合假设的质量分配。设类别集合为 \Omega = \{\text{水域}, \text{森林}, \text{云}\}，对于被云遮挡的像素，证据传感器分配 m(\{\text{水域}, \text{森林}\}) > 0，表示"确定不是云，但无法区分是水域还是森林"。这种建模方式比强制给出概率分布更符合实际情况。
结果：论文证明了一个关键性质：将证据传感器与贝叶斯传感器融合后，得到的联合分布仍然是马尔可夫分布。这意味着所有经典的分割算法（MAP、MPM、ICM等）仍然可以使用，无需重新设计算法框架。
论文还提出了ICE-KERNEL方法用于广义混合模型的参数估计，实现无监督分割。这使得方法可以在不需要训练样本的情况下工作。
在SPOT光学图像与ERS雷达图像的融合实验中，证据MPM方法的错误率为6.8%，显著优于仅使用贝叶斯传感器的MPM方法（8.5%错误率）和逐像素方法（15-17%错误率）。空间上下文信息（马尔可夫场）和证据建模的结合带来了明显的性能提升。
3.3 医学图像分类中的部分体积效应处理
Bloch（1996）阐述了Dempster-Shafer理论在医学图像融合中的应用，特别关注部分体积效应（partial volume effect）的处理。
部分体积效应：在医学成像中，由于有限的空间分辨率，一个体素（voxel）可能包含多种组织类型。例如在脑部MRI中，位于白质和灰质交界处的体素会同时包含两种组织的信号，其测量值是两者的混合。传统分类方法将每个体素强制分配到单一类别，无法正确处理这种情况。
建模：与机械地将概率转换为质量函数不同，论文提出根据图像的物理特性来选择焦点元素。对于双回波MRI脑图像，设类别集合为 \Omega = \{C_1(\text{白质}), C_2(\text{灰质}), C_3(\text{病变})\}：
第一回波（T1加权）无法区分白质和病变，因为它们的信号强度相似。因此质量分配为：
第二回波（T2加权）无法区分脑组织和脑室，质量分配为：
这种建模方式直接反映了每种成像模态的物理限制。
决策规则：论文提出一个新规则：在所有假设（包括复合假设）上取最大可信度进行决策。这个规则的优势是能够显式检测部分体积效应区域：当某个像素被分类为复合假设 \{C_1, C_3\} 时，说明该像素位于白质和病变的过渡区域。
结果：论文发现在复合假设上分配质量会降低组合时的冲突因子 K，这解释了为什么病变区域的冲突通常较低，因为病变的模糊边界自然地导致了复合假设的使用。
3.4 基于数学形态学的置信函数定义
Bloch（2008）提出使用数学形态学运算来定义置信函数，建立了这两个数学领域之间的深刻联系。
数学形态学基础：数学形态学是基于集合论的图像处理方法。给定结构元素 \mu，两个基本运算是腐蚀（erosion）e_\mu 和膨胀（dilation）d_\mu。对于二值图像，腐蚀使目标收缩，膨胀使目标扩张。它们满足对偶关系：e_\mu(A^c) = (d_\mu(A))^c。
建模：论文建立了形态学运算与置信函数之间的对应关系：
| 数学形态学 | 置信函数 |
|---|---|
| 腐蚀 e_\mu | 可信度 Bel |
| 膨胀 d_\mu | 似然度 Pls |
| 对偶性 | 对偶性 |
| e_\mu \leq d_\mu | Bel \leq Pls |
因此给定初始的精确质量函数 m_0（所有质量集中在单元素上），通过形态学运算引入空间不精确性：
对于两个类别 A 和 B 的情况，复合假设的质量定义为：
论文证明了 m(D) 在空间上等于形态学梯度（即膨胀与腐蚀之差）
结果：在脑MRI分类实验中，使用形态学方法后，复合假设 \{C_1, C_3\} 的决策区域清晰地显示了病变周围的部分体积效应。且纯病变类 \{C_3\} 与混合类 \{C_1, C_3\} 的并集在改变结构元素大小时保持稳定，说明该方法对参数选择具有一定的鲁棒性。
四、批判性讨论
4.1 优势
表达能力：置信函数能够区分"不知道"和"冲突"两种不同的不确定性来源。
- 当 m(\Omega) 较高时，表示证据不足以做出判断
- 当冲突因子 K 较高时，表示不同信息源给出了矛盾的证据
而传统的概率论只有一个数值 P(A)，无法做出这种区分。四篇论文都利用了这一特性来建模实际应用中的不确定性。
建模机制：Bloch（1996）展示了如何根据具体问题选择焦点元素，这比机械地从概率计算质量函数更能适应实际情况。André等人（2015）展示了如何根据传感器的物理特征定义焦点元素的几何形状。
兼容性：Bendjebbour等人（2001）证明了置信函数与马尔可夫场的兼容性，使得经典分割算法可以直接使用。Bloch（2008）建立了与数学形态学的联系，为质量函数的定义提供了新途径。
4.2 局限
计算复杂度：幂集的规模是 2^{|\Omega|}，当类别数量 |\Omega| 较大时，计算和存储成本呈指数增长。André等人（2015）通过自适应辨识框架和BBA近似来缓解这个问题，但对于大规模问题仍然是主要挑战。
冲突处理：当 K 接近1时，归一化会放大小量一致证据的影响，可能导致反直觉的结果。André等人（2015）指出冲突度量对焦点元素的基数敏感：大基数的焦点元素（如接近 \Omega 的集合）更容易与其他证据有交集，因此显示出较低的冲突。
参数选择：形态学方法中的结构元素大小、融合中的折扣因子等参数需要先验知识或者通过大量调试来确定。
五、结论
置信函数理论为多源信息融合提供了强大的数学工具，与概率方法相比，它的核心优势在于能够通过复合假设和对 \Omega 的质量分配来显式表示不同类型的不确定性。
从理论体系看，信念函数提供了多种等价表示形式：质量函数 m、可信度函数 Bel、似然度函数 Pl、共同度函数 q，它们之间存在一一对应的转换关系，适用于不同的计算场景。
在应用层面，信念函数已渗透到多个领域。图像处理中，质量函数场结合邻域建模和数学形态学算子实现空间正则化分割。定位问题中，证据RANSAC和q-松弛方法有效处理异常值。深度学习中，证据神经网络输出质量函数而非概率，Venn-Abers预测器通过信任集值标签增强对噪声标签的鲁棒性。
尽管存在计算复杂度和参数选择的挑战，置信函数理论的种种优点使其成为概率方法的重要补充。未来研究方向包括质量函数的自动定义、与深度学习的融合以及大规模问题的高效算法。
参考文献
[1] C. André, S. Le Hégarat-Mascle, R. Reynaud, "Evidential framework for data fusion in a multi-sensor surveillance system," Eng. Appl. Artif. Intell., vol. 43, pp. 166-180, 2015.
[2] A. Bendjebbour, Y. Delignon, L. Fouque, V. Samson, W. Pieczynski, "Multisensor image segmentation using Dempster-Shafer fusion in Markov fields context," IEEE Trans. Geosci. Remote Sens., vol. 39, no. 8, pp. 1789-1798, 2001.
[3] I. Bloch, "Some aspects of Dempster-Shafer evidence theory for classification of multi-modality medical images taking partial volume effect into account," Pattern Recognit. Lett., vol. 17, pp. 905-919, 1996.
[4] I. Bloch, "Defining belief functions using mathematical morphology – Application to image fusion under imprecision," Int. J. Approx. Reason., vol. 48, pp. 437-465, 2008.