基于BP神经网络的遥感图像分类.pdf-资料库

weixin_38679839-12113950-4744302543296326003.pdf-第1页.png

第1页 / 共6页

weixin_38679839-12113950-4744302543296326003.pdf-第2页.png

第2页 / 共6页

weixin_38679839-12113950-4744302543296326003.pdf-第3页.png

第3页 / 共6页

weixin_38679839-12113950-4744302543296326003.pdf-第4页.png

第4页 / 共6页

weixin_38679839-12113950-4744302543296326003.pdf-第5页.png

第5页 / 共6页

weixin_38679839-12113950-4744302543296326003.pdf-第6页.png

第6页 / 共6页

http://www.paper.edu.cn 基于 BP 神经网络的遥感图像分类王文文，郭嗣琮，李先，张兴娟，赵晶晶辽宁工程技术大学测绘与地理科学学院，辽宁阜新（123000）摘要：为了研究神经网络在遥感分类中的应用，从神经网络的特点和其它的遥感分类方法的比较上，说明神经网络应用遥感分类有着独特的优势，并对特定遥感影像分别用传统的分类方法和 BP 神经网络算法做分类处理，结果显示后者具有较高的分类精度，应该得到广泛的应用。关键词：遥感；图像分类；BP 神经网络 1. 引言遥感技术是通过对遥感传感器接收到的电磁波辐射信息特征的分析来识别地物的，这可以通过人工目视解译来实现，或用计算机进行自动分类处理，也可以那个人工目视解译与计算机自动分类处理相结合来实现。因此用计算机多遥感图像进行地物类型识别是遥感图像数字处理的一个重要内容【1】。自 20 世纪 70 年代以来，遥感数字图像分类处理计算机识别一直是遥感技术及相关领域学者关注的问题【2】，其目的在于通过计算机对遥感图像像元进行分类，达到自动识别地物的目的。遥感图像分类是基于数据文件值，把像元分选胃许多有限单个数据类的过程。遥感图像分类算法的核心就是确定判别函数和相应的判别准则。图像的分类过程就是模式识别的过程，遥感图像分类的任务是通过对各类地物的光谱特征分析来选择特征参数，将特征空间分为互不重叠的子空间，然后将影像内各个像元划分到各个子空间中去，从而实现分类。所以长期以来，遥感图像的分类方法都以统计学模式为主。统计模式识别方法是以试验样本在特征空间中的类概率密度函数为基础的，其经典的分类方法有Bayes分类、最大似然分类、 C一均值聚类算法和ISODATA聚类算法等。由于遥感图像的多特征性，应用上述分类方法经常发生分类精度达不到要求的情况。模式识别方法的另一个重要分支是利用人工Artificial Neural Network，ANN)分类方法。 1992年，Simpson提出了用于分类的模糊最小一最大神经网络(Fuzzy Min—Max Neural Networks)。Simpson 总结了模式分类器的八点关键属性，并强调指出：分类软硬性(Soft and HardDecisions)，即一个分类器应该能够提供模糊的和二值的分类输出，是对高精度模式分类器的重要指标【3】。神经网络具有信息的分布式存储、并行处理、自学习和自组织等功能，并将多源信息特征构成的高维特征空间进行“整合”处理即多维信息融合，用于目标识别无疑会更加有效。因此，本文在研究神经网络的基础上，应用 BP 神经网络法。 2. BP 神经网络的基本原理人工智能神经元网络方法（简称神经网络方法）是利用计算机模拟人类学习的过程，建立输入和输出数据之间联系的程序。这种程序模仿人脑学习的过程，通过重复的输入和输出训练，来增强和修改输入和输出数据之间的关系。通常人工神经元网格包括三个曾，即输入层、输出层和隐含层。神经元网络模型用于模拟人脑神经元活动的过程，包括对信息的加工、处理、存储和搜索的等的过程。它具有分布式存储信息，对信息的处理及推理的过程具有并行的特点，对信息的处理具有自组织、自学习等的特点。目前采用的神经网络模型的多种多 - 1 -

http://www.paper.edu.cn 样，如 BP、Hopfield、ART、自组织特征映射模型等。这里主要介绍典型的前馈型网络（BP 神经元网络）模型对遥感影像进行分类。 BP 神经元网络适用于多层网络的学习，对网络中各层的权系数进行修正，是一种具有导师指导的模型，建立在梯度下降法的基础上。它含有输入层、输出层以及处于输入层和输出层之间的隐含层。虽然隐含层不和外界连接，但是它们的状态影响输入和输出之间的关系，改变隐含层的权系数，可以改变整个多层神经网络的性能，其结构见图 1 所示。输入层输出层隐藏层图 1 BP 神经网络结构示意图反向传播算法分两步进行，即正向传播和反向传播。正向传播时，输入的样本从输入层经过隐单元一层一层进行处理，通过所有的隐含层之后，传向输出层；在逐层处理的过程中，每一层神经元的状态只对下一层神经元的状态产生影响。到输出层时，再把现行输出和期望输出进行比较，如果现行输出不等于期望输出，则进入反向传播过程。反向传播时，又把误差信号按原来正向传播的通路方向传回，并对每个隐含层的各个神经元的权系数进行修改，从而使误差信号趋向于最小。 BP 神经网络算法用于遥感影像分类的过程为： 2.1 样本训练样本训练的目的是求出满足一定误差条件的权矩阵。设输入层为 n 个已知分类结果的像元（Ri, Gi, Bi）值，期望输出为各像元所对应的分类结果，由数学表达式为一个单位方阵，如第一类就表示为（1，0，…，0），即：输入期望输出（R1, G1, B1）第一类（1，0，…，0）（R2, G2, B2）第二类（0，1，…，0） … … … （R3, G3, B3）第三类（0，0，…，1） - 2 -

设一个神经元网络，在输入层加有样本 X；第 K 层的 i 神经元的输入总和为 Uk i,从第 K-1 层的第 j 各神经元到第 k 层的第 j 神经元的权系数矩阵为 Wij，各个神经元的激发函数为 f，输出为 xi k，各个变量的关系可用下面数学式表示： http://www.paper.edu.cn Uk n + i= 1 ∑ j 1 = W X ij k j 1 − 式中， nX − k 1 + =1, 1 j nW θ+ = − 。 , 1 X f U= ( ) k i 样本训练的具体过程为：（1）对权系数 Wij 置初值。对各层的权系数 Wij 置一个较小的非零随机数，其中 k i j nW , θ+ = − 1 （θ为阈值）。（2）给定训练数据集，即为样本提供输入向量 X 和期望输出 Y。 k k iU 公式和 iX 公式可计算各层的实际输出 k （3）通过 id 。（4）求各层的节点 i 的学习误差 k k X Y )( − i i ∑ (1 − − = d k i { k X i ), 当为输出节点 k 1 − X (1 x ) W X , 当为隐含节点 i k x i k i i k i ix 。 ij i j （5）修正权系数 ijW 和阈值θ。一般计算公式为： W (t 1) W (t) + = ij ij d Xη − k 1 + j k i 式中，η为大于零的增益，一般取值为 0.2~0.6。当使用冲量时，修正系数公式可采用下式： W (t 1) W (t) d X k η + ij i W (t) k 1 α− ∆ + ∆ j + = = η ij d X k i k 1 α− + ∆ j − = ij ij W (t) ij W (t 1) W (t) W (t 1) − − ij ij 式中，α为动量因子，0<α<1。（6）当求出了各层各个系数之后，可按给定误差指标判别是否满足要求。如果满足要求，则算法结束；如果未满足要求，则返回（3）执行。 2.2 模式识别在样本训练完毕后，权矩阵已经满足要求。此时，将影像上的任何一个像元的（R，G， B）值作为输入向量，通过计算得到输出向量，向量分量对应于该像元在各个事先指定的各个分类类型的概率值，其中最大的概率值所对应的类型即为改像元所属的类型【1】。 2.3 神经网络分类的优点神经网络分类具有不少的优点，主要体现在：（1）神经网络是模拟大脑神经系统储存和处理信息过程而抽象出来的一种数学模型，它具有良好的容错性和鲁棒性，可通过学习获得网络的各种参数，无需像统计模式识别那样对原始类别做概率分布假设，这样对于解决类别分布复杂、背景知识不够清楚的地区尤其有效。 - 3 -

http://www.paper.edu.cn （2）在输入层和输出层之间增加了隐含层，节点之间通过权重来连接，且具有自我调节能力，能方便地利用各种类型的多源数据（遥感的或非遥感的）进行综合研究，有利于提高分类精度。（3）判别函数是非线性的，能在特征空间形成复杂的非线性决策边界，从而能解决非线性可分的特征空间的划分。（4）采用神经网络进行算法进行遥感影像分类，可以在一定程度上消除传统的遥感影像分类所带来的模糊性和不确定性。（5）同时已经过训练的神经网络所具有的速度不会低于传统的遥感影像分类方法，如果隐节点的数目选择合适，神经网络模型的建立合理，速度还会超过传统的遥感影像分类方法。 3. 用 BP 神经网络分类与传统分类方法结果比较图 2 分类前的原始图像 - 4 -

http://www.paper.edu.cn 从分类结果可以看出 BP 神经网络的分类结果较好，相比起传统的分类方法尤其独特的优势，弥补了传统分类方法的不足。 - 5 - 图 3 最大似然法分类结果图 4 BP 神经网络分类结果

http://www.paper.edu.cn 4. 结论通过上述对 BP 神经网络应用于遥感图像分类的讨论和分类结果的对比，可以得出如下结论：（1）由于遥感图像本身的复杂性，使得我们在具体的分类工作中，选用适合问题的模型，使分类结果达到最好。（2）BP 神经网络模型在遥感图像的分类方面有着独特的优势，并且通过实践验证取得了良好的效果，是遥感信息提取的一种有效的途径，应当广泛的应用。参考文献 [1] 袁金国. 遥感图像数字处理[M]．北京：中国环境科学出版社，2006． [2] 潘东晓．遥感图像的神经网络分类法[J]．国土资源遥感，1996，129(3)：49～55． [3] 俞能海，杨扬，刘政凯．用于遥感图像分类的简化并行神经网络[J]．电路与系统学报，2002，7(4)： 62～63． [4] 王庆光，潘燕芳．基于 BP 神经网络的湿地遥感分类[J]．韶关学院学报·自然科学，2007，28(3)：72～ 75． [5] 贾永红，张春森，王爱平．基于 BP 神经网络的多源遥感影像分类[J]．西安科技学院学报，2001，21(1)： 58～60． Study on classification of remote sensing based on BP neural network Wang Wenwen, Guo Sicong, Li Xian, Zhang Xingjuan, Zhao Jingjing Department of Surbey and Geography Science, Liaoning Technology University, Fuxin, Liaoning (123000) Abstract In order to study the applications of neural networks in the classification of remote sensing, from the compare between the characteristics of neural network and other remote sensing methods of classification, the application of remote sensing classification neural network has unique advantages, and specific remote sensing images were using traditional methods and the classification of BP Neural network classification algorithm to do, the results show that the latter has a higher accuracy of the classification, should be widely used. Keywords: Remote sensing, Classification of remote sensing image, BP neural network 作者简介：王文文，女，1987 年生，硕士研究生，主要研究方向摄影测量与遥感；郭嗣琮，男，1951 年生，教授，主要研究方向为人工智能、模糊控制、工程模糊信息处理技术、系统预测与决策技术等。 - 6 -

资料库

基于BP神经网络的遥感图像分类.pdf

相关推荐

开发技术

热门标签

最新资料