基于纹理信息提取与神经网络分类方法的遥感影像分类论文.doc

基于纹理信息提取与神经网络分类方法的遥感影像分类实验目的通过深入研究遥感影像纹理信息的提取原理与方法，针对研究区影像特征，掌握纹理信息对提高影像分类精度的重要作用。了解ENVI中基于神经网络的影像监督分类方法原理，采用纹理信息与神经网络分类相结合的方式，对研究区影像进行分类，与无纹理信息的分类结果进行对比与评价。进一步熟悉影像监督分类的原理和方法、训练区选取、分类后处理方法等操作，并根据研究区实际情况进行分类后评价。实验原理人工神经网络分类方法：BP 网络是前馈多层网络结构，含有输入层、输出层以及处于输入输出层之间的隐含层，隐含层一般为单层。隐含层虽然和外界不连接，但它们的状态影响输入输出之间的关系，也就是说，改变隐含层的权系数，可以改变整个多层神经网络的性能。相邻层次的神经元之间用连接权系数相互连接，而各层内的神经元之间没有连接。神经网络为完成某一特定的任务, 通常采用“训练”的办法。这种“训练”实质上是网络的学习过程, 一般根据事先定义好的学习规则按照提供的特定作业的学习实例，不断调整各节点的连接权重，进而得到样本的输入输出的非线性关系。在BP 神经网络中，引入误差函数(也称能量函数)的概念，公式表示为：其中是期望输出。BP 神经网络通过误差函数的最小化过程来完成输入到输出的映射。BP 反向传播算法分两步进行，即正向传播和反向传播。 （1） 正向传播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, 则传向输出层; 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。在输出层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。（2） 反向传播反向传播时, 把误差信号按原来正向传播的通路反向传回, 反复修改( 迭代) 各节点的权重和阈值,逐渐减小误差, 直到达到预先设定的要求。当误差小于某一相当小的正数或迭代误差不再减少时, 完成BP 网络的训练、输入与输出映射的确定。在遥感数字图像分类处理中，人工神经网络的输入层神经元表征遥感数据的输入模式。每一个输入层神经元对应于一个光谱波段。每一个输出层神经元则对应于一种土地覆盖类型。神经网络的拓扑结构决定着各神经元与网络层之间的信息传递途径。训练规则利用转移函数实施处理数据的加权和求和，进而训练网络实施模式识别。处理所得的加权和，通过转移函数转换为输出值。作为分类结果，获得最大权重的类别即被认定为输入向量的类别。依据所选择的训练区。实验方法与数据说明数据说明：本实验主要运用的数据为经过处理后的研究区影像。实验原始数据：2003年夏天下载的印第安纳波利斯洲和Marion郡的Landsat7的ETM+影像。数据处理：将研究区Landsat7的ETM+影像1-5，7波段在ENVI中进行影像镶嵌（镶嵌后影像分辨率为30m）；将镶嵌后的研究区影像与其第8波段在ENVI中进行HSV影像融合（融合后影像分辨率为15m）。实验方法：实验方案：在经HSV方案融合后的研究区影像上进行监督分类训练样区选择，通过参考Google地图与判别经验，按照土地利用/覆盖类型，选择11类训练样本，包括商业区、交通运输、工业区、水体、住宅区、草地、作物地、休耕地和森林；对所选11类训练样区进行精度评估（分离度分析与N维散度可视分析）；根据样本精度评估结果，进行训练样本类别合并；基于所选训练样本进行影像分类：4.1 基于光谱信息的神经网络分类；①基于经验值参数设置的神经网络分类②基于缺省参数设置的神经网络分类4.2 基于纹理与光谱信息的神经网络分类； ① 纹理信息提取；② 纹理信息与影像集成；③ 基于纹理信息与光谱信息的分类。 4.4 对比分类结果。 5、分类后处理。6、制作土地利用类型专题图技术流程：实验过程训练区选择 监督分类关于类别的数字特性都是从训练样本获得的，所以训练样本的选择要注意准确性、代表性和统计性三个问题。准确性就是要确保选择的样本与实际地物的一致性；代表性一方面指所选择区为某一地物的代表，另一方面还要考虑到地物本身的复杂性，所以必须在一定程度上反映同类地物光谱特性的波动情况；统计性是指选择的训练样本内必须有足够多的像元，以保证由此计算出的类别参数符合统计规律。为了建立分类函数，需要对每一类别选取一定数目的样本，在ENVI中是通过感兴趣区（ROIs）来确定，也可以将矢量文件转化为ROIs文件来获得。本例中使用ROIs方法，打开分类图像，在Display-Overlay-Region of Interest，默认ROIs为多边形，按照默认设置在影像上定义训练样本。在ROIs面板中，选择Option-Compute ROI Separability,计算样本的可分离性。如图所示，表示各个样本类型之间的可分离