一个基于SOFM网络模型的遥感图像分类方法.pdfVIP

第 18 卷　第 6 期 遥　感　技　术　与　应　用 V ol. 18　N o. 6 2003 年 12 月 REM O T E SEN S IN G T ECHNOLO GY AND A PPL ICA T ION 　　　　 D ec. 2003 一个基于 SO FM 网络模型的遥感图像分类方法 1, 2 1 1 毛克彪 , 覃志豪 , 张万昌 ( 1. 南京大学国际地球系统科学研究所, 江苏 南京　210093; 2. 南京大学城市资源系, 江苏 南京　210093) 摘要: 遥感图像分类一直是遥感研究方面的一个热点问题, 也是遥感图像数据挖掘方面的一个重要 方面。针对传统神经网络分类的弱点, 先根据土地利用图对典型地物的像元值进行取样, 然后用监 督分类对纯净像元进行提取, 最后利用自组织神经网络对剩余混合像元进行分类, 从而避免了对纯 净像元的误分, 而且克服了传统神经网络的不足。利用 SO FM 网络模型对民乐县的遥感影像进行 了分类并和传统的神经网络分类以及对应的土地利用图做了比较, 用 SO FM 网络模型有效地提高 了分类精度。为了保证分类精度, 对地形和大气做了精校正。 关　键　词: 神经网络; 自组织映射; 混合像元; 纯净像元; 数据挖掘 中图分类号: T P 75　　文献标识码:A 　　文章编号:(2003) 加以拓展才能更好地分析复杂的空间对象。 1　引　言 〔13～ 15〕 由于单一的神经网络存在一些问题 , 在实 遥感图像的一个主要研究内容就是分类, 将各 际中需要凭经验而定。例如如何选择网络节点数、初 种地物划分出来, 最终目的是识别地物。但由于受到 始权值和学习步骤、过学习和欠学习。训练样本选择 许多条件的限制, 例如大气、地形、分辨率以及混合 是否在信号空间上具有代表性对网络的训练影响非 像元的影响, 分类精度一直不是太高。许多科研人员 常大, 样本选择适量将减少训练的时间, 提高分类精 为了提高分类精度, 提出了许多分类算法。主要分为 度, 所以样本的随机性也很重要, 这些因素都会给网 两种, 监督分类和非监督分类, 而且已经深入到对亚 络带来一些不确定性的因素。另外网络学习效率、目 〔1～ 6 〕 像元级的研究 。 标误差、最大循环次数对于网络的学习训练也有影 数据挖掘是指从巨量的、有噪音的、随机的数据 响, 需要经过多次实验和经验才能够实现合理的选 中提取有效的、新颖的事先未知而又潜在有用的信 择。 〔7 〕 息 , 借助数据挖掘技术提高遥感数据的地物分类 针对单一的神经网络分类方法存在的问题, 很 〔15〕 和目标识别已成为遥感研究领域的热点之一。由于