基于BP神经网络的高分辨率遥感影像分类处理.pdfVIP

基于BP神经网络的高分辨率遥感影像分类处理 杨 希 基于BP神经网络的高分辨率遥感影像分类处理 杨 希 (中铁第四勘察设计院集团有限公司工勘院 武汉 430063) 【摘 要】 为了能从高分辨率遥感影像中有效提取地物信息，本文顾及影像的光谱和纹理特征，尝试利用 BP神经网络算法进行影像分类研究。首先提取分类所需的光谱和纹理特征源；然后根据影像和地物特 征，建立BP神经网络，用于样本训练和分类处理，实现地物分类。为验证该方法的可靠性，选用2006年 l1月获取的四川省成都平原某区域的QuickBird影像作为源数据，并以总体精度和Kappa系数作为精度 评定指标，进行高分辨率遥感影像的地物分类实验。结果显示，结合影像光谱和纹理特征的BP神经网络 分类方法，不仅可以达到较高的分类精度，还能有效保证 BP神经网络分类训练的稳定性和收敛速度。 【关键诵】 地物分类 光谱特征 纹理特征 BP神经网络 理时，该方法能获得很好的分类结果和分类精度。 1引 言 本文尝试采用BP神经网络方法对全色分辨率 为0．61m 的QuickBird影像进行分类处理 ，提取影 自20世纪 70年代以来，随着卫星遥感技术的 像中的各类地物信息。分类时，为充分地利用高分 广泛发展和应用，卫星影像的分辨率得到了不断提 辨率影像的光谱和空间信息，提取影像的光谱特征 高，从 1．1km 的NOAA气象卫星影像发展到 30m 和纹理特征作为分类的特征源 ，以BP神经网络方 的LandsatTM影像 、10／20m的SPOT影像 、以及全 法对四川I省成都市某平原地区(图1)影像进行分类 色波段 lm的 IKONOS影像 、0．61m 的QuickBird 处理，提取该区的地物信息。 影像及0．46m 的WorldView2影像等，逐渐呈现 出 米级分辨率的趋势。高分辨率遥感影像成为当今 遥感领域的主要数据资料，它借助获取速度快、空 问分辨率高、地物信息详尽及可提供立体影像等特 点，已表现出逐步取代中低分辨率影像的趋势，并 在商业和民用 的很多领域中发挥出重大作用 。对 高分辨率遥感影像进行分类处理，提取出其中丰富 的信息资源 ，可进行各类实际的生产和应用 ，如城 市规划与研究、土地利用／土地覆盖类型调查与监 图 1 测区QuickBird(真彩色和全色)影像 测、环境监测与质量分析、农业产量评估和病虫害 监则、自然灾害的实时监测等。 2高分辨率遥感影像预处理 BP(Back．popagation)神经网络分类法是一种非 参数的分类方法，比之基于传统统计理论的分类方 所选测区的QuickBird影像，其各多光谱 (蓝、 法，它不需要对 目标的概率分布函数作某种假定或估 绿、红和近红外)波段影像中包含了 型． 干 昌 州 兀 计，具有 良好的适应能力和复杂的映射能力 ，故在 谱信息，并且在其 0．61m分辨率的全 波段影像 中 进行以数据量多、含混度高著称的遥感影像的分类处 地物的空间结构信息清晰。因此，首 对高分辨率 ． 铁道勘测与设计 RAILWAYSURVEYANDDESIGN ~011(3)囡 0●稍■I 道l曩勘测与设计 影像数据进 ．亍预处理操作，获取分类所需的光谱特 QuickBird影像，也可能存在某种纹理量不适合的情 征源和纹理特征源。 况。因此，在将纹理特征引入分类处理之前，需要基 2．1光谱特征获取 于 QuickBird影像