基于BP神经网络的遥感图像分类.pdfVIP

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 - 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