用于遥感图像分类的简化并行神经网络.pdfVIP

第7 卷 第4 期 电路与系统学报 Vol.7 No.4 2002 年12 月 JOURNAL OF CIRCUITS AND SYSTEMS December, 2002 文章编号 1007-0249 (2002) 04-0062-05 用于遥感图像分类的简化并行神经网络* 俞能海, 杨扬 刘政凯 中国科学技术大学 信息处理中心 安徽 合肥 230027 摘要 本文通过分析遥感图像各类样本的分布特征 提出了一种适用于遥感图像分类的简化并行神经网络 (RPNN) 该网络包括了多个彼此相似的原子网络, 每一类样本通过一个或多个专门的原子网络作预处理 从而大大提 高了整个网络的动态性 实验结果表明 简化并行神经网络(RPNN )能够并行识别复杂的遥感地物样本 并能够取得 较高的分类精度 关键词 遥感图像分类 神经网络 简化并行神经网络 中图分类号 TP39 文献标识码 A 1 引言 用于解决模式识别问题的一般数学方法有两类 统计学模式及句法模式 [ 1] [2] 由于遥感图像分类 主要是针对二维遥感图像的分类 因此 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- 均值聚类算法和ISODATA 聚类算法等 模式识别方法的另一个重要分支是利用人工神经网络(Artificial Neural Network, ANN)分类方法 1992 年 Simpson[3] 提出了用于分类的模糊最小-最大神经网络 (Fuzzy Min-Max Neural Networks) 在[3] 中 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 Hard Decisions) 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 模糊模式分类方法 是将多光谱训练样本空间进行预处理 把一维多谱段信号转化为针对各类的 隶属度值 并期望分类器能学习对各样本的模糊输出 但是 实验证明 两种经典的遥感图像模糊分 类器 都难以达到整体 85% 以上的分类精度 这两个分类器分别是基于 Min-Max 的遥感图像模糊分 类器和基于经典 BP Back Propagation 算法的前馈模糊多层感知机 Fuzzy Multi-layer P erceptron, FMLP [4]给出基于 Min-Max 的遥感图像模糊分类器 其对于Landsat TM 图像分类精度如表1.1 关于第二种基 表1.1 基于Min-Max 的遥感图像模糊分类器TM 图像分类结果 于经典 BP 算 分类结果 正确率 法的 FMLP [5] 区域类别2 区域类别2 区域类别3 区域类别4 % 区域类别1 183 10 0 0 94.82 [6] 利 用 区域类别2 14 871 55 0 92.66 Lisbon 区域类别3 17 96 164 235 32.03 区域类别4 0 16 119 518 79.33 Landsat TM 图像中5500 个6 波段 16 类地表遥感分类样本进行了测试 全部5500 个样本分为两组