基于证据理论的遥感影像分类方法.pdfVIP

4．9基于证据理论的遥感影像分类方法 信息工程大学彭天强李弼程 摘要：传统的神经网络遥感影像分类方法只利用了像元自身的信息，没有考虑影像的空间相关 性，容易出现错误的分类结果．本文把影像的空间信息融入分类决策，提出了一种基于证据理 论与神经网络的遥感影像分类方法．首先，对原图像作平滑处理，得到原图像的平滑图像：其 次，论文利用神经网络对原图像及其平滑图像分别进行训练、分类：再次，利用证据理论对它 们的分类结果(决策)进行融合；最后，把融合结果(决策)作为原图像的最终分类结果．实 验结果与性能比较表明，新方法是有效的。提高了影像的分类精度． 关键词：BP神经网络，遥感影像分类，平滑图像，证据理论，信息融合 一、引言 ． 人工神经网络在模式识别领域有着广泛的应用，近年来也被大量应用于遥感影像分类…。 由于人工神经网络从一开始就可以模仿人的学习能力，它不需要基于任何分布假设，可以很容 易综合考虑各种信息，分类精度也较高，因此它一出现便受到了广泛的欢迎。传统的神经网络 遥感影像分类方法都是基于像元的[5][“，即要判断一个像元属于哪一类．完全根据该像元自身 的信息．不考虑其周边像元的信息。大量的分类实践证明，利用单一的信息进行判断，往往不 能获得理想的分类效果[7]。根据遥感影像人工判读的规律，模式分类往往需要综合许多信息， 比如灰度变化、纹理特征、甚至人文地理信息。由于地物分布具有一定的连续性．所以遥感影 像相邻像元之间存在一定的相关性，因此相邻像元可以提供有利于分类的参考信息M。 为了进一步改善分类效果，提高分类精度。论文提出了一种基r证据理论与神经网络相结 合的遥感影像分类方法。首先．对原图像作平滑处理，得剑原图像的平滑图像。由于遥感影像 的象素之间具有空间相关性，平滑图像包含了原图像的空间信息。其次，利用神经网络对原图 像及其平滑图像分别进行训练、分类。从而，对于同一像元，得到了两个分类结果(决策)。 这两个分类结果可能是相互支持的，也可能是相互矛盾的，也就是存在不确定性。再次，为了 提高分类结果的准确性、可靠性与稳健性，本文把这两个分类结果分别看成两个证据，利用证 据推理方法lH-15]对它们进行融合。蹑后．把融合结果(决策)作为原图像最终分类结果。实验 结果与性能比较表明，新方法是有效的，提高了影像的分类精度。 二、BP神经网络 BP神经网络是前馈型神经网络中研究的是为成熟且应_l{j晟广的一种网络，本文采用隐含层 为一层的BP神经网络【9l。 1．多层B-P网络的结构 隐含层为一层的BP网络的结构如图1所示。网络共分为二层：f为输入层节点，，为隐 层竹点，k为输出层节点。网络的每个输入节点表示遥感影像的一个波段数据(灰度值)，输 }iJ节点表示分类号，分类判决采用输出最大值法。网络节点的激发函数采用Sigmoid函数， 2．B--P神经网络训练学习算法 定义网络的学习误差函数为 1 E={∑“一Y。)2 … ．168． 簟入屡 们 ■出品 图I鞠含层为—层的BP网络韵结构 式中，dI表示网络的期望输出，Y女表示网络的实际输出。于是可推出各层权值修止公式如下 (I)臆禽罢与-出层 玩=Yk(1一yI)(d★一YI) (2) w业(f+1)=w肚O)+刁巧IyJ· (2)输入层与瞻含层 (3) w，(H1)=～(，)+q6jy，，t=y，(1-y，)∑瓯wⅡ I 式中，叩为学习率，坑，5，为修正值。 三、基于证据理论与神经网络的遥感影像分类方法 1．证据理论 证据理论是一种不确定性推理方法，近年来有了很人发展，正受到越来越多的关注。证据推 1976年推广并且形成证据推理f”I，因此又称为D-S理论。 些互斥且穷举的元素组成。对于问题域中任意命题爿，都应属于幂集