基于神经网络工具箱的遥感影像分类.doc

基于神经网络工具箱的遥感影像分类 徐宗秋，张建平，赵泉华 辽宁工程技术大学测绘工程系，辽宁阜新（123000） E-mail: zhongqiuaa@163.com 摘 要：遥感影像分类技术是遥感影像分析与解译的重要环节之一，由于传统遥感影像分类 方法存在不足，故采用 BP 神经元网络进行遥感影像分类研究。阐述了算法原理、实现步骤 以及改进方法。通过实验示例，将 BP 神经元网络的分类结果与传统统计方法分类结果进行 比较，获得了有意义的结果。 关键词: 人工神经网络，BP 神经元网络，遥感影像分类 中图分类号：P2 引言 目前，遥感技术已成为当前人类研究地球资源环境的一种有力技术手段。在遥感技术的 研究中，通过遥感影像判读识别各种目标是遥感技术发展的一种重要环节，无论是专业信息 提取、动态变化预测，还是专题地图制作和遥感数据库的建立等都离不开分类，因此，对遥 感影像分类方法的研究是很有意义的。最常用的遥感影像的分类处理方法是基于影像数据所 代表的地物光谱特征的统计模式识别法。但有时其效果不太令人满意。因为该方法只是根据 各波段灰度数据的统计特征进行的，加上卫星遥感光谱数据由于空间分辨率比较低，因而一 般带有综合光谱信息的特点，致使计算机分类面临着诸多模糊对象。简单按灰度数据进行分 类，常常使人看到混淆不清的结果。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、存储和搜索等过程。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、自组织、自学习等的特点。目前采用的神经网络模型多种多样，如 BP、 Hopfield、ART、自组织特征映射模型等。本文将采用典型的前馈型网络(BP 神经元网络)模 型对遥感影像进行分类处理。 遥感影像分类的基本理论 模式识别理论 模式识别是随着计算机科学的发展而逐渐壮大起来的，随着人类工业化的进程，越来越 多的对象需要简单、准确、及时的识别。为了减轻人们工作强度，避免某些工作的危险性， 人们希望机器具有类似人的识别能力。模式的识别能力对人类看似极为平常，计算机出现之 后，当人们企图用计算机来模拟人类的识别能力时，这种困难才逐渐被人们认识，因为人或 动物具有的识别能力是非线性、识别速度是实时的且具有学习和推理性，而机器识别目前仍 较多停留在线性、串行处理上且不具有智能推理，所以目前模式识别的研究水平仍停留在较 低的层次上。模式识别的基本方法有：统计模式识别、句法模式识别、模糊模式识别、人工 神经网络方法[2]。 遥感影像的主要分类方法 监督分类是在已知类别的训练场地上提取各类别训练样本，通过选择特征变量、确定判 别函数或判别式（判别规则），进而把影像中的各个像元点划归到各个给定类的分类。主要 有最小距离分类法、神经网络分类法、模糊分类法和贝叶斯判别分类法等。 非监督分类是在没有先验知识（训练场地）的情况下，根据影像本身的统计特征及自然 - 1 -  点群的分布情况来划分地物类别的分类处理，事后再对已分出的各类的地物属性进行确认， 也称作“边学习边分类法”。主要有动态聚类、模糊聚类法、系统聚类法和分裂法等[3]。 纹理特征 纹理是物体表面结构的模式，例如木材，水泥，沙子，玻璃等。纹理可以认为是许多基 本纹理小单元的重复，这些小单元可称为纹理元，它通常包含多个像素。对纹理的描述方法 分为统计的和结构的两类方法。统计方法主要用于分析木纹、沙地、草坪等纹理细且不规则 的物体，根据统计特性提出特征[5]。结构分析特别适用于印刷图案如布料，花砖一类，其纹 理和排列比较规则。特征是希望用少量有限的数据来表达一幅图像或图像小区所载有的纹理 信息。 Matlab 下遥感影像分类试验 遥感影像分类的流程 本文选取的是 1：10000 的全色遥感影像为例来进行试验的。 1)首先，进行直方图修正技术使图像具有统一的均值和方差，以部分消除光照条件的影 响。 2）然后按照类别从图像中找出20－30个左右大小大致为80*80象素左右分别有居民地、 农田、菜地等具有代表性的采样样本，应用 Matlab 软件对图像进行处理并计算各自的特征 值及其特征值的平均值。图 3-1 中 a、b、c 分别为菜地、农田和居民地的采样样本（部分）。 模板窗口的大小取 8*8~20*20 这样的范围内，窗口如果取的过小则程序的运行效率低，并且 对某些特征的提取来说也会造成负面影响，这是因为大多数特征是统计特征，当窗口中的像 素较少时统计值就会存在一定的随机性。如果窗口取的较大则分类精度较低，特别是在不同 地物的边界处就会出现明显的马赛克现象。 3）应用计算出的特征值，采用 BP 神经网络分类器来实现对影像的监督分类，首先， 设置输入层神经元 71*3，输出层为三维矩阵[1 0 0]、[0 1 0]、[0