基于纹理信息与神经网络的遥感影像分类资料.docVIP

基于纹理信息提取与神经网络分类方法的遥感影像分类 目录 1 实验目的 3 2 实验原理 3 基本概念 3 原理阐述 4 技术路线 7 3、实验设备与数据与研究区域 7 4、实验过程 8 4.1 数据预处理 8 4.1.1 数据裁剪 8 4.1.2 辐射校正（包括辐射定标和大气校正） 8 4.2 数据融合 10 4.3 训练样区的选择 11 4.3.1打开Google Earth影像作为训练样区选择的参照 11 4.3.2 建立兴趣区 12 4.3.3 训练样区的选择 13 4.3.4 训练样区的评价 14 4.4 基于光谱信息的神经网络分类 14 4.5 分类后处理 18 4.6 分类精度分析 19 4.7 基于光谱信息和纹理信息的神经网络分类 20 4.8 实验结果与评价 25 参考文献 26 基于纹理信息提取与神经网络分类方法的遥感影像分类 1 实验目的 1、通过深入研究遥感影像纹理信息的提取原理与方法，针对研究区影像特征，掌握纹理信息对提高影像分类精度的重要作用。 2、了解ENVI中基于神经网络的影像监督分类方法原理，采用纹理信息与神经网络分类相结合的方式，对研究区影像进行分类，与无纹理信息的分类结果进行对比与评价。 3、进一步熟悉影像神经网络分类的原理和方法、训练区选取、分类后处理方法等操作，并根据研究区实际情况进行分类后评价。 2 实验原理 基本概念 神经网络指用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程应用于图像分类。 神经网络算法是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方法。神经网络分类器在遥感影像分类领域得到了普遍的关注。国内外学者发展了多种形式的神经网络模型和算法, 如反向传播网络、模糊神经网络、多层感知网络、Kohonen自组织特征映射网络、Hybrid学习向量分层网络等。网络的输入和输出节点之间通过隐含层相连, 节点之间通过权重连接, 因而这种方法可以将多种数据, 如纹理信息、地形信息等, 方便有效地融合到遥感影像的分类过程中, 增强了分类能力。神经网络是非线性系统, 可以在特征空间构造出分类界面比较复杂的子空间, 因此对非线性可分的特征子空间尤为有效。但是, 神经网络也存在一定的缺点, 如初始权重选择的困难、收敛速度慢、对输入数据的预处理要求高等, 对遥感影像分类结果有重要影响。 目前, 应用和研究最多的是利用反向传播算法( BP算法)训练权值的多层前馈神经网络。该网络的学习训练过程由正向传播和反向传播组成, 在正向传播过程中, 输入信息从输入层经隐含层逐层处理, 并传向输出层,若在输出层得不到期望的输出, 则输入反向传播, 将误差信号沿原路返回, 通过修改各层神经元间的权值, 达到误差最小。一般说来, 隐含层数目和隐含层结点数难以确定, 增加隐含层数目和结点数, 可以提高精度, 且有效地减少局部极小的概率, 但是需要更长的学习时间。神经网络由于具有较强的非线性逼近能力及自适应、自学习能力, 因此可以处理难以用数学模型描述的系统。对于一个特定的问题,通常很难判断哪种网络是最有效的, 因为对于网络类型的选择取决于很多因素, 包括问题的复杂程度以及所研究问题的性质、训练样本的多少、网络的结构、权值和偏置值的数目、误差目标、参数取值等。实际应用中, 一般要根据具体问题,对几种网络进行比较, 选择较为合适的算法。 原理阐述 人工神经网络（Artificial Neural Networks，ANNs），有时也称为计算机神经网络（Computational Neural Networks，CNNs），试图模仿生物神经网络的特点，用以解决一系列信息处理、分析和建模的难题。人工神经网络的主要种类即所谓的前馈网络。 一个典型的前馈神经网络由3个或更多的相互连接的节点构成——一个输入层、一个或多个隐藏的中间层（通常只有1个）和一个输出层。箭头指示信息流方向，从输入到输出传递信息。输入层和隐藏层之间的连接可以用权矩阵W来描述，行/列项值是正或负的实数权重，或如果不存在联系时为零。同样，隐藏层和输出层的联系也可以被视为一个权矩阵Z，同样由一组权值构成。每种情况下，正权值意味着对源节点或输入节点有关的增强作用，而负权值则对应于抑制作用。 一般来说，隐藏层和输出层的所有节点也同样被连接到一个偏置节点上。例如：在多层次感知器中，分别有一个偏置节点与每个前馈层连接，n个输入节点，一个带有m个隐藏节点的隐层，和p个输出节点，权重矩阵W和Z的维数分别为和。 输入数据根据其权重矩阵的值来加权并在隐藏层中进行组合（主要是求和）。之后这种加权求和由已知的一种激活函数g来修改。可以采用不同的激活函数，但是空间分析中最常用的是logistic或sigmoid函数。 这种过程