神经网络在遥感图像分类中地应用.pdfVIP

神经网络在遥感图像分类中的应用 祁增营，王京 辽宁工程技术大学测绘与地理科学学院，辽宁阜新（123000 ） E-mail: qizengying@163.com 摘 要：结合人工神经网络的特性，介绍神经网络在遥感图像处理领域中的应用现状，重点 分析了遥感图像分类模型、并对模型进行了对比分析，利用EARDAS 软件进行遥感图 像分类，通过实验分析神经网络在遥感图像分类的优势。初步提出结合遗传算法和模 糊理论的神经网络模型，对神经网络在遥感图像分类领域的发展趋势进行了探讨。 关键词：人工神经网络，遥感影像分类，分类模型 1. 引言 神经是大脑的细胞，其主要功能是收集，处理和分发电信号。人类大脑采用连通的神经 元来处理接收到的信号，神经网络模拟了这一过程。它不是通过分步算法或复杂的逻辑程序 来求解的，而是通过调整网络中连接神经元的权重，采用非算法，非结构的形式来实现的。 神经网络已用于对各种遥感数据进行分类，而且其分类结果优于传统的统计方法。这些成功 可以归因于神经网络的两大有点：1）不要求数据正态分布；2 ）自适应模拟具有特定拓扑结 构的复杂非现性模式的功能。人工神经网络[1] (ANN ，简称神经网络)作为一种由大量简单神 经元广泛相互联接而成的非线性映射或自适应动力系统，恰好能有效解决遥感图像处理中常 见的困难，因此它很快在遥感图像分类领域得到了广泛地应用。 2. 神经网络的组成结构和特点 2.1 神经网络的组织结构 典型后向传播神经网络的拓扑结构见图。人工神经网络在3 中类型的层中包含有神经元： 图1 神经网络组织结构 该网络包括输入层，隐含层和输出层。输入层可以包含单个训练像元的信息[2]，其中包 括不同波段的百分比光谱反射率和一些辅助信息，如高程，坡度等。每层由互相连接的接点 所组成。这种可连续性使得网络在训练时，信息可以流向多个方向（即，可以发生向后传播）。 这种结点的力（或权重）最终为神经网络所学习并保存。这些权重用于检验（分类）。训练 - 1 - 数据越有代表性，神经网络就越可能在隐含层中调整出映射真实世界的权重，从而得到精确 的分类结果。输出层可能代表单个的专题图类别比如水体或林地。和监督分类十分相似，人 工神经网络也需要训练和检验，从而提取遥感数据和辅助数据中的有用信息。 2.2 神经网络训练和验证（分类） 在训练阶段，在输入影像中选择性已知（如：农田，山丘上的松树）的特定位置（x,y ） 作为训练样区。然后，采集每个训练样区中每个像元的光谱信息，如红光和近红外波段的光 谱反射率，及其辅助信息，如高程、坡度和坡向等，并送入神经网络的输入层。与此同时， 将相同地点的真实目标（类别）值如农田送往神经网络的输入层。与此同时，将相同地点的 真实目标（类别）值如农田送往输出层，代表该类别神经元的隶属度赋值为1，其他输出神 经元赋0值。需要牢记，由于样本来自特定时间和地点获取的影像及其他辅助数据，所以基 于实例训练的神经网络可能仅适用于研究的区域或特定的季节。这样，我们无法在时间和空 间上对神经网络进行拓展。 采用向后传播算法时，其网络学习通常通过调整权重来实现。对每一训练实例，网络 输出结果都要和真实目标进行比较[6] 。将目标和输出值之间的差异看作是误差，稍后将其送 回网络的前一层来更新连接权重。权重调整的幅度应该和误差绝对值相称，经过多次迭代， 均方根误差变小，当减小至设定的允许值时，继续迭代不会提高网络的性能，这时系统收敛， 训练过程结束。实例中的固有规则以权重的形式存储于隐含层中，用于验证（分类）。 在验证或分类阶段，影像中每一个像元的光谱和辅助数据特征被传递到神经网络的输 入神经元中。神经网络利用存储在隐含层神经元中的权重评价每个像元，最后生成输出层每 个神经元的预测值。每个输出神经元的值在0～1之间，该值给出了像元隶属神经元所在代表 的模糊隶属度等级。用一个局部最大函数去除模糊化，就可以生成一副硬分类结果图，图