基于BP神经网络TM影像分类研究.docVIP

精品论文 参考文献 基于BP神经网络TM影像分类研究 林杰 　　潮州市国土资源测绘队 广东潮州 　　摘要：本文提出了一种基于局部自动搜索和光谱匹配技术的训练样本纯化的BP网络分类方法。利用影像的空间信息在图像局部范围内自动搜索和选择最佳样区位置，再用光谱匹配对寻找到的最佳样区在光谱空间上进一步纯化。从空间和光谱两个角度对样区进行了纯化，使得训练样本更适合遥感图像分类的要求，最后利用BP网络对遥感图像进行分类。实验结果证明，原始遥感图像经过样区纯化算法处理后，目视判读效果和数值分析都表明提高了分类精度。 　　关键词：局部搜索；光谱匹配；训练样本；BP分类；样区纯化 　　Classification of Remote Sensing Image Based on BP Neural Networks 　　LinJie 　　Abstract：In this paper，we proposed a supervised classification method for remote sensing image based on local automatically searching training samples and spectral matching technique.The best training samples have been searched and selected on the whole image by the local spatial information and spectral matching，and then purified them on spectral domains.Both spatial and spectral information are purified to enable the training sample meet the requirement for classification at the best.An experiment for TM image classification based on BP neutral networks has been conducted to validate the procedure.It can be seen from our experiment that the classifying results are improved from the observation of naked eye and the numerical value analysis.So the proposed approach has practical application value to some extend for itrsquo;s simple and high efficiency. 　　Key words：local searching、spectral matching、BP networks. 　　1.引言 　　多光谱遥感图像反映了地物不同的光谱特征，其分类是环境与灾害监测，农、林、土地资源利用等应用的基础。监督分类是多光谱遥感图像常用的分类方法，它主要是以已知地面位置的真实资料（即土地使用/覆盖的真实情况）所记录的光谱特性为依据，进行影像其它未知空间的光谱模式识别[1]。监督分类首先要求在影像上选择训练样本。根据已知训练区提供的样本，依据影像上所记录的光谱值计算出相关的统计信息（像素的均值和方差等），建立判别函数，据此对样本像元进行分类，依据样本类别的特征来识别非样本像元的归属[2]。 　　训练样本选取的原则需要尽量保证样区的同质化，以确保其具有代表性，为同一种类的土地覆盖/使用。同时训练样本数目应能够提供各类足够的信息和克服各种偶然因素的影响，即训练样本最少要满足能够建立分类判别函数的要求。为了正确的区分同质异谱或同谱异质的情况，选取训练样本还必须注意其在光谱空间上的交叉影响程度，即须尽量保持其光谱空间上一定程度的间隔，尽量减少因光谱反射率过于近似而发生分类误判的情形[1]。 　　由于用户知识水平、眼睛分辨能力和影像本身质量的影响，选取的训练样本中通常含有不合要求的像元（如异类像元、非纯像元）。为了提高遥感影像监督分类的精度，需要对训练样本进行纯化，剔除样本中不合要求的像元，使得每一类型的训练样本是由单一类型的纯像元组成[3-5]。本文提出了一个基于局部自动搜索训练样本的纯化算法，首先以手工选择的训练样本为参照，自动搜索和选取最佳训练样本，然后利用光谱匹配技术对最佳训练样本进行进一步的纯化处理。 　　2.基于局部自动搜索和光谱匹配技术的样区纯化 　　2.1最佳样区局部自动搜索