基于纹理信息提取与神经网络分类方法的遥感影像分类论文推荐.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 实验目的 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。 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。 进一步熟悉影像监督分类的原理和方法、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。 实验原理 人工神经网络分类方法： BP 网络是前馈多层网络结构，含有输入层、输出层以及处于输入输出层之间的隐含层，隐含层一般为单层。隐含层虽然和外界不连接，但它们的状态影响输入输出之间的关系，也就是说，改变隐含层的权系数，可以改变整个多层神经网络的性能。相邻层次的神经元之间用连接权系数相互连接，而各层内的神经元之间没有连接。 神经网络为完成某一特定的任务, 通常采用“训练”的办法。这种“训练”实质上是网络的学习过程, 一般根据事先定义好的学习规则按照提供的特定作业的学习实例，不断调整各节点的连接权重，进而得到样本的输入输出的非线性关系。在BP 神经网络中，引入误差函数(也称能量函数)的概念，公式表示为： 其中是期望输出。BP 神经网络通过误差函数的最小化过程来完成输入到输出的映射。BP 反向传播算法分两步进行，即正向传播和反向传播。 （1） 正向传播 输入的样本从输入层经过隐单元一层一层进行处理, 通过所有的隐含层之后, 则传向输出层; 在逐层处理的过程中, 每一层神经元的状态只对下一层神经元的状态产生影响。在输出层把现行输出和期望输出进行比较, 如果现行输出不等于期望输出, 则进入反向传播过程。 （2） 反向传播 反向传播时, 把误差信号按原来正向传播的通路反向传回, 反复修改( 迭代) 各节点的权重和阈值,逐渐减小误差, 直到达到预先设定的要求。当误差小于某一相当小的正数或迭代误差不再减少时, 完成BP 网络的训练、输入与输出映射的确定。 在遥感数字图像分类处理中，人工神经网络的输入层神经元表征遥感数据的输入模式。每一个输入层神经元对应于一个光谱波段。每一个输出层神经元则对应于一种土地覆盖类型。神经网络的拓扑结构决定着各神经元与网络层之间的信息传递途径。训练规则利用转移函数实施处理数据的加权和求和，进而训练网络实施模式识别。处理所得的加权和，通过转移函数转换为输出值。作为分类结果，获得最大权重的类别即被认定为输入向量的类别。依据所选择的训练区。 实验方法与数据说明 数据说明： 本实验主要运用的数据为经过处理后的研究区影像。 实验原始数据：2003年夏天下载的印第安纳波利斯洲和Marion郡的Landsat7的ETM+影像。 数据处理： 将研究区Landsat7的ETM+影像1-5，7波段在ENVI中进行影像镶嵌（镶嵌后影像分辨率为30m）； 将镶嵌后的研究区影像与其第8波段在ENVI中进行HSV影像融合（融合后影像分辨率为15m）。 实验方法： 实验方案： 在经HSV方案融合后的研究区影像上进行监督分类训练样区选择，通过参考Google地图与判别经验，按照土地利用/覆盖类型，选择11类训练样本，包括商业区、交通运输、工业区、水体、住宅区、草地、作物地、休耕地和森林； 对所选11类训练样区进行精度评估（分离度分析与N维散度可视分析）； 根据样本精度评估结果，进行训练样本类别合并； 基于所选训练样本进行影像分类： 4.1 基于光谱信息的神经网络分类； ①基于经验值参数设置的神经网络分类 ②基于缺省参数设置的神经网络分类 4.2 基于纹理与光谱信息的神经网络分类； ① 纹理信息提取； ② 纹理信息与影像集成； ③ 基于纹理信息与光谱信息的分类。 4.4 对比分类结果。 5、分类后处理。 6、制作土地利用类型专题图 技术流程： 实验过程 训练区选择 监督分类关于类别的数字特性都是从训练样本获得的，所以训练样本的选择要注意准确性、代表性和统计性三个问题。准确性就是要确保选择的样本与实际地物的一致性；代表性一方面指所选择区为某一地物的代表，另一方面还要考虑到地物本身的复杂性，所以必须在一定程度上反映同类地物光谱特性的波动情况；统计性是指选择的训练样本内必须有足够多的像元，以保证由此计算出的类别参数符合统计规律。 为了建立分类函数，需要对每一类别选取一定数目的样本，在ENVI中是通过感兴趣区（ROIs）来确定，也可以将矢量文件转化为ROIs文件来获得。本例中使用ROIs方法，打开分类图像，在Display-Overlay-Region of Interest，默认ROIs为多边形，按照默认设置在影像上定义训练样本。 在ROIs面板中，选择Option-Compute RO