基于模糊BP神经网络遥感影像分类不确定性研究.doc

基于模糊BP神经网络遥感影像分类不确定性研究 　　摘要：随着卫星遥感分辨率的不断提高以及遥感技术的飞速发展，人们可以从遥感图像中获得更多有用的数据和信息，遥感影像的分类技术就是获取这些信息的重要手段。而遥感图像分类过程中造成的不确定性是影响其产品质量的最主要方面。因此，对遥感分类不确定性问题的研究也变得非常重要。本文提出的相对不确定值R，综合考虑多类别的隶属度值的影响因素，将相对不确定值R与其他相关研究中使用的指标——最大隶属度U进行比较分析，可以看到相对不确定值不仅能够对遥感分类不确定性进行描述和评价，还能避免因其它类别的隶属度而引起的误差。 　　 　　关键词：遥感影像分类、模糊理论、BP神经网络、相对不确定度值 　　 　　中图分类号：TN711 文献标识码：A 文章编号： 　　 　　1 前言 　　目前，遥感技术的应用为各种地学学科的发展提供了探索地球的方式和新的数据来源。遥感影像能够提供全球监测的实时动态信息，为更好地研究全球人口、资源、环境的变化，创造了空前的有利条件。作为采集地理空间信息的重要手段，遥感在很短的发展时间里，为地球科学的研究工作提供了大量同步、宏观的第一手信息，而且，航天遥感信息获取技术也在快速发展中，提供这种数据的能力越来越强。然而，对遥感影像的理解仍落后于信息的获取，有人估计，人们经计算机处理所获得的遥感图像，按比例来算还不足5%，远远不能满足各个领域对遥感图像信息日益增长的应用需求。 　　其主要原因在于，遥感数据与遥感信息二者之间存在明显的知识间隙，缺乏地学上的理解和对遥感成像机理深入研究的支持。在这样的大环境下，如何全面认识各种数字影像或模拟影像所反映出的地学过程和地表景观，如何通过多种途径利用遥感信息本身的特征得到地球物体在形态、物理、化学等方面的属性，如何在数学与地学意义上建立影像与地面物体的对应关系，等等这些都是填补遥感信息分析与提取知识空隙的主要研究内容。 　　 　　2 遥感影像分类不确定性评价模型的建立 　　本文运用到模糊理论中的隶属度，同时结BP神经网络模型的三层网络结构展开实证研究。神经网络与模糊理论均属于非参数化的非线性动力系统，但两者特性却存在较大差异。模糊逻辑知识提取和表达简便，擅长处理结构化的问题，而神经网络可直接从样本中学习，对处理非结构化的信息更有效。两者的集成应当取长补短，发挥各自优势。因此在本文中，选择模糊理论和人工神经网络理论相结合，展开对遥感影像不确定性的分析评价。具体技术路线如图2.1所示。 　　3 遥感影像分类不确定性分析实证研究 　　3.1 试验数据介绍 　　本次试验采用的是高分辨率的武汉市南湖区域的卫星遥感影像。武汉地理坐标为北纬30°33"、东经114°19"。属亚热带湿润季风气候。 　　本文选用能够比较清楚反映土地利用分区状况的quickbird影像作为研究数据。图中主要的地类有水体、植被、建筑物、道路等，整个南湖区域处于正在建设过程中，地物类型相对单一，为简单起见，将试验区的数据分为三类：水体、植被和建设用地。选择过程中应注意保证各个地类都考虑到，同时尽量选择像元相对单纯，混合像元比较少的地方， 图2.1 不确定性评价的技术路线 　　以提高目视判断的精度，降低分类误差。经过剪裁处理图像如图3.1所示。 　　3.2 分类流程 　　 在具体的分类中，用2、3、4来表示水体（water）、 　　植被（vegetation）、建设用地（building）的mask值。利用最大似然法分类，将分类结果存于三个新建的通道，隶属度也相对应有最大值、次大值以及最小值，同样存放于三个新建通道中，运行分类即可。 　　 　　 　　图3.1 试验区域 　　最后读取隶属度文件信息，先将分类结果转换ERDAS支持的格式.img，Layer1—4为波段值的灰度信息，Layer5—7为分类结果信息，Layer8—10为最大隶属度、次大隶属度及最小隶属度的相关信息（如图3.5中a、b所示）。 　　 　　 　　图3.5（a） ERDAS中显示的分类结果 图3.5（b） ERDAS中显示的各像元最大隶属度值 　　3.3 数据处理 　　从模糊隶属度的角度考虑，不确定度最大的情况是三个隶属度值均为33（百分制），不确定度最小的情况是100，因此根据这个思想，我们选取最大隶属度这个通道layer8作为判决条件，获取其中的隶属度以及相对应的四波段灰度值信息和另外两个隶属度值。在MATLAB软件运用下列代码读取layer1—layer4和layer8五个通道的信息并保存至.xls文件和.txt文件。 　　I=imread('c:\nanhu5.tif') 　　i1=I(:，:，通道号); 　　我们界定一个不确定性最大和不确定性最小的值