BP网络与LVQ网络在遥感影像分类中比较分析.docVIP

BP网络与LVQ网络在遥感影像分类中比较分析 　　摘 要：遥感影像分类是遥感技术研究发展应用中的一个重要组成部分。基于Matlab平台应用BP、LVQ两种神经网络算法对TM多光谱影像进行了分类研究，最后应用混淆矩阵对这两种网络算法与最大似然法的影像分类结果做了精度评价与对比分析。实验结果表明，神经网络分类器作为一种非参数分类器，进行影像光谱特征分类时能获得较高的分类精度，引入对比度纹理特征后精度有更进一步的提高。两种神经网络算法中，LVQ网络算法的影像分类精度比BP网络要高。 　　关键词：遥感影像分类 BP神经网络 LVQ 神经网络 Matlab 纹理特征 　　中图分类号：P237 文献标识码：A 文章编号：1674-098X（2014）04（c）-0223-02 　　近几十年来，遥感对地观测技术的迅速发展为地表资源调查与环境监测提供了多平台、多传感器、多时相、多分辨率的海量影像数据，这些数据加工处理后被广泛应用。人工神经网络是以模拟人脑神经系统的结构与功能为基础而建立的一个理论化数学模型，具有自学习、自组织、自适应、高度鲁棒性、全局并行分布处理等良好特性。人工神经网络分类具备较强容错性，能实现对特征空间较复杂的划分。 　　1 特征提取与选择 　　遥感影像分类是模式识别技术在遥感技术领域中的一种典型应用。该文采用的影像数据为TM多光谱影像，大小为512×512，包含除热红外波段TM6以外的其他六个波段，空间分辨率为30 m，均已几何校正与辐射定标。图1是原始TM影像的4、3、2三个波段合成的假彩色影像。如何从各波段影像中选择或者提取特征影像对后期的影像分类精度影响较大。通常既要考虑选择的特征影像所包含的地物信息量，又要考虑影像波段间的独立性。对此Chavez[5]等人在1982年提出了最佳指数因子（Optimum Index Factor，OIF）模型分析法。OIF计算公式如下式（1）： 　　（1） 　　式中，Si表示第i波段数据的标准差。Rij是第i个波段与第j个波段间的相关系数。本文n取值为3。OIF值越大表明对应的波段组合兼顾波段的信息量与波段间的独立性越好。 　　在计算并分析TM各波段数据间的相关系数与每个波段的信息含量后，基于OIF模型计算TM影像中任意三个波段的OIF值，在TM1，2，3时，OIF值31.332；TM1，2，4时，OIF值64.185；TM1，2，5时，OIF值37.264；TM1，2，7时，OIF值26.506；TM1，3，4时，OIF值65.790；TM1，3，5时，OIF值41.100；TM1，3，7时，OIF值29.328；TM1，4，5时，OIF值67.454；TM1，4，7时，OIF值64.549；TM1，5，7时，OIF值30.867；TM2，3，4时，OIF值69.391；TM2，3，5时，OIF值39.326；TM2，3，7时，OIF值28.888；TM2，4，5时，OIF值68.653；TM2，4，7时，OIF值69.144；TM2，5，7时，OIF值29.696；TM3，4，5时，OIF值70.489。综合分析TM影像各波段数据间的相关系数与每个波段的信息含量后，考虑将TM影像的波段组合3、4、5作为其后期分类的光谱特征影像。 　　纹理特征是影像中普遍存在却又难以描述的空间特征，一直为研究者所关注。GLCM分析法是实际中常用纹理信息表达与提取的最具代表性的统计分析方法之一。影像的GLCM定义为从影像位置为（x，y）、灰度为i的像素出发，统计出该像素及与此像素距离为δ、灰度为j的像素同时出现的概率。数学式表达如下式（2）： 　　（2） 　　式中，i，j=0，1…L-1；L是影像的灰度级数；分别为影像中的像素坐标；为影像的行列数；δ是两个像素间相隔的距离；θ是两个像素连线按顺时针方向与X正向轴的夹角。 　　Barald等[6]人的研究工作表明对遥感影像而言，对比度、相关性、熵、二阶矩这四种常用的纹理度量特征统计效果较好。根据以上四种纹理度量特征对纹理的描述特性结合影像上待分地物类型纹理表现特点，选择了对比度纹理特征，提取结果如下图2所示。 　　2 人工神经网络 　　人工神经网络是根据生物神经网络研究成果启发构造的一种数学模型，神经元是其最基本单元，其能学习和模仿人脑的信息处理活动。 　　BP神经网络是一种利用非线性可微分函数进行权值修正与调整的多层前馈人工神经网络，也是前向网络的核心部分，其主要特点是输入信号正向传递，误差反向传播。 　　LVQ（学习向量量化）神经网络学习算法是从Kohonen竞争算法演化而来，它由输入层，竞争层与线性输出层三层神经元组成。其中，输入层与竞争层间的神经元全连接，竞争层与输出层之间的神经元部分连接且连接权值固定为1。当用于模式分类时，其优点在于能求得