基于OIF与BP神经网络遥感分类方法研究.docVIP

基于OIF与BP神经网络遥感分类方法研究 　　摘要：有效地选择合适的分类方法以提高遥感影像分类精度一直是遥感技术研究的热点研究内容。本文先对多光谱遥感影像进行最佳指数法（OIF）计算，选取OIF值最大的波段组合为最佳波段组合;然后在Matlab软件平台下对基于BP神经网络分类算法进行了研究，最后将它的分类结果与ENVI软件平台下的最大似然法、支持向量机（SVM）的分类结果进行精度对比分析。研究表明，基于BP神经网络的遥感图像分类总精度比ENVI软件平台下的最大似然法、SVM的分类总精度高，是一种有效的遥感影像分类方法。 　　关键词：OIF;BP神经网络;影像分类 　　1.引言 　　通过遥感影像的分类，人们可以从中获得更多有用的数据和信息。传统的图像分类方法如最大似然法、最小距离法、平行六面体法等监督和非监督分类方法，因遥感图像上存在的“同物异谱”和“同谱异物”现象的存在，导致分类的总体精度不高[1]。人工神经网络具有非线性特征和较强的容错能力，为解决上述问题提供了可能[2]。但是，遥感图像不同波段存在着很高的相关性，数据冗余很大。如果将影像所有波段作为神经网络的样本输入，势必会增加计算量，降低分类精度，甚至导致神经网络不收敛。因此，为了降低数据冗余，进一步提高分类精度，遥感影像的最佳波段组合的选择对快速准确地提取目标地物信息具有重要的意义。多光谱遥感数据常用的波段优选方法有熵、联合熵、协方差阵列以及最佳指数法（OIF）等方法。其中OIF指数法为最佳波段选择的最优方法。因此，本文提出了基于OIF和BP神经网络的遥感影像分类方法。 　　2.算法原理 　　2.1最佳指数法 　　多光谱遥感影像数据提供了丰富的地物光谱特征，但由于地物在各波段的辐射特性具有相关性，因此相关性大的波段所包含的信息量会出现大量的冗余。一般来说，波段选择要遵循以下3个原则：（1）所选的波段的信息量要大;（2）波段间的相关性要弱;（3）波段组合对所研究地物类型的光谱特征差异最大。基于此原则，单个波段的标准差越大，说明该波段的像素越离散，地物在3个波段之间的光谱分离性越好;波段之间的相关系数越大，说明两波段的相关性越大，反之相关性越小。因此，应选择标准差较大且相关系数小的波段。美国查维茨[4]在综合考虑波段之间方差和相关系数两个因素的基础上，提出了最佳指数（OIF）的概念，即： 　　 　　其中，Si为第i个波段的标准差，Rij为i、j两波段之间的相关系数。对n波段图像数据，先计算其每个波段的标准差及相关系数矩阵，然后分别求出所有可能三组波段对应的OIF。OIF越大，则相应组合图像的信息量越大，对OIF进行从大到小的排列，即可得到最优波段组合。 　　2.2BP神经网络 　　BP（BackPropagation）神经网络是1986年由Rumelhart和McCelland等[2]提出的，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。它是一种单向传播的多层前向网络，具有3层或3层以上的神经网络，包括输入层、中间层和输出层，如图1所示。当学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正各连接权值，最后返回到输入层。这种算法称为“误差逆传播算法”，即BP算法。 　　 　　3.基于OIF和BP神经网络的遥感影像分类及结果分析 　　基于OIF和BP神经网络的遥感影像分类通过五个步骤实现：①对Landsat8影像进行预处理，使用FLAASH大气校正，通过裁剪选取感兴趣区域，作为本文的实验数据;②统计感兴趣区域的波段信息主要是标准差、相关系数，计算波段组合的OIF值;③根据波段组合的OIF值排列顺序，选择OIF值最大的波段组合，即最优波段组合;④在Matlab平台下，对最优波段组合进行BP神经网络分类;⑤实验结果与ENVI平台下的最大似然法、SVM的分类结果作比较，进行精度分析。图2为分类流程图。 　　 　　3.1数据来源及预处理 　　2013年2月11号，NASA成功发射了Landsat8卫星。LandSat8上携带有两个主要载荷：OLI和TIRS。OLI陆地成像仪包括9个波段，空间分辨率为30米，其中包括一个15米的全色波段，成像宽幅为185*185km。OLI全色波段Band8波段范围较窄，这种方式可以在全色图像上更好区分植被和无植被特征;短波红外波段（band9;1.360?C1.390um）包括水汽强吸收特征可用于云检测。本文的实验数据为2013年6月的长沙市部分区域的Landsat8影像的多光谱数据（1-7波段），来源于美国USGS网站。 　　在ENVI5.1软件平台下，对下载的数据