人工神经网络在遥感图像处理中的应用.docxVIP

?

?

人工神经网络在遥感图像处理中的应用

?

?

摘要：人工神经网络具有智能化的特点，可以解决传统信息在处理上无法解决的问题，在自动化、信息等领域应用广泛。近些年来，它在遥感图像处理中也发挥着重要的作用，对于图像的分类、压缩、复原和重建等都有着较大的帮助。本文以BP人工神经网络为例，探究了它在图像压缩中的具体应用。

关键词：人工神经网络；遥感图像处理；应用

近些年来，随着人们对人工神经网络的研究不断加强，它已经在很多领域有着重要的应用，例如，在模式识别、自动控制及预测估计等领域，推动着人类社会的发展。因此，对相关的应用进行研究是有必要的，可以使其得到更加精细化的发展。

一、人工神经网络的概述

1、人工神经网络

人工神经网络是在上个世纪八十年代开始兴起的人工智能研究热点，它主要从信息处理的角度对人脑中的神经元网络进行抽象化处理，然后根据实际的需求建立某种简单的模型，按照不同的连接方式组成不同的人工神经网络，完成对事物的分析和应用。人工神经网络从本质上来说是一种运算模型，它由大量的节点（也称作神经元）之间进行相互的联接所构成。在这个模型中，每一个节点代表一种特定的输出函数，每两个节点间之间的连接都代表一个对于通过该连接信号的加权值，称之为权重，它的功能就类似于人们的记忆功能。在这个计算模型当中，网络的输出主要依靠网络的连接方式，在不同的计算和应用背景下，人工神经网络的权重值和激励函数是不同的[1]。

2、BP神经网络

在本文的研究中，主要选择人工神经网络中的BP神经网络作为研究的对象。BP神经网络的出现也是在上个世纪，现在，已经成为了在各行各业中应用最广泛的一种神经网络模型之一。BP神经网络的最大特点是可以主动的学习并且贮存大量的输入-输出模型及其映射关系，并且不需要提前对这些关系的数学方程进行描述和设定，因此智能性和自动化程度都比较高。在BP神经网络模型的拓扑结构中，主要有三部分组成，分别是输入层、隐层和输出层。BP神经网络在传播的模式上，主体是正向传播的形式的，一旦出现了误差，就会转为反向的传播，是前馈网络的一种代表。在BP网络的层次中，一个层会有一个或者多个的神经元来构成，三个不同的层面之间使用全连接的方式使它们进行联系。每一个层的权值都是可以通过学习算法来进行灵活调整的，因此它的灵活性和适应性比较强。如果误差函数在运行的过程中已经达到了精度的要求时，这个BP网络中所有的权值就可以得到有效的确定，从而训练工作可以结束并生成一个最终符合用户需求的网络。

二、遥感技术

遥感技术兴起于上个世纪六十年代，是一门探测技术。它主要依靠电磁波的原理，利用各种类型的传感一起对一些距离比较远的目标所辐射或者反射出来电磁波信息进行收集和处理，最后形成相关的像，从而对地面各种景物进行探测和识别。这种技术在探测上的应用十分广泛，可以查询到高分一号、高分二号和资源三号等国产高分辨率遥感影像。当前，遥感技术在农业、地质、水文、气象、测绘及军事侦察方面的应用十分地广泛。

三、人工神经网络在遥感图像处理中的应用

1、相关模型的建立和算法的编写

（1）随机初始化种群

在编码中，实数编码是比二进制编码短的，因此在进行个体编码时应该使用实数编码的方式来进行操作。在随机初始化种群这个操作步骤中，每一个个体的实数串都可以将其分割成4个模块，然后按照从左到右的顺序把它确定为输入层到隐含层的连接权值、隐含层节点阙值、隐含层到输出层连接权值和输出层节点阙值[2]。

（2）对种群的适应度值进行计算，主要通过如下公式来进行计算：

（3）选择操作。

在图像的成像时，主要对成像的点进行图点分布的预测。在操作方法上，选择轮盘赌法，根据前面所得到的适应度比例来进行个体i的选择，记选择的概率为pi。具体计算公式如下：

（6）判断

在这个判断的步骤中，主要是对进化是否结束进行判断。如果进化已经结束，那么整体的运算结束，如果进化还没有结束，那么就应该返回到步骤2当中，进行后续的操作。

2、基于算法的人工神经网络在遥感图像处理中图像压缩方面的应用探析

（1）神经网络图像的压缩模型

神经网络图像的压缩模型和神经网络的分类法模型是比较类似的，有着基本的层面，但是它的输入层神经元的个数和输出层神经元的个数是相同的，而中间隐含层的个数比输入、输出层神经元的个数要少很多。在图像的压缩中，主要依靠隐含层神经元的个数来实现不同目的的压缩工作。输入层到隐含层的过程相当于是一个编码器，它主要对相关的图像信号进行线性的或者非线性的一个变换，而隐含层到输出层相当于是一个解码器，对压缩后的信号同样进行线性或者非线性的一个变换，从而使得整个图像数据得到复原。在这个模型当中，压缩率就是输入层神经元的个数在隐含层中神经元个数的比值。

（2）神经网络图像压缩的实现过程

神经网络图像压缩的实现过程只要有两个阶段，分