基于BP神经网络的遥感图像分类

文章编号：1008-0058（2001）03-0261-04遥感影像的分类与识别技术在土地资源调查中的应用李颖1，赵文吉2，李小琳1（1.吉林大学朝阳校区信息科学与技术学院，吉林长春130026；2.首都师范大学地理系，北京100021）摘要：遥感图像记录了地物在空间域、时间域、光谱域的变化信息。

利用图像的分类技术，能够识别土地利用类型。

计算机遥感分类识别原理，是利用地物的光谱能量特征差异性和结构特征差异性来识别地物信息。

根据北京某地遥感图像实例资料，将土地利用类型分为监督分类、非监督分类、最大似然法分类、神经网络分类等。

不同的分类方法有各自的特点且分类结果也有一定的差别，其中神经网络分类与真实情况最为接近。

关键词：分类识别；动态变化；神经网络中图分类号：S127文献标识码：A收稿日期：2000-09-01基金项目：吉林省计委重点资助项目（2000-165）作者简介：李颖（1965-），女，吉林省长春市人，副教授，博士后，主要从事GIS 在矿产预测中的研究.随着遥感图像分辨率的提高，利用遥感图像对耕地和建设用地等土地的变化情况进行及时、直接、客观的定期监测已成为可能，遥感技术逐步成为土地利用动态监测中的主要方法。

如何利用同一区域不同年份同一时相的图像识别土地利用的现状或土地利用的变化信息，成为遥感土地动态监测者研究的重点。

常用方法有：直接提取法（差异主成分法）、影像分类比较、目视解译法、基于知识和GIS 的分类决策等等。

其中计算机图像分类识别技术是最常用的方法之一。

!计算机遥感图像分类识别原理遥感图像记录遥感观测区域内一定时间段内的地物电磁波辐射，其灰度大小及其变化只反映了地物的辐射光谱能量特征，其影纹（纹理）特征代表了地物的光谱结构特征。

因此，遥感图像实质包含了地面地物的三类信息：时间信息、光谱能量信息和结构信息。

图像分类就是利用地物的光谱能量特征差异性和结构特征差异性，来识别在一定时间段内的地物信息。

基于语义分割的遥感图像分类遥感图像是近年来在各行各业中广泛使用的一种技术手段。

利用遥感图像可以对地球表面进行高精度的监测和识别，具有非常重要的应用价值。

然而，遥感图像的分类是一个非常复杂的问题，因为遥感图像中的信息量非常大，需要大量的计算和分析才能进行有效的分类。

为了解决这个问题，近年来涌现出了许多基于语义分割的遥感图像分类方法，这些方法将遥感图像分割为不同的区域，并将每个区域与其所属的类别进行关联，从而实现遥感图像的自动分类。

基于语义分割的遥感图像分类方法可以分为两大类：基于光谱信息的方法和基于空间信息的方法。

基于光谱信息的方法采用了传统的图像分类技术，通常使用机器学习算法（如SVM）来训练分类器，并使用像素级别的光谱信息作为输入特征。

然而，这种方法往往不能充分考虑遥感图像的空间信息特征，分类精度有限。

因此，近年来越来越多的研究者开始采用基于空间信息的方法来解决遥感图像分类问题。

基于空间信息的方法是指将遥感图像分割为不同的区域，然后对每个区域进行分类。

这种方法通常使用语义分割技术进行遥感图像分割，然后使用语义分割结果中的每个区域作为输入进行分类。

相比于基于光谱信息的方法，基于空间信息的方法具有更好的分类精度和鲁棒性。

目前，基于空间信息的方法已经成为遥感图像分类的主流方法之一。

目前，基于语义分割的遥感图像分类研究主要集中在以下几个方向上：1. 基于深度学习的遥感图像分类方法近年来，深度学习（如卷积神经网络）在遥感图像分类中的应用越来越广泛。

这种方法可以利用大量标记数据进行训练，并能够自动学习光谱、空间和语义信息，从而实现更高的分类精度。

基于深度学习的遥感图像分类方法已经在遥感图像分类竞赛中取得了很好的成绩，是当前遥感图像分类研究的热点方向之一。

2. 基于多尺度特征的遥感图像分类方法遥感图像中往往存在着多个尺度的信息，因此采用多尺度特征进行分类可以提高分类精度。

目前，基于多尺度特征的遥感图像分类方法已经成为遥感图像分类的主要方法之一。

遥感影像分类信息检索摘要：随着我国经济、科技的快速发张，中国遥感卫星的数量和质量不断提高，因此对于遥感影像的分析加工工作日益增多。

遥感影像分类是遥感信息提取的重要手段，是目前遥感技术中的热点研究内容，有效地选择合适的分类方法是提高遥感影像分类精度的关键。

然而每一幅影像中像元复杂、数量众多，因此能否合理高效的对遥感影像进行分类研究，进而提取相关遥感信息就显得至关重要，同时也十分迫切。

为了快捷，准确地对其进行分类，许多重要的分类方法被开发出来。

本文着重于检索关于遥感影像分类的相关方法。

关键词：遥感影像分类神经网络系统面向对象蚁群算法基于神经网络的遥感影像分类方法神经网络系统人工神经网络(artificial Neural Network，ANN )是基于生物神经系统的分布存储、并行处理及自适应学习这些现象构造出具有一些低级智慧的人工神经系统[1]。

随着计算机技术的发展而得到了快速的发展，属于非线性学科，具有强抗干扰性、高容错性、并行分布式处理、自组织学习和分类精度高等特点。

近年来，神经网络被广泛应用于遥感图像分类中，不同学者分别提出或应用了Hopfield神经网络、BP网络[2]、自组织映射网络[3]、小波神经网络、细胞神经网络、模糊神经网络等对遥感图像进行分类。

这些神经神经网络在遥感图像自动分类上都有一定的应用，并取得较好的效果。

BP模型的构建和应用利用遗传算法来优化BP神经网络的初始权值和阀值，使优化后的BP神经网络模型[4-6]分类精度更高。

遗传算法优化BP神经网络模型主要包括以下4个部分：种群初始化，适应度函数，交叉算子和变异算子。

1、种群初始化。

遗传算法的每个个体编码采用二进制编码，每个个体均为一个二进制串，由输入层与隐含层的连接权值、隐含层阀值、隐含层与输出层的连接权值、输层阀值4个部分组成，每个权值与阀值连接使用n位的二进制编码，将所有权值和阀值的编码连接起来成为一个个体的编码。

2、适应度函数。

基于卷积神经网的遥感影像分类技术一、遥感影像分类技术概述遥感技术作为获取地球表面信息的重要手段，已经广泛应用于环境监测、城市规划、农业管理、灾害评估等多个领域。

随着遥感数据量的不断增加，如何高效、准确地处理和分析这些数据成为亟待解决的问题。

遥感影像分类技术是解决这一问题的关键技术之一，它通过将遥感影像中的像素或对象划分为不同的类别，为后续的数据分析和决策提供基础。

1.1 遥感影像分类技术的重要性遥感影像分类技术对于理解和解释遥感数据至关重要。

通过对遥感影像进行分类，可以识别出不同的地物类型，如植被、水体、城市区域等，从而为资源管理、环境监测和城市规划等提供决策支持。

此外，随着遥感技术的发展，获取的影像分辨率越来越高，数据量也越来越大，传统的分类方法已经难以满足实际需求，因此，研究和开发高效的遥感影像分类技术具有重要的现实意义。

1.2 遥感影像分类技术的研究进展遥感影像分类技术的研究已经取得了显著进展。

传统的分类方法，如最大似然分类、支持向量机等，虽然在某些情况下仍然有效，但它们通常需要大量的参数调整和人工干预。

近年来，随着机器学习和深度学习技术的发展，基于这些技术的遥感影像分类方法逐渐成为研究的热点。

特别是卷积神经网络（CNN）在图像处理领域的成功应用，为遥感影像分类提供了新的解决方案。

二、卷积神经网络在遥感影像分类中的应用卷积神经网络是一种深度学习模型，它通过模拟人脑处理视觉信息的方式，能够自动学习图像的特征。

在遥感影像分类中，CNN能够从大量的遥感数据中提取有用的特征，并进行有效的分类。

2.1 卷积神经网络的基本结构卷积神经网络主要由卷积层、池化层和全连接层组成。

卷积层负责提取图像的局部特征，池化层用于降低特征的空间维度，全连接层则用于最终的分类决策。

此外，为了提高模型的泛化能力，通常会在网络中加入归一化层和激活函数。

2.2 卷积神经网络的优势与传统的遥感影像分类方法相比，卷积神经网络具有以下优势：- 自动特征提取：CNN能够自动从遥感影像中提取特征，无需人工设计特征提取器，这大大减少了人工干预和参数调整的工作量。

基于BP神经网络模型思茅松天然林生物量遥感估测吴娇娇;欧光龙;舒清态【摘要】Taking the biomass of Simao pine,(Pinus kesiyangbianensis)in Puer county as the research target,Landsat TM 8 images,DEM (resolution:30 meters),the forest resources inventory data in 2006 and the ground sample data from 2012-2013 as the data source.The Simao Pine's distribution image in the study area was extracted by ENVI,and 14 factors (11 remote sensing factors,3 terrain factors) was selected as the alternative variables.By using BP neural networks module in MATLAB,the estimation model of Simao Pine's biomass of study area was established.The results showed that the best optimal training algorithm was Ploak-Ribiere and the hidden layer's nodes are 9,R2=0.85,RMSE=14t/hm2,P=74.75％.％,and the predicted total biomass of Simao pine was 62 185 871.9 t,the perunit area's biomass was 51.06 t/hm2 in Puer county by taking the pixel as unit and extracting the independent variable factors.%以普洱市思茅松天然林为研究对象,以Landsat8 TM影像和DEM (30 m)数据为信息源,结合2006年森林资源二类调查小班数据和2012至2013年样地实测数据,在ENVI下提取14个自变量备选因子(11个遥感因子、3个地形因子),在MATLAB平台下利用BP神经网络模型建立研究区思茅松天然林生物量估测模型.结果表明,利用优选训练算法Ploak-Ribiere,隐含层节点数为9时效果最佳,得到决定系数R2=0.85,均方误差RMSE=14 t/hm2,预估精度P=74.75％.以像元为单位,分块提取思茅松对应的自变量,利用估测模型得到普洱市思茅松天然林总生物量为62 185 871.9 t,单位面积生物量为51.06 t/hm2.【期刊名称】《中南林业科技大学学报》【年(卷),期】2017(037)007【总页数】6页(P30-35)【关键词】思茅松;生物量;BP神经网络【作者】吴娇娇;欧光龙;舒清态【作者单位】西南林业大学林学院,云南昆明650244;西南林业大学林学院,云南昆明650244;西南林业大学林学院,云南昆明650244【正文语种】中文【中图分类】S758.2;S791.245森林生态系统是生态圈的重要组成部分，具有涵养水源、防风固沙、美化环境和维护生物多样性等生态作用和经济价值。

doi:10.3969/j.issn.1003-3106.2021.12.010引用格式:肖斌,徐勇,何宏昌,等.顾及阴影检测的BP 神经网络高光谱影像分类[J].无线电工程,2021,51(12):1442-1448.[XIAO Bin,XU Yong,HE Hongchang,et al.Hyperspectral Image Classification Based on BP Neural Network Considering ShadowDetection[J].Radio Engineering,2021,51(12):1442-1448.]顾及阴影检测的BP 神经网络高光谱影像分类肖㊀斌,徐㊀勇,何宏昌∗,张㊀洁,苗林林,刘㊀兵(桂林理工大学测绘地理信息学院,广西桂林541006)摘㊀要:针对高光谱影像中地物阴影对高光谱影像分类的影响,以桂林市为研究区域,利用珠海一号高光谱影像数据,提出一种顾及阴影检测的BP 神经网络分类方法㊂结合研究区的归一化差值植被指数(Normalized Difference VegetationIndex,NDVI)值㊁归一化水指数(Normalized Difference Water Index,NDWI)值与DEM 高程数据,通过决策树提取阴影区域㊂构建回归模型,利用函数拟合将阴影区域拟合至明亮区域,通过BP 神经网络进行分类㊂结果表明,基于顾及阴影检测的BP 神经网络分类能有效区分水体与阴影,总体精度达98.08%,Kappa 系数0.968,较直接分类结果提高了0.78%,Kappa 系数提高了0.013㊂所提方法能有效提高存在大量阴影的高光谱影像的分类效果㊂关键词:高光谱影像;阴影检测;阴影去除;BP 神经网络;分类中图分类号:P237文献标志码:A开放科学(资源服务)标识码(OSID ):文章编号:1003-3106(2021)12-1442-07Hyperspectral Image Classification Based on BP Neural NetworkConsidering Shadow DetectionXIAO Bin,XU Yong,HE Hongchang ∗,ZHANG Jie,MIAO Linlin,LIU Bing(College of Geomatics and Geoinformation ,Guilin University of Technology ,Guilin 541006,China )Abstract :Aiming at the influence of ground object shadow in hyperspectral image on hyperspectral image classification,takingGuilin as the research area,a BP neural network classification method considering shadow detection is proposed based on Zhuhai-1hyperspectral image data.Firstly,combining the NDVI value,NDWI value and DEM elevation data of the study area,the shadow area is extracted through the decision tree.Then,the regression mod e l is constructed,the shadow area is fitted to the bright area by functionfitting,and the classification is carried out by BP neural network.The results show that the BP neural network classification based onshadow detection can effectively distinguish between water and shadow,the overall accuracy is 98.08%,kappa coefficient is 0.968,which is 0.78%higher than the direct classification results,Kappa coefficient is 0.013higher than the direct classification results.The proposed method can effectively improve the classification effect of hyperspectral images with a large number of shadows.Keywords :hyperspectral image;shadow detection;shadow removal;BP neural network;classification收稿日期:2021-09-15基金项目:广西八桂学者专项项目;国家自然科学基金资助项目(42061059);广西自然科学基金资助项目(2020JJB150025);桂林市科技局开发项目(2020010701);广西空间信息与测绘重点实验室资助课题(191851016)Foundation Item:Special Project of Guangxi Bagui Scholar Program;Na-tional Natural Science Foundation of China (42061059);Natural Science Foundation Project of Guangxi (2020JJB150025);Development Project of Guilin Science and Technology Bureau (2020010701);Project Sup-ported by the Guangxi Key Laboratory of Spatial Information and Survey-ing and Mapping (191851016)0㊀引言在遥感影像分类中,阴影对分类精度有较大影响,尤其在丘陵地区[1-2]㊂阴影削弱了地物在传感器上的响应,严重干扰了目标地物的识别与解译[3-4]㊂阴影在影像上与水体的光谱曲线较为接近,因此为了提高分类精度,必须考虑图像中的阴影㊂基于多光谱影像的阴影检测方法十分丰富,但在高光谱影像中研究较少㊂当前影像阴影检测的方法可分为2大类:基于像素的方法和基于对象的方法,前者主要利用阴影的颜色㊁结构和轮廓等特性,后者则是将阴影的性质与先验知识相结合[5-6]㊂Vicky 等[7]基于像素的方法提出将RGB 转换为HSV 模式,把色调㊁饱和度和明度参数转为圆柱体的颜色㊁半径和高度,通过定量分析每个像素的值来判断是否为阴影㊂杨元维等[8]通过改进Wallis模型对高分辨率影像的阴影进行自动补偿,有效地补偿阴影,使其亮度和对比度共同提升到与非阴影区域相一致的水平㊂Ni等[9]基于对象的方法通过2幅不同时期影像覆盖区域的亮度值差异,提取云和阴影区域㊂Sabri等[10]通过二维经验模式的自动和数据驱动的阴影检测和消除方法,利用阴影区域的纹理特征与明亮区域的差异性,从而分割出阴影区域㊂但在复杂的地物分类中,需将各种地物有效区分,必须考虑 异物同谱 现象[11];阴影的光谱曲线与水体的光谱曲线十分接近,容易造成水体的 误识别 和 漏识别 [12]㊂为了解决上述问题,Li 等[13]引入表面粗糙度的方法对阴影区域与水体区域进行计算,并通过阈值选择,提取出阴影区域,可以有效区分水体与阴影㊂计算表面粗糙度的方法适用于大部分地区,但由于喀斯特地貌的特殊性,山体十分陡峭,最大坡度可达90ʎ,太阳光照射山体产生的阴影可能存在平面,表面粗糙度可能存在相同的区域㊂为了减弱或者消除高光谱影像分类中阴影与水体的错分现象,本文提出一种融合决策树的阴影检测方法和基于波段回归模型的阴影去除方法㊂首先结合研究区的归一化差值植被指数(Normalized Difference Vegetation Index,NDVI)㊁归一化水指数(Normalized Difference Water Index,NDWI)和DEM 数据,通过决策树提取阴影区域;然后通过构建回归模型,利用函数将阴影区域拟合至明亮区域,再通过BP神经网络进行分类;最后利用桂林市研究样区的高光谱影像进行方法的验证对比和分析㊂1㊀研究区数据1.1㊀研究区概况研究区(24ʎ44ᶄN~25ʎ18ᶄN,110ʎ4ᶄE~110ʎ42ᶄE)位于广西壮族自治区桂林市中南部,东与临川县相邻,西与临桂区毗邻,南与阳朔县交界,北与兴安县相邻㊂研究区为典型的喀斯特地区,多山地,平均海拔148m,山峰最高为451m㊂地处低纬度,属亚热带季风气候,且丘陵地区多阴影,在遥感影像中表现为阴影区域块状分布㊂1.2㊀珠海一号高光谱影像本文采用的影像数据是珠海一号高光谱卫星(OHS),获取时间为2020年11月13日㊂该卫星采用推扫成像方式,空间分辨率为10m,离地500km,质量67kg,有32个波谱通道,每个波段对应中心波长如表1所示㊂光谱分辨率2.5nm,波长范围400~1000nm,运行轨道98ʎ[14],云量覆盖为0㊂获取的高光谱数据基于ENVI5.3软件平台,对OHS影像进行预处理,包括辐射定标㊁大气校正㊁正射校正㊁最小噪声分离和光谱平滑处理以及阴影检测与去除等㊂表1㊀珠海1号波段信息Tab.1㊀Zhuhai-1band information2㊀顾及阴影检测的BP神经网络方法2.1㊀阴影检测与去除2.1.1㊀阴影检测研究区喀斯特地貌在遥感影像中分布着大量块状阴影,由于山体坡度不同㊁高度不同,导致不同坡度㊁不同高度处阴影的灰度值不同㊂从高光谱影像与GoogleErath影像对比可得,坡度较小与高度较低处阴影较坡度较大与高度较高处的灰度值低,又因水体深度不一,导致水体在影像中光谱线不一㊂影像中阴影与水体的波谱曲线表现相似,如图1所示㊂因此,水体与阴影在分类结果中存在大量错分现象㊂通过Google地图分析发现,同一山脊两侧的阴影区域与明亮区域均为林地,在分类之前需将阴影区域中的光谱特征拟合至林地的光谱特征,从而减少或消除因 异物同谱 现象对分类结果的影响㊂针对影像中存在的大量阴影,本文提出基于决策树的阴影检测方法与基于波段回归模型的去除方法㊂图1㊀水体区域与阴影区域光谱曲线Fig.1㊀Spectral curve of water area and shadow area基于决策树的方法对阴影区域进行检测,首先通过计算研究区NDVI 值㊁NDWI 值提取林地阴影和水体,再结合ALOS 12.5m 高程数据来选择阈值实现阴影区域的检测㊂经过多次阈值训练测试,对比GoogleErath 影像,可以将研究区中存在的水体与阴影区域全部提取㊂由于研究区存在坡度较小且有阴影区域,坡度设置为10会将山地中少量目视即可辨别为林地的区域纳入阴影检测中,同时也可以将小区域的阴影边缘提取更为全面㊂最终选取阴影检测的决策树参数设置为NDVI 指数小于0与NDWI 大于0的并集结合坡度slope 大于10,阴影检测结果如图2所示㊂图2㊀阴影检测部分Fig.2㊀Shadow detection area2.1.2㊀阴影去除阴影区域与明亮区域在波长680~900nm 中的光谱曲线存在明显差异,由于山体遮掩,波长680nm 后的电磁波大部分被阴影处地物吸收,通过构建阴影区域与明亮区域各波段的关系模型,将阴影区域波段的灰度值推算至无阴影林地区域㊂与此同时,将去阴影后的区域影像与原明亮区域影像叠加,得到去除阴影后的遥感影像㊂去除阴影前后明亮区域与阴影区域光谱曲线如图3和图4所示㊂图3㊀去除阴影前明亮区域与阴影区域光谱曲线Fig.3㊀Spectral curve of bright area and shadow areabefore shadowremoval图4㊀去除阴影后明亮区域与阴影区域光谱曲线Fig.4㊀Spectral curve of bright area and shadowarea after shadow removal实验过程中,首先选取70组山脊两侧的阴影区域与明亮区域的面状ROI 数据,分别计算每组数据中每个波段的平均反射率;然后,基于最小二乘回归算法对ROI 数据建立回归模型,得到模型系数a 数据,如图5所示㊂图5㊀模型系数a 值Fig.5㊀Model coefficient a value最后,选取相关性大于0.5的7个波段(B20,B24,B25,B29,B30,B31,B32)创建拟合函数如下:B l =ð7i =1a i㊃ð7j =1Bsj+b ,式中,B l 为明亮区域反射率;B s 为阴影区域反射率;a ,b 为待定系数㊂基于上述模型,在ENVI5.3平台上分别实现阴影区域7个波段重建㊂将7个波段分别进行波段计算,波段组合后的结果与非阴影区域叠加,最后通过Savitzky-Golay 滤波器[15]对叠加后的影像进行滤波平滑,得到阴影去除后结果如图6所示㊂对去除阴影区域的光谱反射率与明亮区域光谱反射率对比分析,结果显示,去除阴影区域的光谱反射率较为接近明亮区域的光谱反射率㊂图6㊀模型去除阴影结果Fig.6㊀Shadow removal results of model2.2㊀BP 神经网络BP 神经网络是一种根据误差反向传播算法训练的多层前馈神经网络[16],它以实际输出值与期望输出值之间的误差均方差为目标函数,通过梯度下降法使目标函数最小,从而达到最优网络㊂BP 神经网络是一种3层以上的前馈神经网络,其模型结构如图7所示㊂误差反向传播算法是BP 神经网络的一种支持算法,通常称为BP 算法㊂BP 算法主要体现了梯度下降的思想,利用随机梯度下降技术使网络的实际输出值与正确输出值之间的误差最小[17]㊂图7㊀BP 神经网络模型结构Fig.7㊀Structure of BP neural network model3㊀实验结果分析3.1㊀训练样本分析本实验将地物分为林地㊁耕地㊁建筑用地㊁裸地和水体5大类㊂在影像预处理及去除阴影的基础上,以Google Earth 影像为依据选取ROI 训练样本,并从每类地物样本中随机抽取1/3的反射率数据(如表2所示)作为训练数据导入,训练集取样本总数的70%,验证集和测试集分别占样本总数的15%㊂表2㊀样本不同数据集Tab.2㊀Different datasets of samples单位:像元种类训练集验证集测试集林地2254848水体2435252耕地2064444建筑物2796060裸地2154646㊀㊀利用BP 神经网络程序对样本点反射率进行分类训练验证㊂经过反复调整,本次实验神经元个数为12,训练算法为Levenberg-Marquardt 算法,隐藏层为1层,训练次数为1000次均方误差达到最低为0.240㊂样本点的训练相关系数r 为0.970,验证相关系数r 为0.934,测试相关系数r 为0.932,总体相关系数r 为0.958,以上结果表明训练样本集具有代表性,满足分类精度要求㊂3.2㊀阴影检测与去除结果分析基于最小二乘算法构建多元线性回归模型,得出模型系数,如表3所示㊂表3㊀阴影去除回归模型系数Tab.3㊀Shadow removal regression model coefficients波段波段B20B24B25B29B30B31B32b (截距)R 2B20-2.45-2.18-2.26-2.54-2.24-2.24-1.53826.450.67B24-0.79-0.72-0.75-0.85-0.75-0.75-0.521343.500.68B25-0.60-0.56-0.58-0.66-0.58-0.58-0.401281.780.68B29-0.72-0.68-0.71-0.81-0.72-0.73-0.501285.060.64B30-0.60-0.58-0.60-0.70-0.61-0.63-0.431268.700.69B31 1.060.890.92 1.010.900.880.601789.800.62B321.070.900.931.030.910.890.611546.950.61㊀㊀由表3可以看出,回归模型的决定系数R2均大于0.6,说明阴影区域拟合结果可以满足分类精度要求㊂经函数拟合后,研究区中阴影区域的光谱特征均拟合至林地的光谱特征㊂然而,由于阴影所处的区域不同,重采样时受邻近像元的影响,导致466~560nm波谱范围内拟合结果较差,如图8所示㊂由图8可以看出城市区域㊁缓冲区域㊁丘陵区域中光谱曲线466~560nm间差异,在RGB (B12,B6,B1)彩色合成影像中,不同区域由于饱和度㊁明度以及色相的差异,拟合结果也有不同;而城市区域与丘陵区域的光谱曲线对比分析发现,在饱和度与明度较高的区域,拟合结果与周边地物较为接近㊂图8㊀不同阴影区域光谱曲线拟合结果Fig.8㊀Fitting results of spectral curves in differentshadow areas3.3㊀分类结果对比分析使用BP神经网络分类算法分别对经预处理的高光谱影像(图9(a))进行去阴影前与去阴影后分类,分类结果部分区域如图9(b)和图9(c)所示㊂(a)原始影像㊀(b)阴影去除前分类结果㊀(c)阴影去除后分类结果图9㊀阴影区域去除前后的BP分类结果对比Fig.9㊀Comparison of BP classification results before and after shadow area removal㊀㊀由图9可以看出,丘陵地区阴影区域在影像去阴影前被错分为水体,水体的制图精度为95.74%,林地的制图精度为99.14%,OA总体精度97.30%,Kappa系数0.955㊂经函数拟合去除阴影后,阴影区域被分类到林地,去除阴影后林地与水体的分类结果较好,林地与水体的错分现象明显减少,林地制图精度达到99.17%,水体制图精度提高至97.93%,分类OA总体精度增至98.08%,Kappa系数提升至0.968,提高了整体分类精度㊂此外,对山地阴影进行去除实验后,城市阴影被分到水体区域明显减少,由于城市高大建筑阴影与丘陵地区阴影的混淆影响,导致极少数丘陵阴影边缘区域被划分为建筑物㊂通过计算各地物类别的错分率(Error Rate),去除阴影前后林地与水体间存在的错分现象有明显改善㊂存在错分现象的主要原因是水体在影像上的光谱曲线表现与阴影处相似,导致阴影被错分至水体㊂去除阴影后,改变了阴影区域的光谱曲线,使林地与水体的分类结果较好,林地与水体的错分现象明显减少,林地的错分率从2.42%降至1.52%,水体的错分率从7.26%降至4.53%㊂相较于去阴影前高大建筑中的阴影错分为水体的区域有所降低,错分率从3.83%降至0.18%,但是在阴影边缘区域,部分林地被错分至建筑物类别,主要原因是在阴影边缘区域的光谱曲线与城市高大建筑阴影区域较为接近,城市高大建筑物阴影区域错分减少的同时,囊括了山地阴影边缘区域㊂4㊀结束语针对丘陵地区中阴影对高光谱影像分类精度的影响,本文提出一种融合决策树的阴影检测结合基于波段回归模型的阴影去除方法,有效地减弱了丘陵地区阴影对高光谱影像分类精度的影响㊂通过阴影去除前后的BP神经网络分类结果进行比较,阴影去除后的OA整体分类精度较阴影去除前提高了0.78%,Kappa系数提高了0.013㊂阴影去除后虽然提高了分类精度,但是去除阴影后,区域中原有的地物信息也被掩盖,所处地理位置不同的阴影区域拟合的结果也与邻近区域的色度㊁饱和度和明度存在拟合过度的现象,所以自适应的高光谱阴影去除是后续进一步研究的重点㊂参考文献[1]㊀WU M H,CHEN R,TONG Y.Shadow Elimination Algo-rithm Using Color and Texture Features[J].Computation-al Intelligence and Neuroscience,2020(1):1-10. [2]㊀张甜,廖和平,崔林林.包络线去除的丘陵地区遥感影像阴影信息重建[J].遥感学报,2017,21(4):604-613.[3]㊀MAGNO R,ROCCHI L,DAINELLI R,et al.AgroShadow:A New Sentinel-2Cloud Shadow Detection Tool for Preci-sion Agriculture[J].Remote Sensing,2021,13(6):1219.[4]㊀邱实.多光谱卫星遥感影像云及云阴影精准检测算法研究[D].成都:电子科技大学,2018.[5]㊀刘健,许章华,余坤勇,等.山地丘陵区遥感影像阴影检测与去除方法[J].农业机械学报,2013,44(10):238-241.[6]㊀SHILPA M,GOPALAKRISHNA M T,NAVEENA C.Ap-proach for Shadow Detection and Removal Using MachineLearning Techniques[J].IET Image Processing,2020,14(13):2998-3005.[7]㊀VICKY N,PARIMALA G K R,SUNDARAVADIVELU S.Shadow Detection and Removal from Images Using Ma-chine Learning and Morphological Operations[J].TheJournal of Engineering,2019(1):11-18.[8]㊀杨元维,王明威,高贤君,等.改进Wallis模型的高分辨率遥感影像阴影自动补偿方法[J].武汉大学学报(信息科学版),2021,46(3):318-325.[9]㊀NI Y,HE G,JIANG W.A Novel Method of Cloud andShadow Extraction with Multi-temporal Landsat8OLI Ima-ges[J].ISPRS-International Archives of the Photogram-metry,Remote Sensing and Spatial Information Sciences,2017,XLII-2/W7:1301-1305.[10]SABRI M A,AQEL S,AARAB A.A Multiscale BasedApproach for Automatic Shadow Detection and Removal inNatural Images[J].Multimedia Tools and Applications,2019,78(9):11263-11275.[11]刘佳凤.基于空谱特征学习的高光谱影像分类研究[D].西安:西安电子科技大学,2020.[12]秦琴,王修信.利用CVGS-XGBoost遥感识别水体与山体阴影信息[J].桂林理工大学学报,2020,40(4):850-858.[13]LI S M,SUN D,GODLBERG M E,et al.Object-basedAutomatic Terrain Shadow Removal from SNPP/VIIRSFlood Maps[J].International Journal of Remote Sensing,2015,36(21-22):5504-5522.[14]殷子瑶,李俊生,范海生,等.珠海一号高光谱卫星的于桥水库水质参数反演初步研究[J].光谱学与光谱分析,2021,41(2):494-498.[15]YANG H,CHENG Y X,LI G H.A Denoising Method forShip Radiated Noise Based on Spearman Variational ModeDecomposition,Spatial-dependence Recurrence SampleEntropy,Improved Wavelet Threshold Denoising,andSavitzky-Golay Filter[J].Alexandria Engineering Jour-nal,2021,60(3):3379-3400.[16]曹斌,邱振戈,朱述龙,等.BP神经网络遥感水深反演算法的改进[J].测绘通报,2017(2):40-44. [17]BAO Y H,REN J B.Wetland Landscape ClassificationBased on the BP Neural Network in DaLinor Lake Area[J].Procedia Environmental Sciences,2011,10(1):2360-2366.作者简介㊀㊀肖㊀斌㊀男,(1996 ),就读于桂林理工大学资源与环境专业,硕士研究生㊂主要研究方向:农业遥感㊂㊀㊀徐㊀勇㊀男,(1988 ),博士,讲师㊂主要研究方向:生态遥感㊁环境遥感以及高光谱遥感㊂㊀㊀苗林林㊀女,(1997 ),硕士研究生㊂主要研究方向:农业遥感㊂㊀㊀(∗通信作者)何宏昌㊀男,(1960 ),博士,教授㊂主要研究方向:海洋遥感㊁精准农业遥感㊂㊀㊀张㊀洁㊀女,(1997 ),硕士研究生㊂主要研究方向:海洋渔场预报㊂㊀㊀刘㊀兵㊀女,(1996 ),硕士研究生㊂主要研究方向:农业遥感㊂。

2020.22科学技术创新基于BP-神经网络的区域下垫面遥感图像解译方法及其应用———以上海市太浦河两翼地区为例朱雪兰高程程曲江北（上海碧波水务设计研发中心，上海200233）近年来，随着计算、人工智能技术的高速发展，人工神经网络技术也逐步发展成熟，其具有良好的容错性和鲁棒性，能有效解决遥感图像处理中的常见问题，因此在遥感图像分析与处理领域得到了广泛地应用[1-2]。

杜华强[3]等基于Matlab 平台构建自组织神经网络，对一幅TM432假彩色遥感图像进行了300次训练，计算得到分类总精度为87.14%，仿真输出能真实地反映原始图像的特征。

骆成凤[4]等提出了基于遗传算法优化的BP 神经网络遥感数据分类算法，以中巴地球资源一号卫星数据为试验数据进行了验证，表明该算法不但有较高的执行效率，也能达到很高的分类精度。

以上海市太浦河两翼地区为例，根据水利规划的相关要求，利用遥感解译软件envi5.5将该区域的无人机航拍影像图分为水体、房屋、道路、绿地、旱地、农田等六大地物类型，结合人工神经网络算法确定各个类别的空间分布，并统计各个类别的面积，为水利设计相关工作提供技术支撑。

1遥感解译方法1.1遥感图像分类基本原理遥感分类就是利用计算机对各类地物的光谱信息和空间信息进行分析进而选择特征参数，并将特征空间划分为互不重叠的子空间，然后将影像图内各个像元划归类到各个子空间，从而实现了分类。

一般的，分类过程如图1所示。

图1遥感图像分类过程1.2遥感图像分类过程遥感图分类过程主要包括对原始图像的预处理、选择训练区、提取特征值、分类、校验结果和成果输出等。

1.3BP 神经网络工神经网络模型众多，其中最易理解、最直观、应用最为广泛的是多层前馈神经网络及误差逆传播学习算法，简称为BP 网络，具有很强的非线性映射能力和柔性的网络结构。

即神经网络的中间层数以及各层中的神经元个数可根据具体情况任意设定，且随着结构的差异其性能也有所不同。