一种改进的BP神经网络在遥感图像分类中的应用

PSO—BP模型在遥感影像分类中的应用研究

针对目前采用BP神经网络模型进行遥感影像分类时存在的对初始权阈值敏感、易陷入局部极值和收敛速度慢的问题，为了提高BP模型遥感影像分类精度，将粒子群算法引入到BP网络模型参数选择中。首先运用粒子群算法对BP模型权阈值参数进行初始寻优，再用改进BP算法对优化的网络模型权阈值进一步精确优化，随后建立基于粒子群算法的BP网络分类模型，并采用MATLAB语言实现了该算法，将其应用到遥感影像数据分类研究中。仿真结果表明，新模型有效提高了遥感影像分类准确性，为遥感影像分类提出了一种新的方法，具有广泛研究价值。

标签：遥感；影像分类；BP神经网络；粒子群算法

1 概述

自20世纪70年代以来，遥感技术伴随着地理信息处理技术的飞速发展也得到了快速发展。遥感影像分类技术作为遥感技术中的研究重点，更加得到了相关学者的关注。近年来，人工神经网络作为一种新型的信息处理技术，已被广泛应用于遥感图像分类，其中应用最多最成功的当数BP神经网络[1-3]。但是，BP神经网络由于其初始权阈值的不确定性，使得BP神经网络存在着训练速度慢，易陷入局部极小值的问题。因此，出现了大量对BP神经网络的改进方法。改进方法分为两类，第一类是对BP神经网络算法的改进，如附加动量法、带有动量项自适应学习率法以及Levenberg-Marquard算法等[4-6]。第二类是引入新的智能算法优化BP神经网络权阈值，然后结合改进BP算法改进BP神经网络运行效果，提高BP模型运行效率[7，8]。本文主要研究基于粒子群神经网络（PSO-BP）的遥感影像分类模型，并采用MATLAB语言实现了该模型，实验结果表明，该改进模型不仅具有更好地分类稳定性，同时也具有比BP神经网络模型更高的分类精度。

2 遥感影像分类模型的搭建

2.1 核心思想

遥感影像分类模型搭建的理论基础是粒子群算法与BP神经网络的有效结合，相比遗传算法，粒子群算法保留了种群基础上的全局搜索策略，其采用的速度——位移进化方式操作简单，避免了复杂的选择交叉变异操作。它特有的记忆能力使其可以根据当前追踪的搜索情况，動态调整搜索策略，寻找到最优解。因此，本文在构建基于BP神经网络的遥感影像分类模型的基础上，将粒子群算法引入到BP神经网络模型参数的优化中，首先采用粒子群算法缩小BP模型权阈值的搜索范围，然后再采用改进的BP神经网络算法进行二次搜索，确定权阈值，得到模型最终权阈值，形成最终模型。这样构造的模型既可以避免由于权阈值的随机性造成的神经网络学习的稳定性差、可靠性低与易陷入局部极小的问题，同时又可以提高模型的分类精度。

2009年6月

第7卷第3期地理空间信息

ＧＥＯＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＪｕｎ．，２００９

Ｖｏｌ．７，Ｎｏ．３

基于改进BP神经网络的遥感影像混合像元分解

黎贵发

（广东省国土资源厅测绘院，广东广州510500）

摘要：提出了一种基于改进BP神经网络的混合像元分解模型，通过加入动量项和变步长法对标准BP算法进行改进。利

用该模型对多光谱遥感影像进行了处理分析，与一般BP分解模型进行比较后证明：改进的BP神经网络模型具有正确率

高，自适应能力强的优点。

关键词：混合像元；混合分解；神经网络；BP

中图分类号：P237文献标志码:B文章编号:1672-4623(2009)03-0065-03

PixelUn-mixinginRSImageBasedonaModifiedBPNeuralNetwork

LIGuifa

（ＩｎｓｔｉｔｕｔｅｏｆＳｕｒｖｅｙｉｎｇａｎｄＭａｐｐｉｎｇ，ＤｅｐａｒｔｍｅｎｔｏｆＬａｎｄｓａｎｄＲｅｓｏｕｒｃｅｏｆＧｕａｎｇｄｏｎｇＰｒｏｖｉｎｃｅ，

Ｇｕａｎｇｚｈｏｕ５１０５００，Ｃｈｉｎａ）

Abstract:Ｉｔｉｓｄｉｆｆｉｃｕｌｔｔｏｃｌａｓｓｉｆｙｍｉｘｅｄｃｅｌｌｓｉｎｒｅｍｏｔｅｓｅｎｓｅｄｉｍａｇｅ．Ｉｎｔｈｉｓｐａｐｅｒ，ａｍｏｄｉｆｉｅｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ

ｗａｓｄｅｖｅｌｏｐｅｄｔｏｒｅｓｏｌｖｅｉｔｔｈｒｏｕｇｈａｄｄｉｎｇａｍｏｍｅｎｔｕｍａｎｄｃｈａｎｇｉｎｇｔｈｅｌｅａｒｎｉｎｇｒａｔｅ．Ｔｈｉｓａｌｇｏｒｉｔｈｍｗａｓｔｅｓｔｅｄ

ｏｎａｍｕｌｔｉ－ｓｐｅｃｔｒａｌｉｍａｇｅ．ＯｂｔａｉｎｅｄａｃｃｕｒａｃｙｍｅａｓｕｒｅｓｗｅｒｅｈｉｇｈｅｒｃｏｍｐａｒｅｄｗｉｔｈｃｏｎｖｅｎｔｉｏｎａｌＢＰｕｎ－ｍｉｘｉｎｇ

ｍｏｄｅｌ，ａｎｄｉｔｈａｓｂｅｅｎｐｒｏｖｅｄｅｆｆｅｃｔｉｖｅ．

Keywords:ｍｉｘｅｄｐｉｘｅｌ；ｐｉｘｅｌｕｎ－ｍｉｘｉｎｇ；ＡＮＮ；ＢＰ

第３１卷第３期　２０１３年９月　四ＪＩＩ农业大学学报　Ｊｏｕｒｎａｌ　ｏｆ　Ｓｉｃｈｕａｎ　Ａｇｒｉｃｕｌｔｕｒａｌ　Ｕｎｉｖｅｒｓｉｔｙ　ＶｏＬ　３１　Ｎｏ．３　Ｓｅｐ．２Ｏ１３　

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１０００—２６５０．２０１３．０３．００６　

基于改进ＢＰ神经网络的高光谱遥感树种信息提取技术　

王吉斌　，刘晓双　，吴　见　（１．国家林业局西北林业调查规划设计院，西安　７１００４８；　２．滁州学院，安徽滁州　２３９０００）　

摘要：【目的】通过分析树种间的光谱差异及改进分类算法以提高树种信息提取精度。【方法】文章采用安徽省砀山　县Ｅ０—１　Ｈｙｐｅｒｉｏｎ影像，通过不同树种光谱信息的差异分析，筛选出区分树种信息的光谱指标，并采用改进的ＢＰ神　经网络模型完成树种信息提取。【结果】结果表明，原始反射率和一阶微分部分光谱波段可用于树种识别，且一阶微　分光谱的差异大于原始反射率；引入动量项和遗传算法改进的ＢＰ神经网络模型树种识别精度较传统ＢＰ神经网络　提高８．５　，Ｋａｐｐ　系数提高０．１２。【结论】该方法可以实现较为准确的树种信息提取，能够达到对林业工程进行监　

测的目的，对快速评价工程质量有重要意义。　关键词：高光谱；树种；神经网络；光谱分析　中图分类号：ＴＰ７９　文献标志码：Ａ　文章编号：１０００　２６５０（２０１３）０３—０２６４—０５　

Ｅｘｔｒａｃｔｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ　ｏｆ　Ｔｒｅｅ　Ｓｐｅｃｉｅｓ　Ｉｎｆｏｒｍａｔｉｏｎ　ｏｆ　Ｈｙｐｅｒｓｐｅｃｔｒａｌ　

Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｂａｓｅｄ　ｏｎ　Ｉｍｐｒｏｖｅｄ　ＢＰＮＮ　

ＷＡＮＧ　Ｊｌ＿ｂｉｎ　，ＬＩＵ　Ｘｉａｏ—ｓｌｎｕａｎｇ　，ＷＵ　ｄｉａｎ　（１．Ｎｏｒｔｈｗｅｓｔ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｆｏｒｅｓｔ　Ｉｎｖｅｎｔｏｒｙ，Ｐｌａｎｎｉｎｇ　Ａｎｄ　Ｄｅｓｉｇｎ，ＳＦＡ，Ｘｉ＇ａｎ　７１００４８，Ｃｈｉｎａ　２．Ｃｈｕｚｈｏｕ　Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｕｚｈｏｕ　２３９０００，Ａｎｈｕｉ，Ｃｈｉｎａ）　

基于ＢＰ神经网络的高分辨率遥感影像分类处理杨希　基于ＢＰ神经网络的高分辨率遥感影像分类处理　杨　希　（中铁第四勘察设计院集团有限公司工勘院武汉４３００６３）　【摘要】为了能从高分辨率遥感影像中有效提取地物信息，本文顾及影像的光谱和纹理特征，尝试利用　ＢＰ神经网络算法进行影像分类研究。首先提取分类所需的光谱和纹理特征源；然后根据影像和地物特　征，建立ＢＰ神经网络，用于样本训练和分类处理，实现地物分类。为验证该方法的可靠性，选用２００６年　ｌ１月获取的四川省成都平原某区域的ＱｕｉｃｋＢｉｒｄ影像作为源数据，并以总体精度和Ｋａｐｐａ系数作为精度　评定指标，进行高分辨率遥感影像的地物分类实验。结果显示，结合影像光谱和纹理特征的ＢＰ神经网络　分类方法，不仅可以达到较高的分类精度，还能有效保证ＢＰ神经网络分类训练的稳定性和收敛速度。　【关键诵】地物分类光谱特征纹理特征ＢＰ神经网络　

１引　言　自２０世纪７０年代以来，随着卫星遥感技术的　广泛发展和应用，卫星影像的分辨率得到了不断提　高，从１．１ｋｍ的ＮＯＡＡ气象卫星影像发展到３０ｍ　的ＬａｎｄｓａｔＴＭ影像、１０／２０ｍ的ＳＰＯＴ影像、以及全　色波段ｌｍ的ＩＫＯＮＯＳ影像、０．６１ｍ的ＱｕｉｃｋＢｉｒｄ　影像及０．４６ｍ的ＷｏｒｌｄＶｉｅｗ２影像等，逐渐呈现出　米级分辨率的趋势。高分辨率遥感影像成为当今　遥感领域的主要数据资料，它借助获取速度快、空　问分辨率高、地物信息详尽及可提供立体影像等特　点，已表现出逐步取代中低分辨率影像的趋势，并　在商业和民用的很多领域中发挥出重大作用　。对　高分辨率遥感影像进行分类处理，提取出其中丰富　的信息资源，可进行各类实际的生产和应用，如城　市规划与研究、土地利用／土地覆盖类型调查与监　测、环境监测与质量分析、农业产量评估和病虫害　监则、自然灾害的实时监测等。　ＢＰ（Ｂａｃｋ．ｐ　ｏｐａｇａｔｉｏｎ）神经网络分类法是一种非　参数的分类方法，比之基于传统统计理论的分类方　法，它不需要对目标的概率分布函数作某种假定或估　计，具有良好的适应能力和复杂的映射能力　，故在　进行以数据量多、含混度高著称的遥感影像的分类处　理时，该方法能获得很好的分类结果和分类精度。　本文尝试采用ＢＰ神经网络方法对全色分辨率　为０．６１ｍ的ＱｕｉｃｋＢｉｒｄ影像进行分类处理，提取影　像中的各类地物信息。分类时，为充分地利用高分　辨率影像的光谱和空间信息，提取影像的光谱特征　和纹理特征作为分类的特征源，以ＢＰ神经网络方　法对四川Ｉ省成都市某平原地区（图１）影像进行分类　处理，提取该区的地物信息。