当前位置：文档之家 › 基于BP人工神经网络的遥感影像分类_徐磊

基于BP人工神经网络的遥感影像分类_徐磊

  • 格式：pdf
  • 大小：1.27 MB
  • 文档页数：5

２０１２年８月第１０卷第４期地理空间信息ＧＥＯＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＡｕｇ．，２０１２Ｖｏｌ．１０，Ｎｏ．４基于BP人工神经网络的遥感影像分类徐磊1,2，林剑1，李艳华1,2，燕梅1,2（1.湖南科技大学知识处理与网络化制造重点实验室，湖南湘潭411201；2.湖南科技大学建筑与城乡规划学院地信系，湖南湘潭411201）摘要：重点讨论了遥感图像分类处理过程中应用效果显著的BP神经网络方法，并在Matlab软件平台下对基于BP神经网络的分类算法进行了研究，最后将它的分类结果与ERDAS软件平台下的监督分类结果进行分类精度评定比较分析。结果表明,基于BP神经网络的遥感图像分类总精度比ERDAS软件平台下的监督分类的总精度高，是一种有效的遥感影像分类方法。关键词：BP人工神经网络；遥感影像；Matlab中图分类号：P237文献标志码:B文章编号:1672-4623(2012)04-0083-03

收稿日期：2012-02-21项目来源：湖南省科技计划一般项目(2010FJ3166)；湖南省发改委资助项目(湘财企指[2008]149号)。传统遥感图像的分类方法是通过目视解译，这种方法需要图像判读者具有丰富的地学知识和判读经验，费时费力，资金投入高，获取周期长，时效性差[1]。随着计算机技术的飞速发展，计算机在遥感图像判别中得到广泛应用。计算机遥感图像判别主要采用统计模式识别的方法，此方法利用图像中地物的光谱特征，对图像中的地物进行分类，利用计算机统计模式识别获取遥感信息已成为各项研究、动态监测、数据更新等的重要数据来源[1]。因此，如何准确提取研究区数据及遥感影像分类成为一项有意义的工作。本文引入人工神经网络模型，加快了处理速度，提高了分类精度[2]。目前应用的神经网络模型有很多种，本研究采用BP神经网络对影像进行分类处理。1BP神经网络1.1基本原理20世纪80年代，Rumelhart等提出了BP反向学习算法，在此基础上发展为BP神经网络(BPNN)。BP神经网络是一种多层前馈神经网络，具有多层结构。常用的BP神经网络模型由3个神经网络元层组成，其起始层为输入层，中间层为隐含层，最后层为输出层，相邻层次的神经元之间用连接权系数相互连接，而各层内的神经元之间没有连接[3]，如图1所示。图1三层BP网络结构图网络的实现分两步完成，即正向传播和反向传播。正向传播时，当把学习样本提供给网络后，输入层神经元获得学习样本的激活值，从输入层经各中间层处理后向输出层传播，当输出层的各神经元获得网络的输入响应后，把现行输出与期望输出进行比较。如果现行输出不等于期望输出，则进入反向传播过程，即按照减少目标输入与实际误差的方向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，反复进行直到得到误差最小值[3]。1.2结构设计本研究根据分类的ETM+多光谱遥感影像为3个波段将输入层节点设为3个，按分类输出地物类别模式为4类将网络输出层节点数置为4个，隐含层节点数目选择尚没有理论指导，这里经过反复试验将其确定为9个。输入层的传递函数采用TANSIG双曲正切型S激活函数，隐含层的传递函数采用LOGSIG对数型S激活函数，这2个函数都是可微的，很适合于利用BP算法训练神经网络。2基于BP神经网络遥感影像分类的实现2.1数据处理2.1.1遥感影像预处理对遥感影像进行预处理，即对其做辐射增强、光谱增强、降噪、去条带、辐射校正等处理，增强地物光谱特征及消除影像中的噪声、阴影，以便更好地区分不同的地物类别[4-5]。图2、图3为影像预处理前后对比显示结果。地理空间信息图2原始遥感影像图3预处理后的结果2.1.2数据归一化处理在Matlab环境下调用rgb2gray函数先将栅格图像转换为灰度图像，然后调用im2double函数将灰度值转换成双精度格式，灰度值归一在(0，1)之间。归一化处理避免了选择训练样本灰度值时出现奇异样本数据，这样使后面的数据处理更为方便，程序运行时收敛更快，但是在最后应对仿真结果输出时需要进行反归一化处理。2.2遥感影像分类2.2.1初始权值的选取初始值对于学习是否达到局部最小，是否能够收敛以及训练时间的长短关系很大。如果初始值选择太大，使得加权后的输入落在激活函数的饱和区，从而导致其导数非常小，当它趋近于0时，使得调节过程几乎停顿下来[6-7]。所以，初始权值选择为(-1，1)之间的随机数，经过初始加权后每个神经元的输出值都接近于0，这样保证每个神经元的权值都能够在它们的S型激活函数变化最大的地方进行调节。2.2.2设置网络训练参数反复对比调整学习速率，结果表明当学习速率选择为0.6，期望误差最小值为0.01，网络训练到1675次收敛。对学习速率的选择，如果选择过大则导致系统不稳定，过小则导致训练时间较长，收敛速度慢。表1为最终确定的学习速率和期望误差最小值及最大训练次数。表1网络训练参数表期望误差最小值err-goal最大循环次数max-epoch修正权值学习速率lr循环训练位置forepoch0.0120000.612.2.3样本数据选择在归一化后的灰度图像中选择每一类别典型区的4组像元灰度值，并将其中3组灰度值组合成矩阵训练样本p，剩下1组数据组合成测试样本pt。测试样本pt用于测试网络准确性。根据研究区地物类型确定目标样本为（1，0，0，0）、（0，1，0，0）、（0，0，1，0）、（0，0，0，1）。2.2.4建立BP网络输入矢量矩阵p范围为(0，1)，隐含层神经元的传递函数采用tansig双曲正切S型函数，输出层神经元传递函数采用logsig对数S型函数，采用newff函数建立BP网络。式中，threshold定义了输入向量的最大值和最小值；tra-inlm为采用的训练函数。2.2.5网络训练与测试通过调用train函数net=train(net,p,t)完成网络训练，求出满足误差条件的权矩阵。该过程是一个不断修正权值和阀值的过程，系统通过调整使网络的输出误差平方和SSE小于设定的期望误差最小值，从而满足分类要求。2.2.6模式识别与分类图输出样本训练完成后，权矩阵满足要求。此时，将遥感影像上的任何一个像素的灰度值作为输入向量，通过计算可得到输出向量，向量分量对应于该像素在各个事先指定的分类类型的概率值，其中最大的概率值所对应的类型即为该像素所属类型，然后输出分类图像。3研究结果与分析为了有效地对分类结果进行精度分析，本文通过对BP神经网络的分类类型精度分析以及与监督分类的各地物类型面积、各分类精度、分类总精度和Kappa系数对比分析来完成分类结果的精度评定。首先统计出各地物类型的面积，对面积进行分析；其次在精度评估对话框中完成2种分类结果图像的特定像元与已知分类的参考像元进行比较。在预处理后的图像中产生100个随机点，查看并给出这些随机点的实际类别，并保证随机点的Reference字段与实际类别值一致，输出分类评价报告进行分析，见图4。

图4BP神经网络的分类精度评定产生随机点1）BP神经网络分类方法的分类面积与实地调查第１０卷第４期85面积的对比分析。对比BP神经网络分类和ERDAS软件平台下监督分类的结果（如图5、图6所示），在ERDAS软件平台下对BP神经网络分类和监督分类的结果图像进行面积计算，并与2003年实地调查结果进行对比统计，结果如表2所示。图5BP神经网络分类图6监督分类2种分类方法分类后道路面积增减百分比最大，BP神经网络分类为21.05%，监督分类为50.91%，说明道路分类精度低。因为在分类过程中，道路、耕地、林地间出现了异物同谱现象，以致在分类结果中出现错分和漏分。将BP神经网络分类的道路面积170.35hm2、监督分类的道路面积212.38hm2与2003年实地调查面积140.73hm2对比发现，BP神经网络分类的道路面积更接近于实地调查面积。BP神经网络分类的耕地面积243.46hm2，比监督分类的耕地面积318.57hm2更接近于实地调查面积267.45hm2。表22种分类方法的分类面积与实地调查面积对比表项目耕地林地水体道路总面积BP神经网络分类面积/hm2243.461398.60104.19170.351916.60监督分类面积/hm2318.571274.28111.37212.381916.602003年实地调查面积/hm2267.451402.04106.38140.731916.60BP神经网络与调查面积增减百分比/%-8.97-0.25-2.0621.050.00监督分类与调查面积增减百分比/%19.11-0.914.6950.910.00由表2可知，面积变化最小的是水体，这和水体的光谱特征比其他地物易于识别，分类出现错分情况少有关。同样将2种分类的水体面积与实地调查面积相比，BP神经网络分类的水体面积104.19hm2比监督分类的水体面积111.37hm2更接近于实地调查水体面积106.38hm2。林地在BP神经网络分类和监督分类中的分类面积1398.60hm2和监督分类面积1274.28hm2与实地调查面积比较，BP神经网络分类结果更接近于实地调查的林地面积1402.04hm2。2）BP神经网络分类与监督分类的分类精度对比分析。我们统计出BP神经网络分类和ERDAS软件平台下对研究区做监督分类的各地物类型分类精度、分类总精度以及Kappa系数和总Kappa系数（如表3、表4所示）。由于实验遥感影像在12月初拍摄，部分耕地已种有冬季农作物，使得这类耕地的光谱特征与部分林地光谱特征接近，而没有种植作物的耕地的光谱特征则和道路的光谱特征较为接近。所以耕地和道路分类精度有所下降。BP神经网络分类的耕地和水体分类精度达到100%，这是因为随机产生100个精度评定随机点中，代表耕地和水体的点属性能与这2类地物的实地地物类型完全匹配。BP神经网络分类后的这2类面积均比实际的面积有所减少，与面积对比分析结果吻合。表3分类精度对比表/%分类方法耕地林地水体道路分类总精度BP神经网络100.0093.06100.0066.6792.00监督分类70.0090.6383.3340.0081.00精度差30.002.5716.6726.6711.00从表3分析得出BP神经网络分类方法的耕地、水体、道路、林地较ERDAS软件平台下监督分类的分类精度分别提高了30.00%、16.67%、26.67%和2.57%，分类总精度提高了11.00%，一定程度上避免了错分和漏分情况，从而提高分类精度。Kappa系数是在综合了用户精度和制图精度2个参数的基础上提出的一个最终指标，用来评价分类图像的精度，值域在(-1，1)区间内，值越大，表示图像分类精度越好[2,7]。精度评定过程中随机产生的100个点，代表BP神经网络分类后耕地和水体属性随机点能充分与实地调查的耕地和水体属性完全匹配，故BP神经网络分类后耕地和水体的Kappa系数达到了1.0000，比监督分类的Kappa系数分别提高了0.3797和0.1812。BP神经网络分类的林地和道路分别比监督分类的Kappa系数提高了0.0653和0.2704。对比分析2种分类方法统计出来的各类型地物的Kappa系数，BP神经网络分类的各类型地物Kappa系数都比监督分类的Kappa系数高，表明BP神经网络分类方法用于遥感影像分类能有效地提高分类精度高（见表4）。表4Kappa系数对比表分类方法耕地林地水体道路总Kappa系数BP神经网络1.00000.78961.00000.64540.8346监督分类0.62030.72430.81880.37500.6393Kappa系数差0.37970.06530.18120.27040.19534结语通过对比BP神经网络分类和（下转第88页）徐磊等：基于BP人工神经网络的遥感影像分类

合集下载

基于空间自相关BP神经网络的遥感影像亚像元定位

基于空间自相关BP神经网络的遥感影像亚像元定位

基于空间自相关BP神经网络的遥感影像亚像元定位

许雄;钟燕飞;张良培;李平湘

【摘 要】亚像元定位技术是一种获取地物在混合像元中分布信息的有效方法.提出一种基于空间自相关函数的遥感影像BP神经网络亚像元定位方法,与传统的BP神经网路亚像元定位方法相比,该方法利用空间自相关函数Moran's I 在亚像素级上对定位结果进行约束,其结果更符合空间相关性假设理论.试验结果表明,该方法优于传统BP神经网络亚像元定位方法,具有更高的定位精度.

【期刊名称】《测绘学报》

【年(卷),期】2011(040)003

【总页数】5页(P307-311)

【关键词】遥感影像；亚像元定位；BP；自相关；Moran's I

【作 者】许雄;钟燕飞;张良培;李平湘

【作者单位】武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079;武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079;武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079;武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079

【正文语种】中 文

【中图分类】P237

遥感影像普遍存在混合像元的现象。软分类技术,如混合像元分解技术[1-2],能够获取像元中每一个地物类别对应的丰度,获得与类别个数相等的丰度影像,有效地解决像元混合问题。然而混合像元分解仅能获取各端元组分的丰度,无法确定各种地物在像元空间中的具体位置,仍然会造成遥感影像空间细节信息的丢失。

针对该问题,文献[3]提出了亚像元定位的概念。亚像元定位是一种将软分类转换成更高空间尺度上的硬分类技术[4]。国内外已经开展了许多这方面的研究工作[5-10]。其中基于BP神经网络提出的亚像元定位方法[6-7],利用BP神经网络的非线性拟合特性能够获得较高的亚像元定位精度。

然而传统的基于BP神经网络的亚像元定位方法仅考虑地物在像素级的空间关系[6-7],并未考虑地物在亚像元级的空间关系,其结果并不完全符合空间相关性假设。为更好地进行亚像元定位,本文提出一种基于空间自相关系数Moran’s I的BP神经网络模型亚像元定位方法,试验证明,该方法能够获得更高的亚像元定位精度。

PSO—BP模型在遥感影像分类中的应用研究

PSO—BP模型在遥感影像分类中的应用研究

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。

基于改进BP神经网络的遥感影像混合像元分解

基于改进BP神经网络的遥感影像混合像元分解

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

基于神经网络的遥感图像分类的新方法研究

基于神经网络的遥感图像分类的新方法研究

龙源期刊网

基于神经网络的遥感图像分类的新方法研究

作者：武创举等

来源：《中国科技博览》2014年第07期

[摘 要]随着神经网络理论的深入研究，人工神经网络在遥感图像分析与处理的各个方面都有广泛的适用性，并且已经取得了较好的效果，是遥感信息提取的一种有效途径。本文介绍了BP神经网络在遥感影像分类中的应用，通过自适应和在网络权值调整过程中加入特征因子算法，并结合Matlab软件，改进了BP神经网络的优化算法，使网络对误差变化敏感且收敛速度快，减少了人为因素的干预，改善了学习速率和网络的适应能力，而且精度可靠。

[关键词] BP神经网络 图像分类 Matlab 自适应特征因子 收敛速度 精度

中图分类号：P23 文献标识码：A 文章编号：1009-914X（2014）07-0321-03

1.引言

卫星遥感对地观测技术是人类获取资源环境动态信息的重要手段，无论是专业信息提取、动态变化预测、还是专题地图制作和遥感数据库的建立等都离不开分类。在数学方法的引入和模型研究的进展为影像的分类注入了新的活力，不同的数学方法和参数特征因子被引用到模型的研究上来，为模型研究的发展提供了广阔的天地。而基于改进的BP神经网络，更是融合了自适应特征因子和非线性函数逼近的网络模型，不仅学习速度快，而且有高度复杂的映射能力。

2.人工神经网络的分类方法

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】。其概念是在20世纪40年代中期由McCulloch和Pitts提出的，70年代得到应用，80年代以来，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。