神经网络及模糊算法的遥感数据分类研究

论文摘要

随着多波段,多分辨率遥感数据的增加和应用质量的不断提高,需要开发更加有效的遥感数据分类算法,当前图像处理软件中的统计分类方法是以参数假设为约束条件,需要数据分布服从高斯分布。但多数的遥感数据的分布并不服从高斯分布的假设条件,因而导致分类精度不高的原因之一。因此,本文以非线性理论为指导,探索了以SOFM神经网络分类方法,改进的BP神经网络和模糊数学方法的遥感数据分类方法的实现。本文以广州三水市Landsat TM5,4,3三波段遥感影像和SPOT遥感影像为数据源,主要研究了神经网络和模糊算法两种方法在遥感图像分类中的应用。根据所选区域的实际情况,将土地覆盖/利用类型分为五类:水体（包括河流,湖）,旱地,裸露地（包括道路,居民地,桥梁和未利用地）、林地和水田5类覆盖物进行分类试验研究。在基于神经网络分类实验中,我们采用了自组织特征映射神经网络（SOFM）算法和改进的BP算法方法对图像进行了分类,并与传统的最大似然法比较达到了很好的效果。在基于模糊网络方法的分离实验中,我们分别采用了K-均值算法（一种硬划分聚类方法）、模糊C-均值算法（等轴空间聚类）对图像进行了分类,并进行了对比分析,结果显示模糊方法精度较好。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题背景和选择依据
• 1.2 遥感影像分类的发展和现状
• 1.2.1 按照分类时被分像元的纯净程度
• 1.2.2 按照分类的对象
• 1.3 国内外的研究动态及发展趋势
• 1.3.1 遥感信息处理技术的发展
• 1.3.2 模式识别在遥感图像信息处理中的应用
• 1.4 本文研究内容
• 2 遥感图像的分类基本原理和方法
• 2.1 遥感图像分类的基本原理
• 2.2 遥感图像分类的传统方法
• 2.3 遥感图像分类的误差与精度评价
• 3 神经网络分类方法
• 3.1 神经网络基本原理和方法
• 3.2 自组织特征映射神经网络分类方法
• 3.2.1 自组织特征映射神经网络原理
• 3.2.2 自组织特征映射神经网络算法
• 3.2.3 自组织特征映射神经网络分类的实例
• 3.3 BP 神经网络分类方法
• 3.3.1 BP 学习算法原理
• 3.3.2 BP 算法编程步骤
• 3.3.3 改进的BP 算法
• 3.4 遥感数据分类实验及分析
• 3.4.1 实验数据的准备
• 3.4.2 BP 方法分类实例
• 3.4.3 分类精度评价
• 4 模糊理论和聚类分析在分类中的应用
• 4.1 模糊理论的基本概念
• 4.1.1 模糊理论的产生和发展
• 4.1.2 模糊集合和隶属度的概念
• 4.1.3 模糊关系
• 4.2 模糊集理论在模式识别中的应用
• 4.2.1 隶属度原则和择近原则
• 4.2.2 基于模糊等价关系的模式分类
• 4.3 聚类分析在分类中的应用
• 4.3.1 聚类分析在分类中的应用
• 4.3.2 硬聚类和硬C-均值聚类算法
• 5 模糊算法对遥感图像分类
• 5.1 模糊C-均值聚类算法
• 5.2 实验数据的准备
• 5.3 实验结果
• 6 结论
• 6.1 结论
• 6.2 展望
• 致谢
• 参考文献
• 附录