人工神经网络在遥感影像分类中的应用与对比研究

论文摘要

随着遥感数据的空间分辨率、光谱分辨率、时间分辨率不断提高,现已形成集多源、多光谱、多空间分辨率的遥感影像海量数据集。但如何利用这些数据来挖掘潜藏的信息,是限制遥感发展和应用的一个关键性问题。其中,影像分类作为遥感信息提取的一个重要方面,应用传统贝叶斯分类器的遥感影像分类方法已不能满足精度的需要,而基于非线性映射的人工神经网络分类方法为这一问题提供了更加理想的解决方案,因为神经网络分类并不是基于某个假定的概率分布,而是通过对训练样本的学习获得网络的权值,形成分类器。采用神经网络算法进行遥感影像分类,可以在一定程度上消除传统的遥感影像分类所带来的模糊性和不确定性。本文采用2002年呼和浩特东北部地区的Landsat TM遥感数据为数据源,在深入研究标准BP神经网络理论的基础上,通过对训练样本构建方法、训练算法的选择、最佳隐含层神经元个数的确定等方面,对BP神经网络分类过程进行了系统的研究,对于实现过程中所存在的问题,提出自己的改进方法。研究结果表明:使用样本均值法构建的训练样本所训练的网络即使能够以高精度、快速收敛,但不能实现有效分类;针对于标准BP网络收敛速度慢、容易陷入局部最小的问题,研究中发现基于LM算法BP神经网络极大地提高训练速度以及收敛精度,取得非常好的分类效果;在以上研究的基础上,为了克服波段间高相关和数据冗余的问题,将TM1、TM2、TM3共3个波段进行主成分分析,取第一主成分,与其它波段构成数据集,并用此数据进行人工神经网络训练和分类研究。结果表明,在分类精度相差不大的条件下,应用主成分变换使网络的收敛更加迅速、仿真速度有所加快。将基于LM训练算法的BP神经网络分类结果分别同最大似然法、目视解译结果进行比对,总体上说,神经网络的分类精度要比最大似然法分类效果要好,更加接近目视解译结果,人工神经网络遥感影像分类方法比传统分类方法有所改进。然而,采用神经网络模型仍存在许多亟待解决的问题,如神经网络最佳结构的确定,参数的选择,同时神经网络也是基于光谱特征对遥感影像进行分类的,也存在同最大似然法同样的问题,不能解决“同谱异物”“同物异谱”现象等问题,有待集成其它数据来解决,进一步提高分类精度,满足实际应用的需要。

论文目录

• 中文摘要
• Abstract
• 1 概述
• 1.1 论文研究背景及意义
• 1.2 人工神经网络发展历史过程简介
• 1.3 人工神经网络遥感影像分类的国内外研究进展
• 1.4 本文研究技术路线图
• 1.5 论文研究内容及框架
• 2 BP神经网络的基本原理
• 2.1 BP神经网络概述
• 2.2 BP算法
• 2.2.1 BP 神经网络拓扑结构
• 2.2.2 标准 BP 算法理论推导过程
• 2.2.3 BP 算法训练过程步骤
• 3 BP 神经网络遥感影像分类实现
• 3.1 实验数据介绍
• 3.2 分类前图像预处理
• 3.2.1 波段选择
• 3.2.2 特征提取
• 3.2.3 几何校正
• 3.3 在MATLAB 中实现遥感影像分类
• 3.3.1 建立 BP 神经网络
• 3.3.2 BP 神经网络训练
• 3.3.3 BP 神经网络仿真
• 3.3.4 结果输出
• 4 标准 BP 神经网络局限性及改进探索
• 4.1 标准 BP 神经网络的局限性
• 4.2 训练样本构建方法的改进
• 4.3 基于LM训练算法的 BP 神经网络
• 4.4 主成分分析与LM算法相结合
• 5 精度对比分析
• 5.1 人工目视解译结果
• 5.2 最大似然法分类结果
• 5.3 各分类方法结果对比分析
• 6 结论与展望
• 6.1 主要结论
• 6.2 研究展望
• 参考文献
• 致谢
• 附录