基于人工神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究.pdf

1、遙感圖像的分類一直是遙感研究領(lǐng)域的重要內(nèi)容，如何解決多類別圖像的識(shí)別并滿足一定的精度，是遙感圖像研究中的一個(gè)關(guān)鍵問題，具有十分重要的意義。人工神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展為解決這一問題提供了新的方法。人工神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)能力和容錯(cuò)特性并且無(wú)須就概率模型作出假定，適用于空間模式識(shí)別的各種問題的處理，因此人工神經(jīng)網(wǎng)絡(luò)技術(shù)正在被越來越普遍應(yīng)用于遙感圖像的分類研究。
　　 本研究在國(guó)內(nèi)外遙感圖像植被分類研究的基礎(chǔ)上，以matlab7.0為平臺(tái)，分

2、別構(gòu)建三層BP神經(jīng)網(wǎng)絡(luò)、四層BP神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)，對(duì)高黎貢山南段的IRS-P6圖像進(jìn)行分類研究，并與傳統(tǒng)的模式識(shí)別方法(最大似然法)的分類結(jié)果進(jìn)行了精度比較分析。研究的主要工作和結(jié)果歸納如下：
　　 (1)通過制作研究區(qū)的數(shù)字高程模型(Digital Elevation Model，簡(jiǎn)稱DEM)、坡度圖、坡向圖，提取研究區(qū)的海拔、坡度、坡向等地理因子。同時(shí)，對(duì)IRS-P6圖像進(jìn)行圖像增強(qiáng)與特征變換處理，主要

3、進(jìn)行K-L變換、歸一化植被指數(shù)(NDVI，Normalized Differential Vegetation Index)計(jì)算。
　　 (2)參照《土地利用現(xiàn)狀分類》，根據(jù)研究區(qū)的土地利用和植被特點(diǎn)，結(jié)合遙感圖像分類的特點(diǎn)和實(shí)際需要，制定了適合研究區(qū)的植被分類系統(tǒng)。根據(jù)此分類系統(tǒng)，借助研究區(qū)2006年IRS-P6的432波段與全色波段的融合圖像的典型地物類型的目視解譯標(biāo)志，結(jié)合實(shí)地調(diào)查與遙感圖像的光譜特征值，提取了用于訓(xùn)練模型

4、的樣本數(shù)據(jù)，并對(duì)樣本數(shù)據(jù)的可分離性進(jìn)行了計(jì)算評(píng)價(jià)，結(jié)果表明所選擇的樣本具有可分性。
　　 (3)通過選取占信息量最大的三個(gè)主成份分量，結(jié)合歸一化植被指數(shù)以及高程、坡度、坡向等地理因子，進(jìn)行了基于人工神經(jīng)網(wǎng)絡(luò)的遙感圖像的自動(dòng)分類研究。在matlab7.0平臺(tái)下，經(jīng)過反復(fù)的試驗(yàn)比較，分別構(gòu)建了三層BP神經(jīng)網(wǎng)絡(luò)、四層BP神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)分類器模型，并對(duì)遙感圖像進(jìn)行了自動(dòng)分類。同時(shí)，在ENVI4.3下，完成了遙感圖

5、像的最大似然法分類。
　　 (4)采用誤差矩陣、Kappa系數(shù)對(duì)分類精度進(jìn)行評(píng)價(jià)，結(jié)果表明三層BP神經(jīng)網(wǎng)絡(luò)、四層BP神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)的總精度及Kappa系數(shù)分別比最大似然法的提高了3.94％，10.27％，6.53％和5.31％，12.3％，8.17％。從分類結(jié)果看，河流、河灘、居民地、無(wú)莊稼農(nóng)地的分類效果最好，而竹林、針葉林、闊葉林、高山灌草叢的分類效果較差，效果不好的原因可能是“同物異譜、異物同譜”現(xiàn)象