群星风信子号事件:基于BP神经网络的高分辨率遥感影像分类处理

1. 引言

目前，高分辨率遥感影像在我国的应用方面主要有：基于米级分辨率影像的大比例尺测图，基于高分辨率影像的城市规划与研究，土地利用和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测，自然灾害的实时监测等。为获取高分辨率遥感影像中丰富的信息资源，以进行实际的生产和应用，需要对影像进行分类处理，实现其目标信息提取。因此，遥感影像分类技术可用于进行高分辨率影像的分类处理，从而实现高分辨率影像的数据处理，成为高分辨率遥感及相关领域的研究热点。人工神经网络(Artificial Neural Network，ANN)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。本文将采用人工神经网络方法对全色分辨率为0．61米的QuickBird影像进行分类处理，提取影像中的各类地物信息。在分类时，为充分利用高分辨率影像的光谱和空间信息，将影像的光谱特征和纹理特征作为信息提取的特征源；使用人工神经网络方法进行分类，不需事先假定或统计地物类别的概率分布，能快速有效地实现影像的自动分类处理，并获得较高的分类精度。以QuickBird高分辨率遥感影像为数据基础，利用人工神经网络分类法，对四川省成都平原地区进行地物信息提取，有助于获取西南部平原地区的土地利用和覆盖信息，从而辅助了解当地的社会经济活动和城镇发展趋势，指导当地土地资源的规划和合理利用。

2.神经网络的高分辨率遥感影像概述

自20世纪70年代起，卫星遥感技术的发展带来了遥感影像呈现出米级

分辨率的趋势，逐渐步入以高分辨率遥感影像数据为主要产物的时代。遥感

影像分类技术可以有效地将高分辨率影像中丰富的信息资源提取出来，并转化为科学的分析成果以进行实际的生产和应用，从而在商业和民用领域中发挥出重大作用。人工神经网络分类法是一种非参数的分类方法，具有良好的适应能力和复杂的映射能力，能实现非线性的数据模式识别，比之基于传统统计理论的分类方法，它无须事先假定或估计目标的概率分布函数，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精度。其次，神经网络方法能够有效地结合高分辨率影像的光谱和纹理特征，充分地利用影像的光谱和空间信息，有望提高分类精度。

2.1神经网络主要特点

神经网络的研究始于1943年McCulloch和Pitts提出的M．P模型，经由半个世纪的发展，已从兴起的初始阶段和萧条的过渡时期发展到当今的兴盛时期，形成了较为成熟的理论体系，其具备的主要特点有：分布式的信息存储方式和容错性，信息处理及推理过程的并行性，自组织、自学习能力，可处理环境信息十分复杂、知识背景不清楚和推理规则不明确的问题等，在许多方面它都接近于人对信息的处理方法，能模拟人的形象思维，从而反映出人脑功能的若干基本特性。

2.2神经网络主要应用

基于神经网络的以上特点，当前神经网络的主要应用领域有：传感器信息及信号处理、自动控制、电子学、运输与通信、市场分析、知识处理与模式识别等。随着神经网络理论研究的深入以及网络计算能力的不断拓展，神经网络的应用领域和应用水平将得到不断的拓广和提高。人在进行影像的目视解译时，除运用影像本身的特征外，还充分利用以往实践中积累的知识和经验，辩证地综合运用已有的多种标志，在分类影像特征的引导下，自适应地获取和改进识别分类的方式，经过反复实践直至获得较满意的分类结果。神经网络技术正是通过模拟人脑的这些功能，建立了一种简化的人脑神经系统数学模型，这种技术在遥感影像自动识别分类中已显出较大的优越性。

3. 高分辨率影像BP网络分类试验

3.1 BP网络结构设定

BP神经网络的结构决定了其网络的特性和解决实际问题的能力，因此网络结构的设定是一个综合的问题．需要根据实际情况来确定。为了实现各研究子区的分类问题，本文设定一个三层的BP神经网络(输入层、输出层和隐含层)，网络中各节点的激活函数都采用S型函数。根据各研究子区的影像特征。可确定其对应BP网络的各层神经元节点数目。首先确定各BP网络的输入层节点数，参与分类的影像特征有4个(3个多光谱波段数据和1个对比度CON纹理数据)，即输入的信息特征维数为4，则两个研究子区的BP网络输入层节点数均为4；其次是输出层的节点数，对于研究区1，其输出的地物类别数为6，则其对应的BP网络输出层节点数为6，而对于研究区2，其输出的地物类别数为4，则其对应的BP网络输出层节点数为4：最后确定隐含层的节点数，根据相关文献的理论，综合考虑后对隐含层的节点数参考公式2*(输入节点+输出节点)+1，由该公式确定一个基本值作为网络隐含层节点数，并可在实际训练中进行调整，则研究区1的网络隐含层节点数为2l。而研究区2的网络隐含层节点数为17。

3.2 BP网络训练实现

将归一化处理后的各类训练样本随机地输入到创建好的BP神经网络结构中，进行网络训练。首先将训练样本归一化处理后的输入向量输入到BP网络的输入层，并经过各层连接权值的加权累计和阂值调整，再由S型激活函数逐层传递，从而得到样本的网络输出值(0～1范围)，然后将训练样本数学矩阵表达后的目标输出值与网络输出值进行比较，根据它们的误差值再反向逐层地调整各层连接权值和阈值，反复迭代调整，最后使网络输出值与目标输出值的误差达到训练要求。将各研究子区由三种融合方法得到的融合影像与CON纹理图像组合得到三幅分类源影像，分别将它们的训练样本输入到创建的BP网络中进行训练。对各研究区的训练样本进行反复训练和实验分析，得到以下规律：

1)按2车(输入节点+输出节点)+1公式确定隐含层的节点数，可以实现网络的有效训练，并能保证较快的训练速度，不需要增减隐含层节点数目以防止网络复杂化。

2)在动量因子的取值范围(0.7~0.9)中采用其中间值0.8可以保证较快的学习速度。

3)对隐含层和输出层的学习率选用不同值，并且当隐含层的学习率大于输出层的学习率且两学习率间存在一定的差异时，网络训练速度快且训练稳定，因此，可根据具体的情况设定相应的学习率值。

3.3 网络分类及精度评定

采用混淆矩阵及各统计参数来实现BP网络分类结果的精度评定。混淆矩阵是基于各研究区选取的验证数据来建立的。首先，对于各研究区选取的验证数据，其所属的真实类别信息是通过解译和考查后已知的，即其具有目标输出值，从而反映出其真实类别；然后将验证数据输入到训练好的BP网络中进行正向传递，可以获得其对应的网络输出值，从而判定其在BP网络分类结果中的所属类别；最后根据所有验证数据的真实类别和BP网络分类类别建立混淆矩阵。并计算各类统计参数用以评定分类精度分析，可以得到以下结论：

1)在本文中，当对多光谱融合影像加入CON纹理图像作为分类源影像后，采用BP网络方法进行分类，并选取验证数据进行精度评定，得到的各研究子区的分类精度都较高，其分类总体精度均达到93％以上，并且Kappa系数都超过0.9。

2)从分类精度表中还可以看出，在分类时道路和居民地相互之间发生了较大的误分，从而导致它们的用户精度和生产精度相对较低。经考查和分析可知主要是因为它们都属于人工建筑，其表面材料和构建方法都相近，因此具备相似的表面反射特性，从而使得它们对应的像元灰度信息及灰度分布都相近，降低了它们之间的可区分性，可通过计算Jeffries.Mamsita距离来验证道路和居民地相互之间的可区分性，其取值为(0～1范围)，若该值大于1.9则说明两类地物可区分性良好，否则可区分性差。

4．总结

针对高分辨率影像具有丰富的光谱与空间信息特征，本文首先通过最佳指数因子分析和图像融合处理、灰度共生矩阵纹理分析，提取出研究区影像最优组合的光谱特征和纹理特征，作为待分类的特征数据源。其次，根据遥感影像监督分类的基本原理、主要步骤和理论方法，引出并着重阐述了BP神经网络分类的思想和主要算法过程，并通过对训练样本输入向量归一化预处理、引入动量因子、设定各层不同的学习率和调整网络结构等实践的改进方法，提高了BP算法的收敛速度，保证了训练的稳定性。然后，基于ENV平台和DL语言设计和编写了BP神经网络分类及精度评定的计算机程序，使用研究区域的待分类特征数据源(光谱特征与纹理特征的组合影像)，实现了研究区域影像的BP神经网络分类，获得了分类成果，并基于混淆矩阵及其各类统计参数对分类成果进行了精度评定。最后本文还对研究区域进行对比试验，实现了两大类(四种)分类：BP网络分类(光谱特征结合纹理特征的BP网络分类、光谱特征的BP网络分类)和最大似然分类(光谱特征结合纹理特征的最大似然分类、光谱特征的最大似然分类)，并获得了它们相应的分类结果。

5．结束语

本文主要对研究区域的高分辨率影像进行了BP神经网络的分类试验和结果分析。引入两个研究子区的特征数据(3个多光谱特征和1个CON纹理特征)，并将它们组合起来作为分类源影像。首先对它们进行地物类别的确定和训练样本及验证数据的选定，并对训练样本进行归一化处理；其次根据影像特征和地物特征构建相应的BP神经网络，设定网络训练参数，代入训练样本进行BP网络的训练试验，通过反复训练获得各研究区的BP网络；然后将各研究区的待分类源影像引入该固定的BP网络中进行分类，并获得所有像元的类别信息；最后对各类地物像元赋予不同的色彩，以分类图的形式输出各研究区影像的分类结果，同时由验证数据建立混淆矩阵来进行分类精度的评定和分析，并得出了相应的结论。在本文的最后，对各研究子区分别进行了两大类分类试验：BP神经网络分类和最大似然分类，并从分类成果和精度的对比分析中得到了有益的结论。

6．参考文献

[1]胡希军，瞿有甜．神经网络在遥感图像自动分类中的应用研究．浙江师大学报(自然科学版)．1996，19(4)：82-85

[2]杨存建，魏一呜，陈德清等．基于遥感的洪水灾害承灾体神经网络的提取方法探讨．灾害学．1998，13(4)：1--6

[3]贾永红．人工神经网络在多源遥感影像分类中的应用．测绘通报

[4]骆剑承，周成虎，杨艳．人工神经网络遥感影像分类模型及其与知识集成方法研究．遥感学报．2001，5(2)：122～129