运用BP神经网络方法改进遥感影像分类的准确性外文翻译资料

英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料

运用BP神经网络方法改进遥感影像分类的准确性

摘要：遥感（RS）数据分类是遥感图像处理系统的核心功能之一。在这项研究中，误差逆传播（BP）神经网络被引入到依托MATLAB的遥感图像应用。为了提高测量精度，BP神经网络应用包括两种方案不同的传递函数；Landsat 8 OLI的3、5、7波段的RS图像被用于验证其准确性分类。实验结果证明该算法优于传统的监督和非监督分类方法。随着更多波段信息的提供，分类准确度也会提高；方案2比方案1具有更高的分类精度。研究结果对土地资源的合理利用具有一定的参考价值。

关键词：BP神经网络，遥感图像分类，网络参数，最大似然分类法。

1.简介

随着现代科学的进步，遥感技术得到了很好的发展应用。应用遥感技术的核心是确定物体表面的电磁辐射的特性，然后识别地面对象的类型及其分布。自通过图像分类在监控土地动态变化，提取主题信息和生产专题图变得有效以来，这个过程也变得更重要。传统的分类方法包括监督分类和非监督分类：两种方法的原则都是基于某个物体的光谱特征。但是，由于卫星的限制，总是会混合像素分辨率，这通常导致计算机无法确定地面物体的类型。学者们为尝试修改和改善这种状况的投入了无数努力，但它仍然无法完全避免“异物同谱”或“同物异谱”现象，并生成不正确的分类或与缺少日期。所以分类的准确性很强影响后期工作的准确性。在这项研究中，误差逆传播（BP）神经网络模型在MATLAB平台上实现。这种模式不仅能提高图像分类的速度，还能避免影子和其他干扰信息的影响。总的来说，这种方法克服了传统方法的缺点，极大地改善了分类准确性并且保留了良好的地理信息遥感图像；对于帮助后期图像处理非常方便。

2.人工神经网络概述

人工神经网络（ANNs）也称为神经网络或连接模型。它可以模拟基本人脑和自然神经网络的特征。人工神经网络可以近似任何复杂非线性关系，对于不熟悉的或未知的系统它也具有良好的优势鲁棒性和容错性。所以它近期变的非常流行，并应用于越来越多今天的遥感图像处理项目。

BP网络是于1986年由一组研究人员Rinehart和McClelland提出的。BP 神经网络是一种多层前馈神经网络，最初用于在算法中返回误差。它也是目前使用最多的神经网络模型之一，并广泛应用于遥感图像分类领域。在典型的BP多层中有三种类型的层感知器网络：输入层，中间层（隐含层）和输出层（见图1）。在图1中，我们可以看到所有神经元完全连接到相邻层，并不是彼此之间相互联系。 BP算法有两个进程，执行前向计算的（正向传播）数据流和后向传播误差信号。前向传播首先在开始输入图层中，移动到隐藏图层，最后到达输出层；每层神经元的状态只影响下一层的神经元。反向传播过程是如果输出层未达到预期值，则触发水平。网络的这种功能有助于达到通过两次传播的交替产生最小误差值流程，并完成信息提取过程和下一步的数据存储。

3. BP神经网络遥感图像分类实现

3.1数据源和数据预处理

本研究中的遥感数据选自2014年Landsat 8 OLI的遥感图像。它是从国际科学数据镜像网站下载中文指导的计算机网络信息中心科学院（http://www.gscloud.cn）。该遥感图像的预处理过程包括：图像裁剪，几何校正，大气校正和图像增强。实验的最终大小图像为800米times;800米，分辨率为30米times;30米。这个图像是在纬度25°43到25°30N和经度116°8到116°22E之间拍摄的。

3.2准备阶段

传统的分类方法结合了三个波段将图像转换为一个彩色图像，然后根据对象的颜色选择样本，然后通过一定标准对每个对象的类别进行区分。非常类似于ENVI软件中的最大似然分类法，由于输入层中的神经元数量，BP神经网络在本研究中不受限制可以用作3，5和7波段的输入层神经元，分别为了测试分类结果及其分类不同条件下BP神经网络的精度。该实验区位于福建西部省（闽西）。根据从过去的研究中获得的信息，该地区的林地占总面积的80％，而放牧草地仅占0.02％；草地的分布呈碎片状。闽西的土地利用类型可以归类为农田，林地，水，园地，建设用地和未使用的土地。

3.2.1 Extermination训练样本

闽西的光谱特征包括：结果图像由OLI的654三个波段（RGB）组成。该图像颜色鲜艳，每层都很容易识别，地表物体的类型也可以很容易地分类。所以我们选择用这个组合的图像来表示ENVI软件上每个对象的样本。由于这个地区有一个高度复杂的地形，而且林地面积占据了该地区的很大一部分导致产生大部分阴影（图2）。为了避免这个问题将来会引起潜在的混淆解释，方便起见阴影被归为林地类。此外，有一部分水域显示不同的颜色（图3）。应对手段是将这部分分类为一个特殊的组，最后然后将它用一组水组合起来。样本区域和图像是选择对象样本后保存，然后提取其他四个频段的信息；最后，我们将结果导出到TXT文件中，并将其在MATLAB中保存为输入文件。

3.2.2网络结构和参数确定

为了在遥感中应用BP神经元网络图像分类，输入层中的神经元数量用作要分类的波段的数量。该输出层中的神经元数量是类别的数量。由于阴影和水的变色的影响身体输出层节点号为8。隐层神经元的数量不均匀。最优隐藏神经元的参考计算公式是：

L=(m n)/2 c.

在这个等式中，“L”是隐藏神经元的数量，“m”是输入神经元的数量，“n”是输出的数量神经元，“C”是1-10之间的常数。输入层和隐藏层中的神经元数量应该是多少根据不同的实验设定。

网络参数的选择：网络学习率是设置为0.01，预期误差值水平设置为0.01，和网络训练数量设置为8500次。

BP网络的建立：向量矩阵的范围标准化后输入层的值为0到1，并输出值也控制在这个范围内，这迫使传递函数必须包含logsig函数。两种实验方案应用于此项研究的训练阶段。

方案1：隐层神经元使用logig函数对数函数，输出层神经元。

使用purelin线性传递函数，训练功能使用了traingdx函数，它是具有动量和自适应LR的梯度下降法。BP神经网络是由newff函数建立。显示实验代码如下：

net = newff（minmax（输入）[1,9,10]，{logsigpurelin}，traingdx）;

方案2：隐藏层神经元使用tansig函数，这个是使用logsig的输出神经元的传递函数功能，训练功能使用Levenberg-Marquardt用trainlm方法优化算法和BP神经网络网络由newff功能建立。试验代码如下所示：

net = newff（minmax（输入）[1,9,10]，{tansiglogsig}，trainlm）;

3.3学习阶段

准备阶段完成后，我们使用了训练样本以校准网络。根据输入样本，输出值，隐含层与计算出的输出层两者的误差，使网络校准权重和阈值，直到它满足要求。如果前期的最大数量不能满足要求，我们会停止校准进程并重置网络结构和控制参数。经过多次调整培训时间等控制参数，方案1的学习误差没有达到0.01的值，同时达到训练次数8500次，学习误差变得相对较小。在这过程，方案2很快收敛，误差数量是低于标记，花费的时间更少，也更高效率。学习阶段的结果如表1所示。

3.4分类阶段

校准阶段完成后，权重矩阵满足了培训的期望，然后我们进入了下一阶段的分类阶段。为了分类处理得当，3,5,7个频段全被包括并放入MATLAB。整个地理可以通过遥感图像信息的调用使用以下功能：

[RGB，E] = geotiffread（2014_test.tif）;％读取带有空间信息的图像

info = geotiffinfo（2014_test.tif）;

geotiffwrite（ 2014_classify.tif，Z，MAP，E，

GeoKeyDirectoryTag，

info.GeoTIFFTags.GeoKeyDirectoryTag）;％保存图像和它的空间信息

基于在学习阶段计算的网络层的权重系数矩阵，这是每个像素的预估图像，以及每个图像中表面物体的概率；最后通过应用前一步骤的概率来确定了表面对象的类型。方案1和方案2的分类结果如下分别如图4和图5所示，（a），（b），（c）中所示每个图分别代表第3,5,7波段的分类结果。

4.结果与分析

为了更有效地验证分类结果的准确性，本研究应用了分类的整体准确性和BP神经网络的Kappa系数。整体分类准确度通过正确计算分类像素除以像素总数求和来获取。卡帕系数是准确性的多变量统计方法评估分类; 它代表了错误的比例减少总随机分类。Kappa系数计算结果称为KHAT统计

通过目视解译，分类结果两种方案都反映了表面的实际情况。但我们还发现了波段越少分类结果补丁就会更多；在这种情况下更多阴影区域也被分类为水。用于测试BP神经网络分类结果，因为样本太多，在每个地表特征中只随机选取了100个像素点。这些所属的每一类像素点被重新计算并应用于网络。这种分类精度测试的结果两种方案如表2所示。实验结果表明BP神经网络分类方法的总精度很好，准确度随着更多波段信息的给出而增加。具有相同数量的波段时，分类方案2（见图5）的准确度高于方案1（见图4）;方案2收敛速度也快于方案1. 7个频段的分类方法最好结果，其分类准确率为97.67％，而Kappa系数是0.972。表3显示了分类的结果方案2的误差统计。

5.结论

本研究将BP神经网络应用于3，5的图像和7个波段，应用两种方案，还涉及不同传递函数的比较和分析。本研究表明不同的参数BP神经网络分类具有更高的整体准确性。非线性传递函数方案2不仅加快了收敛速度，而且也有更好的分类结果，大大提高了分类准确性。这项研究也克服了MATLAB在处理遥感图像方面的缺点，并保留了遥感图像地理信息的完整性，以便更好地进行后期处理应用。此方法对于合理保护土地资源研究具有一定的意义。

致谢

该研究得到了中国科学院（第41171232号）和福建省国家科学基金（No. 2014J01149）的支持。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[18136]，资料为PDF文档或Word文档，PDF文档可免费转换为Word