神经网络在遥感图像分类中的应用

神经网络在遥感图像分类中的应用

祁增营，王京

辽宁工程技术大学测绘与地理科学学院，辽宁阜新（123000）

E-mail: qizengying@https://www.360docs.net/doc/5116331592.html,

摘要：结合人工神经网络的特性，介绍神经网络在遥感图像处理领域中的应用现状，重点分析了遥感图像分类模型、并对模型进行了对比分析，利用EARDAS软件进行遥感图

像分类，通过实验分析神经网络在遥感图像分类的优势。初步提出结合遗传算法和模

糊理论的神经网络模型，对神经网络在遥感图像分类领域的发展趋势进行了探讨。

关键词：人工神经网络，遥感影像分类，分类模型

1. 引言

神经是大脑的细胞，其主要功能是收集，处理和分发电信号。人类大脑采用连通的神经元来处理接收到的信号，神经网络模拟了这一过程。它不是通过分步算法或复杂的逻辑程序来求解的，而是通过调整网络中连接神经元的权重，采用非算法，非结构的形式来实现的。神经网络已用于对各种遥感数据进行分类，而且其分类结果优于传统的统计方法。这些成功可以归因于神经网络的两大有点：1）不要求数据正态分布；2）自适应模拟具有特定拓扑结构的复杂非现性模式的功能。人工神经网络[1] (ANN，简称神经网络)作为一种由大量简单神经元广泛相互联接而成的非线性映射或自适应动力系统，恰好能有效解决遥感图像处理中常见的困难，因此它很快在遥感图像分类领域得到了广泛地应用。

2. 神经网络的组成结构和特点

2.1 神经网络的组织结构

典型后向传播神经网络的拓扑结构见图。人工神经网络在3中类型的层中包含有神经元：

图1 神经网络组织结构

该网络包括输入层，隐含层和输出层。输入层可以包含单个训练像元的信息[2]，其中包括不同波段的百分比光谱反射率和一些辅助信息，如高程，坡度等。每层由互相连接的接点所组成。这种可连续性使得网络在训练时，信息可以流向多个方向（即，可以发生向后传播）。这种结点的力（或权重）最终为神经网络所学习并保存。这些权重用于检验（分类）。训练

数据越有代表性，神经网络就越可能在隐含层中调整出映射真实世界的权重，从而得到精确的分类结果。输出层可能代表单个的专题图类别比如水体或林地。和监督分类十分相似，人工神经网络也需要训练和检验，从而提取遥感数据和辅助数据中的有用信息。

2.2 神经网络训练和验证（分类）

在训练阶段，在输入影像中选择性已知（如：农田，山丘上的松树）的特定位置（x,y ）作为训练样区。然后，采集每个训练样区中每个像元的光谱信息，如红光和近红外波段的光谱反射率，及其辅助信息，如高程、坡度和坡向等，并送入神经网络的输入层。与此同时，将相同地点的真实目标（类别）值如农田送往神经网络的输入层。与此同时，将相同地点的真实目标（类别）值如农田送往输出层，代表该类别神经元的隶属度赋值为1，其他输出神经元赋0值。需要牢记，由于样本来自特定时间和地点获取的影像及其他辅助数据，所以基于实例训练的神经网络可能仅适用于研究的区域或特定的季节。这样，我们无法在时间和空间上对神经网络进行拓展。

采用向后传播算法时，其网络学习通常通过调整权重来实现。对每一训练实例，网络输出结果都要和真实目标进行比较[6]。将目标和输出值之间的差异看作是误差，稍后将其送回网络的前一层来更新连接权重。权重调整的幅度应该和误差绝对值相称，经过多次迭代，均方根误差变小，当减小至设定的允许值时，继续迭代不会提高网络的性能，这时系统收敛，训练过程结束。实例中的固有规则以权重的形式存储于隐含层中，用于验证（分类）。

在验证或分类阶段，影像中每一个像元的光谱和辅助数据特征被传递到神经网络的输入神经元中。神经网络利用存储在隐含层神经元中的权重评价每个像元，最后生成输出层每个神经元的预测值。每个输出神经元的值在0～1之间，该值给出了像元隶属神经元所在代表的模糊隶属度等级。用一个局部最大函数去除模糊化，就可以生成一副硬分类结果图，图中每一个像元被分到其模糊隶属度最大的一类。

2.3 神经网络的数学基础

神经元由输入（细胞质突起），权重（神经键），处理单元（细胞体）和输出（轴突）组成。每个输入i x 都和权重i ?相乘，得到i x i ?，然后将其

传送到处理单元中的“累加单元”。也可以整体加一偏置量b.累加后的输出为

Net =)(1

i p i i x ?∑=+b 作为净输入送往激活传递函数f,该函数通过转换算法，生

成比例尺度的神经元输出y （介于0~1或-1~1之间）。因此，y 通过下式计算：

Y=f(net)= f[)(1i p

i i x ?∑=+b] 典型的神经网络包含三个或更多的

层：一个输入层，一个输出层和多个隐含层。层内或层间的神经元能相互连接，构成

一个用户定义的，面向任务的网络。通过人工神经网络的学习和回忆可以重复或逼近

决策过程。

图2 神经元的数学模型

神经网络非正态，非线形的特性不仅得益于网络大规模并行分布的结构，而且也和每个神经元的传递函数有关。一个神经元基本上就是一个非线形元件，可以采用连续微分函数作为传递函数。

3. 人工神经网络在遥感图像分类中的应用概述

3.1 神经网络在遥感影像分类中的趋势

遥感图像分类是利用计算机通过对遥感图像中的各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像元归化到各个子空间去。目前,神经网络技术在遥感图像分类处理[3]中应用的最为广泛和深入，随着人工神经网络系统理论的发展，神经网络技术日益成为遥感图像分类处理的有效手段，并有逐步取代最大似然法的趋势。基于神经网络技术的遥感图像分类处理方法在土地覆盖、农作物分类和地质灾害预测等方面都有应用并取得了不错的效果。

3.2 神经网络的遥感影像分类模型

3.2.1基于多层感知器（MLP）的遥感影像分类模型

它是以决策面为基础，采用反向传播监督学习算法的遥感影像分类方法，已在土地覆盖分类、专题信息提取等方面得到应用，是遥感数字图像分类处理[4]中最常用的一种模型。

3.2.2基于径向基函数（RBP）的遥感影像分类模型

径向基函数神经网络（RBPNN）是结合参数化的统计分布模型与非参数化的线性感知器模型的一种前向神经网络模型。它的映射原理是通过用分解的统计密度分布来拟合表示样本空间中的复杂稀疏分布，然后用神经网络感知器模型获得与类别的线性映射关系。其具有网络结构简单、学习速度快、可融合领域知识等优势[5]。

3.2.3 基于学习向量分层-2网络（LVQ2）的遥感影像分类模型

LVQ2是一种以聚类分类分析为基础的神经网络。该分类器[7]采用监督学习算法，其实质在于，当一光谱向量馈入网络时，两个最近的神经元(获胜神经元和下一个获胜神经元)即被确定。只要以下三个条件成立，此二个神经元的突触权重的适配即告完成：相应于获胜神经元的类别与输入向量的类别相同；相应于下一个获胜神经元的类别与输入向量的类别相同；输入向量非常接近获胜神经元与下一个获胜神经元之间的判别面。

3.2.4 基于Kohonen自组织特征映射网络（KSOFM）的遥感影像分类模型

KSOFM以模拟人脑自组织功能为基础，因外部输入模式的刺激,而自动形成一种内部表达输出模式。通过调整权重有序序列的变化过程,而使网络收敛成“每个单元与有序输入信号某一特殊域相匹配”的状态。KSOFM通常用作非监督分类[8],可以确定输入数据空间中的单一类型。由于该网络采用非监督学习算法,其在分类处理问题中的操作效能一般低于多层感知分类器。具体参见参考文献[8]。

3.2.5 基于自适应共振模型（ART）的遥感影像分类模型

ART是S.Gsrossberg于1976年通过发展认知信息处理理论建立起来的。最初的ART 模型即ART1，是属于非监督学习系统，而且仅能处理离散的二进制信号。G.A.Carpenter 等（1991）在拓展ART1模型基础上，结合模糊集理论[9]，发展了能处理连续模拟信号的ART2和FUZZY-ART模型。针对有监督学习的模式识别问题，G.A.Carpenter等（1992）又发展了具有自组织映射结构的ARTMAP模型。近年来，ART模型已经开始应用于遥感影像分类非监督和监督分类中(参见参考文献[11])，并且与传统分类方法和BP神经网络等方法比，其在学习速度、适应性、非线性映射等性能上有独特的优势。

4．利用EARDAS软件进行实验和实验图像

4.1 定义分类模板

第一步：显示要进行分类的图像

第二步：打开摸板编辑器并调整显示字段

第三步：获取分类模板信息

第四步：保存分类模板

4.2 评价分类模板

结合基于径向基函数的模型进行评价

4.3 进行分类

4.4 实验结果图像及分析

图3 原始遥感影像

图4 基于径向基函数的模型的遥感分类影像

人工神经网络在遥感影像分类和信息提取等研究中得到了应用，如在本实验区中的土地覆盖的分类问题、和多时相动态地物的区分、都达到了理想的结果，其精度满足实验要求。可以这么说神经网络可以用于基于多源空间数据的融合和分类、和基于先验知识的遥感影像分类之中、也可以用在影像结构信息提取，这些应用在不同程度上都获得了有实际意义的结果。

5. 人工神经网络在遥感图像分类中的优势

1）单个神经元模拟多元线性回归模型[10]的计算，神经网络非参数化的工作方式，使其不需要对数据做正态或线性分步的先验假设，它能够从已有的实例中进行适应性学习，使其分类更加客观。

2）非线性模式是从经验实例中学习得到的，而不是分析人员基于数据集的先验知识赋予的，训练网络用的实例不可避免地含有噪声信息，这正好使得训练过的神经网络具有广泛化的能力，可以使神经网络在处理未出现过的[11]，不完整的和不精确的数据时仍具有稳健的求解能力。

3）神经网络能够很好地泛化离散和连续的数据，并且具有内插或适应训练过程中从未出现的能力。它可以在变化的环境中，随时提供数据的增多来连续输入模式的最佳权重，这样可以连续学习。

4）神经网络具有自学习、自组织的能力，能最大限度地利用已知类别遥感图像样本集的先验知识，自动提取识别规则。无需对概率模型做出假定，足以取代最大似然法。

5）神经网络具有容错能力，可以在特征空间形成高度非线性的决策边界，因而在特征统计数字资料明显偏离假设的高斯统计数字资料情况下优于参数贝叶斯分类处理方法，也具有更强的适应性。

6）神经网络具有联想能力，若训练集中的遥感图像具有代表性，那么求解这些样本的合理规则很可能就是求解原问题的一般性规则，它比其它方法具有更好的联想和推广能力。

6. 展望

1）人工神经网络在遥感图像分析与处理的各个方面都有广泛的适用性,并且已经取得了较好的效果,是遥感信息提取的一种有效途径。

2）人工神经网络已经在遥感影像分类和信息提取等研究中得到了广泛的应用，如土地覆盖的分类问题、多时相动态地物的区分[12]、模糊分类(混合像元分解)、融合先验知识的遥感影像分类、影像结构信息提取(如线状、纹理等信息的提取)等，这些应用在不同程度上都获得了有实际意义的结果。

3）人工神经网络在图像重建、图像压缩、图像去噪等方面的应用，虽然不如在遥感影像分类中应用的那么广泛，也已经显示出其优势和意义，有待我们进一步研究。

人工神经网络作为一种新兴科学，毕竟目前在遥感领域应用中还属于较为初级的阶段，存在其局限性。我们在今后的研究中有几点必须注意：一方面，遥感图像分析[13]与处理本身具有复杂性和多目标性，这样就要求我们在具体工作中必须设计出适合问题的模型，同时对神经网络的网络结构和学习算法做相应改进，这样做效果更好、更可靠；另一方面，要注意将人工神经网络与其它理论技术结合起来，这样它将有更加广阔的应用前景。

参考文献

[1] 叶世伟史忠植（译）神经网络原理北京: 机械工业出版社, 2004

[2] 何振亚多维数字信号处理北京: 国防工业出版社, 1995

[3] 王洪元等人工神经网络技术及其应用北京: 中国石化出版社，2002

[4] 章孝灿等遥感数字图像处理杭州：浙江大学出版社，2003

[5] 王野乔遥感及多源地理数据分类中的人工神经网络模型地理科学, 1997, 17(2)：105-111

[6] 潘东晓等遥感图像的神经网络分类法国土资源遥感, 1996, No.3：49-55

[7] 张维宸等人工神经网络分类及其在遥感调查中的应用中国地质灾害与防治学报, 2002, Vol.13, No.4：96-98

[8] 蔡熠东, 李伟, 许伟杰遥感土地覆盖类型识别的自组织人工神经网络模型国土资源遥感, 1994，No.4：63-66

[9] 杨鹏, 唐华俊，刘佳作物遥感估产中自动分类方法研究进展与展望中国农业资源与区划, 2000, Vol.21, No.3：57-60

[10] 骆剑承, 周成虎, 杨艳基于径向基函数（RBF）映射理论的遥感影像分类模型研究中国图形图像学报, 2000, Vol.2

[11] 王玲, 龚健雅一种基于自适应谐振理论的TM遥感影像神经网络分类器测绘科学, 2003, Vol.28, No.3: 39-42

[12] 杨海军, 梁德群一种新的基于信息测度和神经网络的边缘检测方法图形图像学报, 2001, Vol.29，No.1: 51-53

[13] 王汇源图像重建的神经网络法山东工业大学学报, 1998, Vol.28, No.3: 39-42

Artificial neural networks in the use of remote Sensing

image classification

Qi Zengying, Wang Jing

Department of survey and Geography Science, Liaoning Technology University, Fuxin, liaoning

(123000)

Abstract

Unifies the artificial neural networks the characteristic, introduced that the neural network in the remote sensing imagery processing domain's application present situation, the selective analysis remote sensing image disaggregated model, and has carried on the contrastive analysis to the model, carries on the remote sensing image classification using the EARDAS software, analyzes the neural network through the experiment in the remote sensing image classification superiority. Proposed initially the union genetic algorithm and fuzzy theory's neural network model, carried on to the neural network in the remote sensing image classification domain's trend of development has discussed

Keywords:artificial neural networks, remote sensing image classification, the classification model

作者简介：

祁增营，男，1983年生，硕士在读研究生，主要研究方向是数字摄影测量；

王京，女，1984年生，硕士在读研究生，主要研究方向是遥感应用与图像处理。