基于BP神经网络的高分辨率遥感影像分类

 摘要
本文以2014年9月获取的北京市部分地区的高分二号Pms影像作为实验数据,采用神经网络方法对研究区域进行分类处理及精度评定等研究。利用MATLAB软件进行神经网络程序开发，完成对影响进行分类，并使用误差矩阵和Kappa系数对分类结果进行评定。结果显示BP神经网络分类算法总体精度为81.6%，Kappa系数为0.765，比最大似然发监督分类总体精度提高了6.5%。主要完成了如下的任务和相应的结论：
1针对高分辨率影像特征，通过地物多样性和纹理分析，选取具有代表性样区，确定分类类别数，并选取多光谱4个波段信息和纹理特征（通过计算全色波段灰度共生矩阵选取对比度纹理图像）作为分类特征数据。
2选取训练样本，设定BP网络结构。包括训练样本归一化处理，中间层神经元数的设定和学习率的确定。利用MATLAB软件完成BP神经网络的设计、分类后处理和精度评定。
3将BP神经网络法和最大似然法监督分类结果进行对比。该网络实现总体分类精度为81.6%，Kappa系数为0.7656。最大似然法监督分类总体分类精度为75.1%，Kappa系数0.6886。
关键词：BP神经网络、高分辨率影像分类、监督分类、精度评定
目录
Abstract 2
第一章 绪论 7
1.1选题背景 7
1.2国内外研究综述 8
1.2.1国外研究现状 9
1.2.2国内研究现状 9
1.3本文目的与研究内容 10
1.4本文组织结构 11
第二章 遥感影像分类方法 14
2.1遥感影像分类概念 14
2.2遥感影像分类方法 14
2.2.1监督分类 15
2.2.2非监督分类 17
2.3遥感影像分类精度评定 17
第三章 高分辨率影像基本处理与分析 19
3.1研究区域概况及遥感数据源 19
3.1.1研究区域范围 19
3.1.2遥感数据源 20
3.2高分辨率影像的预处理 21
3.2.1图像校正 21
3.2.3图像融合 21
3.2.3图像裁剪 22
3.2.4图像区域选定 22
3.3高分辨率影像纹理信息分析 23
3.3.1遥感影像纹理介绍 23
3.3.2基于灰度共生矩阵的遥感影像纹理分析 23
3.3.3选取纹理特征信息 25
第四章BP神经网络算法 26
4.1BP神经网络概述 26
4.1.1 神经网络模型概述 26
4.2 BP模型概述 29
4.2.1BP神经网络基本思想 30
4.2.2BP模型的优缺点 33
第五章 高分辨率影像BP网络分类实验及结果 35
5.1MATLAB工具箱介绍 35
5.2BP神经网络训练过程及程序实现 37
5.2.1建立BP神经网络模型 37
5.2.1BP网络的程序实现及训练结果 39
5.3BP神经网络分类及精度评价 39
5.3.1训练样本的选取和输入 40
5.3.2神经网络结构的设定 42
5.3.3BP网络训练实现与结果分析 43
5.3.4与监督分类成果及精度做对比 45
结论 47
参考文献 48
致谢 50
附录 51
附录A 51
附录B 56

第一章 绪论
1.1选题背景
遥感“”即“遥远的感知”。从字面上理解,就是远距离不接触“物体,而获得其信息。它通过遥感器“遥远”地采集目标对象的数据,并通过对数据的分析来获取有关地物目标、或地区、或现象的信息的一门科学技术[11][1]。
遥感的大面积同步观测、时效性和经济性等特点，使得遥感技术在区域性土地覆盖类型调查、定量提取土地覆盖信息方面发挥着至关重要的作用[11][2]。
随着近年来我国高分事业的发展,民用遥感的“高分时代”已经到来。传统的遥感分类方法已经不能满足要求。在利用遥感图像进行分类的研究中，传统的模式识别分类方法：诸如最小距离法、最大似然法、光谱角分类法等在遥感图像处理中应用得最普遍,也发展得最成熟。虽然克服了目视解译诸如时间长、容易受人自身影响等不足，但大多只是基于光谱的，利用统计学规律把不同像元分为不同类别，必须事先假定或估计目标的概率分布函数，拘泥于既定程序不能善于应变，精度基本无法如目视解译令人满意。神经网络分类算法相比其他统计分类算法具有较强的学习能力,更容易结合遥感影像的纹理、光谱、坡度、坡向等信息对地物类别信息进行提取,在模式识别领域有着广泛的应用。
人工神经网络分类法具有容错性强，抗干扰行强，并行分布式处理，自主学习，分类精度高等特点。把神经网络技术应用与遥感图像的分类大大弥补了因为遥感图像自身原因造成的各种分类精度问题，提高遥感应用普及有着重要作用。此方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。
1.2国内外研究综述
1943年,数理逻辑学家W.PITTS与心理学家W.S.McCulloch合作研究出神经网络的数学模型,并对神经元形式化进行了数学描述,提出了网络结构的构建方法,数学上证明一个神经元单元能够进行逻辑分析,从此进入人工神经网络研究时代,在1982年,美国加州工学院物理学家J.J.Hopfiled提出了Hopfield神经网格模型,模型中引入了“计算能量”概念与网络稳定性判断,为神经计算机的进行了推进性研究,研究联想记忆和优化计算应用于神经网络,加速了神经网络的研究”。1986年进行认知微观结构地研究,Runelhart与McCeland提出了多层网络的“误差反向传播算法”(Back Propagation)建立并行分布处理的理论,使得导师学习的多层感知网络模式分类器开始实用化,从此人工神经网络的研究受到了各个发达国家的重视。
经过多年的发展,空间遥感技术迅猛发展,图像处理,地物识别与提取技术不断完善,应用领域不断扩展,数据获取由多光谱影像发展到高光谱,高分辨率,多时相遥感影像。同时期,多层误差反向传播(BP)神经网络不断发展,已经被广泛的应用于模式识别与图像分类等领域。由于其无需先验目标概率分布与并行处理的特点,因此该方法能够很好的应用于遥感影像分类问题当中。国内外学者已使用神经网络方法应用于遥感影像分类进行了大量的研究,并取得的很好的结果。
1.2.1国外研究现状
1999年Sucharita等使用模糊神经网络对全球范围内土地覆盖进行了分类,并取得了不错的结果；2000年Chica-OLMOm等人采用辅以变差函数纹理的神经网络分类,相比仅利用光谱信息的分类结果,该方法将分类精度提高了9%；2000年JiCY使用Kohonen自组织特征映射神经网络模型对遥感影像进行土地利用分类,取得了令人满意的结果;2001年Sinpson J J使用递归神经网络对雪地覆盖进行分类,表明该方法优于贝叶斯分类方法；2002年FOODY使用神经网络对土地覆盖分类精度状况进行评估；2004年Zhengjun Liu使用实数编码遗传算法改进神经网络实现了高光谱影像分类,实现了预期目标；2010年Gonzalo等人将影像纹理与Hopfield神经网络结合进行分类,分类精度达到了89%。
1.2.2国内研究现状
2006年吐热尼古丽等采用BP神经网络方法对遥感影像进行分类研究,并取得较高的精度,从实践上证明了神经网络分类方法优于统计学分类方法；2007年罗扬帆等对海南地区的Spots遥感影像进行神经网络分类,并将其分类结果与非监督分类以及贝叶斯判决准则法分类结果相比较,发现神经网络分类结果优于这两种方法结果；2007年吴柯提出了一种基于改进后的Kohonen自组织特征映射神经网络的聚类方法,应用于高光谱遥感影像分类处理,得到分类精度大幅提高的结果。2008年李海洋使用概率神经网络对遥感图像进行分类后,证明与传统分类方法相比较,概率神经网络具有许多优良的性能[11][11]；2009年胡剑策提出了一种基于主成份分析（K-L变换）变换的BP神经网络分类方法,该方法能够对多波段遥感影像进行降维,提取最主要的三个波段进行影像合成,由于主成份之间是不相关联,因此能够降低神经网络的计算量,提高了分类精度,实验得到很好的结果[11][12]。
针对传统神经网络可能会导致局部最小值,训练失败等不足,研究者们也进行了一一些研究改进,2000年贾永红使用学习速率自适应调整与动量因子对神经网络的缺点进行改进[11][13]；2003年马静等在研究模型在遥感影像的分类中的应用,通过设置并不断改变样本训练的概率,从而达到减少学习时间且同时保证了分类结果的精度[11][14]；2008年寇琳琳使用高价神经网络方法来克服神经网络局部最小值,隐含层节点数不确定等缺点,将高阶神经网络作进一步扩展,使其特征数的局限性降到最低,与自适应方法相结合,取得了较好的分类结果[11][15]；2010年可华明采用遗传算法优化的神经网络遥感图像分类方法,对数据源进行主成份分析后,用量化共骊梯度法改进标准BP算法,进行实验分类,从而解决算法局部收敛的缺点,提高了学习速度[11][16]。
1.3本文目的与研究内容
通过以上国内外学者的研究可知各种神经网络方法的分类精度优于传统的统计学分类结果。研究者大多数都对中、低分辨率的遥感影像进行神经网络分类研究,在神经网络结构确定,网络控制参数选择,遥感影像的预处理方面都获得了一定的成果,其分类结果受限于遥感影像的空间分辨率,而基于具有高光谱,多时相,地物细节信息丰富的高分辨率遥感影像的神经网络分类研究成果较少。因此针对高分辨率遥感影像相比较中的分辨率图像具有丰富的纹理和高程信息的特点，加入纹理高程信息，并在BP网络结构参数设定方面进行实验，来提高分类精度。
通过以上分析,本文以北京市昌平区高分二号遥感影像作为基础实验数据,辅以Google earth目视解译选出样区,通过遥感处理软件对影像数据预处理后 ,并利用灰度共生矩阵来获取影像最佳纹理特征,以波段与纹理特征作为分类的特征数据,有利于降低影像中像素之间的含混度,提高各波段数据之间的独立性,达到提高分类精度的目的。结合遥感影像的光谱与纹理特征,我们进行神经网络分类研究,首先通过目视解译,根据影像上不同地物特征,选取训练样本,通过对训练样本进行训练学习,调整和改进网络,选取最佳的训练函数与隐含层神经元数目并设置好神经网络的训练参数最后将训练好的网络应用于试验区域的地物分类,并获得分类结果图。为了评价神经网络的分类精度,本文将使用误差矩阵与各类统计参数系数、总体精度等来评定分类精度,同时本文还将使用监督分类、非监督分类方法研究区域进行分类实验。监督分类方法为最大似然法与最小距离法、非监督分类方法为…方法,将这些方法得到的分类精度与神经网络分类精度进行对比分析,以期通过对比实验获得满意的结果。
本文将使用神经网络工具箱结合高分辨率影像光谱与纹理特征,实现神经网络分类程序的开发,对高分辨率遥感影像中研究区域进行地物分类,并获得相应的分类结果图与精度分析结果。
1.4本文组织结构
本文利用北京市昌平区高分二号遥感影像数据资料与程序语言,结合神经网络分类方法的算法,探讨与研究改进神经网络在高分辨率遥感影像分类中的应用。本文分类研究实验的技术流程如图1-1所示。
本文的主要结构如下：
第一章为绪论，主要介绍论文的选题背景,现阶段国内外神经网络分类方法在遥感领域中应用的研究现状,然后提出本文的研究目的、研究内容以及本文的组织结构。
第二章为遥感影像分类法,在此章内描述了遥感影像监督分类与非监督分类方法,并着重描述监督分类方法,在此基础上介绍了最大似然法人工神经网络方法然后介绍遥感影像分类精度的评价指标,为不同分类方法精度对比提供数学基础。
第三章为高分辨率影像处理与分析,首先对遥感影像数据进行预处理,包括校正、图像融合,图像裁剪、研究试验区域选定,然后利用灰度共生矩阵进行纹理提取,为分类研究提供数据基础。
第四章为介绍人工神经网络概要,在此基础上引入神经网络,介绍其理论基础、算法原理以及神经网络的优缺点。并针对传统神经网络的缺点,提实验出适合的网络结构、学习速率、保证神经网络正确高效的分类。
第五章为使用神经网络工具箱开发神经网络模型。详述其训练过程及程序实现。
第六章为结论部分，对本文所有研究工作进行总结与展望。