（计算机应用技术专业论文）遥感影像分类与信息发布技术研究.pdf

遥感影像分类与信息发布技术研究 摘要 遥感影像的自动分类是模式识别技术在遥感技术领域的具体应用。在与统计 分类方法的比较中，神经网络方法体现出了巨大的优越性。人工神经网络不需要 预先假设样本空间的参数化统计分布，有着良好的并行处理性能，能适应多波段 的需要。在神经网络的不同算法中，应用和研究最多的是反向传播人工神经网络 模型( b p 网络模型) ，本文提出一种基于模拟退火b p 神经网络模型的遥感影像 自动分类方法。该网络模型利用模拟退火的思想，结合动量梯度下降法和标准 b p 神经网络各自的优势，对动量参数和权值进行调整，不仅能避免网络陷人局 部极小点，而且能使网络稳定地收敛。网络训练和遥感影像分类结果表明改进后 的网络易收敛且性能稳定，分类精度较高，有实际应用价值。 同时本文着眼目前遥感信息发布现状，结合统一的w e b 服务对象封装技术， 提出并实现了一种跨平台、无缝集成的系统设计方案：采用x m l w e b 服务发布 遥感信息。实现了跨平台和不同语言的应用集成，促进了遥感信息的电子商务化 和遥感经济的发展。 关键词：遥感影像分类，b p 神经网络，模拟退火，遥感信息发布，w e b 服务 r e s e a r c ho nt h ec l a s s i f i c a t i o no fr e m o t es e n s i n g i m a g e a n di n f o r m a t i o ni s s u a n c et e c h n i q u e n a m e ：p a n gx i a o q i o n g s u p e r v i s o r ：p r o f c h e nl i c h a o a b s t r a c t a u t o - c l a s s i f i c a t i o no fr e m o t es e n s i n gi m a g ei st h ec o n c r e t ea p p l i c a t i o no fp a t t e r n r e c o g n i t i o nt e c l u f i q u e i nr e m o t e s e n s i n gt e c h n i q u et e r r i t o r y c o m p a r e dw i t h c o n v e n t i o n a ls t a t i s t i cc l a s s i f i e r , t h ea r t i f i c i a ln e n r a l n e t w o r k ( a n n ) s h o w s t r e m e n d o u sa d v a n t a g e a n nd o e s n tn e e d s u p p o s ep a r a m e t e f i z e dd i s t r i b u t i o no f s a m p l es p a c ei na d v a n c e ，nh a sg o o dp a r a l l e lp r o c e s s i n gp e r f o r m a n c ea n da d a p t st o t h en e c e s s a r i e so fm u l t i b a n d a n nh a sc o m p l i c a t e dm a p p i n gc a p a b i l i t y t h eb a c k p r o p a g a t i o n n e u r a ln e t w o r km o d a l ( b pm o d a l li so f t e nb e e nu s e d a n a u t o - c l a s s i f i c a t i o nm o d e lo f r e m o t e s e n s i n gi m a g eu s i n gb pn e u r nn e t w o r kb a s e do n s i m u l a t e da n n e a l i n gi sp u tf o r w a r di nt h i sp a p e r u t i l i z i n gt h es i m u l a t e da n n e a l i n g i d e at h i sn e t w o r km o d e lu n i t e st h er e s p e c t i v ep r e p o n d e r a n c e so ft h em e t h o do f g r a d i e n td e s c e n tw i t hm o m e n t u ma n dt h es t a n d a r db pn e u r a ln e t w o r kt oa 萄u s tt h e m o m e n t u mp a r a m e t e ra n dt h ew e i g h t s ，w h i c hi sa b l et om a k et h en e t w o r ke s c a p e f r o mt h el o c a lm i n i m u ms p o t sa n dc o n v e r g es t e a d i l ye x p e r i m e n t a lr e s u l t so f n e t w o r k t r a i n i n ga n dc l a s s i f i c a t i o no fr e m o t es e n s i n gi m a g es h o wt h a tt h ei m p r o v e dn e t w o r k c o n v e r g e se a s i l y , i t sp e r f o r m a n c e i s s t e a d y , t h e c l a s s i f i c a t i o n a c c u r a c y i s c o m p a r a t i v e l yh i g ha n di th a sp r a c t i c a la p p l i c a t i o nv a l u e a c c o r d i n gt ot h ea c t u a li s s u a n c eo fr e m o t e - s e n s i n gi n f o r m a t i o na n dc o m b i n i n g w i t ht h eu n i v e r s a lw e bs e r v i c eo b j e c t se n c a p s u l a t i o nt e c h n i q u e ，as o l u t i o ni sb r o u g h t f o r w a r da n da c h i e v e d ，w h i c hi s s u e sr e m o t e s e n s i n gi n f o r m a t i o nw i t hx m lw e b s e r v i c et e c h n i q u et os u p p o r tm u l t i p l a t f o r ma n ds e a m l e s si n t e g r a t i o n a p p l i c a t i o n a c r o s sp l a t f o r ma n dd i f f e r e n tl a n g u a g ea r er e a l i z e d a tt h es a l n et i m e ，r e m o t e s e n s i n g i n f o r m a t i o ne c o m m e r c i a l i z a t i o na n dt h er e m o t e - s e n s i n ge c o n o m yd e v e l o p m e n ta r e a c c e l e r a t e d k e y w o r d s ：c l a s s i f i c a t i o no fr e m o t es e n s i n gi m a g e ，b pn e u r a ln e t w o r k ，s i m u l a t e da n n e a l i n g ， ；c c l l pn f r p m n t p q p n q l l 3 t ri n f n t t ”a t i n nw a hq p n ，；p p 原创性声明 本人郑重声明：所呈交的学位论文，是本人在指导教师的指导下，独 立进行研究所取得的成果。除文中已经注明引用的内容外，本论文不包含 其他个人或集体已经发表或撰写过的科研成果。对本文的研究作出重要贡 献的个人和集体，均已在文中以明确方式标明。本声明的法律责任由本人 承担。 论文作者签名：五丝! 塾叠e i 其i i ：主型：! ：三 关于学位论文使用权的说明 本人完全了解中北大学有关保管、使用学位论文的规定，其中包括： 学校有权保管、并向有关部门送交学位论文的原件与复印件；学校可 以采用影印、缩印或其它复制手段复制并保存学位论文；学校可允许学 位论文被查阅或借阅；学校可以学术交流为目的，复制赠送和交换学位 论文；学校可以公布学位论文的全部或部分内容( 保密学位论文在解密 后遵守此规定) 。 签 名：殛吃谚京 签 名：趔吼婚 导师签名： 荨萎盔牺 日期：丝：生：塑 日期：立竺& ，2 i 中北大学学位论文 1 1 问题概述 1 1 1 遥感影像分类 1 绪论 遥感是本世纪六十年代发展起来的新兴综合技术，它与空间、电子光学计算机、 地学等科学技术紧密相关，是现代科学的一个重要组成部分，是研究地球资源环境最 有力的技术手段之一。遥感把地球作为一个完整的系统，来研究地球各圈层的空间结 构和相互作用，并通过遥感数据的定性、定量分析，为解决地球资源与环境等问题服 务。它的发展为人类提供了从多维和宏观角度去认识宇宙世界的新方法与新手段。 遥感影像的自动分类是模式识别技术在遥感技术领域的具体应用。它的主要识别 对象是遥感影像，也就是对地球表面及其环境在遥感影像上的信息进行属性的识别和 分类，以达到从识别影像信息所对应的实际地物来提取所需地物信息的目的，具体而 言就是将影像中每个像元根据其在不同波段的光谱亮度、空问结构特征或者其他信息， 按照某种规则或算法划分为不同的类别【l l 。 近年来，人工神经网络技术已经成为遥感影像分析与处理的一种新手段。在与传 统的遥感影像分类方法比较中，神经网络方法体现出了巨大的优越性。并有逐步取代 最大似然法的趋势。人工神经网络不需要预先假设样本空问的参数化统计分布，有着 良好的并行处理性能，能适应多波段的需要。神经网络中应用最广泛的是b p ( b a c k p r o p a g a t i o n ) 列终，b p 算法理论具有依据可靠、推导过程严谨、通用性较好等优点， 但也存在收敛速度缓慢、容易陷入局部极小值等缺点，这些缺点极大的影响网络的训 练结果和影像的分类结果，需要进一步改善。 1 1 2 遥感信息发布 目前遥感数据发布形式一般只有电话、传真、邮件、网络下载等几种方式，而一个 中北大学学位论文 遥感数据提供者出于成本等因素的考虑，仅提供一两种方式，这又不能满足用户的需求。 随着网络技术的发展，从互联网上直接获取遥感信息变得方便快捷。然而，不同的 网站遥感服务提供商往往采用不同的开发平台和开发语言，这极大地限制了通过w e b 进 行电子商务合作的可能。x m l w e b b 艮务提供了一种在不同体系结构下网站之间互相提供 应用接口服务和数据的解决方案。它采用通用的s o a p 、h r r p 以及x m l 就可以把原本互 不相干的站点服务形成一整套分布的、自动化和智能化的网络应用，减轻了程序员的开 发工作量，充分地利用了已经拥有的网络资源和开发资源。通过w e b 服务技术实现遥感 信息发布能够使得发布者只需提供w 曲服务将遥感信息发布出来，用户便可以通过各种 形式调用w 曲服务以获取相关信息，具有平台无关性和调用方式多样性。 1 2 本文主要工作 1 ) 在遥感影像分类方面，深入研究了反向传播网络在遥感影像分类中的应用。首 先研究了标准b p 神经网络用于遥感影像分类的方法，b p 算法理论具有依据可靠、推 导过程严谨、误差精度较高、通用性较好等优点，但是b p 模型存在收敛速度缓慢、 容易陷入局部极小值等缺点；虽然改换激活函数【2 1 可以提高神经网络收敛速度和分类 结果准确性，但稳定性未有所改善。其次，研究了应用动量法 3 l 调整策略来提高b p 算法稳定性，发现单一动量参数的选取并不能很好地提高网络性能。最后，本文提出 一种运用模拟退火方法调整动量参数的b p 神经网络模型，并将其运用到遥感影像分 类中。该法结合动量梯度下降法和标准b p 神经网络各自的优势，既能避免网络陷人 局部极小点，也能使网络稳定地收敛。改进后的网络易收敛且性能稳定，分类精度较 高，有实际应用价值。 2 ) 在遥感信息发布方面，考虑更新现有的发布方式，一方面降低遥感数据提供者 的工作强度，另一方面提高对用户不同调用方式的支持程度，提出了一种基于w e b 服 务技术的遥感信息发布方案，能够使发布者只需提供w e b 服务一次性地将遥感信息发 布出来，用户便可以通过各种形式调用w e b 服务以获取相关信息，具有平台无关性和 调用方式多样性。并以气象遥感信息发布为例，实现了该方案。经试验证明，该法实 现了跨平台和1 i 同语言的应用集成，同时又具有本地应用程序的速度优势。 2 中北大学学位论文 1 3 本文结构 第二章介绍了遥感影像分类技术和几种传统遥感影像分类方法，同时给出了分类 误差评价标准。第三章将神经网络用于遥感影像分类，分别运用标准b p 网络和动量 改进的b p 网络对遥感影像进行分类，结果优于传统分类方法。最后提出一种基于模 拟退火b p 神经网络模掣的遥感影像自动分类方法。第四章分析了标准b p 网络和动量 改进的b p 网络的优缺点，针对性地提出了一种基于模拟退火算法的b p 神经网络方法， 并比较了各种网络的训练结果和分类结果，结果表明本文提出的改进方法的分类精度 较高，稳定性更好。第五章针对目前遥感信息发布的现状，分析了其中的不足，提出 了一种基于w e b 服务的遥感信息发布方法，并以气象遥感信息为例实现了该法。第六 章总结全文，并给出后续研究方向。 3 中北大学学位论文 2 1 概述 2 遥感影像分类技术 遥感影像分类的理论依据是：遥感影像中同类地物在相同条件下( 纹理、地形、光 照以及植被覆盖等) 应具有相同或相似的光谱信息特征和空间信息特征，因此同类地物 像元的特征向量将集群在统一特征空间区域，而不同的地物由于光谱信息特征或空间信 息特征不同，将集群在不同的特征空间区域。同类地物的各像元特征向量虽然不是完全 集中在一个点上，但也不是杂乱无章分布的，而是相对密集的分布在一起形成集群，当 像元数目较大时，近似呈多维正态分布。一个集群相当于一个类别，而每类像元值向量 可以看作随机向量，因而遥感影像分类方法一般是建立在随机变量统计分析的基础上的 4 【引。 遥感影像的分类主要有两个途径，一是目视解译分类，另一是计算机自动分类。遥 感影像的解译过程，是遥感成像过程的逆过程，即从遥感对地面实况的模拟影像中提取 遥感信息、反演地面原型的过程。对于目视解译分类来说，它是把地学工作人员的专业 知识介入到影像分析中去，解译者的知识和经验在识别判读中起主要作用，但难以实现 对海量空间信息的定量化分析；对于计算机自动分类而言，它可以利用各波段、各像元 的灰度值最小差异，探测目标的微小变化，精度高，适于定量分析，速度快，可重复性 好，数据处理方式灵活多样，尤其是与地理信息系统相结合更是显出其强大优势，目前 已成为遥感理论和应用研究领域的主流之一。但是它的整个处理过程多是以人机交互方 式进行的，各种处理算法的“好与坏”往往离不开人工判读或人的经验与知识的介入。 而且它主要利用地物的光谱特征，多是通过训练区或数据的统计分析为基础的，难以突 出遥感信息所包含的地学内涵，因而对复杂的地理环境要素难以进行有效的综合分析， 且对地物空间特征的利用不够。在实际工作中，常常是二者有机结合起来，互相取长补 短。 4 中北大学学位论文 2 2 传统分类方法 2 2 ，1 监督分类和非监督分类 根据求解判别函数是否利用了类别的先验知识，可将分类方法归结为监督分类法与 非监督分类法。监督和非监督分类法相比，监督分类的精度高些，准确性要好一些，但 是需要采样，工作量要大的多。监督分类要选好训练样本，要求样本有一定的代表性， 而且有足够的数量。 1 ) 监督分类 监督分类是一种常用的精度较高的统计判别分类，在已知类别的训练场地上提取各 类训练样本，通过选择特征变量，并利用学习算法对这些己知样本进行学习，确定判别 函数或判剐规则，从而把图像中的各个像元点规划到各个给定类的分类方斟6 呻】。 监督分类包括学习和分类两个阶段，学习是分类的前提，分类是学习的目的。遥感 影像处理是监督分类技术的一个重要应用方向，监督分类是遥感影像进行定量分析的常 用手段。遥感影像监督分类技术因其识别精度高，应用领域十分广阔 1 。 经典的监督分类方法有最大似然法( m a x i m u ml i k e l i h o o dc l a s s i f i e r ) 、最小距离法 ( n e a r e s t a n g l ec l a s s i f i e r ) 、光谱角分类法( s p e c t r a la n g l ec l a s s i f i e r ) 等。 2 ) 非监督分类 非监督分类按照矢量特征在特征空间中类别集群的特点进行分类，分类结果只是对 不同类别达到了区分，而类别属性则是通过事后对各类的光谱响应曲线进行分析，或通 过实地调查后确定的。遥感影像非监督分类无需任何先验知识，直接将遥感影像中的像 元划分为若干类别，一般分类精度较低。常见的非监督分类方法有k - 均值( k m e a n s ) 、 迭代自组织数据分析( i t e r a t i v es e l f - o r g a n i z ed a t aa n a l y s i s ) 等。 有时也将计算机自动分类方法分为参数类型( p a r a m e t r i c ) 和非参数型 ( n o n p a r a m e t r i c ) 两种，参数型分类器假设数据呈某种传统的概率分布( 一般都是假设 呈正态分布) ，最常见的就是m l c 法。而非参数型分类器则不对数据分布做任何假设， 因而它往往更具鲁棒性，常见的非参数型分类器有平行六面体法( l e v e l s l i c ec l a s s i f i e r ) 、 最邻近法( n e a r e s t - n e i g h b o r sc l a s s i f i e r ) 等。 5 中北大学学位论文 2 2 2 软件分类方法 在遥感影像处理领域卓有成效的软件有美国e r d a s 公司推出的e r d a si m a g i n e 、 新加坡3 - l i n k 公司的e n v i 等。这些商用软件通常提供基础级( e s s e n t i a l s ) 、高级 ( a d v a n t a g e ) 和专用级( p r o f e s s i o n a l ) 三级模块软件。e r d a si m a g i n e 不仅具有常用 的监督和非监督分类技术，而且具有子像元分类器( s u b p i x e lc l a s s i f i e r ) 及结合专家 系统的分类器( e x p e r t c l a s s i f i e r ) 。子像元分类模块是功能强大的多光谱影像研究工具， 具有较高的光谱区分能力和分类精度。专家分类器通过建立专家系统，既充分利用光 谱信息，又将空间关系信息( 纹理特征) 引入，并且需要建立并运行复杂的推理机制， 从而生成土地覆盖和其他信息类别。因而除了该软件具有相当高的价格外，对软件使 用者的地学知识和经验以及建模能力又相当高的要求。 2 2 3k - m e a n s 算法 k - m e a f l s 算法称作k 均值算法，是一种非监督分类算法，它的分类判别依据是一 类中各元素与其中心的距离平方和最小。其基本思想是：通过迭代，移动各个基准类 别的中心，直至得到最好的聚类结果为止。 算法如下： 第一步：选择初始各类中心，可依照直方图选心法、最大最小距离定心法等选择。 假设有c 个初始类别，其中心分别为z f ”，墨”，乏”。 第二步；在第k 次迭代中，对于任一样本x 按照如下方法把它调整到c 个类别中的 某一类中去对于所有的f ，f _ 1 2 c 如果0 x 一零0 0 x 一霉则z e 町“，其中町 是以z 为中心的类。 第三步：由第二步得到够1 类新的中心刁“1 掣2 古。驴 6 中北大学学位论文 式中：q 为町类中的样本数z 笋“是按照使j 最小的原则，表达为 t ，= 耄三，i i x 一雩“| i j = 1z e s 寸) 。 “ 第四步：对所有的j = 1 ，2 ，c ，如果矽“= 零，则迭代结束，否则转到第二步继 续迭代。 k m e a n s 算法的性能取决于分类数目、初始类中心的选择以及样本的分布情况等。 虽然算法的收敛性没有从理论上证明一定存在，但是只要各类别混迭不太严重，还是 可以获得理想的结果。缺点是难以事先知道要分多少类，一般要通过实验来确赳“】。 2 2 4 最大似然比分类法 最大似然比分类法( m a x i m u ml i k e l i h o o dc l a s s i f i e r ) 是图像处理中最常用的一种监 督分类方法，它利用了遥感数据的统计特征，假定各类的分布函数为正态函数，求出 像元数据对于各类别的似然度( 1 i k e l i h o o d ) ，把该像元分到似然度最大的类别中去的 方法。 最大似然比分类法公式如下： d = h a ( a t ) - o 5 1 1 1 ( 1 c o v c l ) o 5 ( z 一 t ) 丁( 啄1 ) ( x 一 t ) 其中： d ：加权距离( 可能性) c ：某一特征类型 x ：像素的测量矢量 m c ：类型c 的样本平均矢量 ：任一像素属于类型c 的概率( 缺省为1 0 ，或根据先验知识输入) c o v c ：类型c 的样本中的像素的协方差矩阵 l c o v c l ：c o v c 的行列式 7 中北大学学位论文 c o 丐1 ：c o k 的逆矩阵 i n ：自然对数函数 7 1 ：转置函数 分类步骤： 1 确定需要分类的地区和使用的波段和特征分类数，检查所用各波段或特征分量是 否相互已经位置配准； 2 根据已掌握的典型地区的地面情况，在图像上选择训练区； 3 计算参数，根据选出的各类训练区的图像数据，计算 t 和c o ，确定先验概率； 4 分类，将训练区以外的图像像元逐个逐类地代入公式，对于每个像元，分几类就 计算几次，最后比较大小，选择最大值得出类别； 5 产生分类图，给每一类别规定一个值，如分十类，就定每一类分别为1 ，2 ，l o ， 分类后地像元值便用类别值代替，最后得到地分类图像就是专题图像。 6 检验结果，如果分类中错误较多，需要重新选择训练区再作以上各步，知道结果 满意为j _ = 。 这种方法的优点是，对符合丁f 态分布的样本聚类组而言，足监督分类中较准确的 分类器，通过协方差矩阵考虑类型内部的变化。缺点是扩展后的等式计算量较大，当 输出波段增加时，计算时问相应增加；最大似然是参数形式的，意味着每一输入波段 必须符合正态分布；在协方差矩阵中有较大值时，易于对模板分类过头，如果在聚类 组或训练样本中的像素分布较分散，则模板的协方差矩阵中会出现大值9 1 。 2 3 研究进展 2 3 1 传统方法的缺陷 遥感影像数据具有以下一些特征：1 ) 多源性：获取的遥感影像数据具有多传感器、 多平台的信息特征，多平台的遥感数据观测系统覆盖近地面航空航天的信息序 列；2 ) 空间宏观性：遥感影像覆盖范围大、视野广，具有一定的概括性；3 ) 时间周期性： 8 中北大学学位论文 遥感影像数据具有多时相特点；4 ) 多光谱特性：光谱分辨率的提高是白遥感发展以来的 重要趋势，自上世纪8 0 年代开始发展的成像光谱仪极大提高了光谱分辨率，已经开辟了 高光谱遥感；5 1 多空间分辨率特性：目前，遥感探测器的分辨率由公里级、百米级发展 到米级、分米级，一个多空间尺度的海量遥感数据业已经形成；6 ) 海量数据：多波段、 多分辨率的特性使得所获得的遥感数据往往是海量的。 遥感影像数据的上述特征使得其在分析处理过程中存在以下困难：( a ) 以目前的数 据处理和分析能力远无法满足实用要求，海量的数据不仅难以有效提取，在串行处理时 速度也较慢；( b ) 由于光谱分辨率的提高，波段的增多，各波段间的相关性往往又很强， 则数据的冗余现象更加明显，这样处理时的精度和可靠性往往会受到影响；( c ) 遥感影 像的处理过程从本质上来说是非线性的，因而使用线性方法进行逼近时存在许多麻烦。 传统的遥感影像计算机分类方法根据遥感数据的统计值特征与训练样本数据之间 的统计关系来进行地物分类的，然而随着遥感数据空间维数的不断扩展，该方法开始 暴露出一些弱点： 1 ) 多源、多维的遥感数据，可能不具备正态分布特征； 2 ) 离散的类别数据( 如地面实测数据) ，在很多情况下不具备统计意义； 3 ) 这种方法与人对影像的目视解译分类方法也存在很大的差异，所以人们希望寻 找一种与人目视解译分类更相似的计算机分类方法。 2 3 2 神经网络方法 关于人工神经网络的研究已经有半个世纪的历史，早期的研究可以追溯到1 8 0 0 年 f r u e d 的前精神分析学时期，1 9 4 3 年随着神经元的数学模型( m p 模型) 的首次提出， 人工神经网络的研究先后经历了兴起、沉淀和低潮期。2 0 世纪8 0 年代中期以来，神 经网络的应用研究取得了很大的成绩，开始用于解决一系列的实际问题，涉及领域非 常广泛，掀起了第二次研究高潮。它特有的自组织、自学习和高容错性等功能使得其 在解决复杂的非线性问题时有独特的功效。 近年来，国内外众多学者已经将神经网络应用到遥感领域，人工神经网络技术已 经成为遥感影像分析与处理的一种新手段，并有逐步取代最大似然法的趋势。从参考 9 中北大学学位论文 文献1 2 、1 3 、1 4 中可以看到，基于神经网络技术的遥感影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。它区别于传统的分 类方法在于：在处理模式分类问题时，并不基于某个假定的概率分布，在无监督分类 中，从特征空间到模式空问的映射是通过网络自组织完成的，在监督分类中，网络通 过对训练样本的学习，获得权值，形成分类器，且具备容错性。 人工神经网络( a n n ) 分类方法一般可获得更高精度的分类结果，特别是对于复 杂类型的地物类型分类，a n n 方法显示了其优越性。如h o w m d ( 1 9 8 9 ) 、m c c l e l l a d ( 1 9 8 9 ) 、h e p n e r ( 1 9 9 0 ) 、t y o s hi d a ( 1 9 9 4 ) 、k s c h e n ( 1 9 9 5 ) 、j d p a o l a ( 1 9 9 7 ) 等利用a n n 分类方法对t m 影像进行土地覆盖分类，在不同程度上提高了分类精度； k a n e l l o p o u l o s ( 1 9 9 2 ) 利用a n n 方法对s p o t 影像进行了多达2 0 类的分类，取得比 统计方法更精确的结果；g m f o o d y ( 1 9 9 6 ) 用a n n 对混合像元现象进行了分解； l b r u z z o n e 等( 1 9 9 7 ) 在t m 一5 遥感数据、空间结构信息数据、辅助数据( 包括高程、 坡度等) 等空间数据基础下，用a n n 方法对复杂土地利用进行了分类，比最大似然 分类法提高了9 的精度。与统计分类方法相比较，a n n 方法具有更强的非线性映射 能力，因此，能处理和分析复杂空间分布的遥感信息。 2 4 评估标准 对分类结果进行评估是遥感数据分类过程中一项不可缺少的工作，分类者能确定 分类模型的有效性，改进分类模型，提高分类精度：使用者可以根据分类结果的精度， 正确、有效的获取分类结果中的信息。目前常采用的是建立误差矩阵( 或称混淆矩阵) ， 以此计算各种统计量并进行统计检验，最终给出对于总体的和基于各种地面类型的分 类精度值【15 1 。 2 4 1 误差矩阵 误差矩阵用来表示精度评价的一种标准格式。误差矩阵是n 行1 1 列的矩阵，其中n 代表类别的数量，一般可表达为一下形式：( 见表2 1 ) 1 0 中北大学学位论文 表2 1 误差矩阵表 分类数据类型 实测数据类型实测总和 l2n 1 昆1p 2 1 只z lp + l 2 p 1 2p 五p h 2p 舵 n 尹1 月p 抽p 珊p h 分类总和 芦1 +p 2 +p * p 其中：功是分类数据类型中第f 类和实测数据类型第_ ，类型所占的组成成分 n p ，+ = 玢为分类所得到的第f 类的总和；n ，= 乃为实际观测的第- ，类的总和；p j = l 卢1 样本总数。 2 4 2 精度指标 针对误差矩阵的基本统计估计量 n 总体分类精度：p c = p 肚p k = l 它是具有概率意义的一个统计量，表述的是对每一个随机样本，所分类的结果与 地面所对应区域实际类型相一致的概率。 2 4 3 k a p p a 分析 在对误差矩阵进行分析得出其总体精度、用户精度后，往往仍需要一个更客观的 中北大学学位论文 指标来评价分类质量，比如两幅图之间的吻合度，利用总体精度和用户精度的一个缺 点是像元类别的小变动可能导致其百分比变化。运用这些指标的客观性依赖于采样样 本以及方法。 k a p p a 系数是评价分类精度的多元统计方法，它代表被评价分类比完全随机分类 产生错误减少的比例【1 6 1 ，它考虑了矩阵的多有因素，用以克服以上的缺点。k a p p a 分 析产生的评价指标被称为j ，统计， i 枷是一种测定两幅图之间吻合度或精度的指标。 其公式为： 靠一( 札，) ，= 旦5 l 一 2 一( 稚，) 式中：r 是误差矩阵中总列数( 即总的类别数) ；是误差矩阵中第坪i 、第i 列上像 元数量( 即正确分类的数目) ；_ + 和_ ，分别是第坪i 和第i 列的总像元数量：n 是总 得用于精度评估的像元数量。 总精度只用到了位于对角线上的像元数量，而吒。则既考虑到了对角线上被正确 分类的像元，同时也考虑到了不在对角线上各种漏分和错分误差，因此这两个指标往 往并不一致。在一般精度评价中，应同时计算以上各种指标，以便尽可能地得到更多 地精度信息。 1 2 中北大学学位论文 3 1 人工神经网络 3 基于神经网络的遥感影像分类 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ) ，是以模拟人脑神经网络系统的结构和 功能为基础而建立的一种数据分析处理系统，具有对信息的分布式存储，并行处理、 白组织、自学习等特点，通过许多具有简单处理能力的神经元的复合作用而具有复杂 的非线性映射能力【l ”。a n n 方法用于遥感影像分类始于1 9 8 8 年，目前这种技术已得 到较为广泛和深入的应用，从单一的b p 网络发展到自组织网络、径向基函数网络、 自适应共振网络等多种网络。a n n 分类器是非参数型的，有较好的容错特性。 人工神经网络是由人工神经元互相连接而成的网络。人工神经元的主要结构是信 号的输入、综合处理和输出，其输出信号的强度大小反映了该神经元对相邻神经元影 响的强弱。神经元相互联结的方式称为联结模式，相互的联结度由联结权值提现。在 人工神经网络中，改变信息处理过程及其能力，就是修改网络权值的过程。一个人工 神经网络的神经元模型和网络的结构描述了一个网络如何将他的输入矢量转化为输出 矢量的过程。这个转化过程从数学角度来看就是一个计算过程。人工神经网络的实质 体现了网络输入及输出的一种函数关系，通过选取不同的模型结构和激励函数，可以 形成不同的人工神经网络，得到不同的输入输出关系式，达到设计的目的，解决实际 问题【l 。神经元的模型如图3 1 。 1 3 中北大学学位论文 图3 1 神经元示意图 一个人工神经元将接受的信息。l ，x 2 ，h ( 也就是神经元的输入) ，通过w l ，w 2 ， ( 权值) 表示的互联强度，以点积的形式合成为自己的输入，并将输入与以某种方式 设定的闽值0 作比较，再经某种形式的激活函数厂的转移，得到该处理单元的输出y ， 即： “，= tw j( 3 1 ) i = f ( u 。一0 )( 3 2 ) 以t 就是神经元的模型表示。 常用的三种非线性激活函数，如图3 2 所示。其中( c ) 所示的激活函数为s i g m o i d 型，简称s 型，是一个单调上升的光滑的非线性连续可微函数，是最常用的激活函数， 公式表示如下： f ( x ) = 专一1 ( 3 3 ) f ( x ) 取( - - 1 ，1 ) 间的连续值。s i g m o i d 函数也可以表示为 ，( 功2 专 ( 3 4 ) 则厂( x ) 取( 0 ，1 ) 间的连续值。 1 4 中北大学学位论文 jf f a ) l r ) 趣 i ( a ) 强限制型 j f f 园j l j _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ _ ， ， 。 ) 7 0 l ( b ) 闽值逻辑型 jl ，l f 嗡 一 l n 拍 ( c ) s 型 图3 2 常用的激励函数曲线 一般选择s i g m o i d 函数作为激活函数，因为它具有以下特性：1 1 非线性，单调性。 2 ) 无限次可微性。3 ) n 权值很大时近似闽值函数。4 ) n 权值很小时近似线性函数。 将神经元节点组合连接成层，各层连接组成网络，即组成神经元网络模型。神经 网络模型有三个要素：网络的拓朴结构、神经元特性、学习规则。根据网络的拓朴结 构可分为前馈型神经网络和反馈型神经网络。如图3 3 。 1 5 中北大学学位论文 ( a ) 单纯前馈网络( b ) 有反馈的前馈网络 ( c ) 反馈型全互联网络( d ) 反馈型局部连接网络 图3 3 几种神经网络类型 前馈型神经网络中的神经元是分层排列的，每个神经元只与前一层的神经元相连， 如图3 3 ( a ) 所示，最上一层为输出层，最下一层为输入层，中间为隐层。隐层的数 目可以是一层或多层。有反馈的前馈型神经网络如图3 - 3 ( b ) 所示，此时在输出层上 存在一个反馈回路到输入层，而网络本身还是前馈型的。反馈神经网络如图3 3 ( c ) 和3 3 ( d ) 所示，每个神经元的输出和其周围的神经元( 图3 3 ( c ) ) 或全部的( 图 3 3 ( d ) ) 神经元相连，形成反馈。 1 6 中北大学学位论文 3 2 反向传播网络 3 2 1 标准b p 网络 应用最为广泛的神经网络是r u m e l h a r t 等人于1 9 8 5 年提出b p ( b a c kp r o p a g a t i o n n e u r a ln e t w o r k ) 网络学习算法。b p 网络是一种有导师指导的前馈型网络，含有输入 层、输出层以及处于输入输出层之间的中间层，由于它们和外界没有直接的联系，故 也成为隐层，中间层有单层或多层，一般为单层。隐层虽然和外界不连接，但是它们 的状态则影响输入输出的关系，也就是说隐层的权系数和个数可以改变整个网络的性 能。相邻层次的神经元之间用连接权系数相互连接，而各层内的神经元之间没有连接。 如图3 4 。 输入层中间层 输出层 图3 4b p 神经网络模型 神经网络为完成某一特定的任务，通常采用训练的办法，这种训练实质上是网络 的学习过程，一般根据事先定义好的学习规则，不断调整各节点的连接权重，进而得 到样本的输入与输出的非线性关系，在b p 网络中，采用d e l t a 学习规则，也称作梯度 法或最速下降法。 1 梯度法基本原理 假定神经元权值修正的目标是极小化标量函数f ( w ) 。如果神经元的当前权值为 1 7 中北大学学位论文 w ( t ) ，且假设下一时刻的权值调整公式为 w ( t + 1 ) = w ( t ) + a w ( t )( 3 5 ) 式中，a w ( t ) 代表当前时刻得修正方向。期望每次修正均有 f ( w ( t + 1 ) ) f ( w ( f ) )( 3 6 ) 对f ( w ( t + 1 ) ) 进行一阶泰勒展开，得 f ( w ( t + 1 ) ) = f ( w ( t ) + a w ( 0 ) “f ( w ( f ) ) + g7 ( t ) a w ( t )( 3 7 ) 式中 g ( f ) = v f ( w ( r ) ) 1 w = 枷、 ( 3 8 ) 表示f ( w ) 在w = w ( t ) 时得梯度矢量。显然，如果取 a w ( t ) = 一c g ( t )( 3 9 ) 式中，c 取较小得正数( 称学习率) ，即权值修正量沿负梯度方向取较小值，则式( 3 7 ) 得右边第2 项必然小于零，式( 3 ，6 ) 必然满足。 2 神经元的d e l t a 学习规则 由于梯度法要用到目标函数的梯度值，因此在神经元权值调节的d e l t a 学习规则 中，神经元基函数取一般的线性函数，激活函数取s i g m o i d 函数，因为s i g m o i d 函数 是连续可微的。 神经元权值调节d e l t a 学习规则的目的是：通过训练权值w ，使得对于训练样本对 ( x ，d ) ，神经元的输出误差 e = 圭( d y ) 2 = 圭( d f ( w r x ”2 ( 3 1 0 ) 达最小。通过计算梯度矢量 v e w = ( d y ) f 7 ( w 7 x ) x ( 3 1 1 ) 并令a w ( t ) = 一v 瓦，即可得到如下权值修正公式： a w ( t ) e ( dy ) f ( w 7 x ) x( 3 1 2 ) 1 8 中北大学学位论文 神经元的初始权值一般取零附近的随机值1 9 1 。 b p 算法分两步进行，即正向传播和反向传播。正向传播时，由输入层到隐层再到 输出层，每一层的神经元状态只对下一层神经元状态产生影像，到输出层时，将实际 输出与期望输出相比较，如果误差超过允许范围，则进入反向传播过程，即把误差信 号按原来正向传播的通路反向传回，对神经元之间的连接权值按照梯度下降法 ( g r a d i e n td e s c e n t ) 进行修改、使期望值与输出值的均方差趋于最小。 n i r - - nb p 网络，输入节点x i ，隐层节点y j ，输出节点而输入节点与隐层节点 问的网络权值为，隐层节点与输出节点间的网络权值为v 0 当输出节点的期望值为 f ，时，模型的计算公式： 2 0 l 隐层节点的输出： 片= f ( z w j , x , 一0 ) = f ( n e t j ) ( 3 1 3 ) l 其中 输出节点的输出 其巾 输出节点的误差： 权值修正值 行e 0 = 1 屹，t o j ( 3 1 4 ) z i = 厂( 乃一岛) = f ( n e t t ) ( 3 1 5 ) ， n e l i = v g y j 一8 l ( 3 1 6 ) 占= t l ( t t z 1 ) 。f ( n e t t ) y j ( 3 1 8 ) j = 町，( n e t j ) ( 一刁) f ( n e t t ) v 0 葺 ( 3 1 9 ) f 1 9 7【3( 2 岛 一 ) 够 一x f 厶， (， 吁 ： ， ) ( ， 一 一 嘶 坼 ， 一2 1 2 = = e 中北大学学位论文 隐层与输出节点问权值修改： v 0 ( k + 1 ) = v o ( k ) + d v o 输入层与隐层间的权值修改： w j ，( 七十1 ) = w j ，( _ j ) + 万1 3 2 2 动量改进网络 ( 3 2 0 ) ( 3 2 1 ) 动量改进的b p 算法是在反向传播法的基础上在每一个权值的变化上加上一项正 比于前次权值变化的值，并根据反向传播法来产生新的权值变化，实质上是对标准b p 的学习规则做了改进。即由标准b p 的权值调整规则( 式3 2 2 ) 改进为加入动量后权 值调整规则( 式3 2 3 ) 。 d x = 刁啦，出 ( 3 2 2 ) d x = m e 3 出p 阳v + 叩( 1 一m c ) 咖e 矿出 ( 3 2 3 ) 其中：m c o ，1 是动量参数。d x p r e v 是前一时刻的权值变化，d p e r f d x 是当前负梯度。 玎为学习率。 引入动量参数后，不仅可以根据当前的梯度值而且还能根据误差曲面最近的趋势 响应，来调整b p 神经网络的权值，这就象一个低通滤波器，允许网络忽略误差曲面 的小特性。没有动量，网络有可能在一个局部最小中被卡住，有了动量网络就能够平