基于人工神经网络的遥感图像自动分类课件

1、基于人工神经网络的遥感图像自动分类张爱竹Z11010008内容安排一、人工神经网络二、遥感图像自动分类三、人工神经网络分类器四、基于ANN的遥感图像自动分类试验五、总结2022/8/92/79一、人工神经网络1.1 人工神经网络概述1.2 人工神经网络发展简史1.3 人工神经网络基础1.4 人工神经网络结构1.5 人工神经网络的学习类型1.6 人工神经网络模型2022/8/93/791.1 人工神经网络概述人工神经网络（Artificial Neural Networks）： 人工智能的一个分支； 从微观上模拟大脑皮层的感知和思维功能以计算机网络系统模拟生物神经网络的智能计算系统，是对人脑或自

2、然神经网络的若干基本特性的抽象和模拟； 是一个交叉性学科涉及数学、计算机、思维科学、神经生理学、心理学、模式识别等众多学科；智能：人类所特有的知识和智力, 是个体认识客观事物和运用知识解决问题的能力。人工智能：研究如何使类似计算机这样的设备去模拟人类的智能。2022/8/94/79人工神经网络1.1 人工神经网络概述两种人工智能技术的比较2022/8/95/79人工神经网络项目 传统AI技术 ANN技术 基本实现方式 串行处理；由程序实现控制 并行处理；对样本数据进行多目标学习；通过人工神经元之间的相互作用实现控制 基本开发方法设计规则、框架、程序；用样本数据进行调试（由人根据已知的环境去构造

3、一个模型） 定义人工神经网络的结构原型，通过样本数据，依据基本的学习算法完成学习自动从样本数据中抽取内涵（自动适应应用环境） 适应领域 精确计算：符号处理，数值计算非精确计算：模拟处理，感觉，大规模数据并行处理模拟对象 左脑（逻辑思维）右脑（形象思维）1.2 人工神经网络发展简史最早的研究可以追溯到20世纪40年代。1943年，心理学家McCulloch和数学家Pitts合作提出了形式神经元的数学模型。这一模型一般被简称M-P神经网络模型，至今仍在应用，可以说，人工神经网络的研究时代，就由此开始了。1949年，心理学家Hebb提出神经系统的学习规则，为神经网络的学习算法奠定了基础。现在，这个规

4、则被称为Hebb规则，许多人工神经网络的学习还遵循这一规则。 1957年，F.Rosenblatt提出“感知器”模型，第一次把神经网络的研究从纯理论的探讨付诸工程实践，掀起了人工神经网络研究的第一次高潮。2022/8/96/79人工神经网络1.2 人工神经网络发展简史20世纪60年代以后，数字计算机的发展达到全盛时期，人们误以为数字计算机可以解决人工智能、专家系统、模式识别问题，而放松了对“感知器”的研究。于是，从20世纪60年代末期起，人工神经网络的研究进入了低潮。 1982年，美国加州工学院物理学家Hopfield提出了离散的神经网络模型，标志着神经网络的研究又进入了一个新高潮。1984年

5、，Hopfield又提出连续神经网络模型，开拓了计算机应用神经网络的新途径。1986年，Rumelhart和Meclelland提出多层网络的误差反传(back propagation)学习算法，简称BP算法。BP算法是目前最为重要、应用最广的人工神经网络算法之一。 自20世纪80年代中期以来，世界上许多国家掀起了神经网络的研究热潮，可以说神经网络已成为国际上的一个研究热点。国内首届神经网络大会是1990年12月在北京举行的。 2022/8/97/79人工神经网络1.3 人工神经网络基础生物神经元：大脑处理信息的基本单元，由细胞体、树突、轴突和突触组成。生物神经元网络：2022/8/98/79

6、人工神经网络1.3 人工神经网络基础生物神经系统的六个基本特征：1）神经元及其联接；2）神经元之间的联接强度决定信号传递的强弱；3）神经元之间的联接强度是可以随训练改变的；4）信号可以是起刺激作用的，也可以是起抑制作用的；5）一个神经元接受的信号的累积效果决定该神经元的状态；6）每个神经元可以有一个“阈值”。神经元是构成神经网络的最基本单元（构件）。人工神经元模型应该具有生物神经元的六个基本特性。 人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。2022/8/99/79人工神经网络1.4 人工神经网络结构直观理解：神经网络是一个并行和分布式的信息处理网络结构。它一般由

7、大量神经元组成： 每个神经元只有一个输出，可以连接到很多其他的神经元； 每个神经元输入有多个连接通道，每个连接通道对应于一个连接权系数 。2022/8/910/79人工神经网络2022/8/911/791.4 人工神经网络结构激活函数执行对该神经元所获得的网络输入的变换，也可以称为激励函数、活化函数： o=f（net） 激发函数的基本作用控制输入对输出的激活作用；对输入、输出进行函数转换；将可能无限域的输入变换成指定的有限范围内的输出。 2022/8/912/79人工神经网络2 w2fo=f（net）n wnnet=XW1 w11、对称型Sigmoid函数 或2022/8/913/79激发函数

8、2、非对称型Sigmoid函数或2022/8/914/79激发函数3、对称型阶跃函数函数采用阶跃作用函数的神经元，称为阈值逻辑单元。 2022/8/915/79激发函数4、线性函数 （1）线性作用函数：输出等于输入，即 （2）饱和线性作用函数 （3）对称饱和线性作用函数 2022/8/916/79激发函数5、高斯函数 反映出高斯函数的宽度 2022/8/917/79激发函数1.4 人工神经网络结构以MP模型为例：2022/8/918/79人工神经网络称为作用函数或激发函数1.4 人工神经网络结构2022/8/919/79人工神经网络 激发函数 求和操作以MP模型为例：可知当神经元i的输入信号加

9、权和超过阈值时，输出为“1”，即“兴奋”状态；反之输出为“0”，是“抑制”状态。 单位阶跃函数：1.4 人工神经网络结构典型结构： 根据神经元的拓扑结构形式不同，神经网络可分成以下两大类：一是层次型神经网络，二是互联型神经网络.（一）层次型神经网络 前向神经网络； 层内有互联的前向神经网络； 有反馈的前向神经网络.（二）互联型神经网络2022/8/920/79人工神经网络1、层次型神经网络（1）前向神经网络 神经元分层排列，顺序连接。由输入层施加输入信息，通过中间各层，加权后传递到输出层后输出。每层的神经元只接受前一层神经元的输入，各神经元之间不存在反馈。感知器(Perceptron)、BP神

10、经网络和径向基函数(RBF-Redial Basis Function)神经网络都属于这种类型。 2022/8/921/791.4 人工神经网络结构 前向神经网络 ： 1.简单单级网 2.多级网h层网络 3.循环网2022/8/922/79人工神经网络x1x2xno1o2omwnmw11w1mw2mwn1输出层输入层2022/8/923/791.4 人工神经网络结构人工神经网络前向神经网络 ： 1.简单单级网 2.多级网h层网络 3.循环网输出层隐藏层输入层o1o2omx1x2xnW(1)W(2)W(3)W(h)2022/8/924/791.4 人工神经网络结构人工神经网络前向神经网络 ： 1

11、.简单单级网 2.多级网h层网络 3.循环网x1o1输出层隐藏层输入层x2o2omxn稳定：反馈信号会引起网络输出的不断变化。我们希望这种变化逐渐减小，并且最后能消失。当变化最后消失时，网络达到了平衡状态。如果这种变化不能消失，则称该网络是不稳定的。 2022/8/925/79层次划分 ：信号只被允许从较低层流向较高层。层号确定层的高低：层号较小者，层次较低，层号较大者，层次较高。输入层：被记作第0层。该层负责接收来自网络外部的信息第j层：第j-1层的直接后继层（j0），它直接接受第j-1层的输出。输出层：它是网络的最后一层，具有该网络的最大层号，负责输出网络的计算结果。隐藏层：除输入层和输出

12、层以外的其它各层叫隐藏层。隐藏层不直接接受外界的信号，也不直接向外界发送信号。1.4 人工神经网络结构人工神经网络（2）层内有互联的前向神经网络 在前向神经网络中有的在同一层中的各神经元相互有连接,通过层内神经元的相互结合，可以实现同一层内神经元之间的横向抑制或兴奋机制，这样可以限制每层内能同时动作的神经元数，或者把每层内的神经元分为若干组，让每组作为一个整体来动作。 2022/8/926/792、互联型神经网络 在互连网络模型中，任意两个神经元之间都可能有相互连接的关系。其中，有的神经元之间是双向的，有的是单向的。 Hopfield网络、Boltzman机网络属于这一类。 2022/8/92

13、7/791.5 人工神经网络的学习类型 人工神经网络连接权的确定通常有两种方法:（1）根据具体要求，直接计算，如Hopfield网络作优化计算。（2）通过学习得到的(大多数人工神经网络都采用这种方法)。 学习是改变各神经元连接权值的有效方法，也是体现人工神经网络智能特性最主要的标志。离开了学习，神经网络就失去了诱人的自适应、自组织能力。2022/8/928/79人工神经网络 一. 神经网络的学习方式1.有监督（误差校正）学习方式2.无监督学习方式二. 神经网络的学习规则1. 联想式学习 Hebb学习规则2. 误差纠正式学习Delta ()学习规则 学习方法是人工神经网络研究中的核心问题1、有监

14、督学习方式特点：不能保证得到全局最优解要求大量训练样本，收敛速度慢对样本地表示次序变化比较敏感 神经网络根据实际输出与期望输出的偏差，按照一定的准则调整各神经元连接的权系数，见下图。期望输出又称为导师信号，是评价学习的标准，故这种学习方式又称为有导师学习。一、神经网络的学习方式2022/8/929/79 无导师信号提供给网络，神经网络仅仅根据其输入调整连接权系数和阈值，此时，网络的学习评价标准隐含于内部。其结构见下图。这种学习方式主要完成聚类操作。 2、无监督学习方式一、神经网络的学习方式2022/8/930/79Donall Hebb根据生理学中的条件反射机理，于1949年提出的神经元连接强

15、度变化的规则：如果两个神经元同时兴奋(即同时被激活)，则它们之间的突触连接加强。为学习速率，oi、oj为神经元 i 和 j 的输出。1、联想式学习 Hebb学习规则Hebb学习规则是人工神经网络学习的基本规则，几乎所有神经网络的学习规则都可以看作Hebb学习规则的变形。二、神经网络的学习规则2022/8/931/792、纠错式学习 Delta()学习规则 二、神经网络的学习规则 首先我们考虑一个简单的情况：设某神经网络的输出层中只有一个神经元i，给该神经网络加上输入，这样就产生了输出yi(n)，称该输出为实际输出。 对于所加上的输入，我们期望该神经网络的输出为d(n),称为期望输出或目标输出（

16、样本对里面包含输入和期望输出）。实际输出与期望输出之间存在着误差，用e(n)表示：2022/8/932/79 现在要调整权值，是误差信号e(n)减小到一个范围。为此，可设定代价函数或性能指数E(n)： 反复调整突触权值使代价函数达到最小或者使系统达到一个稳定状态（及突触权值稳定不变），就完成了该学习过程。 该学习过程称为纠错学习，或Delta学习规则。 wij 表示神经元xj到xj学的突触权值，在学习步骤为n时对突触权值的调整为：学习速率参数则2022/8/933/791.6 人工神经网络模型典型的神经网络模型： 感知器； 线性神经网络； BP网络； 径向基函数网络； 竞争学习网络； 反馈神经

17、网络等。2022/8/934/79人工神经网络感知器模型是美国学者罗森勃拉特（Rosenblatt）为研究大脑的存储、学习和认知过程而提出的一类具有自学习能力的神经网络模型，它把神经网络的研究从纯理论探讨引向了从工程上的实现。 Rosenblatt提出的感知器模型是一个只有单层计算单元的前向神经网络，称为单层感知器。感知器特别适合于简单的模式分类问题，也可用于基于模式分类的学习控制和多模态控制中 。1.感知器神经网络2022/8/935/79感知器神经网络的学习规则：函数1earnp是在感知器神经网络学习过程中计算网络权值和阈值修正量最基本的规则函数。p为输入矢量，学习误差e为目标矢量t和网络

18、实际输出矢量a之间的差值采用阈值函数作为神经元的传递函数是感知器神经元的典型特征2022/8/936/791.感知器神经网络感知器神经网络的训练： 感知器的训练主要是反复对感知器神经网络进行仿真和学习，最终得到最优的网络阀值和权值 。1） 确定我们所解决的问题的输入向量P、目标向量t，并确定 各向量的维数，以及网络结构大小、神经元数目。2）初始化：权值向量w和阀值向量b分别赋予1,+1之间的 随机值，并且给出训练的最大次数。3）根据输入向量P、最新权值向量w和阀值向量b，计算网络 输出向量a。4）检查感知器输出向量与目标向量是否一致，或者是否达到 了最大的训练次数，如果是则结束训练，否则转入（

19、5）。5）根据感知器学习规则调查权向量，并返回3）。2022/8/937/791.感知器神经网络流程：感知器神经网络应用举例 两种蠓虫Af和Apf已由生物学家W.L.Grogan与w. w.Wirth(1981)根据它们触角长度和翼长中以区分。见下表中9Af蠓和6只Apf蠓的数据。根据给出的触角长度和翼长可识别出一只标本是Af还是Apf。1给定一只Af或者Apf族的蠓，你如何正确地区分它属于哪一族？2将你的方法用于触角长和翼中分别为（1.24,1.80）、（1.28,1.84）、(1.40,2.04)的三个标本 。Af触重长1.241.361.381.3781.381.401.481.541.

20、56翼 长1.721.741.641.821.901.701.701.822.08Apf触角长1.141.181.201.261.281.30翼 长1.781.961.862.002.001.962022/8/938/791.感知器神经网络输入向量为：p=1.24 1.36 1.38 1.378 1.38 1.40 1.48 1.54 1.56 1.14 1.18 1.20 1.26 1.28 1.30;1.72 1.74 1.64 1.82 1.90 1.70 1.70 1.82 2.08 1.78 1.96 1.86 2.00 2.00 1.96 目标向量为：t=1 1 1 1 1 1 1

21、 1 1 0 0 0 0 0 0图形显示，目标值1对应的用“+”、目标值0对应的用“o”来表示： plotpv(p，t) 2022/8/939/791.感知器神经网络1.为解决该问题，利用函数newp构造输入量在0，2.5之间的感知器神经网络模型：net=newp(0 2.5；0 2.5，1)2.初始化网络：net=init(net)3.利用函数adapt调整网络的权值和阀值，直到误差为0时训练结束：net, y, e=adapt(net, p, t)训练结束后可得如左图的分类方式，可见感知器网络将样本正确地分成两类。Neural Network Toolbox2022/8/940/791.感

22、知器神经网络感知器网络训练结束后，可以利用函数sim进行仿真，解决实际的分类问题：p1=1.24;1.80 a1=sim(net,p1)p2=1.28;1.84 a2=sim(net,p2)p3=1.40;2.04 a3=sim(net,p3)网络仿真结果为：a1=0 a2=0 a3=0 2022/8/941/791.感知器神经网络线性神经网络的主要用途是线性逼近一个函数表达式，具有联想功能。另外，它还适用于信号处理滤波、预测、模式识别和控制等方面。 R维输入的单层(包含S个神经元)线性神经网络模型线性神经网络权值和阐值的学习规则采用的是基于最小二乘原理的Widrow-Hoff学习算法。2.线

23、性神经网络：2022/8/942/79主要用于函数逼近、模式识别、分类以及数据压缩等方面。 具有单隐层的BP神经网络模型输入维数为2，隐层含有4个神经元3.BP神经网络2022/8/943/79模型中采用高斯函数radbas作为径向基神经元的传递函数；学习算法常用的有两种：一种是无导师学习，另一种便是有导师学习。4.径向基函数网络2022/8/944/795.竞争学习网络 Kohoneo学习规则模块c表示竞争传递函数，其输出矢量由竞争层各神经元的输出组成，除在竞争中获胜的神经元外，其余神经元的输出都为零。竞争传递函数输入矢量n中的最大元素所对应的神经元是竞争中的获胜者，其输出固定为12022/

24、8/945/79主要用于信号检测和预测等方面,网络在训练时采用基于误差反向传播算法的学习函数，如trainlm、trainbfg、trainrp、traingd等。模块D表示时延环节6.E1man反馈网络2022/8/946/79主要用于联想记忆、聚类和优化计算等方面，神经元传递函数为对称饱和线性函数satlins。模块D表示时延环节7.HopfieId反馈网络2022/8/947/79内容安排一、人工神经网络二、遥感图像自动分类三、人工神经网络分类器四、基于ANN的遥感图像自动分类试验五、总结2022/8/948/792.1 遥感图像分类图像分类：是通过模式识别理论，利用计算机将遥感图像自动

25、分成若干地物类别的方法。 如土地利用/覆被分类、森林类型分类、植被类型分类、岩性分类、 数据信息（遥感数据地物信息）2022/8/949/79举例Landsat TM 真彩色合成影像 分类后的影像2022/8/950/79基本原理： 在遥感图像上，同类物体在同样条件下，应具有相同的光谱信息特征，从而群集在同一光谱空间区域中；不同类物体因其光谱信息特征不同，而群集在不同的光谱空间区域内。2022/8/951/792.2 遥感图像自动分类方法传统的计算机自动分类： 监督分类 非监督分类新的自动分类方法： 人工神经网络方法 决策树分类法 专家系统分类法 2022/8/952/791.监督分类选择具有

26、代表性的典型实验区或训练区，用训练区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式，并以此对未知地区的像元进行分类处理，分别归入到已知的类别中。需要事先确定训练场地和选择训练样本，训练样本需要具有一定的代表性；考虑到各种地物光谱辐射的复杂性和干扰因素的多样性，需要多考虑一些样本；在某一地区建立起来的判别式只能适用于同一地区或地学条件相似的地区。2022/8/953/79A、分类训练区的选择 训练区：已知地表覆被类型的代表样区 用于描述主要特征类型的光谱属性 代表性、完整性分布：多个样区训练阶段的质量决定着分类阶段的成功与否，也决定着从分类中所获取的信息的价值

27、用于图像分类的训练区的统计结果，一定要充分反映每种信息类型中光谱类别的所有组成2022/8/954/79B、确定像元聚集的判别规则2022/8/955/79（1）平行管道分类（平行六面体）最简单的方法仅仅需要规定每个特征的DN范围一些像元可能未分类或重复分类2022/8/956/79（2）最小距离分类通过训练样本确定类别中心某个像元距哪类距离最小，则判归为该类2022/8/957/79（3）最大似然分类建立在贝叶斯准则基础上分类错误概率最小的一种非线性分类计算每个像元属于每一类的概率，找出概率最大者，将该像元归为概率最大的一类.2022/8/958/792. 非监督分类在没有先验类别(训练场地

28、)作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（将相似度大的像元归为一类） 在非监督分类中，先确定光谱可分的类别（光谱类），然后定义它们的信息类.2022/8/959/79非监督分类举例聚类解译2022/8/960/79内容安排一、人工神经网络二、遥感图像自动分类三、人工神经网络分类器四、基于ANN的遥感图像自动分类试验五、总结2022/8/961/793.1 人工神经网络分类2022/8/962/793.2 多种分类器2022/8/963/793.2 多种分类器2022/8/964/79内容安排一、人工神经网络二、遥感图像自动分类三、人工神经网络分类器四、基于ANN的遥感图像自动分类试验五、总结2022/8/965/794.1 ANN用于遥感图像分类在遥感图像分类处理中应用的人工神经网络模型主要有：半线型前馈网络、模糊神经网络、径向基函数神经网络、Kohonen自组织神经网络、三维Ho