BP网络与LVQ网络在遥感影像分类中的比较分析.doc

BP网络与LVQ网络在遥感影像分类中的比较分析
摘要:遥感影像分类是遥感技术研究发展应用中的一个重要组成部分。基于Matlab平台应用BP、LVQ两种神经网络算法对TM多光谱影像进行了分类研究,最后应用混淆矩阵对这两种网络算法与最大似然法的影像分类结果做了精度评价与对比分析。实验结果表明,神经网络分类器作为一种非参数分类器,进行影像光谱特征分类时能获得较高的分类精度,引入对比度纹理特征后精度有更进一步的提高。两种神经网络算法中,LVQ网络算法的影像分类精度比BP网络要高。
关键词:遥感影像分类 BP神经网络 LVQ 神经网络 Matlab 纹理特征
中图分类号:P237 文献标识码:A 文章编号:1674-098X(2014)04(c)-0223-02
近几十年来,遥感对地观测技术的迅速发展为地表资源调查与环境监测提供了多平台、多传感器、多时相、多分辨率的海量影像数据,这些数据加工处理后被广泛应用。人工神经网络是以模拟人脑神经系统的结构与功能为基础而建立的一个理论化数学模型,具有自学****自组织、自适应、高度鲁棒性、全局并行分布处理等良好特性。人工神经网络分类具备较强容错性,能实现对特征空间较复杂的划分。
1 特征提取与选择
遥感影像分类是模式识别技术在遥感技术领域中的一种典型应用。该文采用的影像数据为TM多光谱影像,大小为512×512,包含除热红外波段TM6以外的其他六个波段,空间分辨率为30 m,均已几何校正与辐射定标。图1是原始TM影像的4、3、2三个波段合成的假彩色影像。如何从各波段影像中选择或者提取特征影像对后期的影像分类精度影响较大。通常既要考虑选择的特征影像所包含的地物信息量,又要考虑影像波段间的独立性。对此Chavez[5]等人在1982年提出了最佳指数因子(Optimum Index Factor,OIF)模型分析法。OIF计算公式如下式(1):
(1)
式中,Si表示第i波段数据的标准差。Rij是第i个波段与第j个波段间的相关系数。本文n取值为3。OIF值越大表明对应的波段组合兼顾波段的信息量与波段间的独立性越好。
在计算并分析TM各波段数据间的相关系数与每个波段的信息含量后,基于OIF模型计算TM影像中任意三个波段的OIF值,在TM1,2,3时,;TM1,2,4时,;TM1,2,5时,;TM1,2,7时,;TM1,3,4时,;TM1,3,5时,;TM1,3,7时,;TM1,4,5时,;TM1,4,7时,;TM1,5,7时,;TM2,3,4时,;TM2,3,5时,;TM2,3,7时,;TM2,4,5时,;TM2,4,7时,;TM2,5,7时,;TM3,4,5时,。综合分析TM影像各波段数据间的相关系数与每个波段的信息含量后,考虑将TM影像的波段组合3、4、5作为其后期分类的光谱特征影像。
纹理特征是影像中普遍存在却又难以描述的空间特征,一直为研究者所关