遙感影像分類信息檢索

1、遙感影像分類信息檢索摘要：隨著我國(guó)經(jīng)濟(jì)、科技的快速發(fā)張，中國(guó)遙感衛(wèi)星的數(shù)量和質(zhì)量不斷提高，因此對(duì)于遙感影像的分析加工工作日益增多。遙感影像分類是遙感信息提取的重要手段，是目前遙感技術(shù)中的熱點(diǎn)研究?jī)?nèi)容，有效地選擇合適的分類方法是提高遙感影像分類精度的關(guān)鍵。然而每一幅影像中像元復(fù)雜、數(shù)量眾多，因此能否合理高效的對(duì)遙感影像進(jìn)行分類研究，進(jìn)而提取相關(guān)遙感信息就顯得至關(guān)重要，同時(shí)也十分迫切。為了快捷，準(zhǔn)確地對(duì)其進(jìn)行分類，許多重要的分類方法被開發(fā)出來。本文著重于檢索關(guān)于遙感影像分類的相關(guān)方法。關(guān)鍵詞：遙感影像分類 神經(jīng)網(wǎng)絡(luò)系統(tǒng) 面向?qū)ο?蟻群算法基于神經(jīng)網(wǎng)絡(luò)的遙感影像分類方法神經(jīng)網(wǎng)絡(luò)系統(tǒng)人工神經(jīng)網(wǎng)絡(luò)(ar

2、tificial Neural Network，ANN )是基于生物神經(jīng)系統(tǒng)的分布存儲(chǔ)、并行處理及自適應(yīng)學(xué)習(xí)這些現(xiàn)象構(gòu)造出具有一些低級(jí)智慧的人工神經(jīng)系統(tǒng)1。隨著計(jì)算機(jī)技術(shù)的發(fā)展而得到了快速的發(fā)展，屬于非線性學(xué)科，具有強(qiáng)抗干擾性、高容錯(cuò)性、并行分布式處理、自組織學(xué)習(xí)和分類精度高等特點(diǎn)。近年來，神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于遙感圖像分類中，不同學(xué)者分別提出或應(yīng)用了Hopfield神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)2、自組織映射網(wǎng)絡(luò)3、小波神經(jīng)網(wǎng)絡(luò)、細(xì)胞神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)等對(duì)遙感圖像進(jìn)行分類。這些神經(jīng)神經(jīng)網(wǎng)絡(luò)在遙感圖像自動(dòng)分類上都有一定的應(yīng)用，并取得較好的效果。BP模型的構(gòu)建和應(yīng)用利用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值

3、和閥值，使優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型4-6分類精度更高。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型主要包括以下4個(gè)部分：種群初始化，適應(yīng)度函數(shù)，交叉算子和變異算子。1、種群初始化。遺傳算法的每個(gè)個(gè)體編碼采用二進(jìn)制編碼，每個(gè)個(gè)體均為一個(gè)二進(jìn)制串，由輸入層與隱含層的連接權(quán)值、隱含層閥值、隱含層與輸出層的連接權(quán)值、輸層閥值4個(gè)部分組成，每個(gè)權(quán)值與閥值連接使用n位的二進(jìn)制編碼，將所有權(quán)值和閥值的編碼連接起來成為一個(gè)個(gè)體的編碼。2、適應(yīng)度函數(shù)。該研究是為了使BP網(wǎng)絡(luò)模型在進(jìn)行分類時(shí)，預(yù)測(cè)分類值與期望分類值的殘差盡可能小，所以選擇分類樣本的預(yù)測(cè)分類值與期望分類值的誤差矩陣的范數(shù)作為目標(biāo)函數(shù)的輸出。3、選擇算子。采用隨機(jī)遍

4、歷抽樣進(jìn)行選擇。4、交叉算子。采用單點(diǎn)交叉算子進(jìn)行交叉。5、 變異算子。該研究中變異算子以一定概率產(chǎn)生變異基因數(shù)，用隨機(jī)方法選出發(fā)生變異的基因。若選的基因編碼為1，則變異為0；反之，則變異為1。用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，尋找BP網(wǎng)絡(luò)的初始點(diǎn)權(quán)重，輔助決策隱層神經(jīng)元數(shù)，有助于克服網(wǎng)絡(luò)缺陷，提高網(wǎng)絡(luò)的學(xué)習(xí)效率。而BP神經(jīng)網(wǎng)絡(luò)的非線性映射，自適應(yīng)功能等優(yōu)勢(shì)已在遙感圖像分類中得到廣泛的應(yīng)用，基于前人的優(yōu)化算法，提出了在網(wǎng)絡(luò)權(quán)值調(diào)整過程中的特征因子迭代加速算法，使學(xué)習(xí)階段的權(quán)值調(diào)整速度明顯加快。但在分類精度上改變較小，在提高精度上，是以后繼續(xù)研究改進(jìn)的方向?？偨Y(jié)神經(jīng)網(wǎng)絡(luò)系統(tǒng)只是一種基于生物神經(jīng)系統(tǒng)的分

5、布存儲(chǔ)、并行處理及自適應(yīng)學(xué)習(xí)這些現(xiàn)象構(gòu)造出具有一些低級(jí)智慧的人工神經(jīng)系統(tǒng)，并非我們想象的大腦內(nèi)部的神經(jīng)網(wǎng)絡(luò)。本部分借助于維普期刊中的6篇相關(guān)論文，分析其中比較常用也是比較精確的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型，將神經(jīng)網(wǎng)絡(luò)系統(tǒng)應(yīng)用于遙感影像分類技術(shù)。這種改進(jìn)算法可適用于各種光譜以及大部分的地形領(lǐng)域，能夠精確地將不同地物分類出來，具有分類模糊度低，分類類型精細(xì)的優(yōu)點(diǎn)。面向?qū)ο筮b感影像分類遙感中的面向?qū)ο箅S著高空間分辨率遙感影像的出現(xiàn)，以對(duì)象為單元的遙感影像分類方法成為國(guó)內(nèi)外研究的熱點(diǎn)。根據(jù)遙感影像的特點(diǎn)，產(chǎn)生了面向?qū)ο?、8的遙感影像分類的方法。該方法通過對(duì)同質(zhì)對(duì)象的分類完成信息的提取，分類對(duì)象不再是單個(gè)像素

6、，以對(duì)象為基礎(chǔ)提取遙感影像信息進(jìn)行分類。在分類過程中，受數(shù)據(jù)處理、影像分割、對(duì)象特征提取和選擇、分類方法等多種因素的影響，分類結(jié)果不可避免地具有不確定性9而是由多個(gè)具有相關(guān)關(guān)聯(lián)的像素組成的對(duì)象，不僅利用了影像的光譜信息，還利用了空間信息?；诿嫦?qū)ο蟮挠跋穹诸惷嫦驅(qū)ο蟮母叻直媛蔬b感影像分類理論方法主要有10：1、 影像分割 影像分割是面向?qū)ο蠓椒ǖ年P(guān)鍵技術(shù)，利用面向?qū)ο蟮倪b感影像分類方法進(jìn)行分類前，必須借助影像分割方法獲取對(duì)象。常用的影像分割有兩種，一種是依據(jù)區(qū)域間邊界像元灰度不連續(xù)性的點(diǎn)相關(guān)的分割算法，可稱為基于邊界的影像分割算法；另一種是利用同一區(qū)域內(nèi)灰度特征與紋理特征相似性的區(qū)域相關(guān)分割

7、算法，可稱為基于區(qū)域的影像分割。2、 多尺度分割 不同性質(zhì)的類別信息有其最適宜的空間分辨率或尺度，單尺度的影像分析已不能滿足信息提取的需要，往往需要在不同的尺度下對(duì)遙感影像進(jìn)行處理，即多尺度遙感影像處理。將多尺度分割技術(shù)和面向?qū)ο蟮姆诸惣夹g(shù)相結(jié)合，充分利用對(duì)象信息與類間信息，獲得最佳的信息提取結(jié)果。3、 模糊分類 模糊分類是除傳統(tǒng)的統(tǒng)計(jì)分類方法和神經(jīng)元網(wǎng)絡(luò)分析方法外的又一強(qiáng)大分類方法。利用模糊分類具有以下幾個(gè)方面的優(yōu)點(diǎn)：特征值向模糊值的轉(zhuǎn)換，實(shí)際上是一個(gè)特征標(biāo)準(zhǔn)化的過程；提供了明確的和可調(diào)整的特征描述；通過模糊運(yùn)算和層次類型的描述，可以進(jìn)行復(fù)雜的特征描述?？偨Y(jié)面向?qū)ο笫且环N對(duì)現(xiàn)實(shí)世界理解和抽象

8、的方法，是計(jì)算機(jī)編程技術(shù)發(fā)展到一定階段后的產(chǎn)物，最早應(yīng)用于軟件的開發(fā)工作。面向?qū)ο蟮倪b感影像分類就是借助影像分割等技術(shù)提取對(duì)象,以對(duì)象為基礎(chǔ)提取遙感影像信息進(jìn)行分類。遙感影像分類中面向?qū)ο蠓椒ǖ囊M(jìn)地減少了分類中不確定因素的出現(xiàn)，與傳統(tǒng)的監(jiān)督分類11與非監(jiān)督分類12相比分類效果更加精確有效。而且在傳統(tǒng)分類模式不太適用的干旱與半干旱地區(qū)13，面向?qū)ο蟮姆诸惙椒ê芎玫亟鉀Q了“同物異譜，異物同譜”現(xiàn)象，能夠有效提高分類精度?；谙伻核惴ǖ倪b感影像分類方法蟻群算法蟻群算法14，是一種用來在圖中尋找優(yōu)化路徑的機(jī)率型算法。其靈感來源于螞蟻在尋找食物過程中發(fā)現(xiàn)路徑的行為。蟻群算法是一種模擬進(jìn)化算法，針對(duì)PI

9、D控制器參數(shù)優(yōu)化設(shè)計(jì)問題，將蟻群算法設(shè)計(jì)的結(jié)果與遺傳算法設(shè)計(jì)的結(jié)果進(jìn)行了比較，數(shù)值仿真結(jié)果表明，蟻群算法具有一種新的模擬進(jìn)化優(yōu)化方法15的有效性和應(yīng)用價(jià)值。因?yàn)檫b感數(shù)據(jù)各波段之間存在較強(qiáng)的相關(guān)性，這種相關(guān)性往往會(huì)導(dǎo)致分類產(chǎn)生誤差。而ant-miner算法中的信息素是基于規(guī)則整體性能的，信息素的動(dòng)態(tài)更新能有效地處理相關(guān)性較強(qiáng)的數(shù)據(jù)，所提供的正反饋信息能糾正啟發(fā)式函數(shù)缺陷所造成的錯(cuò)誤。因此，蟻群智能算法應(yīng)用于遙感分類具有一定的優(yōu)勢(shì)。蟻群算法在遙感影像分類中的應(yīng)用蚊群算法具有很強(qiáng)的自學(xué)習(xí)能力16、17，能夠根據(jù)環(huán)境的改變和過去的行為結(jié)果對(duì)自身的知識(shí)庫(kù)進(jìn)行更新，從而實(shí)現(xiàn)算法求解能力的進(jìn)化，因此，蟻群智

10、能可以有效地解決非線性問題，特別適合于地理復(fù)雜現(xiàn)象。將基于蟻群的規(guī)則挖掘算法引入到遙感影像分類中，首先要定義蟻群搜索路徑為屬性節(jié)點(diǎn)和類節(jié)點(diǎn)的連線，其中屬性節(jié)點(diǎn)最多只出現(xiàn)一次且必須有類結(jié)點(diǎn)，屬性節(jié)點(diǎn)對(duì)應(yīng)遙感影像波段的離散值；然后從一條空路徑開始重復(fù)選擇路徑節(jié)點(diǎn)增加到路徑上，直到得到一條完整路徑，即規(guī)則構(gòu)造；隨后需要對(duì)規(guī)則進(jìn)行剪枝；最后更新所有路徑上的外激素濃度，對(duì)下一只螞蟻構(gòu)造規(guī)則施加影響。 在運(yùn)用蚊群算法挖掘遙感影像分類規(guī)則18時(shí)，離散化后的各波段值作為螞蟻路徑的屬性節(jié)點(diǎn)，影像分類的類別作為螞蟻路徑的類節(jié)點(diǎn)，每條路徑對(duì)應(yīng)一條分類規(guī)則。分類規(guī)則的挖掘可以當(dāng)作是螞蟻對(duì)最優(yōu)路徑19的搜索。螞蟻算法中

11、規(guī)則的置信度是根據(jù)該規(guī)則對(duì)訓(xùn)練數(shù)據(jù)的分類精度來確定的。根據(jù)所獲得的分類規(guī)則，從而對(duì)實(shí)驗(yàn)區(qū)遙感影像進(jìn)行分類?？偨Y(jié)螞蟻算法和前文的神經(jīng)系統(tǒng)算法相似，都是從影像中最小的像元出發(fā)來對(duì)影像進(jìn)行分類的。但是神經(jīng)網(wǎng)絡(luò)型從始至終都是按找預(yù)先設(shè)設(shè)計(jì)好的算法對(duì)整個(gè)圖像的信息進(jìn)行分類；螞蟻算法是根據(jù)這幅圖像的實(shí)際情況自己產(chǎn)生一種最大限度適應(yīng)于本景影像的分類算法而進(jìn)行分類。因此，對(duì)比前面兩種算法，在一定程度上螞蟻算法比其更具有智能性20，在復(fù)雜的遙感影像分類中螞蟻算法的分類精度要好得多。結(jié)語隨著遙感技術(shù)的發(fā)展，遙感影像分類的方法不斷涌現(xiàn)，面對(duì)越來越多的信息，有效地檢索出自己需要的信息成為學(xué)習(xí)的關(guān)鍵。本文運(yùn)用信息檢索技

12、術(shù)，檢索合用的信息，從上述三個(gè)方面學(xué)習(xí)了遙感影像分類的方法，熟悉信息特別是論文地檢索過程與深度，幫助自身對(duì)專業(yè)知識(shí)積累。參考文獻(xiàn)1 段玉三 人工神經(jīng)網(wǎng)絡(luò)文獻(xiàn)綜述 科技風(fēng) 2011, (5)2 卜曉波 基于遺傳算法改進(jìn) BP 神經(jīng)網(wǎng)絡(luò)的遙感影像分類研究 安徽農(nóng)業(yè)科學(xué) 2013年第41卷第33期 3 郭景峰 石麗紅 用NormMatrix實(shí)現(xiàn)自組織映射網(wǎng)絡(luò)的可視化 小型微型計(jì)算機(jī)系統(tǒng) CSCD 2013年第34卷第11期 4 武創(chuàng)舉 宋雙杰 基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類的新方法研究 中國(guó)科技博覽 2014年第7期 321-322頁(yè),347,348頁(yè),共4頁(yè)5 劉欽龍 焦斌亮 劉立 基于改進(jìn)的BP神經(jīng)

13、網(wǎng)絡(luò)模型的遙感圖像分類方法研究 電光與控制 2009-08-156 麥格 童新華 基于BP神經(jīng)網(wǎng)絡(luò)的石漠化遙感影像分類方法的探討 廣西師范學(xué)院學(xué)報(bào)：自然科學(xué)版 2013年第30卷第1期 70-77頁(yè),共8頁(yè)7 Li Jingjing The study of object-oriented classification method of remote sensing image International Conference on Information Science and Engineering, ICISE 20098 Luo, Kaisheng Dynamic monitorin

14、g land-cover change in Hubei province using object-oriented technology and remote sensing imagery ransactions of the Chinese Society of Agricultural Engineering, v 29, n 24, p 260-267, December 15, 2013 9 易俐娜 面向?qū)ο筮b感影像分類不確定性分析 武漢大學(xué) 博士 201110 曾曉麗 基于像素和面向?qū)ο蟮母叻直媛蔬b感影像分類方法比較 濱州學(xué)院學(xué)報(bào) 2013年第29卷第6期 110-114頁(yè),共

15、5頁(yè)11 金杰 朱海巖 李子瀟 孫建偉 ENVI遙感圖像處理中幾種監(jiān)督分類方法的比較 水利科技與經(jīng)濟(jì) 2014年第20卷第1期 146-148頁(yè),160頁(yè),共4頁(yè)12 孫盛 田金文 溫雯 陳平華 基于四分量模型的極化SAR圖像非監(jiān)督分類 計(jì)算機(jī)工程與設(shè)計(jì) CSCD 2013年第34卷第7期 2436-2440頁(yè),共5頁(yè)13 朱海濤 基于面向?qū)ο鬀Q策樹算法的半干旱地區(qū)遙感影像分類 遙感信息 2013年第28卷第4期 50-56頁(yè),共7頁(yè)14 Panchal, V.K. Review on ant miners World Congress on Nature and Biologically Inspired Computing, NABIC 2009 - Proceedings15 吳孔江 蟻群分類規(guī)則挖掘算法改進(jìn)及遙感分類應(yīng)用 中南大學(xué) 碩士 2