人工神經(jīng)網(wǎng)絡(luò)在遙感圖像處理中的應(yīng)用(精)

1、人工神經(jīng)網(wǎng)絡(luò)在遙感圖像處理中的應(yīng)用張興娟，郭嗣琮，趙晶晶,王文文，呂燕遼寧工程技術(shù)大學(xué)測繪與地理信息技術(shù)學(xué)院，遼寧阜新（123000E-mail:zhangxmgjuan-摘要:本文介紹了遙感圖像處理過程中的問題及神經(jīng)網(wǎng)絡(luò)的特性,對傳統(tǒng)分類方法和神經(jīng)網(wǎng)絡(luò)分類進(jìn)行了介紹，并在權(quán)值調(diào)整過程中進(jìn)行了改進(jìn)，沖量項(xiàng)的加入使收斂速度加快,防止了振蕩。關(guān)鍵詞神經(jīng)網(wǎng)絡(luò);圖像分類;遙感0.引言隨著雷達(dá)衛(wèi)星觀測分辨率的大幅提高，現(xiàn)在可以從遙感數(shù)據(jù)中獲取更多詳盡的信息。伴隨著“數(shù)字地球”概念的提出，越來越多的民用場合需要使用到遙感,包括資源調(diào)查、自然災(zāi)害觀測、大氣氣象預(yù)報(bào)等。不同場合的應(yīng)用也對遙感圖像的計(jì)算機(jī)自動處

2、理提出了更復(fù)雜的要求。然而，人們對遙感信息的認(rèn)識和利用程度要遠(yuǎn)遠(yuǎn)落后于通過空間和航空系統(tǒng)獲取信息源的速度。目前，遙感圖像處理中的基本問題有：數(shù)據(jù)量巨大、包含信息豐富但是難以有效提取，串行處理速度慢;“噪聲”信息（即不關(guān)心或不需要的信息過多，常常降低處理的精度和可靠性;處理過程本質(zhì)上是非線性的,用線性方法逼近存在許多困難;在圖像復(fù)原處理時(shí)常出現(xiàn)病態(tài)逆矩陣等等。人工神經(jīng)網(wǎng)絡(luò)（aitificialneuralnetwork,ANN是由大量簡單神經(jīng)元廣泛相互聯(lián)接而成的非線性映射或自適應(yīng)動力系統(tǒng),是在神經(jīng)及腦科學(xué)的研究成果指導(dǎo)下建立起來的從結(jié)構(gòu)上模擬人腦運(yùn)行機(jī)理的物理模型。ANN對遙感圖像處理有用的特性

3、有口（1計(jì)算過程巨量并行、高度分布,這使其能以極快的速度處理大量的數(shù)據(jù)和求解非常復(fù)雜的問題；（2具有自學(xué)習(xí)、自適應(yīng)和自組織能力，對外表現(xiàn)為可以適應(yīng)多種不同的問題空間及能很好地抑制噪聲和信息缺失對最優(yōu)解的影響;對內(nèi)表現(xiàn)為很好的容錯(cuò)性，即可以通過自適應(yīng)與自組織來消除壞神經(jīng)元的影響；（3ANN是內(nèi)車非線性系統(tǒng),能“自然地”實(shí)現(xiàn)各種非線性映射和求解各種分界面十分復(fù)雜和高度非線性的分類和模式識別問題。由于兩者內(nèi)在互補(bǔ)性ANN已經(jīng)應(yīng)用于遙感圖像處理的不同層次和諸多方面，如遙感圖像復(fù)原、變換和分類等，并且取得了很好的效果,本文主要就神經(jīng)網(wǎng)絡(luò)在遙感圖像分類中的應(yīng)用進(jìn)行了研究。1遙感圖像分類方法概述遙感圖像通過

4、像元灰度值的高低差異（反映地物的波譜特性和空間變化（反映地物的空間分布來表示不同屬性地物目標(biāo)及其分布狀況。遙感圖像的計(jì)算機(jī)自動識別分類,就是根據(jù)遙感圖像數(shù)據(jù)特征的差異和變化，通過計(jì)算機(jī)處理、自動輸出地物目標(biāo)的識別分類結(jié)果。遙感圖像自動分類的實(shí)施方法有兩條截然不同的技術(shù)路線2:、監(jiān)督分類，又稱訓(xùn)練分類法，即利用已知其屬性類別的像元樣區(qū)訓(xùn)練計(jì)算機(jī)掌握各樣類的統(tǒng)計(jì)值,并以此為依據(jù)對逐個(gè)像元進(jìn)行識別分類。監(jiān)督分類可分兩個(gè)基本步驟（1選擇訓(xùn)練樣本和提取統(tǒng)計(jì)信息；（2選擇合適的分類算法，主要算法有平行算法、最小距離法、最大似然法;二、無監(jiān)分類,也稱為聚類分析或點(diǎn)群分析，即在沒有先驗(yàn)知識（不選取類別樣區(qū)的情

5、況下,僅根據(jù)圖像本身的統(tǒng)計(jì)特征進(jìn)行識別分類。主要包括集群法、圖形識別法。除了以上分類方法外，還有模糊分類和神經(jīng)元網(wǎng)絡(luò)方法。2.人工神經(jīng)網(wǎng)絡(luò)分類傳統(tǒng)的遙感圖像分類方法中，都是利用遙感數(shù)據(jù)的統(tǒng)計(jì)特征（如非監(jiān)督分類或遙感數(shù)據(jù)與訓(xùn)練樣本數(shù)據(jù)之間的統(tǒng)計(jì)關(guān)系（如監(jiān)督分類，依據(jù)一種判別準(zhǔn)則來進(jìn)行地物分類的。這與人眼對圖像識別分類有很大差異。人對圖像的識別解釋，除運(yùn)用圖像本身的特征外，更多的是利用以往工作中所積累的知識與經(jīng)驗(yàn)，在被分類圖像特征的引導(dǎo)下、自行改造其自身的結(jié)構(gòu)及其識別分類方式,經(jīng)過反復(fù)實(shí)踐，直至獲得較滿意的結(jié)果。神經(jīng)網(wǎng)絡(luò)技術(shù)就是試圖模擬人腦的這些功能，建立起一種簡化的人腦神經(jīng)系統(tǒng)數(shù)學(xué)模型，這種方法

6、在遙感圖像自動識別分類中已初顯其優(yōu)越性32.1人工神經(jīng)網(wǎng)絡(luò)的基本原理神經(jīng)網(wǎng)絡(luò)主要有處理單元、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和訓(xùn)練規(guī)則組成。處理單元即神經(jīng)元,是神經(jīng)網(wǎng)絡(luò)的基本操作單元，用以模擬人腦神經(jīng)元的功能。一個(gè)神經(jīng)元有多個(gè)輸入、輸出路徑,其輸入端模擬人腦神經(jīng)的樹突功能，起信息傳遞作用;輸出端模擬人腦神經(jīng)的軸突功能，將處理后的信息傳給下一個(gè)神經(jīng)元。具有相同功能的神經(jīng)元構(gòu)成處理層。神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)決定了各處理單元、各處理層之間信息傳遞的方式和途徑。訓(xùn)練規(guī)則利用激勵函數(shù)進(jìn)行數(shù)據(jù)處理，訓(xùn)練網(wǎng)路系統(tǒng)進(jìn)行模式識別。神經(jīng)網(wǎng)路按照神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)可分為層狀和網(wǎng)狀兩類。目前已發(fā)展多種神經(jīng)網(wǎng)絡(luò)模型,其中應(yīng)用最廣的是反向傳播（

7、back-piopagation網(wǎng)絡(luò)，簡稱BP網(wǎng)4。該網(wǎng)有多因子輸入，多類別輸出、通過正反二向傳播對網(wǎng)絡(luò)進(jìn)行調(diào)節(jié),是誤差信號趨于最小，是一種能從訓(xùn)練樣本數(shù)據(jù)中有效的學(xué)習(xí)判別函數(shù)的多層網(wǎng)絡(luò)系統(tǒng)，有輸入層、隱含層和輸出層構(gòu)成，其結(jié)構(gòu)如圖1所示：輸出層ijk圖1神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)其中每對神經(jīng)元之間的聯(lián)接強(qiáng)度都用一個(gè)權(quán)重W1J來表示，輸出值因連接數(shù)值不同而被放大、衰減、或抑制。除了輸入層之外,其他每一層上各節(jié)點(diǎn)的輸入，均為前一層所有節(jié)點(diǎn)輸出值的加權(quán)和。每一節(jié)點(diǎn)的激勵輸出值，由該節(jié)點(diǎn)的輸入、激勵函數(shù)及偏置量決定。輸入模式各分量作為第1層各節(jié)點(diǎn)的輸入，第J層各節(jié)點(diǎn)得到的輸入值為：J11Jinetow=Xl(lj

8、jjfnetonete網(wǎng)絡(luò)的誤差函數(shù)為：-=jOjtjOjtje(21給定輸入后，神經(jīng)網(wǎng)絡(luò)可以通過調(diào)整各權(quán)重值或網(wǎng)絡(luò)結(jié)構(gòu)來獲得期望輸出，這一過程稱為“學(xué)習(xí)”，學(xué)習(xí)又分為監(jiān)控式學(xué)習(xí)和非監(jiān)控式學(xué)習(xí)兩種。從理論上講，通過學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)各種形式的數(shù)集映射:f：X-yo2.2具體算法及分類過程2.2.1BP學(xué)習(xí)算法初始化:依據(jù)實(shí)際問題給出網(wǎng)絡(luò)聯(lián)結(jié)結(jié)構(gòu)、隨機(jī)的設(shè)置所有聯(lián)結(jié)權(quán)值為任意小。提供訓(xùn)練樣本如果輸入變量為11個(gè)，輸出變量為m個(gè),則每個(gè)訓(xùn)練樣本形式(xl,x2,xn;tl,t2,tino這里tl,t2,til是輸入為xl,x2,xn時(shí)的期望輸出。計(jì)算實(shí)際輸出權(quán)值調(diào)整:用遞歸方法從輸出節(jié)點(diǎn)開始返回

9、到隱層節(jié)點(diǎn)，按下式調(diào)整權(quán)值(l(ijijijkkwwot6+=+這里Oi是上層第1節(jié)點(diǎn)的輸出。若j是輸出層節(jié)點(diǎn)，則(l(jjjjjootod=-若J是隱層節(jié)點(diǎn)，則WOOjkkkjjj=661(222具體分類過程遙感數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)識別分類過程主要包括兩個(gè)階段2第一階段是根據(jù)訓(xùn)練樣本數(shù)據(jù)進(jìn)行自學(xué)習(xí)，第二階段是利用學(xué)習(xí)的結(jié)果對整幅遙感圖像進(jìn)行分類，如圖2所示】圖2神經(jīng)網(wǎng)絡(luò)分類方法流程圖神經(jīng)網(wǎng)絡(luò)分類法具有不少優(yōu)點(diǎn)，主要體現(xiàn)在一、神經(jīng)網(wǎng)絡(luò)是模擬大腦神經(jīng)系統(tǒng)儲存和處理信息過程而抽象出來的一種數(shù)學(xué)模型，它具有良好的容錯(cuò)性和魯棒性；二、增加的隱含層由于節(jié)點(diǎn)之間通過權(quán)重來連接且具有自我調(diào)節(jié)能力能方便的利用各種類型

10、的多源數(shù)據(jù)進(jìn)行綜合研究，有利于提高分類精度;三、判別函數(shù)是非線性的,能在特征空間形成復(fù)雜的非線性決策邊界、從而能解決非線性可分的特征空間的劃分。鑒于神經(jīng)網(wǎng)絡(luò)在遙感圖像分類中的優(yōu)勢，越來越多的人對其進(jìn)行研究應(yīng)用，賈永紅等人對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)，采用了自適應(yīng)調(diào)整學(xué)習(xí)率的改進(jìn)算法5,對權(quán)值進(jìn)行了改進(jìn)，具體如下：1(1(l(2-=-=+=+kDkDsignkkKDkkWkW右沖入當(dāng)連續(xù)兩次迭代其梯度方向相同時(shí)，表明下降太慢入取十1,可使n步長加倍;當(dāng)連續(xù)兩次迭代其梯度方向相反時(shí),表明下降過頭，這時(shí)入取一1,使耳步長減半?？梢娮赃m應(yīng)調(diào)整學(xué)習(xí)率有利于縮短學(xué)習(xí)時(shí)間。本文在對圖像進(jìn)行分類的過程中，為了加快

11、收斂速度，防止振蕩，在對權(quán)值調(diào)整時(shí)加入了一段分類階項(xiàng)沖量項(xiàng)，即1(1(+=+NNNNWWOWWijijjiijijaqo該法使訓(xùn)練次數(shù)明顯減少且分類精度較高、分類結(jié)果如下圖3。(a傳統(tǒng)分類結(jié)果圖3(b神經(jīng)網(wǎng)絡(luò)分類結(jié)果littp:/3.結(jié)論盡管目前的分類方法已經(jīng)達(dá)到了相當(dāng)嚴(yán)密、幾乎無懈可擊的程度，可是遙感圖像自動識別分類仍難消除錯(cuò)分和漏分現(xiàn)象；在分類過程中應(yīng)盡量選取特征變量，優(yōu)化訓(xùn)練區(qū)，并充分利用影像空間信息，以提高分類精度。由BP神經(jīng)網(wǎng)絡(luò)分類方法獲得的分類結(jié)果，由于數(shù)據(jù)對特征空間分布預(yù)先不一定需要假設(shè)某種參數(shù)化密度分布，使其在總體精度上要優(yōu)于傳統(tǒng)的參數(shù)化統(tǒng)計(jì)分類方法。(2用BP神經(jīng)網(wǎng)絡(luò)分類方法

12、對于相似程度比較接近的類別的區(qū)分程度要比一般的分類方法好，這一點(diǎn)反映了BP神經(jīng)網(wǎng)絡(luò)具有高度復(fù)雜的映射能力，如對河流濕地和淺海濕地的區(qū)分。參考文獻(xiàn)1李建,刑立新人工神經(jīng)網(wǎng)絡(luò)在遙感圖像處理中的應(yīng)用探討，世界地質(zhì),2002.2戴昌達(dá)、姜小光,唐伶俐.遙感圖像應(yīng)用處理與分析，清華大學(xué)出版社,2004.3包約翰著，馬松德等譯.自適應(yīng)模式識別與神經(jīng)網(wǎng)絡(luò)科學(xué)出版社,1992,.4郭嗣琮，陳剛.信息科學(xué)中的軟計(jì)算方法.東北大學(xué)出版社,2001.5賈永紅，張春林,王愛平.基于BP神經(jīng)網(wǎng)絡(luò)的多源遙感影像分類西安科技學(xué)院學(xué)報(bào),2001.AnificialNeuialNetworksinRemoteSensmgIma

13、geProcessingApplicationZhangXingjuan.GuoSicong,ZhaoJmgjing,WangWenwen,LvYanCollegeofRemoteSensing,LiaoningTecluiicalUniveisity,Fuxin,China(123000AbstractThisarticlemtioducestheremotesensingullageprocessingpioblemsandthecliaiacteiisticsofneuralnetworks.Thetraditionalmethodsandneuralnetworkclassificationwasintroduced,andbyimpiovingtheweight,theunpulsei