基于知識(shí)融合的遙感影像分類方法研究

基于知識(shí)融合的遙感影像分類方法研究

1基于信號(hào)模型的遙感圖像分類隨著人工智能技術(shù)和理論的發(fā)展，遙感圖像分類研究也進(jìn)入了高水平智能發(fā)展的方向。主要熱點(diǎn)包括空間結(jié)構(gòu)信息的提取和分類、基于知識(shí)的空間邏輯分類和信息提取、非線性和非手動(dòng)神經(jīng)網(wǎng)絡(luò)分類方法等。人工神經(jīng)網(wǎng)絡(luò)(ANN)是由大量處理單元(神經(jīng)元)相互連接的網(wǎng)絡(luò)結(jié)構(gòu),反映了人腦功能的基本特征,是人腦的某種抽象、簡(jiǎn)化和模擬。ANN信息處理是由神經(jīng)元之間的相互作用來實(shí)現(xiàn)的,知識(shí)和信息的存儲(chǔ)表現(xiàn)為網(wǎng)絡(luò)結(jié)構(gòu)分布式的物理聯(lián)系,網(wǎng)絡(luò)的學(xué)習(xí)和處理過程決定于神經(jīng)元連接權(quán)值的動(dòng)態(tài)變化。由于ANN通常采用非線性作用函數(shù),因此其動(dòng)態(tài)運(yùn)行構(gòu)成了非線性動(dòng)力學(xué)系統(tǒng),具有不可預(yù)測(cè)、不可逆、多吸引子等特點(diǎn),因此ANN可模擬大規(guī)模自適應(yīng)的非線性復(fù)雜系統(tǒng)。ANN廣泛應(yīng)用于優(yōu)化、模式識(shí)別、知識(shí)處理、信號(hào)處理等領(lǐng)域,其中很早就成功應(yīng)用于模式識(shí)別領(lǐng)域,80年代末開始應(yīng)用于遙感圖像分類。遙感圖像分類是反映人對(duì)圖像的一種理解,理解包括淺層的視覺生理理解和深層的邏輯心理理解等兩種層次,大多基于ANN方法的圖像識(shí)別正是人的視覺生理現(xiàn)象的簡(jiǎn)單模擬。雖然當(dāng)今體系結(jié)構(gòu)計(jì)算機(jī)系統(tǒng)要模擬整個(gè)復(fù)雜人腦系統(tǒng)或視覺系統(tǒng)是不可能的,但ANN是基于簡(jiǎn)單神經(jīng)元結(jié)構(gòu)單元的網(wǎng)絡(luò)結(jié)構(gòu),與傳統(tǒng)統(tǒng)計(jì)方法相比,具有并行處理、自適應(yīng)、非線性動(dòng)力機(jī)制等優(yōu)勢(shì);另外,特征空間可自由分布,類別在特征空間中可分布為多簇,因此當(dāng)特征空間很復(fù)雜時(shí),或者源數(shù)據(jù)具有不同的統(tǒng)計(jì)分布時(shí),也能獲得理想的分類結(jié)果。地學(xué)知識(shí)和地理信息的輔助決策可以大大提高遙感影像分類和信息提取的精度。ANN除了以其神經(jīng)計(jì)算能力進(jìn)行低層次圖像視覺識(shí)別外,其非符號(hào)的連接主義的知識(shí)處理能力使地學(xué)知識(shí)、地理信息與遙感信息互相融合,來完成深層影像理解及空間決策分析,是遙感圖像分析的研究方向之一。Benediktsson(1990)用ANN方法,在MSS影像和3類地形數(shù)據(jù)(高程、坡度、方位)基礎(chǔ)上對(duì)土地覆蓋進(jìn)行劃分;JRC(1991)用DTM數(shù)據(jù)的高程數(shù)據(jù)和2個(gè)時(shí)相的SPOTHRV影像作為輸入數(shù)據(jù)并應(yīng)用多層感知器神經(jīng)網(wǎng)絡(luò)(MLP)進(jìn)行土地覆蓋分類。本文首先回顧多層感知器(MLP)模型和BP學(xué)習(xí)算法及其改進(jìn)方法;然后提出基于知識(shí)人工神經(jīng)網(wǎng)絡(luò)遙感圖像分類的兩種層次的集成框架;最后以具體遙感土地覆蓋分類為例,對(duì)基于知識(shí)ANN分類方法進(jìn)行比較分析。2多層傳感器多功能2.1多層感知器模型感知器(Perceptron)是1957年美國(guó)學(xué)者Rosenblatt提出的一種用于模式分類的神經(jīng)網(wǎng)絡(luò)模型。當(dāng)時(shí)的感知器模型只包括單結(jié)點(diǎn)的一個(gè)層,故稱為單層感知器(圖1)。結(jié)點(diǎn)的輸出為:y=f∑i=0n?1wixi?θ∑i=0n-1wixi-θ(1)其中,wi為連接權(quán)重,xi為輸入向量x的第I分量值,θ為輸出閾值,f為激勵(lì)函數(shù),一般為強(qiáng)制非線性輸出函數(shù)。單層感知器只適用線性可分?jǐn)?shù)據(jù),而對(duì)于非線性可分?jǐn)?shù)據(jù),判別邊界會(huì)產(chǎn)生振蕩。為解決非線性可分?jǐn)?shù)據(jù)的多類別分解問題,Rumelhart等人提出了多層感知器(MultipleLayerPerceptron,MLP)模型。這種網(wǎng)絡(luò)模型的結(jié)構(gòu)是由不同層次的結(jié)點(diǎn)集合組成,每一層的結(jié)點(diǎn)通過與下一層互連輸出到下一結(jié)點(diǎn)層,其輸出層通過連接權(quán)值而被放大、衰減或抑制。除了輸入層,每一結(jié)點(diǎn)的輸入為前一層所有節(jié)輸出值的加權(quán)和。每一結(jié)點(diǎn)的激勵(lì)輸出值由結(jié)點(diǎn)輸入、激勵(lì)函數(shù)及偏置量決定。MLP網(wǎng)絡(luò)由感受層(S)、聯(lián)想層(A)、響應(yīng)層(R)構(gòu)成(圖2)。S,A,R均是由同類神經(jīng)元構(gòu)成。感受層為網(wǎng)絡(luò)結(jié)構(gòu)的輸入層,用于特征向量的輸入,它相當(dāng)于人工視網(wǎng)膜,用于感知目標(biāo)對(duì)象。聯(lián)想層為網(wǎng)絡(luò)中隱含層;而響應(yīng)層則為網(wǎng)絡(luò)的輸出層。S層單元與A層單元通過聯(lián)結(jié)關(guān)系構(gòu)成對(duì)處理對(duì)象的聯(lián)想矩陣,A層單元與R層單元之間的聯(lián)結(jié)構(gòu)成對(duì)處理對(duì)象的決策矩陣。通過訓(xùn)練調(diào)整,使網(wǎng)絡(luò)形成有序的、具有復(fù)雜映射和決策能力的穩(wěn)定結(jié)構(gòu)。2.2隱層控制基本原理反向傳播(BackPropagation,BP)學(xué)習(xí)算法是MLP模型中被最廣泛應(yīng)用的,是最小均方誤差(LMS)算法的一般化,用梯度搜索技術(shù),使等于均方差的代價(jià)函數(shù)最小。網(wǎng)絡(luò)開始訓(xùn)練時(shí)選用較小的隨機(jī)互聯(lián)權(quán)值與內(nèi)部閾值,通過反復(fù)加載訓(xùn)練樣本并調(diào)整權(quán)值,直到代價(jià)函數(shù)下降到可以接受的容限值。BP算法正是將非線性多層感知器系統(tǒng)的判決能力與均方誤差函數(shù)極小化的LMS算法相結(jié)合的產(chǎn)物。如圖2中,在j層,結(jié)點(diǎn)的輸入值為:netj=∑jwjioinetj=∑jwjioi(2)為滿足非線性與連續(xù)可微的條件,結(jié)點(diǎn)強(qiáng)制非線性輸出函數(shù),又稱激勵(lì)函數(shù)f(x),一般選用Sigmoid型函數(shù)。中間層j輸出值為:oj=f(netj),同樣在輸出層k的輸入為:netk=∑wkjoj,輸出值為:ok=f(netk)。對(duì)于一輸入樣本p,其平方誤差可定義為:Ep=12∑k(tpk?opk)2Ep=12∑k(tpk-opk)2(3)對(duì)于整個(gè)網(wǎng)絡(luò)系統(tǒng)的總均方誤差為:E=1/p∑Ep,其中p為訓(xùn)練樣本總數(shù)。網(wǎng)絡(luò)訓(xùn)練的目的是找到一組權(quán)值,使E極小化。LMS算法用梯度下降法,即權(quán)重的增量正比于誤差的負(fù)導(dǎo)數(shù),使得過程收斂。設(shè)wkj(t)是連接隱層結(jié)點(diǎn)與輸出層結(jié)點(diǎn)在t時(shí)刻的聯(lián)結(jié)權(quán)值,wji(t)是連接隱層結(jié)點(diǎn)與輸入層結(jié)點(diǎn)在t時(shí)刻的聯(lián)結(jié)權(quán)值;η是一個(gè)正的常數(shù)項(xiàng),稱為學(xué)習(xí)率,反映權(quán)重的調(diào)整速率。η太小,則學(xué)習(xí)的效率較低;反之若η太大,則可能引起振蕩。為此,可引入動(dòng)量項(xiàng)α,使權(quán)重的變化與w(t)-w(t-1)有關(guān),可以濾除權(quán)重空間中誤差曲面的高頻偏差,使有效的權(quán)重間隔加大。一般情況下,動(dòng)量項(xiàng)在減小振蕩的同時(shí),使算法收斂速度更快。通過推導(dǎo),誤差調(diào)整增量可表示為:Δwji(t)=ηδjoi+αΔwji(t?1)Δwkj(t)=ηδkoj+αΔwkj(t?1)Δwji(t)=ηδjoi+αΔwji(t-1)Δwkj(t)=ηδkoj+αΔwkj(t-1)(4)其中:δj=oj(1?oj)∑kδkwkjδk=(tk?ok)ok(1?ok)δj=oj(1-oj)∑kδkwkjδk=(tk-ok)ok(1-ok)(5)式中,tk是輸出層的期望輸出,ok是輸出層實(shí)際輸出。BP算法的學(xué)習(xí)過程,由正向傳播和反向傳播組成。在正向傳播過程中,輸入信息從輸入層經(jīng)過隱層,再傳向輸出層,每一層的神經(jīng)元的狀態(tài)值只影響下一層的神經(jīng)元的狀態(tài)值;如果在輸出層不能得到期望的輸出值,則轉(zhuǎn)入反向傳播,將誤差信號(hào)沿逆向通路返回,通過修正各層神經(jīng)元的權(quán)值,使得網(wǎng)絡(luò)的總誤差值收斂到極小。BP算法實(shí)質(zhì)上是把一組樣本的輸入輸出問題轉(zhuǎn)化為非線性優(yōu)化問題,采用梯度下降法,迭代運(yùn)算修正網(wǎng)絡(luò)聯(lián)結(jié)權(quán)重,相應(yīng)于學(xué)習(xí)記憶,而加入隱層結(jié)點(diǎn)是為了使優(yōu)化問題的可調(diào)參數(shù)增加,獲得更精確解。MLP相當(dāng)于從輸入到輸出通過對(duì)簡(jiǎn)單的非線性函數(shù)的組合,實(shí)現(xiàn)了復(fù)雜的非線性映射。BP算法也存在一些限制,如局部極小、學(xué)習(xí)效率低、網(wǎng)絡(luò)結(jié)構(gòu)難以確定等等,使其在實(shí)際應(yīng)用中受到限制。在實(shí)際應(yīng)用過程中,必須根據(jù)處理和分析對(duì)象的特點(diǎn)和預(yù)期目標(biāo),對(duì)算法和模型進(jìn)行改進(jìn)。針對(duì)大量基于BP神經(jīng)網(wǎng)絡(luò)(BPNN)的遙感影像分類應(yīng)用中碰到的問題,我們得出幾點(diǎn)BP學(xué)習(xí)算法的改進(jìn)方法:(1)輸入向量的預(yù)處理(白化處理)。在對(duì)遙感影像分類之前,對(duì)樣本值進(jìn)行歸一化處理,避免網(wǎng)絡(luò)前后傳播過程過飽和現(xiàn)象。(2)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置。隱層的數(shù)目和隱層的結(jié)點(diǎn)數(shù)難以確定,增加隱層數(shù)目和結(jié)點(diǎn)數(shù),可以提高精度,且有效地較少局部極小的幾率,但需要更長(zhǎng)的學(xué)習(xí)時(shí)間。根據(jù)參考文獻(xiàn),如果網(wǎng)絡(luò)包含兩個(gè)隱層,第一隱層的結(jié)點(diǎn)數(shù)至少是輸入層結(jié)點(diǎn)的2到3倍,而根據(jù)本次工作的經(jīng)驗(yàn),甚至應(yīng)該是4倍于輸入層結(jié)點(diǎn)數(shù);同樣,第二層隱層的結(jié)點(diǎn)數(shù)應(yīng)該至少為輸出層結(jié)點(diǎn)數(shù)的2到3倍;如果網(wǎng)絡(luò)只有一個(gè)隱層,則其結(jié)點(diǎn)數(shù)則至少為以上所述兩層結(jié)點(diǎn)數(shù)的最大值;如果仍然不能達(dá)到足夠精確的分類結(jié)果,則可以適當(dāng)增加隱層結(jié)點(diǎn)的數(shù)目,直到獲得預(yù)期的結(jié)果。(3)學(xué)習(xí)速率η的自適應(yīng)性動(dòng)態(tài)調(diào)整。學(xué)習(xí)率η的確定,雖然困難,但卻是影響算法效率的關(guān)鍵。事實(shí)上最優(yōu)的BP算法,其η應(yīng)該是隨時(shí)間的變化而作動(dòng)態(tài)調(diào)整。η調(diào)整規(guī)則如下:(a)網(wǎng)絡(luò)中每個(gè)權(quán)值可具有不同η;(b)每個(gè)η允許隨時(shí)間變化;(c)當(dāng)網(wǎng)絡(luò)中相對(duì)于某權(quán)值的誤差偏量的符號(hào)連續(xù)保持不變時(shí),即權(quán)值空間中誤差曲面比較平穩(wěn),則該權(quán)值的η應(yīng)適當(dāng)增加;(d)當(dāng)網(wǎng)絡(luò)中相對(duì)于某權(quán)值的誤差偏量的符號(hào)發(fā)生振蕩時(shí),即權(quán)值空間中誤差曲面起伏較大,該權(quán)值η應(yīng)該適當(dāng)減小;(e)η值的增減有一定的限度。動(dòng)態(tài)地修正η對(duì)于誤差曲面比較平穩(wěn)的網(wǎng)絡(luò)可提高學(xué)習(xí)速度,而對(duì)于起伏較大的誤差曲面,可防止發(fā)生振蕩,加速尋找全局極小,因此同樣也提高了收斂速度。(4)利用遺傳算法(GA)進(jìn)行網(wǎng)絡(luò)權(quán)值和網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化。GA是模擬生命進(jìn)化機(jī)制的搜索優(yōu)化方法,而BP學(xué)習(xí)算法正是使網(wǎng)絡(luò)從無序到有序的優(yōu)化過程,所以利用GA是實(shí)現(xiàn)網(wǎng)絡(luò)優(yōu)化的手段之一。(5)地理信息及知識(shí)的輔助決策。一般結(jié)構(gòu)化地理信息的參與,只需增加特征向量的維數(shù);而非結(jié)構(gòu)性知識(shí)的輔助可通過建立知識(shí)庫(kù),根據(jù)實(shí)際分析對(duì)象來決定網(wǎng)絡(luò)結(jié)構(gòu)、學(xué)習(xí)參數(shù)、學(xué)習(xí)過程中的參數(shù)變化等。遙感信息和地理信息、地學(xué)知識(shí)相融合形成分布式的網(wǎng)絡(luò)知識(shí)結(jié)構(gòu),提高了影像分類的精度,也保障了網(wǎng)絡(luò)穩(wěn)定性。3基于知識(shí)的多段感知器遙感分類模型3.1雷達(dá)影像的提取處理基于BP學(xué)習(xí)算法的多層感知器(MLP)模型的遙感影像分類方法已在土地覆蓋分類、專題信息提取等方面得到應(yīng)用,簡(jiǎn)單概括如下:(1)多源遙感影像數(shù)據(jù)的土地覆蓋分類。數(shù)據(jù)輸入的來源可包括多波段、多時(shí)相、多平臺(tái)以及地理輔助數(shù)據(jù)等通過數(shù)據(jù)層的像素層、特征層的融合數(shù)據(jù)等。(2)專題信息提取。利用BPNN進(jìn)行植被信息提取并通過BPNN對(duì)雷達(dá)影像的降雪、降水信息進(jìn)行提取等。(3)空間結(jié)構(gòu)信息提取。主要通過BPNN在影像上以一定大小的區(qū)域(或窗口)為單元進(jìn)行空間結(jié)構(gòu)的識(shí)別和提取,如線狀(如道路、河流)信息提取、紋理結(jié)構(gòu)信息的識(shí)別和提取、城市單元結(jié)構(gòu)提取、地物形狀信息識(shí)別(如軍事目標(biāo)識(shí)別)等。(4)模糊分類。應(yīng)用BPNN對(duì)樣本數(shù)據(jù)中混合像元所含的多種信息的含量及地物歸屬不確定性進(jìn)行學(xué)習(xí),然后進(jìn)行信息含量的提取或混合像元的分解。3.2遙感影像知識(shí)的決策成分雖然這些分類應(yīng)用的目標(biāo)不盡相同,但是都是建立在統(tǒng)一的神經(jīng)計(jì)算模型之上,即輸入特征相量,通過分布式神經(jīng)元的學(xué)習(xí)記憶及前向推理,輸出結(jié)果(歸屬類別)。目前大多數(shù)基于BPNN的應(yīng)用模型,主要是通過對(duì)所選取的包含先驗(yàn)知識(shí)的樣本數(shù)據(jù)進(jìn)行學(xué)習(xí),然后利用BPNN高度復(fù)雜的映射計(jì)算能力來獲得最后的分類結(jié)果,因此其知識(shí)的決策成分主要蘊(yùn)涵于對(duì)樣本數(shù)據(jù)的采集,其中也包括了目視解譯的經(jīng)驗(yàn)知識(shí)成分。這僅是低層次的視覺神經(jīng)生理模擬的影像理解,而遙感影像是具有地學(xué)屬性的,要揭示更深層的影像地學(xué)規(guī)律以獲得更精確的影像分類和信息提取結(jié)果,則需要匯集相關(guān)的地學(xué)信息和專家知識(shí)來模擬地學(xué)專家視覺活動(dòng)和邏輯判斷能力來獲取對(duì)遙感影像的地學(xué)認(rèn)知。另外,由于遙感信息的復(fù)雜性和不確定性導(dǎo)致樣本數(shù)據(jù)所包含的知識(shí)的決策信息是不完全的,因此如果要進(jìn)一步提高分類的精度,需要融合其他輔助信息來加強(qiáng)網(wǎng)絡(luò)的決策判別能力。一般通過兩種方式進(jìn)行地學(xué)輔助信息與神經(jīng)網(wǎng)絡(luò)分類模型的融合(圖3):(1)結(jié)構(gòu)化地理信息數(shù)據(jù)作為NN輸入向量的空間數(shù)據(jù)維之一與遙感數(shù)據(jù)并行參與BPNN的學(xué)習(xí)和分類過程。(2)非結(jié)構(gòu)化地學(xué)知識(shí)與空間數(shù)據(jù)集成形成決策規(guī)則庫(kù),通過推理機(jī)制,形成對(duì)BPNN分類結(jié)果的后驗(yàn)驗(yàn)證知識(shí)庫(kù),來對(duì)分類或信息提取的結(jié)果進(jìn)行驗(yàn)證和修正,以提高影像分類的合理性和保證精度的提高。3.3圖像理解的處理地學(xué)知識(shí)的表示與地學(xué)知識(shí)庫(kù)的構(gòu)造要結(jié)合具體地學(xué)問題的研究特點(diǎn)。規(guī)則是地學(xué)知識(shí)的主要表示方法,能反映地學(xué)客觀事物的基本規(guī)律性。但是由于在實(shí)際問題中,所掌握的規(guī)則大多是經(jīng)驗(yàn)性、常識(shí)性的知識(shí),其含義是不精確的,因此所反映的規(guī)則也是不確定的,規(guī)則的不確定性可用可信度CF(CertaintyFactor,CF)來表示。采用產(chǎn)生式的模糊規(guī)則形式來表達(dá)知識(shí),其基本形式為:IF(條件),THEN(結(jié)論),CF(可信度因子)其中,CF的取值為,反映結(jié)論的可能性程度,當(dāng)CF=0時(shí),則完全排除結(jié)論的可能性;而當(dāng)CF=1時(shí),表示結(jié)論完全可靠。本次試驗(yàn)工作所采用的部分規(guī)則如下:If((dem>0.0)or(slope>0.0))thenidisc1CFisclose-to0.01If(dem>=1.0)thenidisc4CFisvery-close-to0.06\:\:符號(hào)邏輯的知識(shí)處理過程與神經(jīng)網(wǎng)絡(luò)的計(jì)算協(xié)同作用是對(duì)整個(gè)視覺圖像理解過程的簡(jiǎn)單模擬,即首先通過神經(jīng)網(wǎng)絡(luò)的復(fù)雜映射計(jì)算獲得對(duì)圖像目標(biāo)發(fā)自本能的基本認(rèn)識(shí),然后用所具備的后天獲得的知識(shí)來進(jìn)一步推斷、確認(rèn)和驗(yàn)證,使所感知的對(duì)象具有一定的專業(yè)屬性。基于地學(xué)知識(shí)的土地覆蓋分類過程是以光譜數(shù)據(jù)為基礎(chǔ)的BPNN神經(jīng)網(wǎng)絡(luò)分類器所獲得的結(jié)果作為初始數(shù)據(jù),然后使用地形輔助數(shù)據(jù)和知識(shí)庫(kù)中的規(guī)則,進(jìn)行不確定推理,最后確定出像素單元的所歸屬的類別。規(guī)則與BP神經(jīng)網(wǎng)絡(luò)繼承的基本處理過程如下:(1)通過BPNN對(duì)訓(xùn)練樣本進(jìn)行學(xué)習(xí);(2)輸入遙感影像的未知模式向量A,用BPNN計(jì)算獲得輸出向量y1,作為當(dāng)前模式A屬于各類別的后驗(yàn)概率,即屬于各類別的可信度的初始值;(3)輸入所對(duì)應(yīng)的輔助數(shù)據(jù)向量C,對(duì)規(guī)則庫(kù)通過規(guī)則匹配進(jìn)行推理,計(jì)算獲得該模式的后驗(yàn)可信度向量y2,如果無匹配規(guī)則,則獲得一預(yù)先設(shè)定的各類別可信度一致的常向量o;(4)根據(jù)D-S證據(jù)理論確定模式屬于各類別的最終可信度,最后取最大可信度分量作為該模式的最后類別。設(shè)由BPNN計(jì)算獲得的模式A后驗(yàn)可信度向量為:m1={0.2,0.3,0.3,0.1,0.1},由不確定推理獲得的模式A的可信度向量為:m2={0.1,0.3,0.4,0.0,0.1},則最后總的可信度m為:m(G)=m1⊕m2(G)=∑x∩ym1(x)?m2(y)1?∑x∩y=?m1(x)?m2(y)m(G)=m1⊕m2(G)=∑x∩ym1(x)?m2(y)1-∑x∩y=?m1(x)?m2(y)式中,G為其中的一個(gè)子集,這里表示所屬的類別,?是空集,m(G)表示總可信度一部分分給G的數(shù)據(jù)。通過計(jì)算得到y(tǒng)={0.14,0.35,0.43,0.04,0.04},所以最后的類別為第3類。4應(yīng)用測(cè)試4.1實(shí)驗(yàn)數(shù)據(jù)及樣本土地覆蓋分類是指通過對(duì)遙感影像上各種地物光譜信息的分析,將像元?jiǎng)澐譃椴煌愋偷耐恋馗采w單位,因此地物的光譜屬性是土地覆蓋分類的主要判別依據(jù)。本文以香港元朗地區(qū)為實(shí)驗(yàn)區(qū),進(jìn)行了BPNN分類模型支持下的遙感影像分類的應(yīng)用,對(duì)分類結(jié)果與典型的統(tǒng)計(jì)方法——最大似然法分類器(MLC)進(jìn)行了綜合比較分析。BPNN輸入層結(jié)點(diǎn)數(shù)目等于參與分類的數(shù)據(jù)的特征空間的維數(shù),輔助數(shù)據(jù)是通過結(jié)構(gòu)化形式參與分類,相當(dāng)于增加了輸入向量的維數(shù);BPNN的輸出層等于欲分類的土地類型的數(shù)目。選用TM的4個(gè)波段為BPNN的輸入向量:A=(PCA1,CH4,CH5,CH7)。其中PCA1是CH1(藍(lán)色波段)、CH2(綠色波段)、CH3(紅色波段)這3個(gè)相關(guān)程度比較大的可見光波段經(jīng)過主成分(PCA)變換后所選取的第1主成分,其中基本包含了R、G、B這3個(gè)波段的總體信息含量,通過PCA變換可以降低特征的維數(shù),提高學(xué)習(xí)和分類效率;另外,CH4為近紅外波段,CH5和CH7為中紅外波段(分別是1.55—1.75μm和2.08—2.35μm)。選用的遙感資料為L(zhǎng)andsat-TM5數(shù)據(jù)(1996年3月3日)。影像大小為600行×600列,覆蓋大約3200km2。通過對(duì)實(shí)際區(qū)域情況的了解和對(duì)影像進(jìn)行目視解譯,把該區(qū)域大致分為以下10個(gè)大類的地物類型:C1—水體(海洋);C2—河流、水塘(淡水);C3—沼澤;C4—紅樹林;C5—城鎮(zhèn)區(qū);C6—道路;C7—裸地;C8—綠地;C9—林地;C10—高山草地。其中水體(C1、C2)、建筑物(C5、C6)、植被(C8、C9和C10)等由于其光譜特征的相近性,在樣本的特征空間分布中互相混雜,很難分清。對(duì)照土地利用圖,分別準(zhǔn)備了包含1700個(gè)訓(xùn)練樣本的數(shù)據(jù)集和包含800個(gè)測(cè)試樣本的數(shù)據(jù)集。首先在這些樣本數(shù)據(jù)集的基礎(chǔ)上用傳統(tǒng)的統(tǒng)計(jì)方法——最大似然分類器(MLC)進(jìn)行了分類實(shí)驗(yàn),獲得對(duì)測(cè)試樣本的誤差矩陣(表1),結(jié)果表明MLC方法所獲得的總體測(cè)試精度為83.22%,其中學(xué)習(xí)過程大致所需的時(shí)間為5s;然后,對(duì)同樣的訓(xùn)練樣本數(shù)據(jù)集進(jìn)行BPNN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,然后輸入測(cè)試樣本分別獲得分類類別,并通過與目標(biāo)類別相比較,得出BPNN分類器的測(cè)試樣本的誤差矩陣(表2),網(wǎng)絡(luò)結(jié)構(gòu)分別為4,20,10個(gè)結(jié)點(diǎn),大致需要通過25min左右、約120000次循環(huán)學(xué)習(xí)后,網(wǎng)絡(luò)達(dá)到基本收斂,最后測(cè)試精度為87.90%,總體精度比MLC提高4.68%。4.2測(cè)試樣本的選擇大量應(yīng)用實(shí)例表明,土地覆蓋/土地利用對(duì)地形因子有明顯的依賴關(guān)系。在本次實(shí)驗(yàn)工作中,通過融合高程及其派生數(shù)據(jù)-坡度等因子對(duì)類別劃分進(jìn)行控制,一定程度上提高了分類的精度。根據(jù)實(shí)際情況與地學(xué)基本知識(shí),初步得出幾方面地形與土地覆蓋的關(guān)系,如在高程大于0的區(qū)域不可能有海洋;紅樹林一般分布在海拔0—2m之間;道路、城鎮(zhèn)一般分布在海拔5m以上、100m以下