摘 要

遥感图像分类在土地资源整合、地理研究、气象预测、军事演练以及环境保护等多种领域得到普遍运用并发挥着重大作用。本文主要通过人工神经网络的方法对遥感图像的分类进行了研究。本文在研究时的突出特点是进行了对比研究。同时本文主要完成了以下研究内容：

(1)对遥感图像的预处理方法进行了研究，使得到的处理图像更加适合遥感图像分类。

(2)对人工神经网络的实现方法进行了研究，得到了能够用于遥感图像分类的人工神经网络模型并完成了遥感图像的分类。

(3)对人工神经网络进行了改进，并使用改进后的方法进行了遥感图像分类。

(4)对遥感图像的分类结果进行了比较，分析了影响遥感图像分类效果的因素。

关键词：人工神经网络；遥感图像；图像分类；混淆矩阵；均方误差曲线

Abstract

Remote sensing image classification is widely used and plays an important role in many fields, such as land resources integration, geographical research, meteorological prediction, military exercises and environmental protection. In this paper, the classification of remote sensing image is studied by using artificial neural network. The prominent feature of this paper is the comparative study. At the same time, this paper mainly completes the following research contents:

(1) The preprocessing method of remote sensing image is studied, which makes the processed image more suitable for remote sensing image classification.

(2) The realization method of artificial neural network is studied, and the artificial neural network model which can be used for remote sensing image classification is obtained, and the classification of remote sensing image is completed.

(3) The artificial neural network is improved, and the improved method is used to classify remote sensing images.

(4) The classification results of remote sensing images are compared, and the factors affecting the classification results of remote sensing images are analyzed.

Key words：artificial neural network; remote sensing image; image classification;

confusion matrix; mean square error curve

目录

第1章 绪论 1

1.1 研究目的和意义 1

1.2 国内外研究现状 2

1.2.1 国外研究现状 2

1.2.2 国内研究现状 2

1.3 研究的组织结构及内容 3

第2章 遥感图像分类 5

2.1 遥感图像分类原理 5

2.2 遥感图像分类方法 5

2.2.1 监督分类 5

2.2.2 非监督分类 7

第3章 遥感图像预处理实现 10

3.1 遥感图像裁剪 10

3.2 遥感图像降维 11

3.3 遥感图像增强 11

3.3.1灰度线性变换 11

3.3.2 直方图均衡化 13

3.4 训练样本选取 16

第4章 基于人工神经网络的遥感图像分类 18

4.1 BP神经网络基本原理 18

4.2 BP神经网络构建 20

4.2.1 新建BP神经网络 20

4.2.2 BP神经网络训练与仿真 20

4.3 已分类遥感图像显示 21

4.3.1 BP神经网络仿真数据处理 21

4.3.2 GUI界面设计 21

4.4 BP神经网络的不足 23

4.5 BP神经网络的改进 23

4.5.1 附加动量法 23

4.5.2 自适应学习速率法 24

4.5.3 附加动量-自适应学习速率法 24

4.6 改进BP神经网络实现遥感图像分类 24

第5章 遥感图像分类结果评估及比较 26

5.1 分类结果精度评价方法 26

5.2 各方法分类结果评估及比较 26

5.2.1 误差曲线比较 26

5.2.2 混淆矩阵比较 28

第6章 总结与展望 32

参考文献 34

致谢 35

第1章 绪论

1.1 研究目的和意义

遥感图像普遍运用在土地资源整合、地理研究、气象预测、军事演练以及环境保护等多种领域。遥感技术之所以能够得到如此广泛的应用，一方面是因为遥感技术能够进行非接触式的、远距离的信息采集，使得信息获取阶段得到了极大的简化。同时，遥感技术拥有观测区域大、时效性强、能够对同一地点进行动态观测、获取信息手段多样化以及经济效益高的特点。另一方面则是取决于对遥感技术的需求。当今世界面临着诸如生态环境不断恶化、重要资源趋于枯竭以及人口增长率逐渐提高等问题的影响，这就需要对相应的问题进行及时有效的观测以及对资源进行合理的分配。遥感技术则能够在地理数据的获取、自然灾害的预防、地质水质的观测以及资源的合理划分方面提供至关重要的帮助。

遥感图像是运用遥感技术得到包含不同的波长，不同的视角以及不同时间的观测数据。如此丰富的数据必然包含着大量有用信息。从中不仅能够及时有效的资源生态数据以及人与自然关系数据，更能够通过对海量数据的动态观测研究分析，找到数据之间所拥有的联系。并依据这些联系进行推断，最终得到符合发展规律的研究结果^[1]。而获取这些信息则需要对遥感图像进行一定的处理，目前在遥感图像的处理过程中还存在着一些问题。首当其冲的就是数据的处理及分析能力，由于遥感图像中包含的信息量非常大，需要的仅仅是其中一部分信息，这就对数据处理的速度提出了更高的要求^[2]。其次则是对数据处理准去度的要求，获得的遥感图像总是包含着许多本次研究中不需要的东西，这些需要在数据处理过程中进行去除。此外还有一点就是遥感图像的处理过程是非线性的，在对这种问题进行解决时一般都是慢慢贴近，因此就很容易出现一些问题从而影响处理结果的准确性。遥感图像的分类则是遥感图像处理过程的重中之重。针对遥感图像的分类，目前已经有了各种各样的分类方法，都有它们的可取之处，例如自组织分类法，K均值分类法、最小距离分类法以及以这些方法为基础进行改进的分类方法^[3]。相比于目译这种存在严重个人差异的原始方法，这些模式识别方法无疑是很大的进步，但它们仍然有一定的不足之处：这些方法的灵活性比较差且对于空间中不同信息的关联能力不足，最终造成的结果就是分类的精度不够高。

人工神经网络则是一种非常适合用于图像分类的理论，这种算法模型根据真实生物的神经网络反应活动，能够同时处理大量数据。它所拥有的自学能力在遥感图像处理方面有很大优势，人工神经网络内部含有许多神经元节点，这些神经元节点之间相互关联能够对数据进行映射处理。因此相比于上文提到的一些遥感图像分类方法，人工神经网络的方法无需考虑待分类图像的概率分布规律，即可通过自学习来实现遥感图像分类。这一点对于含有大量信息且存在冗余的遥感图像分类来说具有重要意义^[4]。人工神经网络可以通过对一系列样本数据的输入输出关系进行研究，找出两者之间存在的联系，然后以此作为框架找出待分类遥感图像的输出结果。因此自学习的能力在图像分类领域有着天然优势。在遥感图像分类在生态可持续发展、地质水质观测时处于关键地位。

1.2 国内外研究现状

1.2.1 国外研究现状

国外在人工神经网络领域的研究开始的很早，在当时的心理学家McCulloch和逻辑学家Wapitis共同的不懈努力之下，人工神经网络的萌芽诞生了，并以此为契机开始了对这一领域的初步探索^[5]。之后的50年代末，Rosenblatt则提出了支持向量机的模型，这也开创了人工神经网络的先河。在之后的关键性研究突破则是出自Rinehart和McClelland之手。他们经过研究总结提出了著名的BP神经网络宣算法，即使到了今天，这也是一种影响最为深远的人工神经网络算法。在这之后的一段时间里，人工神经网络的发展呈现出欣欣向荣的趋势，在这种发展浪潮之下，国际神经网络学会应运而生并且号召各国学者们加入到研究当中。此举为学者们相互交流人工神经网络的知识与心得提供了一个国际化的平台，并且伴随着一系列国际性的神经网络专业期刊诸如IEEE神经网络会议期刊等的问世，与人工神经网络相关的学术氛围逐渐浓厚了起来，人工神经网络研究的学术领域地位也与日俱增。