鄒強(qiáng)　劉茜　李娟妮

摘 要：遙感影像分類是遙感技術(shù)研究發(fā)展應(yīng)用中的一個重要組成部分。基于Matlab平臺應(yīng)用BP、LVQ兩種神經(jīng)網(wǎng)絡(luò)算法對TM多光譜影像進(jìn)行了分類研究，最后應(yīng)用混淆矩陣對這兩種網(wǎng)絡(luò)算法與最大似然法的影像分類結(jié)果做了精度評價與對比分析。實(shí)驗(yàn)結(jié)果表明，神經(jīng)網(wǎng)絡(luò)分類器作為一種非參數(shù)分類器，進(jìn)行影像光譜特征分類時能獲得較高的分類精度，引入對比度紋理特征后精度有更進(jìn)一步的提高。兩種神經(jīng)網(wǎng)絡(luò)算法中，LVQ網(wǎng)絡(luò)算法的影像分類精度比BP網(wǎng)絡(luò)要高。

關(guān)鍵詞：遙感影像分類 BP神經(jīng)網(wǎng)絡(luò) LVQ 神經(jīng)網(wǎng)絡(luò) Matlab 紋理特征

中圖分類號：P237 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-098X（2014）04（c）-0223-02

近幾十年來，遙感對地觀測技術(shù)的迅速發(fā)展為地表資源調(diào)查與環(huán)境監(jiān)測提供了多平臺、多傳感器、多時相、多分辨率的海量影像數(shù)據(jù)，這些數(shù)據(jù)加工處理后被廣泛應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)是以模擬人腦神經(jīng)系統(tǒng)的結(jié)構(gòu)與功能為基礎(chǔ)而建立的一個理論化數(shù)學(xué)模型，具有自學(xué)習(xí)、自組織、自適應(yīng)、高度魯棒性、全局并行分布處理等良好特性。人工神經(jīng)網(wǎng)絡(luò)分類具備較強(qiáng)容錯性，能實(shí)現(xiàn)對特征空間較復(fù)雜的劃分。

1 特征提取與選擇

遙感影像分類是模式識別技術(shù)在遙感技術(shù)領(lǐng)域中的一種典型應(yīng)用。該文采用的影像數(shù)據(jù)為TM多光譜影像，大小為512×512，包含除熱紅外波段TM6以外的其他六個波段，空間分辨率為30 m，均已幾何校正與輻射定標(biāo)。圖1是原始TM影像的4、3、2三個波段合成的假彩色影像。如何從各波段影像中選擇或者提取特征影像對后期的影像分類精度影響較大。通常既要考慮選擇的特征影像所包含的地物信息量，又要考慮影像波段間的獨(dú)立性。對此Chavez[5]等人在1982年提出了最佳指數(shù)因子（Optimum Index Factor，OIF）模型分析法。OIF計(jì)算公式如下式（1）：

（1）

式中，Si表示第i波段數(shù)據(jù)的標(biāo)準(zhǔn)差。Rij是第i個波段與第j個波段間的相關(guān)系數(shù)。本文n取值為3。OIF值越大表明對應(yīng)的波段組合兼顧波段的信息量與波段間的獨(dú)立性越好。

在計(jì)算并分析TM各波段數(shù)據(jù)間的相關(guān)系數(shù)與每個波段的信息含量后，基于OIF模型計(jì)算TM影像中任意三個波段的OIF值，在TM1，2，3時，OIF值31.332；TM1，2，4時，OIF值64.185；TM1，2，5時，OIF值37.264；TM1，2，7時，OIF值26.506；TM1，3，4時，OIF值65.790；TM1，3，5時，OIF值41.100；TM1，3，7時，OIF值29.328；TM1，4，5時，OIF值67.454；TM1，4，7時，OIF值64.549；TM1，5，7時，OIF值30.867；TM2，3，4時，OIF值69.391；TM2，3，5時，OIF值39.326；TM2，3，7時，OIF值28.888；TM2，4，5時，OIF值68.653；TM2，4，7時，OIF值69.144；TM2，5，7時，OIF值29.696；TM3，4，5時，OIF值70.489。綜合分析TM影像各波段數(shù)據(jù)間的相關(guān)系數(shù)與每個波段的信息含量后，考慮將TM影像的波段組合3、4、5作為其后期分類的光譜特征影像。

紋理特征是影像中普遍存在卻又難以描述的空間特征，一直為研究者所關(guān)注。GLCM分析法是實(shí)際中常用紋理信息表達(dá)與提取的最具代表性的統(tǒng)計(jì)分析方法之一。影像的GLCM定義為從影像位置為（x，y）、灰度為i的像素出發(fā)，統(tǒng)計(jì)出該像素及與此像素距離為δ、灰度為j的像素同時出現(xiàn)的概率。數(shù)學(xué)式表達(dá)如下式（2）：

（2）

式中，i，j=0，1…L-1；L是影像的灰度級數(shù)；分別為影像中的像素坐標(biāo)；為影像的行列數(shù)；δ是兩個像素間相隔的距離；θ是兩個像素連線按順時針方向與X正向軸的夾角。

Barald等[6]人的研究工作表明對遙感影像而言，對比度、相關(guān)性、熵、二階矩這四種常用的紋理度量特征統(tǒng)計(jì)效果較好。根據(jù)以上四種紋理度量特征對紋理的描述特性結(jié)合影像上待分地物類型紋理表現(xiàn)特點(diǎn)，選擇了對比度紋理特征，提取結(jié)果如下圖2所示。

2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是根據(jù)生物神經(jīng)網(wǎng)絡(luò)研究成果啟發(fā)構(gòu)造的一種數(shù)學(xué)模型，神經(jīng)元是其最基本單元，其能學(xué)習(xí)和模仿人腦的信息處理活動。

BP神經(jīng)網(wǎng)絡(luò)是一種利用非線性可微分函數(shù)進(jìn)行權(quán)值修正與調(diào)整的多層前饋人工神經(jīng)網(wǎng)絡(luò)，也是前向網(wǎng)絡(luò)的核心部分，其主要特點(diǎn)是輸入信號正向傳遞，誤差反向傳播。

LVQ（學(xué)習(xí)向量量化）神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法是從Kohonen競爭算法演化而來，它由輸入層，競爭層與線性輸出層三層神經(jīng)元組成。其中，輸入層與競爭層間的神經(jīng)元全連接，競爭層與輸出層之間的神經(jīng)元部分連接且連接權(quán)值固定為1。當(dāng)用于模式分類時，其優(yōu)點(diǎn)在于能求得全局最優(yōu)且不需要對輸入向量進(jìn)行歸一化與正交化。

3 實(shí)驗(yàn)結(jié)果及精度評價與對比分析

結(jié)合影像的相關(guān)背景資料并對影像目視解譯，綜合分析后將TM影像上的主要地物類型分為植被、河水、海水、道路用地及居民區(qū)用地等五種。本文所用的訓(xùn)練樣本與精度測試樣本通過ENVI軟件獲取。啟動ENVI，選取一定數(shù)量分布均勻，具有典型性、代表性及準(zhǔn)確性的訓(xùn)練樣本與測試樣本。對訓(xùn)練樣本進(jìn)行優(yōu)化提純后，確定TM影像上的待分地物類型對應(yīng)選擇的訓(xùn)練樣本數(shù)目各為500個；然后為每類地物類型隨機(jī)產(chǎn)生各150個測試樣本；選擇參與分類的TM影像數(shù)據(jù)組合，將這兩類樣本均輸出保存為ASCII文本文件。

將分類影像數(shù)據(jù)及ASCII文本文件中的訓(xùn)練樣本、測試樣本讀入Matlab中，分別對其進(jìn)行如下式（3）的數(shù)據(jù)歸一化處理，以去除不同維度數(shù)據(jù)間的數(shù)量級差別，從而避免因輸入與輸出數(shù)據(jù)的數(shù)量級差別太大而造成網(wǎng)絡(luò)訓(xùn)練與預(yù)測誤差較大。

（3）endprint

式中，分別是轉(zhuǎn)換前后的數(shù)據(jù)值，分別為數(shù)據(jù)集合中的最小值與最大值。

對BP網(wǎng)絡(luò)中的不同地物類別訓(xùn)練樣本輸入向量對應(yīng)的期望輸出向量采用以下一種新編碼，如某一個輸入向量xi（i為該輸入向量的類別號），則對應(yīng)的期望輸出向量編碼為[0.1 0.1 …0.9…0.1]mT，其中m為影像上待分的地物類別數(shù)。

在Matlab平臺上創(chuàng)建BP與LVQ神經(jīng)網(wǎng)絡(luò)，設(shè)置并不斷調(diào)整影響訓(xùn)練效果的相關(guān)參數(shù)，如網(wǎng)絡(luò)的初始連接權(quán)值與閾值、學(xué)習(xí)算法函數(shù)、訓(xùn)練算法函數(shù)、網(wǎng)絡(luò)傳遞函數(shù)、網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)等，然后對創(chuàng)建的兩種網(wǎng)絡(luò)進(jìn)行大量的訓(xùn)練，分別取訓(xùn)練誤差最小的網(wǎng)絡(luò)對各組影像數(shù)據(jù)進(jìn)行分類；為直觀表示分類結(jié)果，使用顏色表矩陣為各地物類型對應(yīng)的類別號賦予一種顏色，其中植被為綠色、河水為藍(lán)色、海水為青色、道路用地為黃色、居民區(qū)用地為品紅色，將分類結(jié)果輸出為索引彩色圖像。

如圖3（a）、（b）、（c）、（d）分別是基于BP網(wǎng)絡(luò)的兩組TM影像數(shù)據(jù)分類結(jié)果與基于LVQ網(wǎng)絡(luò)的兩組TM影像數(shù)據(jù)分類結(jié)果。

利用訓(xùn)練好的多組BP與LVQ神經(jīng)網(wǎng)絡(luò)對相應(yīng)歸一化后的測試樣本仿真預(yù)測，最終輸出為各地物類別編碼，針對不同地物類別統(tǒng)計(jì)相應(yīng)的真實(shí)地物類別編碼個數(shù)，輸出為混淆矩陣，再求算總體精度與Kappa系數(shù)進(jìn)行精度評價；同時亦對基于光譜特征的最大似然法分類結(jié)果進(jìn)行了精度計(jì)算。最大似然法：總體精度：72.9%，kappa系數(shù)0.711；BP網(wǎng)絡(luò)數(shù)據(jù)一總體精度76.5%，kappa系數(shù)0.743，數(shù)據(jù)二：總體精度80.7%，kappa系數(shù)0.788；LVQ網(wǎng)絡(luò)：數(shù)據(jù)一總體精度79.5%，kappa系數(shù)0.774，數(shù)據(jù)二總體精度85.7%，kappa系數(shù)0.836.

對圖3中TM影像數(shù)據(jù)的各組分類結(jié)果進(jìn)行人眼目視觀察，可明顯看出LVQ神經(jīng)網(wǎng)絡(luò)算法的總體分類效果都較BP網(wǎng)絡(luò)要好，且“椒鹽現(xiàn)象”比較少。從表2中的定量精度分析中可獲知，不論是總體精度還是Kappa系數(shù)，兩種神經(jīng)網(wǎng)絡(luò)算法的都較最大似然法的影像分類精度高，其中LVQ網(wǎng)絡(luò)算法的分類精度最高，尤其引入紋理特征后有更明顯的提高。

4 結(jié)語

實(shí)驗(yàn)結(jié)果表明，BP與LVQ神經(jīng)網(wǎng)絡(luò)分類器從一定程度上可以克服傳統(tǒng)遙感影像分類方法無法解決的不確定性與模糊性，能獲得較高的影像分類精度，引入紋理特征后精度有更進(jìn)一步的提高，說明這兩種神經(jīng)網(wǎng)絡(luò)算法能有效的將光譜特征與紋理特征有機(jī)結(jié)合起來對影像進(jìn)行分類，具有較強(qiáng)的研究價值與應(yīng)用意義。

參考文獻(xiàn)

[1] 魏麗英，夏明，田春林.基于LVQ神經(jīng)網(wǎng)絡(luò)的城市快速路事件自動檢測算法[J].吉林大學(xué)學(xué)報（工學(xué)版），2010（2）.endprint

式中，分別是轉(zhuǎn)換前后的數(shù)據(jù)值，分別為數(shù)據(jù)集合中的最小值與最大值。

對BP網(wǎng)絡(luò)中的不同地物類別訓(xùn)練樣本輸入向量對應(yīng)的期望輸出向量采用以下一種新編碼，如某一個輸入向量xi（i為該輸入向量的類別號），則對應(yīng)的期望輸出向量編碼為[0.1 0.1 …0.9…0.1]mT，其中m為影像上待分的地物類別數(shù)。

在Matlab平臺上創(chuàng)建BP與LVQ神經(jīng)網(wǎng)絡(luò)，設(shè)置并不斷調(diào)整影響訓(xùn)練效果的相關(guān)參數(shù)，如網(wǎng)絡(luò)的初始連接權(quán)值與閾值、學(xué)習(xí)算法函數(shù)、訓(xùn)練算法函數(shù)、網(wǎng)絡(luò)傳遞函數(shù)、網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)等，然后對創(chuàng)建的兩種網(wǎng)絡(luò)進(jìn)行大量的訓(xùn)練，分別取訓(xùn)練誤差最小的網(wǎng)絡(luò)對各組影像數(shù)據(jù)進(jìn)行分類；為直觀表示分類結(jié)果，使用顏色表矩陣為各地物類型對應(yīng)的類別號賦予一種顏色，其中植被為綠色、河水為藍(lán)色、海水為青色、道路用地為黃色、居民區(qū)用地為品紅色，將分類結(jié)果輸出為索引彩色圖像。

如圖3（a）、（b）、（c）、（d）分別是基于BP網(wǎng)絡(luò)的兩組TM影像數(shù)據(jù)分類結(jié)果與基于LVQ網(wǎng)絡(luò)的兩組TM影像數(shù)據(jù)分類結(jié)果。

利用訓(xùn)練好的多組BP與LVQ神經(jīng)網(wǎng)絡(luò)對相應(yīng)歸一化后的測試樣本仿真預(yù)測，最終輸出為各地物類別編碼，針對不同地物類別統(tǒng)計(jì)相應(yīng)的真實(shí)地物類別編碼個數(shù)，輸出為混淆矩陣，再求算總體精度與Kappa系數(shù)進(jìn)行精度評價；同時亦對基于光譜特征的最大似然法分類結(jié)果進(jìn)行了精度計(jì)算。最大似然法：總體精度：72.9%，kappa系數(shù)0.711；BP網(wǎng)絡(luò)數(shù)據(jù)一總體精度76.5%，kappa系數(shù)0.743，數(shù)據(jù)二：總體精度80.7%，kappa系數(shù)0.788；LVQ網(wǎng)絡(luò)：數(shù)據(jù)一總體精度79.5%，kappa系數(shù)0.774，數(shù)據(jù)二總體精度85.7%，kappa系數(shù)0.836.

對圖3中TM影像數(shù)據(jù)的各組分類結(jié)果進(jìn)行人眼目視觀察，可明顯看出LVQ神經(jīng)網(wǎng)絡(luò)算法的總體分類效果都較BP網(wǎng)絡(luò)要好，且“椒鹽現(xiàn)象”比較少。從表2中的定量精度分析中可獲知，不論是總體精度還是Kappa系數(shù)，兩種神經(jīng)網(wǎng)絡(luò)算法的都較最大似然法的影像分類精度高，其中LVQ網(wǎng)絡(luò)算法的分類精度最高，尤其引入紋理特征后有更明顯的提高。

4 結(jié)語

實(shí)驗(yàn)結(jié)果表明，BP與LVQ神經(jīng)網(wǎng)絡(luò)分類器從一定程度上可以克服傳統(tǒng)遙感影像分類方法無法解決的不確定性與模糊性，能獲得較高的影像分類精度，引入紋理特征后精度有更進(jìn)一步的提高，說明這兩種神經(jīng)網(wǎng)絡(luò)算法能有效的將光譜特征與紋理特征有機(jī)結(jié)合起來對影像進(jìn)行分類，具有較強(qiáng)的研究價值與應(yīng)用意義。

參考文獻(xiàn)

[1] 魏麗英，夏明，田春林.基于LVQ神經(jīng)網(wǎng)絡(luò)的城市快速路事件自動檢測算法[J].吉林大學(xué)學(xué)報（工學(xué)版），2010（2）.endprint

式中，分別是轉(zhuǎn)換前后的數(shù)據(jù)值，分別為數(shù)據(jù)集合中的最小值與最大值。

對BP網(wǎng)絡(luò)中的不同地物類別訓(xùn)練樣本輸入向量對應(yīng)的期望輸出向量采用以下一種新編碼，如某一個輸入向量xi（i為該輸入向量的類別號），則對應(yīng)的期望輸出向量編碼為[0.1 0.1 …0.9…0.1]mT，其中m為影像上待分的地物類別數(shù)。

在Matlab平臺上創(chuàng)建BP與LVQ神經(jīng)網(wǎng)絡(luò)，設(shè)置并不斷調(diào)整影響訓(xùn)練效果的相關(guān)參數(shù)，如網(wǎng)絡(luò)的初始連接權(quán)值與閾值、學(xué)習(xí)算法函數(shù)、訓(xùn)練算法函數(shù)、網(wǎng)絡(luò)傳遞函數(shù)、網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)等，然后對創(chuàng)建的兩種網(wǎng)絡(luò)進(jìn)行大量的訓(xùn)練，分別取訓(xùn)練誤差最小的網(wǎng)絡(luò)對各組影像數(shù)據(jù)進(jìn)行分類；為直觀表示分類結(jié)果，使用顏色表矩陣為各地物類型對應(yīng)的類別號賦予一種顏色，其中植被為綠色、河水為藍(lán)色、海水為青色、道路用地為黃色、居民區(qū)用地為品紅色，將分類結(jié)果輸出為索引彩色圖像。

如圖3（a）、（b）、（c）、（d）分別是基于BP網(wǎng)絡(luò)的兩組TM影像數(shù)據(jù)分類結(jié)果與基于LVQ網(wǎng)絡(luò)的兩組TM影像數(shù)據(jù)分類結(jié)果。

利用訓(xùn)練好的多組BP與LVQ神經(jīng)網(wǎng)絡(luò)對相應(yīng)歸一化后的測試樣本仿真預(yù)測，最終輸出為各地物類別編碼，針對不同地物類別統(tǒng)計(jì)相應(yīng)的真實(shí)地物類別編碼個數(shù)，輸出為混淆矩陣，再求算總體精度與Kappa系數(shù)進(jìn)行精度評價；同時亦對基于光譜特征的最大似然法分類結(jié)果進(jìn)行了精度計(jì)算。最大似然法：總體精度：72.9%，kappa系數(shù)0.711；BP網(wǎng)絡(luò)數(shù)據(jù)一總體精度76.5%，kappa系數(shù)0.743，數(shù)據(jù)二：總體精度80.7%，kappa系數(shù)0.788；LVQ網(wǎng)絡(luò)：數(shù)據(jù)一總體精度79.5%，kappa系數(shù)0.774，數(shù)據(jù)二總體精度85.7%，kappa系數(shù)0.836.

對圖3中TM影像數(shù)據(jù)的各組分類結(jié)果進(jìn)行人眼目視觀察，可明顯看出LVQ神經(jīng)網(wǎng)絡(luò)算法的總體分類效果都較BP網(wǎng)絡(luò)要好，且“椒鹽現(xiàn)象”比較少。從表2中的定量精度分析中可獲知，不論是總體精度還是Kappa系數(shù)，兩種神經(jīng)網(wǎng)絡(luò)算法的都較最大似然法的影像分類精度高，其中LVQ網(wǎng)絡(luò)算法的分類精度最高，尤其引入紋理特征后有更明顯的提高。

4 結(jié)語

實(shí)驗(yàn)結(jié)果表明，BP與LVQ神經(jīng)網(wǎng)絡(luò)分類器從一定程度上可以克服傳統(tǒng)遙感影像分類方法無法解決的不確定性與模糊性，能獲得較高的影像分類精度，引入紋理特征后精度有更進(jìn)一步的提高，說明這兩種神經(jīng)網(wǎng)絡(luò)算法能有效的將光譜特征與紋理特征有機(jī)結(jié)合起來對影像進(jìn)行分類，具有較強(qiáng)的研究價值與應(yīng)用意義。

參考文獻(xiàn)

[1] 魏麗英，夏明，田春林.基于LVQ神經(jīng)網(wǎng)絡(luò)的城市快速路事件自動檢測算法[J].吉林大學(xué)學(xué)報（工學(xué)版），2010（2）.endprint