余慧娟+周堅華

摘要：BP神經(jīng)網(wǎng)絡(luò)是遙感圖像分類研究應(yīng)用最廣泛的分類器之一，它以隸屬度描述實體對應(yīng)各類別的確定程度。常規(guī)基于BP網(wǎng)絡(luò)的分類應(yīng)用中，通常將像元歸屬為最大隸屬度對應(yīng)的類別，即硬劃分，這種方式在混合像元存在時，容易產(chǎn)生誤判現(xiàn)象。本文提出一種基于鄰域分析的軟劃分算法，參考領(lǐng)域元素的隸屬度情況，判斷中心元素的類別。試驗表明，該算法可使遙感圖像的分類精度平均提高5.10%。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；遙感圖像分類；軟劃分

引言：1986年，M cclelland等人提出了一種由多層前饋網(wǎng)絡(luò)與誤差反向傳播學(xué)習(xí)方法（Back P ropagatlon，BP）結(jié)合形成的神經(jīng)網(wǎng)絡(luò)算法，即BP算法。該算法能學(xué)習(xí)并存儲任何類型的輸入輸出映射，它對數(shù)據(jù)的類型沒有特殊的要求，也不需要訓(xùn)練樣本符合一定分布規(guī)律，如正態(tài)分布。這些特性非常適用于離散的多源數(shù)據(jù)。BP網(wǎng)絡(luò)在進行圖像分類時，并不將當(dāng)前元素判給確定的類別，而是提供其歸屬各類的隸屬度。這樣的方式有助于描述像素在地物空間的自然分布狀態(tài)。常規(guī)的硬劃分方法，即直接將像素判給隸屬度最高的類別，往往會存在像元誤判現(xiàn)象。因為，像素類型識別依據(jù)的隸屬度矩陣往往出現(xiàn)：①各類隸屬度都很低，意味著此時隸屬度數(shù)據(jù)不可靠，以此判斷像素類別，錯判率高。②BP網(wǎng)絡(luò)的訓(xùn)練結(jié)果會受到訓(xùn)練區(qū)的選擇、訓(xùn)練樣本的數(shù)量和質(zhì)量好壞、特征向量的計算和設(shè)置參數(shù)等影響，導(dǎo)致一些像素錯判。為解決上述問題，本文提出了一種基于鄰域分析的軟劃分算法，通過參考鄰域元素的隸屬度，對待分類圖像的像素解模糊，提高分類精度。

1方法

基于BP網(wǎng)絡(luò)的遙感圖像分類輸出結(jié)果通常為一個s×n的隸屬度矩陣U（s為分類類別數(shù)，n為圖像像元總數(shù)）。u描述了各像元歸屬各個類別的概率，在實際應(yīng)用時，為了方便，往往選用硬劃分方式，即將像素判給隸屬度最大的類別，這種方式常常出現(xiàn)誤判現(xiàn)象。為解決上述問題，本文提出利用像素在地理空間聚集的特性，即分析某個像素鄰域同類元素的分布狀況和隸屬度情況，來判斷該像素的歸屬類別。圖1顯示算法流程。

鄰域分析是基于同類地物在地理空間聚集的特性，如果一個元素為某一類的鄰域平均隸屬度更大，則它為該類的可能性更大；如果鄰域內(nèi)，某一類的確定元素密度較大，那么這個鄰域的中心元素屬于該類的可能性更大。基于上述兩個理論，對隸屬度矩陣U做以下解模糊操作：

（1）獲取隸屬度矩陣。輸入特征向量，訓(xùn)練BP網(wǎng)絡(luò)，然后用訓(xùn)練好的網(wǎng)絡(luò)對遙感圖像分類。輸出結(jié)果為一個隸屬度矩陣U

（2）將試驗圖像的所有像元分為模糊元素類與確定元素類。指定一個隸屬度閥值W1，本文設(shè)定W1=0.9，逐個判斷矩陣u中的每一個元素，若該元素的最大隸屬度p大于w1，則將其判定為p對應(yīng)的類別，歸為確定元素集，反之將其歸為模糊元素集。

（3）計算鄰域平均隸屬度。在試驗圖像中，逐個計算模糊元素所有類別的鄰域平均隸屬度，如果平均隸屬度的最大值f大于w 2（本文設(shè)定為0.5），則將該元素判定為f對應(yīng)的類別，否則依然為模糊元素。

（4）計算鄰域平均密度。在試驗圖像中逐個膨脹模糊元素，以其中一個元素為例，處理步驟包括：

①膨脹該元素，膨脹結(jié)構(gòu)元素se可隨分類情況設(shè)定，本文設(shè)定為3×3方形se。

②計算膨脹區(qū)域內(nèi)，各個類別確定元素的密度。

③重復(fù)步驟①、②，重復(fù)次數(shù)可隨試驗區(qū)大小，識別地物類型與尺寸的不同而定，本文設(shè)定重復(fù)3次。

2討論

下面將比較傳統(tǒng)硬劃分算法和基于鄰域分析的軟劃分算法的分類精度變化，討論軟劃分的意義和使用要點。

2.1分類精度評價

分別利用硬劃分算法和軟劃分算法對遙感圖像分類，兩種算法均采用同一套訓(xùn)練樣本集和測試樣本集，使用B P網(wǎng)絡(luò)將城市下墊面分為高層住宅，低層住宅，多層住宅，廠房，植被，道路，陰影和水體，共8類。本文選用全局精度（OA）和K appa系數(shù)作為算法精度的評估指標(biāo)，圖2為使用兩種的模式的分類結(jié)果圖，表1歸納了所有實例的精度評估數(shù)據(jù)。

圖2 a為原圖，圖2 b為硬劃分的分類圖，圖2 c為軟劃分的分類圖。對比可見，相較于硬劃分的分類情況，使用軟劃分后，圖斑噪點有了明顯的改善，尤其是紅色矩形框標(biāo)注的區(qū)域，原先呈離散狀的噪點在解模糊后大都被相鄰地物圖斑吸收。

2.2分析

分析混淆矩陣，可以看到，硬劃分算法的總體精度為83.6%，K appa系數(shù)為0.815；軟劃分算法的總體精度為88 7%，K appa系數(shù)為0.86 5，因此，在遙感圖像分類上，軟劃分算法優(yōu)于常規(guī)的硬劃分算法。使用軟劃分算法做遙感圖像分類，有助于地物信息的完整提取，用于進一步的研究（如做圖，統(tǒng)計地物面積，面向?qū)ο蠓治龅龋?/p>

總結(jié)：本文選取武漢和上海的6個試驗區(qū)的遙感圖像驗證基于鄰域分析的軟劃分算法的有效性，并將其與常規(guī)硬劃分算法比較。試驗表明，參考了地物空間聚集特性的軟劃分算法可使土地覆蓋分類精度提高5.1%，Kappa系數(shù)可提高0.05。