朱雪蘭 高程程 曲江北

（上海碧波水務(wù)設(shè)計(jì)研發(fā)中心，上海200233）

近年來，隨著計(jì)算、人工智能技術(shù)的高速發(fā)展，人工神經(jīng)網(wǎng)絡(luò)技術(shù)也逐步發(fā)展成熟，其具有良好的容錯(cuò)性和魯棒性，能有效解決遙感圖像處理中的常見問題，因此在遙感圖像分析與處理領(lǐng)域得到了廣泛地應(yīng)用[1-2]。杜華強(qiáng)[3]等基于Matlab 平臺(tái)構(gòu)建自組織神經(jīng)網(wǎng)絡(luò)，對(duì)一幅TM432 假彩色遙感圖像進(jìn)行了300 次訓(xùn)練，計(jì)算得到分類總精度為87.14%，仿真輸出能真實(shí)地反映原始圖像的特征。駱成鳳[4]等提出了基于遺傳算法優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)遙感數(shù)據(jù)分類算法，以中巴地球資源一號(hào)衛(wèi)星數(shù)據(jù)為試驗(yàn)數(shù)據(jù)進(jìn)行了驗(yàn)證，表明該算法不但有較高的執(zhí)行效率，也能達(dá)到很高的分類精度。

以上海市太浦河兩翼地區(qū)為例，根據(jù)水利規(guī)劃的相關(guān)要求，利用遙感解譯軟件envi5.5 將該區(qū)域的無人機(jī)航拍影像圖分為水體、房屋、道路、綠地、旱地、農(nóng)田等六大地物類型，結(jié)合人工神經(jīng)網(wǎng)絡(luò)算法確定各個(gè)類別的空間分布，并統(tǒng)計(jì)各個(gè)類別的面積，為水利設(shè)計(jì)相關(guān)工作提供技術(shù)支撐。

1 遙感解譯方法

1.1 遙感圖像分類基本原理

遙感分類就是利用計(jì)算機(jī)對(duì)各類地物的光譜信息和空間信息進(jìn)行分析進(jìn)而選擇特征參數(shù)，并將特征空間劃分為互不重疊的子空間，然后將影像圖內(nèi)各個(gè)像元?jiǎng)潥w類到各個(gè)子空間，從而實(shí)現(xiàn)了分類。一般的，分類過程如圖1 所示。

圖1 遙感圖像分類過程

1.2 遙感圖像分類過程

遙感圖分類過程主要包括對(duì)原始圖像的預(yù)處理、選擇訓(xùn)練區(qū)、提取特征值、分類、校驗(yàn)結(jié)果和成果輸出等。

1.3 BP 神經(jīng)網(wǎng)絡(luò)

工神經(jīng)網(wǎng)絡(luò)模型眾多，其中最易理解、最直觀、應(yīng)用最為廣泛的是多層前饋神經(jīng)網(wǎng)絡(luò)及誤差逆?zhèn)鞑W(xué)習(xí)算法，簡稱為BP網(wǎng)絡(luò)，具有很強(qiáng)的非線性映射能力和柔性的網(wǎng)絡(luò)結(jié)構(gòu)。即神經(jīng)網(wǎng)絡(luò)的中間層數(shù)以及各層中的神經(jīng)元個(gè)數(shù)可根據(jù)具體情況任意設(shè)定，且隨著結(jié)構(gòu)的差異其性能也有所不同。典型的BP 網(wǎng)絡(luò)包括輸入層、中間層和輸出層,其結(jié)構(gòu)如圖2 所示。

圖2 BP- 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP 網(wǎng)絡(luò)本質(zhì)上實(shí)現(xiàn)了一個(gè)從輸入到輸出的映射功能，這種映射在數(shù)學(xué)上已被證明可以實(shí)現(xiàn)任何復(fù)雜非線性映射的功能，適合于求解內(nèi)部機(jī)制復(fù)雜的非線性問題。本次解譯考慮到精度的要求以及圖像波段的單一，使用監(jiān)督分類方法進(jìn)行解譯，監(jiān)督分類是利用已確認(rèn)類別的樣本像元去識(shí)別其它未知類別像元的過程。

2 應(yīng)用案例

2.1 區(qū)域概況

本次研究區(qū)域?yàn)樘趾樱ㄉ虾６危﹥梢淼貐^(qū)，位于上海市青浦區(qū)西南部，太湖下游，黃浦江上游，主要分為太南片和太北片。

2.2 遙感圖像解譯

2.2.1 建立目視解譯標(biāo)志

將研究區(qū)域的無人機(jī)航拍影像圖分為水體、房屋、道路、綠地、旱地、農(nóng)田等六大地物類型，原始影像地物樣本如圖3。

圖3 不同地物類型原始樣本圖

根據(jù)具體的影像圖歸納出上面六種地物類型及其相應(yīng)的目視解譯標(biāo)志如表1。

表1 不同地物目視解譯標(biāo)志

2.2.2 采集類別訓(xùn)練樣本

通過表1 的解譯標(biāo)志，選取各類別的訓(xùn)練樣本，在圖像上創(chuàng)建相應(yīng)類別的多邊形樣本。其中各個(gè)類別的訓(xùn)練樣本數(shù)量適中，如果數(shù)量過多，易導(dǎo)致計(jì)算量的增大。影像的分辨率為1 米，圖像的信息量大，由于影像上道路與房屋的波段信息相似，旱地與房屋、農(nóng)田的波段信息相似，房屋的類別較多，故將類別調(diào)整為水體、農(nóng)田、綠地、藍(lán)房屋、紅房屋、白房屋、灰房屋等七個(gè)類別。為各個(gè)類別采集訓(xùn)練樣本時(shí)注意采樣要全局分布均勻、數(shù)量適中并包含此類別的所有情況。

2.2.3 類別可分性檢驗(yàn)

通過ROI 面板上的Option 菜單下的Compute ROI Separability 工具計(jì)算各個(gè)類別之間的可分性，可分性如果小于1.8 則需要重新采樣；大于等于1.9 屬于合格樣本，可分性好；在1.8～1.9 之間則需要修改樣本，使其盡量達(dá)到1.9。

2.2.4 神經(jīng)網(wǎng)絡(luò)分類

分類的具體方法選用Neural Net Classificatio（神經(jīng)網(wǎng)絡(luò)分類），具體工具在工具箱中Classification 菜單下的Supervised Classification 下，全選采集的訓(xùn)練樣本，其它參數(shù)設(shè)為默認(rèn)， 將Number of Training Iterations（迭代訓(xùn)練次數(shù)）適當(dāng)調(diào)高，增大分類精度。神經(jīng)網(wǎng)絡(luò)分類結(jié)果如圖4。

2.2.5 分類后處理

圖4 神經(jīng)網(wǎng)絡(luò)分類結(jié)果

圖5 太浦河兩翼地區(qū)土地利用分類圖

分類結(jié)果存在漏分錯(cuò)分的情況（例如大棚未被全部分為農(nóng)田）， 用工具箱中Classification 菜單下的Post Classification 下 的 Edit Classification Image 工具結(jié)合原圖像修改誤分的區(qū)域。為了方 便 修 改 ， 用 Post Classification 下的Combine Classses 工具將灰房屋、藍(lán)房屋、白房屋、紅房屋合并到房屋一個(gè)類別中。直接在分類類別上右擊打開Edit Class Names and Colors 工具將各個(gè)類別修改為合適的顏色和名字。在修改分類圖像面板中，通過Edit 菜單下的Add New Class 添加道路和旱地這兩個(gè)類別，用Shape 工具或Paint 工具手動(dòng)在原始圖像上提取道路和旱地以及修改誤分的地物類別。

2.3 解譯成果

太浦河兩翼地區(qū)影像分為水體、房屋、道路、旱地、農(nóng)田、綠地六種地物類型，最終分類結(jié)果圖如圖5 所示。太浦河兩翼地區(qū)分類面積統(tǒng)計(jì)結(jié)果表如下：

表2 太浦河兩翼地區(qū)分類面積結(jié)果統(tǒng)計(jì)

從表2 可以看出，此區(qū)域農(nóng)田面積最大，水體面積次之，水系發(fā)達(dá)，河網(wǎng)密度很高；綠化程度很高，很大一部分原因是城鎮(zhèn)擴(kuò)張?jiān)谔趾觾梢淼貐^(qū)并不太顯著，土地利用充分，路網(wǎng)發(fā)達(dá)，荒廢的旱地較少。

3 結(jié)論

BP 神經(jīng)網(wǎng)絡(luò)簡單實(shí)用，收斂速度快，在一定程度上消除異物同譜的現(xiàn)象，從而消除傳統(tǒng)的遙感影像分類帶來的模糊性和不確定性，大大地提高了遙感圖像的分類精度。通過實(shí)際應(yīng)用案例，基于人工神經(jīng)網(wǎng)絡(luò)的遙感圖像解譯方法被證明能夠用于確定區(qū)域下墊面中各個(gè)類別地形的空間分布，并統(tǒng)計(jì)其占地面積，為后續(xù)水利設(shè)計(jì)相關(guān)工作提供技術(shù)支撐