遥感影像分类信息检索

遥感影像分类信息检索

摘要：随着我国经济、科技的快速发张，中国遥感卫星的数量和质量不断提高，因此对于遥感影像的分析加工工作日益增多。遥感影像分类是遥感信息提取的重要手段，是目前遥感技术中的热点研究内容，有效地选择合适的分类方法是提高遥感影像分类精度的关键。然而每一幅影像中像元复杂、数量众多，因此能否合理高效的对遥感影像进行分类研究，进而提取相关遥感信息就显得至关重要，同时也十分迫切。为了快捷，准确地对其进行分类，许多重要的分类方法被开发出来。本文着重于检索关于遥感影像分类的相关方法。

关键词：遥感影像分类神经网络系统面向对象蚁群算法

基于神经网络的遥感影像分类方法

神经网络系统

人工神经网络(artificial Neural Network，ANN )是基于生物神经系统的分布存储、并行处理及自适应学习这些现象构造出具有一些低级智慧的人工神经系统[1]。随着计算机技术的发展而得到了快速的发展，属于非线性学科，具有强抗干扰性、高容错性、并行分布式处理、自组织学习和分类精度高等特点。

近年来，神经网络被广泛应用于遥感图像分类中，不同学者分别提出或应用了Hopfield神经网络、BP网络[2]、自组织映射网络[3]、小波神经网络、细胞神经网络、模糊神经网络等对遥感图像进行分类。这些神经神经网络在遥感图像自动分类上都有一定的应用，并取得较好的效果。

BP模型的构建和应用

利用遗传算法来优化BP神经网络的初始权值和阀值，使优化后的BP神经网络模型[4-6]分类精度更高。遗传算法优化BP神经网络模型主要包括以下4个部分：种群初始化，适应度函数，交叉算子和变异算子。

1、种群初始化。遗传算法的每个个体编码采用二进制编码，每个个体均为一个二进制串，由输入层与隐含层的连接权值、隐含层阀值、隐含层与输出层的连接权值、输层阀值4个部分组成，每个权值与阀值连接使用n位的二进制编码，将所有权值和阀值的编码连接起来成为一个个体的编码。

2、适应度函数。该研究是为了使BP网络模型在进行分类时，预测分类值与期望分类值的残差尽可能小，所以选择分类样本的预测分类值与期望分类值的误差矩阵的范数作为目标函数的输出。

3、选择算子。采用随机遍历抽样进行选择。

4、交叉算子。采用单点交叉算子进行交叉。5、变异算子。该研究中变异算子以一定概率产生变异基因数，用随机方法选出发生变异的基因。若选的基因编码为

1，则变异为0；反之，则变异为1。

用遗传算法优化BP神经网络，寻找BP网络的初始点权重，辅助决策隐层神经元数，有助于克服网络缺陷，提高网络的学习效率。而BP神经网络的非线性映射，自适应功能等优势已在遥感图像分类中得到广泛的应用，基于前人的优化算法，提出了在网络权值调整过程中的特征因子迭代加速算法，使学习阶段的权值调整速度明显加快。但在分类精度上改变较小，在提高精度上，是以后继续研究改进的方向。

总结

神经网络系统只是一种基于生物神经系统的分布存储、并行处理及自适应学习这些现象构造出具有一些低级智慧的人工神经系统，并非我们想象的大脑内部的神经网络。

本部分借助于维普期刊中的6篇相关论文，分析其中比较常用也是比较精确的改进BP神经网络模型，将神经网络系统应用于遥感影像分类技术。这种改进算法可适用于各种光谱以及大部分的地形领域，能够精确地将不同地物分类出来，具有分类模糊度低，分类类型精细的优点。

面向对象遥感影像分类

遥感中的面向对象

随着高空间分辨率遥感影像的出现，以对象为单元的遥感影像分类方法成为国内外研究的热点。根据遥感影像的特点，产生了面向对象[7、8]的遥感影像分类的方法。该方法通过对同质对象的分类完成信息的提取，分类对象不再是单个像素，以对象为基础提取遥感影像信息进行分类。在分类过程中，受数据处理、影像分割、对象特征提取和选择、分类方法等多种因素的影响，分类结果不可避免地具有不确定性

[9]而是由多个具有相关关联的像素组成的对象，不仅利用了影像的光谱信息，还利用了空间信息。

基于面向对象的影像分类

面向对象的高分辨率遥感影像分类理论方法主要有[10]：

1、影像分割影像分割是面向对象方法的关键技术，利用面向对象的遥感影像分类方法进行分类前，必须借助影像分割方法获取对象。常用的影像分割有两种，一种是依据区域间边界像元灰度不连续性的点相关的分割算法，可称为基于边界的影像分割算法；另一种是利用同一区域内灰度特征与纹理特征相似性的区域相关分割算法，可称为基于区域的影像分割。

2、多尺度分割不同性质的类别信息有其最适宜的空间分辨率或尺度，单尺度的影像分析已不能满足信息提取的需要，往往需要在不同的尺度下对遥感影像进行处理，即多尺度遥感影像处理。将多尺度分割技术和面向对象的分类技术相结合，充分利用对象信息与类间信息，获得最佳的信息提取结果。

3、模糊分类模糊分类是除传统的统计分类方法和神经元网络分析方法外的又一强大分类方法。利用模糊分类具有以下几个方面的优点：特征值向模糊值的转换，实际上是一个特征标准化的过程；提供了明确的和可调整的特征描述；通过模糊运算和层次类型的描述，可以进行复杂的特征描述。

总结 面向对象是一种对现实世界理解和抽象的方法，是计算机编程技术发展到一定阶段后的产物，最早应用于软件的开发工作。面向对象的遥感影像分类就是借助影像分割等技术提取对象,以对象为基础提取遥感影像信息进行分类。

遥感影像分类中面向对象方法的引进地减少了分类中不确定因素的出现，与传统的监督分类[11]与非监督分类[12]相比分类效果更加精确有效。而且在传统分类模式不太适用的干旱与半干旱地区[13]，面向对象的分类方法很好地解决了“同物异谱，异物同谱”现象，能够有效提高分类精度。

基于蚁群算法的遥感影像分类方法

蚁群算法

蚁群算法[14]，是一种用来在图中寻找优化路径的机率型算法。其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法，针对PID控制器参数优化设计问题，将蚁群算法设计的结果与遗传算法设计的结果进行了比较，数值仿真结果表明，蚁群算法具有一种新的模拟进化优化方法[15]的有效性和应用价值。 因为遥感数据各波段之间存在较强的相关性，这种相关性往往会导致分类产生误差。而ant-miner算法中的信息素是基于规则整体性能的，信息素的动态更新能有效地处理相关性较强的数据，所提供的正反馈信息能纠正启发式函数缺陷所造成的错误。因此，蚁群智能算法应用于遥感分类具有一定的优势。

蚁群算法在遥感影像分类中的应用

蚊群算法具有很强的自学习能力[16、17]，能够根据环境的改变和过去的行为结果对自身的知识库进行更新，从而实现算法求解能力的进化，因此，蚁群智能可以有效地解决非线性问题，特别适合于地理复杂现象。将基于蚁群的规则挖掘算法引入到遥感影像分类中，首先要定义蚁群搜索路径为属性节点和类节点的连线，其中属性节点最多只出现一次且必须有类结点，属性节点对应遥感影像波段的离散值；然后从一条空路径开始重复选择路径节点增加到路径上，直到得到一条完整路径，即规则构造；随后需要对规则进行剪枝；最后更新所有路径上的外激素浓度，对下一只蚂蚁构造规则施加影响。

在运用蚊群算法挖掘遥感影像分类规则[18]时，离散化后的各波段值作为蚂蚁路径的属性节点，影像分类的类别作为蚂蚁路径的类节点，每条路径对应一条分类规则。分类规则的挖掘可以当作是蚂蚁对最优路径[19]的搜索。蚂蚁算法中规则的置信度是根据该规则对训练数据的分类精度来确定的。根据所获得的分类规则，从而对实验区遥感影像进行分类。

总结

蚂蚁算法和前文的神经系统算法相似，都是从影像中最小的像元出发来对影像进行分类的。但是神经网络型从始至终都是按找预先设设计好的算法对整个图像的信息进行分类；蚂蚁算法是根据这幅图像的实际情况自己产生一种最大限度适应于本景影像的分类算法而进行分类。

因此，对比前面两种算法，在一定程度上蚂蚁算法比其更具有智能性[20]，在复杂的遥感影像分类中蚂蚁算法的分类精度要好得多。

结语

随着遥感技术的发展，遥感影像分类的方法不断涌现，面对越来越多的信息，有效地检索出自己需要的信息成为学习的关键。本文运用信息检索技术，检索合用的信息，从上述三个方面学习了遥感影像分类的方法，熟悉信息特别是论文地检索过程与深度，帮助自身对专业知识积累。

参考文献

[1] 段玉三人工神经网络文献综述科技风 2011, (5)

[2] 卜晓波基于遗传算法改进 BP 神经网络的遥感影像分类研究《安徽农业科学》

2013年第41卷第33期

[3] 郭景峰石丽红用NormMatrix实现自组织映射网络的可视化《小型微型计算机系

统》 CSCD 2013年第34卷第11期

[4] 武创举宋双杰基于神经网络的遥感图像分类的新方法研究《中国科技博览》 2014

年第7期 321-322页,347,348页,共4页

[5] 刘钦龙焦斌亮刘立基于改进的BP神经网络模型的遥感图像分类方法研究电光与

控制 2009-08-15

[6] 麦格童新华基于BP神经网络的石漠化遥感影像分类方法的探讨《广西师范学院

学报：自然科学版》 2013年第30卷第1期 70-77页,共8页

[7] Li Jingjing The study of object-oriented classification method of remote sensing

image International Conference on Information Science and Engineering, ICISE 2009

[8] Luo, Kaisheng Dynamic monitoring land-cover change in Hubei province using

object-oriented technology and remote sensing imagery ransactions of the Chinese Society of Agricultural Engineering, v 29, n 24, p 260-267, December 15, 2013

[9] 易俐娜面向对象遥感影像分类不确定性分析武汉大学博士 2011

[10] 曾晓丽基于像素和面向对象的高分辨率遥感影像分类方法比较《滨州学院学报》

2013年第29卷第6期 110-114页,共5页

[11] 金杰朱海岩李子潇孙建伟 ENVI遥感图像处理中几种监督分类方法的比较《水利

科技与经济》 2014年第20卷第1期 146-148页,160页,共4页

[12] 孙盛田金文温雯陈平华基于四分量模型的极化SAR图像非监督分类《计算机工程

与设计》 CSCD 2013年第34卷第7期 2436-2440页,共5页

[13] 朱海涛基于面向对象决策树算法的半干旱地区遥感影像分类《遥感信息》 2013

年第28卷第4期 50-56页,共7页

[14] Panchal, V.K. Review on ant miners World Congress on Nature and Biologically

Inspired Computing, NABIC 2009 - Proceedings

[15] 吴孔江蚁群分类规则挖掘算法改进及遥感分类应用中南大学硕士 2012

[16] 刘小平基于蚁群智能的遥感影像分类新方法遥感学报 2008.12（12）

[17] 郭剑孙力娟顾健辉一种改进的蚁群挖掘算法《计算机与数字工程》 2008年第36

卷第10期 1-4页,16页,共5页

[18] 吴孔江曾永年改进利用蚁群规则挖掘算法进行遥感影像分类《测绘学报》 EI CSCD

2013年第1期 59-66页,共8页

[19] 屠莉蚁群优化算法在数据挖掘中的应用研究扬州大学硕士 2006

[20] 代晨阳基于蚁群算法的遥感影像分类研究福建师范大学硕士2011