(完整版)基于紋理信息與神經(jīng)網(wǎng)絡(luò)的遙感影像分類

1、(完整版)基于紋理信息與神經(jīng)網(wǎng)絡(luò)的遙感影像分類基于紋理信息提取與神經(jīng)網(wǎng)絡(luò)分類方法的遙感影像分類目錄1 實驗?zāi)康?(3)2 實驗原理 (3)基本概念 (3)原理闡述 (4)技術(shù)路線 (7)3、實驗設(shè)備與數(shù)據(jù)與研究區(qū)域 (7)4、實驗過程 (8)4.1 數(shù)據(jù)預(yù)處理 (8)4.1.1 數(shù)據(jù)裁剪 (8)4.1.2 輻射校正（包括輻射定標(biāo)和大氣校正） (8)4.2 數(shù)據(jù)融合 (10)4.3 訓(xùn)練樣區(qū)的選擇 (11)4.3.1打開Google Earth影像作為訓(xùn)練樣區(qū)選擇的參照 (11)4.3.2 建立興趣區(qū) (12)4.3.3 訓(xùn)練樣區(qū)的選擇 (13)4.3.4 訓(xùn)練樣區(qū)的評價 (14)4.4 基于光

2、譜信息的神經(jīng)網(wǎng)絡(luò)分類 (14)4.5 分類后處理 (18)4.6 分類精度分析 (19)4.7 基于光譜信息和紋理信息的神經(jīng)網(wǎng)絡(luò)分類 (20)4.8 實驗結(jié)果與評價 (25)參考文獻(xiàn) (26)基于紋理信息提取與神經(jīng)網(wǎng)絡(luò)分類方法的遙感影像分類1 實驗?zāi)康?、通過深入研究遙感影像紋理信息的提取原理與方法，針對研究區(qū)影像特征，掌握紋理信息對提高影像分類精度的重要作用。2、了解ENVI中基于神經(jīng)網(wǎng)絡(luò)的影像監(jiān)督分類方法原理，采用紋理信息與神經(jīng)網(wǎng)絡(luò)分類相結(jié)合的方式，對研究區(qū)影像進(jìn)行分類，與無紋理信息的分類結(jié)果進(jìn)行對比與評價。3、進(jìn)一步熟悉影像神經(jīng)網(wǎng)絡(luò)分類的原理和方法、訓(xùn)練區(qū)選取、分類后處理方法等操作，并根

3、據(jù)研究區(qū)實際情況進(jìn)行分類后評價。2 實驗原理基本概念神經(jīng)網(wǎng)絡(luò)指用計算機模擬人腦的結(jié)構(gòu)，用許多小的處理單元模擬生物的神經(jīng)元，用算法實現(xiàn)人腦的識別、記憶、思考過程應(yīng)用于圖像分類。神經(jīng)網(wǎng)絡(luò)算法是用計算機模擬人類學(xué)習(xí)的過程, 建立輸入和輸出數(shù)據(jù)之間聯(lián)系的方法。神經(jīng)網(wǎng)絡(luò)分類器在遙感影像分類領(lǐng)域得到了普遍的關(guān)注。國內(nèi)外學(xué)者發(fā)展了多種形式的神經(jīng)網(wǎng)絡(luò)模型和算法, 如反向傳播網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)、多層感知網(wǎng)絡(luò)、Kohonen自組織特征映射網(wǎng)絡(luò)、Hybrid學(xué)習(xí)向量分層網(wǎng)絡(luò)等。網(wǎng)絡(luò)的輸入和輸出節(jié)點之間通過隱含層相連, 節(jié)點之間通過權(quán)重連接, 因而這種方法可以將多種數(shù)據(jù), 如紋理信息、地形信息等, 方便有效地融合到遙

4、感影像的分類過程中, 增強了分類能力。神經(jīng)網(wǎng)絡(luò)是非線性系統(tǒng), 可以在特征空間構(gòu)造出分類界面比較復(fù)雜的子空間, 因此對非線性可分的特征子空間尤為有效。但是, 神經(jīng)網(wǎng)絡(luò)也存在一定的缺點, 如初始權(quán)重選擇的困難、收斂速度慢、對輸入數(shù)據(jù)的預(yù)處理要求高等, 對遙感影像分類結(jié)果有重要影響。目前, 應(yīng)用和研究最多的是利用反向傳播算法( BP算法)訓(xùn)練權(quán)值的多層前饋神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程由正向傳播和反向傳播組成, 在正向傳播過程中, 輸入信息從輸入層經(jīng)隱含層逐層處理, 并傳向輸出層,若在輸出層得不到期望的輸出, 則輸入反向傳播, 將誤差信號沿原路返回, 通過修改各層神經(jīng)元間的權(quán)值, 達(dá)到誤差最小。一般

5、說來, 隱含層數(shù)目和隱含層結(jié)點數(shù)難以確定, 增加隱含層數(shù)目和結(jié)點數(shù), 可以提高精度, 且有效地減少局部極小的概率, 但是需要更長的學(xué)習(xí)時間。神經(jīng)網(wǎng)絡(luò)由于具有較強的非線性逼近能力及自適應(yīng)、自學(xué)習(xí)能力, 因此可以處理難以用數(shù)學(xué)模型描述的系統(tǒng)。對于一個特定的問題,通常很難判斷哪種網(wǎng)絡(luò)是最有效的, 因為對于網(wǎng)絡(luò)類型的選擇取決于很多因素, 包括問題的復(fù)雜程度以及所研究問題的性質(zhì)、訓(xùn)練樣本的多少、網(wǎng)絡(luò)的結(jié)構(gòu)、權(quán)值和偏置值的數(shù)目、誤差目標(biāo)、參數(shù)取值等。實際應(yīng)用中, 一般要根據(jù)具體問題,對幾種網(wǎng)絡(luò)進(jìn)行比較, 選擇較為合適的算法。原理闡述人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN

6、s），有時也稱為計算機神經(jīng)網(wǎng)絡(luò)（Computational Neural Networks，CNNs），試圖模仿生物神經(jīng)網(wǎng)絡(luò)的特點，用以解決一此神經(jīng)元網(wǎng)絡(luò)技術(shù)利用該方法對發(fā)生的事件進(jìn)行學(xué)習(xí)。在學(xué)習(xí)過程中，誤差在網(wǎng)絡(luò)中后向傳播，同時使用遞歸法調(diào)整權(quán)重。也可以使用神經(jīng)元網(wǎng)絡(luò)來進(jìn)行一個非線性分類。技術(shù)路線3、實驗設(shè)備與數(shù)據(jù)與研究區(qū)域硬件：計算機軟件:Arcgis 10.2 、 ENVI5.1數(shù)據(jù)： Landset 8影像、福州市shp文件Landset8數(shù)據(jù)（成像時間：2021年8月4日2點34分；行列號為119，42；云量覆蓋度為1.21%）傳感器：OLI（Operational Land Ima

7、ger ，陸地成像儀）TIRSOLI陸地成像儀序號波段（um）空間分辨率（m）1 0.433-0.453 302 0.450-0.515 303 0.525-0.600 304 0.630-0.680 305 0.845-0.885 306 1.560-1.660 307 2.100-2.300 308 0.500-0.680 159 1.360-1.390 30TIRS熱紅外傳感器10 10.6-11.2 10011 11.5-12.5 100地成像儀（OLI15米的全色波段；熱紅外傳感器（TIRS）包括2個熱紅外波段，空間分辨率為100米。研究區(qū)域：福州市為福建省省會城市，位于福建省東部、

8、閩江下游沿岸。介于北緯25152639，東經(jīng)1180812031之間。東瀕.海峽，西鄰南平市和三明市，南接莆田市，北靠寧德市。福州是屬于典型的海洋性亞熱帶季風(fēng)氣候，全年冬短夏長，溫暖濕潤，氣候適宜。福州市的地貌屬于典型的河口盆地，是城市中心的發(fā)源地。實驗中以福州市的5區(qū)（臺江區(qū)、倉山區(qū)、鼓樓區(qū)、馬尾區(qū)和晉安區(qū)）為例，不包括瑯岐島。4、實驗過程4.1 數(shù)據(jù)預(yù)處理4.1.1 數(shù)據(jù)裁剪利用shp文件對遙感影像進(jìn)行裁剪4.1.2 輻射校正（包括輻射定標(biāo)和大氣校正）A輻射定標(biāo)B大氣校正（采用ENVI中的FLAASH大氣校正模型）在下圖的中輸入影像的中心經(jīng)緯度坐標(biāo)；輸入影像所在區(qū)域的平均高程0.089；輸

9、入衛(wèi)星的過境時間；在4種輸人大氣模型，這里選擇中緯度夏天；輸入氣溶膠模型，這里選擇Urban。4.2 數(shù)據(jù)融合在ENVI軟件中，選擇Transform - Image Sharpening - HSV ，在Select Low Spatial Resolution Multi Band Input File中選擇band8 多光譜波段，Spatial Subset 為Full Scene，Spectral Sunset為3個波段Resampling選擇Nearest Neighbor，Output Result 選擇保存路徑4.3 訓(xùn)練樣區(qū)的選擇4.3.1打開Google Earth影像作為訓(xùn)

10、練樣區(qū)選擇的參照使用Envi的Google Earth Bridge將遙感影像和街區(qū)矢量圖層導(dǎo)入Google Earth，以便在Google Earth尋找參考影像時更快定位。在ENVI 軟件中，選擇Spectral - SPEAR Tools - Google Earth Bridge。在Google Earth Bridge窗口中，選擇添加的遙感影像HVS1，點擊NEXT進(jìn)入下一步，設(shè)置遙感影像顯示的參數(shù)，選擇6、5、4波段進(jìn)行彩色顯示，點擊NEXT進(jìn)入下一步，同樣添加矢量圖層，如圖44，保存路徑為Google Earth Bridge.kml。4.3.2 建立興趣區(qū)打開興趣區(qū)模版，選擇O

11、verlay - Region of Interest ，打開ROI Tool在ROI Tool窗口中，我們可以對ROI Name和Color進(jìn)行編輯，雙擊ROI Name的區(qū)域，可以對訓(xùn)練樣區(qū)進(jìn)行名字的修改，右擊Color可以選擇訓(xùn)練樣區(qū)的顏色，windows選擇Zoom 窗口，即只能在Zoom中選擇訓(xùn)練樣區(qū)；在#1 Zoom窗口中，我們鼠標(biāo)左鍵選擇訓(xùn)練樣區(qū)，右擊確定，第二次右擊即保存該訓(xùn)練樣區(qū)。在ROI Tool窗口中，點擊New Region建立其新的ROI樣區(qū)，Goto可以跳轉(zhuǎn)各個訓(xùn)練樣區(qū)，就可以對其進(jìn)行修改，在實驗中，我們將分成5類，進(jìn)行監(jiān)督分類，如：water, forest, c

12、ity，bareland，grass。4.3.3 訓(xùn)練樣區(qū)的選擇訓(xùn)練樣區(qū)的選擇依據(jù)，如圖50，（a）water，（b）forest，（c）city，（d）bareland 。4.3.4 訓(xùn)練樣區(qū)的評價4.3.4.1 分離性的定量分析在ROI Tool 窗口中，選擇Options - Compute ROI Separability,計算樣本的可分離性。如圖51，表示各個樣本類型之間的可分離性，用Jeffries-Matusita, Transformed Divergence參數(shù)表示，這兩個參數(shù)的值在02.0之間，大于1.9說明樣本之間可分離性好；小于1.8大于1.4屬于合格樣本；小于1.4需

13、要重新選擇樣本；小于1，考慮將兩類樣本合成一類樣本。從分離性的數(shù)據(jù)中，我們可以得到， water 和forest 這三類的分離與barealand都等于2，可知這三類的分離效果較好。剩下的分離性的數(shù)值都達(dá)到1.4，說明樣區(qū)的選擇比較符合實際。4.4 基于光譜信息的神經(jīng)網(wǎng)絡(luò)分類在ENVI軟件中，選擇Classification-Supervised- Neural Net Classification，在文件輸入對話框中選擇HSV1融合影像。Signature Name Forest water bareland cityForest 1.9950 2.0000 1.9982water 2.00

14、00 1.9921bareland 1.9871city在Neural Net Parameters窗口中，設(shè)置好各個參數(shù)。?Activation：選擇活化函數(shù)。對數(shù)（Logistic）和雙曲線（Hyperbolic）。（本研究選擇Logistic，因為對數(shù)函數(shù)的效果更優(yōu)）?Training Threshold Contribution：輸入訓(xùn)練貢獻(xiàn)閾值(0-1)。該參數(shù)決定了與活化節(jié)點級別相關(guān)的內(nèi)部權(quán)重的貢獻(xiàn)量。它用于調(diào)節(jié)節(jié)點內(nèi)部權(quán)重的變化。訓(xùn)練算法交互式地調(diào)整節(jié)點間的權(quán)重和節(jié)點閾值，從而使輸出層和響應(yīng)誤差達(dá)到最小。將該參數(shù)設(shè)置為0不會調(diào)整節(jié)點的內(nèi)部權(quán)重。適當(dāng)調(diào)整節(jié)點的內(nèi)部權(quán)重可以生成一幅較

15、好的分類圖像，但是如果設(shè)置的權(quán)重太大，對分類結(jié)果也會產(chǎn)生不良影響。?Training Rate：設(shè)置權(quán)重調(diào)節(jié)速度（01）。參數(shù)值越大則使訓(xùn)練速度越快，但也增加擺動或者使訓(xùn)練結(jié)果不收斂。?Training Momentum：輸入一個01的值。該值大于0時，在“Training Rate”文本框中鍵入較大值不會引起擺動。該值越大，訓(xùn)練的步幅越大。該參數(shù)的作用是促使權(quán)重沿當(dāng)前方向改變。?Training RMS Exit Criteria：指定RMS誤差為何值時，訓(xùn)練應(yīng)該停止。RMS誤差值在訓(xùn)練過程中將顯示在圖表中，當(dāng)該值小于輸入值時，即使還沒有達(dá)到迭代次數(shù)，訓(xùn)練也會停止，然后開始進(jìn)行分類。?Num

16、ber of Hidden Layers：鍵入所用隱藏層的數(shù)量。要進(jìn)行線性分類，鍵入值為0。沒有隱藏層，不同的輸入?yún)^(qū)域必須與一個單獨的超平面線性分離。要進(jìn)行非線性分類，輸入值應(yīng)該大于或等于1，當(dāng)輸入的區(qū)域并非線性分離或需要兩個超平面才能區(qū)分類別時，必須擁有至少一個隱藏層才能解決這個問題。兩個隱藏層用于區(qū)分輸入空間，空間中的不同要素不臨近也不相連。?Number of Training Iterations：輸入用于訓(xùn)練的迭代次數(shù)。?Min Output Activation Threshold：輸入一個最小輸出活化閾值。如果被分類像元的活化值小于該閾值，在輸出的分類中，該像元將被歸入未分類（u

17、nclassified）。?選擇分類結(jié)果的輸出路徑及文件名。?設(shè)置Out Rule Images為Yes，選擇規(guī)則圖像輸出路徑及文件名。?單擊OK按鈕執(zhí)行分類。RMS Plot圖：從上RMS Plot圖，表示為每一次迭代顯示RMS誤差，如果訓(xùn)練正確進(jìn)行，誤差應(yīng)該逐漸減小，并達(dá)到一個穩(wěn)定的較低值。從圖中我們可以得到隨著Iteration的增加而Training RMS的值基本維持在0 0.05之間，維持在一個相對穩(wěn)定的狀態(tài),RMS的數(shù)值也比較低，說明了分類效果較好。分類結(jié)果圖：基于光譜信息的神經(jīng)網(wǎng)絡(luò)分類結(jié)果圖提取每類的光譜信息：City WaterForest Bareland4.5 分類后處理

18、1）主次分析（Majority/Minority Analysis）使用“Majority/MinorityAnalysis”選項可以對分類圖像進(jìn)行主/次要分析。使用主要分析（Majority Analysis）可以將較大類別中的虛假像元歸到該類中，ENVI允許輸入一個變換核尺寸，并用變換核中占主要地位的像元的類別數(shù)代替中心像元的類別數(shù)。如果使用次要分析（Minority Analysis），ENVI將用變換核中占次要地位的像元的類別數(shù)代替中心像元的類別數(shù)。選擇主菜單Classification/Post Classification/Majority/Minority Analysis (主

19、次要分析) ，當(dāng)出現(xiàn)文件選擇對話框時，選擇所需的輸入分類圖像，若需要，選取任意子集。選擇分類后的影像點擊OK。在類別列表中，點擊要應(yīng)用分析的類別，Select Classes 選擇Select All Items，Analysis Method選擇Majority主要，Kernel Size設(shè)為3*3，Center Pixel Weight 權(quán)重設(shè)為1。結(jié)果分析：該方法是把象元的類歸為周圍8個象元中最多個數(shù)的那個類。輸出結(jié)果為下圖，發(fā)現(xiàn)小圖斑的數(shù)量明顯有減少。原始影像未處理過的影像主要分析處理后4.6 分類精度分析把分類結(jié)果的精度顯示在一個混淆矩陣?yán)铮ㄓ糜诒容^分類結(jié)果和地表真實信息）?；煜仃?/p>

20、的記錄結(jié)果都包括：總體分類精度、制圖精度和用戶精度、Kappa系數(shù)、混淆矩陣以及錯分誤差和漏分誤差。計算混淆矩陣有使用地表真實圖像和使用地表真實感興趣區(qū)兩種方法。在Arcgis中，生成隨機點，然后導(dǎo)入Google Earth中識別隨機點的地類，再與分類結(jié)果進(jìn)行疊加分析，通過EXCEL計算出混淆矩陣；總體精度=81/100=81% KAPPA系數(shù)為LULC Prod.Acc User Acc.Bareland 23.08 37.50City 69.23 52.94Forest 94.03 91.30Water 85.71 100.004.7 基于光譜信息和紋理信息的神經(jīng)網(wǎng)絡(luò)分類1）主成分分析，在

21、主菜單中，選擇Transfrom - Principal Component - Forward PC rotation - Compute New Statistics and Rotate主成分分析模塊。2)在Forward PC Parameters窗口中設(shè)置好參數(shù)；通過對研究區(qū)影像的主成分分析,發(fā)現(xiàn)第一主成分信息量為89.18%,第二主成分信息量為98.71%，因此選了第一、第二主成分進(jìn)行紋理提取。3）紋理提取，選擇Filter - Texture - Co-occurrence Measures。4）在Co-occurrence Texture Parameters窗口中，勾選所有的紋理，窗口大小3*3，步長為1個像素。得到的紋理特征：Mean VarianceHomogeneity ContrastDissimilarity EntropySecond Moment Correlation由上述紋理信息提取的情況可得，Mean紋理提取得到的結(jié)果信息量較充分，因此基于光譜信息與紋理信息的神經(jīng)網(wǎng)絡(luò)分類方法采用與Mean紋理鑲嵌的方法分類。5）利用Mean紋理進(jìn)行神經(jīng)網(wǎng)絡(luò)分類將Texture1另存為Mean，選擇File - Save File As - ENVI Standard,波段數(shù)為3。將Mean與HSV進(jìn)行鑲嵌