基于紋理信息與神經(jīng)網(wǎng)絡遙感影像分類

(完好版)鑒于紋理信息與神經(jīng)網(wǎng)絡的遙感影像分類(完好版)鑒于紋理信息與神經(jīng)網(wǎng)絡的遙感影像分類(完好版)鑒于紋理信息與神經(jīng)網(wǎng)絡的遙感影像分類鑒于紋理信息提取與神經(jīng)網(wǎng)絡分類方法的遙感影像分類1實驗目的目錄....................................................................................................................................32實驗原理....................................................................................................................................3基本看法..................................................................................................................................3原理闡述...................................................................................................................................4技術路線...................................................................................................................................73、實驗設備與數(shù)據(jù)與研究地域.............................................................................................74、實驗過程.................................................................................................................................8數(shù)據(jù)預辦理........................................................................................................................8數(shù)據(jù)裁剪...............................................................................................................8輻射校正（包括輻射定標和大氣校正）...........................................................8數(shù)據(jù)交融..........................................................................................................................10訓練樣區(qū)的選擇..............................................................................................................11打開GoogleEarth影像作為訓練樣區(qū)選擇的參照........................................11建立興趣區(qū).........................................................................................................12訓練樣區(qū)的選擇.................................................................................................13訓練樣區(qū)的議論.................................................................................................14鑒于光譜信息的神經(jīng)網(wǎng)絡分類......................................................................................14分類后辦理......................................................................................................................18分類精度解析..................................................................................................................19鑒于光譜信息和紋理信息的神經(jīng)網(wǎng)絡分類..................................................................20實驗結果與議論..............................................................................................................25參照文件......................................................................................................................................262鑒于紋理信息提取與神經(jīng)網(wǎng)絡分類方法的遙感影像分類實驗目的1、經(jīng)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)影像特點，掌握紋理信息對提高影像分類精度的重要作用。2、認識ENVI中鑒于神經(jīng)網(wǎng)絡的影像督查分類方法原理，采用紋理信息與神經(jīng)網(wǎng)絡分類相結合的方式，對研究區(qū)影像進行分類，與無紋理信息的分類結果進行比較與議論。3、進一步熟悉影像神經(jīng)網(wǎng)絡分類的原理和方法、訓練區(qū)采用、分類后辦理方法等操作，并依照研究區(qū)實質(zhì)情況進行分類后議論。實驗原理基本看法神經(jīng)網(wǎng)絡指用計算機模擬人腦的構造，用好多小的辦理單元模擬生物的神經(jīng)元，用算法實現(xiàn)人腦的鑒別、記憶、思慮過程應用于圖像分類。神經(jīng)網(wǎng)絡算法是用計算機模擬人類學習的過程,建立輸入和輸出數(shù)據(jù)之間聯(lián)系的方法。神經(jīng)網(wǎng)絡分類器在遙感影像分類領域獲取了寬泛的關注。國內(nèi)外學者發(fā)展了多種形式的神經(jīng)網(wǎng)絡模型和算法,如反向流傳網(wǎng)絡、模糊神經(jīng)網(wǎng)絡、多層感知網(wǎng)絡、Kohonen自組織特點映射網(wǎng)絡、Hybrid學習向量分層網(wǎng)絡等。網(wǎng)絡的輸入和輸出節(jié)點之間經(jīng)過隱含層相連,節(jié)點之間經(jīng)過權重連接,所以這種方法可以將多種數(shù)據(jù),如紋理信息、地形信息等,方便有效地交融到遙感影像的分類過程中,增強了分類能力。神經(jīng)網(wǎng)絡是非線性系統(tǒng),可以在特點空間構造出分類界面比較復雜的子空間,所以對非線性可分的特點子空間特別有效。但是,神經(jīng)網(wǎng)絡也存在必然的缺點,如初始權重選擇的困難、收斂速度慢、對輸入數(shù)據(jù)的預辦理要求高等,對遙感影像分類結果有重要影響。當前,應用和研究最多的是利用反向流傳算法(BP算法)訓練權值的多層前饋神經(jīng)網(wǎng)絡。該網(wǎng)絡的學習訓練過程由正向流傳和反向流傳組成,在正向流傳過程中,輸入信息從輸入層經(jīng)隱含層逐層辦理,并傳向輸出層,若在輸出層得不到希望的輸出,則輸入反向流傳,將誤差信號沿原路返回,經(jīng)過更正各層神經(jīng)元間的權值,達到誤差最小。一般說來,隱含層3數(shù)量和隱含層結點數(shù)難以確定,增加隱含層數(shù)量和結點數(shù),可以提高精度,且有效地減少局部極小的概率,但是需要更長的學習時間。神經(jīng)網(wǎng)絡由于擁有較強的非線性逼近能力及自適應、自學習能力,所以可以辦理難以用數(shù)學模型描述的系統(tǒng)。對于一個特定的問題,平時很難判斷哪一種網(wǎng)絡是最有效的,由于對于網(wǎng)絡種類的選擇取決于好多要素,包括問題的復雜程度以及所研究問題的性質(zhì)、訓練樣本的多少、網(wǎng)絡的構造、權值和偏置值的數(shù)量、誤差目標、參數(shù)取值等。實質(zhì)應用中,一般要依照詳盡問題,對幾種網(wǎng)絡進行比較,選擇較為合適的算法。原理闡述人工神經(jīng)網(wǎng)絡（ArtificialNeuralNetworks，ANNs），有時也稱為計算機神經(jīng)網(wǎng)絡ComputationalNeuralNetworks，CNNs），試圖模擬生物神經(jīng)網(wǎng)絡的特點，用以解決一系列信息辦理、解析和建模的難題。人工神經(jīng)網(wǎng)絡的主要種類即所謂的前饋網(wǎng)絡。一個典型的前饋神經(jīng)網(wǎng)絡由3個或更多的相互連接的節(jié)點組成——一個輸入層、一個或多個隱蔽的中間層（平時只有1個）和一個輸出層。箭頭指示信息流方向，從輸入到輸出傳遞信息。輸入層和隱蔽層之間的連接可以用權矩陣W來描述，行/列項值Wij是正或負的實數(shù)權重，或若是不存在聯(lián)系時為零。同樣，隱蔽層和輸出層的聯(lián)系也可以被視為一個權矩陣Z，同樣由一組權值Zjk組成。每種情況下，正權值意味著對源節(jié)點或輸入節(jié)點相關的增強作用，而負權值則對應于控制作用。1121232345輸入隱蔽輸出一般來說，隱蔽層和輸出層的所有節(jié)點也同樣被連接到一個偏置節(jié)點上。比方：在多層次感知器中，分別有一個偏置節(jié)點與每個前饋層連接，n個輸入節(jié)點，一個帶有m個隱蔽節(jié)點的隱層，和p個輸出節(jié)點，權重矩陣W和Z的維數(shù)分別為(n1)m和(m1)(p)。4輸入數(shù)據(jù)依照其Wij權重矩陣的值來加權并在隱蔽層中進行組合（主若是求和）。此后這種加權求和由已知的一種激活函數(shù)g來更正?？梢圆捎貌煌瑯拥募せ詈瘮?shù)，但是空間解析中最常用的是logistic或sigmoid函數(shù)。這種過程可以由以下節(jié)點層來闡述：g若是我們把輸入集表示成一個數(shù)據(jù)矩陣X，把輸出集表示成輸出矩陣Y，一個人工神經(jīng)網(wǎng)絡就是一個由X到Y的照射f：XY。典型的，這種照射是一種非線性加權和——事實上非線性是ANN應用于大多數(shù)問題的一個實質(zhì)特點。輸入數(shù)據(jù)被{xi}被進行兩次更正，第一次是加權求和，第二次是利用激活函數(shù)。對下一層應用同樣的過程，將隱蔽層輸出值hj進行求和，并依照和輸入層近似進行可選的更正，從而在輸出層產(chǎn)生最后結果yk：h*j(xiwyj)和hjg1(h*j)iyk*hizyj，最后ykg2(yk*)j故ykg2g1(xiwyj)zjkji若是有一個或多個控制數(shù)據(jù)集，即給定一個輸入集i，并且知道目標輸出集也許輸出矢量t，則可以用該信息來“訓練”網(wǎng)絡。該學習過程稱為“督查”，由于它表示我們擁有解的先驗知識，并且在督查訓練過程。這里的控制數(shù)據(jù)可被分為兩大組：用來訓練神經(jīng)網(wǎng)絡的“訓練數(shù)據(jù)”（先前采用的訓練樣區(qū)ROI）和先前未用于神經(jīng)網(wǎng)絡的用于評估網(wǎng)絡性能的“測試數(shù)據(jù)”（測試用到的樣區(qū)ROI）。督查學習被寬泛應用于模式鑒別/分類和復雜函數(shù)逼近（非線性回歸）領域中。比方：假設兩個加權矩陣的初始值均被隨機地設為[0,1]中的一致值。當值經(jīng)過網(wǎng)絡流傳到輸出層時，輸入數(shù)據(jù)集或矢量（或訓練數(shù)據(jù)）i將被變換，給出一個輸出值的會集或矢量O時，將會與已知的正確值不般配，即產(chǎn)生誤差。5ek(tkok)理想狀態(tài)下，我們想經(jīng)過選擇合適的權重集來最小化這些誤差，為了實現(xiàn)這一目標，我們平時采用最小化所有輸出節(jié)點的平方差總和（或均方根誤差RMS），它是一種可以反響出最小二乘回歸的方法。經(jīng)過誤差平方和表達式的微分來達到最小化的目的，使它等于零，并用該結果來確定對初始權重要求的調(diào)整。平時計算出誤差平方和均值的平方根（RMSE）:RMSE1Nok)2(tkNk1該式供應了一種解的“代價”的標準化方法，目的是最小化該代價函數(shù)，最好是經(jīng)過之前所說的調(diào)整權重來使它的值降為零。調(diào)整權重矩陣中的值的過程平時在被稱為陪同梯度下降的反向流傳過程實現(xiàn)的。反向傳播部分指一步一步的在網(wǎng)絡上應用一個后向?qū)W習規(guī)則——所以第一步是改變Z矩陣中的值，爾后改變W矩陣中的值。Zt1Zt(Z)t爾后Wt1Wt(W)t矩陣中值的正負增量是鑒于它們對輸出結果中的正、負誤差相關的貢獻。由于激活函數(shù)的引入，使得誤差信號不是鑒于輸出值和希望輸出值之間的差異，而是鑒于隱蔽層值和反向流傳隱蔽值間的差異，所以，調(diào)整起來更加的復雜。這些反向流傳過程相當于一個用來找出均方根局部最小值的梯度下降方法（比方：在ENVI進行神經(jīng)網(wǎng)絡分類時，可以看到plot圖中理想狀態(tài)RMS值應逐漸降低，而非顛簸曲折）。完成調(diào)整各層的權重此后，前向流傳過程再次進行計算代價函數(shù)，現(xiàn)在的代價函數(shù)應該小于或等于從前的代價函數(shù)。該過程連續(xù)進行，直到代價函數(shù)停止降低或已經(jīng)達到預設的最大迭代次數(shù)。在ENVI中使用NeuralNet選項可以應用一個分層的正向（feed-forward）神經(jīng)元網(wǎng)絡分類。該技術在進行督查學習時使用標準的后向流傳技術（backpropagation）。用戶可以選擇所用的隱蔽層的數(shù)量，也可以在對數(shù)和雙曲線活化（activation）函數(shù)之間選擇所需函數(shù)。由于調(diào)整節(jié)點中的權重可以使輸出節(jié)點活化與所需的輸出結果間的差異達到最小化，因6此神經(jīng)元網(wǎng)絡技術利用該方法對發(fā)生的事件進行學習。在學習過程中，誤差在網(wǎng)絡中后向傳播，同時使用遞歸法調(diào)整權重。也可以使用神經(jīng)元網(wǎng)絡來進行一個非線性分類。技術路線3、實驗設備與數(shù)據(jù)與研究地域硬件：計算機軟件、數(shù)據(jù)：Landset8影像、福州市shp文件Landset8數(shù)據(jù)（成像時間：2013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（OperationalLandImager，陸地成像儀）TIRS（ThermalInfraredSensor，熱紅外傳感器）OLI陸地成像儀序號波段（um）空間分辨率（m）1302303304305307630730815930TIRS熱紅外傳感器1010011100地成像儀（OLI）包括9個波段，空間分辨率為30米，其中包括一個15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。研究地域：福州市為福建省省會城市，位于福建省東部、閩江下游沿岸。介于北緯25°15′～26°39′，東經(jīng)118°08′～120°31′之間。東瀕臺灣海峽，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氣候，全年冬短夏長，溫暖濕潤，氣候合適。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)預辦理數(shù)據(jù)裁剪利用shp文件對遙感影像進行裁剪輻射校正（包括輻射定標和大氣校正）．輻射定標8B．大氣校正（采用ENVI中的FLAASH大氣校正模型）在以下圖的中輸入影像的中心經(jīng)緯度坐標；輸入影像所在地域的平均高程；輸入衛(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。94.2數(shù)據(jù)交融在ENVI軟件中，選擇Transform->ImageSharpening->HSV，在SelectLowSpatialResolutionMultiBandInputFile中選擇band8多光譜波段，SpatialSubset為FullScene，SpectralSunset為3個波段Resampling選擇NearestNeighbor，OutputResult選擇保存路徑104.3訓練樣區(qū)的選擇打開GoogleEarth影像作為訓練樣區(qū)選擇的參照使用Envi的GoogleEarthBridge將遙感影像和街區(qū)矢量圖層導入GoogleEarth，以便在GoogleEarth搜尋參照影像時更快定位。在ENVI軟件中，選擇Spectral->SPEARTools->GoogleEarthBridge。在GoogleEarthBridge窗口中，選擇增加的遙感影像HVS1，點擊NEXT進入下一步，設置遙感影像顯示的參數(shù)，選擇6、5、4波段進行彩色顯示，點擊NEXT進入下一步，同樣增加矢量圖層，如圖44，保存路徑為。11建立興趣區(qū)打開興趣區(qū)模版，選擇Overlay->RegionofInterest，打開ROITool在ROITool窗口中，我們可以對ROIName和Color進行編寫，雙擊ROIName的地域，可以對訓練樣區(qū)進行名字的更正，右擊Color可以選擇訓練樣區(qū)的顏色，windows選擇Zoom窗口，即只幸虧Zoom中選擇訓練樣區(qū)；在#1Zoom窗口中，我們鼠標左鍵選擇訓練樣區(qū)，右擊確定，第二次右擊即保存該訓練樣區(qū)。在ROITool窗口中，點擊NewRegion建立其新的ROI樣區(qū)，Goto可以跳轉(zhuǎn)各個訓練樣區(qū)，就可以對其進行更正，在實驗中，我們將分成5類，進行督查分類，如：water,forest,city，bareland，grass。12訓練樣區(qū)的選擇訓練樣區(qū)的選擇依照，如圖50，（a）water，（b）forest，（c）city，（d）bareland。13訓練樣區(qū)的議論分別性的定量解析在ROITool窗口中，選擇Options->ComputeROISeparability,計算樣本的可分別性。如圖51，表示各個樣本種類之間的可分別性，用Jeffries-Matusita,TransformedDivergence參數(shù)表示，這兩個參數(shù)的值在0~2.0之間，大于1.9說明樣本之間可分別性好；小于1.8大于1.4屬于合格樣本；小于1.4需要重新選擇樣本；小于1，考慮將兩類樣本合成一類樣本。SignatureNameForestwaterbarelandcityForestwaterbarelandcity從分別性的數(shù)據(jù)中，我們可以獲取，water和forest這三類的分別與barealand都等于2，可知這三類的分別收效較好。剩下的分別性的數(shù)值都達到1.4，說明樣區(qū)的選擇比較吻合實質(zhì)。4.4鑒于光譜信息的神經(jīng)網(wǎng)絡分類在ENVI軟件中，選擇Classification->Supervised->NeuralNetClassification，在文件輸入對話框中選擇HSV1交融影像。14在NeuralNetParameters窗口中，設置好各個參數(shù)。Activation：選擇活化函數(shù)。對數(shù)（Logistic）和雙曲線（Hyperbolic）。（本研究選擇Logistic，由于對數(shù)函數(shù)的收效更優(yōu)）?TrainingThresholdContribution：輸入訓練貢獻閾值(0-1)。該參數(shù)決定了與活化節(jié)點級別相關的內(nèi)部權重的貢獻量。它用于調(diào)治節(jié)點內(nèi)部權重的變化。訓練算法交互式地調(diào)整節(jié)點間的權重和節(jié)點閾值，從而使輸出層和響應誤差達到最小。將該參數(shù)設置為0不會調(diào)整節(jié)點的內(nèi)部權重。合適調(diào)整節(jié)點的內(nèi)部權重可以生成一幅較好的分類圖像，但是若是設置的權重太大，對分類結果也會產(chǎn)生不良影響。TrainingRate：設置權重調(diào)治速度（0~1）。參數(shù)值越大則使訓練速度越快，但也增加搖動也許使訓練結果不收斂。?TrainingMomentum：輸入一個0~1的值。該值大于0時，在“TrainingRate”文本框中鍵入較大值不會引起搖動。該值越大，訓練的步幅越大。該參數(shù)的作用是促使權重沿當前面向改變。?TrainingRMSExitCriteria：指定RMS誤差為何值時，訓練應該停止。RMS誤差值在訓練過程中將顯示在圖表中，當該值小于輸入值時，即使還沒有達到迭代次數(shù)，訓練也會停止，爾后開始進行分類。NumberofHiddenLayers：鍵入所用隱蔽層的數(shù)量。要進行線性分類，鍵入值為0。沒有隱蔽層，不同樣的輸入地域必定與一個單獨的超平面線性分別。要進行非線性分類，輸入值應該大于或等于1，當輸入的地域其實不是線性分別或需要兩個超平面才能區(qū)分種類時，必定擁有最少一個隱蔽層才能解決這個問題。兩個隱蔽層用于區(qū)分輸入空間，空間中的不同樣要素不周邊也不相連。?NumberofTrainingIterations：輸入用于訓練的迭代次數(shù)。MinOutputActivationThreshold：輸入一個最小輸出活化閾值。若是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（unclassified）。選擇分類結果的輸出路徑及文件名。設置OutRuleImages為Yes，選擇規(guī)則圖像輸出路徑及文件名。15單擊OK按鈕執(zhí)行分類。RMSPlot圖：從上RMSPlot圖，表示為每一次迭代顯示RMS誤差，若是訓練正確進行，誤差應該逐漸減小，并達到一個牢固的較低值。從圖中我們可以獲取隨著Iteration的增加而TrainingRMS的值基本保持在0~0.05之間，保持在一個相對牢固的狀態(tài),RMS的數(shù)值也比較低，說明了分類收效較好。分類結果圖：16鑒于光譜信息的神經(jīng)網(wǎng)絡分類結果圖提取每類的光譜信息：CityWater17ForestBareland4.5分類后辦理1）主次解析（Majority/MinorityAnalysis）使用“Majority/MinorityAnalysis”選項可以對分類圖像進行主/次要解析。使用主要解析（MajorityAnalysis）可以將較大種類中的虛假像元歸到該類中，ENVI贊同輸入一個變換核尺寸，并用變換核中占主要地位的像元的種類數(shù)代替中心像元的種類數(shù)。若是使用次要解析（MinorityAnalysis），ENVI將用變換核中占次要地位的像元的種類數(shù)代替中心像元的種類數(shù)。①選擇主菜單Classification/PostClassification/Majority/MinorityAnalysis(主次要解析)，當出現(xiàn)文件選擇對話框時，選擇所需的輸入分類圖像，若需要，采用任意子集。18②選擇分類后的影像點擊OK。在種類列表中，點擊要應用解析的種類，SelectClasses選擇SelectAllItems，AnalysisMethod選擇Majority主要，KernelSize設為3*3，CenterPixelWeight權重設為1。結果解析：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。輸出結果為以下圖，發(fā)現(xiàn)小圖斑的數(shù)量明顯有減少。原始影像未辦理過的影像主要解析辦理后4.6分類精度解析把分類結果的精度顯示在一個混淆矩陣里（用于比較分類結果和地表真實信息）?；煜仃嚨挠涗浗Y果都包括：整體分類精度、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，爾后導入GoogleEarth中鑒別隨機點的地類，再與分類結果進行疊加解析，經(jīng)過EXCEL計算出混淆矩陣；19整體精度=81/100=81%KAPPA系數(shù)為LULCProd.UserAccAcc.BarelandCityForestWater4.7鑒于光譜信息和紋理信息的神經(jīng)網(wǎng)絡分類1）主成分解析，在主菜單中，選擇Transfrom->PrincipalComponent->ForwardPCrotation->ComputeNewStatisticsandRotate主成分解析模塊。2)在ForwardPCParameters窗口中設置好參數(shù)；經(jīng)過對研究區(qū)影像的主成分解析,發(fā)現(xiàn)第一主成分信息量為89