1. 引言

目前,，高分辨率遙感影像在我國(guó)的應(yīng)用方面主要有：基于米級(jí)分辨率影像的大比例尺測(cè)圖，基于高分辨率影像的城市規(guī)劃與研究,，土地利用和土地覆蓋類型調(diào)查與監(jiān)測(cè),，環(huán)境監(jiān)測(cè)與質(zhì)量分析，農(nóng)業(yè)產(chǎn)量評(píng)估和病蟲害監(jiān)測(cè),，自然災(zāi)害的實(shí)時(shí)監(jiān)測(cè)等,。為獲取高分辨率遙感影像中豐富的信息資源，以進(jìn)行實(shí)際的生產(chǎn)和應(yīng)用,，需要對(duì)影像進(jìn)行分類處理,，實(shí)現(xiàn)其目標(biāo)信息提取,。因此，遙感影像分類技術(shù)可用于進(jìn)行高分辨率影像的分類處理,，從而實(shí)現(xiàn)高分辨率影像的數(shù)據(jù)處理,，成為高分辨率遙感及相關(guān)領(lǐng)域的研究熱點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,，ANN)分類法是一種非參數(shù)的分類方法,，比之基于傳統(tǒng)統(tǒng)計(jì)理論的分類方法，它不需要對(duì)目標(biāo)的概率分布函數(shù)作某種假定或估計(jì),，具有良好的適應(yīng)能力和復(fù)雜的映射能力,，故在進(jìn)行以數(shù)據(jù)量多、含混度高著稱的遙感影像的分類處理時(shí),，該方法能獲得很好的分類結(jié)果和分類精度,。本文將采用人工神經(jīng)網(wǎng)絡(luò)方法對(duì)全色分辨率為0．61米的QuickBird影像進(jìn)行分類處理，提取影像中的各類地物信息,。在分類時(shí),，為充分利用高分辨率影像的光譜和空間信息，將影像的光譜特征和紋理特征作為信息提取的特征源,；使用人工神經(jīng)網(wǎng)絡(luò)方法進(jìn)行分類,，不需事先假定或統(tǒng)計(jì)地物類別的概率分布，能快速有效地實(shí)現(xiàn)影像的自動(dòng)分類處理,，并獲得較高的分類精度,。以QuickBird高分辨率遙感影像為數(shù)據(jù)基礎(chǔ)，利用人工神經(jīng)網(wǎng)絡(luò)分類法,，對(duì)四川省成都平原地區(qū)進(jìn)行地物信息提取,，有助于獲取西南部平原地區(qū)的土地利用和覆蓋信息，從而輔助了解當(dāng)?shù)氐纳鐣?huì)經(jīng)濟(jì)活動(dòng)和城鎮(zhèn)發(fā)展趨勢(shì),，指導(dǎo)當(dāng)?shù)赝恋刭Y源的規(guī)劃和合理利用,。

2.神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像概述

自20世紀(jì)70年代起，衛(wèi)星遙感技術(shù)的發(fā)展帶來了遙感影像呈現(xiàn)出米級(jí)

分辨率的趨勢(shì),，逐漸步入以高分辨率遙感影像數(shù)據(jù)為主要產(chǎn)物的時(shí)代,。遙感

影像分類技術(shù)可以有效地將高分辨率影像中豐富的信息資源提取出來，并轉(zhuǎn)化為科學(xué)的分析成果以進(jìn)行實(shí)際的生產(chǎn)和應(yīng)用,，從而在商業(yè)和民用領(lǐng)域中發(fā)揮出重大作用,。人工神經(jīng)網(wǎng)絡(luò)分類法是一種非參數(shù)的分類方法，具有良好的適應(yīng)能力和復(fù)雜的映射能力,，能實(shí)現(xiàn)非線性的數(shù)據(jù)模式識(shí)別,，比之基于傳統(tǒng)統(tǒng)計(jì)理論的分類方法，它無須事先假定或估計(jì)目標(biāo)的概率分布函數(shù)，故在進(jìn)行以數(shù)據(jù)量多,、含混度高著稱的遙感影像的分類處理時(shí),，該方法能獲得很好的分類結(jié)果和精度。其次,，神經(jīng)網(wǎng)絡(luò)方法能夠有效地結(jié)合高分辨率影像的光譜和紋理特征,，充分地利用影像的光譜和空間信息，有望提高分類精度,。

2.1神經(jīng)網(wǎng)絡(luò)主要特點(diǎn)

神經(jīng)網(wǎng)絡(luò)的研究始于1943年McCulloch和Pitts提出的M．P模型,，經(jīng)由半個(gè)世紀(jì)的發(fā)展，已從興起的初始階段和蕭條的過渡時(shí)期發(fā)展到當(dāng)今的興盛時(shí)期,，形成了較為成熟的理論體系，其具備的主要特點(diǎn)有：分布式的信息存儲(chǔ)方式和容錯(cuò)性,，信息處理及推理過程的并行性,，自組織、自學(xué)習(xí)能力,，可處理環(huán)境信息十分復(fù)雜,、知識(shí)背景不清楚和推理規(guī)則不明確的問題等，在許多方面它都接近于人對(duì)信息的處理方法,，能模擬人的形象思維,，從而反映出人腦功能的若干基本特性。

2.2神經(jīng)網(wǎng)絡(luò)主要應(yīng)用

基于神經(jīng)網(wǎng)絡(luò)的以上特點(diǎn),，當(dāng)前神經(jīng)網(wǎng)絡(luò)的主要應(yīng)用領(lǐng)域有：傳感器信息及信號(hào)處理,、自動(dòng)控制、電子學(xué),、運(yùn)輸與通信,、市場(chǎng)分析、知識(shí)處理與模式識(shí)別等,。隨著神經(jīng)網(wǎng)絡(luò)理論研究的深入以及網(wǎng)絡(luò)計(jì)算能力的不斷拓展,，神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域和應(yīng)用水平將得到不斷的拓廣和提高。人在進(jìn)行影像的目視解譯時(shí),，除運(yùn)用影像本身的特征外,，還充分利用以往實(shí)踐中積累的知識(shí)和經(jīng)驗(yàn)，辯證地綜合運(yùn)用已有的多種標(biāo)志,，在分類影像特征的引導(dǎo)下,，自適應(yīng)地獲取和改進(jìn)識(shí)別分類的方式，經(jīng)過反復(fù)實(shí)踐直至獲得較滿意的分類結(jié)果,。神經(jīng)網(wǎng)絡(luò)技術(shù)正是通過模擬人腦的這些功能,，建立了一種簡(jiǎn)化的人腦神經(jīng)系統(tǒng)數(shù)學(xué)模型，這種技術(shù)在遙感影像自動(dòng)識(shí)別分類中已顯出較大的優(yōu)越性。

3. 高分辨率影像BP網(wǎng)絡(luò)分類試驗(yàn)

3.1 BP網(wǎng)絡(luò)結(jié)構(gòu)設(shè)定

BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)決定了其網(wǎng)絡(luò)的特性和解決實(shí)際問題的能力,，因此網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)定是一個(gè)綜合的問題．需要根據(jù)實(shí)際情況來確定,。為了實(shí)現(xiàn)各研究子區(qū)的分類問題，本文設(shè)定一個(gè)三層的BP神經(jīng)網(wǎng)絡(luò)(輸入層,、輸出層和隱含層),，網(wǎng)絡(luò)中各節(jié)點(diǎn)的激活函數(shù)都采用S型函數(shù)。根據(jù)各研究子區(qū)的影像特征,?？纱_定其對(duì)應(yīng)BP網(wǎng)絡(luò)的各層神經(jīng)元節(jié)點(diǎn)數(shù)目。首先確定各BP網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)數(shù),，參與分類的影像特征有4個(gè)(3個(gè)多光譜波段數(shù)據(jù)和1個(gè)對(duì)比度CON紋理數(shù)據(jù)),，即輸入的信息特征維數(shù)為4，則兩個(gè)研究子區(qū)的BP網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)均為4,；其次是輸出層的節(jié)點(diǎn)數(shù),，對(duì)于研究區(qū)1，其輸出的地物類別數(shù)為6,，則其對(duì)應(yīng)的BP網(wǎng)絡(luò)輸出層節(jié)點(diǎn)數(shù)為6,，而對(duì)于研究區(qū)2，其輸出的地物類別數(shù)為4,，則其對(duì)應(yīng)的BP網(wǎng)絡(luò)輸出層節(jié)點(diǎn)數(shù)為4：最后確定隱含層的節(jié)點(diǎn)數(shù),，根據(jù)相關(guān)文獻(xiàn)的理論，綜合考慮后對(duì)隱含層的節(jié)點(diǎn)數(shù)參考公式2*(輸入節(jié)點(diǎn)+輸出節(jié)點(diǎn))+1,，由該公式確定一個(gè)基本值作為網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù),，并可在實(shí)際訓(xùn)練中進(jìn)行調(diào)整，則研究區(qū)1的網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)為2l,。而研究區(qū)2的網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)為17,。

3.2 BP網(wǎng)絡(luò)訓(xùn)練實(shí)現(xiàn)

將歸一化處理后的各類訓(xùn)練樣本隨機(jī)地輸入到創(chuàng)建好的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，進(jìn)行網(wǎng)絡(luò)訓(xùn)練,。首先將訓(xùn)練樣本歸一化處理后的輸入向量輸入到BP網(wǎng)絡(luò)的輸入層,，并經(jīng)過各層連接權(quán)值的加權(quán)累計(jì)和閡值調(diào)整，再由S型激活函數(shù)逐層傳遞,，從而得到樣本的網(wǎng)絡(luò)輸出值(0～1范圍),，然后將訓(xùn)練樣本數(shù)學(xué)矩陣表達(dá)后的目標(biāo)輸出值與網(wǎng)絡(luò)輸出值進(jìn)行比較，根據(jù)它們的誤差值再反向逐層地調(diào)整各層連接權(quán)值和閾值,，反復(fù)迭代調(diào)整,，最后使網(wǎng)絡(luò)輸出值與目標(biāo)輸出值的誤差達(dá)到訓(xùn)練要求。將各研究子區(qū)由三種融合方法得到的融合影像與CON紋理圖像組合得到三幅分類源影像,，分別將它們的訓(xùn)練樣本輸入到創(chuàng)建的BP網(wǎng)絡(luò)中進(jìn)行訓(xùn)練,。對(duì)各研究區(qū)的訓(xùn)練樣本進(jìn)行反復(fù)訓(xùn)練和實(shí)驗(yàn)分析,，得到以下規(guī)律：

1)按2車(輸入節(jié)點(diǎn)+輸出節(jié)點(diǎn))+1公式確定隱含層的節(jié)點(diǎn)數(shù)，可以實(shí)現(xiàn)網(wǎng)絡(luò)的有效訓(xùn)練,，并能保證較快的訓(xùn)練速度,，不需要增減隱含層節(jié)點(diǎn)數(shù)目以防止網(wǎng)絡(luò)復(fù)雜化。

2)在動(dòng)量因子的取值范圍(0.7~0.9)中采用其中間值0.8可以保證較快的學(xué)習(xí)速度,。

3)對(duì)隱含層和輸出層的學(xué)習(xí)率選用不同值,，并且當(dāng)隱含層的學(xué)習(xí)率大于輸出層的學(xué)習(xí)率且兩學(xué)習(xí)率間存在一定的差異時(shí)，網(wǎng)絡(luò)訓(xùn)練速度快且訓(xùn)練穩(wěn)定,，因此,，可根據(jù)具體的情況設(shè)定相應(yīng)的學(xué)習(xí)率值。

3.3 網(wǎng)絡(luò)分類及精度評(píng)定

采用混淆矩陣及各統(tǒng)計(jì)參數(shù)來實(shí)現(xiàn)BP網(wǎng)絡(luò)分類結(jié)果的精度評(píng)定,?；煜仃囀腔诟餮芯繀^(qū)選取的驗(yàn)證數(shù)據(jù)來建立的。首先,，對(duì)于各研究區(qū)選取的驗(yàn)證數(shù)據(jù),，其所屬的真實(shí)類別信息是通過解譯和考查后已知的，即其具有目標(biāo)輸出值,，從而反映出其真實(shí)類別；然后將驗(yàn)證數(shù)據(jù)輸入到訓(xùn)練好的BP網(wǎng)絡(luò)中進(jìn)行正向傳遞,，可以獲得其對(duì)應(yīng)的網(wǎng)絡(luò)輸出值,，從而判定其在BP網(wǎng)絡(luò)分類結(jié)果中的所屬類別；最后根據(jù)所有驗(yàn)證數(shù)據(jù)的真實(shí)類別和BP網(wǎng)絡(luò)分類類別建立混淆矩陣,。并計(jì)算各類統(tǒng)計(jì)參數(shù)用以評(píng)定分類精度分析,，可以得到以下結(jié)論：

1)在本文中，當(dāng)對(duì)多光譜融合影像加入CON紋理圖像作為分類源影像后,，采用BP網(wǎng)絡(luò)方法進(jìn)行分類,，并選取驗(yàn)證數(shù)據(jù)進(jìn)行精度評(píng)定，得到的各研究子區(qū)的分類精度都較高,，其分類總體精度均達(dá)到93％以上,，并且Kappa系數(shù)都超過0.9。

2)從分類精度表中還可以看出,，在分類時(shí)道路和居民地相互之間發(fā)生了較大的誤分,，從而導(dǎo)致它們的用戶精度和生產(chǎn)精度相對(duì)較低。經(jīng)考查和分析可知主要是因?yàn)樗鼈兌紝儆谌斯そㄖ?，其表面材料和?gòu)建方法都相近,，因此具備相似的表面反射特性，從而使得它們對(duì)應(yīng)的像元灰度信息及灰度分布都相近,，降低了它們之間的可區(qū)分性,，可通過計(jì)算Jeffries.Mamsita距離來驗(yàn)證道路和居民地相互之間的可區(qū)分性,，其取值為(0～1范圍)，若該值大于1.9則說明兩類地物可區(qū)分性良好,，否則可區(qū)分性差,。

4．總結(jié)

針對(duì)高分辨率影像具有豐富的光譜與空間信息特征，本文首先通過最佳指數(shù)因子分析和圖像融合處理,、灰度共生矩陣紋理分析,，提取出研究區(qū)影像最優(yōu)組合的光譜特征和紋理特征，作為待分類的特征數(shù)據(jù)源,。其次,，根據(jù)遙感影像監(jiān)督分類的基本原理、主要步驟和理論方法,，引出并著重闡述了BP神經(jīng)網(wǎng)絡(luò)分類的思想和主要算法過程,，并通過對(duì)訓(xùn)練樣本輸入向量歸一化預(yù)處理、引入動(dòng)量因子,、設(shè)定各層不同的學(xué)習(xí)率和調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)等實(shí)踐的改進(jìn)方法,，提高了BP算法的收斂速度，保證了訓(xùn)練的穩(wěn)定性,。然后,，基于ENV平臺(tái)和DL語言設(shè)計(jì)和編寫了BP神經(jīng)網(wǎng)絡(luò)分類及精度評(píng)定的計(jì)算機(jī)程序，使用研究區(qū)域的待分類特征數(shù)據(jù)源(光譜特征與紋理特征的組合影像),，實(shí)現(xiàn)了研究區(qū)域影像的BP神經(jīng)網(wǎng)絡(luò)分類,，獲得了分類成果，并基于混淆矩陣及其各類統(tǒng)計(jì)參數(shù)對(duì)分類成果進(jìn)行了精度評(píng)定,。最后本文還對(duì)研究區(qū)域進(jìn)行對(duì)比試驗(yàn),，實(shí)現(xiàn)了兩大類(四種)分類：BP網(wǎng)絡(luò)分類(光譜特征結(jié)合紋理特征的BP網(wǎng)絡(luò)分類、光譜特征的BP網(wǎng)絡(luò)分類)和最大似然分類(光譜特征結(jié)合紋理特征的最大似然分類,、光譜特征的最大似然分類),，并獲得了它們相應(yīng)的分類結(jié)果。

5．結(jié)束語

本文主要對(duì)研究區(qū)域的高分辨率影像進(jìn)行了BP神經(jīng)網(wǎng)絡(luò)的分類試驗(yàn)和結(jié)果分析,。引入兩個(gè)研究子區(qū)的特征數(shù)據(jù)(3個(gè)多光譜特征和1個(gè)CON紋理特征),，并將它們組合起來作為分類源影像。首先對(duì)它們進(jìn)行地物類別的確定和訓(xùn)練樣本及驗(yàn)證數(shù)據(jù)的選定,，并對(duì)訓(xùn)練樣本進(jìn)行歸一化處理,；其次根據(jù)影像特征和地物特征構(gòu)建相應(yīng)的BP神經(jīng)網(wǎng)絡(luò)，設(shè)定網(wǎng)絡(luò)訓(xùn)練參數(shù),，代入訓(xùn)練樣本進(jìn)行BP網(wǎng)絡(luò)的訓(xùn)練試驗(yàn),，通過反復(fù)訓(xùn)練獲得各研究區(qū)的BP網(wǎng)絡(luò)；然后將各研究區(qū)的待分類源影像引入該固定的BP網(wǎng)絡(luò)中進(jìn)行分類,，并獲得所有像元的類別信息,；最后對(duì)各類地物像元賦予不同的色彩,，以分類圖的形式輸出各研究區(qū)影像的分類結(jié)果，同時(shí)由驗(yàn)證數(shù)據(jù)建立混淆矩陣來進(jìn)行分類精度的評(píng)定和分析,，并得出了相應(yīng)的結(jié)論,。在本文的最后，對(duì)各研究子區(qū)分別進(jìn)行了兩大類分類試驗(yàn)：BP神經(jīng)網(wǎng)絡(luò)分類和最大似然分類,，并從分類成果和精度的對(duì)比分析中得到了有益的結(jié)論,。

6．參考文獻(xiàn)

[1]胡希軍，瞿有甜．神經(jīng)網(wǎng)絡(luò)在遙感圖像自動(dòng)分類中的應(yīng)用研究．浙江師大學(xué)報(bào)(自然科學(xué)版)．1996,，19(4)：82-85

[2]楊存建,，魏一嗚，陳德清等．基于遙感的洪水災(zāi)害承災(zāi)體神經(jīng)網(wǎng)絡(luò)的提取方法探討．災(zāi)害學(xué)．1998,，13(4)：1--6

[3]賈永紅．人工神經(jīng)網(wǎng)絡(luò)在多源遙感影像分類中的應(yīng)用．測(cè)繪通報(bào)

[4]駱劍承,，周成虎，楊艷．人工神經(jīng)網(wǎng)絡(luò)遙感影像分類模型及其與知識(shí)集成方法研究．遙感學(xué)報(bào)．2001,，5(2)：122～129