基于非线性神经网络的高清晰高光谱遥感图像分类器设计与应用

基于非线性神经网络的高清晰高光谱遥感图像分类器设计与应用

ID:36777843

大小:263.41 KB

页数:4页

时间:2019-05-15

基于非线性神经网络的高清晰高光谱遥感图像分类器设计与应用_第1页
基于非线性神经网络的高清晰高光谱遥感图像分类器设计与应用_第2页
基于非线性神经网络的高清晰高光谱遥感图像分类器设计与应用_第3页
基于非线性神经网络的高清晰高光谱遥感图像分类器设计与应用_第4页
资源描述:

《基于非线性神经网络的高清晰高光谱遥感图像分类器设计与应用》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、维普资讯http://www.cqvip.com第2l5卷增刊宇航学报Vo1.26Sup.0ctober2()【)52005年1O月JoumalofAstronautics基于非线性神经网络的高清晰高光谱遥感图像分类器设计与应用周前祥’,敬忠(1肌人、:1.们f究所』匕J1(]o(o4;2交通大IU子息院,1海200030)摘要:对于高光谱和空问分辨率的遥感像而言,它具乍『较为复杂的地物判渎特性,应用常规的监督或非监督分类方法难以达到理想的结果为此没计了一种线性BP网络分类器,它将纹理结构特征j地物光谱特征相

2、结合.针埘上海市某地的Ii星遥感图像.在ENVI/IDL平台与K—means的非监督分类和最小距离的监督分类方法进行了分类的对比应用试验结果表明.该分法较好地考虑像的光谱特征,能有效地提高类别辨识的精度关键词:遥感图像;神经网络;监督分类;非监督分类中图分类号:m51文献标识码:A文章编号:1000—1328(2005)Sul~0126—04目前,所采用图像分类方法的理论基础是统汁0引言模式识别,它叮分为监督分类和非监督分类两大类随着遥感技术的深人发展,可获取地物图像的型。前者需要已知类别的洲练样本集(或称定

3、义光谱或李间分辨率越来越高,例如美国LandTM卫感兴趣区),以统计或学习获得每一样本的特征,最星全色遥感图像的空间分辨率能够实现0.7m,而我后按某一判别函数进行分类。常用的分类器有基于国白行研制的OMIS超光谱遥感器的波段数可达叶斯准则的最大似然法、系统聚类分析、多级切割256个,光谱分辨率接近1个nm_I~。如此高清晰的分类器、决策树分类器、最小距离法和光谱角度填图图像给目标的判读误差提出了更高的要求,l大J为各等。非监督分类足根据各样本间“距离远近的程地物的属性差异趋小,『f『iHJ还有随气象和季节条

4、件度,按照物以类聚的原则进行分类,它不需要选择已变化的因素,这样增加了分类的难度。所以,必须研知进7~-iJli练,简单易行。但在类别中心数较大时,究高清晰图像的多类别划分问题并满足相J的精度迭代次数增多,速度慢。无论是监IIL督分类还是非监要求。督分类,当J1用于高清晰、高光遥感图像的分类除了上述的精度要求外,分类的速度电是设汁时,均存在类别判断误差增大的『u】题,所以有人设计高清晰、高光谱遥感图像分类器须考虑的『人】容.前一种多类别遥感图像复合分类器。此外,由于神者需要在算法设汁时进行通髓考虑,同时结合G

5、IS经网络与人对遥感图像的日视解译分类相似,同时等其它高技术。比如,利用Gls的空间数据就可以还可在分类识别过程中考虑的空间位置、色调特征提高遥感图像的分类精度如果通过图像光谱等构成图像类别的多种因素,并且受被分类图像信特性间接反映各种地物的差异来实现其目标识别,息的引导,能自行修改其自身的结构及}只别方式。会常常发生“同物异谱”和“异物同谱”现象,降低分所以近年来,出现_『许多基于神经网络分类器的研类的精度而引入(Is窄问数据,并将它作为图像究_。归纳起来,这些方法中,使用普通的线性前馈神经网络的居多,其适

6、用性有必加以改进。分类处理的辅助信息,就可以提高分类的几f信度、本文针对神经网络的发展趋势,提r一种非线性而后者主要是住提高汁算机硬件物理性能的条件BP网络分类器,以供同行探讨:下,算法设汁尽可能减少人工卜预。冈为减少人T1二预的任何自动处过程,都包含着快速性的内涵收确IIJ9J:2003—08—1:修lfIllI期:2003—11-3金lIt:家863汁划il【(4tNfi~:2001AA135091)币IlI】t维普资讯http://www.cqvip.com增刊周前祥等:基于非线神经网络的高清晰高光谱遥

7、感图像分类器设计fj应用127aE1非线性神经网络分类器的设计一3net.}如上所述,目前可供选用的神经网络模型很因为多卫J,结合遥感图像分类的处理要求,本文提出一O=F(netjk)(4)种改进的非线性神经网络分类算法,其机制为。如所以,结合式(2),有图1所示的三层网络结构(输人一隐层一输出),输W0:3net::o)a—jka一3netjk一人信号即为经过预处理后的像文件上所有像素点(,yf)上的像素值(y),它首先向前传播到于是,当.隐层节点上,经过作用函数后,再将隐层节点的输出(1)如果为输出节点,

8、O=信息传播到输出层节点上,从而得到最终的分类结—:3—tjk一:一(^一),,(nt)ro6)ne果。这里,节点的作用函数仍采用Sigmoid型。(2)如果不是输出节点,可以推出F():(1+e-x)一(1)f=F(3netjk)∑i。因此,若网络共有L层,而第L层仅含输出节点,第一层为输人节点,则非线性BP分类算法可描输入层1隐层H输出层0述为:图1神经网络的结构(1)选定初初权值W;Fig.】

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。