CN102855490A - 高分辨率遥感影像面向对象神经网络分类方法 - Google Patents

Abstract

高分辨率遥感影像面向对象神经网络分类方法，涉及高分辨率遥感影像面向对象神经网络分类方法。它为了解决传统的遥感影像分类方法分类精度低以及不能有效地利用遥感传感器所有波段信息问题。本方法步骤为：步骤一、高空间分辨率传感器拍摄地面的影像，并将该影像发送至计算机；步骤二、计算机采用区域增长算法对输入影像进行像元级初步分割；步骤三、将初步分割后影像根据连续的设定的异质度阈值、图像的光谱特征和形状特征进行多尺度分割，形成不同尺度的分割影像；步骤四、获得的不同尺度的分割影像建立BP神经网络、设置训练参数、建立训练样本对多尺度分割的影像进行分类，获得高分辨率影像。本发明适用于高空间分辨率的影像获取领域。

Description

高分辨率遥感影像面向对象神经网络分类方法

技术领域

本发明涉神经网络分类方法，具体涉及高分辨率遥感影像面向对象神经网络分类方法。

背景技术

在遥感影像的自动识别分类中，传统的分类方法对于高空间分辨率的影像并不适用，因为在分类的过程中，会产生一种“椒盐现象”，使分类的精度降低。对于高空间分辨率的遥感影像自动识别分类，国内外大多采用一种面向对象的分类方法，该方法先对影像进行多尺度分割，在多尺度分割的基础上进行模糊分类或监督分类，这种面向对象的自动识别分类，对地物与影像上的灰度值呈现线性关系时，精度较高，但是当待分类的地物与影像上的灰度成非线性关系的时候，该方法的精度较低；另外随着传感器的光谱分辨率的提高，波段增加，该方法并不能有效地利用遥感传感器所有波段的信息。

发明内容

本发明为了解决传统的遥感影像分类方法分类精度低，以及不能有效地利用遥感传感器所有波段的信息的问题，从而提出了高分辨率遥感影像面向对象神经网络分类方法。

高分辨率遥感影像面向对象神经网络分类方法，它包括下述步骤：

步骤一、高空间分辨率传感器拍摄地面的影像，并将该影像发送至计算机；

步骤二、计算机采用区域增长算法对输入影像进行像元级的初步分割；

步骤三、将步骤二初步分割后的影像根据连续的设定的异质度阈值、图像的光谱特征和形状特征进行多尺度分割，形成不同尺度的分割影像；

步骤四、根据步骤三获得的不同尺度的分割影像建立BP神经网络、设置训练参数、建立训练样本对多尺度分割的影像进行分类，获得高分辨率影像，

步骤四一、建立BP神经网络模型：

建立BP神经网络模型，训练样本总数为W个，隐层的节点数公式为：

$n=\sqrt{n_i+n_0}+a---\left(1\right)$

其中：W为正整数，n为隐含层节点数；n_i为输入节点数；n₀为输出节点数；a为常数，

步骤四二、准备及预处理：

在多尺度分割的影像上，自动读取样本信息表数据，根据样本信息表和影像坐标的对应关系，将训练样本信息读入计算机，并采用格拉布斯检验方法进行检验，剔除样本中的异常值，

步骤四三、BP神经网络传输函数的选择：

输入层和隐层为非线性传递函数，输出层为线性函数；在神经网络模型中，输入层采用Log-sigmoid函数，隐层采用Tan-sigmoid函数，输出层采用线性函数，

步骤四四、BP神经网络训练函数的选择：

BP神经网络的训练函数有traingd、traingdm、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss和trainlm，分别通过上述的11个函数分别计算当其它网络参数相同、最大训练次数都为1000次、且隐含层节点数不同时训练样本误差均方根R_RMSE，选取获得的最小误差均方根R_RMSE所对应的BP神经网络的训练函数，

均方根误差R_RMSE公式为：

$R_{\mathrm{RMSE}}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(R_{\mathrm{meas}}-R_{\mathrm{mod}})}^2}---\left(2\right)$

其中：N为正整数，R_meas为检验样本的实测值；R_mod为模型的预测值，

采用选择的BP神经网络的训练函数构建神经网络模型，根据训练样本对BP神经网络模型训练，采用训练后的BP神经网络模型对多尺度分割的影像进行分类获得高分辨率影像。

本发明通过将多尺度分割与BP神经网络相结合提高了高空间分辨率遥感影像的分类精度，有效地解决分线性的分类问题，解决分类过程中的椒盐现象。

附图说明

图1为本发明的方法流程图；

图2为输入影像图；

图3为多尺度分割后的影像图；

图4为神经网络分类后的影像图。

具体实施方式

具体实施方式一、结合和图1具体说明本实施方式，本实施方式所述的高分辨率遥感影像面向对象神经网络分类方法，它包括下述步骤：

步骤一、高空间分辨率传感器拍摄地面的影像，并将该影像发送至计算机；

步骤二、计算机采用区域增长算法对输入影像进行像元级的初步分割；

步骤三、将步骤二初步分割后的影像根据连续的设定的异质度阈值、图像的光谱特征和形状特征进行多尺度分割，形成不同尺度的分割影像；

步骤四、根据步骤三获得的不同尺度的分割影像建立BP神经网络、设置训练参数、建立训练样本对多尺度分割的影像进行分类，获得高分辨率影像，

步骤四一、建立BP神经网络模型：

建立BP神经网络模型，训练样本总数为W个，隐层的节点数公式为：

$n=\sqrt{n_i+n_0}+a---\left(1\right)$

其中：W为正整数，n为隐含层节点数；n_i为输入节点数；n₀为输出节点数；a为常数，

步骤四二、准备及预处理：

在多尺度分割的影像上，自动读取样本信息表数据，根据样本信息表和影像坐标的对应关系，将训练样本信息读入计算机，并采用格拉布斯检验方法进行检验，剔除样本中的异常值，

步骤四三、BP神经网络传输函数的选择：

输入层和隐层为非线性传递函数，输出层为线性函数；在神经网络模型中，输入层采用Log-sigmoid函数，隐层采用Tan-sigmoid函数，输出层采用线性函数，

步骤四四、BP神经网络训练函数的选择：

BP神经网络的训练函数有traingd、traingdm、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss和trainlm，分别通过上述的11个函数分别计算当其它网络参数相同、最大训练次数都为1000次、且隐含层节点数不同时训练样本误差均方根R_RMSE，选取获得的最小误差均方根R_RMSE所对应的BP神经网络的训练函数，

均方根误差R_RMSE公式为：

$R_{\mathrm{RMSE}}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(R_{\mathrm{meas}}-R_{\mathrm{mod}})}^2}---\left(2\right)$

其中：N为正整数，R_meas为检验样本的实测值；R_mod为模型的预测值，

采用选择的BP神经网络的训练函数构建神经网络模型，根据训练样本对BP神经网络模型训练，采用训练后的BP神经网络模型对多尺度分割的影像进行分类获得高分辨率影像如图4所示。

区域增长算法的具体步骤为：

A.计算机读取输入影像；

B.判断图像有无归属的像素，判断为有，则执行步骤C，判断为无，则结束光栅扫描；

C.把无归属的像素的灰度同其周围不属于任何一个区域的像素进行比较，所述的区域为像素点周围的4-邻域或8-邻域，若灰度差值小于设定阈值，执行步骤D；

D.将该像素与相比较的区域合并为同一个区域，并对合并的像素赋予标记，执行步骤B。

具体实施方式二、本实施方式与具体实施方式一所述的高分辨率遥感影像面向对象神经网络分类方法的区别在于，步骤三所述的多尺度分割的具体步骤为：

当求得的相邻影像的对象的异质度小于等于设定阈值时，合并相邻的影像对象，生成不同尺度的影像；

当求得的相邻影像的对象的异质度大于设定阈值时，不合并相邻的影像对象；

相邻两图像对象的异质度f：

$f=\left(w_{\mathrm{color}}\underset{c}{\mathrm{\Σ}}{w}_c(n_1({\mathrm{\σ}}_{\mathrm{mc}}-{\mathrm{\σ}}_{1c})+n_2({\mathrm{\σ}}_{\mathrm{mc}}-{\mathrm{\σ}}_{2c}))\right)+\left(w_{\mathrm{shape}}(w_{\mathrm{cmpct}}{h}_{\mathrm{cmpct}}+w_{\mathrm{smooth}}{h}_{\mathrm{smooth}})\right)---\left(3\right)$

其中，w_color为光谱异质度；w_shape为形状异质度；w_c为波段权值；n₁，n₂为两相邻对象内像元个数；σ_mc为整个图像在设定的波段的标准差；σ_2c、σ_1c为相邻对象设定的波段内的标准差；w_cmpct为紧致度权值；h_cmpct为紧致度；w_smooth为光滑度权值；h_smooth为光滑度；h_smooth是影像对象实际边界长l与最小外包矩形边界长b间的偏差；h_cmpct是影像对象实际边界长l与对象像元数n的均方根间的紧致度偏差。

Claims (2)

1.高分辨率遥感影像面向对象神经网络分类方法，其特征在于，它包括下述步骤：

步骤一、高空间分辨率传感器拍摄地面的影像，并将该影像发送至计算机；

步骤二、计算机采用区域增长算法对输入影像进行像元级的初步分割；

步骤三、将步骤二初步分割后的影像根据连续的设定的异质度阈值、图像的光谱特征和形状特征进行多尺度分割，形成不同尺度的分割影像；

步骤四、根据步骤三获得的不同尺度的分割影像建立BP神经网络、设置训练参数、建立训练样本对多尺度分割的影像进行分类，获得高分辨率影像，

步骤四一、建立BP神经网络模型：

建立BP神经网络模型，训练样本总数为W个，隐层的节点数公式为：

$n=\sqrt{n_i+n_0}+a---\left(1\right)$

其中：W为正整数，n为隐含层节点数；n_i为输入节点数；n₀为输出节点数；a为常数，

步骤四二、准备及预处理：

在多尺度分割的影像上，自动读取样本信息表数据，根据样本信息表和影像坐标的对应关系，将训练样本信息读入计算机，并采用格拉布斯检验方法进行检验，剔除样本中的异常值，

步骤四三、BP神经网络传输函数的选择：

输入层和隐层为非线性传递函数，输出层为线性函数；在神经网络模型中，输入层采用Log-sigmoid函数，隐层采用Tan-sigmoid函数，输出层采用线性函数，

步骤四四、BP神经网络训练函数的选择：

BP神经网络的训练函数有traingd、traingdm、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss和trainlm，分别通过上述的11个函数分别计算当其它网络参数相同、最大训练次数都为1000次、且隐含层节点数不同时训练样本误差均方根R_RMSE，选取获得的最小误差均方根R_RMSE所对应的BP神经网络的训练函数，

均方根误差R_RMSE公式为：

$R_{\mathrm{RMSE}}=\sqrt{\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(R_{\mathrm{meas}}-R_{\mathrm{mod}})}^2}---\left(2\right)$

其中：N为正整数，R_meas为检验样本的实测值；R_mod为模型的预测值，

采用选择的BP神经网络的训练函数构建神经网络模型，根据训练样本对BP神经网络模型训练，采用训练后的BP神经网络模型对多尺度分割的影像进行分类获得高分辨率影像。

2.根据权利要求1所述的高分辨率遥感影像面向对象神经网络分类方法，其特征在于，步骤三所述的多尺度分割的具体步骤为：

当求得的相邻影像的对象的异质度小于等于设定阈值时，合并相邻的影像对象，生成不同尺度的影像；

当求得的相邻影像的对象的异质度大于设定阈值时，不合并相邻的影像对象；

相邻两图像对象的异质度f：

$f=\left(w_{\mathrm{color}}\underset{c}{\mathrm{\Σ}}{w}_c(n_1({\mathrm{\σ}}_{\mathrm{mc}}-{\mathrm{\σ}}_{1c})+n_2({\mathrm{\σ}}_{\mathrm{mc}}-{\mathrm{\σ}}_{2c}))\right)+\left(w_{\mathrm{shape}}(w_{\mathrm{cmpct}}{h}_{\mathrm{cmpct}}+w_{\mathrm{smooth}}{h}_{\mathrm{smooth}})\right)---\left(3\right)$

其中，w_color为光谱异质度；w_shape为形状异质度；w_c为波段权值；n₁，n₂为两相邻对象内像元个数；σ_mc为整个图像在设定的波段的标准差；σ_2c、σ_1c为相邻对象设定的波段内的标准差；w_cmpct为紧致度权值；h_cmpct为紧致度；w_smooth为光滑度权值；h_smooth为光滑度；h_smooth是影像对象实际边界长l与最小外包矩形边界长b间的偏差；h_cmpct是影像对象实际边界长l与对象像元数n的均方根间的紧致度偏差。

Images