CN105844298A - 一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法 - Google Patents
一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法 Download PDFInfo
- Publication number
- CN105844298A CN105844298A CN201610171136.8A CN201610171136A CN105844298A CN 105844298 A CN105844298 A CN 105844298A CN 201610171136 A CN201610171136 A CN 201610171136A CN 105844298 A CN105844298 A CN 105844298A
- Authority
- CN
- China
- Prior art keywords
- input
- pixel
- roi
- network
- fuzzy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法,基于Fuzzy ARTMAP神经网络分类器相结合,提高高光谱影像的分类精度,有助于更准确的进行溢油检测,充分发挥了Fuzzy ARTMAP神经网络作为分类器,学习能力强的优点,使得溢油遥感影像分类精度有所提高,解决了现用于溢油监测的传统分类器落后的问题。
Description
技术领域
本发明涉及遥感图像分类技术在海洋溢油检测领域的应用,具体涉及一种基于FuzzyARTMAP神经网络的高光谱溢油影像分类方法。
背景技术
随着全球海洋运输和海洋石油开采业的迅速发展,海洋溢油事故频发,溢油监测已成为快速有效处理溢油事故的首要问题,而准确获取溢油量是评估溢油规模和生态损失的前提。海上溢油检测方法有人工出海、海上浮标和遥感手段,前两者耗资巨大,遥感手段通过廉价甚至免费获取卫星数据或者飞机巡航可大大节约成本,故遥感技术是海上溢油检测的有效手段。依据数据源的不同,遥感溢油检测方法可分为SAR溢油检测法、激光荧光溢油检测法、高光谱溢油检测法。SAR(合成孔径雷达)传感器能够全天时、全天候、覆盖范围大的进行溢油检测,但是SAR数据无法区分油种,只能提供初步的溢油信息;激光荧光数据可区分油种,但是不能确定溢油范围,也没有可用的商业化的卫星;高光谱数据波段多,数据量大,图谱合一,能为溢油检测够提供大量的信息。
模糊神经网络的理论与技术近些年不断发展完善,已经广泛应用于遥感图像分类领域。模糊神经网络将模糊逻辑系统与人工神经网络相结合,把模糊集合应用于神经网络的学习和计算,以提高神经网络的学习能力。Fuzzy ARTMAP(模糊自适应共振网)就是在ARTMAP(自适应共振网络)基础上发展起来的一种模糊神经网络。美国Boston大学的Carpenter和Grossberg于1988年提出ARTMAP,该网络可用于大量数据聚类与分类,但是ART只能处理二值输入模式,限制了它的使用。为此,Carpenter于1992年提出Fuzzy ARTMAP,用FuzzyART取代ART1,用隶属函数的方法表示输入特性,使网络能处理二进制值和连续值,扩展了对模糊属性的学习,有效提高了网络的适用性和学习性能。Fuzzy ARTMAP神经网络在遥感影像分类中有所应用,但目前还未见用于溢油检测。
利用遥感手段进行海上溢油监测,通常采用监督机器学习方法来识别溢油,但最大似然法、支持向量机法、决策树法等现有方法均存在错分、漏分的不足,难以满足溢油检测的高精度要求。以往的分类器方法存在不足。目前用于溢油检测的分类器多为基于统计分析的分类器,有较多的错分、漏分情况,导致分类精度降低,用于溢油监测的传统分类器落后。监督分类是利用先验知识,掌握了各类别的特征,然后按照分类规则进行分类,监督分类包括最大似然法、最小距离法、平行多面体法;非监督分类没有先验知识,仅凭遥感图像地物的光谱特征的分布规律,随其自然地进行的分类,常用的非监督分类法有ISODATA法,K-Mean法;决策树法是通过对训练样本进行归纳学习生成决策规则,然后使用决策规则对新数据进行分类;支撑向量机依据两类的类间距离最大化的准则求一个最优的超平面,将两类样本分开。上述方法在具有自身优点的同时,也存在对同谱异物、同物异谱、混合像元的分类效果不理想,分类结果常存在错分、漏分情况的不足,对大规模、多分类的溢油数据仍需探索新的分类方法。且改进统计分类算法提高遥感分类精度收效不大。然而模糊神经网络,由于其独特的优势,为分类器提供了新思路,自从1992年Carpenter提出Fuzzy ARTMAP以来,FuzzyARTMAP神经网络以其良好的学习性能成为一种新的遥感影像分类器。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法。
为了实现上述目的,本发明采用了如下技术方案:
一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法,其特征在于,包含以下步骤:
(a)对原始影像预处理,选择最优波段;
(b)选择感兴趣区域;
(c)建立Fuzzy ARTMAP神经网络模型,确定初始参数;
(d)利用感兴趣区内像素的特征值作为输入模式的输入,利用感兴趣区内像素对应的类别值作为目标模式的输入,对Fuzzy ARTMAP网络进行训练;
(e)利用训练好的网络,以整幅影像的像素特征值作为输入模式的输入,以专家解译图的类别值作为目标模式的输入,进行影像分类;
(f)对分类结果仿真,得到分类结果图,并做出精度评价。
优选地,所述步骤(d)包含如下特征:读取溢油高光谱数据,通过目视解译,按照不同厚度油膜反应出来的颜色差异,将图像上呈现暗红色的部分为厚油膜,颜色泛白区域为薄油膜,另一类为海水,选择三类地物的ROI,根据其光谱特征值绘制光谱特征曲线,利用envi软件的Spectral Profile功能,随机选择每类地物在ROI内的像素点,得到其光谱特征值,对多个像素点的光谱特征值求均值,得到该类地物的光谱特征曲线,选择能够较好区分三类地物的波段区间,选择不同地物的光谱特征值差异较大的最优波段作为输入波段。
优选地,所述步骤(f)中精度评价包含如下特征:在最优波段图上分别选择海水、厚油膜、薄油膜的ROI,利用Fuzzy ARTMAP神经网络法分类,并利用envi的ROI精度评定法进行精度评定;在最优波段图上分别选择海水、厚油膜、薄油膜的ROI,利用各类ROI内像素对应的特征值作为网络输入模式的输入,然后将感兴趣区内像素对应的类别值作为网络目标模式的输入,通过中间匹配域Fab实现输入模式和目标模式的相互匹配关系,对FuzzyARTMAP网络进行训练,以整幅影像的像素特征值作为输入模式的输入,以专家解译图的类别值作为目标模式的输入,利用训练好的网络进行影像分类,最后仿真出分类结果图,并利用envi的ROI精度评定法进行分类精度评定。
本发明的基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法,解决了现用于溢油监测的传统分类器落后的问题,提高地物的分类能力用于解决现有分类器的不足,提高遥感溢油检测的精度。
附图说明
图1为本发明提出的Fuzzy ARTMAP神经网络结构图。
图2为本发明的Fuzzy ARTMAP神经网络的训练过程流程图。
图3为本发明的小波图。
图4为本发明的Fuzzy ARTMAP图。
图5为本发明的溢油影像(R:G:B=1:2:3)。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1-5,本发明的一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法,其特征在于,包含以下步骤:
(a)对原始影像预处理,选择最优波段;
(b)选择感兴趣区域;
(c)建立Fuzzy ARTMAP神经网络模型,确定初始参数;
(d)利用感兴趣区内像素的特征值作为输入模式的输入,利用感兴趣区内像素对应的类别值作为目标模式的输入,对Fuzzy ARTMAP网络进行训练;
(e)利用训练好的网络,以整幅影像的像素特征值作为输入模式的输入,以专家解译图的类别值作为目标模式的输入,进行影像分类;
(f)对分类结果仿真,得到分类结果图,并做出精度评价。
优选地,所述步骤(d)包含如下特征:读取溢油高光谱数据,通过目视解译,按照不同厚度油膜反应出来的颜色差异,将图像上呈现暗红色的部分为厚油膜,颜色泛白区域为薄油膜,另一类为海水,选择三类地物的ROI,根据其光谱特征值绘制光谱特征曲线,利用envi软件的Spectral Profile功能,随机选择每类地物在ROI内的像素点,得到其光谱特征值,对多个像素点的光谱特征值求均值,得到该类地物的光谱特征曲线,选择能够较好区分三类地物的波段区间,选择不同地物的光谱特征值差异较大的最优波段作为输入波段。
优选地,所述步骤(f)中精度评价包含如下特征:在最优波段图上分别选择海水、厚油膜、薄油膜的ROI,利用Fuzzy ARTMAP神经网络法分类,并利用envi的ROI精度评定法进行精度评定;在最优波段图上分别选择海水、厚油膜、薄油膜的ROI,利用各类ROI内像素对应的特征值作为网络输入模式的输入,然后将感兴趣区内像素对应的类别值作为网络目标模式的输入,通过中间匹配域Fab实现输入模式和目标模式的相互匹配关系,对FuzzyARTMAP网络进行训练,以整幅影像的像素特征值作为输入模式的输入,以专家解译图的类别值作为目标模式的输入,利用训练好的网络进行影像分类,最后仿真出分类结果图,并利用envi的ROI精度评定法进行分类精度评定。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法,其特征在于,包含以下步骤:
(a)对原始影像预处理,选择最优波段;
(b)选择感兴趣区域;
(c)建立Fuzzy ARTMAP神经网络模型,确定初始参数;
(d)利用感兴趣区内像素的特征值作为输入模式的输入,利用感兴趣区内像素对应的类别值作为目标模式的输入,对Fuzzy ARTMAP网络进行训练;
(e)利用训练好的网络,以整幅影像的像素特征值作为输入模式的输入,以专家解译图的类别值作为目标模式的输入,进行影像分类;
(f)对分类结果仿真,得到分类结果图,并做出精度评价。
2.根据权利要求1所述的基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法,其特征在于,所述步骤(d)包含如下特征:读取溢油高光谱数据,通过目视解译,按照不同厚度油膜反应出来的颜色差异,将图像上呈现暗红色的部分为厚油膜,颜色泛白区域为薄油膜,另一类为海水,选择三类地物的ROI,根据其光谱特征值绘制光谱特征曲线,利用envi软件的Spectral Profile功能,随机选择每类地物在ROI内的像素点,得到其光谱特征值,对多个像素点的光谱特征值求均值,得到该类地物的光谱特征曲线,选择能够较好区分三类地物的波段区间,选择不同地物的光谱特征值差异较大的最优波段作为输入波段。
3.根据权利要求1所述的基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法,其特征在于,所述步骤(f)中精度评价包含如下特征:在最优波段图上分别选择海水、厚油膜、薄油膜的ROI,利用Fuzzy ARTMAP神经网络法分类,并利用envi的ROI精度评定法进行精度评定;在最优波段图上分别选择海水、厚油膜、薄油膜的ROI,利用各类ROI内像素对应的特征值作为网络输入模式的输入,然后将感兴趣区内像素对应的类别值作为网络目标模式的输入,通过中间匹配域Fab实现输入模式和目标模式的相互匹配关系,对Fuzzy ARTMAP网络进行训练,以整幅影像的像素特征值作为输入模式的输入,以专家解译图的类别值作为目标模式的输入,利用训练好的网络进行影像分类,最后仿真出分类结果图,并利用envi的ROI精度评定法进行分类精度评定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610171136.8A CN105844298A (zh) | 2016-03-23 | 2016-03-23 | 一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610171136.8A CN105844298A (zh) | 2016-03-23 | 2016-03-23 | 一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105844298A true CN105844298A (zh) | 2016-08-10 |
Family
ID=56583139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610171136.8A Pending CN105844298A (zh) | 2016-03-23 | 2016-03-23 | 一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105844298A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845434A (zh) * | 2017-02-09 | 2017-06-13 | 东华大学 | 一种基于支持向量机的图像型机房漏水监测方法 |
CN107451528A (zh) * | 2017-07-04 | 2017-12-08 | 山东师范大学 | 基于深度学习的地表覆盖图片自动识别方法及系统 |
CN108257119A (zh) * | 2018-01-08 | 2018-07-06 | 浙江大学 | 一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法 |
CN108319913A (zh) * | 2018-01-31 | 2018-07-24 | 大连海事大学 | 一种基于空谱联合的栈式自编码水上油膜提取方法及系统 |
CN108334937A (zh) * | 2018-02-06 | 2018-07-27 | 大连海事大学 | 一种基于卷积神经网络的水上油膜相对厚度提取方法及系统 |
CN108596065A (zh) * | 2018-04-13 | 2018-09-28 | 深圳职业技术学院 | 一种基于深度语义分割海洋溢油检测系统与方法 |
CN108806199A (zh) * | 2018-06-08 | 2018-11-13 | 昆山智易知信息科技有限公司 | 基于id3算法和神经网络的海面溢油监测阈值设定方法 |
CN109299655A (zh) * | 2018-08-09 | 2019-02-01 | 大连海事大学 | 一种基于无人机的海上溢油在线快速识别方法 |
CN112948552A (zh) * | 2021-02-26 | 2021-06-11 | 北京信息科技大学 | 一种事理图谱在线扩展方法及装置 |
CN114897814A (zh) * | 2022-05-07 | 2022-08-12 | 中国石油大学(华东) | 基于多级小波分解密接网络的高光谱图像溢油检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102997856A (zh) * | 2012-12-12 | 2013-03-27 | 南京大学 | 一种基于参数查找表的海洋溢油油膜厚度高光谱遥感估算方法 |
CN103559495A (zh) * | 2013-10-31 | 2014-02-05 | 大连海事大学 | 一种高光谱溢油信息提取方法 |
CN104122233A (zh) * | 2014-07-29 | 2014-10-29 | 大连海事大学 | 一种海面不同厚度原油油膜高光谱探测通道选择方法 |
CN104166857A (zh) * | 2014-08-01 | 2014-11-26 | 中国石油大学(华东) | 基于小波变换低频谱信息的溢油高光谱图像分类方法 |
-
2016
- 2016-03-23 CN CN201610171136.8A patent/CN105844298A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102997856A (zh) * | 2012-12-12 | 2013-03-27 | 南京大学 | 一种基于参数查找表的海洋溢油油膜厚度高光谱遥感估算方法 |
CN103559495A (zh) * | 2013-10-31 | 2014-02-05 | 大连海事大学 | 一种高光谱溢油信息提取方法 |
CN104122233A (zh) * | 2014-07-29 | 2014-10-29 | 大连海事大学 | 一种海面不同厚度原油油膜高光谱探测通道选择方法 |
CN104166857A (zh) * | 2014-08-01 | 2014-11-26 | 中国石油大学(华东) | 基于小波变换低频谱信息的溢油高光谱图像分类方法 |
Non-Patent Citations (1)
Title |
---|
赵春晖: "基于Fuzzy-ARTMAP网络的高光谱遥感图像分类方法", 《黑龙江大学自然科学学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845434A (zh) * | 2017-02-09 | 2017-06-13 | 东华大学 | 一种基于支持向量机的图像型机房漏水监测方法 |
CN106845434B (zh) * | 2017-02-09 | 2020-05-05 | 东华大学 | 一种基于支持向量机的图像型机房漏水监测方法 |
CN107451528B (zh) * | 2017-07-04 | 2019-11-12 | 山东师范大学 | 基于深度学习的地表覆盖图片自动识别方法及系统 |
CN107451528A (zh) * | 2017-07-04 | 2017-12-08 | 山东师范大学 | 基于深度学习的地表覆盖图片自动识别方法及系统 |
CN108257119A (zh) * | 2018-01-08 | 2018-07-06 | 浙江大学 | 一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法 |
CN108257119B (zh) * | 2018-01-08 | 2020-09-01 | 浙江大学 | 一种基于近紫外图像处理的近岸海域漂浮危化品检测预警方法 |
CN108319913A (zh) * | 2018-01-31 | 2018-07-24 | 大连海事大学 | 一种基于空谱联合的栈式自编码水上油膜提取方法及系统 |
CN108334937A (zh) * | 2018-02-06 | 2018-07-27 | 大连海事大学 | 一种基于卷积神经网络的水上油膜相对厚度提取方法及系统 |
CN108596065A (zh) * | 2018-04-13 | 2018-09-28 | 深圳职业技术学院 | 一种基于深度语义分割海洋溢油检测系统与方法 |
CN108806199A (zh) * | 2018-06-08 | 2018-11-13 | 昆山智易知信息科技有限公司 | 基于id3算法和神经网络的海面溢油监测阈值设定方法 |
CN109299655A (zh) * | 2018-08-09 | 2019-02-01 | 大连海事大学 | 一种基于无人机的海上溢油在线快速识别方法 |
CN112948552A (zh) * | 2021-02-26 | 2021-06-11 | 北京信息科技大学 | 一种事理图谱在线扩展方法及装置 |
CN112948552B (zh) * | 2021-02-26 | 2023-06-02 | 北京信息科技大学 | 一种事理图谱在线扩展方法及装置 |
CN114897814A (zh) * | 2022-05-07 | 2022-08-12 | 中国石油大学(华东) | 基于多级小波分解密接网络的高光谱图像溢油检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105844298A (zh) | 一种基于Fuzzy ARTMAP神经网络的高光谱溢油影像分类方法 | |
CN106022288B (zh) | 基于sar图像的海洋溢油信息识别与提取方法 | |
CN109190491B (zh) | 残差卷积神经网络sar影像海冰分类方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN103236063B (zh) | 基于多尺度谱聚类及决策级融合的sar图像溢油检测方法 | |
CN101894270B (zh) | 面向遥感影像分类的样本自动选取方法 | |
CN109086818B (zh) | 海洋锋面识别方法和装置 | |
CN105809121A (zh) | 多特征协同的交通标志检测与识别方法 | |
CN103218831A (zh) | 一种基于轮廓约束的视频运动目标分类识别方法 | |
CN104408481A (zh) | 基于深度小波神经网络的极化sar图像分类方法 | |
CN109740639A (zh) | 一种风云卫星遥感影像云检测方法、系统及电子设备 | |
CN107944357A (zh) | 基于证据融合自适应阈值的多源遥感图像云检测方法 | |
Nurmasari et al. | Oil palm plantation detection in Indonesia using Sentinel-2 and Landsat-8 optical satellite imagery (case study: Rokan Hulu regency, Riau Province) | |
CN104103033A (zh) | 图像实时处理方法 | |
CN103761526A (zh) | 一种基于特征位置优选整合的城区检测方法 | |
CN108345898A (zh) | 一种新型的线路绝缘子绝缘状态评估方法 | |
CN110503140A (zh) | 基于深度迁移学习与邻域降噪的分类方法 | |
CN103366373A (zh) | 基于模糊相容图的多时相遥感影像变化检测方法 | |
CN104463168A (zh) | 一种基于遥感影像的空废宅基地信息自动提取方法 | |
CN105138966A (zh) | 基于快速密度峰值聚类的极化sar图像分类方法 | |
CN113298007B (zh) | 一种小样本sar图像目标识别方法 | |
Apeagyei et al. | Evaluation of deep learning models for classification of asphalt pavement distresses | |
CN113901945A (zh) | 一种基于Faster RCNN的海面溢油检测方法及系统 | |
CN101839980A (zh) | 一种基于分割窗的无监督遥感图像变化检测方法 | |
CN111428752A (zh) | 一种基于红外图像的能见度检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160810 |
|
RJ01 | Rejection of invention patent application after publication |