[發明專利]高分辨率遙感影像面向對象神經網絡分類方法

無效

• 申請號: 201210255439.X
• 申請日: 2012-07-23
• 公開（公告）號: CN102855490A
• 公開（公告）日: 2013-01-02
• 發明（設計）人: 劉丹丹;張玉娟;王強;劉江
• 申請（專利權）人: 黑龍江工程學院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/02
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 牟永林

技術領域

本發明涉神經網絡分類方法，具體涉及高分辨率遙感影像面向對象神經網絡分類方法。

背景技術

在遙感影像的自動識別分類中，傳統的分類方法對于高空間分辨率的影像并不適用，因為在分類的過程中，會產生一種“椒鹽現象”，使分類的精度降低。對于高空間分辨率的遙感影像自動識別分類，國內外大多采用一種面向對象的分類方法，該方法先對影像進行多尺度分割，在多尺度分割的基礎上進行模糊分類或監督分類，這種面向對象的自動識別分類，對地物與影像上的灰度值呈現線性關系時，精度較高，但是當待分類的地物與影像上的灰度成非線性關系的時候，該方法的精度較低；另外隨著傳感器的光譜分辨率的提高，波段增加，該方法并不能有效地利用遙感傳感器所有波段的信息。

發明內容

本發明為了解決傳統的遙感影像分類方法分類精度低，以及不能有效地利用遙感傳感器所有波段的信息的問題，從而提出了高分辨率遙感影像面向對象神經網絡分類方法。

高分辨率遙感影像面向對象神經網絡分類方法，它包括下述步驟：

步驟一、高空間分辨率傳感器拍攝地面的影像，并將該影像發送至計算機；

步驟二、計算機采用區域增長算法對輸入影像進行像元級的初步分割；

步驟三、將步驟二初步分割后的影像根據連續的設定的異質度閾值、圖像的光譜特征和形狀特征進行多尺度分割，形成不同尺度的分割影像；

步驟四、根據步驟三獲得的不同尺度的分割影像建立BP神經網絡、設置訓練參數、建立訓練樣本對多尺度分割的影像進行分類，獲得高分辨率影像，

步驟四一、建立BP神經網絡模型：

建立BP神經網絡模型，訓練樣本總數為W個，隱層的節點數公式為：

n=ni+n0+a---(1)]]>

其中：W為正整數，n為隱含層節點數；n_i為輸入節點數；n₀為輸出節點數；a為常數，

步驟四二、準備及預處理：

在多尺度分割的影像上，自動讀取樣本信息表數據，根據樣本信息表和影像坐標的對應關系，將訓練樣本信息讀入計算機，并采用格拉布斯檢驗方法進行檢驗，剔除樣本中的異常值，

步驟四三、BP神經網絡傳輸函數的選擇：

輸入層和隱層為非線性傳遞函數，輸出層為線性函數；在神經網絡模型中，輸入層采用Log-sigmoid函數，隱層采用Tan-sigmoid函數，輸出層采用線性函數，

步驟四四、BP神經網絡訓練函數的選擇：

BP神經網絡的訓練函數有traingd、traingdm、traingdx、trainrp、traincgf、traincgp、traincgb、trainscg、trainbfg、trainoss和trainlm，分別通過上述的11個函數分別計算當其它網絡參數相同、最大訓練次數都為1000次、且隱含層節點數不同時訓練樣本誤差均方根R_RMSE，選取獲得的最小誤差均方根R_RMSE所對應的BP神經網絡的訓練函數，

均方根誤差R_RMSE公式為：