[發明專利]一種改進型的神經網絡高光譜遙感影像分類方法

有效

• 申請號: 201210343889.4
• 申請日: 2012-09-17
• 公開（公告）號: CN102915445A
• 公開（公告）日: 2013-02-06
• 發明（設計）人: 郭寶峰;陳華杰;谷雨;毛文斌;彭冬亮;劉俊;郭云飛;左燕
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/12
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 杜軍

技術領域

本發明屬于高光譜數據處理方法與應用技術領域，涉及一種改進型的神經網絡高光譜遙感影像分類方法，適用于高光譜數據監督分類的理論方法和應用技術研究。

背景技術

高光譜成像技術是近二十年來發展起來的基于多窄波段的影像技術，其中最突出的應用是遙感探測領域。高光譜遙感圖像波段數目多達上百個，光譜分辨率高達幾個納米，具有較高的光譜分辨率，為研究員提供了豐富的地物信息。根據高光譜遙感數據進行地物分類，在資源調查、氣候和環境評估、自然災害監測和生態農業等方面具有重要意義。

由于高光譜數據具有數據量大、維數高、含混度高等特點，使用傳統的分類算法對其進行分類時不僅耗時而且性能也不夠理想。為此提出的技術改進主要包括兩個方面，一是特征提取，從高維遙感數據中提取出重要的信息，去掉冗余信息，目前最常用的有獨立主成分分析、主成分分析（PCA）和分等級的主成分分析，而采用主成分分析法。二是尋找或改進更有效的分類算法，目前常用的分類算法包括最小距離法、bayes分類、支持向量機等。

在分類算法方面，考慮到一般傳統的分類算法都假設獲得的數據服從高斯分布，而高光譜數據不完全服從高斯分布。因此采用多層反饋BP神經網絡分類器，它不需要對數據的分布做任何假設，能更好地進行分類決策。但BP神經網絡存在一個很嚴重的缺陷，網絡在調節權值和閾值時，極易陷入局部極小值，無法尋得最優解，這將導致分類精確度和性能的下降。為此還引入遺傳算法（GA）對網絡的權值和閾值進行調節，以獲得更優的解，使分類精度達到預測的效果。

發明內容

本發明的目的在于針對傳統的高光譜分類方法的不足，為高光譜遙感影像分類的研究提供一種改進型的神經網絡高光譜遙感影像分類方法。

本發明方法包括以下步驟：

1)高光譜數據的預處理；

將光譜影像各個波段以灰度圖實現顯示，對各個波段的光譜影像進行目視檢查，確定由于大氣吸收、折射和散射因素的作用對光譜數據產生較大影響的異常波段和由于其他因素對光譜數據產生較大噪聲的異常波段，對異常波段做直接剔除處理。

2)PAC主成分分析；

PCA主成分分析，其步驟如下：

第一步，設原始空間數據B的維數是????????????????????????????????????????????????，其中是數據所包含的波段維數，、是高光譜數據的空間維數；在進行PCA變換之前，事先將原始空間數據B轉化為形式為的觀測樣本數據集，其中是一維像元總個數。

第二步，計算觀測樣本數據集各波段的均值和協方差矩陣：，。

第三步，通過求解特征方程來獲得協方差矩陣的特征值和特征向量:,其中是單位矩陣。

第四步：對特征值進行降序排列，即，其相對應的特征向量為；可以得到PCA變換矩陣：,為向量矩陣，并變換矩陣滿條件：；最終的PCA變換可以表示成:，其中為觀測樣本數據集，是變換后的數據，，，…，，并且的第一個分量的方差是最大的，第二個分量的方差次之，排在前面的幾個主要成分包含了數據的大部分信息。

3)訓練樣本準備；

依據先驗知識，在每個地物類別區域內，隨機的選取一定比例的訓練樣本；每個二分類問題，可組成訓練樣本集，，，其中為維輸入向量，也即維訓練樣本，為第個樣本的樣本標簽，1表示目標數據，0表示背景數據，為選取的訓練樣本總數。

4）神經網絡的分類器設計；

采用基于BP算法的多層前饋神經網絡對遙感數據進行分類；它是利用誤差反傳算法作為其學習規則進行有監督學習的前饋網絡；把待分類的地物對象的條件集合或特征組合作為BP網絡的輸入模式，并給出期望輸出模式；采用BP算法的多層感知器由三層組成：輸入層、隱含層、輸出層。

第一步：數據選擇和歸一化；

首先，將輸入、輸出數據歸一化；使用[pn,minp,maxp,tn,mint,

maxt]?=?premnmx(p,t)函數作歸一化處理，其中p，t分別為原始輸入和輸出數據，minp和maxp分別為p中的最小值和最大值；mint和maxt分別為t的最小值和最大值，pn和tn分別表示歸一化之后的輸入、輸出數據；premnmx函數用于將網絡的輸入數據或輸出數據進行歸一化，歸一化后的數據將分布在[-1,1]區間內；數據歸一化后，有量綱的表達式化為無量綱的表達式成為純量。

第二步：建立神經網絡和訓練網絡；