快鳥影像的自組織神經網(wǎng)絡分類研究

馬友平

(湖北民族學院 生物科學與技術學院，湖北 恩施 445000)

遙感影像的分類研究一直是一個人們很關注的問題，其分類結果的好壞直接影響到人們下一步的研究，在一些國內外開發(fā)的遙感處理軟件如EADRS、PCI、ENVI與中國測繪科學自主開發(fā)的CASM ImageInfo v3.5等都均可進行遙感影像的有監(jiān)分類和無監(jiān)分類，為遙感影的廣泛應用立下了汗馬功勞.為了提高遙感影像的分類精度，人們試圖在以MATLBA軟件為基礎進行遙感影像的人工神精網(wǎng)絡分研究，如BP神經網(wǎng)絡(back propagation neural network) 、自組織神經網(wǎng)絡、RBF神經網(wǎng)絡(radial basis function neural network) 和模糊神經網(wǎng)絡[1]、小波神經網(wǎng)絡等.本文擬應用自組織神經網(wǎng)絡法對高分辨率的快鳥衛(wèi)星影像進行分類研究.

1 試驗數(shù)據(jù)的獲取

該試驗選用2003年10月22日拍攝的湖北民族學院桂花圓校區(qū)教學區(qū)的部分Quick Bird多光譜、全色影像；Quick Bird是目前世界上空間分辨率最高的商用衛(wèi)星之一，其CCD傳感器有5個通道[2,3]，其中一個全色通道獲取波長為450～900 nm 的全色光譜信息道，另外4個多光譜通道Bandl、Band2、Band3和Band4分別獲取波長為450～520 nm藍光光譜信息、520～600 nm綠光光譜信息、630～690 nm紅光光譜信息和760～900 nm近紅外光譜信息.其全色波段分辨率為0.61 m(星下點)，彩色多光譜分辨率為2.44 m(星下點)，幅寬為16.5 km，重訪周期為1～6 d，低軌道(450 km).

2 自組織神經網(wǎng)絡概述

早在20世紀40年代初，心理學家McCullocht和數(shù)學家Pitts就提出了人工神經網(wǎng)絡的第一個數(shù)學模型[4,5]，標志著神經網(wǎng)絡研究的開始，其發(fā)展過程經過了發(fā)展初期、低潮時期、復興時期和發(fā)展高潮時期[5].而在實際的神經網(wǎng)絡中，存在著一種“側抑制”現(xiàn)象，即一個神經細胞興奮后，通過它的分支會對周圍其他神經細胞產生抑制.這種側抑制使神經細胞之間出現(xiàn)競爭，基于生物神經元這一特性，芬蘭學者科荷倫(Kohonen)于1982年提出了自組織映射網(wǎng)絡(Self-Organizing Mapping,SOM),引入了網(wǎng)絡的拓撲結構，它能夠對輸入模式進行自組織訓練和判斷，并將其最終分為不同的類型.與BP網(wǎng)絡相比，這種自組織自適應的學習能力進一步拓寬了人工神經網(wǎng)絡在模式識別、分類方面的應用，網(wǎng)絡結構主要由輸入層和競爭層構成，是一種無需先驗知識的分類模式，輸入層的的節(jié)點數(shù)取決于分類的指標數(shù)，競爭層的神經元數(shù)取決于待分的類別數(shù).

3 快鳥影像的分類研究

為了對快鳥影像進行自組織神經網(wǎng)絡分類研究，本試驗準備以MATLAB軟件為基礎來進行分類.為此必須對img格式的快鳥影像進行格式轉換，便于MATLAB軟件能夠識別，首先在ERDAS8.5 中將11 bit轉換為8 bit格式，并進行分辨率融合處理，融合后的圖像具有二者的優(yōu)點，然后轉換為jpg格式的圖像文件(如圖1所示，見封三)，其像元大小為568×598=339 664.

表1 OIF值與排序

3.1 組合波段的選擇

快鳥多光譜影像有4個波段，擬采用最佳指數(shù)法(OIF)[6，7]從中選擇3個波段.為了解譯的方便，一般需進行3個波段的段彩色合成；其最佳指數(shù)計算公式為：

OIF越大，則相應圖像組合所包含的信息量也越大，因為圖像標準差越大，所包含的信息量也越大，相關系數(shù)越小，圖像之間的獨立性也愈高，信息的冗余度小；對OIF按從大到小的順序排列(詳見表1)，即可選出最優(yōu)組合方案.

從表1中可以明顯的發(fā)現(xiàn)，4、3、2波段組合的最佳指數(shù)最高，所含信息量也取大，因而選用該組合波段作為快鳥影像的分類組合波段.

3.2 待分地物類型的確定

從圖1真彩色圖像a可以將地物分為5種，建筑物中由于建筑屋頂?shù)牟町?，因將其分為兩類，一類是黑色的房頂，起名為建黑；二類是修建的年代較近，且房項未作任何裝修，從波譜特性上看它與道路非常相近，因而將其共同分成一類，起名為建路.其次水體、裸地、植被自成一類，共分5類.

3.3 MATLAB中的自組織分類

在MATLAB中應運函數(shù)newsom可以很方便的創(chuàng)建一個自組織神經網(wǎng)絡，其一般結構為：

net=newson(minmax(x),[n]);

其中x為待分向量，維數(shù)大小為波段數(shù)和x的像元數(shù)，在該研究中即為3×339 664;n表示競爭過程中獲勝的神經元數(shù)，即待分的地物類數(shù)，該研究中n=5.

在網(wǎng)絡訓練過程中設定了網(wǎng)絡的最大訓練次數(shù)為100次，其最終分類結果為圖2所示，見封三.

3.4 分類精度、Kappa系數(shù)計算

為了對圖2的分類結果進行量化評價，據(jù)其每類地物所占面積的大小，隨機選取了不等的點(像元)進行驗證，水體30，建路50，建黑40，裸地60，植被100，計280個像元，其圖2分類判讀結果與實際判讀結果所構成的混淆矩陣為表2.

表2 分類結果混淆矩陣

從表2中可以計算出總的分類精度(P)和Kappa系數(shù)(K)為：

P=∑aii/N=233/280=83.21%

K=(N×∑aii-∑(T·j×Ti·))/(N2-∑(T·j×Ti·))=78.66%

其中aii表混淆矩陣對角線元素，N為各類樣本總數(shù)，T·j、Ti·分別表示混淆是矩陣i行、j列之和.

4 結束語

1)應用MATLAB中人工神經網(wǎng)絡工具箱進行自組織人工神經網(wǎng)絡分類是一件很方便的事，語言簡捷，但如果圖像太大處理速度慢，這時我們只能選取一部分有代表性的影像來訓練網(wǎng)絡，此時樣地的選擇顯得非常重要；

2)快鳥影像到MATLAB中處理，要進行格式的變換；

3)快鳥影像有4個波段，假彩色的合成只需要3個波段，文中采用了OIF法進行最佳波段組合的選擇，最終選擇了4、3、2組合波段；

4)對分類的結果采用了總體精度、Kappa系數(shù)來進行衡量，其大小分別為83.21%、78.66%，能夠滿足遙感影像分類的要求.鑒于對遙感影像所對應地物的熟悉，對地面物體分成了5類.誤差偏大的原因是由于建筑物、植被的陰影較多，陰影均被分類成了建黑類，道路于樹木的陰影有一部分也被判讀成了建黑類.

[1]施擁軍,徐小軍,杜華強,等.基于BP神經網(wǎng)絡的竹林遙感監(jiān)測研究[J].浙江林學院學報,2008,25(4):417-421.

[2]初佳蘭,張杰,王小龍. SPOT、QuickBird衛(wèi)星遙感數(shù)據(jù)提取東沙島植被信息的比較[J].海洋學研究,2006，24(2):79-85.

[3]張寧玉，吳泉源. Brovey融合與小波融合對QuickBird圖像的信息量影響[J].遙感技術與應用,2006.21(1):67-70.

[4]周開利,康耀紅.神經網(wǎng)絡模型及其MATLAB仿真程序設計[M].北京：清華大學出版社,2005.

[5]許東,吳錚.基于MATLAB6.X的系統(tǒng)分析與設計-神經網(wǎng)絡[M].西安：西安電子科技大學出版社,2003.

[6]杜華強,周國模,葛宏立，等.基于TM數(shù)據(jù)提取竹林遙感信息的方法[J].東北林業(yè)大學學報,2008,36(3):35-38.

[7]劉建平,趙英時,孫淑玲. 高光譜遙感數(shù)據(jù)最佳波段選擇方法試驗研究[J].遙感技術與應用,2001,16(1):7-13.