遺傳算法優(yōu)化確定BP神經網絡的遙感圖像分類

黃孝斌 沈軍 李國新 錢利軍 郝強

摘 ?要： 傳統(tǒng)的BP神經網絡對于遙感圖像的分類精度較低，因此設計一種遺傳算法優(yōu)化確定BP神經網絡的遙感圖像分類方法。通過建立神經元數(shù)學模型，分析其傳遞信息的過程，求取BP網絡誤差權及最優(yōu)解，分析遙感圖像中不同波段的差別并進行預處理，利用OIF指數(shù)來確定參與分類的波段最優(yōu)組合，建立圖像分類體系并確定土地類型，通過輸出矩陣向量完成遙感圖像土地類型的分類。利用傳統(tǒng)分類方法和設計的方法對相同的遙感圖像進行實驗，實驗結果表明，設計方法的分類精度比傳統(tǒng)方法高出9.08%。

關鍵詞： 遙感圖像分類; BP神經網絡; 遺傳優(yōu)化算法; 神經元數(shù)學建模; 圖像預處理; 土地類型分類

中圖分類號： TN911.73?34; TP753 ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）12?0047?03

Abstract： As the traditional BP neural network has low accuracy for the classification of remote sensing images， a method of remote sensing image classification of BP neural network determined with the genetic algorithm optimization is designed. The mathematical model of neurons is established， and the error weight of BP network and the optimal solution are obtained by analyzing the process of information transmission. The difference of different wave bands in remote sensing image are analyzed and preprocessed. The OIF index is used to determine the optimal combination of bands participating in the classification. The image classification system is established and the land types are confirmed. The classification of the land types of remote sensing images are completed by means of the output of matrix vectors. The experiments of the same remote sensing images classified by the traditional classification method and the method designed in this paper were carried out. The experimental results show that the classification accuracy of the designed method is 9.08% higher than that of the traditional method.

Keywords： remote sensing image classification; BP neural network; genetic optimization algorithm; neurons mathematical modeling; image preprocessing; land type classification

0 ?引 ?言

遙感圖像是傳感器獲得信息的產物，它作為一種信息載體能夠反映出一些地形特征，如某片區(qū)域的水體、植被、山地、平原等，在資源調查、地質調查、測繪、考古等多個領域發(fā)揮著重要的作用[1?2]。如何對遙感圖像進行分類，是近年來的研究熱點。人工神經網絡在遙感圖像分類中應用廣泛，其中應用最多的是BP神經網絡，而傳統(tǒng)的BP神經網絡分類方法精度較低，因此設計一種遺傳算法優(yōu)化確定BP神經網絡的遙感圖像分類方法。

通過建立神經元數(shù)學模型，分析其傳遞信息的過程，求取BP網絡誤差權及最優(yōu)解，分析遙感圖像中不同波段的差別并進行預處理[3?4]，利用OIF指數(shù)來確定參與分類的波段最優(yōu)組合，建立圖像分類體系并確定土地類型，通過輸出矩陣向量完成遙感圖像土地類型的分類。實驗結果表明，設計方法的分類精度比傳統(tǒng)方法高出9.08%。

1 ?遺傳算法優(yōu)化確定BP神經網絡的遙感圖像分類

1.1 ?分析BP網絡誤差權

BP多層前饋誤差反向傳播神經網絡，其結構為三層感知[5]，包括輸入層、隱含層、輸出層，如圖1所示。

網絡誤差權就是各層權重（權值、閾值）和輸入樣本所對應的函數(shù)，在BP神經網絡中，最基本的組成單元就是神經元。在數(shù)學模型中，神經元模擬生物學中的神經細胞，擁有與神經細胞相似的拓撲結構。生物神經元細胞由突觸、樹突、細胞體、軸突等組成，軸突能夠向其他神經元輸出信號[6]，完成兩個神經元之間的信息傳遞。神經元對于信息的處理是非線性過程，可以得到BP神經網絡抽象的神經元數(shù)學模型，如圖2所示。

式中：[X（net）]為神經網絡均方差;[fji]為實際輸入值;[Tji]為期望輸出值。該函數(shù)代表著多維空間中的一個復雜曲面[7]，在遙感圖像分類中，BP神經網絡的尋優(yōu)過程就是求誤差極限值，誤差極限值與初始點權重緊密相連，初始點權重變化不明顯，所需調整時間較長，迭代次數(shù)多，誤差大，導致分類精度低。

1.2 ?遙感圖像預處理

在對BP神經網絡誤差權進行分析后，需要對遙感圖像進行分類處理，分類時需要找出多種特征才能提高分類精度[8]，BP神經網絡主要是依靠遙感圖像中波段的差別進行分類，圖像中包含的各波段光譜參數(shù)如表1所示。

為了對遙感圖像進行精準分類而增加波段數(shù)量，反而會造成信息重疊、無用信息增多從而影響分類精度，因此要利用OIF指數(shù)來進行平衡[9]。OIF指數(shù)是一種用于特征分類識別的光譜特征子集，OIF指數(shù)法中，圖像波段標準差越大，信息量越多;波段之間相關系數(shù)越小，各波段間的獨立性越高，信息冗余度越低。因此可以利用OIF來確定參與分類的波段最優(yōu)組合：

1.3 ?完成遙感圖像分類

在對遙感圖像分類前，需要建立分類體系[12]。確定分類體系需要遵循三個原則：分類類型符合實際情況;確定的分類類型能進一步細化或聚合;確定的類型能在實際的圖像中找到對應的特征。在以上原則基礎上，結合待研究區(qū)域的實際情況將地物分類類型進行劃分，類型、定義與特征見表2。分類體系建立后，將預處理后的圖像數(shù)據(jù)輸入到BP神經網絡中[13?14]，設BP神經網絡的期望輸出向量為[Y]，那么：

2 ?實 ?驗

為了驗證本文遺傳算法優(yōu)化確定BP神經網絡的遙感圖像分類的精度較高，設計對比實驗，將相同的遙感圖像，用傳統(tǒng)分類方法和本文分類方法進行分類，得到誤差矩陣，并最終計算出分類精度。

2.1 ?實驗準備

本實驗主要利用Matlab的神經網絡對遺傳算法模塊編程，首先采用遺傳算法優(yōu)化網絡的初始權重和隱含層神經元數(shù)目，然后利用BP神經網絡算法完成網格訓練，最后讀入待分類數(shù)據(jù)及輔助數(shù)據(jù)，實現(xiàn)遙感圖像的分類。為保證分類的速度，對實驗環(huán)境進行設置，環(huán)境參數(shù)如表3所示。

2.2 ?實驗結果與分析

在上述條件下進行實驗，得到兩種方法的誤差矩陣如表4、表5所示。

兩個表中，C1～C7分別為耕地、林地、水田、水域、居民地、商業(yè)建筑、道路，根據(jù)矩陣可以求出，傳統(tǒng)方法的總體分類精度Pc=（6 489/7 659）=84.77%，本文算法的總體分類精度Pc=（14 998/15 981）=93.85%。因此可以得知，本文方法精度比傳統(tǒng)方法高出9.08%。

3 ?結 ?語

本文通過建立神經元數(shù)學模型，分析傳遞信息過程求取BP神經網絡誤差權，利用OIF指數(shù)來確定參與分類的波段最優(yōu)組合，建立圖像分類體系并確定土地類型，通過輸出矩陣向量完成遙感圖像土地類型的分類。對相同的遙感圖像利用傳統(tǒng)分類方法和設計的方法進行實驗對比，結果表明所設計方法的分類精度比傳統(tǒng)方法高出9.08%。

參考文獻

[1] 黃宏運，朱家明，李詩爭.基于遺傳算法優(yōu)化的BP神經網絡在股指預測中的應用研究[J].云南大學學報（自然科學版），2017，39（3）：350?355.

[2] 楊怡涵，柳炳祥.一種基于遺傳算法優(yōu)化BP神經網絡的陶瓷原料分類方法[J].陶瓷學報，2018，39（3）：340?344.

[3] 施佩榮，陳永富，劉華，等.基于改進的面向對象遙感影像分類方法研究：以西藏米林縣典型林區(qū)為例[J].遙感技術與應用，2017，32（3）：466?474.

[4] 慎利，吳林梅，方燦明.面向高分辨率遙感影像分類的多尺度光譜?空間?語義特征融合[J].地理與地理信息科學，2017，33（5）：1?8.

[5] 趙鵬飛，周紹光，裔陽，等.基于SLIC和主動學習的高光譜遙感圖像分類方法[J].計算機工程與應用，2017，53（3）：183?187.

[6] 李亞飛，董紅斌.基于卷積神經網絡的遙感圖像分類研究[J].智能系統(tǒng)學報，2018，13（4）：550?556.

[7] 王巧玉，陳鍛生.結合波段選擇和保邊去噪濾波的高光譜遙感圖像分類[J].小型微型計算機系統(tǒng)，2017，38（5）：1098?1102.

[8] 曾小華，李廣含，宋大鳳，等.基于遺傳算法優(yōu)化的BP神經網絡側翻預警算法[J].華南理工大學學報（自然科學版），2017，45（2）：30?38.

[9] 歐陽福生，游俊峰，方偉剛.BP神經網絡結合遺傳算法優(yōu)化MIP工藝的產品分布[J].石油煉制與化工，2018，49（8）：98?104.

[10] 田靜，邢艷秋，姚松濤，等.基于元胞自動機和BP神經網絡算法的Landsat?TM遙感影像森林類型分類比較[J].林業(yè)科學，2017，53（2）：26?34.

[11] 徐輝，潘萍，寧金魁，等.多元線性回歸與神經網絡模型在森林地上生物量遙感估測中的應用[J].東北林業(yè)大學學報，2018，46（1）：63?67.

[12] 陳磊士，趙俊三，李易，等.基于機器學習的多源遙感影像融合土地利用分類研究[J].西南師范大學學報（自然科學版），2018，43（10）：103?111.

[13] 姚相坤，萬里紅，霍宏，等.基于多結構卷積神經網絡的高分遙感影像飛機目標檢測[J].計算機工程，2017，43（1）：259?267.

[14] 方旭，王光輝，楊化超，等.結合均值漂移分割與全卷積神經網絡的高分辨遙感影像分類[J].激光與光電子學進展，2018，55（2）：446?454.