论文部分内容阅读
遥感图像分类一直是遥感研究领域的重要内容,如何解决多类别图像的识别并满足一定的精度,是遥感图像研究中的一个关键问题,具有十分重要的意义。神经网络技术的发展为解决这一问题提供了新的方法,与传统的方法相比,神经网络具有学习能力和容错特性并且无须就概率模型作出假定,适用于空间模式识别的各种问题的处理,因此神经网络技术正在被越来越普遍的应用于遥感图像分类的研究。
近年来,随着遥感技术和计算机技术的不断发展,神经网络、专家系统、模糊技术和数学形态学等一些原来实现困难的新方法也在遥感图像分类中发挥作用,虽然这些新的方法比传统的方法在分类精度上有明显提高,可也存在一定的不足。为了进一步改善分类效果,将神经网络方法与其他非线性方法相结合,进行遥感图像分类势在必行,同时这也是遥感应用科学家们一直探索的方向之一。
论文在研究遥感图像分析理论和方法基础上,对于常用遥感图像分析的神经网络技术进行深入分析讨论。针对自组织神经网络在遥感图像分析中存在不足以及遥感数据的特点,详细讨论分析K-均值方法、ISODATA方法、自组织神经网各自特点,提出基于多尺度变换的K-均值和自组织神经网的遥感影像组合分类方法。并重点研究讨论了组合分类方法用于遥感图像分类的理论、算法及其实现。最后与K-均值方法、ISODATA、自组织神经网方法的实验结果进行比较,证实了本文提出的理论、算法科学和可行。