论文部分内容阅读
利用遥感手段获得地理信息已成为地理信息研究的主要内容之一,遥感技术发展迅速,遥感图像分辨率已能够达到分米级别,而遥感技术能够快速、周期性地获取,使得海量遥感数据得以应用于我们生产、生活中,如何对其进行更好的处理与应用是我们应该思索的问题。在利用遥感图像进行分类的研究中,传统的模式识别分类方法:诸如最小距离法、最大似然法、光谱角分类法等虽然克服了目视解译诸如时间长、容易受人自身影响等不足,但对于影像识别拘泥于既定程序不能善于应变,精度基本无法如目视解译令人满意,且结果作图需进行进一步处理。因此,把灵活机动的目视解译方法与专业专家的知识经验结合起来构成一个分类的专家系统,成为解决“同物异谱和异物同谱”现象以提高分类精度的热点之一。人工神经网络分类方法是应用最广的目视解译方法与专业专家的知识经验结合的新方法,经过实际经验,多层前馈网络及误差反向传播算法(Error BackPropagation),简称BP神经网络算法是在遥感影像分类中应用最多的。BP神经网络算法灵活性好,具有综合分析的能力,能够很好地拟合遥感影像中存在的非线性数据,因此它可以较好的解决“同物异谱和异物同谱”现象,从遥感图像上快速、准确地识别和提取地物信息,这是传统的遥感影像分类方法无法达到的。本文首先对选取的Landsat-7遥感数据进行预处理,包括辐射校正、几何校正及最优波段组合、图像裁剪等,把处理后的遥感影像与引入的地理信息数据DEM进行归一化处理。同时构建一个包含三个层次的BP神经网络结构,确定神经网络相关的参数,使其构成一个良好的分类模式。然后通过实地调查与相关地理信息资料的研究确定分类体系与标准,选择训练样区进行BP神经网络算法的学习训练,必要时对其参数进行修改完善,利用ENVI软件的BP神经网络算法分类器把预处理后的遥感与DEM数据输入进来进行分类,输出分类结果并进行精度评价。最后与传统的计算机分类进行比较分析,以研究BP神经网络分类算法的优缺点。研究表明本文采用的BP神经网络分类优于非监督分类和最大似然法分类结果,验证了利用BP神经网络进行遥感图像分类是一个行之有效的分类方法,同时说明了DEM等地理信息数据对于优化BP神经网络运算有着显著作用。另一方面,由于时间和试验条件等多方面的限制,本文还有很多方面需要继续深入研究,如BP神经网络受样本数量影响,其预测能力与学习能力存在冲突,无法明确隐层节点数量,说明BP神经网络扔有很多的改进空间。