收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于神经网络的高光谱遥感图像分类研究

于君娜  
【摘要】: 光谱分辨率的提高是光学遥感不断发展的趋势。高光谱分辨率(简称为高光谱)遥感技术是过去二十年中人类在对地观测方面所取得的重大技术突破之一,是当前遥感的前沿技术。由于高光谱所特有的高光谱分辨率的性质,其潜在的可应用性受到人们的广泛关注。 高光谱图像分类的研究是高光谱遥感应用的主要内容之一。人工神经网络模型是近年来发展起来的综合数据分类方法之一。神经网络高光谱模式分类方法有以下优点:1)不要求同类地物在特征空间满足正态分布,无需对原始类别做概率分布假设,不存在求解概率分布参数的问题,是一种无参分类器:2)可以将多种数据,如纹理信息、地形信息和光谱信息等方便而有效地融合到分类中来。 由于神经网络具有以上的优点,研究基于神经网络的高光谱遥感图像分类方法是十分有必要的。本论文的目的就是对常见的神经网络如BP(误差反向传播)神经网络、RBF(径向基函数)神经网络的结构、训练算法进行研究,并结合其它的理论知识,寻找有效的高光谱遥感图像分类方法。论文主要完成以下工作: 1.基于误差梯度下降的标准BP算法对大多数的实际应用而言都太慢了,针对这些不足,人们已经提出了许多改进标准BP算法的方案。论文介绍了几种改进BP算法的基本原理,并将它们用到实际高光谱遥感图像分类中,对各种算法的性能作了归纳和对比。 2.BP网络初始权值的选取缺乏理论性的指导,成为BP神经网络应用的一个弊端,而初始权值选取不当会使BP神经网络的性能受到严重的影响。为此,论文利用BP神经网络和决策融合理论相结合的办法来提高高光谱遥感图像的分类精度。 3.在RBF神经网络结构中,影响分类精度的主要参数为:隐层节点个数、径向基函数的宽度及中心位置、隐层到输出层之间的权值以及输出层节点的阈值。这五个参数如果选取不当,将会使分类效果受到严重影响。论文将RBF神经网络用于高光谱遥感图像分类中,针对高光谱遥感图像特点,结合具体影像实例,提出了一种设计以上五个参数的新方法。 4.在进行高光谱遥感图像分类处理时,经常会遇到“同物异谱”的情况。论文将基于目标分解的神经网络用到高光谱遥感图像的分类中来。基于目标分解的神经网络分类方法由三部分组成,即目标分解、神经网络分类和“亚类”归并。它对于具有“同物异谱”特性的地物,首先把它分解为几种不同的“亚类地物”,使得分解后的每一种“亚类地物”自身的光谱特征是一致的,其分布呈现单峰正态分布。然后把分解后的几种“亚类地物”当成不同的地物类别送入神经网络去训练。最后在网络输出时加上一个逻辑运算,使得“亚类地物”重新归并到原来的类别中去,以此来改善高光谱图像的分类效果。 5.遥感图像中,由于传感器的空间分辨率以及地面的复杂多样性而含有大量的混合像元。如何有效地解译混合像元是高光谱遥感应用的关键问题之一。论文采用一种方差纯化样本的方法来提取“端元”,并用RBF网络对整幅遥感图像进行混合像元分解。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 毛建旭,王耀南;基于模糊高斯基函数神经网络的遥感图像分类[J];遥感技术与应用;2001年01期
2 岳昔娟;张勇;黄国满;;改进的直方图均衡化在遥感图像分类中的应用[J];四川测绘;2008年04期
3 毛建旭,王耀南,孙炜;基于模糊小脑模型神经网络的遥感图像分类算法[J];测绘学报;2002年04期
4 居红云;张俊本;李朝峰;王正友;;基于K-means与SVM结合的遥感图像全自动分类方法[J];计算机应用研究;2007年11期
5 刘少军;张京红;何政伟;高峰;谢瑞红;;基于面向对象的橡胶分布面积估算研究[J];广东农业科学;2010年01期
6 李朝锋,杨茂龙,许磊,杨蒙召;概率神经网络与BP网络模型在遥感图像分类中的对比研究[J];国土资源遥感;2004年04期
7 许磊;李朝峰;杨蒙召;;SVM结合模糊方法在遥感图像分类中的应用[J];计算机工程与应用;2005年36期
8 李玮;袁运能;朱博勤;;自适应方法在遥感图像处理中的应用研究[J];遥感信息;2006年01期
9 张文君;顾行发;陈良富;余涛;许华;;基于均值-标准差的K均值初始聚类中心选取算法[J];遥感学报;2006年05期
10 戴芹;刘建波;;基于蚁群优化分类规则挖掘的遥感图像分类研究[J];计算机工程与应用;2008年15期
11 陈锻生,方有清;用森林生态环境信息进行遥感图像分类的专家系统初探[J];遥感学报;1988年01期
12 郑玉燕;何建农;;改进的Fuzzy-Artmap网络在遥感图像分类中的应用[J];福建电脑;2007年11期
13 田源;塔西甫拉提·特依拜;丁建丽;张飞;依力亚斯江·努尔麦麦提;韦建波;;基于支持向量机的土地覆被遥感分类[J];资源科学;2008年08期
14 陈辉;郭科;郑文峰;;数字水印技术应用于遥感图像版权保护的评测标准研究[J];物探化探计算技术;2008年05期
15 姚谦;郭子祺;袁泉;柳彩霞;;遗传算法的LVQ神经网络在遥感图像分类中的应用[J];遥感信息;2008年05期
16 朱海洲;贾银山;;基于支持向量机的遥感图像分类研究[J];科学技术与工程;2010年15期
17 俞能海,杨扬,刘政凯;用于遥感图像分类的简化并行神经网络[J];电路与系统学报;2002年04期
18 刘伟;;结合ERDAS的基于BPNN遥感图像分类[J];兵工自动化;2006年04期
19 张晓霞;王垚;;遥感图像分类方法在土地利用分析中的比较[J];科技情报开发与经济;2007年09期
20 许仕珍;吴云东;;一种基于人工免疫网络的遥感图像分类算法[J];海洋测绘;2008年04期
中国重要会议论文全文数据库 前10条
1 李石华;金宝轩;;基于Matlab的自组织神经网络在地形复杂区遥感图像分类中的应用研究[A];第二届“测绘科学前沿技术论坛”论文精选[C];2010年
2 张守娟;周诠;;空间数据挖掘决策树算法在遥感图像分类中的应用研究[A];中国遥感应用协会2010年会暨区域遥感发展与产业高层论坛论文集[C];2010年
3 张东波;王耀南;;一种可变离散精度粗逻辑网络[A];2006中国控制与决策学术年会论文集[C];2006年
4 俞晨;邹伟;余先川;;遥感图像混合像元分解方法研究[A];第十二届全国图象图形学学术会议论文集[C];2005年
5 郭子祺;李琳;周强;柳彩霞;傅薇;张宝钢;;决策树与SVM组合分类方法研究[A];第十七届中国遥感大会摘要集[C];2010年
6 吴全;裴志远;郭琳;刘跃辰;赵占营;;两种遥感分类精度评价方法应用研究[A];中国农业工程学会2011年学术年会论文集[C];2011年
7 陈本清;徐涵秋;;厦门市土地利用年际动态变化卫星遥感分析[A];第十四届全国遥感技术学术交流会论文摘要集[C];2003年
8 游代安;余旭初;王建荣;;一种基于知识的遥感图像模糊分类算法[A];中国图象图形学会第十届全国图像图形学术会议(CIG’2001)和第一届全国虚拟现实技术研讨会(CVR’2001)论文集[C];2001年
9 刘咏梅;温仲明;杨勤科;;陕北黄土丘陵地区坡耕地遥感分类方法研究[A];认识地理过程 关注人类家园——中国地理学会2003年学术年会文集[C];2003年
10 高琪清;赵小艳;;湖北省宜昌市城市热效应的遥感监测[A];第27届中国气象学会年会城市气象,让生活更美好分会场论文集[C];2010年
中国博士学位论文全文数据库 前9条
1 刘小芳;基于核理论的遥感图像分类方法研究[D];电子科技大学;2011年
2 许凯;云模型支持下的遥感图像分类粒计算方法研究[D];武汉大学;2010年
3 王旭红;遥感影像数据挖掘技术研究[D];西北大学;2005年
4 罗红霞;地学知识辅助遥感进行山地丘陵区基于系统分类标准的土壤自动分类方法研究[D];武汉大学;2005年
5 王佐成;基于纹理的遥感图像分类研究[D];西南交通大学;2007年
6 王小敏;独立分量分析及其在遥感动态监测中的应用研究[D];南京理工大学;2008年
7 高恒振;高光谱遥感图像分类技术研究[D];国防科学技术大学;2011年
8 肖阳;多谱图像融合与处理技术研究[D];华中科技大学;2011年
9 姚伏天;基于高斯过程的高光谱图像分类研究[D];浙江大学;2011年
中国硕士学位论文全文数据库 前10条
1 沈忠阳;基于空间信息核模糊C均值聚类算法的遥感图像分类[D];浙江工业大学;2013年
2 陈玲;土地利用更新调查中遥感图像分类的方法和精度对比的研究[D];太原理工大学;2010年
3 曾广伟;基于神经网络的耕地遥感图像分类研究与应用[D];吉林农业大学;2013年
4 王知鸷;基于纹理及光谱信息融合的遥感图像分类方法研究[D];西安电子科技大学;2010年
5 蒋芳;基于MATLAB的遥感图像SVM分类系统实现[D];湖北大学;2012年
6 蒋韬;基于遗传粒子群优化算法的遥感图像分类方法研究与应用[D];首都师范大学;2013年
7 吴洋;基于超像素的面向对象遥感图像分类方法研究[D];华中科技大学;2013年
8 郭逢丽;基于云理论的高光谱遥感图像分类研究[D];哈尔滨工程大学;2011年
9 刘柳;基于支持向量机和模糊后处理的遥感图像分类研究[D];华中科技大学;2010年
10 马静;遥感图像分类方法的研究[D];山东科技大学;2003年
中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978