人工神经网络在遥感影像洪水淹没图自动解译中的应用研(精)

1、第七届国际水信息学会议，HIC 2006,尼斯,法国人工神经网络在遥感影像洪水淹没图自动解译中的应用研究刘学工黄河水利委员会信息中心 郑州450004DIMITRI P. SOLOMATINE荷兰IHE国际水利学院水信息与知识工程系 荷兰 代尔夫特摘 要： 当洪水发生时，洪水淹没图为防洪管理进行洪水控制 和滩区救灾提供重要信息。最近十几年，已经开发了多种用于遥感影 像解释算法，然而，在利用遥感影像确定洪水淹没面积时，却仍然采 用耗费大量时间、由遥感专业人员进行的目视解译方法，为了能够快 速进行遥感影像淹没面积解译，本文探讨了基于人工神经网络 （ANN）的分类聚合技术的应用，提出了十字窗生成用于

2、分类的实 例空间的方法，并进行了黄河下游滩区淹没面积遥感影像自动解译的 应用研究，案例研究中选用了2002年7月、2004年6月、2005年6月黄河下游滩区雷达卫星遥感影像进行了模型训练和测试，测试结 果表明，ANN模型能够实现雷达影像淹没面积快速自动解译，该模 型可为黄河下游洪水遥感监测系统的开发提供技术支撑。0关键词： 人工神经网络 遥感影像自动解译 洪水淹没图1概述黄河， 中国第二大河流， 发源于青藏高原， 流经9省市自治区，全长5464公里， 流入渤海。 黄河下游滩区约4240平方公里， 居住180万余人口， 约2000个自然村，滩区洪水信息对于黄河下游防洪 非常重要，这些信息包括：哪

3、些地方发生洪水了、多少人口被洪水围 困、多少农田被洪水淹没，对于滩区防洪来说，获得这些信息越快越 好，洪水淹没图是为黄河下游滩区防洪减灾快速提供信息的重要途 径。为了加强黄河水资源综合管理，黄河水利委员会正在进行著名的 “数字黄河”工程(DYR)6，黄河下游洪水遥感监测系统是“数字黄 河”工程建设的重要组成部分5，本研究成果将用于该项目建设。近十几年来，人们开发了各种基于卫星遥感影像解译确定洪水淹 没区域的方法948，常用的是目视解译法，根据影像上的灰度值识 别洪水淹没区域，这种方法的精度可能会很高，但是，却花费很长时 间。另一种方法是色彩合成图像法，洪水淹没区域可以通过色调容易地进行识别，但

4、是，该方法的结果不容易与GIS系统结合2分类是一种进行影像分析的重要方法，能够自动将影像上的所有 像元分辨成不同的地物，有两种分类方法：使用训练样本数据的监督 分类方法和不使用这类数据的非监督分类方法，很多这些方法已经用 于雷达影像的解译。本文将利用多层感知人工神经网络模型（MLP-ANN进行雷达卫 星遥感影像的监督分类研究，雷达影像数据将被聚合成自然光组，或 被分类成洪水区、非洪水区。2利用人工神经网络模型进行分类图像监督分类为解译洪水淹没区提供了一种途径，多层感知人工 神经网络（MLP-ANN模型，已经广泛用于图像解释和模式识别1011，在本研究课题中，MLP-ANN模型将作为监督图像分类

5、分析技术 用于确定黄河下游滩区洪水淹没区域。2.1多层感知神经网络模型MLP-ANNMLP-ANN是由一系列多层排列节点构成的网络，节点只能在相邻 层之间由权联结，输入信息表示输入层的输入向量，输出层的输出向 量是系统转换处理过的信息，MLP-ANN络模型如图1所示。揃入层隐碣层輪入向壘输出向量图1多层感知神经网模型输入向量定义为:Xj八j(WjOjbj)模型输出向量定义为:Oj = f(X)其中：W是W V权向量函数，不同的层具有不同的权函数, 是输入信息，bj是偏差，f是激活函数，为非线性S曲线函数：f(Xi)二本研究中对于分类分析的精度评价，考虑实例分类的正确程度和实例分类的不正确程度。

6、MLP-ANN网络采用共轭梯度降序向后传播算 法，分类实例是根据原影像灰度值由专家进行。(1)Oin 也BL 1: Uooi-1 宓| 的即 m 錘 g 彫*2I fff 7 O 95 3D7 -7& 4S A M ?外 n i 34 la soo 6QOOQQ 口 aoaooniO Doau tt a o o o o Hvdird iOGOOOilUUVQo aoc oiDDafl La9 0 d o & 1 o o u .丄懿蟄上.F 沟 L.3真聖；藝5555355-耳七狂：q込巧“松胆急急益眾M巳二広誥；dir.S陵hH33萬工Q伺盞M三需；0tlyJJn歸“-J-2_

7、J-2_JTb). Class value in classified image2.2数据识别分析原始雷达影像如图2c所示，遥感影像分析专家根据原始的雷达 影像图可以用目视解译方法，借助于图像处理软件（如在此研究中采 用PCI），人工勾画出水面的边界（见图2d）。PCI软件是加拿大PCI Geomatics公司的遥感影像处理软件，擅长处理雷达卫星遥感影 像。图2a中像元的值是原始影像（图2c）各个像元的灰度值（丛0到255）,图2右边给出了由遥感专业人员目视解译分类成果，图2b中的数字是洪水区或者非洪水区的分类符号，这个分类符号0,表示该像元属于非洪水区；符号255,表示该像元属于洪水区。图

8、2a作 为输入值、图2b作为输出值组成了用于训练的数据，这些数据将用 于分类。这种方法仅仅用于简单情况，如果分类像元处在洪水区边界时问 题会变得很复杂，专家将能够对不同的灰度值识别为洪水区（或者非 洪水区），然而，分类计算软件却不能依靠输入输出进行识别， 这标 明实例需要更多的像元组成，并且其特征化要与它们的统计特征和特 性相一致11，本文采用了一种简化的处理方法。j辽零节pIQ J3Q 7! M J? 3 S7|lU R M 聲 MHha 71 41 15 倉 53 AS | BJ 55 )00 1Z5 7150 *5 ML 3 3 133 107 l| 韓 Cfi 15 14IJIJnu0

9、a). Grey scale va 1 Me in original imageClD OD Q9fr000口卩O口口DaOD0O口Q_44D00詡oO2SJ25.5 355 355 2M253 m 空務|S3 丁珀立於饗 g255 J55 垃丰*也 2 畀酸 u图2淹没区内空间像素的分类2.3相关像元的数据处理十字样本视窗（如图3所示）考虑了被识别像元（中间像元）周 边4个像元对中间像元的影响，这个十字型窗口实例也称为一个样 本，由中间像元0和上方像元T、左方像元L、右方像元R以及下方像元B共5个像元组成。使用这一十字窗口，5个像元共同组成了用 于模型的实例。图3样本空间十字窗实例每一个实例

10、有5个输入项，1个输出项,这些实例可以表示为:a). Grey scale value in original imageb). Class valu已in dassifii巴也irra呂EZo二f(O,T,L,R,B)其中：O T、L、R B分别代表源像元、上、下、左、右像元的灰度值，这些灰度值可以从源影像中获得,Zo为源影像中像元解译的分类符号值；Z是目标符号值，来自遥感专家对源影像的目视解 译，符号取值：0洪水区，或者255非洪水区。3人工神经网络分类模型应用3.1数据预处理本文选择了黄河下游滩区2002年6月22日、2004年7月24日、2005年6月29日三次雷达卫星影像（RADAR

11、SAT数据用于模型 模拟，影像数据以TIFF格式给出，由于原影像文件太大，研究过程 中被分解为256*256个像元的子影像文件。在本研究中，MLP-ANN受测试软件计算能力所限，数据输入文件 中的实例数最多为256*256个，由于一幅遥感影像往往由数百万个像 元组成，需要将一幅影像分割为若干幅256*256像元的子图像，对每 一幅子图像进行分类分析后，再拼接成原图幅尺寸的图像。3.2 MLP-ANN模型训练从2005年的数据中选择典型区间（128*128个像元，如图4b所 示），对每一个像元使用十字样本视窗，建立起实例空间。如图4a所示是训练获得的神经网络拓扑逻辑，通过自动优选（循环值500、

12、循环误差为0.0082933、学习速度0.3、动量0.2）获得隐蔽层（3个节点）。源影像、由专家生成的训练集，以及影像分类结果分别如图图4神经网络模型SAR图像（数据：2005年6月29日）分类训练3.3模型测试结果模型训练后分别选择2002年6月22日和2004年7月24日的影 像数据进行测试，测试结果如图5所示。表1所示的测试结果精度良好，该研究中实例数为819200,正确分类的为805134（98.29%）;洪水区的实例为117248，正确分类的LI ”辰果“观仙应黒4b、4c、4d所示。为111210(94.85%)。图5 2004年6月22日和2002年7月24日模型测试成果表1模型

13、模拟训练和测试成果表项目子图实例数目正确分类数目分类精度淹没区像元数目分类精度训练163841611198.33512398.22测试0163841608098.14512397.50测试111655366424698.031397596.6112655366465398.651007898.2221655366357397.002208996.9522655366448998.400测试211655366536799.74012655366487999.00397889.3221655366426698.06660692.1322655366473098.77486591.18测试31165

14、5366542899.84012655366380297.351550593.3521655366337096.691920693.2922655366414097.871070092.54合计81920080513498.2911724894.854问题讨论本文提出的MLP-ANN遥感影像洪水淹没图解译模型，使用黄河下 游2005年、2004年、2002年的雷达影像数据的训练和测试。使用十字窗方法编码实例代替了单一像元实例，这一方法不同于4个统计特征和4个地理特征化的16*16个像元组成视窗的方法，后 一种方法建立的分类算法具有8维特性11o该方法的优点在于能够进行淹没区或非淹没区进行快速自

15、动分类，其成果精度良好。这个方法的缺点是被分类识别的像元中含有错误识别的像元，还 有一些并不是期望的结果（如图4d、5b、5d所示），引起这种误差的主要原因是：在雷达遥感影像中，洪水区域的识别与及其周围地物 灰度值的不同变化有关，并且，由于地面植被的灰度值与洪水淹没区的灰度值相似，往往导致将一小块植被区域识别为洪水淹没区，同 样，在洪水淹没区中也会出现非洪水淹没区的缝隙。这些误差可以采用空间过滤技术和人工编辑校正进行修改，然 而，这样会耗费很多处理时间。还有一个方法是对研究的有效区间上 设计一个遮照，这样可能导致丢失部分精度。5结束语研究成果表明，MLP-ANN可以用于基于雷达遥感影像数据绘制

16、洪水淹没图，这种方法可以节省防洪管理的时间，并且，用于遥感影像 自动解译具有较高的精度。非监督分类方法，如自管理图法m(SOM可以减少计算量同时 获得较好的精度。这些方法也可用于今后的研究。本研究中使用MLP-ANN模型获得了较好的结果，相似的结果也可 以用其他方法获得，也可用于其他类型的遥感影像，然而，这些方法 需要未来的进一步测试。参考资料1Bach E., Peter C. and Stuart N.,“Modelling riverfloodplain inundation with high resolution digitalelevation models”, GIS/EM4:

17、Problems, Prospects and ResearchNeeds, Banff, Alberta, Canada, (2000).2Choi J.Y., Engel B.A. and Farnsworth R.L.,“Web-based GIS andspatial decision support system for watershed managemen”t ,Journal of Hydroinformatics, 7, (2005), pp 165-174.3Delmeire S.,“Use of ERS-1 data for the extraction of flood

18、edareas”, Hydrological Processes, 11, (1997), pp 1393-1396.4De Roo A., van der Knijff J., Horritt M., Schmuck G. and de Jong S.M.,“Assessing Flood damages of the 1997 Oder Flood and the 1995Meuse Flood”, 2nd Int. Symp. On Operationalization of Remotesensing, Enschede, (1999).5Information Center (INC

19、) of Yellow River Conservancy Commission(YRCC),“The Feasibility Study of the Project of Remote SensingMonitoring Application in the Lower Yellow River”, Project Reportof INC/YRCC, (2004).6Li G.Y.,“Ponderation and Practice of the Yellow RiverControl”.Yellow River Conservancy Press, Zhengzhou, China,(2003).7Lillesand T.M., Kiefer R.W. and Chipman J.,“RemoteSensing and Image Interpretation”, 5th Edition , ISBN: 047