基于纹理信息与神经网络遥感影像分类

(完好版)鉴于纹理信息与神经网络的遥感影像分类(完好版)鉴于纹理信息与神经网络的遥感影像分类(完好版)鉴于纹理信息与神经网络的遥感影像分类鉴于纹理信息提取与神经网络分类方法的遥感影像分类1实验目的目录....................................................................................................................................32实验原理....................................................................................................................................3基本看法..................................................................................................................................3原理阐述...................................................................................................................................4技术路线...................................................................................................................................73、实验设备与数据与研究地域.............................................................................................74、实验过程.................................................................................................................................8数据预办理........................................................................................................................8数据裁剪...............................................................................................................8辐射校正（包括辐射定标和大气校正）...........................................................8数据交融..........................................................................................................................10训练样区的选择..............................................................................................................11打开GoogleEarth影像作为训练样区选择的参照........................................11建立兴趣区.........................................................................................................12训练样区的选择.................................................................................................13训练样区的议论.................................................................................................14鉴于光谱信息的神经网络分类......................................................................................14分类后办理......................................................................................................................18分类精度解析..................................................................................................................19鉴于光谱信息和纹理信息的神经网络分类..................................................................20实验结果与议论..............................................................................................................25参照文件......................................................................................................................................262鉴于纹理信息提取与神经网络分类方法的遥感影像分类实验目的1、经过深入研究遥感影像纹理信息的提取原理与方法，针对研究区影像特点，掌握纹理信息对提高影像分类精度的重要作用。2、认识ENVI中鉴于神经网络的影像督查分类方法原理，采用纹理信息与神经网络分类相结合的方式，对研究区影像进行分类，与无纹理信息的分类结果进行比较与议论。3、进一步熟悉影像神经网络分类的原理和方法、训练区采用、分类后办理方法等操作，并依照研究区实质情况进行分类后议论。实验原理基本看法神经网络指用计算机模拟人脑的构造，用好多小的办理单元模拟生物的神经元，用算法实现人脑的鉴别、记忆、思虑过程应用于图像分类。神经网络算法是用计算机模拟人类学习的过程,建立输入和输出数据之间联系的方法。神经网络分类器在遥感影像分类领域获取了宽泛的关注。国内外学者发展了多种形式的神经网络模型和算法,如反向流传网络、模糊神经网络、多层感知网络、Kohonen自组织特点映射网络、Hybrid学习向量分层网络等。网络的输入和输出节点之间经过隐含层相连,节点之间经过权重连接,所以这种方法可以将多种数据,如纹理信息、地形信息等,方便有效地交融到遥感影像的分类过程中,增强了分类能力。神经网络是非线性系统,可以在特点空间构造出分类界面比较复杂的子空间,所以对非线性可分的特点子空间特别有效。但是,神经网络也存在必然的缺点,如初始权重选择的困难、收敛速度慢、对输入数据的预办理要求高等,对遥感影像分类结果有重要影响。当前,应用和研究最多的是利用反向流传算法(BP算法)训练权值的多层前馈神经网络。该网络的学习训练过程由正向流传和反向流传组成,在正向流传过程中,输入信息从输入层经隐含层逐层办理,并传向输出层,若在输出层得不到希望的输出,则输入反向流传,将误差信号沿原路返回,经过更正各层神经元间的权值,达到误差最小。一般说来,隐含层3数量和隐含层结点数难以确定,增加隐含层数量和结点数,可以提高精度,且有效地减少局部极小的概率,但是需要更长的学习时间。神经网络由于拥有较强的非线性逼近能力及自适应、自学习能力,所以可以办理难以用数学模型描述的系统。对于一个特定的问题,平时很难判断哪一种网络是最有效的,由于对于网络种类的选择取决于好多要素,包括问题的复杂程度以及所研究问题的性质、训练样本的多少、网络的构造、权值和偏置值的数量、误差目标、参数取值等。实质应用中,一般要依照详尽问题,对几种网络进行比较,选择较为合适的算法。原理阐述人工神经网络（ArtificialNeuralNetworks，ANNs），有时也称为计算机神经网络ComputationalNeuralNetworks，CNNs），试图模拟生物神经网络的特点，用以解决一系列信息办理、解析和建模的难题。人工神经网络的主要种类即所谓的前馈网络。一个典型的前馈神经网络由3个或更多的相互连接的节点组成——一个输入层、一个或多个隐蔽的中间层（平时只有1个）和一个输出层。箭头指示信息流方向，从输入到输出传递信息。输入层和隐蔽层之间的连接可以用权矩阵W来描述，行/列项值Wij是正或负的实数权重，或若是不存在联系时为零。同样，隐蔽层和输出层的联系也可以被视为一个权矩阵Z，同样由一组权值Zjk组成。每种情况下，正权值意味着对源节点或输入节点相关的增强作用，而负权值则对应于控制作用。1121232345输入隐蔽输出一般来说，隐蔽层和输出层的所有节点也同样被连接到一个偏置节点上。比方：在多层次感知器中，分别有一个偏置节点与每个前馈层连接，n个输入节点，一个带有m个隐蔽节点的隐层，和p个输出节点，权重矩阵W和Z的维数分别为(n1)m和(m1)(p)。4输入数据依照其Wij权重矩阵的值来加权并在隐蔽层中进行组合（主若是求和）。此后这种加权求和由已知的一种激活函数g来更正。可以采用不同样的激活函数，但是空间解析中最常用的是logistic或sigmoid函数。这种过程可以由以下节点层来阐述：g若是我们把输入集表示成一个数据矩阵X，把输出集表示成输出矩阵Y，一个人工神经网络就是一个由X到Y的照射f：XY。典型的，这种照射是一种非线性加权和——事实上非线性是ANN应用于大多数问题的一个实质特点。输入数据被{xi}被进行两次更正，第一次是加权求和，第二次是利用激活函数。对下一层应用同样的过程，将隐蔽层输出值hj进行求和，并依照和输入层近似进行可选的更正，从而在输出层产生最后结果yk：h*j(xiwyj)和hjg1(h*j)iyk*hizyj，最后ykg2(yk*)j故ykg2g1(xiwyj)zjkji若是有一个或多个控制数据集，即给定一个输入集i，并且知道目标输出集也许输出矢量t，则可以用该信息来“训练”网络。该学习过程称为“督查”，由于它表示我们拥有解的先验知识，并且在督查训练过程。这里的控制数据可被分为两大组：用来训练神经网络的“训练数据”（先前采用的训练样区ROI）和先前未用于神经网络的用于评估网络性能的“测试数据”（测试用到的样区ROI）。督查学习被宽泛应用于模式鉴别/分类和复杂函数逼近（非线性回归）领域中。比方：假设两个加权矩阵的初始值均被随机地设为[0,1]中的一致值。当值经过网络流传到输出层时，输入数据集或矢量（或训练数据）i将被变换，给出一个输出值的会集或矢量O时，将会与已知的正确值不般配，即产生误差。5ek(tkok)理想状态下，我们想经过选择合适的权重集来最小化这些误差，为了实现这一目标，我们平时采用最小化所有输出节点的平方差总和（或均方根误差RMS），它是一种可以反响出最小二乘回归的方法。经过误差平方和表达式的微分来达到最小化的目的，使它等于零，并用该结果来确定对初始权重要求的调整。平时计算出误差平方和均值的平方根（RMSE）:RMSE1Nok)2(tkNk1该式供应了一种解的“代价”的标准化方法，目的是最小化该代价函数，最好是经过之前所说的调整权重来使它的值降为零。调整权重矩阵中的值的过程平时在被称为陪同梯度下降的反向流传过程实现的。反向传播部分指一步一步的在网络上应用一个后向学习规则——所以第一步是改变Z矩阵中的值，尔后改变W矩阵中的值。Zt1Zt(Z)t尔后Wt1Wt(W)t矩阵中值的正负增量是鉴于它们对输出结果中的正、负误差相关的贡献。由于激活函数的引入，使得误差信号不是鉴于输出值和希望输出值之间的差异，而是鉴于隐蔽层值和反向流传隐蔽值间的差异，所以，调整起来更加的复杂。这些反向流传过程相当于一个用来找出均方根局部最小值的梯度下降方法（比方：在ENVI进行神经网络分类时，可以看到plot图中理想状态RMS值应逐渐降低，而非颠簸曲折）。完成调整各层的权重此后，前向流传过程再次进行计算代价函数，现在的代价函数应该小于或等于从前的代价函数。该过程连续进行，直到代价函数停止降低或已经达到预设的最大迭代次数。在ENVI中使用NeuralNet选项可以应用一个分层的正向（feed-forward）神经元网络分类。该技术在进行督查学习时使用标准的后向流传技术（backpropagation）。用户可以选择所用的隐蔽层的数量，也可以在对数和双曲线活化（activation）函数之间选择所需函数。由于调整节点中的权重可以使输出节点活化与所需的输出结果间的差异达到最小化，因6此神经元网络技术利用该方法对发生的事件进行学习。在学习过程中，误差在网络中后向传播，同时使用递归法调整权重。也可以使用神经元网络来进行一个非线性分类。技术路线3、实验设备与数据与研究地域硬件：计算机软件、数据：Landset8影像、福州市shp文件Landset8数据（成像时间：2013年8月4日2点34分；行列号为119，42；云量覆盖度为1.21%）传感器：OLI（OperationalLandImager，陆地成像仪）TIRS（ThermalInfraredSensor，热红外传感器）OLI陆地成像仪序号波段（um）空间分辨率（m）1302303304305307630730815930TIRS热红外传感器1010011100地成像仪（OLI）包括9个波段，空间分辨率为30米，其中包括一个15米的全色波段；热红外传感器（TIRS）包括2个热红外波段，空间分辨率为100米。研究地域：福州市为福建省省会城市，位于福建省东部、闽江下游沿岸。介于北纬25°15′～26°39′，东经118°08′～120°31′之间。东濒台湾海峡，西邻南平市和三明市，南接莆田市，北靠宁德市。福州是属于典型的海洋性亚热带季风气候，全年冬短夏长，温暖湿润，气候合适。福州市的地貌属于典型的河口盆地，是城市中心的发源地。实验中以福州市的5区（台江区、仓山区、鼓楼区、马尾区和晋安区）为例，不包括琅岐岛。4、实验过程4.1数据预办理数据裁剪利用shp文件对遥感影像进行裁剪辐射校正（包括辐射定标和大气校正）．辐射定标8B．大气校正（采用ENVI中的FLAASH大气校正模型）在以下图的中输入影像的中心经纬度坐标；输入影像所在地域的平均高程；输入卫星的过境时间；在4种输人大气模型，这里选择中纬度夏天；输入气溶胶模型，这里选择Urban。94.2数据交融在ENVI软件中，选择Transform->ImageSharpening->HSV，在SelectLowSpatialResolutionMultiBandInputFile中选择band8多光谱波段，SpatialSubset为FullScene，SpectralSunset为3个波段Resampling选择NearestNeighbor，OutputResult选择保存路径104.3训练样区的选择打开GoogleEarth影像作为训练样区选择的参照使用Envi的GoogleEarthBridge将遥感影像和街区矢量图层导入GoogleEarth，以便在GoogleEarth搜寻参照影像时更快定位。在ENVI软件中，选择Spectral->SPEARTools->GoogleEarthBridge。在GoogleEarthBridge窗口中，选择增加的遥感影像HVS1，点击NEXT进入下一步，设置遥感影像显示的参数，选择6、5、4波段进行彩色显示，点击NEXT进入下一步，同样增加矢量图层，如图44，保存路径为。11建立兴趣区打开兴趣区模版，选择Overlay->RegionofInterest，打开ROITool在ROITool窗口中，我们可以对ROIName和Color进行编写，双击ROIName的地域，可以对训练样区进行名字的更正，右击Color可以选择训练样区的颜色，windows选择Zoom窗口，即只幸亏Zoom中选择训练样区；在#1Zoom窗口中，我们鼠标左键选择训练样区，右击确定，第二次右击即保存该训练样区。在ROITool窗口中，点击NewRegion建立其新的ROI样区，Goto可以跳转各个训练样区，就可以对其进行更正，在实验中，我们将分成5类，进行督查分类，如：water,forest,city，bareland，grass。12训练样区的选择训练样区的选择依照，如图50，（a）water，（b）forest，（c）city，（d）bareland。13训练样区的议论分别性的定量解析在ROITool窗口中，选择Options->ComputeROISeparability,计算样本的可分别性。如图51，表示各个样本种类之间的可分别性，用Jeffries-Matusita,TransformedDivergence参数表示，这两个参数的值在0~2.0之间，大于1.9说明样本之间可分别性好；小于1.8大于1.4属于合格样本；小于1.4需要重新选择样本；小于1，考虑将两类样本合成一类样本。SignatureNameForestwaterbarelandcityForestwaterbarelandcity从分别性的数据中，我们可以获取，water和forest这三类的分别与barealand都等于2，可知这三类的分别收效较好。剩下的分别性的数值都达到1.4，说明样区的选择比较吻合实质。4.4鉴于光谱信息的神经网络分类在ENVI软件中，选择Classification->Supervised->NeuralNetClassification，在文件输入对话框中选择HSV1交融影像。14在NeuralNetParameters窗口中，设置好各个参数。Activation：选择活化函数。对数（Logistic）和双曲线（Hyperbolic）。（本研究选择Logistic，由于对数函数的收效更优）?TrainingThresholdContribution：输入训练贡献阈值(0-1)。该参数决定了与活化节点级别相关的内部权重的贡献量。它用于调治节点内部权重的变化。训练算法交互式地调整节点间的权重和节点阈值，从而使输出层和响应误差达到最小。将该参数设置为0不会调整节点的内部权重。合适调整节点的内部权重可以生成一幅较好的分类图像，但是若是设置的权重太大，对分类结果也会产生不良影响。TrainingRate：设置权重调治速度（0~1）。参数值越大则使训练速度越快，但也增加摇动也许使训练结果不收敛。?TrainingMomentum：输入一个0~1的值。该值大于0时，在“TrainingRate”文本框中键入较大值不会引起摇动。该值越大，训练的步幅越大。该参数的作用是促使权重沿当前面向改变。?TrainingRMSExitCriteria：指定RMS误差为何值时，训练应该停止。RMS误差值在训练过程中将显示在图表中，当该值小于输入值时，即使还没有达到迭代次数，训练也会停止，尔后开始进行分类。NumberofHiddenLayers：键入所用隐蔽层的数量。要进行线性分类，键入值为0。没有隐蔽层，不同样的输入地域必定与一个单独的超平面线性分别。要进行非线性分类，输入值应该大于或等于1，当输入的地域其实不是线性分别或需要两个超平面才能区分种类时，必定拥有最少一个隐蔽层才能解决这个问题。两个隐蔽层用于区分输入空间，空间中的不同样要素不周边也不相连。?NumberofTrainingIterations：输入用于训练的迭代次数。MinOutputActivationThreshold：输入一个最小输出活化阈值。若是被分类像元的活化值小于该阈值，在输出的分类中，该像元将被归入未分类（unclassified）。选择分类结果的输出路径及文件名。设置OutRuleImages为Yes，选择规则图像输出路径及文件名。15单击OK按钮执行分类。RMSPlot图：从上RMSPlot图，表示为每一次迭代显示RMS误差，若是训练正确进行，误差应该逐渐减小，并达到一个牢固的较低值。从图中我们可以获取随着Iteration的增加而TrainingRMS的值基本保持在0~0.05之间，保持在一个相对牢固的状态,RMS的数值也比较低，说明了分类收效较好。分类结果图：16鉴于光谱信息的神经网络分类结果图提取每类的光谱信息：CityWater17ForestBareland4.5分类后办理1）主次解析（Majority/MinorityAnalysis）使用“Majority/MinorityAnalysis”选项可以对分类图像进行主/次要解析。使用主要解析（MajorityAnalysis）可以将较大种类中的虚假像元归到该类中，ENVI赞同输入一个变换核尺寸，并用变换核中占主要地位的像元的种类数代替中心像元的种类数。若是使用次要解析（MinorityAnalysis），ENVI将用变换核中占次要地位的像元的种类数代替中心像元的种类数。①选择主菜单Classification/PostClassification/Majority/MinorityAnalysis(主次要解析)，当出现文件选择对话框时，选择所需的输入分类图像，若需要，采用任意子集。18②选择分类后的影像点击OK。在种类列表中，点击要应用解析的种类，SelectClasses选择SelectAllItems，AnalysisMethod选择Majority主要，KernelSize设为3*3，CenterPixelWeight权重设为1。结果解析：该方法是把象元的类归为周围8个象元中最多个数的那个类。输出结果为以下图，发现小图斑的数量明显有减少。原始影像未办理过的影像主要解析办理后4.6分类精度解析把分类结果的精度显示在一个混淆矩阵里（用于比较分类结果和地表真实信息）。混淆矩阵的记录结果都包括：整体分类精度、制图精度和用户精度、Kappa系数、混淆矩阵以及错分误差和漏分误差。计算混淆矩阵有使用地表真实图像和使用地表真实感兴趣区两种方法。在Arcgis中，生成随机点，尔后导入GoogleEarth中鉴别随机点的地类，再与分类结果进行叠加解析，经过EXCEL计算出混淆矩阵；19整体精度=81/100=81%KAPPA系数为LULCProd.UserAccAcc.BarelandCityForestWater4.7鉴于光谱信息和纹理信息的神经网络分类1）主成分解析，在主菜单中，选择Transfrom->PrincipalComponent->ForwardPCrotation->ComputeNewStatisticsandRotate主成分解析模块。2)在ForwardPCParameters窗口中设置好参数；经过对研究区影像的主成分解析,发现第一主成分信息量为89