基于CSBP模型的中尺度遥感影像分类研究

发布时间：2020-05-11 08:40

【摘要】：遥感影像分类是实现遥感影像地物信息提取的重要技术,也是遥感领域所研究的热点内容。中尺度的遥感影像如LANDSAT系列影像,具有覆盖面积广、易获取等特点,常常作为科学研究的基础数据。使用中尺度的遥感影像作为分类识别的数据源,可以获得较大范围的土地覆被结果。BP神经网络是通过对大脑神经系统的简单抽象和模拟而构建的一种网络结构,该结构具有自适应、自组织和自学习的特点,能够实现数据的分布式存储以及并行的处理。独特的数据结构和强大的拟合能力,使得BP神经网络十分适合处理如图像分类等非线性问题。随着近年来相关理论的不断发展,BP神经网络在遥感影像分类领域取得了广泛的应用。实践证明,使用BP神经网络能够显著地提升遥感影像分类的精度。但是,BP神经网络在实际应用中仍然存在着一些问题,比如对初始的权阈值敏感、容易陷入到局部最优解等。针对上述问题,本文使用布谷鸟搜索算法对BP神经网络进行优化,构建CSBP模型。对于标准布谷鸟搜索算法存在的后期收敛速度慢、求解精度不高的问题,采用自适应步长的策略进行改进,并使用ROSENBROCK函数检验改进算法的优化能力。为了验证布谷鸟搜索算法对BP神经网络的优化效果,分别使用传统的BP神经网络、经过标准布谷鸟搜索算法优化的BP神经网络和经过改进布谷鸟搜索算法优化的BP神经网络对覆盖稻城县辖区的LANDSAT 8遥感影像进行分类实验,并对三种算法的分类结果进行对比分析。发现了使用改进的布谷鸟搜索算法优化后的BP神经网络进行遥感影像分类的总体分类精度是88.3927%,Kappa系数是0.8646。与原始BP神经网络和采用标准布谷鸟搜索算法优化的BP神经网络相比,分类精度分别提高了9.42%和1.58%。
【图文】：

遥感图像分类,步骤,遥感影像分类

遥感影像分类1 遥感影像分类概述遥感影像是指使用遥感技术，对传感器所记录的地物电磁波特性进行处理后图像。在一幅遥感影像中，相同类型的地物具有相同和相似的光谱信息和空征，而不同的地物的光谱和空间分布特征则是相异的[1]。而遥感影像分类就算机技术对遥感影像进行分析和处理，以获得各类地物的光谱和空间分布特照这些特征对不同地物进行分割归类，以实现地物的分类的技术[2]。随着计的发展，越来越多的分类算法被应用到了遥感图像分类领域。在一副遥感影像中，一个像元往往对应着多个特征，这些特征可以是光谱特特征等。众多的特征共同组成遥感图像的分类的数据源，特征之间的相似性共同构成了遥感图像分类的依据。根据遥感影像分类的基本原理，，将分类处理的流程进行概括，可以得到如图的分类步骤图：

分类结果,BP神经网络,混淆矩阵,神经网络分类

图 2.2.使用 BP 神经网络的分类结果图Fig. 2.2 Classification results using BP neural net表 2.1 基于 BP 神经网络分类的混淆矩阵. 2.1 Confusion matrix classification based on BP neural草地耕地建设用地水体 0 0 0 0 660 47 0 0 0 688 0 0 0 62 532 0 0 0 0 699 3 615 79 0 0 0 19 0 精度 PE=(3925/4859) 80.7779%, kappa 系数 K=
【学位授予单位】：四川师范大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：P237

【参考文献】