当前位置:甜馍馍地理信息网 >> 测绘科学 >> 遥感RS >> 正文 >>  [阅读资讯:研究论文:人工神经网络在遥感图像分析与处理中的应用]

研究论文:人工神经网络在遥感图像分析与处理中的应用

[ 来源:徐佳 关泽群 | 时间:2008年08月03日 | 收藏本文 ] 【

摘 要: 人工神经网络作为一种新兴科学,毕竟目前在遥感图像分析与处理中的还属于较为初级的阶段,存在其局限性。结合遥感影像及人工神经网络的特性,介绍人工神经网络在遥感图像分析与处理领域的应用现状,重点分析了在遥感图像分类、遥感图像复原、影像边缘检测与纹理信息提取等方面的应用。此外,还根据自己的研究实践,在Matlab平台下对用于遥感图像分析与处理的一些神经网络算法进行实现。最后,对人工神经网络在遥感图像分析与处理中的应用趋势及有待进一步研究的问题进行了探讨。

我们在今后的研究中有几点必须注意:一方面,遥感图像分析与处理本身具有复杂性和多目标性,这样就要求我们在具体工作中必须设计出适合问题的模型,同时对ANN的网络结构和学习算法做相应改进,这样做效果更好、更可靠;另一方面,要注意将人工神经网络与其它理论技术结合起来,这样它将有更加广阔的应用前景。

关键词: 人工神经网络;遥感影像;图像分析与处理;Matlab

1.引 言

    由于遥感影像数据具有多传感器、多平台、多时相、多光谱和多分辨率的海量数据的特点,遥感图像分析与处理成为图像分析与处理中一个既特殊又复杂的分支,也存在一些困难。20世纪80年代以来,随着计算机、人工智能尤其是专家系统的发展,人工神经网络技术逐渐成熟并开始应用于各个领域。人工神经网络(ANN,简称神经网络)作为一种由大量简单神经元广泛相互联接而成的非线性映射或自适应动力系统,恰好能有效解决遥感图像处理中常见的困难,因此它很快在遥感图像分析与处理领域得到了广泛地应用。

    本文首先就遥感影像的特点,遥感图像分析与处理过程中的困难,以及使用人工神经网络法的优势进行说明;然后就近年来人工神经网络在遥感图像分析与处理领域的各种应用进行介绍,如遥感图像分类、遥感图像复原、影像边缘检测与纹理信息提取等等,并在Matlab平台下对个别方法进行实现;最后对人工神经网络在遥感图像分析与处理中的应用趋势进行了分析和展望。

2.人工神经网络用于遥感图像分析与处理的优势

2.1 遥感影像的特点及其分析处理过程中的困难

    遥感影像数据具有以下一些特征:(A)多源性:获取的遥感影像数据具有多传感器、多平台的信息特征,多平台的遥感数据观测系统覆盖近地面——航空——航天的信息序列;(B)空间宏观性:遥感影像覆盖范围大、视野广,具有一定的概括性;(C)时间周期性:遥感影像数据具有多时相特点;(D)多光谱特性:光谱分辨率的提高是自遥感发展以来的重要趋势,自上世纪80年代开始发展的成像光谱仪极大提高了光谱分辨率,已经开辟了高光谱遥感;(E)多空间分辨率特性:目前,遥感探测器的分辨率由公里级、百米级发展到米级、分米级,一个多空间尺度的海量遥感数据业已经形成;(F)海量数据:多波段、多分辨率的特性使得所获得的遥感数据往往是海量的。

    遥感影像数据的上述特征使得其在分析处理过程中存在以下困难:(A)以目前的数据处理和分析能力远无法满足实用要求,海量的数据不仅难以有效提取,在串行处理时速度也较慢;(B)由于光谱分辨率的提高,波段的增多,各波段间的相关性往往又很强,则数据的冗余现象更加明显,这样处理时的精度和可靠性往往会受到影响;(C)遥感图像的处理过程从本质上来说是非线性的,因而使用线性方法进行逼近时存在许多麻烦。

2.2 人工神经网络基本特性及其优势

    人工神经网络是以对信息的分布存储和并行处理为基础,在许多方面更接近人对信息的处理方法,具有模拟人的形象思维的能力,反映了人脑功能的若干基本特性,是人脑的某种抽象、简化和模拟.人工神经网络具有如下基本特性: [1]

    (A) 并行分布处理:神经网络具有高度的并行结构和并行实现能力,每个神经元都可根据接收到的信息作独立的运算和处理,然后将结果传送出去,有较好的耐故障能力和较快的总体处理能力。

    (B) 非线性映射:神经网络具有固有的非线性特性,这源于近似任意非线性变换能力。

    (C) 通过训练进行学习:神经网络通过研究系统过去的数据记录进行训练,一个经过适当训练的神经网络具有归纳全部数据的能力。

    (D) 适应与集成:神经网络能够适应在线运行,并能同时进行定量和定性操作。神经网络具有强适应和信息融合能力,特别适合复杂、大规模和多变量系统的控制。

    结合前面说叙述的遥感处理过程中的困难,可以看出使用人工神经网络进行遥感图像分析处理存在着优势,其具体体现如下: [2]

    (A) 计算过程巨量并行、高度分布,这使其能以极快的速度处理大量的数据和求解非常复杂的问题。

    (B) 具有自学习、自适应和自组织能力,对外表现为可以适应多种不同的问题空间,也能很好地抑制噪声和信息缺失对最优解的影响;对内表现为很好的容错性,即可以通过自适应与自组织来消除坏神经元的影响。

    (C) ANN是内禀非线性系统,能“自然地”实现各种非线性映射和求解各种分界面十分复杂和高度非线性的分类和模式识别问题。

3. 人工神经网络在遥感图像分析与处理方面的应用概述

    关于人工神经网络的研究已经有半个世纪的历史,早期的研究可以追溯到1800年Frued的前精神分析学时期,1943年随着神经元的数学模型(MP模型)的首次提出,人工神经网络的研究先后经历了兴起、沉淀和低潮期。20世纪80年代中期以来,神经网络的应用研究取得了很大的成绩,开始用于解决一系列的实际问题,涉及领域非常广泛,掀起了第二次研究高潮。它特有的自组织、自学习和高容错性等功能使得其在解决复杂的非线性问题时有独特的功效。近年来,国内外众多学者已经将其应用到遥感领域,人工神经网络技术已经成为遥感图像分析与处理的一种新手段。 [3]

3.1 神经网络用于遥感图像分类

    遥感图像分类是利用计算机通过对遥感图像中的各类地物的光谱信息和空间信息进行分析,选择特征,并用一定的手段将特征空间划分为互不重叠的子空间,然后将图像中的各个像元归化到各个子空间去。传统的遥感图像计算机分类方法根据遥感数据的统计值特征与训练样本数据之间的统计关系来进行地物分类的,一般多为基于bayes统计理论的最大似然法,然而随着遥感数据空间维数的不断扩展,该方法开始暴露出一些弱点:(A)多源、多维的遥感数据,可能不具备正态分布特征;(B)离散的类别数据(如地面实测数据),在很多情况下不具备统计意义;(C)对于高维空间数据,bayes准则所要求的协方差矩阵将难以得到。另外,这种方法与人对图像的目视解译分类方法也存在很大的差异,所以人们希望寻找一种与人目视解译分类更相似的计算机分类方法。 [4]

    目前,神经网络技术在遥感图像分类处理中应用的最为广泛和深入,随着人工神经网络系统理论的发展,神经网络技术日益成为遥感图像分类处理的有效手段,并有逐步取代最大似然法的趋势。从参考文献[7][8][9]中我们可以看到,基于神经网络技术的遥感图像分类处理方法在土地覆盖、农作物分类和地质灾害预测等方面都有应用并取得了不错的效果。

现将对近几年使用的比较多的神经网络分类模型作简要介绍:

3.1.1 基于多层感知器(MLP)的遥感影像分类模型

    它是以决策面为基础,采用反向传播监督学习算法的遥感影像分类方法,已在土地覆盖分类、专题信息提取等方面得到应用,是遥感数字图像分类处理中最常用的一种模型。

3.1.2 基于径向基函数(RBP)的遥感影像分类模型

    径向基函数神经网络(RBPNN)是结合参数化的统计分布模型与非参数化的线性感知器模型的一种前向神经网络模型。它的映射原理是通过用分解的统计密度分布来拟合表示样本空间中的复杂稀疏分布,然后用神经网络感知器模型获得与类别的线性映射关系。其具有网络结构简单、学习速度快、可融合领域知识等优势。具体可参见参考文献[10]。

3.1.3 基于学习向量分层-2网络(LVQ2)的遥感影像分类模型

    LVQ2是一种以聚类分类分析为基础的神经网络。该分类器采用监督学习算法,其实质在于,当一光谱向量馈入网络时,两个最近的神经元(获胜神经元和下一个获胜神经元)即被确定。只要以下三个条件成立,此二个神经元的突触权重的适配即告完成:相应于获胜神经元的类别与输入向量的类别相同;相应于下一个获胜神经元的类别与输入向量的类别相同;输入向量非常接近获胜神经元与下一个获胜神经元之间的判别面。

3.1.4 基于Kohonen自组织特征映射网络(KSOFM)的遥感影像分类模型

    KSOFM以模拟人脑自组织功能为基础,因外部输入模式的刺激,而自动形成一种内部表达输出模式。通过调整权重有序序列的变化过程,而使网络收敛成“每个单元与有序输入信号某一特殊域相匹配”的状态。KSOFM通常用作非监督分类,可以确定输入数据空间中的单一类型。由于该网络采用非监督学习算法,其在分类处理问题中的操作效能一般低于多层感知分类器。具体参见参考文献[8]。

下一页
本文共 2 页,第  [1]  [2]  页

【推荐本文】 【打印本页】 【返回顶部
最新文章
推荐文章