基于LVQ神经网络和灰度共生矩阵的遥感图像分类及其应用
基于深度神经网络的遥感图像分类技术研究
基于深度神经网络的遥感图像分类技术研究遥感图像分类技术是指将遥感图像中的像素点划分到不同的地物类别中，是遥感图像处理领域的一项重要技术。
随着深度学习技术的发展，基于深度神经网络的遥感图像分类技术在近年来得到了广泛关注和应用。
一、深度神经网络原理深度学习是一种模仿人脑神经网络的机器学习算法，具有自动提取特征的能力。
深度神经网络是深度学习的核心技术，其基本原理是将输入数据通过多层神经元进行处理，最终得到输出结果。
深度神经网络通常由输入层、隐藏层和输出层构成，每层包含多个神经元，每个神经元通过激活函数将输入信号转化为输出信号，随着深度的增加，神经网络能够提取更复杂的特征，从而实现更准确的分类。
二、遥感图像分类技术遥感图像分类技术是指将遥感图像中的像素点划分到不同的地物类别中，按照分类方式的不同，可分为监督分类和非监督分类两种。
监督分类是指事先对图像进行样本采集和分类标注，再通过机器学习算法将待分类像素点进行分类。
监督分类的精度较高，能够得到较好的分类结果，但需要大量的标注数据和专业知识。
非监督分类是指无需样本标注，通过聚类算法对图像进行自动分类，其分类结果具有客观性和普适性，但分类精度相对较低。
三、基于深度神经网络的遥感图像分类技术基于深度神经网络的遥感图像分类技术利用深度学习算法自动提取图像中的特征，实现对复杂地物的准确分类。
与传统的遥感图像分类方法相比，基于深度神经网络的技术具有以下优势：1. 自动提取特征，无需手工设计特征。
2. 模型具有较强的泛化能力，不易受到干扰和噪声的影响。
3. 能够处理大规模、高维度的遥感图像数据，具有更高的分类精度。
目前，基于深度神经网络的遥感图像分类技术已经在各个领域得到广泛应用，如城市规划、农业监测、环境保护等。
其中，深度卷积神经网络（CNN）是应用最为广泛的一种深度神经网络结构。
CNN是一种专门处理图像数据的深度神经网络，其基本思想是利用卷积核对图像进行卷积运算，从而实现特征提取和降维。
广义LVQ算法及其在遥感影像分类中的应用研究
（设 矢 为Ｘ＝Ｘｘ… ｌ 输出 神 １ 输入 量 ） ２ Ｉ，，， ‘ Ｉ ， 层 经元Ｊ
Ａ ｓｒｃ Ａｆ ｒ ｃ ｍｐ ｒ ｇ Ｌ ａ ｉｇ Ｖ ｃ ｒ Ｑｕｎｉ ｔ ｎ （ＶＱ ａ ｏｉ ｍ ｎ Ｇ ｎ ｒｌｅ ｅｒｉｇ Ｖ ｃ ｒ ｂ ｔａｔ ｔ ｏ ａｉ ｅｒ ｎ ｅｔ ａｔ ａｉ ｅ ｎ ｎ ｏ ｚ ｏ Ｌ ） ｌ ｒｈ ａ ｄ ｅｅａｉ ｄ Ｌ ａ ｎ ｅｔ ｇ ｔ ｚ ｎ ｏ Ｑ ａｔ ａｉｎ（ Ｌ ）ａ ｏｉ ｍ，ｈｓｐ ｐｒｅｔｂｉ ｅ ＶＱ ｂｓｄｃ ｓ ｃｔ ｎｍｏ ｅ ｆｒｒｍ ｔ ｓｎｉ ｇ ． ｕ ｎｉ ｔ ｚ ｏ Ｇ ＶＱ ｌ ｒｈ ｔｉ ａｅ ｓ ｌｈｓａＧＬ －ａｅ ｌ ｉ ａｉ ｄｌ ｏ ｏｅ ｅｓ ｇ ｉ ｅ ｇ ｔ ａ ｓ ｓ ｉ ａ ｆ ｏ ｅ ｎ ｍａ
２１ ＶＱ算法 ． Ｌ 学习矢量量化（ＶＱ 算法 是 Ｋｏｏ ｅ 提 出用于模式分类 Ｌ ） ｈｎｎ 的一种有监督的学习算法 。 它允许对输入被分到哪一类进行层接受 Ｖ 输入样 本，输 出层 为竞 争层 ，它对输入样 本进 行聚类。这两 层 的神经元之 间全互连连接 。 Ｌ ＶＱ算法基本步骤为 ：
经成为国际遥感数据分类的研究热点 。 神经 网络方法在 以下 几个方面优于基于统计的传统分类方法 ： 需要参数估计和 不
假设数学模型 ， 噪声能力强， 以学习多重复杂的模式等 ， 抗 可
有利 于解 决遥 感影像 分类 中的“ 同物异谱 ” 同谱异 物” 、“ 现
象 。目前 采用 的神经网络主要有 Ｂ ，Ｈｏ ｆ ｌ，Ａ Ｔ ＶＱ Ｐ ｐ ｅｄ Ｒ ，Ｌ ｉ
Ｔｈ ｍ ｏ ｅＳ ｎ ｉ ｇ Ｉ ａ ｅＣｌ ｓ ｉ ｃ ｔｏ ｓ ｄ ｏ ｎ ｒ ｌ ｅ ａ ｎ ｎ ｅＲｅ ｔ ｅ ｓｎ ｍ ｇ ａ ｓｆ ａ ｉ ｎ Ｂａ ｅ ｎ Ｇｅ ｅ ａ ｉ ｄ Ｌｅ ｒ ｉ ｇ ｉ ｚ
遗传算法的LVQ神经网络在遥感图像分类中的应用
Ｅ ｍａｌｘ ａａ ｏａ ｍａｌｃｒ － ｉ：ｐ ｒ ｎ ｉ＠ｇ ｉ ｏ ． ｎ
２１
遥感信息
理 论 硼 穷
（） ３ 权值 调整 ：
如果 ｒ ＝Ｃ
的全 局搜 索能力 和鲁 棒性 。 目前 遗传算 法 已被广泛 应用 于很 多领域 ， 如组 合 优 化 、 器学 习 、 机 自适 应控 制等 。 为 了将遗 传 算法 应用 于 Ｌ ＶＱ 神 经 网络权 值初 值选 取 ， 先 进 行 编 码 ， 解 空 间变 换 为染 色 体 空 首 将 间 ， 定义 染色 体 的适 应度 ， 并 使得 较优 的个 体适 应度 也较 高 ； 后再 对种群 施加 选择 、 然 交叉 、 变异 等操作 ， 产生 新 的染色体 群体 。由于新群 体 的成员是 在上 一 代群体 的优 秀者 的基础 上 变 化 出来 的 ， 承 了上一 继 代 的优 良特性 ， 而 明显 优 于 上一 代 。经过 反 复迭 因 代后 ， 染色 体群 体 向着更 优解 的方 向进 化 ， 至满足 直
理 论 研 奔
遥 感信息
遗传算法 的 Ｌ ＶＱ神经 网络 在遥感 图像 分类中的应用
姚 谦 ， 子 祺 ， 泉 ， 彩 霞 郭 袁 柳
（ 国科 学 院遥 感 应 用 研 究 所 ， 京 １０ ０ ） 中 北 ０ １ １
摘 要 ： 习 矢 量 量 化 （ Ｖ ） 经 网络 算 法 对初 值 非 常 敏 感 ， 响 遥 感 图像 分 类 的 精 度 。遗 传 算 法 具 有 很 强 学 Ｌ Ｑ２ 神 影 的全 局 搜 索 能力 和 鲁 棒 性 ， 够 优 化 Ｌ ２神 经 网 络 的 初 始 权 值 向量 ， 一 定 程 度 上 降 低 算 法 对 初 值 的敏 感 性 。 能 ＶＱ 在 本 文 采 用 遗 传 算 法选 取 Ｌ ２神 经 网络 的初 始 权 值 ， 以 江 苏 省 扬 州 地 区遥 感 图像 分 类 为 例 ， 过 与标 准 Ｌ ＶＱ 并 通 ＶＱ 神 经 网络 、 大 似 然 法进 行 比 较 ， 果 证 明 ， 用 遗 传 算 法 的 Ｌ ２神 经 网络 在 分 类 精度 上 有 了一 定 的提 高 。 最 结 利 ＶＱ 关 键 词 ： 习 矢量 量 化 ； 经 网络 ； 学 神 遗传 算 法 ； 感 图像 分 类 遥
遥感图像分类中的遗传算法LVQ神经网络运用
遥感图像分类中的遗传算法LVQ神经网络运用
遥感图像分类是遥感领域中一项重要的研究方向，通常采用多种分类方法进行处理，
以达到有效分类和提高分类精度的目的。
而遗传算法（Genetic Algorithm，GA）是一种基于生物学进化理论的搜索和优化算法，在图像分类中应用广泛。
基于遗传算法的复合分类方法中，常采用的是多层神经网络（Multi-Layer Perceptron，MLP），它是一种前向反馈神经网络，具有多个输入层、隐藏层和输出层。
其中，隐藏层的神经元数量对分类性能的影响非常重要。
在遗传算法中，将神经元数量作为遗传算法的优
化目标，通过遗传算法进行优化，并将优化的结果输入到LVQ神经网络中进行分类。
LVQ神经网络（Learning Vector Quantization，LVQ）是一种监督学习神经网络，它根据分类的目标进行训练，具有快速收敛和较好的分类性能。
在LVQ神经网络中，每个神
经元表示一个类别，输入样本通过计算到各神经元的距离来确定所属的类别。
遗传算法则
通过不断迭代的过程寻找最佳分类结果，提高分类精度。
简单来说，遗传算法LVQ神经网络的分类过程是这样的：首先，使用遗传算法对神经
元数量进行优化，得到优化结果，然后将结果作为LVQ神经网络的分类依据，在LVQ神经
网络中对输入的遥感图像进行分类，最终得到有效的分类结果。
总之，遗传算法LVQ神经网络运用于遥感图像分类中，通过遗传算法的优化和LVQ神
经网络的分类，可以有效地提高遥感图像的分类精度和处理效率。
这种复合分类方法具有
较强的可扩展性和适应性，未来将在遥感领域中得到广泛应用。
基于灰度共生矩阵和模糊神经网络的SAR图像分割管理
四、R图像分割步骤
（1）为简化计算，在新方法中将原图像划分为小规模块，即所谓的子图像，笔者在此就是将子图像设定为8x8像元，以增强其可辨度。
（2）采用灰度共生矩阵求解各个子图像的4个统计特征，作为小块图像的纹理特征。同时各区间内不同纹理图像的特征值差距比较明显，充分说明各个特征均具有非常好的可区别性，有利于图像分类或检索时的特征识别。
引言：图像SAR具有全天时、全天候的高分辩成像能力以及矿山、植被、土壤等具有一定的穿透能力，对国防建设和国民经济发展都起到了举足轻重的作用。但SAR图像中相干斑噪声的存在使得其图像分割工作显得相当复杂。目前，可用作SAR图像分割的特征包括灰度特征和纹理特征①。由于SAR图像反映的是地物对雷达波的后向散射特征，对于具有相同或者相近的后向散射系数的地物可能会在SAR图像中表现为相似的灰度值，加之相干斑噪声的干扰，从而导致混淆。因此仅仅利用灰度特征进行分割的结果在实际应用中非常不理想。本文在此将原始的SAR图像的纹理特征和滤噪后的灰度特征结合起来，从而实现了SAR图像的分割②。
（3）对原图像进行小波滤波，并对滤波后的图像采用本文前部分列示的模型进行分法，然后计算各小块图像的灰度值，作为小块图像的灰度特征。小波系数局部标准差融合策略在分辨率增强和光谱信息保持的综合性能最优，能够提高空间的细节表达能力同时略微降低了光谱信息的保持能力，在一定程度上有助于SAR成图效果检测。
（4）将上述第二部分求的的4个灰度共生矩阵特征和第三部分得到的灰度特征组成的特征矢量，采用模糊神经网络对SAR图像进行分割。
五、验结果
笔者在本文中将SAR图像分割成8x8小块，为验证该方法的有效性，笔者同时也采用了传统的方法对原始SAR图像进行分割，即阀值分割法――基于瑞利分布的阀值分割以及基于边缘信息图像分割――利用Robert算子提取边缘信息的图像分割法和模糊C-均值聚类分割法④，均可以达到笔者的研究目的。
遥感图像分类方法及其在测绘中的应用
遥感图像分类方法及其在测绘中的应用遥感图像是通过遥感技术获取的地球表面的图像信息。
遥感图像具有广泛的应用领域，其中之一就是测绘领域。
遥感图像分类方法是将遥感图像中的像素点按照一定的规则进行分类和标记，以获取图像中不同区域的信息，从而实现对地物和地貌的解译和分析。
本文将介绍常用的遥感图像分类方法，并探讨其在测绘中的应用。
一、遥感图像分类方法1. 基于像元的分类方法基于像元的分类方法是将遥感图像中的每个像素点单独进行分类。
常用的方法包括最大似然分类、支持向量机等。
最大似然分类是根据每个像素点的灰度值和概率分布进行分类，将每个像素点归入具有最大可能性的类别。
支持向量机是一种基于统计学习理论的分类方法，通过构建一个划分超平面将不同类别的像素点分开。
2. 基于对象的分类方法基于对象的分类方法将相邻像素点组成的图像区域作为一个整体进行分类。
常用的方法包括分割-分类法、基于决策树的分类方法等。
分割-分类法首先将遥感图像进行分割，得到不同的图像区域，然后对每个图像区域进行分类。
基于决策树的分类方法通过构建一棵决策树，根据遥感图像特征进行划分，逐层分类。
3. 基于深度学习的分类方法基于深度学习的分类方法是近年来新兴的分类方法，它利用神经网络模型对遥感图像进行分类。
常用的方法包括卷积神经网络（CNN）、循环神经网络（RNN）等。
卷积神经网络通过多层卷积和池化操作提取图像的特征，然后通过全连接层进行分类。
循环神经网络则适用于序列数据的分类，可以处理带有时序关系的遥感图像数据。
二、遥感图像分类在测绘中的应用1. 地物提取与更新遥感图像分类可以用于地物提取与更新。
通过对遥感图像进行分类，可以有效地将地物区分出来，如建筑物、道路、水体等。
同时，可以利用多期遥感图像进行地物的更新，观察地物的变化情况，为城市规划、土地利用等提供依据。
2. 地貌分析与监测遥感图像分类也可以应用于地貌分析与监测。
通过对地表的分类，可以得到不同区域的地貌类型，如山地、平原、河流等。
遥感图像分类中的遗传算法LVQ神经网络运用
遥感图像分类中的遗传算法LVQ神经网络运用遥感图像分类是指使用遥感数据对地物或场景进行分类和识别的过程。
遥感图像分类可以应用于农业、城市规划、环境保护等领域，对于实现可持续发展和资源管理具有重要意义。
目前，遥感图像分类中常用的分类方法包括传统的统计分类方法、基于机器学习的分类方法以及深度学习方法。
遗传算法是一种受到生物进化规律启发的优化算法，适用于处理复杂的优化问题。
在遥感图像分类中，遗传算法可以用于选择最优的特征组合和分类器参数，从而提高分类精度。
LVQ（Learning Vector Quantization）神经网络是一种监督学习算法，常用于模式识别和分类问题。
LVQ神经网络通过学习向量来代表各个类别，从而实现对未知样本的分类。
1. 数据预处理：对遥感图像进行预处理，包括辐射校正、大气校正、几何纠正等操作，以提高遥感数据的质量和准确性。
2. 特征提取：从预处理后的遥感图像中提取有效的特征，常用的特征包括纹理特征、光谱特征和空间特征等。
特征的选择需要考虑到遥感图像的特点和分类任务的要求。
4. LVQ神经网络训练：使用优化后的特征组合和分类器参数来训练LVQ神经网络。
训练过程中，LVQ神经网络通过学习向量来代表各个类别，通过计算样本与学习向量之间的相似度来实现分类。
5. 分类结果评估：使用测试集对训练好的LVQ神经网络进行测试和评估，计算分类精度、召回率和准确率等指标，评估分类结果的质量。
遥感图像分类中的遗传算法LVQ神经网络运用可以有效地提高分类精度和准确性。
遗传算法可以通过自适应搜索和参数优化来选择最优的特征组合和分类器参数，从而提高分类的鲁棒性和泛化能力。
LVQ神经网络通过学习向量的方式来表示各个类别，避免了传统神经网络的过拟合问题，同时具有较好的分类性能和快速的训练速度。
遥感图像分类中的遗传算法LVQ神经网络运用可以提高分类精度和准确性，对于实现遥感图像的自动分类和识别具有重要意义。
未来，随着深度学习和人工智能的不断发展，遥感图像分类方法将会更加智能化和自动化，为遥感数据的应用和分析提供更多可能性。
神经网络在遥感图像分类中的应用研究
神经网络在遥感图像分类中的应用研究一、前言随着遥感技术和计算机技术的快速发展，遥感图像处理和遥感图像分类已成为地球科学领域中的研究热点之一。
而神经网络作为一种具有模拟人类神经系统特点的强大的计算工具已经被广泛应用到了遥感图像分类领域。
本文将介绍神经网络在遥感图像分类中的应用研究。
二、神经网络简介神经网络是一种数学模型，它受到神经元与突触相互作用的生物学模型的启发而发展起来的。
在神经网络中，一组输入信号通过神经元的加权和与一个阈值相比较，而产生输出信号。
整个神经网络是由多层神经元组成的，其中每一层都可以分别对输入数据进行处理。
神经网络的训练过程是通过一种叫做反向传播算法的方法来完成的。
简单来说，反向传播算法就是通过反复调整网络中的权重和阈值使得网络的输出尽量接近实际输出。
这个过程需要大量的样本数据以及合适的算法参数进行调整。
三、遥感图像分类遥感图像分类是指将遥感图像中的像素点分成不同类别的过程。
这个过程需要先对数据进行预处理，比如去除云层和阴影等影响因素，然后对每个像素点进行特征提取，最后将特征向量送入分类器进行分类。
目前，常用的分类器包括最小距离分类器、支持向量机、随机森林等。
这些分类器通常都是基于数学模型和统计学方法来实现的。
但是，由于遥感图像的复杂性和数据量的巨大，这些分类器往往难以处理非线性问题和高维数据。
四、神经网络在遥感图像分类中的应用相比较传统的分类器，神经网络具有处理非线性问题和高维数据的能力。
因此，神经网络在遥感图像分类中得到了广泛的应用。
这里我们只介绍其中两种常用的神经网络模型：卷积神经网络和深度神经网络。
1. 卷积神经网络卷积神经网络是一种常用的图像分类方法。
它利用了图像中像素点的空间关系，通过卷积和池化等操作提取出图像的特征信息。
在遥感图像分类中，卷积神经网络通常会在前几层先进行一些图像处理，比如去噪和边缘检测，然后对深层的特征进行分类。
图1展示了卷积神经网络在遥感图像分类中的流程。
基于卷积神经网络的遥感图像分类技术研究
基于卷积神经网络的遥感图像分类技术研究1. 前言随着“互联网+”和“智慧城市”战略的不断发展，遥感技术的应用越来越广泛。
遥感图像分类技术是遥感应用领域中的一个重点研究领域，其主要目的是在遥感图像上检测和识别不同的地物和地物类别。
本文将针对这一研究领域，重点介绍基于卷积神经网络的遥感图像分类技术研究。
2. 遥感图像分类技术概述遥感图像分类技术是将遥感图像上的像素点分为不同的类别，如建筑、植被、水体等。
由于遥感图像中的像素点极其庞大，因此需要借助计算机进行高效的处理。
在传统遥感图像分类方法中，常使用的是人工提取特征，然后使用分类器进行分类。
不过这种方法存在着特征难以提取、分类器泛化能力差、分类速度慢等问题。
近年来，卷积神经网络（CNN）在图像识别领域中取得了巨大的成功，也被引入到遥感图像分类技术中。
CNN通过对图像进行卷积、池化等操作，自动提取图像的特征；同时其具有处理大量数据、泛化能力强的特点，逐渐成为遥感图像分类技术的主流方法。
3. 卷积神经网络在遥感图像分类中的应用卷积神经网络（CNN）是一种前向神经网络，在深度学习领域中得到了广泛的应用。
在遥感图像分类中，CNN主要用于图像特征提取和分类。
下面将分别介绍其具体应用。
3.1 图像特征提取图像特征提取是遥感图像分类中的关键步骤，它直接影响着分类性能的好坏。
在传统遥感图像分类方法中，人工提取特征需要花费大量的时间和精力。
而卷积神经网络通过卷积、池化等操作，可以自动提取图像的特征并转换为高维特征表示。
因此，CNN赋予了遥感图像分类科学更高的效率和准确度。
3.2 图像分类在卷积神经网络中，多用softmax函数进行分类。
在遥感图像分类中，我们可以在训练好的卷积神经网络的基础上，使用未标记的遥感图像数据进行预测，以达到图像分类的目的。
4. 卷积神经网络在遥感图像分类中的实验结果通过对遥感图像进行分类，我们可以测试卷积神经网络模型的分类效果。
本文通过实验，验证卷积神经网络在遥感图像分类中的有效性。
遥感图像分类方法及应用示例
遥感图像分类方法及应用示例遥感技术是通过卫星、飞机等远距离传感器获取地表信息的一种技术手段。
遥感图像分类是遥感技术中的一项重要任务，它可以将遥感图像中的像素按照其特征进行分类，并生成分类结果。
本文将介绍遥感图像分类的方法，并给出一些应用示例。
一、遥感图像分类方法1. 基于像元的分类方法基于像元的分类方法是将遥感图像中的每个像素点看作一个样本进行分类，通过像素点的光谱特征来确定其所属类别。
常见的方法有最大似然法、支持向量机等。
最大似然法是一种基于统计学原理的分类方法，它通过求解样本的概率密度函数来确定像素点的类别。
支持向量机是一种基于样本间距离的分类方法，它通过构建超平面将不同类别的样本分开。
2. 基于对象的分类方法基于对象的分类方法是将遥感图像中的像素组成的对象进行分类，通过对象的形状、纹理等特征来确定其所属类别。
常见的方法有基于区域的分割和基于对象的分类。
基于区域的分割将遥感图像中的像素按照相似性进行分组，形成具有相同特征的区域。
基于对象的分类是在分割得到的区域基础上，通过提取区域的特征来确定其所属类别。
3. 基于深度学习的分类方法随着深度学习技术的发展，基于深度学习的分类方法在遥感图像分类中得到了广泛应用。
深度学习通过构建深层神经网络模型，可以自动学习遥感图像中的特征表示。
常见的方法有卷积神经网络（CNN）、循环神经网络（RNN）等。
卷积神经网络可以有效地提取图像的空间特征，循环神经网络可以捕捉图像序列的时序特征。
二、遥感图像分类的应用示例1. 农作物类型分类农作物类型分类是农业生产中的重要任务，可以帮助农民了解农田的分布情况和种植结构，指导农作物管理和精细化农业。
通过遥感图像分类方法，可以将农田遥感图像中的不同农作物进行分类，比如小麦、玉米、水稻等。
这样可以帮助农民进行农作物识别和农田监测，提高农业效益。
2. 土地利用分类土地利用分类是城市规划和土地资源管理中的重要任务，可以帮助决策者了解土地利用的分布情况和变化趋势，指导城市规划和土地资源开发。
计算机视觉技术在遥感图像分类中的应用
计算机视觉技术在遥感图像分类中的应用随着遥感技术的不断发展和进步，遥感图像的获取和处理变得越来越容易。
而图像分类作为遥感图像处理的重要应用领域之一，发挥着重要的作用。
计算机视觉技术在遥感图像分类中的应用，极大地推动了该领域的发展。
本文将介绍计算机视觉技术在遥感图像分类中的应用，旨在揭示其对该领域的重要意义和发展前景。
计算机视觉技术（Computer Vision）是一门涵盖图像处理、模式识别、机器学习等多个学科的交叉学科。
它通过模仿人类视觉系统的功能，使用计算机算法和数学模型，从图像中自动获取、分析、理解并处理信息。
计算机视觉技术在遥感图像分类中的应用主要体现在以下几个方面。
首先，计算机视觉技术在遥感图像分类中被广泛应用于特征提取。
特征提取是指从原始图像数据中抽取出有利于分类的特征。
传统的特征提取方法往往需要人工设计特征提取算子，难以适应不同遥感图像数据的变化。
而计算机视觉技术通过机器学习方法，可以自动学习图像的特征。
例如，利用卷积神经网络（Convolutional Neural Networks，CNN）可以自动学习不同层次的特征，从而提高遥感图像分类的准确性和稳定性。
其次，计算机视觉技术在遥感图像分类中发挥着重要的作用。
一种常见的遥感图像分类方法是监督学习，即通过训练样本对不同类别进行分类模型的训练，并将训练好的模型应用于未知样本的分类。
计算机视觉技术中的分类算法，如支持向量机（Support Vector Machines，SVM）、随机森林（Random Forest）等，可以用来构建遥感图像分类模型。
这些算法基于大量的训练样本和各种特征，能够识别并分类不同类别的遥感图像。
此外，计算机视觉技术在遥感图像分类中的应用还包括目标检测和目标识别。
目标检测是指在遥感图像中自动检测出感兴趣的目标，如建筑物、道路、植被等。
目标识别是指对已检测出的目标进行分类和标识。
计算机视觉技术中的目标检测和目标识别算法，如基于深度学习的目标检测算法（如YOLO、Faster R-CNN等），可以高效地在遥感图像中实现目标的自动检测和分类。
遥感图像分类技术的研究与应用
遥感图像分类技术的研究与应用随着卫星遥感技术的发展，大量的遥感影像数据被采集并储存，如何从这些影像数据中提取出有用的信息成为了遥感技术研究的重要内容之一。
图像分类是遥感影像处理中的基本问题之一，其目的是将多光谱遥感影像中的像元分组，使得同一组内的像元具有相似的光谱特性和地物属性。
本文将介绍遥感图像分类技术的研究进展与应用情况。
1. 遥感图像分类技术的研究进展（1）传统分类方法传统的遥感图像分类方法主要有最大似然法、最小距离法、K-均值聚类法、支持向量机等。
其中，最大似然法基于统计学原理，将像元的概率密度函数作为分类依据；最小距离法则以最小欧氏距离作为分类依据；K-均值聚类法以欧氏距离作为相似性度量进行像元聚类，将聚类后的中心作为分类依据；支持向量机则是利用核函数将高维特征空间映射到低维空间，实现对线性和非线性分类问题的处理。
（2）深度学习分类方法近年来，深度学习技术在遥感图像分类中得到了广泛应用。
深度学习分类方法主要包括卷积神经网络（CNN）、循环神经网络（RNN）、递归神经网络（RecNN）等。
其中，CNN是较为常用的方法，其通过多层卷积核进行特征提取，从而实现对遥感影像的分类。
2. 遥感图像分类技术的应用遥感图像分类技术已经广泛应用于自然资源调查、环境监测、土地利用与覆盖变化分析等领域。
（1）自然资源调查自然资源调查是利用遥感技术对地球表面进行调查和监测的重要应用之一。
遥感图像分类技术可以对土地利用类型、植被覆盖度等进行分类，实现自然资源的分布和变化。
（2）环境监测环境监测是通过对大气、水、土壤等特征进行监测，了解环境变化、评估环境质量等，遥感图像分类技术可以对污染区域、水体分布等进行分类，实现环境监测的目的。
（3）土地利用与覆盖变化分析土地利用与覆盖变化是指人类活动所导致的土地利用和覆盖类型变化。
遥感图像分类技术可以实现对土地利用类型和覆盖变化的监测和分析，为土地规划和决策提供支持。
3. 遥感图像分类技术存在的问题目前，遥感图像分类技术存在以下问题：（1）图像分辨率低。
基于深度神经网络的遥感图像分类研究
基于深度神经网络的遥感图像分类研究随着遥感技术的发展和成熟，遥感数据成为了信息获取的重要手段，其中遥感图像是最为普遍且重要的形式之一。
然而，遥感图像数据量大、分辨率高，且不同类型的地物特征复杂多样，传统的遥感图像分类方法难以满足对分类精度的要求。
基于深度神经网络的遥感图像分类方法由于其优秀的性能已成为研究的热点。
本文将就其进行分析和探讨。
一、背景在传统的遥感图像分类方法中，一般采用分类的主要特征是人工选择的，比如如灰度共生矩阵、主成分分析等。
但是，由于遥感图像的特点，不同地物间特征差异大，传统分类方法难以有效区分不同类别之间的差异。
因此，进行精准的遥感图像分类一直是遥感技术应用的难点。
近年来，随着深度学习算法的兴起，基于深度神经网络的遥感图像分类方法被证明在精度和自动化方面都优于传统方法。
其中，深度卷积神经网络DCNN和深度残差网络ResNet已被广泛用于遥感图像分类中。
二、基于深度神经网络的遥感图像分类方法1. 深度卷积神经网络深度卷积神经网络是一种可以自动学习特征的深度学习模型，被用于各种图像识别和处理任务中。
深度卷积神经网络主要特点是可以通过层次化的特征学习来表达输入图像的复杂结构，从而提高识别准确度。
在遥感图像分类任务中，深度卷积神经网络可以提取出遥感图像中地物的特征，从而实现自动分类。
2. 深度残差网络深度残差网络是由微软亚洲研究院的何凯明等人提出的一种深度学习模型。
深度残差网络通过残差学习的方式减小了网络深度对网络性能的负面影响，避免了梯度消失问题。
在遥感图像分类任务中，深度残差网络可以自动提取出遥感图像中地物特征，同时通过残差学习，提高分类精度。
三、基于深度神经网络的遥感图像分类的优势1. 自动学习特征基于深度神经网络的遥感图像分类方法具有自动学习特征的能力，不需要人工选择特征。
深度神经网络可以自动组合和学习图像中地物的各种特征，从而提高分类精度。
2. 提高分类精度与传统分类方法相比，基于深度神经网络的遥感图像分类方法可以有效地区分不同类别之间的差异，提高了分类精度。
遥感图像分类中的遗传算法LVQ神经网络运用
遥感图像分类中的遗传算法LVQ神经网络运用遥感图像分类是指将遥感图像中的像素按照其所代表的地物类型分类，以实现对地物的调查、分析和监测等目的。
遥感图像分类技术在城市规划、环境监测、农业生产等领域具有广泛的应用价值。
传统的遥感图像分类方法主要包括最大似然法、最小距离法、k-最近邻算法和决策树等。
但是传统的遥感图像分类方法存在分类精度低、分类时间长等问题。
因此，人们开始研究遥感图像分类中新的分类算法，其中，遗传算法结合LVQ神经网络在遥感图像分类中具有广泛的应用。
一、遗传算法遗传算法（Genetic Algorithm）是模拟自然界中的“自然选择”和“遗传”机制，在解决优化问题时具有很好的适应性和鲁棒性。
遗传算法本质上是使用基因编码的方式（比如二进制编码）建立一个由许多“题目解答（即个体）”组成的群体（Population）。
每个个体（解答）由基因决定，基因是将问题的解答编码而成的向量，染色体则是基因序列的压缩形式。
每次迭代时，对当前群体中的个体进行选择、交叉（Crossover）和变异（Mutation）操作，以生成新的群体，经过多次迭代，最终得到最优的解。
在遥感图像分类中，遗传算法可以用来寻找特定的分类规则，即用某种编码方式来表示每个分类规则，从而达到优化分类效果的目的。
二、LVQ神经网络LVQ神经网络是一种基于样本的有监督分类算法，它是一种与k-最近邻算法相似的算法。
LVQ算法自适应地学习并调整突触权值（Weight），其基本思想是根据神经元向量的相似性，使相似模式被聚集在同一类中，不同的模式被聚集在不同的类中。
LVQ网络结构如图1所示：从图1中可以看出，LVQ神经网络有输出层，其中包含若干个神经元，每个神经元都有一个权重向量（W）。
对于每个输入样本（x），从所有神经元（J）到输入层的连接中，选出与输入样本最相似的神经元（winner），即输出神经元，其权重向量即为与输入向量相似的权重向量。
基于卷积神经网络的遥感图像分类技术研究
基于卷积神经网络的遥感图像分类技术研究随着高科技技术的不断发展，遥感技术已经成为人类获取地球上信息的一种重要方式。
如何更高效、更精准地处理遥感数据，成为科研工作者们关注的焦点，基于卷积神经网络的遥感图像分类技术成为近年来研究的热点。
一、遥感图像分类的背景遥感图像分类是根据遥感数据中的图像信息，对不同的地面覆盖类型进行分类。
传统的遥感图像分类方法是利用像元和像元的统计特征来进行分类，但其精度和鲁棒性均存在一定的局限性。
而基于卷积神经网络的遥感图像分类方法，能够更好地提取图像的特征，减小特征冗余，提高精度，成为遥感图像分类的一种重要研究方法。
二、基于卷积神经网络的遥感图像分类技术研究卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，其在图像和语音识别等方面取得了显著的成果。
基于卷积神经网络的遥感图像分类技术可视为将传统的遥感图像分类方法与深度学习方法相结合的一种方法，其主要优点有以下三个方面：1.特征提取能力强：卷积神经网络通过卷积层、池化层等操作，能够提取图像中的特征，而无需人为定义特征点。
2.参数共享：卷积神经网络中的权值参数是共享的，这种共享可以减少输入数据的维度，降低训练模型的复杂度，提高运行速度，同时还可以防止过拟合。
3.具有鲁棒性：基于卷积神经网络的模型能够对输入数据的微小扰动具有一定的鲁棒性，较大程度上防止了分类器的过拟合问题。
三、基于卷积神经网络的遥感图像分类技术研究现状目前，基于卷积神经网络的遥感图像分类技术已经得到广泛应用。
下面，我们分别从遥感图像预处理、网络模型以及分类器等方面来探讨相关技术的应用现状。
1.遥感图像预处理遥感图像预处理是基于卷积神经网络的遥感图像分类技术中不可或缺的一个环节。
在遥感图像处理中，为了降低输入数据的噪声，人们通常会对图像进行滤波、增强等操作，同时可将不同波段的图像融合处理成RGB彩色图像。
当前，基于卷积神经网络的遥感图像分类技术已逐渐发展出一些预处理方法，如卷积和切片、多尺度分割、傅立叶变换、波束滤波等。
基于卷积神经网络的高分遥感图像分类
基于卷积神经网络的高分遥感图像分类遥感技术是指利用一定的传感器制造的数据来对地球表面进行遥感观测和测量。
在现代遥感技术中，遥感图像分类是遥感技术中非常重要的一个研究方向，它主要是通过对不同地球表面特征的数据分析和处理，将地球表面划分为多个不同类别的地形，如城市、森林、沙漠等。
而卷积神经网络（Convolutional Neural Network, CNN）是一种在图像分析和处理中广泛应用的深度学习模型，它具有优秀的特征提取和分类能力。
1. 遥感图像分类的意义遥感图像分类是遥感技术中重要的任务之一，它对于获取地球表面的基础信息、了解地表水资源、环境保护、自然灾害监测等方面都具有重要的意义。
例如，在一些自然灾害的监测预警系统中，对于地表状况的分类可以帮助在发生灾害时及时做出决策，以减少损失和救援时间。
此外，遥感图像分类还可以为城市规划和环境保护提供重要的数据和参考。
2. 卷积神经网络CNN是一种基于多层神经网络的深度学习模型，被广泛应用于图像分析和处理中。
它的特点是可以从原始图像中提取出更高级别、更具有代表性的特征，从而实现对图像的自动分类和识别。
CNN主要由卷积层、池化层和全连接层组成。
卷积层通过滤波器在输入图像上进行卷积运算来提取特征，池化层可以通过最大值池化或平均值池化来降维，全连接层通过多个神经元之间的权重来进行图像分类。
3. 基于CNN的高分遥感图像分类在传统的高分遥感图像分类中，通常需要人工选择和提取特征，这样会面临到许多问题，如特征的主观性、耗时和误差等。
而基于CNN的高分遥感图像分类方法，可以直接从原始图像中提取出更高质量的特征，从而提高分类准确度和效率。
该方法一般需要使用大量的高标准的图像数据进行训练，从而使网络具有对不同地区和地形的适应能力。
4. 基于CNN的遥感图像分类应用基于CNN的高分遥感图像分类方法可以在多个领域应用。
例如，在城市规划中，可以通过遥感图像分类来分析城市建设的覆盖区域，以及城市的地形结构等。
灰度共生矩阵和神经网络在医学图像处理中的应用
灰度共生矩阵和神经网络在医学图像处理中的应用
孙进辉;于洋;李涢
【期刊名称】《实验技术与管理》
【年(卷),期】2011(028)007
【摘要】以龋齿诊断为例,探讨了灰度共生矩阵和神经网络在医学图像处理中的应用.通过对患者龋齿图像的特征分析,采用从灰度共生矩阵中提取的4个参数作为神经网络的输入特征向量,经过对该神经网络的多次训练,实现龋齿的识别.利用Matlab与VC++语言来设计龋齿诊断程序,并借助MIDEVA将其转化为脱离Matlab的工作环境的可执行程序,大大节省了系统资源.
【总页数】3页(P59-61)
【作者】孙进辉;于洋;李涢
【作者单位】中国人民武装警察部队学院训练部,河北廊坊065000;中国人民武装警察部队学院基础部,河北廊坊065000;首都医科大学附属北京口腔医院牙体牙髓科,北京100050
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于灰度共生矩阵的模糊神经网络FuCMAC在图像分割中的应用 [J], 程起才;王洪元
2.人工神经网络在医学图像处理中的部分应用体会 [J], 谢晴
3.人工神经网络在医学图像处理中的部分应用体会 [J], 谢晴;
4.残差神经网络及其在医学图像处理中的应用研究 [J], 周涛;霍兵强;陆惠玲;任海玲
5.神经网络技术及其在医学图像处理中的应用研究 [J], 陈蒙
因版权原因，仅展示原文概要，查看原文内容请购买。
神经网络在遥感图像分类中的应用
神经网络在遥感图像分类中的应用祁增营，王京辽宁工程技术大学测绘与地理科学学院，辽宁阜新（123000）E-mail: qizengying@摘要：结合人工神经网络的特性，介绍神经网络在遥感图像处理领域中的应用现状，重点分析了遥感图像分类模型、并对模型进行了对比分析，利用EARDAS软件进行遥感图像分类，通过实验分析神经网络在遥感图像分类的优势。
初步提出结合遗传算法和模糊理论的神经网络模型，对神经网络在遥感图像分类领域的发展趋势进行了探讨。
关键词：人工神经网络，遥感影像分类，分类模型1. 引言神经是大脑的细胞，其主要功能是收集，处理和分发电信号。
人类大脑采用连通的神经元来处理接收到的信号，神经网络模拟了这一过程。
它不是通过分步算法或复杂的逻辑程序来求解的，而是通过调整网络中连接神经元的权重，采用非算法，非结构的形式来实现的。
神经网络已用于对各种遥感数据进行分类，而且其分类结果优于传统的统计方法。
这些成功可以归因于神经网络的两大有点：1）不要求数据正态分布；2）自适应模拟具有特定拓扑结构的复杂非现性模式的功能。
人工神经网络[1] (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类领域得到了广泛地应用。
2. 神经网络的组成结构和特点2.1 神经网络的组织结构典型后向传播神经网络的拓扑结构见图。
人工神经网络在3中类型的层中包含有神经元：图1 神经网络组织结构该网络包括输入层，隐含层和输出层。
输入层可以包含单个训练像元的信息[2]，其中包括不同波段的百分比光谱反射率和一些辅助信息，如高程，坡度等。
每层由互相连接的接点所组成。
这种可连续性使得网络在训练时，信息可以流向多个方向（即，可以发生向后传播）。
这种结点的力（或权重）最终为神经网络所学习并保存。
这些权重用于检验（分类）。
训练数据越有代表性，神经网络就越可能在隐含层中调整出映射真实世界的权重，从而得到精确的分类结果。
遥感图像分类中的遗传算法LVQ神经网络运用
遥感图像分类中的遗传算法LVQ神经网络运用遥感图像分类是遥感技术的一个重要应用领域，基于遥感图像进行分类分析不仅可以为地学研究提供大量数据支撑，还可以为GIS和遥感监测等领域提供帮助。
遗传算法LVQ神经网络是一种能够有效分类遥感图像的算法，本文将详细介绍其原理和运用。
一、遥感图像分类的基本概念遥感图像分类是指通过对遥感图像进行分析和处理，将其分为不同类别的过程。
基于不同的遥感图像特征，分类方法也不同，可以分为基于像元和基于目标的分类方法。
基于目标的分类方法是将遥感图像中的目标特征作为输入变量，并按照不同的类别进行分类。
在这种方法中，每个目标只能被分为一种类别，分类的结果具有确定性。
二、遗传算法的基本原理遗传算法是一种能够自适应搜索问题空间的优化算法，它模拟了生物进化的基本过程。
遗传算法的基本流程如下：1.初始化种群：从问题空间中随机生成一组初始个体，作为遗传算法的初始种群。
2.适应度函数：根据问题的求解目标确定适应度函数，通过适应度函数的计算，对种群中的每个个体进行评价，以便在后面的选择过程中选择更好的个体。
3.选择操作：为了避免种群中较差的个体影响遗传算法的结果，需要通过选择操作来选择适应度高的个体作为后续操作的基础。
4.交叉操作：通过交叉操作，将种群中有潜力的个体的染色体信息结合在一起，形成新的个体。
5.变异操作：通过变异操作，将种群中的个体进行随机的变异，以便增加种群的多样性和避免陷入局部最优解。
6.替换操作：通过替换操作，从新产生的个体中选择适应度高的个体替换原来种群中适应度较差的个体。
7.终止条件：通过不断地迭代运算，直到达到一定的迭代次数或查到符合条件的解为止。
三、LVQ神经网络的基本原理LVQ神经网络是一种基于向量量化的神经网络模型，它能够将高维输入向量映射到低维向量空间中，通过计算与每个类别的距离来进行分类，具有可解释性好、泛化性能强等优点。
1.输入数据：将输入数据转换为向量形式，作为神经网络的输入。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
学位论文作者导师签名： 王玉兰 学位论文作者签名：
刘艳妮
2009年 5 月 28 日
学位论文版权使用授权书
本学位论文作者完全了解
成都理工大学 有关保留、 使用学位论文的规定，
有权保留并向国家有关部门或机构送交论文的复印件和磁盘， 允许论文被查阅和 借阅。本人授权 成都理工大学 可以将学位论文的全部或部分内容编入有关数
1
成都理工大学硕士学位论文
了传统模式识别技术的束缚。 可见神经网络在模式识别中充分展示了自己强大的 魅力。所以，研究模式识别系统，无论对于神经网络理论的发展还是对模式识别 技术的实际应用都具有非常重要的意义。 近年来遥感影像向着高空间分辨率和高光谱影像发展迅速, 在高空间分辨 率下景观的结构、 纹理等就表现得更加清楚。 我们可以获得更加丰富的光谱信息, 同时还可以获取更多的地物结构、形状和纹理信息。很显然, 纹理分类对于影 像, 特别是高空间分辨率影像分类精度提高有重要的作用， 本文采用共生矩阵提 取纹理特征，来辅助神经网络分类，对提高分类精度很有意义。
1.1 研究的目的和意义
模式识别技术是人工智能的基础技术，21世纪是智能化、信息化、计算化、 网络化的世纪，在这个以数字计算为特征的世纪里，作为人工智能技术基础学科 的模式识别技术，必将获得巨大的发展空间。在国际上，各大权威研究机构，各 大公司都纷纷开始将模式识别技术作为公司的战略研发重点加以重视。目前，模 式识别的基本方法有统计模式识别，结构模式识别，模糊模式识别，神经网络模 式识别，多分类器融合。其中神经网络模式识别主要利用人工神经网络高度并行 处理、高度非线性、高度鲁棒性、自组织性、记忆推理、对任意函数的任意精度 逼近能力、自学习能力与类似人的不透明映射等性能先根据训练样本，训练分类 器，再利用分类器对待识别对象进行分类决策，不需要进行统计上的假设，突破
II
Abstract
enhancement classification precision. Key words: Pattern Recognition Gray Level Co-occurrence Matrix LVQ neural network Remote sensing image
摘
要
在遥感影像分类过程中，一般利用遥感影像的光谱信息作为分类的特征，但 在一些复杂地表区域，遥感影像光谱特征同物异谱和同谱异物现象严重，各种地 物类别的光谱可分性不好，现有的分类方法其精度还不能令人满意。随着遥感影 像自身的发展变化，对分类精度的要求在不断提高，为此，国内外学者从两个方 面提出了改进分类精度的途径:一是改进现有算法、寻找新的算法，如人工神经 网络分类法、粗糙集分类法、专家分类法等;二是辅助特征和光谱特征的结合。 本文利用遥感图像处理软件 ENVI4.3 对岷江上游毛尔盖区 ETM 图像进行聚 类，然后在此基础上分别用 LVQ 网络对其进行再次分类，取不同的隐函数节点 对网络进行测试并选择最优的 LVQ 神经网络模型对指定区域进行分类， 最后对分 类结果进行评价。为了进一步提高分类精度，本文基于 9*9 灰度共生矩阵产生一 个纹理特征，主要应用 LVQ 神经网络对遥感图像进行分类，同时也用 BP、RBF 网 络对遥感图像分类并与 LVQ 网络的分类结果进行对比研究。实验表明：辅以由灰 度共生矩阵产生的纹理特征的分类方法是有效的，有助于提高分类的精度。 关键字： 模式识别 LVQ 神经网络 遥感图像 灰度共生矩阵
据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。 （保密的学位论文在解密后适用本授权书）
学位论文作者签名： 刘艳妮
Hale Waihona Puke 2008 年5月28日
第1章
引
言
第1章 引 言
遥感, 作为采集地球数据及其变化信息的重要技术手段, 具有综合宏观动 态快速的特点。 遥感图像是地物电磁波谱特征的实时记录, 人们可以根据记录在 图像上的影像特征( 它包含着地物的光谱特征、空间特征、时间特征等) 来推断 地物的电磁波谱性质。不同地物, 这些特征和性质不同, 在图像上的表现不一, 因而可根据它们的变化和差异来识别和区分监测不同的地物, 这就需要对不同 时间序列的图像进行地物分类。遥感图像分类主要有两个途径, 一是目视解译, 又称目视判读, 或目视判译; 另一种是遥感数字图像的计算机分类。 计算机自动 分类处理速度快、可重复性好等特点与遥感影像的海量信息相适应，成为遥感影 像分类的发展趋势。 神经网络技术作为遥感数字图像计算机分类的一种新方法， 它的遥感图像分 类处理方法可被应用到土地覆盖、农作物分类和地质灾害预测等很多方面,在遥 感数字图像分类处理中,人工神经网络的输入层神经元表征遥感数据的输入模 式。每一个输入层神经元对应于一个光谱波段,每一个输出层神经元则对应于一 种土地覆盖类型。 神经网络的拓扑结构决定各神经元与网络层之间的信息传递途 径。训练规则利用转移函数实施处理数据的加权和求和,进而训练网络实施模式 识别。处理所得的加权和,通过转移函数转换为输出值。作为分类结果,获得最大 权重的类别即被认定为输入向量的类别。 仅靠光谱特征来对遥感图像分类，还不能达到人们要求的分类精度，尤其 当目标的光谱特性比较接近时，纹理特征对于区分目标可能会起到积极的作 用。如果在遥感图像的光谱分类过程中或光谱分类过程之后引入纹理信息，就 可以达到区分目标的目的。本文引入了由灰度共生矩阵产生的纹理特辅助分 类。
Abstract
In remote sensing image classification process, the general use of remote sensing spectral imaging characteristics of information as classified, but the complexity of the surface in some regions, remote sensing spectral characteristics of the image spectrum and the synonym is a serious problem with the spectrum of foreign bodies, various types of spectral features can be divided into and well, the existing classification accuracy is also not satisfactory. With its own development of remote sensing image change, the requirements of the classification accuracy has been improving, to that end, scholars from both home and abroad to improve the classification accuracy of ways: First, improve the existing algorithms, to find new algorithms, such as artificial classification neural network, rough set classification, the expert classification, etc.; Second, auxiliary features and a combination of spectral features. This article uses remote sensing imagery processing software ENVI4.3 the wool you to cover the area ETM image to the Minjiang River upstream to carry on the cluster, then uses the LVQ network in this foundation to carry on separately to it classifies once more, takes the different implicit function node to carry on to the network tests and chooses the most superior LVQ neural network model to assign the region to carry on the classification, finally carries on the appraisal to the classified result.In order to further increase the classified precision, this article has a texture characteristic based on the 9*9 gradation paragenesis matrix, mainly carries on the classification using the LVQ neural network to the remote sensing image, simultaneously also uses BP, the RBF network conducts the contrast research to the remote sensing image classification and with the LVQ network classified result, the experiment indicated auxiliary by the texture characteristic classified method which produces by the gradation paragenesis matrix is effective, is helpful in the