BP神经网络在遥感图像分类中的应用

3.2.2 实验
本次研究利用三层反向传输神经网络。第一层为输入层,中间层为隐层,第三层为输出层。 输入层是影响分类精度的关键因素。输入层因素必须准确,在满足地物光谱有明显差异的基 础上还要满足一定的数量条件。本实验利用 TM 影像的 2、3、4 波段的光谱值作为输入层。 通过改变隐层节点个数，比较在训练样本相同的条件下网络的收敛速度。经过实际流程运算 和精度对比，在 MATLAB 软件中反复训练，现设定为训练阈值的贡献是 0. 95,训练率是 0.3, 训练次数是 1000,最大个体允许误差为 0. 05。
图 3 原图
图 4 居民地分布区域非监督分类结果
图 5 居民地分布区域 BP 神经网络分类结果
3.2.3 分类精度分析
通过对选取试验区上居民地及其背景地物的光谱知识分析，建立了基于不同知识的居民 地分类的两个模型，模型 1：传统的非监督分类（图 4）所示，该模型对于县城以上居民地 分类效果较为明显，但从图中可以看出该模型多提了河流和河滩地。模型二：BP 神经网络 分类（图 5）所示。通过目视解译方法，对分类结果进行精度分析，通过随机取样进行点位 精度评价，在目视解译的 100 个居民点中，模型 1，有 17 个被漏提，有 9 个被误提，总精 度为 74%。模型 2，有 11 个被漏提，被漏提的是位于被农田包围的较小的居民点，有 7 个 被误提，这些误提的居民点主要位于水陆交界处。因此，总精度为 82%。
2.2 BP(Back Propagation)反向传播网络
BP(Back Propagation)反向传播网络是由 Rumelhard 和 Mcclelland 等人在 1982 年提出的, 其思想是使用梯度搜索理论，以使得网络实际输出与期望输出的均方差达到最小。网络 的学习过程是将输出层的误差反向传播回去，并借以修正权值。它是采用误差反传算法作为
-2-

f e 考虑
(α )
s
=
1 1+
−α
的微分函数，有
f
') 2
e (− −α) =
e−α (1+e −α ) 2
1
e =
1+
−α
−
1
(1+e−α
)
2
1
e =
1+
−α
e (1 −
1 1+
−α
)
= f (α )[1− f (α )] （1—3）
-5-
[6]Hepner G F, Logan T, Ritter N,et al. Artificial Neural Network Classification Using Minimal Training Set 〔J〕.Photogra Engnn Rem Sens,1990,56:469~473. [7]李强,王正志.基于 MRF 模型和人工神经网络的遥感图像分类综合方法研究〔J〕,国防科技大学学 报,1999,21(1):62~66. [8]杨存建,周成虎.基于知识发现的 TM 图像居民地自动提取研究[J].遥感技术与应用,2001,16（1）:1-6.

BP 神经网络在遥感图像分类中的应用1
吴云，姬翠翠，郭嗣琮，樊硕
辽宁工程技术大学测绘与地理科学学院，辽宁阜新（123000）
E—mail：wuyun8223@
摘 要：为了研究 BP 神经网络在遥感图像分类中的应用，本文通过分析 BP 神经网络的原 理、结构、模型及算法，提出了利用 BP 神经网络进行遥感分类的方法和特点。并且对神经 网络图像分类方法和传统方法作了比较。实验表明，BP 神经网络在遥感图像分类中有较高 的可信度。有进一步深入研究的必要。 关键词：BP 神经网络；遥感图像分类；人工神经网络
s
s
2.2.3 BP 网络调整权值的规则
o 如果节点 j 是在网络的输出层，则由式（1—2）计算的 就是网络的计算输出。设输 j
t t o 出层第 j 个节点的期望输出是 ，则可以得到输出误差 — 。将这个误差从输出层反向
j
j
j
传播回去，并在传播中依据修正原则对权值进行不断的调整，使误差不断减小。
定义在固定输入样本时，网络的误差函数为
e
=
1 2
∑(t j
j
−o
j)2
（1—4）
为了误差 e 趋于减小，权值的修改应沿误差 e 函数梯度下降的方向进行，即
Δ = −η ∂e （1—5）
wij
∂
wij
这里，η 是一个正的增益系数，也称作步长。
w w w 因为 Δ （ N ）= （ N −1）+ Δ (N ) （ N 为样本），从式（1—5）可以看出，
w ∂ net k
是隐层节点 j 与输出层节点 k 的连接权重。
jk
-3-
3．BP 神经网络在 RS 影像分类中的应用

3.1 概述
近年来,人工神经网络已广泛应用于遥感图像分类。在国外，Hepner G F 等用 BP 模型对 卫星遥感获取的数据进行了土地覆盖的分类[6]。在国内，李强等提出了基于三维 Hopfield 人 工神经网络模型的遥感分类方法,将遥感信息分类过程与分类后处理中的平滑过程有机地结 合起来,并通过实验证明,该方法可明显提高森林类型划分、土地利用调查等遥感专题应用的 分类精度[7]。
1本课题得到教育部博士点基金（项目编号：20050147002）和辽宁省高等学校重点实验室项目（项目编号： 20060370）的资助。
-1-

其学习规则进行有监督学习的前馈网络,它需要相当数量的已知样本进行学习训练,以便找出 且记住输入样本模式与分类类别之间的关系。通常把要分类的地物对象的条件集合或特征组 合作为 BP 网络的输入模式,并给出期望的输出模式。
2.2.2 算法
考虑一个三层神经网络，即由在输入层和输出层之间引入一个隐层。对于任给两个节点层，
按网络中信息流向箭头方向规定，箭头所指方向的节点称为箭尾节点的下层节点，箭尾节点
称为箭头所指节点的上层节点。
设网络的某层中第 j 个节点在给定一个训练样本时，其总输入为
∑o w net j =
（1—1）
i ij
4．结论
采用 BP 神经网络进行遥感影像分类，在一定程度上减轻了传统遥感影像分类中常出现 的错分、漏分现象。分类的结果与实际地物具有很好的吻合性，在一定程度上验证了神经网 络的可靠性。如果隐层节点的数目选择合适，还会在一定程度上提高分类的精度和速度。然 而 BP 神经网络模型还存在一些不足：网络隐层节点个数的选取尚无理论依据，所以应用过 程中靠反复实验确定，降低了分类的速度。由于采用梯度搜索法，难免会使网络陷入局部最 小得不到最优解。在分类的过程中，对于每个像元，选取概率最大值的类别作为该像元的类 别，准确性不一定可靠。这些都是有待于进一步解决的问题。
2. BP(Back Propagation,反向传播)网络
2.1 人工神经网络简介
人工神经网络(Artificial neural network)的概念是在20世纪40年代中期提出的,自1943年 Mc Culloch和Pitts提出形式神经元结构的数学描述（M—P模型）以来，经过了50多年曲折的 发展道路,人工神经网络理论与应用技术取得了长足的发展。它属于非线性学科,由于具有强 抗干扰、高容错性、并行分布式处理、自组织学习和分类精度高等特点而得到广泛应用。
3. 2 BP 神经网络在 RS 影像分类应用
3.2.1 数据预处理
试验区为某平原地区，在对 Landsat TM 图像作了辐射校正和几何校正之后，从中切取 覆盖试验区的大小为 512×512 的子影像作为研究对象。Landsat TM 由于视场角所对应的地 面单元大小为 28. 5 m×28. 5 m(TM6 除外)，所以对小于 28. 5 m×28. 5 m 的房屋来说都是以混 合像元的形式存在。对于农村居民而言，其房屋一般的宽度都不会超过 28. 5 m，对这样的 农村居民地通常是将房屋及房屋周围的空地以及散生树木一起以混合像元的形式记录下来 的[8]。试验区内有居民地（城市、县城、农村），背景地物为道路，水田，旱田，河流，河 滩地等。
在 ERDAS 软件中利用非监督分类得到图 4（此法常用在此不作介绍），在 ENVI 软件 中利用监督分类中的 BP 神经网络分类对研究区进行分类，其流程图为：
光谱特征
人工神经网络分类
地理信息
结果输出
分类统计 地物特征
精度评价
精度高
精度低
图 2 神经网络分类流程
-4-
经神经网络分类后得到图 5。

目前最小距离分类法、最大似然法（Maximum Likelihood Classifier）、多级切割分类法、 特征曲线窗口法等监督分类法和分级集群法（Hierarchical Clustering）、动态聚类法等非监 督分类法在遥感图像处理中应用得最普遍,也发展得最成熟。但是,由于遥感影像数据其自身 的特点,如含混度大、维数高等方面的问题以及“异物同谱”和“同物异谱”等现象的存在，常出 现错分、漏分的情况，导致分类精度不高。随着遥感应用技术的飞速发展，必须采用新的方 法来提高分类的精度，模糊集理论和神经网络计算技术被应用到遥感影像分类中。人工神经 网络模型具有综合分析能力,能够很好地拟合一个非线性过程,且应用灵活,它独特的结构和 处理信息的方法,能解决一些传统计算机难求解的问题,发展前途和应用前景十分广阔。
o o 这里， 是输出层节点 j 的输出， 是上一层节点 i 的输出。经计算得到
j
i
w o ∑δ w o o Δ =η(1− )(
ij
j
− ) . （1—7）
k
jk j i
k
o o δ 这里， 是隐层节点 j 的输出， 是上一层节点的输出， 是误差 e 关于输出层节点 k