遥感图像分类方法在土地利用分析中的比较

０．９１８
水稻田
０．９９６
０．８３５
０．９１５
滩涂
０．９０１
０．６０９
０．７５５
城镇用地
０．８７７
０．９０８
０．８９２
水域
０．９６４
０．９９１
０．９７８
注： 总精度为 ０９０２； ｋａｐｐａ 系数为 ０．８８６。
表 ３ 纹理与 ＴＭ 分类结果
类别
生产者精度
用户精度
耕地
０．８７２
０．９０４
草地
０．６８０
（ １．太原理工大学理学院， 山西太原， ０３００２４； ２．北京国土资源遥感公司， 北京， １０００８５）
摘 要： 介绍了最大似然分类法的特性及存在的问题， 提出了解决这些问题需要采用
的方法， 论述了人工神经网络分类技术和图像纹理特征参与分类。
关键词： 遥感图像分类； 最大似然分类； 神经元网络
中图分类号： ＴＰ７５１
设 Ｘ， Ｚ， Ｙ 和 Ｚ 分别表示输入向量、竞争层激活神经元输出向量、输 出 层 输 出 向 量 和 目 标 向 量 ； Ｗ， Ｖ 分 别 表 示 竞 争 层 节 点 与 输 入 层 和 输 出 层的连接权向量。学习规则为：
（ １） 竞争层权向量初始化及节点分配。在改进的重复传播网络中， 竞 争层的节点根据需要动态分配。学习开始之前， 先在竞争层上分配 ｍ 个 节点， 每一节点表示一种待分类模式类别， 并用该类别学习样本的向量 均值来初始化 Ｗ； 在 学 习 过 程 中 ， 当 某 一 学 习 样 本 不 能 被 正 确 地 激 活 所 属类别的竞争层神经元节点时， 就在竞争层上增加一神经元节点， 用该 学习样本的输入向量初始化该节点的权向量。
在遥感分类方法中， 应用最为广泛的是贝叶斯最大似然分类方法。 这 种 分 类 方 法 对 于 呈 正 态 分 布 的 数 据 、判 别 函 数 易 于 建 立 有 较 好 的 统 计 特性， 其贝叶斯平均分类的错误最小。同时， 最大似然决策规则充分利用 类别间的部分信息， 通过贝叶斯最大似然分类决策规则的先验概率， 还 可以融合分类区域中各类别的一些先验知识， 从而提高分类精度。但最 大似然分类方法的使用并没有去掉类别间的光谱混淆的问题， 所以单纯
科技情报开发与经济
ＳＣＩ－ ＴＥＣＨ ＩＮＦＯＲＭＡＴＩＯＮ ＤＥＶＥＬＯＰＭＥＮＴ ＆ ＥＣＯＮＯＭＹ
２００７ 年 第 １７ 卷 第 ９ 期
文章编号：１００５－ ６０３３（ ２００７） ０９－ ０１３６－ ０３
收稿日期：２００６－ １２－ ２９
遥感图像分类方法在土地利用分析中的比较
张晓霞 １， 王 垚 ２
２ 神经网络在多源信息融合分类中的应用
人工神经网络分类技术是在以人脑思维方式为模型的基础上发展 起来的， 可被看作是简化的人脑数学模型。它利用了人在以往识别图像 时所积累的经验， 在被分类图像的信息引导下， 通过学习， 修改自身的结 构和识别方式， 从而提高图像的分类精度和分类速度。
２０ 世纪 ９０ 年代以来， 人工神经网络大量应用于遥感分类， 现在应用 较 为 广 泛 的 是 多 层 前 馈 网 络 的 反 向 传 播 网 络 和 自 组 织 网 络 。反 向 传 播 网
于 知 识 的 专 家 系 统 领 域 中 发 展 ， 从 不 同 方 面 、不 同 程 度 地 提 高 了 分 类 精 度， 改善了常规分类结果。本文以三峡库区巫山县为试验区， 开展了遥感 土地分类方法的改进研究， 并且面向应用高空间分辨率遥感影像更新地 理信息的需求， 对其中若干问题进行了分析探讨。
满足这两个条件， 按公式（ １） 进行权值调整， 否则按排序好的神经元依次
检测； 如果没有找到符合条件的神经元则在竞争层上增加一个新节点，
则重新初始化， 进行下一个样本学习。
ｒ＝０．５×!（ ｔ） ×ｎ
（ ３）
式 中 ： !（ ｔ） 是 学 习 速 率 ， 是 学 习 次 数 ｔ 的 单 调 下 降 函 数 ； ｒ 是 球 面 半
４ 精度分析
表 １ 辅助数据参与的最大似然分类
类别
生产者精度
用户精度
耕地
０．９０２
０．９６４
草地
０．７１４
０．９６９
林地
０．９９２
０．７１９
开发用地
０．９３７
０．９８３
水稻田
０．９８６
０．８４９
滩涂
０．９４６
０．３６７
城镇用地
０．７９７
０．９４２
水域
０．９６４
０．９９３
注： 总精度为 ０．８８２； ｋａｐｐａ 系数为 ０．８６２。
３ 纹理参与分类实验
随着高空间分辨率卫星的出现， 纹理特征参与分类来提高土地利
用／土地覆盖分类精度的方法已经越来越广泛地使用。纹理特征可简单
理解为邻域像元灰度等级间的关系， 最常用来表征纹理的方法是灰度共
生矩阵， 从中可计算出刻化影像的一些具体统计纹理属性， 如角二阶矩、
对 比 度 和 方 差 等 。每 一 个 属 性 都 可 生 成 一 个 纹 理 影 像 或 波 段 与 光 谱 特 征
依靠光谱特征的分类方法不能提供足够的类别精度。
解决问题的方式是采用辅助数据和知识以及多种传感器的光谱信
息等多源数据综合来扩展分类方法。这些多源信息包括 ＴＭ 图像， ＳＰＯＴ 图像， ＥＴＭ＋图像， 数字高程模型， 坡度、坡向等级图， 土壤类型， 气候数据 和 各 种 地 理 数 据 ， 地 物 空 间 制 约 关 系 等 知 识 ， 以 及 ＳＡＲ， ＳＰＯＴ 等 不 同 传 感器上的光谱信息。为了实现自动信息更新， 必须综合应用遥感科学、人
络需要大量学习时间， 学习容易陷入局部极小振荡而导致难以收敛以及 网络结构难以确定等缺陷。自组织网络结构简单， 学习速度快， 隐层节点 的权向量所表示的意义明确， 可用来获取输入数据的统计特征， 但存在
广泛应用， 尤其在土地利用现状调查中更体现了其快速、经济等特点。
１ 分类方法存在的问题和解决的途径
工智能、地理科学、数据挖掘等多学科理论交叉和多技术手段集成， 特别
是要 解 决 变 化 检 测 、信 息 融 合 、数 据 挖 掘 、智 能 推 理 、自 动 数 据 更 新 等 问
题。发展能够处理分析这些数据的方法是当前活跃的研究领域， 被称为
多 源 数 据 综 合 。 多 源 数 据 分 类 方 法 已 经 不 断 在 模 式 识 别 、人 工 智 能 和 基
择和一定的警戒参数测试。
对一学习样本计算与各竞争神经元之间距离， 首先选择距离最小的
神经元作为获胜节点； 判断该获胜是否正确地表示了学习样本所属的类
别， 如果正确， 按公式（ １） 调整该节点的权值， 进行下一个样本学习； 如果
不正确， 则按公式（ ２） 调整权值， 并且选择第二个次小神经元作为获胜神
ＺＨＥＮＧ Ｍｉｎ
ＡＢＳＴＲＡＣＴ： Ｔｈｉｓ ｐａｐｅｒ ｅｘｐｏｕｎｄｓ ｔｈｅ ｅｎｖｉｒｏｎｍｅｎｔａｌ ｐｏｌｌｕｔｉｏｎ ｐｒｏｂｌｅｍｓ ｃａｕｓｅｄ ｉｎ ｔｈｅ ｐａｃｋａｇｅ ｄｅｓｉｇｎ， ａｎａｌｙｚｅｓ ｏｎ ｔｈｅ ａｄｖａｎｔａｇｅｓ ｏｆ ｎａｔｕｒａｌ ｍａｔｅｒｉａｌ， ａｎｄ ｐｒｏｂｅｓ ｉｎｔｏ ｔｈｅ ｄｅｓｉｇｎ ｅｘｔｅｒｎａｌｉｚａｔｉｏｎ ｏｆ ｎａｔｕｒａｌ ｍａｔｅｒｉａｌ ｉｎ ｔｈｅ ｐａｃｋａｇｅ ｄｅｓｉｇｎ． ＫＥＹ ＷＯＲＤＳ： ｐａｃｋａｇｅ ｄｅｓｉｇｎ； ｅｎｖｉｒｏｎｍｅｎｔａｌ ｐｒｏｂｌｅｍ； ｎａｔｕｒａｌ ｍａｔｅｒｉａｌ
经元。
ｗ（ｉｊ ｔ＋１） ＝（ １－ !（ ｔ） ） ×ｗ（ｉｊ ｔ） ＋!（ ｔ） ×ｘｉ
（ １）
ｗ（ｉｊ ｔ＋１） ＝（ １＋!（ ｔ） ） ×ｗ（ｉｊ ｔ） － !（ ｔ） ×ｘ
（ ２）
判断该神经元是否正确地表示了学习样本所属的类别， 同时按公
式（ ３） 进行 警 戒 测 试 ， 判 断 学 习 样 本 与 该 神 经 元 的 距 离 是 否 小 于 ｒ， 如 果
隐层节点的数目较确定和泛化能力差等问题。 重复传播网络是一个 ３ 层前向网络， 网络结构见图 １。各层之间的神
经元全部互连， 竞争层采用竞争学习算法， 输出层采用 Ｗｉｄｒｏｗ－ ｈｏｆｆ 或 Ｇｒｏｓｓｂｅｒｇ 规则学习， 可见重复传播网络也存在竞争层节点数目难确定的 问题。通常辅助数据都不符合正态分布， 因此利用重复传播网络进行光 谱数据与辅助数据的分类， 可进一步同最大似然与辅助数据的分类相 比， 来检验辅助数据参与分类的能力。
总 精 度 上 与 ＴＭ 光 谱 最 大 似 然 分 类 相 比 提 高 ０．９％ ， ｋａｐｐａ 系 数 提 高 １．１％。纹理作为一个特征， 能够改善分类结果， 尤其空间分辨率的提高， 纹理特征在解译过程中与光谱特征一起成为最重要的信息。
５ 总结
通过上述研究， 神经网络分类方法与最大似然分类相比要有一定程 度的改善， 辅助数据的参与分类， 提高了分类精度， 纹理特征也是分类的 一个重要特征， 只利用光谱初分类的结果作为先验概率参与分类， 也显 著 地 改 善 了 分 类 精 度 。 在 三 峡 库 区 基 础 数 据 不 全 、未 建 立 数 字 化 数 据 库 的前提下， 整个项目是采用了光谱初分类与最大似然分类方法来改善分 类精度， 该研究为后续工作提供了方法论依据。
文献标识码： Ａ
为 了 更 好 地 帮 助 国 家 有 关 部 门 及 时 、快 速 和 准 确 地 掌 握 土 地 利 用 情 况， 进而建立起土地利用管理和决策信息系统， 就要涉及土地分类的问 题 。卫 星 遥 感 以 其 覆 盖 面 广 、信 息 量 大 、实 时 性 强 等 特 点 在 地 学 领 域 得 到
平均精度 ０．９３３ ０．８４１ ０．８５６ ０．９６０ ０．９１８ ０．６５７ ０．８６９ ０．９７８
表 ２ 神经网络的辅助数据参与分类结果
类别
生产者精度
用户精度
平均精度
耕地
０．９２３
０．８７３
０．８９８
草地
０．７５１
０．９８２
０．８６７
林地
０．９７５
０．８８２
０．９２９
开发用地
０．９２５
０．９１０
１３６
张晓霞， 王 垚 遥感图像分类方法在土地利用分析中的比较
本刊 Ｅ－ ｍａｉｌ：ｂｊｂ＠ｍａｉｌ．ｓｘｉｎｆｏ．ｎｅｔ 综 述
（ ３） 竞争层权值调整。由于每一学习样本所属类别是预先知道的， 因
此采用有监督的矢量量化学习过程， 为避免竞争层节点分配过多带来的
泛化问题和保证学习的稳定性， 在学习过程中采用多个优胜神经元的选
（ ２） 输出层权值初始化。输出层权向量用与之相连的每个竞争层节 点所表示模式类别的目标输出向量来初始化。
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
Ｔｈｅ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｔｈｅ Ｅｎｖｉｒ ｏｎｍｅｎｔａｌ Ｐｒ ｏｔｅｃｔｉｏｎ Ｍａｔｅｒ ｉａｌｓ ｉｎ ｔｈｅ Ｐａｃｋａｇｅ Ｄｅｓｉｇｎ
径； ｎ 为向量的维数； 除了以上改进外， 其余处理采用通常的方法。
（ ４） 遥感分类。利用学习样本（ Ｘ， Ｔ） 通过学习后， 各类别模式就刻化
在重复传播网络上， 分类依下列步骤来进行： 首先将像元向量归一化， 送
入网络； 其次层神经元对输入进行距离计算， 通过竞争找出激活神经元；
最后神经元的输出权向量即为所ห้องสมุดไป่ตู้表的类别。
（ ４）
ｉ＝１ ｊ＝１
Ｎｇ
Ｎｇ
ＣＯＮ＝! !（ ｉ－ ｊ） ２×Ｐ（ ｉ， ｊ）
（ ５）
ｉ＝１ ｊ＝１
Ｎｇ
Ｎｇ
ＥＮＴ＝－ ! !Ｐ（ ｉ， ｊ） ×ｌｏｇ（ Ｐ（ ｉ， ｊ） ）
（ ６）
ｉ＝１ ｊ＝１
式中： ＡＳＭ 表示角二阶矩； ＣＯＮ 表示对比度； ＥＮＴ 表示熵； Ｐ （ ｉ， ｊ） 表
示归一化灰度共生矩阵中（ ｉ， ｊ） 位置的元素。
０．９１９
林地
０．９２８
０．６９６
开发用地
０．９０５
０．９７６
水稻田
０．９６７
０．８７８
滩涂
０．８８３
０．７４８
城镇用地
０．９２２
０．８６４
水域
０．９６４
０．９９１
注： 总精度为 ０．８７１； ｋａｐｐａ 系数为 ０．８４９。
平均精度 ０．８８８ ０．８００ ０．８１２ ０．９４０ ０．９２２ ０．８１６ ０．８９３ ０．９７８
一起进行分类， 这样这些统计表征既能够反映分类类别空间特征的显著
差异， 又能与基于概率模型传统分类算法兼容。
为提高精度和与传统最大似然分类算法的兼容， 采用灰度共生矩阵
方法对高分辨率 ＰＡＮ ＳＰＯＴ 用下面公式来派生三个纹理特征与 ＴＭ 光谱
信息一起来分类。
Ｎｇ
Ｎｇ
ＡＳＭ＝! !（ Ｐ（ ｉ， ｊ） ） ２