神经元网络在中山陵景区林业土地分类中的应用

摘要

该文是以中山陵风景园林景区为研究区域,在原始数据TM图像进行光谱特征分析和几何校正的基础上,对遥感图像进行了一系列常规处理,如反差变换、比值增强、主成分变换、缨帽变换、假彩色合成等,然后分析各波段的方差、相关系数,计算各波段的信息熵,以及不同组合的最佳指数(OIF),综合选取了PC1、NDVI、TM4组合作为图像分类的基础波段.在此基础上,进行了无监分类和有监分类,主要方法选用了最大似然法、最小距离法和神经元网络法.重点对神经元网络法进行了研究,先是用BP网络对图像进行学习训练并分类,然后又用动量方法对BP算法改进,得到较为理想的分类结果.通过以上一系列的分析处理,该文得到了以下结论:TM7波段信息量最为丰富,各地类间的差异也最明显.TM4波段的独立性最强,而且与生物量关系最为密切.在TM的六个波段中经过比值处理后,从影像上看各个地类之间的差异加大,效果比较明显的是归一化植被指数和比值植被指数.通过主成分分析表明,主成分综合了各个波段的信息,且相互之间完全正交不相关,其中PC1达到90.97％的贡献率.最大似然法的内部算法缺陷少、可靠性好,采用高斯分布模型描述样本的概率分布,对实际上并非高斯分布的样本进行分析时会产生较高的误判率,但对本问而言,所用TM4波段的灰度直方图表明,样本的概率分布服从高斯分布.所得精度结果稍低于神经网络方法.用动量方法对原始的BP算法进行改进,在节省时间和训练结果上都取得了较好的效果.使收敛总误差(Training RMS Error)在更短的时间达到所期望的值(0.1).通过该文的研究神经网络分类方法,无论是总体精度还是K<,hat>统计值都大于最大似然法和最小距离法,为96.43％和95.33％.各种精度评价指标综合体现出神经网络的优势.分析其原因,神经网络具有良好的自组织和自学习功能,大大放松了传统模式识别方法所需的约束条件,即使模式空间的分布出现锯齿状情况,神经网络也能对模式集进行正确的分类,这也是神经网络分类精度优于最大似然法的主要原因.为全面比较神经元网络方法与传统的分类方法以体现其优势所在,在精度评价上该文采用了多个评价指标,以期得到比较客观的评价.

目录

文摘

英文文摘

致谢

第一章综述

1.遥感技术在分类前图像预处理方面的研究现状

2.遥感影像分类研究现状

3.误差和精度评价

4.研究目的及意义

第二章研究资料及研究区概况

1.研究区概况

2.资料收集

第三章研究方法概述

第四章图像预处理

1.研究区的裁取

2.图像精校正

3.研究区TM影像特征分析

3.1 ETM+专题制图仪的物理特征

3.2各波段影像特征分析

3.3各波段的信息量分析

第五章图像变换

1.各波段相关性分析

2.图像增强和变换

2.1.反差增强

2.2.比值增强

2.3主成分变换

2.4缨帽变换

2.5彩色变换

3.波段组合评价

第六章图像分类

1.无监督分类方法

2.监督分类方法

2.1确定分类类别选取训练区

2.2最大似然法分类

2.3最小距离法分类

3.人工智能神经元网络方法

3.1神经网络的结构

3.2神经网络训练学习的数学描述

3.3神经网络分类的实现

4.误差来源和精度评价

5.KAppA分析

第七章结论与问题分析

1.结论

2.问题及讨论

参考文献

附图