基于RBF神经网络的遥感图像分类和基于结构特征的水体识别

摘要

与传统统计方法的分类器相比较,人工神经网络（ANN）方法应用于遥感影像分类,不需预先假设样本空间的参数化统计分布,具有复杂的映射能力大多数.基于径向基函数（RBF）映射理论的神经网络模型融合了参数化统计分布模型和非参数化线性感知器映射模型的优点,在实现快速学习的同时,保持了高度复杂的映射能力.该文探讨RBF映射理论在遥感影像分类中的具体算法和实现过程,给出了一种基于自适应聚类间距的快速聚类算法（SFFCDG）的RBF训练算法和一种树型RBF网络构造算法.然后以实际的遥感土地覆盖分类为例,通过与最大似然分类算法（MLC）相比较,对分类过程和结果进行了综合分析,认为RBF方法在学习速度、网络结构、分类精度等方面具有一定的优势.利用光谱信息无法对提取的水体进行分类.但不同类型的水体其面积、周长、形状等几何特征各有特点,并且与地貌类型有一定的关系.利用水体的空间特征信息,分析不同流水作业本的空间特征特点,以此建立不同水体与空间特征的知识表达模型或水体分类决策规则,可以对水体进行有效分类,该文采用了决策树方法,获得了较为满意的效果.

目录

文摘

英文文摘

第—章绪论

1.1课题背景和选题依据

1.1.1遥感技术的发展

1.1.2地理信息系统的发展

1.1.3 3S技术

1.1.4进题依据

1.2遥感图像处理的现状

1.3本文主要工作

第二章遥感图像分类技术

2.1概述

2.1.1地物波谱特征

2.1.2卫星参数

2.1.3基本原理

2.2遥感图像分类中的特征选择和特征提取

2.3遥感图像非监督分类

2.3.1聚类中的相似性度量

2.3.2K-均值算法（K-MEANS Algorithm)

2.4遥感图像监督分类

2.4.1最大似然分类(多类判决)法的基本原理[19]

2.4.2最大似然分类存在的问题

2.5分类精度的分析

2.5.1误差矩阵

2.5.2 Kappa系数

2.6本章小结

第三章RRF神经网络分类

3.1人工神经网络概述

3.1.1人工神经元

3.1.2神经网络的学习

3.1.3前馈神经网络

3.1.4多层前馈网络的函数逼近能力

3.1.5人工神经网络与遥感图像分类

3.2 RBF神经网络

3.2.1 RBF网络的结构

3.2.2 RBF网络的学习

3.3基于自适应聚类间距的快速聚类算法

3.3.1聚类方法原理

3.3.2快速聚类算法[28]

3.3.3基于自适应聚类间距的快速聚类算法(SFFCDG)

3.4遥感分类特征的选择和样本数据的纯化

3.5神经网绍学习和测试中的两个问题

3.6本章小结

第四章多分类问题的分层RBF神经网络方法

4.1大类别分层策略

4.2自适应树型网络结构的分类机理

4.3自适应树型RBF网绍构造算法

4.3.1实现自适应树型RBF网络主要的数据结构

4.3.2自适应树型RBF网络构造的详细算法

4.4本章小结

第五章遥感地物分类实例分析

5.1遥感图像的选取

5.2遥感图像的分类分析

5.3结论与展望

第六章基于空间特征的水体分类

6.1水体空间特征分析

6.2水体的分类

6.3空间特征值的计算方法

6.4实验分析和存在问题

6.5本章小结

第七章基于遥感图像的部分地物的自动识别系统

7.1神经网络监督分类的管理

7.2监督分类使用的文件格式

7.3神经网络样本采样方式

7.3.1曲线采样

7.3.2区域采样

7.4图像均衡化和遥感数数据线性拉伸

7.5总结与展望

7.6本章小结

参考文献

致谢