基于新型神經(jīng)網(wǎng)絡(luò)的高光譜遙感圖像分類(lèi)方法研究.pdf

1、高光譜遙感圖像具有很高的光譜分辨率和地物鑒別能力，已廣泛應(yīng)用于農(nóng)業(yè)、生態(tài)環(huán)境、國(guó)防等領(lǐng)域。由于高光譜圖像波段多、數(shù)據(jù)量大，傳統(tǒng)的遙感圖像分類(lèi)方法不合適高光譜圖像分類(lèi)。
　　本文在高光譜遙感圖像降維處理的基礎(chǔ)上，采用新型神經(jīng)網(wǎng)絡(luò)方法，對(duì)航空OMIS-I高光譜遙感影像進(jìn)行詳細(xì)的分類(lèi)實(shí)驗(yàn)。首先，采用核主成分分析（Kernel Principal Component Analysis，KPCA）方法和遺傳算法（Genetic Algori

2、thm，GA）對(duì)高光譜遙感圖像進(jìn)行降維處理；然后；采用傳統(tǒng)遙感圖像分類(lèi)方法（ISODATA、SVM）、傳統(tǒng)神經(jīng)網(wǎng)絡(luò)（BP）、新型神經(jīng)網(wǎng)絡(luò)方法分別進(jìn)行分類(lèi)對(duì)比實(shí)驗(yàn)；最后，采用混淆矩陣和制圖精度進(jìn)行分類(lèi)精度評(píng)價(jià)。論文的主要研究工作和成果包括：
　　（1）高光譜遙感圖像降維處理。論文主要采用核主成分分析（KPCA）和遺傳算法（GA）兩種方法進(jìn)行了降維。KPCA方法盡管降維后的物理意義不明確，但是對(duì)于不符合高斯分布的數(shù)據(jù)，KPCA能獲得較

3、為理想的效果，因?yàn)?KPCA是一種非線性降維技術(shù)。遺傳算法降維屬于波段選擇的范疇，采用遺傳算法進(jìn)行波段選擇時(shí)，盡管時(shí)間復(fù)雜度不是很低，但是能夠找到比較理想的特征波段用于后繼工作的分類(lèi)。
　　（2）傳統(tǒng)遙感圖像分類(lèi)方法與新型神經(jīng)網(wǎng)絡(luò)方法的對(duì)比。首先采用 SVM和ISODATA方法對(duì) OMIS-I高光譜圖像進(jìn)行分類(lèi)，然后將分類(lèi)結(jié)果與新型神經(jīng)網(wǎng)絡(luò)方法對(duì)比，結(jié)果表明新型神經(jīng)網(wǎng)絡(luò)方法比傳統(tǒng)遙感圖像分類(lèi)方法效果要好。
　?。?）應(yīng)用新型

4、神經(jīng)網(wǎng)絡(luò)方法對(duì)高光譜遙感圖像進(jìn)行分類(lèi)實(shí)驗(yàn)。首先采用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法對(duì)高光譜遙感圖像進(jìn)行了分類(lèi)，分類(lèi)結(jié)果顯示，普通的BP網(wǎng)絡(luò)分類(lèi)結(jié)果并不理想。在此基礎(chǔ)上，引入了模糊網(wǎng)絡(luò)、小波網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)、Adaboost網(wǎng)絡(luò)、架構(gòu)網(wǎng)絡(luò)、基于遺傳算法的神經(jīng)網(wǎng)絡(luò)等網(wǎng)絡(luò)進(jìn)行遙感圖像的分類(lèi)，然后與普通的BP網(wǎng)絡(luò)進(jìn)行對(duì)比。主要選擇了2個(gè)指標(biāo)進(jìn)行對(duì)比：一個(gè)是制圖精度，另一個(gè)是時(shí)間復(fù)雜度。實(shí)驗(yàn)表明新型神經(jīng)網(wǎng)絡(luò)方法比傳統(tǒng)的神經(jīng)網(wǎng)咯方法分類(lèi)精度要搞。在制圖精度上