快鸟影像的自组织神经网络分类研究

马友平

(湖北民族学院 生物科学与技术学院，湖北 恩施 445000)

遥感影像的分类研究一直是一个人们很关注的问题，其分类结果的好坏直接影响到人们下一步的研究，在一些国内外开发的遥感处理软件如EADRS、PCI、ENVI与中国测绘科学自主开发的CASM ImageInfo v3.5等都均可进行遥感影像的有监分类和无监分类，为遥感影的广泛应用立下了汗马功劳.为了提高遥感影像的分类精度，人们试图在以MATLBA软件为基础进行遥感影像的人工神精网络分研究，如BP神经网络(back propagation neural network) 、自组织神经网络、RBF神经网络(radial basis function neural network) 和模糊神经网络[1]、小波神经网络等.本文拟应用自组织神经网络法对高分辨率的快鸟卫星影像进行分类研究.

1 试验数据的获取

该试验选用2003年10月22日拍摄的湖北民族学院桂花圆校区教学区的部分Quick Bird多光谱、全色影像；Quick Bird是目前世界上空间分辨率最高的商用卫星之一，其CCD传感器有5个通道[2,3]，其中一个全色通道获取波长为450～900 nm 的全色光谱信息道，另外4个多光谱通道Bandl、Band2、Band3和Band4分别获取波长为450～520 nm蓝光光谱信息、520～600 nm绿光光谱信息、630～690 nm红光光谱信息和760～900 nm近红外光谱信息.其全色波段分辨率为0.61 m(星下点)，彩色多光谱分辨率为2.44 m(星下点)，幅宽为16.5 km，重访周期为1～6 d，低轨道(450 km).

2 自组织神经网络概述

早在20世纪40年代初，心理学家McCullocht和数学家Pitts就提出了人工神经网络的第一个数学模型[4,5]，标志着神经网络研究的开始，其发展过程经过了发展初期、低潮时期、复兴时期和发展高潮时期[5].而在实际的神经网络中，存在着一种“侧抑制”现象，即一个神经细胞兴奋后，通过它的分支会对周围其他神经细胞产生抑制.这种侧抑制使神经细胞之间出现竞争，基于生物神经元这一特性，芬兰学者科荷伦(Kohonen)于1982年提出了自组织映射网络(Self-Organizing Mapping,SOM),引入了网络的拓扑结构，它能够对输入模式进行自组织训练和判断，并将其最终分为不同的类型.与BP网络相比，这种自组织自适应的学习能力进一步拓宽了人工神经网络在模式识别、分类方面的应用，网络结构主要由输入层和竞争层构成，是一种无需先验知识的分类模式，输入层的的节点数取决于分类的指标数，竞争层的神经元数取决于待分的类别数.

3 快鸟影像的分类研究

为了对快鸟影像进行自组织神经网络分类研究，本试验准备以MATLAB软件为基础来进行分类.为此必须对img格式的快鸟影像进行格式转换，便于MATLAB软件能够识别，首先在ERDAS8.5 中将11 bit转换为8 bit格式，并进行分辨率融合处理，融合后的图像具有二者的优点，然后转换为jpg格式的图像文件(如图1所示，见封三)，其像元大小为568×598=339 664.

表1 OIF值与排序

3.1 组合波段的选择

快鸟多光谱影像有4个波段，拟采用最佳指数法(OIF)[6，7]从中选择3个波段.为了解译的方便，一般需进行3个波段的段彩色合成；其最佳指数计算公式为：

OIF越大，则相应图像组合所包含的信息量也越大，因为图像标准差越大，所包含的信息量也越大，相关系数越小，图像之间的独立性也愈高，信息的冗余度小；对OIF按从大到小的顺序排列(详见表1)，即可选出最优组合方案.

从表1中可以明显的发现，4、3、2波段组合的最佳指数最高，所含信息量也取大，因而选用该组合波段作为快鸟影像的分类组合波段.

3.2 待分地物类型的确定

从图1真彩色图像a可以将地物分为5种，建筑物中由于建筑屋顶的差异，因将其分为两类，一类是黑色的房顶，起名为建黑；二类是修建的年代较近，且房项未作任何装修，从波谱特性上看它与道路非常相近，因而将其共同分成一类，起名为建路.其次水体、裸地、植被自成一类，共分5类.

3.3 MATLAB中的自组织分类

在MATLAB中应运函数newsom可以很方便的创建一个自组织神经网络，其一般结构为：

net=newson(minmax(x),[n]);

其中x为待分向量，维数大小为波段数和x的像元数，在该研究中即为3×339 664;n表示竞争过程中获胜的神经元数，即待分的地物类数，该研究中n=5.

在网络训练过程中设定了网络的最大训练次数为100次，其最终分类结果为图2所示，见封三.

3.4 分类精度、Kappa系数计算

为了对图2的分类结果进行量化评价，据其每类地物所占面积的大小，随机选取了不等的点(像元)进行验证，水体30，建路50，建黑40，裸地60，植被100，计280个像元，其图2分类判读结果与实际判读结果所构成的混淆矩阵为表2.

表2 分类结果混淆矩阵

从表2中可以计算出总的分类精度(P)和Kappa系数(K)为：

P=∑aii/N=233/280=83.21%

K=(N×∑aii-∑(T·j×Ti·))/(N2-∑(T·j×Ti·))=78.66%

其中aii表混淆矩阵对角线元素，N为各类样本总数，T·j、Ti·分别表示混淆是矩阵i行、j列之和.

4 结束语

1)应用MATLAB中人工神经网络工具箱进行自组织人工神经网络分类是一件很方便的事，语言简捷，但如果图像太大处理速度慢，这时我们只能选取一部分有代表性的影像来训练网络，此时样地的选择显得非常重要；

2)快鸟影像到MATLAB中处理，要进行格式的变换；

3)快鸟影像有4个波段，假彩色的合成只需要3个波段，文中采用了OIF法进行最佳波段组合的选择，最终选择了4、3、2组合波段；

4)对分类的结果采用了总体精度、Kappa系数来进行衡量，其大小分别为83.21%、78.66%，能够满足遥感影像分类的要求.鉴于对遥感影像所对应地物的熟悉，对地面物体分成了5类.误差偏大的原因是由于建筑物、植被的阴影较多，阴影均被分类成了建黑类，道路于树木的阴影有一部分也被判读成了建黑类.

[1]施拥军,徐小军,杜华强,等.基于BP神经网络的竹林遥感监测研究[J].浙江林学院学报,2008,25(4):417-421.

[2]初佳兰,张杰,王小龙. SPOT、QuickBird卫星遥感数据提取东沙岛植被信息的比较[J].海洋学研究,2006，24(2):79-85.

[3]张宁玉，吴泉源. Brovey融合与小波融合对QuickBird图像的信息量影响[J].遥感技术与应用,2006.21(1):67-70.

[4]周开利,康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社,2005.

[5]许东,吴铮.基于MATLAB6.X的系统分析与设计-神经网络[M].西安：西安电子科技大学出版社,2003.

[6]杜华强,周国模,葛宏立，等.基于TM数据提取竹林遥感信息的方法[J].东北林业大学学报,2008,36(3):35-38.

[7]刘建平,赵英时,孙淑玲. 高光谱遥感数据最佳波段选择方法试验研究[J].遥感技术与应用,2001,16(1):7-13.