[发明专利]一种改进型的神经网络高光谱遥感影像分类方法

说明书

技术领域

本发明属于高光谱数据处理方法与应用技术领域，涉及一种改进型的神经网络高光谱遥感影像分类方法，适用于高光谱数据监督分类的理论方法和应用技术研究。

背景技术

高光谱成像技术是近二十年来发展起来的基于多窄波段的影像技术，其中最突出的应用是遥感探测领域。高光谱遥感图像波段数目多达上百个，光谱分辨率高达几个纳米，具有较高的光谱分辨率，为研究员提供了丰富的地物信息。根据高光谱遥感数据进行地物分类，在资源调查、气候和环境评估、自然灾害监测和生态农业等方面具有重要意义。

由于高光谱数据具有数据量大、维数高、含混度高等特点，使用传统的分类算法对其进行分类时不仅耗时而且性能也不够理想。为此提出的技术改进主要包括两个方面，一是特征提取，从高维遥感数据中提取出重要的信息，去掉冗余信息，目前最常用的有独立主成分分析、主成分分析（PCA）和分等级的主成分分析，而采用主成分分析法。二是寻找或改进更有效的分类算法，目前常用的分类算法包括最小距离法、bayes分类、支持向量机等。

在分类算法方面，考虑到一般传统的分类算法都假设获得的数据服从高斯分布，而高光谱数据不完全服从高斯分布。因此采用多层反馈BP神经网络分类器，它不需要对数据的分布做任何假设，能更好地进行分类决策。但BP神经网络存在一个很严重的缺陷，网络在调节权值和阈值时，极易陷入局部极小值，无法寻得最优解，这将导致分类精确度和性能的下降。为此还引入遗传算法（GA）对网络的权值和阈值进行调节，以获得更优的解，使分类精度达到预测的效果。

发明内容

本发明的目的在于针对传统的高光谱分类方法的不足，为高光谱遥感影像分类的研究提供一种改进型的神经网络高光谱遥感影像分类方法。

本发明方法包括以下步骤：

1)高光谱数据的预处理；

将光谱影像各个波段以灰度图实现显示，对各个波段的光谱影像进行目视检查，确定由于大气吸收、折射和散射因素的作用对光谱数据产生较大影响的异常波段和由于其他因素对光谱数据产生较大噪声的异常波段，对异常波段做直接剔除处理。

2)PAC主成分分析；

PCA主成分分析，其步骤如下：

第一步，设原始空间数据B的维数是                                                ，其中是数据所包含的波段维数，、是高光谱数据的空间维数；在进行PCA变换之前，事先将原始空间数据B转化为形式为的观测样本数据集，其中是一维像元总个数。

第二步，计算观测样本数据集各波段的均值和协方差矩阵：，。

第三步，通过求解特征方程来获得协方差矩阵的特征值和特征向量:,其中是单位矩阵。

第四步：对特征值进行降序排列，即，其相对应的特征向量为；可以得到PCA变换矩阵：,为向量矩阵，并变换矩阵满条件：；最终的PCA变换可以表示成:，其中为观测样本数据集，是变换后的数据，，，…，，并且的第一个分量的方差是最大的，第二个分量的方差次之，排在前面的几个主要成分包含了数据的大部分信息。

3)训练样本准备；

依据先验知识，在每个地物类别区域内，随机的选取一定比例的训练样本；每个二分类问题，可组成训练样本集，，，其中为维输入向量，也即维训练样本，为第个样本的样本标签，1表示目标数据，0表示背景数据，为选取的训练样本总数。

4）神经网络的分类器设计；

采用基于BP算法的多层前馈神经网络对遥感数据进行分类；它是利用误差反传算法作为其学习规则进行有监督学习的前馈网络；把待分类的地物对象的条件集合或特征组合作为BP网络的输入模式，并给出期望输出模式；采用BP算法的多层感知器由三层组成：输入层、隐含层、输出层。

第一步：数据选择和归一化；

首先，将输入、输出数据归一化；使用[pn,minp,maxp,tn,mint,

maxt] = premnmx(p,t)函数作归一化处理，其中p，t分别为原始输入和输出数据，minp和maxp分别为p中的最小值和最大值；mint和maxt分别为t的最小值和最大值，pn和tn分别表示归一化之后的输入、输出数据；premnmx函数用于将网络的输入数据或输出数据进行归一化，归一化后的数据将分布在[-1,1]区间内；数据归一化后，有量纲的表达式化为无量纲的表达式成为纯量。

第二步：建立神经网络和训练网络；