基于BP神經網絡的東嶼島遙感影像分類

曹兆偉，林寧，徐文斌，盧文虎，張孝龍

（1.上海海洋大學，上海　201306；2.國家海洋信息中心，天津　300171；3.鎮江市氣象局，江蘇　鎮江　212003）

基于BP神經網絡的東嶼島遙感影像分類

曹兆偉1，林寧2，徐文斌2，盧文虎2，張孝龍3

（1.上海海洋大學，上海201306；2.國家海洋信息中心，天津300171；3.鎮江市氣象局，江蘇鎮江212003）

精準高效的海島遙感影像分類是充分利用海島基礎資料的有效手段，也是全面掌握海島基本情況及變化情況、保障海島保護和開發利用有序進行、實現全國海島動態監管的重要技術措施。以2008年海南省東嶼島航空遙感影像為數據源，借助ENVI遙感圖像處理軟件選取訓練樣本集，通過MATLAB仿真軟件構建“3-8-5”的3層BP神經網絡分類模型，實現對東嶼島遙感影像的分類。實驗結果顯示，BP神經網絡分類總精度為87.85%，Kappa系數為0.84，與最小距離法分類相比，分別提高5.53個百分點和0.07。實驗證明BP神經網絡分類方法是一種行之有效且精確度更高的分類方法。

BP神經網絡；影像分類；海島；東嶼島

海島作為我國沿海第二經濟帶，是壯大海洋經濟、拓展發展空間的重要依托，也是保護海洋環境、維護生態平衡的重要平臺，更是捍衛國家權益保障國防安全的戰略前沿（吳姍姍等，2013），因此對海島及其周邊海域進行監視監測是一項必不可少的基礎性工作。但由于海島地理位置遠離大陸，交通不便，登島困難，而利用遙感技術則可克服上述不利，因此成為海島監視監測的主要手段之一。

遙感技術是20世紀60年代初興起的一門綜合性探測技術，遙感影像分類是遙感信息提取的重要手段，發展分類方法提高分類效率和精度更是遙感應用研究的熱點（賈坤等，2011）。在目前的遙感圖像分類應用中，用的最多的是傳統的模式識別分類方法：諸如最小距離法，最大似然法等監督分類法。其分類的結果由于遙感圖像本身的空間分辨率以及“同物異譜”，“同譜異物”現象的存在，而往往出現比較多的錯分、漏分情況，導致了分類精度不高（段新成，2008），而在處理遙感影像分類過程中，BP神經網絡能夠很好地適應紋理豐富，含混度高的遙感影像，通過隱含層節點設置，能夠較好地解決分類過程中“同質異譜”與“同譜異質”問題（可華明等，2010），且BP神經網絡分類算法相比其他統計分類算法具有較強的學習能力，更容易結合遙感、影像的紋理、光譜、坡度、坡向等信息對地物類別信息進行提取（蔣捷峰，2011），所以BP神經網絡在遙感影像分類領域得到廣泛的應用。

鑒于此，本文利用2008年5月東嶼島航空遙感圖像作為數據源，在Matlab 7.0和ENVI 5.0等軟件平臺支持下，嘗試用BP神經網絡方法對東嶼島進行影像分類，旨在增加對人工神經網絡的認知，提高應用人工神經網絡的水平，并為海島智能化遙感影像分類研究和海島資源調查等提供技術參考。

1　研究區概況及數據說明

東嶼島位于博鰲港萬泉河出海口，隸屬海南瓊海市博鰲鎮，面積1.8 km2。該島地形獨特，從空中俯瞰就像一只緩緩游向南海的“巨鰲”。傳說昔日觀音大士在此降鰲，鰲之原身化為美麗的東嶼島。東嶼島四周河水環繞，是一個水中有島、島中有水、波光錯落、景色秀麗的島嶼。島上有廣闊的高爾夫球場，超五星級的索菲特大酒店，亞洲論壇博物館11個區，以及按五行八卦原理建造的好運臺，是“博鰲亞洲論壇”永久會址所在地。

本次研究使用的數據為兩景相鄰航空圖像鑲嵌而成，其獲取時間為2008年5月9日，地理坐標為19.13°N-19.15°N，110.56°E-110.58°E，其包括紅、綠、藍3個基本波段。為研究簡便將其空間分辨率重采樣為2 m，經過裁剪掩膜后，圖像大小為801×902個像素的tiff格式文件（圖1）。影像質量良好，有少量云影，較清楚反映了該島自然現狀和開發利用情況。

2　BP神經網絡設計

圖1　東嶼島航空遙感影像

人工神經網絡（Artificial Neural Network，簡稱ANN）是對生理學上的真實人腦神經網絡的結構和功能，以及若干基本特征的某種理論抽象、簡化和模擬而構成的一種信息處理系統。人工神經網絡有多種網絡模型，但目前應用最廣，基本思想最直觀，最容易被理解，到現在為止在遙感影像分類中應用最多的是多層前饋網絡及誤差反向傳播的學習算法（Error Back Propagation），簡稱BP神經網絡（賈永紅等，2001）。

BP神經網絡算法基本思想是把學習過程分成信息的正向傳播和誤差的反向傳播兩個過程。首先輸入層單元接受來自外界的輸入信息，然后經過隱含層單元處理后，最后傳遞給輸出層單元并產生一個輸出模式，完成一次學習的正向傳播過程，這個過程是逐層狀態的更新。當實際輸出模式與期望輸出模式不符時，進入誤差反向傳播階段，網絡沿連接通路將誤差值逐層傳送，并按誤差梯度下降的方式對各層結點間的連接權值進行修正調整。通過周而復始的信息正向傳播和誤差反向傳播不斷調整網絡的權值和閾值，使網絡輸出誤差減少到可以接受的程度。BP神經網絡設計一般包括輸入層、隱含層和輸出層節點數的確定，隱含層層數的確定。

2.1輸入層和輸出層節點數的確定

BP神經網絡的輸入層和輸出層節點數的確定需根據實際情況具體考慮。本實驗中輸入的數據為航空影像，有3個波段，因此輸入層節點數為3。輸出層節點數根據分類地物的類型數目確定。本實驗中，根據人工目視解譯和東嶼島地理特征將遙感影像簡要分為草地、建筑物、林地、水體、沙地（高爾夫球場的白沙子）5大類別，由于道路用地斑塊面積小，本研究不將其作為分類類型，因此輸出層神經元個數為5個。

2.2隱含層節點數的確定

關于隱含層神經元個數的確定目前仍沒有一個確切的數學公式來求解，隱含層神經元個數往往需要多次試驗才能確定（李源泰，2010）。隱含層的節點數太少，網絡不能得到充分地訓練，訓練時間短，訓練精度不高；隱含層的節點數太多，則容錯性差，導致計算量增加。隱含層節點數的初始值可先由公式N=（A×B+0.5A×（B2+B）-1）/（A+B）（毛建旭等，2001）來確定，其中A為分類數量，B為特征向量維數。初始值選好后通過不斷增加或減少神經元個數來確定最優的神經網絡分類模型，本研究經過多次實驗確定隱含層使用8個節點數。

2.3隱含層層數的確定

BP網絡有一個重要的結論：對于任何在閉區間內的一個連續函數，都可以用具有一個隱含層的BP網絡來逼近，因而一個3層BP網絡可以完成任意的n維到m維的映射（飛思科技產品研發中心，2003）。所以本研究中取單隱層BP神經網絡，即3層BP神經網絡，其拓撲結構如圖2所示。

圖2　3層BP神經網絡拓撲結構圖

3　BP神經網絡遙感影像分類的實現

本實驗以MATLAB為平臺編程實現BP神經網絡對遙感影像的自動分類。MATLAB是用于算法開發、數據可視化、數據分析以及數值計算的高級技術計算語言和交互式環境的數學軟件，其中人工神經網絡工具箱是應用最為廣泛的軟件包之一（李燕，2012）。分類實現主要步驟包括：訓練樣本的選取，網絡的創建、訓練和仿真，影像自動分類和結果輸出。

3.1訓練樣本的選取

神經網絡訓練至關重要的一步是訓練樣本的選取，它直接關系到最后影像分類的精度，是神經網絡在遙感影像分類應用中的重要研究內容。訓練樣本的選取既要保證樣本的典型性和代表性，又要保證神經網絡訓練能得到收斂。本實驗訓練樣本的選取采用非像元去除法（都業軍，2008）。該方法通過剔除感興趣區域周圍的非樣本像元，在輸入網絡訓練之前再處理所有波段值為0的像元從而獲得大量純凈的訓練樣本。

在ENVI平臺上進行訓練樣本選取，利用ENVI的ROI TOOLS選取東嶼島范圍內各個地類特征最為明顯的區域，將每類ROI區域分別裁剪出來作為訓練樣本（圖3）。由于選取的ROI區域不一定是矩形，但輸入到MATLAB的數據必須是矩形，必須要對非樣本區域用0值掩膜，又因為0值像元會對網絡訓練造成影響，所以用非像元去除法去掉0值掩膜的像元。

圖3　東嶼島訓練樣本

3.2網絡的創建、訓練和仿真

本實驗利用MATLAB的ANN工具箱中newff函數創建一個BP人工神經網絡，隱含層的傳遞函數采用tansig，輸出層的傳遞函數采用purelin，網絡訓練函數采用trainlm。

BP神經網絡創建好后將訓練樣本輸入網絡中進行訓練，但樣本圖像數據不能直接輸入到網絡中，需要對圖像數據進行降維、歸一化等預處理工作。在MATLAB中可以采用imread函數將彩色圖像可以分解成RGB 3個灰度向量。

將降維后的圖像變為雙精度一維向量形式，并歸一化到 [-1，1]之間，此過程采用im2double和reshape函數實現。將其余訓練樣本進行同樣的數據預處理后組合成3行n列的輸入矩陣，其過程如圖4所示：

圖4 圖像降維過程

本實驗將東嶼島影像分為5類地物，目標矩陣則為5行n列的單位矩陣，每一行對應一類地物，其形式為：

T=[10000%草地

01000%建筑物

00100%林地

00010%水體

00001]%沙地

輸入矩陣和目標矩陣確定后即可進行網絡訓練，其過程如圖5所示。

圖5 網絡訓練過程

網絡訓練的目的在于求出能滿足目標要求的權矩陣，通過該權矩陣實現原影像的智能分類。在MATLAB中采用train函數進行網絡訓練，代碼為：net=train（net，P，T），其中P，T分別為輸入矩陣和目標矩陣。此外，在網絡訓練前相關配置參數如下：

net.trainParam.show=10；

%每訓練10次顯示一次

net.trainParam.epochs=200；

%最大訓練次數為200

net.trainParam.lr=0.02；

%網絡學習速率0.02

net.trainParam.mc=0.85；

%動量因子為0.85

net.trainParam.goal=0.045；

%期望誤差為0.045

其中學習速率是決定每一次循環訓練中所產生的權值變化量，學習速率不能設置過大，否則會導致網絡不穩定，也不能設置過小，會增加訓練時間。通常在0.01-0.1值中選擇，本文根據訓練情況學習速率選擇0.02值。

引入動量因子是為了增加網絡的穩定性防止振蕩，其值一般在0-1之間，經過實驗本文中動量因子參數為0.85值。

期望誤差的選取同樣根據實際情況，期望誤差如果設置過大，網絡往往得不到充分訓練，影響分類的精度，如果設置過小，網絡收斂速度慢。本實驗選取幾個不同的期望誤差進行訓練對比，最后確定期望誤差值為0.045。

經過網絡參數配置后，本實驗網絡訓練收斂情況如圖6所示。

圖6　BP神經網絡訓練收斂情況

圖6橫坐標為訓練次數，縱坐標為誤差值，黑色直線為期望誤差，從圖中可以看出網絡在訓練50次誤差值為0.048，逐漸收斂，達到了訓練的要求。網絡訓練結束后，將待分類的影像同樣經過降維、歸一化等預處理工作后輸入到網絡中用sim函數進行仿真，代碼為：Y=sim（net，X），其中net為訓練好的網絡，X為待分類的影像，Y為輸出數據。

3.3影像自動分類和結果輸出

仿真結束后，Y輸出數據是一個5行801×902列矩陣，即每一列向量對應一個仿真的像元，其中最大值所在行數即為該類別數，將類別數組成的行向量轉化成原影像同樣大小的矩陣就可以以圖片格式輸出，輸出數據是只有5個灰度值的柵格圖（圖7）。

圖7　東嶼島仿真柵格圖

輸出的灰度圖用ENVI提供的決策樹分類算法為其配色可以得到直觀性強的分類圖，結果如圖8。

圖8　BP神經網絡分類結果圖

4　分類精度比較

精度評價是圖像分類后的一項重要工作。通過精度分析，分類者能夠確定分類模式的有效性，改進分類模式，提高分類精度；使用者能夠根據分類結果的精度，正確、有效的獲取分類結果中的信息。

ENVI提供了包括分類結果疊加、混淆矩陣和ROC曲線等方法。比較兩幅圖像中地類的一致性是精度評價最好方法，一般情況下，只能通過采樣的方法對地類像元的一致性進行檢查，因為不可能對所有的像元進行檢查。通過抽取一定數量的像元，也是可以反映整體圖像的分類質量的。本實驗采用混淆矩陣中的地表真實感興趣區驗證方法評價遙感影像分類精度。驗證樣本可以通過野外實地調查，也可以在高分辨率圖像上，通過目釋解譯獲取各個分類的地表真實感興趣區（鄧書斌，2010）。鑒于研究區航空影像源數據空間分辨率為1 m，結合東嶼島的文字圖片資料，在影像上選取7 578個像元作為驗證樣本，連同5 033個訓練樣本每類具體數量如表1。因影像上少量云影，為了對分類結果和其他方法進行有效的精度分析，驗證樣本選取有把握的區域（圖9）。

圖9　東嶼島驗證樣本

表1　訓練樣本數和驗證樣本數統計表

本實驗利用傳統監督分類的分類方法與基于人工智能的人工神經網絡方法在分類精度上進行驗證比較。在ENVI中分別實施最小距離分類和最大似然分類，為保證對比的客觀性，最小距離分類法和最大似然分類法使用與BP神經網絡分類法相同的訓練樣本和驗證樣本，最小距離分類和最大似然分類結果分別如圖10、11所示。

圖10　最小距離分類結果圖

圖11　最大似然分類結果圖

將BP神經網絡、最小距離和最大似然3種方法的分類結果圖分別與驗證樣本進行混淆矩陣計算，混淆矩陣是通過將每個實測像元的位置和分類與分類圖像中的相應位置和分類相比較計算的，對角線的數值為正確被分類的像元數，而非對角線的數值為被錯誤分類的像元數。表2、表3和表4分別為最小距離、最大似然和BP神經網絡分類的混淆矩陣（行為實際的地物類別，列為分類的地物類別）。

表2是采用最小距離法分類的混淆矩陣，這種分類方法的總精度為82.32%，Kappa系數為0.76。其中水體抽樣樣本為2 012個像元，有1 554個像元被正確分類，458個像元則被混分類為林地，分類精度為77.24%，同樣草地、林地、建筑物和沙地（高爾夫球場的白沙子）分類精度分別是89.29%、92.63%、100.00%、0.00%。從數據可以看出只有林地的識別精度較高，而建筑物和沙地（高爾夫球場的白沙子）則錯誤分類嚴重，491個沙地的抽樣樣本像元全部錯分類為建筑物，主要原因在于兩者的光譜具有很大的相似性。由此看來，最小距離法對于東嶼島航空影像的分類結果不能令人不滿意。

表2　最小距離分類混淆矩陣

表3　最大似然分類混淆矩陣

表4　BP神經網絡分類混淆矩陣

表3是采用最大似然分類的混淆矩陣，除林地、建筑物與其他地物存在不同程度的混分，其余地物分類精度均比較好，特別是對草地、水體的識別精度很高。分類總精度和Kappa系數較最小距離法均有了一定的提高，分別為87.37%和0.83。

運用BP神經網絡對東嶼島影像進行分類的混淆矩陣如表4，從表中可以看出分類質量良好，分類總精度為87.85%，Kappa系數為0.84。草地和水體分類效果較好，而建筑物和其他地類的混淆現象仍然存在，除建筑物和沙地（高爾夫球場的白沙子）光譜特性相似原因外，這兩類地物在東嶼島的面積較小，不太容易選取合適的訓練樣本。

從3種分類方法的混淆矩陣對比可以看出，BP神經網絡在總精度和Kappa系數上均要優于傳統監督分類的方法。對于建筑物和沙地這兩類地物，由于兩者光譜特征相似，最小距離分類法無法將其分類。此外，原影像上有少量云影，通過目釋可以發現傳統監督分類的方法錯將云影分類為建筑物，最大似然分類法表現尤為明顯，而BP神經網絡分類除厚云層外，基本能正確分類。這均依賴于BP神經網絡智能算法的優越性，BP神經網絡算法通過對樣本的學習，不斷訓練來對結果進行無限逼近，而傳統的分類方法則是假定概率分布的一種基于統計學的方法，因此從分類效果對比，BP神經網絡分類要優于最小距離分類。

5　結論與展望

本文在對BP神經網絡算法研究的基礎上，以東嶼島航空影像為數據源，在MATLAB軟件平臺上實現對該海島影像的分類，并將分類結果和最小距離分類的結果進行比較。比較結果表明BP神經網絡分類結果要優于最小距離分類結果，該算法提高了東嶼島航空影像分類的總精度。本實驗說明對于海島航空影像而言BP神經網絡分類更為行之有效，可為海島航空影像數據的深入分析提供一種應用途徑（徐文斌等，2013）。

就海島航空影像分類而言，如能有確定隱含層神經元數目的有效方法，或選擇更合理的訓練樣本，分類精度可能會進一步提高，因此在實際應用中有待于進一步改進該算法。遙感影像的智能分類算法和基于流程自動化的影像智能分類處理平臺應是海島影像解譯工作今后的發展方向，通過大規模的智能高效分類，為管理決策部門動態掌握海島基本情況和變化趨勢提供技術支撐，進而促進海島保護和開發利用活動有序進行。

鄧書斌，2010.ENVI遙感圖像處理方法.北京：科學出版社.

都業軍，2008.人工神經網絡在遙感影像分類中的應用與對比研究.內蒙古師范大學.

段新成，2008.基于BP人工神經網絡的土地利用分類遙感研究.北京，中國地質大學.

飛思科技產品研發中心，2003.MATLAB6.5輔助神經網絡分析與設計.北京：電子工業出版社.

賈坤，李強子，田亦陳，等，2011.遙感影像分類方法研究進展.光譜學與光譜分析，31（10）：2 618-2 623.

賈永紅，張春森，王愛平，2001.基于神經網絡的多源遙感影像分類.西安科技學院學報，3（1）：58-60.

蔣捷峰，2011.基于BP神經網絡的高分辨率遙感影像分類研究.北京，首都師范大學.

可華明，陳朝鎮，2010.基于MATLAB的GA-BPNN遙感圖像分類.西南科技大學報，3（13）：55-57.

李燕，2012.基于神經網絡的遙感圖像識別算法.測繪與空間地理息，2（35）：156-158.

李源泰，2010.基于人工神經網絡的遙感影像分類研究.昆明理工大學.

毛建旭，王耀南，2001.基于神經網絡的遙感圖像分類.測控技術，20（5）：29-32.

吳姍姍，劉智訓，2013.關于海島生態整治修復及保護項目的思考和建議.海洋開發與管理，4：9-12.

徐文斌，林寧，盧文虎，等，2013.基于最大似然法的釣魚島航空遙感監視監測信息提取.海洋通報，32（5）：548-552.

（本文編輯：袁澤軼）

Classification of the remotely sensed image for the Dongyu Island based on back-propagation neural network

CAO Zhao-wei1,LIN Ning2,XU Wen-bin2,LU Wen-hu2,ZHANG Xiao-long3
（1.Shanghai Ocean University,Shanghai201306,China;2.National Marine Data and Information Service,Tianjin 300171,China; 3.Zhenjiang Meteorological Service,Zhenjiang 212003,China）

It is necessary to classify island remote sensing images efficiently and accurately for making full use of the island basic data,grasping the basic situation and changes of islands,ensuring the island protection and exploitation in an orderly manner and achieving the effective dynamic regulation of all the islands.In this paper,the aerial remote sensing image of the Dongyu Island of Hainan province in 2008 was used to build the"3-8-5"three-layer BP neural network classification model by MATLAB software and training samples were selected by ENVI software.The model was applied to obtain the classification of the remotely sensed image for the Dongyu Island.The results show that this BP neural network classification method provides a more effective classification technology for the island remotely sensed image and improves the accuracy of classification.The overall accuracy of the BP classification is 87.85%,and the Kappa coefficient is 0.84.It means the total classification accuracy is increased by 5.53 percentage and the Kappa coefficient is increased by 0.07 compared with those from the Minimum Distance method.

back-propagation neural network;classification of remotely sensed images;island;Dongyu Island

TP75

A

1001-6932（2016）05-0587-07

10.11840/j.issn.1001-6392.2016.05.013

2015-08-03；

2015-11-02

曹兆偉（1987-），男，碩士研究生，主要從事數字圖像處理研究。電子郵箱：caozhaowei@live.com。