遺傳算法優(yōu)化確定BP神經(jīng)網(wǎng)絡(luò)的遙感圖像分類

黃孝斌 沈軍 李國(guó)新 錢利軍 郝強(qiáng)

摘 ?要： 傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)對(duì)于遙感圖像的分類精度較低，因此設(shè)計(jì)一種遺傳算法優(yōu)化確定BP神經(jīng)網(wǎng)絡(luò)的遙感圖像分類方法。通過(guò)建立神經(jīng)元數(shù)學(xué)模型，分析其傳遞信息的過(guò)程，求取BP網(wǎng)絡(luò)誤差權(quán)及最優(yōu)解，分析遙感圖像中不同波段的差別并進(jìn)行預(yù)處理，利用OIF指數(shù)來(lái)確定參與分類的波段最優(yōu)組合，建立圖像分類體系并確定土地類型，通過(guò)輸出矩陣向量完成遙感圖像土地類型的分類。利用傳統(tǒng)分類方法和設(shè)計(jì)的方法對(duì)相同的遙感圖像進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，設(shè)計(jì)方法的分類精度比傳統(tǒng)方法高出9.08%。

關(guān)鍵詞： 遙感圖像分類; BP神經(jīng)網(wǎng)絡(luò); 遺傳優(yōu)化算法; 神經(jīng)元數(shù)學(xué)建模; 圖像預(yù)處理; 土地類型分類

中圖分類號(hào)： TN911.73?34; TP753 ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）12?0047?03

Abstract： As the traditional BP neural network has low accuracy for the classification of remote sensing images， a method of remote sensing image classification of BP neural network determined with the genetic algorithm optimization is designed. The mathematical model of neurons is established， and the error weight of BP network and the optimal solution are obtained by analyzing the process of information transmission. The difference of different wave bands in remote sensing image are analyzed and preprocessed. The OIF index is used to determine the optimal combination of bands participating in the classification. The image classification system is established and the land types are confirmed. The classification of the land types of remote sensing images are completed by means of the output of matrix vectors. The experiments of the same remote sensing images classified by the traditional classification method and the method designed in this paper were carried out. The experimental results show that the classification accuracy of the designed method is 9.08% higher than that of the traditional method.

Keywords： remote sensing image classification; BP neural network; genetic optimization algorithm; neurons mathematical modeling; image preprocessing; land type classification

0 ?引 ?言

遙感圖像是傳感器獲得信息的產(chǎn)物，它作為一種信息載體能夠反映出一些地形特征，如某片區(qū)域的水體、植被、山地、平原等，在資源調(diào)查、地質(zhì)調(diào)查、測(cè)繪、考古等多個(gè)領(lǐng)域發(fā)揮著重要的作用[1?2]。如何對(duì)遙感圖像進(jìn)行分類，是近年來(lái)的研究熱點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)在遙感圖像分類中應(yīng)用廣泛，其中應(yīng)用最多的是BP神經(jīng)網(wǎng)絡(luò)，而傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)分類方法精度較低，因此設(shè)計(jì)一種遺傳算法優(yōu)化確定BP神經(jīng)網(wǎng)絡(luò)的遙感圖像分類方法。

通過(guò)建立神經(jīng)元數(shù)學(xué)模型，分析其傳遞信息的過(guò)程，求取BP網(wǎng)絡(luò)誤差權(quán)及最優(yōu)解，分析遙感圖像中不同波段的差別并進(jìn)行預(yù)處理[3?4]，利用OIF指數(shù)來(lái)確定參與分類的波段最優(yōu)組合，建立圖像分類體系并確定土地類型，通過(guò)輸出矩陣向量完成遙感圖像土地類型的分類。實(shí)驗(yàn)結(jié)果表明，設(shè)計(jì)方法的分類精度比傳統(tǒng)方法高出9.08%。

1 ?遺傳算法優(yōu)化確定BP神經(jīng)網(wǎng)絡(luò)的遙感圖像分類

1.1 ?分析BP網(wǎng)絡(luò)誤差權(quán)

BP多層前饋誤差反向傳播神經(jīng)網(wǎng)絡(luò)，其結(jié)構(gòu)為三層感知[5]，包括輸入層、隱含層、輸出層，如圖1所示。

網(wǎng)絡(luò)誤差權(quán)就是各層權(quán)重（權(quán)值、閾值）和輸入樣本所對(duì)應(yīng)的函數(shù)，在BP神經(jīng)網(wǎng)絡(luò)中，最基本的組成單元就是神經(jīng)元。在數(shù)學(xué)模型中，神經(jīng)元模擬生物學(xué)中的神經(jīng)細(xì)胞，擁有與神經(jīng)細(xì)胞相似的拓?fù)浣Y(jié)構(gòu)。生物神經(jīng)元細(xì)胞由突觸、樹突、細(xì)胞體、軸突等組成，軸突能夠向其他神經(jīng)元輸出信號(hào)[6]，完成兩個(gè)神經(jīng)元之間的信息傳遞。神經(jīng)元對(duì)于信息的處理是非線性過(guò)程，可以得到BP神經(jīng)網(wǎng)絡(luò)抽象的神經(jīng)元數(shù)學(xué)模型，如圖2所示。

式中：[X（net）]為神經(jīng)網(wǎng)絡(luò)均方差;[fji]為實(shí)際輸入值;[Tji]為期望輸出值。該函數(shù)代表著多維空間中的一個(gè)復(fù)雜曲面[7]，在遙感圖像分類中，BP神經(jīng)網(wǎng)絡(luò)的尋優(yōu)過(guò)程就是求誤差極限值，誤差極限值與初始點(diǎn)權(quán)重緊密相連，初始點(diǎn)權(quán)重變化不明顯，所需調(diào)整時(shí)間較長(zhǎng)，迭代次數(shù)多，誤差大，導(dǎo)致分類精度低。

1.2 ?遙感圖像預(yù)處理

在對(duì)BP神經(jīng)網(wǎng)絡(luò)誤差權(quán)進(jìn)行分析后，需要對(duì)遙感圖像進(jìn)行分類處理，分類時(shí)需要找出多種特征才能提高分類精度[8]，BP神經(jīng)網(wǎng)絡(luò)主要是依靠遙感圖像中波段的差別進(jìn)行分類，圖像中包含的各波段光譜參數(shù)如表1所示。

為了對(duì)遙感圖像進(jìn)行精準(zhǔn)分類而增加波段數(shù)量，反而會(huì)造成信息重疊、無(wú)用信息增多從而影響分類精度，因此要利用OIF指數(shù)來(lái)進(jìn)行平衡[9]。OIF指數(shù)是一種用于特征分類識(shí)別的光譜特征子集，OIF指數(shù)法中，圖像波段標(biāo)準(zhǔn)差越大，信息量越多;波段之間相關(guān)系數(shù)越小，各波段間的獨(dú)立性越高，信息冗余度越低。因此可以利用OIF來(lái)確定參與分類的波段最優(yōu)組合：

1.3 ?完成遙感圖像分類

在對(duì)遙感圖像分類前，需要建立分類體系[12]。確定分類體系需要遵循三個(gè)原則：分類類型符合實(shí)際情況;確定的分類類型能進(jìn)一步細(xì)化或聚合;確定的類型能在實(shí)際的圖像中找到對(duì)應(yīng)的特征。在以上原則基礎(chǔ)上，結(jié)合待研究區(qū)域的實(shí)際情況將地物分類類型進(jìn)行劃分，類型、定義與特征見表2。分類體系建立后，將預(yù)處理后的圖像數(shù)據(jù)輸入到BP神經(jīng)網(wǎng)絡(luò)中[13?14]，設(shè)BP神經(jīng)網(wǎng)絡(luò)的期望輸出向量為[Y]，那么：

2 ?實(shí) ?驗(yàn)

為了驗(yàn)證本文遺傳算法優(yōu)化確定BP神經(jīng)網(wǎng)絡(luò)的遙感圖像分類的精度較高，設(shè)計(jì)對(duì)比實(shí)驗(yàn)，將相同的遙感圖像，用傳統(tǒng)分類方法和本文分類方法進(jìn)行分類，得到誤差矩陣，并最終計(jì)算出分類精度。

2.1 ?實(shí)驗(yàn)準(zhǔn)備

本實(shí)驗(yàn)主要利用Matlab的神經(jīng)網(wǎng)絡(luò)對(duì)遺傳算法模塊編程，首先采用遺傳算法優(yōu)化網(wǎng)絡(luò)的初始權(quán)重和隱含層神經(jīng)元數(shù)目，然后利用BP神經(jīng)網(wǎng)絡(luò)算法完成網(wǎng)格訓(xùn)練，最后讀入待分類數(shù)據(jù)及輔助數(shù)據(jù)，實(shí)現(xiàn)遙感圖像的分類。為保證分類的速度，對(duì)實(shí)驗(yàn)環(huán)境進(jìn)行設(shè)置，環(huán)境參數(shù)如表3所示。

2.2 ?實(shí)驗(yàn)結(jié)果與分析

在上述條件下進(jìn)行實(shí)驗(yàn)，得到兩種方法的誤差矩陣如表4、表5所示。

兩個(gè)表中，C1～C7分別為耕地、林地、水田、水域、居民地、商業(yè)建筑、道路，根據(jù)矩陣可以求出，傳統(tǒng)方法的總體分類精度Pc=（6 489/7 659）=84.77%，本文算法的總體分類精度Pc=（14 998/15 981）=93.85%。因此可以得知，本文方法精度比傳統(tǒng)方法高出9.08%。

3 ?結(jié) ?語(yǔ)

本文通過(guò)建立神經(jīng)元數(shù)學(xué)模型，分析傳遞信息過(guò)程求取BP神經(jīng)網(wǎng)絡(luò)誤差權(quán)，利用OIF指數(shù)來(lái)確定參與分類的波段最優(yōu)組合，建立圖像分類體系并確定土地類型，通過(guò)輸出矩陣向量完成遙感圖像土地類型的分類。對(duì)相同的遙感圖像利用傳統(tǒng)分類方法和設(shè)計(jì)的方法進(jìn)行實(shí)驗(yàn)對(duì)比，結(jié)果表明所設(shè)計(jì)方法的分類精度比傳統(tǒng)方法高出9.08%。

參考文獻(xiàn)

[1] 黃宏運(yùn)，朱家明，李詩(shī)爭(zhēng).基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在股指預(yù)測(cè)中的應(yīng)用研究[J].云南大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，39（3）：350?355.

[2] 楊怡涵，柳炳祥.一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的陶瓷原料分類方法[J].陶瓷學(xué)報(bào)，2018，39（3）：340?344.

[3] 施佩榮，陳永富，劉華，等.基于改進(jìn)的面向?qū)ο筮b感影像分類方法研究：以西藏米林縣典型林區(qū)為例[J].遙感技術(shù)與應(yīng)用，2017，32（3）：466?474.

[4] 慎利，吳林梅，方燦明.面向高分辨率遙感影像分類的多尺度光譜?空間?語(yǔ)義特征融合[J].地理與地理信息科學(xué)，2017，33（5）：1?8.

[5] 趙鵬飛，周紹光，裔陽(yáng)，等.基于SLIC和主動(dòng)學(xué)習(xí)的高光譜遙感圖像分類方法[J].計(jì)算機(jī)工程與應(yīng)用，2017，53（3）：183?187.

[6] 李亞飛，董紅斌.基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[J].智能系統(tǒng)學(xué)報(bào)，2018，13（4）：550?556.

[7] 王巧玉，陳鍛生.結(jié)合波段選擇和保邊去噪濾波的高光譜遙感圖像分類[J].小型微型計(jì)算機(jī)系統(tǒng)，2017，38（5）：1098?1102.

[8] 曾小華，李廣含，宋大鳳，等.基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)側(cè)翻預(yù)警算法[J].華南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，45（2）：30?38.

[9] 歐陽(yáng)福生，游俊峰，方偉剛.BP神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳算法優(yōu)化MIP工藝的產(chǎn)品分布[J].石油煉制與化工，2018，49（8）：98?104.

[10] 田靜，邢艷秋，姚松濤，等.基于元胞自動(dòng)機(jī)和BP神經(jīng)網(wǎng)絡(luò)算法的Landsat?TM遙感影像森林類型分類比較[J].林業(yè)科學(xué)，2017，53（2）：26?34.

[11] 徐輝，潘萍，寧金魁，等.多元線性回歸與神經(jīng)網(wǎng)絡(luò)模型在森林地上生物量遙感估測(cè)中的應(yīng)用[J].東北林業(yè)大學(xué)學(xué)報(bào)，2018，46（1）：63?67.

[12] 陳磊士，趙俊三，李易，等.基于機(jī)器學(xué)習(xí)的多源遙感影像融合土地利用分類研究[J].西南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，43（10）：103?111.

[13] 姚相坤，萬(wàn)里紅，霍宏，等.基于多結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的高分遙感影像飛機(jī)目標(biāo)檢測(cè)[J].計(jì)算機(jī)工程，2017，43（1）：259?267.

[14] 方旭，王光輝，楊化超，等.結(jié)合均值漂移分割與全卷積神經(jīng)網(wǎng)絡(luò)的高分辨遙感影像分類[J].激光與光電子學(xué)進(jìn)展，2018，55（2）：446?454.