基于BP- 神經網絡的區域下墊面遙感圖像解譯方法及其應用
——以上海市太浦河兩翼地區為例

朱雪蘭 高程程 曲江北

（上海碧波水務設計研發中心，上海200233）

近年來，隨著計算、人工智能技術的高速發展，人工神經網絡技術也逐步發展成熟，其具有良好的容錯性和魯棒性，能有效解決遙感圖像處理中的常見問題，因此在遙感圖像分析與處理領域得到了廣泛地應用[1-2]。杜華強[3]等基于Matlab 平臺構建自組織神經網絡，對一幅TM432 假彩色遙感圖像進行了300 次訓練，計算得到分類總精度為87.14%，仿真輸出能真實地反映原始圖像的特征。駱成鳳[4]等提出了基于遺傳算法優化的BP 神經網絡遙感數據分類算法，以中巴地球資源一號衛星數據為試驗數據進行了驗證，表明該算法不但有較高的執行效率，也能達到很高的分類精度。

以上海市太浦河兩翼地區為例，根據水利規劃的相關要求，利用遙感解譯軟件envi5.5 將該區域的無人機航拍影像圖分為水體、房屋、道路、綠地、旱地、農田等六大地物類型，結合人工神經網絡算法確定各個類別的空間分布，并統計各個類別的面積，為水利設計相關工作提供技術支撐。

1 遙感解譯方法

1.1 遙感圖像分類基本原理

遙感分類就是利用計算機對各類地物的光譜信息和空間信息進行分析進而選擇特征參數，并將特征空間劃分為互不重疊的子空間，然后將影像圖內各個像元劃歸類到各個子空間，從而實現了分類。一般的，分類過程如圖1 所示。

圖1 遙感圖像分類過程

1.2 遙感圖像分類過程

遙感圖分類過程主要包括對原始圖像的預處理、選擇訓練區、提取特征值、分類、校驗結果和成果輸出等。

1.3 BP 神經網絡

工神經網絡模型眾多，其中最易理解、最直觀、應用最為廣泛的是多層前饋神經網絡及誤差逆傳播學習算法，簡稱為BP網絡，具有很強的非線性映射能力和柔性的網絡結構。即神經網絡的中間層數以及各層中的神經元個數可根據具體情況任意設定，且隨著結構的差異其性能也有所不同。典型的BP 網絡包括輸入層、中間層和輸出層,其結構如圖2 所示。

圖2 BP- 神經網絡結構

BP 網絡本質上實現了一個從輸入到輸出的映射功能，這種映射在數學上已被證明可以實現任何復雜非線性映射的功能，適合于求解內部機制復雜的非線性問題。本次解譯考慮到精度的要求以及圖像波段的單一，使用監督分類方法進行解譯，監督分類是利用已確認類別的樣本像元去識別其它未知類別像元的過程。

2 應用案例

2.1 區域概況

本次研究區域為太浦河（上海段）兩翼地區，位于上海市青浦區西南部，太湖下游，黃浦江上游，主要分為太南片和太北片。

2.2 遙感圖像解譯

2.2.1 建立目視解譯標志

將研究區域的無人機航拍影像圖分為水體、房屋、道路、綠地、旱地、農田等六大地物類型，原始影像地物樣本如圖3。

圖3 不同地物類型原始樣本圖

根據具體的影像圖歸納出上面六種地物類型及其相應的目視解譯標志如表1。

表1 不同地物目視解譯標志

2.2.2 采集類別訓練樣本

通過表1 的解譯標志，選取各類別的訓練樣本，在圖像上創建相應類別的多邊形樣本。其中各個類別的訓練樣本數量適中，如果數量過多，易導致計算量的增大。影像的分辨率為1 米，圖像的信息量大，由于影像上道路與房屋的波段信息相似，旱地與房屋、農田的波段信息相似，房屋的類別較多，故將類別調整為水體、農田、綠地、藍房屋、紅房屋、白房屋、灰房屋等七個類別。為各個類別采集訓練樣本時注意采樣要全局分布均勻、數量適中并包含此類別的所有情況。

2.2.3 類別可分性檢驗

通過ROI 面板上的Option 菜單下的Compute ROI Separability 工具計算各個類別之間的可分性，可分性如果小于1.8 則需要重新采樣；大于等于1.9 屬于合格樣本，可分性好；在1.8～1.9 之間則需要修改樣本，使其盡量達到1.9。

2.2.4 神經網絡分類

分類的具體方法選用Neural Net Classificatio（神經網絡分類），具體工具在工具箱中Classification 菜單下的Supervised Classification 下，全選采集的訓練樣本，其它參數設為默認， 將Number of Training Iterations（迭代訓練次數）適當調高，增大分類精度。神經網絡分類結果如圖4。

2.2.5 分類后處理

圖4 神經網絡分類結果

圖5 太浦河兩翼地區土地利用分類圖

分類結果存在漏分錯分的情況（例如大棚未被全部分為農田）， 用工具箱中Classification 菜單下的Post Classification 下 的 Edit Classification Image 工具結合原圖像修改誤分的區域。為了方 便 修 改 ， 用 Post Classification 下的Combine Classses 工具將灰房屋、藍房屋、白房屋、紅房屋合并到房屋一個類別中。直接在分類類別上右擊打開Edit Class Names and Colors 工具將各個類別修改為合適的顏色和名字。在修改分類圖像面板中，通過Edit 菜單下的Add New Class 添加道路和旱地這兩個類別，用Shape 工具或Paint 工具手動在原始圖像上提取道路和旱地以及修改誤分的地物類別。

2.3 解譯成果

太浦河兩翼地區影像分為水體、房屋、道路、旱地、農田、綠地六種地物類型，最終分類結果圖如圖5 所示。太浦河兩翼地區分類面積統計結果表如下：

表2 太浦河兩翼地區分類面積結果統計

從表2 可以看出，此區域農田面積最大，水體面積次之，水系發達，河網密度很高；綠化程度很高，很大一部分原因是城鎮擴張在太浦河兩翼地區并不太顯著，土地利用充分，路網發達，荒廢的旱地較少。

3 結論

BP 神經網絡簡單實用，收斂速度快，在一定程度上消除異物同譜的現象，從而消除傳統的遙感影像分類帶來的模糊性和不確定性，大大地提高了遙感圖像的分類精度。通過實際應用案例，基于人工神經網絡的遙感圖像解譯方法被證明能夠用于確定區域下墊面中各個類別地形的空間分布，并統計其占地面積，為后續水利設計相關工作提供技術支撐