專利名稱：星載微波和紅外遙感融合對(duì)城區(qū)地物特征進(jìn)行分類的方法
技術(shù)領(lǐng)域：
本發(fā)明屬于空間遙感和計(jì)算機(jī)圖像處理技術(shù)領(lǐng)域，具體涉及一種利用星載微波合成孔徑雷達(dá)和紅外遙感的融合圖像對(duì)復(fù)雜城區(qū)多類地物特征進(jìn)行分類的方法。
背景技術(shù)：
現(xiàn)代遙感技術(shù)為對(duì)地觀測(cè)提供了多分辨率、多波段、多時(shí)相的遙感圖像數(shù)據(jù)，如LandsatTM/ETM+、SPOT 5、Quickbird、ERS-1/2SAR以及Radarsat等，但單一的遙感手段獲取的圖像數(shù)據(jù)在幾何、光譜和空間分辨率等方面存在明顯的局限性和差異性。多源信息融合通過將多源數(shù)據(jù)合成，產(chǎn)生比單源信息更精確、更可靠的估計(jì)和判決。利用多源遙感融合圖像對(duì)地表地物進(jìn)行分類是目前遙感研究的熱點(diǎn)之一，但城市地物的多樣性和復(fù)雜性。尤其是大量人工地物的存在，使得傳統(tǒng)的分類方法不能得到理想的分類效果。而反向傳播人工神經(jīng)網(wǎng)絡(luò)(Back Propagation Artificial Neural Network，BP-ANN)是人工神經(jīng)系統(tǒng)一階近似的數(shù)學(xué)模型，被廣泛用于解決各類非線性問題，但訓(xùn)練過程中容易陷入局部最小值。遺傳算法(Genetic Algorithm，GA)是模擬生物在自然環(huán)境中的遺傳和進(jìn)化過程而形成的一種自適應(yīng)全局優(yōu)化概率搜索算法。

發(fā)明內(nèi)容
本發(fā)明的目的在于提出一種利用星載微波合成孔徑雷達(dá)和紅外遙感的融合圖像對(duì)復(fù)雜城區(qū)多類地物特征進(jìn)行分類的方法。
目前城市地表地物的分類常用的遙感數(shù)據(jù)有高分辨率遙感數(shù)據(jù)、單一的多光譜數(shù)據(jù)或雷達(dá)數(shù)據(jù)。高光譜和多光譜數(shù)據(jù)雖然光譜信息豐富，但同時(shí)存在“同物異物”和“異物同譜”的現(xiàn)象；而雷達(dá)數(shù)據(jù)雖然側(cè)視成像，對(duì)地物的幾何結(jié)構(gòu)比較敏感，但同樣較難區(qū)分后向散射特征相似的地物。當(dāng)將兩者單獨(dú)應(yīng)用于復(fù)雜城區(qū)地物的分類時(shí)，分類精度受到圖像特征的制約。遙感圖像分類處理中常用的方法，如最小距離法和最大似然法[1]，都是基于遙感數(shù)據(jù)的統(tǒng)計(jì)特征，依賴于先驗(yàn)概率的選取。人工神經(jīng)網(wǎng)絡(luò)(ANN)[2-4](主要是比較成熟的BP-ANN)，由于數(shù)據(jù)對(duì)特征空間分布預(yù)先不一定需要假設(shè)某種參數(shù)化密度分布，一定程度上克服了上述缺陷。但BP-ANN網(wǎng)絡(luò)采用梯度下降法訓(xùn)練權(quán)值，收斂速度慢，而且容易陷入局部最小。遺傳算法(GA)是一種全局搜索自適應(yīng)的優(yōu)化算法，可以彌補(bǔ)梯度下降法的不足。
本發(fā)明建立BP-ANN和GA相結(jié)合的BP-ANN/GA混合算法，實(shí)現(xiàn)雷達(dá)和紅外融合圖像中復(fù)雜城區(qū)地表地物的特征分類。具體步驟如下(1)雷達(dá)遙感圖像和紅外遙感圖像數(shù)據(jù)的預(yù)處理。包括雷達(dá)圖像的自適應(yīng)濾波處理；雷達(dá)圖像和紅外圖像之間的空間坐標(biāo)配準(zhǔn)和灰度重采樣以及數(shù)據(jù)的歸一化處理；(2)人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。首先從紅外遙感圖像中選擇樣本輸入BP-ANN網(wǎng)絡(luò)，對(duì)其進(jìn)行訓(xùn)練，在分析訓(xùn)練誤差和收斂速度的基礎(chǔ)上，運(yùn)用GA算法優(yōu)化網(wǎng)絡(luò)的連接權(quán)重，將優(yōu)化結(jié)果輸入BP-ANN網(wǎng)絡(luò)，從而構(gòu)建BP-ANN/GA算法。然后將同樣的紅外遙感圖像輸入BP-ANN/GA算法，對(duì)其進(jìn)行訓(xùn)練。最后根據(jù)雷達(dá)圖像對(duì)起伏地物散射特征明顯的優(yōu)勢(shì)，綜合利用紅外和雷達(dá)圖像的信息對(duì)城市地物分類。具體來說，是進(jìn)一步進(jìn)行輸入紅外圖像和雷達(dá)融合圖像的BP-ANN/GA的訓(xùn)練，即對(duì)同一區(qū)域的紅外圖像和雷達(dá)圖像運(yùn)用主成分分析方法進(jìn)行融合處理，在分析各主成分融合圖像的方差占總方差的百分比的基礎(chǔ)上，從所占百分比高的主成分中選取樣本，作為BP-ANN/GA網(wǎng)絡(luò)的輸入，進(jìn)行訓(xùn)練，得到比較理想的訓(xùn)練結(jié)果；(3)遙感圖像的分類。以網(wǎng)絡(luò)訓(xùn)練的最后結(jié)果固定BP-ANN、BP-ANN/GA網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)，將紅外圖像輸入BP-ANN和BP-ANN/GA網(wǎng)絡(luò)，進(jìn)行分類處理；而將紅外與雷達(dá)的融合圖像輸入BP-ANN/GA網(wǎng)絡(luò)，進(jìn)行分類處理。最后對(duì)網(wǎng)絡(luò)分類的精度和速度分別進(jìn)行定量分析。
本發(fā)明的內(nèi)容進(jìn)一步描述如下1、數(shù)據(jù)預(yù)處理1.1雷達(dá)圖像的自適應(yīng)濾波處理(即降噪處理)由于雷達(dá)波與隨機(jī)地表面之間的相互作用，雷達(dá)圖像中的斑點(diǎn)是固有的一種特征。城市地區(qū)建筑物、道路等不同材料、不同高度以及不同方位的人工地物的存在，使得雷達(dá)波與地物之間的散射作用更加復(fù)雜，也使雷達(dá)圖像的斑點(diǎn)特征更加突出。為減少雷達(dá)圖像中斑點(diǎn)噪聲對(duì)數(shù)據(jù)處理的影響，對(duì)其采用Gamma方法進(jìn)行自適應(yīng)濾波處理[5]，減少斑點(diǎn)噪聲的同時(shí)，保留了雷達(dá)圖像的細(xì)節(jié)信息。
1.2雷達(dá)和紅外圖像之間的空間坐標(biāo)配準(zhǔn)和灰度重采樣由于雷達(dá)遙感圖像和紅外遙感圖像之間的成像原理、空間分辨率和光譜分辨率不同，在進(jìn)行兩者的融合和分類處理之前，分別運(yùn)用多項(xiàng)式法對(duì)其進(jìn)行空間坐標(biāo)配準(zhǔn)[6]，運(yùn)用立方卷積法進(jìn)行灰度重采樣[6]。
1.3數(shù)據(jù)的歸一化處理為了滿足BP-ANN的對(duì)數(shù)S型(Sigmoid)激活函數(shù)的條件[7]，對(duì)數(shù)據(jù)做如下歸一化處理x*=x-xminxmax-xmin···(1)]]>其中x*為處理后的數(shù)據(jù)，x為處理前的樣本數(shù)據(jù)，xmin，xmax分別為樣本的最小值和最大值x2、人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練2.1輸入紅外遙感圖像BP-ANN的訓(xùn)練BP-ANN是人工神經(jīng)系統(tǒng)一階近似的數(shù)學(xué)模型，被廣泛用于解決各類非線性問題，具體的網(wǎng)絡(luò)模型和學(xué)習(xí)規(guī)則可參見文獻(xiàn)[7]。在應(yīng)用于遙感圖像監(jiān)督分類時(shí)，首先把遙感圖像的提取特征作為網(wǎng)絡(luò)的輸入信號(hào)，網(wǎng)絡(luò)按一定規(guī)則訓(xùn)練后，在輸出端即可對(duì)輸出信號(hào)進(jìn)行分類。本發(fā)明采用一個(gè)輸入層、隱層和輸出層組成3層BP-ANN。輸入層節(jié)點(diǎn)個(gè)數(shù)和輸出層節(jié)點(diǎn)個(gè)數(shù)分別與所選用的遙感圖像的波段數(shù)和樣本的待分類別數(shù)目相同；根據(jù)實(shí)際實(shí)驗(yàn)中網(wǎng)絡(luò)的收斂速度和分類精度，確定隱層節(jié)點(diǎn)的數(shù)目。隱層和輸出層的輸出均采用具有非線性放大增益的S型(Sigmoid)激活函數(shù)f(x)=11+e-x···(2)]]>將待分地物所對(duì)應(yīng)的目標(biāo)輸出分別表示成N維(N是輸出層的神經(jīng)元數(shù))的矢量T，T＝[t1，t2…tN]，實(shí)際輸出表示為相同維數(shù)的矢量R，R＝[r1，r2…rN]。如果在輸出層沒有得到期望的輸出，則計(jì)算輸出層目標(biāo)輸出與實(shí)際輸出的誤差平方和作為誤差變化值E=12Σk=1N(tk-rk)2···(3)]]>其中tk是輸出層第k個(gè)神經(jīng)元的目標(biāo)輸出，rk是其實(shí)際輸出。
然后轉(zhuǎn)向反向傳播，通過網(wǎng)絡(luò)將誤差信號(hào)沿原來的連接通路反傳回來，修改各層神經(jīng)元的權(quán)值，直到訓(xùn)練誤差曲線收斂。
本發(fā)明首先從紅外遙感圖像中選取樣本作為BP-ANN的輸入對(duì)其進(jìn)行訓(xùn)練。但受BP-ANN算法容易陷入局部最小的局限，網(wǎng)絡(luò)的訓(xùn)練速度和對(duì)圖像分類的精度均不高。為了提高網(wǎng)絡(luò)的訓(xùn)練速度和精度，克服BP-ANN訓(xùn)練中隨機(jī)初始化權(quán)重的缺點(diǎn)，本發(fā)明運(yùn)用GA初始化網(wǎng)絡(luò)權(quán)重，縮小其搜索范圍，通過“適者生存”的機(jī)制優(yōu)化權(quán)重，構(gòu)建BP-ANN/GA算法。
2.2輸入紅外遙感圖像BP-ANN/GA的訓(xùn)練GA算法是模擬生物在自然環(huán)境中的遺傳和進(jìn)化過程而形成的一種自適應(yīng)全局優(yōu)化概率搜索算法[8-9]。采用遺傳算法優(yōu)化BP-ANN初始權(quán)重，實(shí)際上是將整個(gè)網(wǎng)絡(luò)訓(xùn)練分成兩部分首先采用GA算法優(yōu)化網(wǎng)絡(luò)的初始權(quán)重；然后將優(yōu)化結(jié)果輸入BP-ANN完成網(wǎng)絡(luò)訓(xùn)練。
根據(jù)BP-ANN的連接權(quán)重一般是實(shí)數(shù)的特點(diǎn)，本發(fā)明對(duì)染色體采用實(shí)數(shù)編碼，不同于一般的二進(jìn)制編碼[8]。GA的每一個(gè)個(gè)體的染色體的基因數(shù)目與BP-ANN的連接權(quán)重?cái)?shù)目相同，種群規(guī)模和終止進(jìn)化代數(shù)根據(jù)實(shí)驗(yàn)經(jīng)驗(yàn)設(shè)定，初始種群取(0，1)之間的隨機(jī)數(shù)。適應(yīng)度函數(shù)定義為f(t,p)=max_err(t)-err(t,p)max_err(t)-min_err(t)···(4)]]>其中f(t，p)表示第t代第p個(gè)個(gè)體的適應(yīng)度；max_err(t)和min_err(t)分別表示第t代所有個(gè)體的最大和最小網(wǎng)絡(luò)輸出誤差；err(t，p)代表第t代第p個(gè)個(gè)體的網(wǎng)絡(luò)輸出誤差。采用與適應(yīng)度成正比的概率進(jìn)行選擇操作，浮點(diǎn)數(shù)線性交叉，高斯變異。
將GA算法最后一次迭代所得的具有最小網(wǎng)絡(luò)輸出誤差的個(gè)體作為BP-ANN的初始權(quán)值，代入BP-ANN進(jìn)行訓(xùn)練，構(gòu)建BP-ANN/GA網(wǎng)絡(luò)。
將與2.1同樣的紅外遙感數(shù)據(jù)輸入BP-ANN/GA網(wǎng)絡(luò)，進(jìn)行網(wǎng)絡(luò)訓(xùn)練，網(wǎng)絡(luò)訓(xùn)練的速度和對(duì)地物分類的精度同時(shí)得到了提高。
2.3輸入紅外和雷達(dá)融合圖像BP-ANN/GA的訓(xùn)練為充分發(fā)揮紅外遙感圖像的光譜分辨率高和雷達(dá)圖像空間分辨率高的優(yōu)勢(shì)，克服紅外圖像的“同物異譜，異物同譜”現(xiàn)象和雷達(dá)圖像中水、平坦草地和道路的后向散射相近的不足，對(duì)兩種數(shù)據(jù)進(jìn)行主成分分析[10]融合處理。
主成分分析是一種獲取互不相關(guān)特征向量的正交線性變換，能夠在信息損失盡可能少的情況下降低數(shù)據(jù)的維數(shù)。首先求多波段遙感數(shù)據(jù)協(xié)方差矩陣的特征值，并將其按由大到小的順序進(jìn)行排列，然后求與各特征值對(duì)應(yīng)的特征向量，構(gòu)造一變換矩陣。利用該變換矩陣對(duì)原始圖像數(shù)據(jù)進(jìn)行變換，得到各主成分圖像。
本發(fā)明首先將紅外遙感圖像和雷達(dá)圖像組成多波段圖像，對(duì)其進(jìn)行主成分變換，得到主成分融合圖像，不同的主成分融合圖像包含了不同的地物信息特征。在分析各主成分融合圖像的方差占總方差的百分比的基礎(chǔ)上，選取所占百分比高的主成分作為BP-ANN/GA網(wǎng)絡(luò)的輸入，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)的訓(xùn)練精度進(jìn)一步提高，得到更為理想的結(jié)果。
3、遙感圖像分類首先以2.1和2.2中網(wǎng)絡(luò)訓(xùn)練的最后結(jié)果固定BP-ANN和BP-ANN/GA網(wǎng)絡(luò)的結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)，分別輸入紅外遙感圖像，進(jìn)行分類處理。BP-ANN/GA分類的結(jié)果較BP-ANN理想，但由于紅外圖像具有“同物異譜，異物同譜”的特點(diǎn)，仍然存在明顯的地物混分現(xiàn)象。然后以2.3中網(wǎng)絡(luò)訓(xùn)練的最后結(jié)果固定BP-ANN/GA網(wǎng)絡(luò)的結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)，輸入紅外和雷達(dá)的融合圖像，對(duì)其進(jìn)行分類，所得的分類結(jié)果比較附合實(shí)際地物的分布。
為了定量比較各方法分類的效果，根據(jù)目視解譯、其它圖片資料和野外考察的結(jié)果，從圖像中選取均勻分布的樣本數(shù)據(jù)，建立混淆矩陣，計(jì)算不同分類方法的分類精度總體分類精度和Kappa系數(shù)[6]；另外，還統(tǒng)計(jì)了不同分類方法完成分類所需的時(shí)間，以比較其分類速度。


圖1配準(zhǔn)后Landsat ETM+4圖像。
圖2原始ERS-2SAR圖像。
圖3輸入Landsat ETM+4，5，7三波段紅外圖像BP-ANN的訓(xùn)練誤差曲線。
圖4輸入LandsatETM+4，5，7三波段紅外圖像BP-ANN/GA的訓(xùn)練誤差曲線。
圖5輸入Landsat ETM+4，5，7三波段紅外圖像BP-ANN/GA和BP-ANN的訓(xùn)練誤差對(duì)比圖。
圖6紅外和雷達(dá)圖像的主成分分析融合圖像，其中圖6(a)為第1主成分，圖6(b)為第2主成分，圖6(c)為第3主成分。
圖7輸入紅外和雷達(dá)融合數(shù)據(jù)BP-ANN/GA網(wǎng)絡(luò)的誤差曲線。
圖8ETM+4，5，7BP-ANN分類結(jié)果。
圖9ETM+4，5，7BP-ANN/GA分類結(jié)果。
圖10ETM+4，5，7與SAR融合圖像BP-ANN/GA分類結(jié)果。
圖11研究區(qū)交通圖。
圖12雷達(dá)和紅外圖像融合分類流程圖。
具體實(shí)施例方式
本發(fā)明選取上海市浦東世紀(jì)公園附近有大片陸地、河流和建筑物的區(qū)域，紅外數(shù)據(jù)是2002年11月27日的Landsat ETM+的第4，5，7波段，空間分辨率30m，圖1顯示了其中的第4波段。雷達(dá)數(shù)據(jù)是2002年4月9日的ERS-2SAR，其頻率為5.3GHz，VV極化，空間分辨率為12.5m，見圖2。
本發(fā)明將研究區(qū)的地物共分為五類水、草地、建筑物、道路和裸露地。首先從LandsatETM+的第4，5，7波段中將待分的每一類地物選擇4個(gè)樣本作為BP-ANN的輸入，對(duì)其進(jìn)行訓(xùn)練，所得訓(xùn)練誤差曲線見圖3，網(wǎng)絡(luò)實(shí)際輸出和目標(biāo)輸出見表1。然后將紅外圖像上同樣的樣本輸入BP-ANN/GA網(wǎng)絡(luò)，所得訓(xùn)練誤差曲線見圖4，網(wǎng)絡(luò)實(shí)際輸出和目標(biāo)輸出見表2。兩者的訓(xùn)練誤差對(duì)比，如圖5所示。
雷達(dá)和紅外圖像的主成分分析結(jié)果的第1、第2和第3主成分見圖6(a)，(b)和(c)。圖7和表3則分別給出了將融合圖像的樣本輸入BP-ANN/GA網(wǎng)絡(luò)所得的訓(xùn)練誤差曲線和網(wǎng)絡(luò)的實(shí)際輸出與目標(biāo)輸出。
圖8和圖9分別是運(yùn)用BP-ANN和BP-ANN/GA對(duì)紅外圖像進(jìn)行分類的結(jié)果，而圖10則是利用BP-ANN/GA對(duì)雷達(dá)和紅外的融合圖像進(jìn)行分類的結(jié)果。不同方法的分類精度和速度見表4。三圖中的灰度具有相同的標(biāo)識(shí)黑色代表水體，深灰色代表草地，淺灰色代表建筑物，灰白色代表裸露地而白色代表道路。為直觀顯示分類的效果，圖11給出了研究區(qū)的交通圖。圖12則顯示了運(yùn)用BP-ANN/GA對(duì)雷達(dá)和紅外的融合圖像進(jìn)行分類的詳細(xì)流程圖。
表1輸入Landsat ETM+4，5，7三波段紅外圖像BP-ANN的實(shí)際輸出和目標(biāo)輸出。
表2輸入Landsat ETM+4，5，7三波段紅外圖像BP-ANN/GA的實(shí)際輸出和目標(biāo)輸出。
表3輸入紅外和雷達(dá)融合圖像BP-ANN/GA網(wǎng)絡(luò)的實(shí)際輸出和目標(biāo)輸出。
表4不同分類方法的分類精度。
表1
表2
表3

表權(quán)利要求
1.一種利用合成孔徑雷達(dá)和紅外遙感的融合圖像對(duì)復(fù)雜城區(qū)地物特征進(jìn)行分類的方法，其特征在于具體步驟如下(1)雷達(dá)遙感圖像和紅外遙感圖像數(shù)據(jù)的預(yù)處理 包括雷達(dá)圖像的自適應(yīng)濾波處理，雷達(dá)圖像和紅外圖像之間的空間坐標(biāo)配準(zhǔn)和灰度重采樣以及數(shù)據(jù)的歸一化處理；(2)人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 首先從紅外遙感圖像中選擇樣本輸入BP-ANN網(wǎng)絡(luò)，對(duì)其進(jìn)行訓(xùn)練，在分析訓(xùn)練誤差和收斂速度的基礎(chǔ)上，運(yùn)用GA算法優(yōu)化網(wǎng)絡(luò)的連接權(quán)重，將優(yōu)化結(jié)果輸入BP-ANN網(wǎng)絡(luò)，從而構(gòu)建BP-ANN/GA算法；然后將同樣的紅外遙感圖像輸入BP-ANN/GA算法，對(duì)其進(jìn)行訓(xùn)練；最后進(jìn)一步進(jìn)行輸入紅外圖像和雷達(dá)融合圖像的BP-ANN/GA的訓(xùn)練；(3)遙感圖像的分類 以網(wǎng)絡(luò)訓(xùn)練的最后結(jié)果固定BP-ANN、BP-ANN/GA網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)，將紅外圖像輸入BP-ANN和BP-ANN/GA網(wǎng)絡(luò)，進(jìn)行分類處理；而將紅外與雷達(dá)的融合圖像輸入BP-ANN/GA網(wǎng)絡(luò)，進(jìn)行分類處理；最后對(duì)網(wǎng)絡(luò)分類的精度和速度分別進(jìn)行定量分析。
2.根據(jù)權(quán)利要求1所述的利用合成孔徑雷達(dá)和紅外遙感的融合圖像對(duì)復(fù)雜城區(qū)地物特征分類的方法，其特征在于所述的雷達(dá)圖像的自適應(yīng)濾波處理采用Gamma方法，所述的雷達(dá)遙感圖像和紅外遙感圖像之間的空間坐標(biāo)配準(zhǔn)采用多項(xiàng)式法，灰度重采樣采用立方卷積法；所述的數(shù)據(jù)歸一化處理，其算式為x*=x-xminxmax-xmin---(1)]]>其中x*為處理后的數(shù)據(jù)，x為處理前的樣本數(shù)據(jù)，xmin，xmax分別為樣本的最小值和最大值。
3.根據(jù)權(quán)利要求1所述的利用合成孔徑雷達(dá)和紅外遙感的融合圖像對(duì)復(fù)雜城區(qū)地物特征分類的方法，其特征在于所述輸入紅外遙感圖像BP-ANN的訓(xùn)練，其步驟為采用一個(gè)輸入層、隱層和輸出層組成3層BP-ANN，輸入層節(jié)點(diǎn)個(gè)數(shù)和輸出層節(jié)點(diǎn)個(gè)數(shù)分別與所選用的遙感圖像的波段數(shù)和樣本的待分類別數(shù)目相同；根據(jù)實(shí)際實(shí)驗(yàn)中網(wǎng)絡(luò)的收斂速度和分類精度，確定隱層節(jié)點(diǎn)的數(shù)目；隱層和輸出層的輸出均采用具有非線性放大增益的S型激活函數(shù)f(x)=11+e-x---(2)]]>將待分地物所對(duì)應(yīng)的目標(biāo)輸出分別表示成N維的矢量T，N是輸出層的神經(jīng)元數(shù)，T＝[t1，t2…tN]，實(shí)際輸出表示為相同維數(shù)的矢量R，R＝[r1，r2…rN]；如果在輸出層沒有得到期望的輸出，則計(jì)算輸出層目標(biāo)輸出與實(shí)際輸出的誤差平方和作為誤差變化值E=12Σk=1N(tk-rk)2---(3)]]>其中tk是輸出層第k個(gè)神經(jīng)元的目標(biāo)輸出，rk是其實(shí)際輸出；然后轉(zhuǎn)向反向傳播，通過網(wǎng)絡(luò)將誤差信號(hào)沿原來的連接通路反傳回來，修改各層神經(jīng)元的權(quán)值，直到訓(xùn)練誤差曲線收斂；所述輸入紅外遙感圖像BP-ANN/GA的訓(xùn)練，其步驟為首先采用GA算法優(yōu)化網(wǎng)絡(luò)的初始權(quán)重，然后將優(yōu)化結(jié)果輸入BP-ANN完成網(wǎng)絡(luò)訓(xùn)練。所述輸入紅外和雷達(dá)融合圖像BP-ANN/GA的訓(xùn)練，其步驟為首先將紅外遙感圖像和雷達(dá)圖像組成多波段圖像，對(duì)其進(jìn)行主成分變換，得到主成分融合圖像，在分析各主成分融合圖像的方差占總方差的百分比的基礎(chǔ)上，選取所占百分比高的主成分作為BP-ANN/GA網(wǎng)絡(luò)的輸入，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)的訓(xùn)練精度進(jìn)一步提高。
全文摘要
本發(fā)明是利用星載微波合成孔徑雷達(dá)(SAR)和陸地衛(wèi)星紅外遙感的融合圖像對(duì)復(fù)雜城區(qū)多類地物特征分類的方法。通過主成分分析方法對(duì)復(fù)雜城區(qū)的雷達(dá)圖像和紅外圖像進(jìn)行像素級(jí)的融合，建立反向傳播人工神經(jīng)網(wǎng)絡(luò)(BP－ANN)和遺傳算法(GA)相結(jié)合的BP－ANN/GA混合算法，利用GA算法的全局優(yōu)化能力優(yōu)化BP－ANN的初始權(quán)值，克服了傳統(tǒng)BP－ANN收斂速度慢，容易陷入局部最小的缺點(diǎn)，提高多源遙感圖像自動(dòng)分類速度，完成各類地物特征的分類。
文檔編號(hào)G06K9/00GK1760889SQ200510031000
公開日2006年4月19日 申請(qǐng)日期2005年11月3日 優(yōu)先權(quán)日2005年11月3日
發(fā)明者金亞秋, 曹廣真 申請(qǐng)人:復(fù)旦大學(xué)