【摘要】：遙感影像分類是實現(xiàn)遙感影像地物信息提取的重要技術,也是遙感領域所研究的熱點內容。中尺度的遙感影像如LANDSAT系列影像,具有覆蓋面積廣、易獲取等特點,常常作為科學研究的基礎數(shù)據(jù)。使用中尺度的遙感影像作為分類識別的數(shù)據(jù)源,可以獲得較大范圍的土地覆被結果。BP神經(jīng)網(wǎng)絡是通過對大腦神經(jīng)系統(tǒng)的簡單抽象和模擬而構建的一種網(wǎng)絡結構,該結構具有自適應、自組織和自學習的特點,能夠實現(xiàn)數(shù)據(jù)的分布式存儲以及并行的處理。獨特的數(shù)據(jù)結構和強大的擬合能力,使得BP神經(jīng)網(wǎng)絡十分適合處理如圖像分類等非線性問題。隨著近年來相關理論的不斷發(fā)展,BP神經(jīng)網(wǎng)絡在遙感影像分類領域取得了廣泛的應用。實踐證明,使用BP神經(jīng)網(wǎng)絡能夠顯著地提升遙感影像分類的精度。但是,BP神經(jīng)網(wǎng)絡在實際應用中仍然存在著一些問題,比如對初始的權閾值敏感、容易陷入到局部最優(yōu)解等。針對上述問題,本文使用布谷鳥搜索算法對BP神經(jīng)網(wǎng)絡進行優(yōu)化,構建CSBP模型。對于標準布谷鳥搜索算法存在的后期收斂速度慢、求解精度不高的問題,采用自適應步長的策略進行改進,并使用ROSENBROCK函數(shù)檢驗改進算法的優(yōu)化能力。為了驗證布谷鳥搜索算法對BP神經(jīng)網(wǎng)絡的優(yōu)化效果,分別使用傳統(tǒng)的BP神經(jīng)網(wǎng)絡、經(jīng)過標準布谷鳥搜索算法優(yōu)化的BP神經(jīng)網(wǎng)絡和經(jīng)過改進布谷鳥搜索算法優(yōu)化的BP神經(jīng)網(wǎng)絡對覆蓋稻城縣轄區(qū)的LANDSAT 8遙感影像進行分類實驗,并對三種算法的分類結果進行對比分析。發(fā)現(xiàn)了使用改進的布谷鳥搜索算法優(yōu)化后的BP神經(jīng)網(wǎng)絡進行遙感影像分類的總體分類精度是88.3927%,Kappa系數(shù)是0.8646。與原始BP神經(jīng)網(wǎng)絡和采用標準布谷鳥搜索算法優(yōu)化的BP神經(jīng)網(wǎng)絡相比,分類精度分別提高了9.42%和1.58%。
【圖文】：

遙感影像分類1 遙感影像分類概述遙感影像是指使用遙感技術，對傳感器所記錄的地物電磁波特性進行處理后圖像。在一幅遙感影像中，相同類型的地物具有相同和相似的光譜信息和空征，而不同的地物的光譜和空間分布特征則是相異的[1]。而遙感影像分類就算機技術對遙感影像進行分析和處理，以獲得各類地物的光譜和空間分布特照這些特征對不同地物進行分割歸類，以實現(xiàn)地物的分類的技術[2]。隨著計的發(fā)展，越來越多的分類算法被應用到了遙感圖像分類領域。在一副遙感影像中，一個像元往往對應著多個特征，這些特征可以是光譜特特征等。眾多的特征共同組成遙感圖像的分類的數(shù)據(jù)源，特征之間的相似性共同構成了遙感圖像分類的依據(jù)。根據(jù)遙感影像分類的基本原理，，將分類處理的流程進行概括，可以得到如圖的分類步驟圖：

圖 2.2.使用 BP 神經(jīng)網(wǎng)絡的分類結果圖Fig. 2.2 Classification results using BP neural net表 2.1 基于 BP 神經(jīng)網(wǎng)絡分類的混淆矩陣. 2.1 Confusion matrix classification based on BP neural草地 耕地 建設用地 水體 0 0 0 0 660 47 0 0 0 688 0 0 0 62 532 0 0 0 0 699 3 615 79 0 0 0 19 0 精度 PE=(3925/4859) 80.7779%, kappa 系數(shù) K=
【學位授予單位】：四川師范大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：P237

【參考文獻】

相關期刊論文 前10條

1 趙展;夏旺;閆利;;基于特征距離的多類SVM分類方法研究[J];地理空間信息;2017年11期

2 李揚;吳敏淵;鄒煉;;基于布谷鳥算法的BP神經(jīng)網(wǎng)絡圖像復原[J];計算機應用;2017年S1期

3 李榮雨;戴睿聞;;自適應步長布谷鳥搜索算法[J];計算機科學;2017年05期

4 馬銘;茍長龍;;遙感數(shù)據(jù)最小距離分類的幾種算法[J];測繪通報;2017年03期

5 林予松;馬鴿;劉永鵬;趙紅領;王宗敏;;基于智能手表的人體行為識別研究[J];電子設計工程;2017年04期

6 沈泉飛;曹敏;史照良;許如琪;;基于布谷鳥算法的遙感影像智能分類[J];測繪通報;2017年01期

7 杜培軍;夏俊士;薛朝輝;譚琨;蘇紅軍;鮑蕊;;高光譜遙感影像分類研究進展[J];遙感學報;2016年02期

8 夏輝宇;;可擴展的迭代自組織分析并行處理算法[J];測繪科學;2016年08期

9 焦李成;楊淑媛;劉芳;王士剛;馮志璽;;神經(jīng)網(wǎng)絡七十年:回顧與展望[J];計算機學報;2016年08期

10 王慧賢;靳惠佳;王嬌龍;江萬壽;;k均值聚類引導的遙感影像多尺度分割優(yōu)化方法[J];測繪學報;2015年05期

相關博士學位論文 前2條

1 周浩宇;基于生物視覺模型的圖形圖像處理方法[D];中南大學;2012年

2 駱成鳳;中國土地覆蓋分類與變化監(jiān)測遙感研究[D];中國科學院研究生院（遙感應用研究所）;2005年

相關碩士學位論文 前10條

1 湯榮志;數(shù)據(jù)歸一化方法對提升SVM訓練效率的研究[D];山東師范大學;2017年

2 黎爽;基于Python科學計算包的金融應用實現(xiàn)[D];江西財經(jīng)大學;2017年

3 王煜東;基于SEBAL模型的南京地表熱通量反演及城市熱環(huán)境研究[D];南京信息工程大學;2016年

4 張朋濤;青海湖流域植被葉綠素含量遙感定量反演研究[D];青海師范大學;2015年

5 趙麗娟;基于BP神經(jīng)網(wǎng)絡的遙感影像分類研究[D];東華理工大學;2014年

6 張輝;基于BP神經(jīng)網(wǎng)絡的遙感影像分類研究[D];山東師范大學;2013年

7 王允霞;蜂群算法的研究及其在人工神經(jīng)網(wǎng)絡中的應用[D];華南理工大學;2013年

8 李微微;遙感圖像融合技術及應用方法研究[D];燕山大學;2012年

9 李源泰;基于人工神經(jīng)網(wǎng)絡的遙感影像分類研究[D];昆明理工大學;2010年

10 李坤波;多光譜和全色遙感圖像融合技術研究[D];哈爾濱工程大學;2010年

本文編號：2658190