阐述基于BP神经网络遥感图像特点分类策略-

论文导读：对于光谱特点的提取,采取的是对整幅图像进行加窗提取窗口内像素的平均灰度特点的策略,并用提取的平均灰度特点来表示该窗口区域的特点值。对于纹理特点提取也是采取同样的策略,先求出窗口内像素的灰度共生矩阵,然后求平均相关性特点和能量特点,用这三个特点来代表整个窗口内图像像素的特点信息,将这三个特点值进行标准化处理
摘要：遥感技术是一种能够对目标进行非接触测量,采集并且浅析的一种新型探测技术。随着电子计算机和空间技术的进展,各种资源和环境卫星的发射和成功的运转,通过遥感卫星以太空的高度对地球全貌以及地表动态变化等各种资源信息的提取技术得到了快速的进展。由此,对获得的海量遥感图像进行识别处理,即通过提取图像信息的特点,并利用这些特点进行图像分类,进而达到图像识别一直是遥感技术所要解决的重要不足之一。神经网络因特有的自组织学习和强大的容错性,并且在解决非线性映射不足上体现出独特的功能,使得神经网络比传统的统计参数分类策略上体现出很大的优势,还能有一定的抗噪能力,被广泛的运用在方式识别以及图像处理等各种领域。针对已经有用于遥感图像处理的神经网络系统,本论文对其运用最广泛的BP神经网络进行了介绍。由于标准的BP算法在对图像分类时有着着收敛速度慢以及对网络初始参数的依赖,容易陷入局部最小值不足。针对BP算法的缺点,我们利用具有全局搜索能力、强继承性的遗传算法对BP初始网络参数进行训练,得到的最优染色体可以提升分类效率和解决局部极值的不足。由此本论文构造了基于GA-BP的三层神经网络用于遥感图像进行分类的策略。一般在处理遥感图像分类不足时采取的是基于光谱特点的分类策略,即针对遥感图像的灰度特点进行分类,采取单特点进行分类的精度不高,所以本论文采取的是基于光谱和纹理特点相融合的分类策略。对于光谱特点的提取,采取的是对整幅图像进行加窗提取窗口内像素的平均灰度特点的策略,并用提取的平均灰度特点来表示该窗口区域的特点值。对于纹理特点提取也是采取同样的策略,先求出窗口内像素的灰度共生矩阵,然后求平均相关性特点和能量特点,用这三个特点来代表整个窗口内图像像素的特点信息,将这三个特点值进行标准化处理作为GA-BP网络的数据输入,然后分别对采取灰度特点值和融合特点值作为输入的图像进行分类,并且进行评价。结果表明采取改善的GA-BP网络对融合特点值的网络输入,分类结果的精度和分类速度都高于对单特点的分类效果。关键词：BP网络论文遥感分类策略论文特点提取论文遗传算法论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要5-6
Abstract6-8
目录8-11
Contents11-14
1 引言14-19

1.1 课题背景14

1.2 国内外探讨近况14-16

1.3 BP网络分类的基本原理16-17

1.4 本论文的探讨目的和工作内容17-19

2 神经网络基本原理19-31

2.1 人工神经网络概述19

2.

1.1 生物学基础19

2 神经网络模型19-21

2.1 数学模型20

2.2 基函数以及激活函数20-21

2.3 神经网络的拓扑结构21-23

2.3.1 BP神经网络21-22

2.3.2 反馈神经网络22-23

2.4 神经元的学习形式23-24

2.4.1 Hebb学习算法23

2.4.2 最速下降法23-24

2.5 典型的神经网络模型24-27

2.5.1 RBF神经网络24-25

2.5.2 Hopfield神经网络25-26

2.5.3 SOFM神经网络26-27

2.6 BP神经网络原理27-30

2.6.1 BP算法27-30

2.7 本章小结30-31

3 遥感图像原理及分类策略31-39

3.1 遥感图像概述31-33

3.2 传统的方式策略33-36

3.3 句法方式分类策略36-37

3.4 分类策略的评价37-38

3.5 本章小结38-39

4 遥感图像预处理中的相关技术39-57

4.1 概述39

4.2 遥感图像一般处理历程39-42

4.

2.1 图像的数字化处理40-41

4.

2.2 图像数据预处理41-42

4.

2.1 图像降噪41-42

4.3 遥感图像特点提取42-46
4.

3.1 图像的光谱特点的提取43-44

4.

3.2 遥感图像纹理特点的提取44-46

4.4 遥感图像处理的数据融合技术46-48

4.1 像素级数据融合46-47

4.2 特点级数据融合47-48

4.3 决策级数据融合48

4.5 光谱特点与纹理特点的融合48-53

4.6 分类效果评价策略53-56

4.7 本章小结56-57

5 改善算法的分类结果及评价57-71

5.1 遗传算法57-59

5.2 GA-BP神经网络分类器59-63

5.

2.1 分类器概述59-60

5.

2.2 GA算法训练60-63

5.3 BP网络平台63-65

5.465-69

5.

4.1 BP网络对遥融合图像的训练效果65-68

5.

4.2 GA-BP网络对融合图像的训练效果68-69

5.5 分类结果评价69-70

5.6 本章小结70-71

6 总结71-73
参考文献73-77
致谢77-79
作者介绍及读研期间主要科研成果79