【摘要】：遙感影像分類是實(shí)現(xiàn)遙感影像地物信息提取的重要技術(shù),也是遙感領(lǐng)域所研究的熱點(diǎn)內(nèi)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(diǎn),常常作為科學(xué)研究的基礎(chǔ)數(shù)據(jù)。使用中尺度的遙感影像作為分類識(shí)別的數(shù)據(jù)源,可以獲得較大范圍的土地覆被結(jié)果。BP神經(jīng)網(wǎng)絡(luò)是通過(guò)對(duì)大腦神經(jīng)系統(tǒng)的簡(jiǎn)單抽象和模擬而構(gòu)建的一種網(wǎng)絡(luò)結(jié)構(gòu),該結(jié)構(gòu)具有自適應(yīng)、自組織和自學(xué)習(xí)的特點(diǎn),能夠?qū)崿F(xiàn)數(shù)據(jù)的分布式存儲(chǔ)以及并行的處理。獨(dú)特的數(shù)據(jù)結(jié)構(gòu)和強(qiáng)大的擬合能力,使得BP神經(jīng)網(wǎng)絡(luò)十分適合處理如圖像分類等非線性問(wèn)題。隨著近年來(lái)相關(guān)理論的不斷發(fā)展,BP神經(jīng)網(wǎng)絡(luò)在遙感影像分類領(lǐng)域取得了廣泛的應(yīng)用。實(shí)踐證明,使用BP神經(jīng)網(wǎng)絡(luò)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(luò)在實(shí)際應(yīng)用中仍然存在著一些問(wèn)題,比如對(duì)初始的權(quán)閾值敏感、容易陷入到局部最優(yōu)解等。針對(duì)上述問(wèn)題,本文使用布谷鳥(niǎo)搜索算法對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化,構(gòu)建CSBP模型。對(duì)于標(biāo)準(zhǔn)布谷鳥(niǎo)搜索算法存在的后期收斂速度慢、求解精度不高的問(wèn)題,采用自適應(yīng)步長(zhǎng)的策略進(jìn)行改進(jìn),并使用ROSENBROCK函數(shù)檢驗(yàn)改進(jìn)算法的優(yōu)化能力。為了驗(yàn)證布谷鳥(niǎo)搜索算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化效果,分別使用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)、經(jīng)過(guò)標(biāo)準(zhǔn)布谷鳥(niǎo)搜索算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)和經(jīng)過(guò)改進(jìn)布谷鳥(niǎo)搜索算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對(duì)覆蓋稻城縣轄區(qū)的LANDSAT 8遙感影像進(jìn)行分類實(shí)驗(yàn),并對(duì)三種算法的分類結(jié)果進(jìn)行對(duì)比分析。發(fā)現(xiàn)了使用改進(jìn)的布谷鳥(niǎo)搜索算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)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(luò)和采用標(biāo)準(zhǔn)布谷鳥(niǎo)搜索算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)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(shù)，對(duì)傳感器所記錄的地物電磁波特性進(jìn)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(jī)技術(shù)對(duì)遙感影像進(jìn)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(duì)不同地物進(jìn)行分割歸類，以實(shí)現(xiàn)地物的分類的技術(shù)[2]。隨著計(jì)的發(fā)展，越來(lái)越多的分類算法被應(yīng)用到了遙感圖像分類領(lǐng)域。在一副遙感影像中，一個(gè)像元往往對(duì)應(yīng)著多個(gè)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(gòu)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(jìn)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(luò)的分類結(jié)果圖Fig. 2.2 Classification results using BP neural net表 2.1 基于 BP 神經(jīng)網(wǎng)絡(luò)分類的混淆矩陣. 2.1 Confusion matrix classification based on BP neural草地 耕地 建設(shè)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(xué)位授予單位】：四川師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：P237

【參考文獻(xiàn)】

相關(guān)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(yáng);吳敏淵;鄒煉;;基于布谷鳥(niǎo)算法的BP神經(jīng)網(wǎng)絡(luò)圖像復(fù)原[J];計(jì)算機(jī)應(yīng)用;2017年S1期

3 李榮雨;戴睿聞;;自適應(yīng)步長(zhǎng)布谷鳥(niǎo)搜索算法[J];計(jì)算機(jī)科學(xué);2017年05期

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

5 林予松;馬鴿;劉永鵬;趙紅領(lǐng);王宗敏;;基于智能手表的人體行為識(shí)別研究[J];電子設(shè)計(jì)工程;2017年04期

6 沈泉飛;曹敏;史照良;許如琪;;基于布谷鳥(niǎo)算法的遙感影像智能分類[J];測(cè)繪通報(bào);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(jìn)展[J];遙感學(xué)報(bào);2016年02期

8 夏輝宇;;可擴(kuò)展的迭代自組織分析并行處理算法[J];測(cè)繪科學(xué);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(luò)七十年:回顧與展望[J];計(jì)算機(jī)學(xué)報(bào);2016年08期

10 王慧賢;靳惠佳;王嬌龍;江萬(wàn)壽;;k均值聚類引導(dǎo)的遙感影像多尺度分割優(yōu)化方法[J];測(cè)繪學(xué)報(bào);2015年05期

相關(guān)博士學(xué)位論文 前2條

1 周浩宇;基于生物視覺(jué)模型的圖形圖像處理方法[D];中南大學(xué);2012年

2 駱成鳳;中國(guó)土地覆蓋分類與變化監(jiān)測(cè)遙感研究[D];中國(guó)科學(xué)院研究生院（遙感應(yīng)用研究所）;2005年

相關(guān)碩士學(xué)位論文 前10條

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

2 黎爽;基于Python科學(xué)計(jì)算包的金融應(yīng)用實(shí)現(xiàn)[D];江西財(cái)經(jīng)大學(xué);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(xué);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(xué);2015年

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

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

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

8 李微微;遙感圖像融合技術(shù)及應(yīng)用方法研究[D];燕山大學(xué);2012年

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

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

本文編號(hào)：2658190