模糊神经网络高分辨率遥感影像监督分类
目的 针对高分辨率带来的像素类属不确定性增大及各类属间相关性增强引起的影像分类问题,提出一种模糊神经网络高分辨遥感影像监督分类方法.方法 提出的模型为包含输入层,隐含层(隶属函数层)及输出层的三层前向模糊神经网络,输入层用于接收来自训练样本的灰度值;隐含层每个神经元节点的模糊隶属函数为对各类别定义的高斯隶属函数模型,以实现对输入变量隶属程度的不确定表达;输出层的输入变量为隐含层各神经元节点输出变量的线性组合,激活函数为分段线性函数,该层实现输入变量隶属程度的相关性表达.以训练数据直方图作为期望输出,梯度下降法求解模型参数,最后按最大隶属度准则实现分类决策.结果 利用本文算法和经典算法对合成影像进行实验,本文方法总体精度达到0.931,相对于高斯隶属函数方法总体精度提高了5.3%,相对于最大似然法提高了4.2%,相对于FCM方法提高了5.9%,对真实WorldView-2全色影像的实验中文中方法分割精度也高于传统方法.结论 提出的模糊神经网络模型可以更加精确的拟合高分辨率遥感影像复杂的分布特征,有效处理高分辨率遥感影像的上述分类问题.
高分辨率遥感影像、分类、模糊神经网络、高斯隶属函数、监督学习、直方图拟合
22
P237(摄影测量学与测绘遥感)
辽宁省教育厅一般项目LJYL036,LJYL012;教育部高等学校博士学科点专项科研基金项目20122121110007
2017-09-15(万方平台首次上网日期,不代表论文的发表时间)
共9页
1135-1143