本实验数据选取分辨率为30m 的TM 影像。该影像区域为湖北省武汉市，像素大小为400×400，获取时间为1998 年10 月26 日。首先对遥感影像进行集合纠正等预处理，通过对实际区域情况的了解和对图像进行目视解译，该区域大致简单分为4类，通过人工判读，在影像中选择4个区域作为这4种地物类别（图3-1）。
表3-2和图3-2分别为这4种地物各波段的DN 值和光谱曲线。由于利用BP神经网络进行混合像元分解的模型结构、实验步骤与直接分类的过程是大致相似的，因此，我们选择将改进后的BP神经网络模型进行分类实验，然后对模型的输出端进行修改，以符合混合像元分解的需要，分析进行混合像元分解的过程和步骤。
图3-1 原始影像预处理
表3-2 4种地物各波段DN 值
图3-2 4种地物波段光谱曲线图
BP神经网络模型的输入层的神经元个数为波段数，即输入层神经元的个数为6，输入值为各个像元的灰度值。输出层的神经元个数为地物端元的个数，输出值为像元在各个典型地物所属的类别。隐含层神经元的个数经过多次的实验确定，同时也可以采用经验公式计算，本书采用的隐含层节点数计算公式如下：
式中：M 为分类数；(www.xing528.com)
N 为特征向量维数，即影像波段数。
对权值赋予0～1之间的随机值，然后从网络的输入节点输入样本数据，计算样本信息在正向传播过程中，前一层的神经元数据对本层每个神经元的加权，并利用Sigmoid函数运算输出。接着求出误差进行反向的迭代，调整权值，权值训练完成后，求出满足一定误差条件的权矩阵，就可以用训练后的权值的BP神经网络分类。通过实验发现，步长为0.12，惯性系数为0.8时，迭代速度比较快。将数字影像上的任何一个像素的6个波段值作为输入向量，通过计算可得到输出向量，向量分量即对应于该像素在各个预先指定的各个分类类型的概率值，将最大的概率值赋值为1，其余的赋值为0，得出分类图3-3。
图3-3 3种方法的分类情况
从图3-3中可以看出，3种分类方法有大致类似的分类结果。标准BP分类结果和改进后的BP分类结果都要比传统MLC的分类结果好，能够很好地区分长江和湖泊，而MLC很难将两种水体分开。对于混合情况复杂的区域，改进后的BP算法能够比较好地提取细节信息，比如植被与居民区、湖泊与长江、长江与居民区之间的混合现象，错分现象比较少。
然后采用地面真实数据与分类图进行分类精度的定量比较，比较方法采用常用的分类比较指标，即混淆矩阵（表3-3）、总精度和Kappa系数（表3-4）。定义：长江为River；湖泊为Lake；植被为Vegetation；居民区为Urban；总数为Sum。
对分类方法按总精度和Kappa系数进行了比较，改进后的BP分类器对于各种地物分类的正确率要高于常用的分类方法MLC以及标准的BP分类器，总体精度分别提高了5.8%和1.99%，Kappa系数提高了0.1439和0.0646。
表3-3 3种不同分类算法的混淆矩阵比较
表3-4 3种分类方法的总精度和Kappa系数的比较
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
