实验和比较分析：探究6.2.3

1.模拟数据

模拟图像是源于Mertens等（2003），如图6-8（a）所示，在实验中只选取了两种不同的类别：目标和背景。由于BP模型可以利用非研究区的类似图像来进行训练演化，以确定演化规则，所以这里采用图6-8（b）中的三尖瓣的图像数据来进行训练网络。对原始影像重采样，采样比率为S=4，采样后的一个像元中即包含有16个亚像元，如果直接将采样后的原始模糊影像进行硬分类处理，得到的结果如图6-8（c）所示，由于在两种物体的交界处存在大量的混合像元，所以得到的结果是一幅细节信息大量丢失，而且非常不整齐的定位分类图。图6-8（d）是利用传统BP神经网络模型进行亚像元定位后得到的分类图。图6-8（e）是利用将BPMAP模型求解所得到的结果。通过与原始图像［图6-8（a）］相比较，显然图6-8（b）的结果是最差的，图6-8（c）和（d）更加接近于原始图像，但是，前者在圆弧边缘处出现了锯齿的现象，说明在对丰度图像进行亚像元定位时，两种不同类别地物之间存在误判；而利用BPMAP模型的结果对这种边缘锯齿状的现象进行修复后，修复程度非常接近于原始参考影像，视觉效果令人满意。

图6-8　模拟数据的分类结果

2.真实数据

本书仍然选取武汉地区实验影像进行实验，处理时，首先对原始影像利用MLC 分类器进行分类，以其作为参考影像，得到的分类结果如图6-9（b）所示，为了获取网络模型所需要的参数，需利用训练区数据对模型进行训练。利用均值滤波器对每个丰度图像进行模糊处理，模糊化的尺度因子同样选取4。采用硬分类MLC方法、BP神经网络模型、BPMAP定位模型处理的结果分别如图6-9（c）～（e）。从目视效果来看，利用BP神经网络模型恢复的图像，明显好于硬分类结果的图像。但是，在一些空间自相关较弱的零散破碎的目标上以及边缘地区，仍然存在一些锯齿状噪声和误判的现象。BPMAP模型消除了这种比较模糊的现象，保证了图像的连续性和细节。图6-9（f）～（i）分别是分类参考、硬分类、BP网络定位、BPMAP定位放大6倍后的图像，可以更清晰地看出，利用BPMAP模型最接近参考图像，而且将BP 模型定位结果的湖泊中的大量噪声消除，效果显著。

图6-9　真实影像的分类结果

3.定量比较分析

下面给出了利用硬分类方法MLC、BP神经网络模型、BPMAP模型3种方法对上述模拟和真实影像进行处理后的定量分析结果。(www.xing528.com)

从表6-4中的PCC值和Kappa系数结果可以看出：利用BPMAP模型对原始像元信息的估计比较准确，模拟影像和真实影像的分类精度分别提高了8%和14%左右，比直接利用BP神经网络进行估计的结果也提高了2%和3%左右。真实影像由于混合像元所占的比例较大，因此Kappa系数与PCC值提高的幅度也要大一点。对于真实影像中的4种地物类别，分别选取100个点来作为混淆矩阵的训练样本。表6-5～表6-7给出了分别利用MLC方法、BP神经网络模型和BPMAP 模型对退化的TM 影像进行分类所得到的混淆矩阵。这里以MLC对原始影像进行分类得到的结果为标准，可以看出：在利用最后一种方法得到的分类图像中，4种地物的分类精度要比前两种方法得到的结果的分类精度高，并且对植被这一类别地物（蓝色）的分类精度提高得最多，由66%提高到88%。结合图6-9进行分析，由于在退化的影像中包含有大量的混合信息，因此直接硬分类的方法难以得到精确的分类结果。在这4种地物中，植被是图像中含混合成分最多的地物，特别是在植被与城区和湖泊的交界位置，正是地物比较复杂的区域，因此，使得植被的分类精度也提高得最多。

表6-4　MLC、BP神经网络模型和BPMAP模型结果精度统计表

表6-5　MLC分类结果混淆矩阵

表6-6　BP神经网络模型定位结果混淆矩阵

表6-7　BPMAP模型定位结果混淆矩阵