BP神经网络在遥感影像波段拟合中的应用

2018-03-06王小飞汪建光袁于评

现代测绘 2018年1期

王小飞汪建光袁于评

(1.浙江省测绘科学技术研究院,浙江杭州310012;2.浙江省测绘与地理信息学会,浙江杭州310012)

0 引言

目前,传统的研究波段拟合方法主要有光谱坐标转换法[1]、加权法[2]、均值法、不确定参数法[3]及线性回归法[4]等,这些方法基本都基于波段间存在的线性关系,模型也过于简单,尤其是加权法和均值法只是经验值的四则运算,而没有考虑到波段之间关系,因此模拟出的真彩色颜色畸变较大,合成彩色影像在视觉上整体偏差,合成效果一般。

针对传统方法的不足,本文以ETM和SPOT遥感数据作为研究对象,从波段间非线性关系出发,借助BP神经网络模型,经反复尝试实现了SPOT遥感影像蓝光波段拟合,所合成的彩色影像效果较为理想,为遥感影像波段拟合提供了实用的方法和实现路径。

1 试验过程

本文基本思路为:将ETM和SPOT两个传感器多光谱波段以及相应带宽设置非常相(表1),利用BP神经网络非线性拟合能力,通过对ETM数据进行不断学习优化,构建最佳BP神经网络模型。利用验证数据进行精度评定,确认无误后再利用该模型进行SPOT蓝光波段拟合(图1)。

1.1 试验数据

本文选取2007年夏季时段上海同一地区的ETM和SPOT两种遥感数据。其中ETM数据作为样本数据,是BP网络模型的输入层数据。SPOT数据则是该模型的利用数据,用于蓝光拟合并合成真彩色影像。

1.2 研究平台

本文采用Matlab语言平台,通过调用BP神经网络函数包,在训练过程中实施过程监听以及时调整网络参数,从而实现高效的样本训练过程(学习过程),得出一个优化的BP网络模型用于拟合目标波段(蓝光波段)。本文采用较为基础的3层结构的BP网络,即输入层、隐含层和输出层。

表1 ETM与SPOT对应的波段范围/um

图1 利用BP神经网络拟合蓝光流程图

1.3 处理流程

1.3.1 数据预处理

由于BP网络的输入层数据要求为向量形式,需要对ETM数据进行矩阵转向量处理,同时为确保BP网络能更快收敛,有效避开隐层转换函数训练饱和区,提高模型解算精度,还需要对该向量进行归一化处理。

1.3.2 模型建立、参数初始化

根据BP神经网络的算法要求,在建立BP网络结构的同时还需对模型参数进行初始化。本文使用三层网络结构,输入层为红光,绿光和近红3个波段对应的3组向量,因此节点数为3。输出层为蓝光波段1个向量,故为节点数为1。隐层所用的函数为,经反复试验,最终确定隐层节点数为5,学习效率ŋ为0.3,冲量常数为0.7,训练误差(目标精度)为0.001。

1.3.3 样本训练与拟合

本文用含有蓝光波段的ETM数据作为BP网络样本训练的数据来源。训练过程是后台不断迭代计算,不断优化模型参数,直到模型预测精度符合预先设定的目标精度为止,得到一组经训练优化后的网络节点权重参数后保存该组权重参数(保存该网络结构)。应用该网络,将SPOT数据进行向量化和归一化预处理后得到SPOT数据的近红、绿光和红光波段进行拟合运算,得到SPOT蓝波段,并用于合成真彩色影像,最后对拟合的精度进行定量评价。

2 实验结果

利用ETM遥感影像数据进行的非线性拟合精度评价方法为:①选取训练样本区域之外400×400像素方形验证区域,将近红、绿光和红光波段输入训练好的模型进行蓝光波段拟合,将拟合结果与原始验证区域蓝光波段进行像素值比较(表2);② 基于数理统计指标得到模拟的蓝光波段与原始蓝光波段像素值定量评价结果(表3)。

表2 模拟出的ETM蓝波段与原始蓝波段像素值(DN值)随机对比

表3 模拟的蓝光波段与原始蓝光波段像素值(DN值)定量比较

综合表2、表3可知,利用BP网络模型模拟ETM波段的性能极强,该拟合能力完全可以“再造”缺失通道对应的波段。由拟合波段与真实波段相关性分析结果可知,两者相关系数高达98%(图2)。将模拟蓝光后合成的真彩图与原始真彩图进行比较(图3),相似度极高。

图2 拟合波段与真实波段的相关性分析

最后通过训练所得的BP网络模型将SPOT红、绿、近红3个波段作为输入层,进行SPOT蓝光波段拟,合并合成真彩色(图4)。合成影像整体色彩更为自然,水体、植被等典型地物波普特征都得以修正,进一步证实了应用BP神经网络进行遥感影像波段模拟研究的可行性和合理性,对解决遥感影像波段缺失有较好借鉴和实用意义。