朱雪兰 高程程 曲江北

（上海碧波水务设计研发中心，上海200233）

近年来，随着计算、人工智能技术的高速发展，人工神经网络技术也逐步发展成熟，其具有良好的容错性和鲁棒性，能有效解决遥感图像处理中的常见问题，因此在遥感图像分析与处理领域得到了广泛地应用[1-2]。杜华强[3]等基于Matlab 平台构建自组织神经网络，对一幅TM432 假彩色遥感图像进行了300 次训练，计算得到分类总精度为87.14%，仿真输出能真实地反映原始图像的特征。骆成凤[4]等提出了基于遗传算法优化的BP 神经网络遥感数据分类算法，以中巴地球资源一号卫星数据为试验数据进行了验证，表明该算法不但有较高的执行效率，也能达到很高的分类精度。

以上海市太浦河两翼地区为例，根据水利规划的相关要求，利用遥感解译软件envi5.5 将该区域的无人机航拍影像图分为水体、房屋、道路、绿地、旱地、农田等六大地物类型，结合人工神经网络算法确定各个类别的空间分布，并统计各个类别的面积，为水利设计相关工作提供技术支撑。

1 遥感解译方法

1.1 遥感图像分类基本原理

遥感分类就是利用计算机对各类地物的光谱信息和空间信息进行分析进而选择特征参数，并将特征空间划分为互不重叠的子空间，然后将影像图内各个像元划归类到各个子空间，从而实现了分类。一般的，分类过程如图1 所示。

图1 遥感图像分类过程

1.2 遥感图像分类过程

遥感图分类过程主要包括对原始图像的预处理、选择训练区、提取特征值、分类、校验结果和成果输出等。

1.3 BP 神经网络

工神经网络模型众多，其中最易理解、最直观、应用最为广泛的是多层前馈神经网络及误差逆传播学习算法，简称为BP网络，具有很强的非线性映射能力和柔性的网络结构。即神经网络的中间层数以及各层中的神经元个数可根据具体情况任意设定，且随着结构的差异其性能也有所不同。典型的BP 网络包括输入层、中间层和输出层,其结构如图2 所示。

图2 BP- 神经网络结构

BP 网络本质上实现了一个从输入到输出的映射功能，这种映射在数学上已被证明可以实现任何复杂非线性映射的功能，适合于求解内部机制复杂的非线性问题。本次解译考虑到精度的要求以及图像波段的单一，使用监督分类方法进行解译，监督分类是利用已确认类别的样本像元去识别其它未知类别像元的过程。

2 应用案例

2.1 区域概况

本次研究区域为太浦河（上海段）两翼地区，位于上海市青浦区西南部，太湖下游，黄浦江上游，主要分为太南片和太北片。

2.2 遥感图像解译

2.2.1 建立目视解译标志

将研究区域的无人机航拍影像图分为水体、房屋、道路、绿地、旱地、农田等六大地物类型，原始影像地物样本如图3。

图3 不同地物类型原始样本图

根据具体的影像图归纳出上面六种地物类型及其相应的目视解译标志如表1。

表1 不同地物目视解译标志

2.2.2 采集类别训练样本

通过表1 的解译标志，选取各类别的训练样本，在图像上创建相应类别的多边形样本。其中各个类别的训练样本数量适中，如果数量过多，易导致计算量的增大。影像的分辨率为1 米，图像的信息量大，由于影像上道路与房屋的波段信息相似，旱地与房屋、农田的波段信息相似，房屋的类别较多，故将类别调整为水体、农田、绿地、蓝房屋、红房屋、白房屋、灰房屋等七个类别。为各个类别采集训练样本时注意采样要全局分布均匀、数量适中并包含此类别的所有情况。

2.2.3 类别可分性检验

通过ROI 面板上的Option 菜单下的Compute ROI Separability 工具计算各个类别之间的可分性，可分性如果小于1.8 则需要重新采样；大于等于1.9 属于合格样本，可分性好；在1.8～1.9 之间则需要修改样本，使其尽量达到1.9。

2.2.4 神经网络分类

分类的具体方法选用Neural Net Classificatio（神经网络分类），具体工具在工具箱中Classification 菜单下的Supervised Classification 下，全选采集的训练样本，其它参数设为默认， 将Number of Training Iterations（迭代训练次数）适当调高，增大分类精度。神经网络分类结果如图4。

2.2.5 分类后处理

图4 神经网络分类结果

图5 太浦河两翼地区土地利用分类图

分类结果存在漏分错分的情况（例如大棚未被全部分为农田）， 用工具箱中Classification 菜单下的Post Classification 下 的 Edit Classification Image 工具结合原图像修改误分的区域。为了方 便 修 改 ， 用 Post Classification 下的Combine Classses 工具将灰房屋、蓝房屋、白房屋、红房屋合并到房屋一个类别中。直接在分类类别上右击打开Edit Class Names and Colors 工具将各个类别修改为合适的颜色和名字。在修改分类图像面板中，通过Edit 菜单下的Add New Class 添加道路和旱地这两个类别，用Shape 工具或Paint 工具手动在原始图像上提取道路和旱地以及修改误分的地物类别。

2.3 解译成果

太浦河两翼地区影像分为水体、房屋、道路、旱地、农田、绿地六种地物类型，最终分类结果图如图5 所示。太浦河两翼地区分类面积统计结果表如下：

表2 太浦河两翼地区分类面积结果统计

从表2 可以看出，此区域农田面积最大，水体面积次之，水系发达，河网密度很高；绿化程度很高，很大一部分原因是城镇扩张在太浦河两翼地区并不太显著，土地利用充分，路网发达，荒废的旱地较少。

3 结论

BP 神经网络简单实用，收敛速度快，在一定程度上消除异物同谱的现象，从而消除传统的遥感影像分类带来的模糊性和不确定性，大大地提高了遥感图像的分类精度。通过实际应用案例，基于人工神经网络的遥感图像解译方法被证明能够用于确定区域下垫面中各个类别地形的空间分布，并统计其占地面积，为后续水利设计相关工作提供技术支撑