摘 要： 结合遥感影像及人工神经网络的特性，介绍人工神经网络在遥感图像分析与处理领域的应用现状，重点分析了在遥感图像分类、遥感图像复原、影像边缘检测与纹理信息提取等方面的应用。此外，还根据自己的研究实践，在Matlab平台下对用于遥感图像分析与处理的一些神经网络算法进行实现。最后，对人工神经网络在遥感图像分析与处理中的应用趋势及有待进一步研究的问题进行了探讨。

    关键词： 人工神经网络；遥感影像；图像分析与处理；Matlab

1．引 言

    由于遥感影像数据具有多传感器、多平台、多时相、多光谱和多分辨率的海量数据的特点，遥感图像分析与处理成为图像分析与处理中一个既特殊又复杂的分支，也存在一些困难。20世纪80年代以来，随着计算机、人工智能尤其是专家系统的发展，人工神经网络技术逐渐成熟并开始应用于各个领域。人工神经网络(ＡＮＮ，简称神经网络)作为一种由大量简单神经元广泛相互联接而成的非线性映射或自适应动力系统，恰好能有效解决遥感图像处理中常见的困难，因此它很快在遥感图像分析与处理领域得到了广泛地应用。

    本文首先就遥感影像的特点，遥感图像分析与处理过程中的困难，以及使用人工神经网络法的优势进行说明；然后就近年来人工神经网络在遥感图像分析与处理领域的各种应用进行介绍，如遥感图像分类、遥感图像复原、影像边缘检测与纹理信息提取等等，并在Matlab平台下对个别方法进行实现；最后对人工神经网络在遥感图像分析与处理中的应用趋势进行了分析和展望。

2．人工神经网络用于遥感图像分析与处理的优势

2.1 遥感影像的特点及其分析处理过程中的困难

    遥感影像数据具有以下一些特征：（A）多源性：获取的遥感影像数据具有多传感器、多平台的信息特征，多平台的遥感数据观测系统覆盖近地面——航空——航天的信息序列；（B）空间宏观性：遥感影像覆盖范围大、视野广，具有一定的概括性；（C）时间周期性：遥感影像数据具有多时相特点；（D）多光谱特性：光谱分辨率的提高是自遥感发展以来的重要趋势，自上世纪80年代开始发展的成像光谱仪极大提高了光谱分辨率，已经开辟了高光谱遥感；（E）多空间分辨率特性：目前，遥感探测器的分辨率由公里级、百米级发展到米级、分米级，一个多空间尺度的海量遥感数据业已经形成；（F）海量数据：多波段、多分辨率的特性使得所获得的遥感数据往往是海量的。

    遥感影像数据的上述特征使得其在分析处理过程中存在以下困难：（A）以目前的数据处理和分析能力远无法满足实用要求，海量的数据不仅难以有效提取，在串行处理时速度也较慢；（B）由于光谱分辨率的提高，波段的增多，各波段间的相关性往往又很强，则数据的冗余现象更加明显，这样处理时的精度和可靠性往往会受到影响；（C）遥感图像的处理过程从本质上来说是非线性的，因而使用线性方法进行逼近时存在许多麻烦。

2.2 人工神经网络基本特性及其优势

    人工神经网络是以对信息的分布存储和并行处理为基础,在许多方面更接近人对信息的处理方法,具有模拟人的形象思维的能力,反映了人脑功能的若干基本特性,是人脑的某种抽象、简化和模拟.人工神经网络具有如下基本特性： [1]

    （A） 并行分布处理：神经网络具有高度的并行结构和并行实现能力，每个神经元都可根据接收到的信息作独立的运算和处理,然后将结果传送出去,有较好的耐故障能力和较快的总体处理能力。

    （B） 非线性映射：神经网络具有固有的非线性特性，这源于近似任意非线性变换能力。

    （C） 通过训练进行学习：神经网络通过研究系统过去的数据记录进行训练，一个经过适当训练的神经网络具有归纳全部数据的能力。

    （D） 适应与集成：神经网络能够适应在线运行，并能同时进行定量和定性操作。神经网络具有强适应和信息融合能力，特别适合复杂、大规模和多变量系统的控制。

    结合前面说叙述的遥感处理过程中的困难，可以看出使用人工神经网络进行遥感图像分析处理存在着优势，其具体体现如下： [2]

    （A） 计算过程巨量并行、高度分布，这使其能以极快的速度处理大量的数据和求解非常复杂的问题。

    （B） 具有自学习、自适应和自组织能力，对外表现为可以适应多种不同的问题空间，也能很好地抑制噪声和信息缺失对最优解的影响；对内表现为很好的容错性,即可以通过自适应与自组织来消除坏神经元的影响。

    （C） ＡＮＮ是内禀非线性系统,能“自然地”实现各种非线性映射和求解各种分界面十分复杂和高度非线性的分类和模式识别问题。

3. 人工神经网络在遥感图像分析与处理方面的应用概述

    关于人工神经网络的研究已经有半个世纪的历史，早期的研究可以追溯到1800年Frued的前精神分析学时期，1943年随着神经元的数学模型（MP模型）的首次提出，人工神经网络的研究先后经历了兴起、沉淀和低潮期。20世纪80年代中期以来，神经网络的应用研究取得了很大的成绩，开始用于解决一系列的实际问题，涉及领域非常广泛，掀起了第二次研究高潮。它特有的自组织、自学习和高容错性等功能使得其在解决复杂的非线性问题时有独特的功效。近年来，国内外众多学者已经将其应用到遥感领域，人工神经网络技术已经成为遥感图像分析与处理的一种新手段。 [3]

3.1 神经网络用于遥感图像分类

    遥感图像分类是利用计算机通过对遥感图像中的各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像元归化到各个子空间去。传统的遥感图像计算机分类方法根据遥感数据的统计值特征与训练样本数据之间的统计关系来进行地物分类的，一般多为基于bayes统计理论的最大似然法，然而随着遥感数据空间维数的不断扩展，该方法开始暴露出一些弱点：(A)多源、多维的遥感数据，可能不具备正态分布特征；(B)离散的类别数据(如地面实测数据)，在很多情况下不具备统计意义；(C)对于高维空间数据，bayes准则所要求的协方差矩阵将难以得到。另外，这种方法与人对图像的目视解译分类方法也存在很大的差异，所以人们希望寻找一种与人目视解译分类更相似的计算机分类方法。 [4]

    目前,神经网络技术在遥感图像分类处理中应用的最为广泛和深入，随着人工神经网络系统理论的发展，神经网络技术日益成为遥感图像分类处理的有效手段，并有逐步取代最大似然法的趋势。从参考文献[7][8][9]中我们可以看到，基于神经网络技术的遥感图像分类处理方法在土地覆盖、农作物分类和地质灾害预测等方面都有应用并取得了不错的效果。

现将对近几年使用的比较多的神经网络分类模型作简要介绍：

3.1.1 基于多层感知器（MLP）的遥感影像分类模型

    它是以决策面为基础，采用反向传播监督学习算法的遥感影像分类方法，已在土地覆盖分类、专题信息提取等方面得到应用，是遥感数字图像分类处理中最常用的一种模型。

3.1.2 基于径向基函数（RBP）的遥感影像分类模型

    径向基函数神经网络（RBPNN）是结合参数化的统计分布模型与非参数化的线性感知器模型的一种前向神经网络模型。它的映射原理是通过用分解的统计密度分布来拟合表示样本空间中的复杂稀疏分布，然后用神经网络感知器模型获得与类别的线性映射关系。其具有网络结构简单、学习速度快、可融合领域知识等优势。具体可参见参考文献[10]。

3.1.3 基于学习向量分层-2网络（LVQ2）的遥感影像分类模型

    LVQ2是一种以聚类分类分析为基础的神经网络。该分类器采用监督学习算法，其实质在于，当一光谱向量馈入网络时，两个最近的神经元(获胜神经元和下一个获胜神经元)即被确定。只要以下三个条件成立，此二个神经元的突触权重的适配即告完成：相应于获胜神经元的类别与输入向量的类别相同；相应于下一个获胜神经元的类别与输入向量的类别相同；输入向量非常接近获胜神经元与下一个获胜神经元之间的判别面。

3.1.4 基于Kohonen自组织特征映射网络（KSOFM）的遥感影像分类模型

    KSOFM以模拟人脑自组织功能为基础，因外部输入模式的刺激,而自动形成一种内部表达输出模式。通过调整权重有序序列的变化过程,而使网络收敛成“每个单元与有序输入信号某一特殊域相匹配”的状态。KSOFM通常用作非监督分类,可以确定输入数据空间中的单一类型。由于该网络采用非监督学习算法,其在分类处理问题中的操作效能一般低于多层感知分类器。具体参见参考文献[8]。

3.1.5 基于自适应共振模型（ART）的遥感影像分类模型

    ART是S.Gsrossberg于1976年通过发展认知信息处理理论建立起来的。最初的ART模型即ART1，是属于非监督学习系统，而且仅能处理离散的二进制信号。G.A.Carpenter等（1991）在拓展ART1模型基础上，结合模糊集理论，发展了能处理连续模拟信号的ART2和FUZZY-ART模型。针对有监督学习的模式识别问题，G.A.Carpenter等（1992）又发展了具有自组织映射结构的ARTMAP模型。近年来，ART模型已经开始应用于遥感影像分类非监督和监督分类中(参见参考文献[11])，并且与传统分类方法和BP神经网络等方法比，其在学习速度、适应性、非线性映射等性能上有独特的优势。

    除了上述五种模型外，还有一些其他的神经网络模型也已经逐步应用到遥感影像分类之中，此处不在一一列举。总的来看，与传统遥感分类方法相比，神经网络（ANN）具有以下优势：（A）ANN具有自学习、自组织的能力，能最大限度地利用已知类别遥感图像样本集的先验知识，自动提取识别规则 ，足以取代最大似然法；（B）ANN无需对概率模型做出假定；（C）ANN具有容错能力，可以在特征空间形成高度非线性的决策边界，因而在特征统计数字资料明显偏离假设的高斯统计数字资料情况下优于参数贝叶斯分类处理方法，也具有更强的适应性；（D）ANN具有联想能力，若训练集中的遥感图像具有代表性，那么求解这些样本的合理规则很可能就是求解原问题的一般性规则，它比其它方法具有更好的联想和推广能力。

3.2 神经网络用于遥感图像复原与重建

    理想的遥感图像是能如实而毫不歪曲地反映地物的辐射能量分布和几何特征的图像，而这种情况实际上是不存在的。实际中，我们所得到的图像都在不同程度上与地物的辐射能量或亮度分布有差异。遥感图像复原就是通过特定的数学模型,来校正感应、传输及记录等阶段形成的各种形式图像失真,尽量恢复图像本来面貌的处理过程，它主要包括遥感图像的重建、恢复、镶嵌、辐射校正和几何校正等。实现遥感图像复原的方法有不少，而人工神经网络(ANN)则以其独有的自学习、自组织、自适应的特点引起了国内外学者的广泛关注，近年来，ANN开始在遥感图像复原与重建方面获得了较好的应用效果。例如参考文献[13]中就对图像重建的神经网络法进行了概述；参考文献[14]中使用ANN对TM6图像进行地表辐射校正，从而探测了中国北方地区的地下火灾害；而参考文献[15]则向我们介绍了一种基于二次规划的神经网络优化算法，并将该算法应用于遥感图像的恢复中。

3.3 神经网络用于遥感图像边缘检测

    图像的边缘是图像的基本特征，所谓边缘或边沿是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。边缘检测是图像处理领域中最重要的研究方向之一。经典的边缘检测方法是构造对像素灰度级阶跃变化敏感的微分算子，然而些算子毫无例外地对噪声较为敏感，并且存在域值确定问题。如果采用神经网络方法，由于是用训练好的神经网络直接检测图像边缘，则不存在域值确定问题，加上构造训练样本时考虑到边缘点与噪声点的本质区别，采用神经网络方法进行边缘检测也具有较好的抗噪能力。近几年来，国内外许多学者已经将神经网络方法用于检测图像边缘，参考文献[12][16]就分别提出了用于边缘检测的几种不同的神经网络方法。对于遥感影像来说，影像的边缘包含了识别对象的内涵，只有正确地勾勒出影像上不同区域的范围，才能进一步对它们做出理解和识别。因而，遥感影像的边缘检测理所当然成为遥感图像处理和分析的基本课题之一。而将神经网络方法应用于遥感影像的边缘检测则有着重要的意义。

3.4 神经网络在遥感图像分析与处理中的其它一些应用

    除了前面提到的几种应用以外，ANN还广泛应用于遥感图像分析与处理的其它领域。在遥感图像信息压缩方面，神经网络可以对传统的编码技术进行改进，它具有计算简单、压缩比高、容错性强及信噪比可预先设置等优点，为遥感图像信息压缩注入了活力，目前主要使用的Hopfield网和前向网络等。此外，神经网络还在图像去噪、纹理分析等方面广泛应用。还有一些学者建立了基于视觉模型中相关激活理论设计的振子神经网络，模拟人类视觉的相关聚类功能，用于二维图像的多目标分割[19]。在各个方面，神经网络均显示出其独特的优势。

4. 实验与分析

4.1 BP神经网络用于遥感影像分类

    本文采用BP神经网络对武汉地区的TM影像进行分类，首先对遥感影像进行集合纠正等预处理，然后选取183×164像素的子区作为研究对象。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以下3类： X1——河流；X2——城镇区（绿地）；X3——湖泊。主要过程分为样本训练和模式识别两部分，样本训练可以求出满足一定误差条件的权矩阵，在进行完样本训练工作后，将数字影像上的任何一个像素（R,G,B）值作为输入向量，通过计算可得到输出向量，向量分量对应于该像素在各个预先指定的各个分类类型的概率值，其中最大的概率值所对应的类型即为该像素的类型。依照上述过程在Matlab平台下对之进行实现，得到分类结果图如下：

       

图1 原始影像                       图2 分类后影像

    比较两图可以看出利用神经网络进行遥感影像分类基本能够达到预定目标，是一种有效的分类方法。

4.2 神经网络用于遥感图像边缘检测

    边缘检测本质上属于分类问题，本文采用经过人工处理后的样本来对BP网络进行训练，将训练后的网络进行实测图像的边缘检测。为了使此方法具有较强的抗噪性能，在网络训练中，考虑噪声点和边缘点的本质区别，构造不同的信息测度来定量地描述阶跃边缘的三个特征[12]：基于邻域一致性信息测度的分量；基于方向性信息测度的分量；基于梯度分布的分量。同时教师信号用人工方法去除噪声点形成的虚假边缘。经过样本训练，权矩阵已经满足所要求的误差条件；接下来利用训练好的神经网络来提取边缘，计算图像的边缘特征向量作为网络输入，根据输出节点的值判断是否为边缘点。按照上述方法在Matlab平台上进行实验，对道路进行提取，结果基本符合要求。

5. 结论与展望

    从前面的讨论，可以得出以下几点结论：

    1）人工神经网络在遥感图像分析与处理的各个方面都有广泛的适用性,并且已经取得了较好的效果,是遥感信息提取的一种有效途径。

    2）人工神经网络已经在遥感影像分类和信息提取等研究中得到了广泛的应用，如土地覆盖的分类问题、多时相动态地物的区分、模糊分类(混合像元分解)、融合先验知识的遥感影像分类、影像结构信息提取(如线状、纹理等信息的提取)等，这些应用在不同程度上都获得了有实际意义的结果。

    3）人工神经网络在图像重建、图像压缩、图像去噪等方面的应用，虽然不如在遥感影像分类中应用的那么广泛，也已经显示出其优势和意义，有待我们进一步研究。

    人工神经网络作为一种新兴科学，毕竟目前在遥感图像分析与处理中的还属于较为初级的阶段，存在其局限性。我们在今后的研究中有几点必须注意：一方面，遥感图像分析与处理本身具有复杂性和多目标性，这样就要求我们在具体工作中必须设计出适合问题的模型，同时对ＡＮＮ的网络结构和学习算法做相应改进，这样做效果更好、更可靠；另一方面，要注意将人工神经网络与其它理论技术结合起来，这样它将有更加广阔的应用前景。

参考文献

[1] 叶世伟 史忠植（译） 神经网络原理 北京：机械工业出版社，2004
[2] 何振亚 多维数字信号处理 北京：国防工业出版社，1995
[3] 王洪元等 人工神经网络技术及其应用 北京：中国石化出版社，2002
[4] 章孝灿等 遥感数字图像处理 杭州：浙江大学出版社，2003
[5] 王野乔 遥感及多源地理数据分类中的人工神经网络模型 地理科学，1997，17(2)：105-111
[6] 潘东晓等 遥感图像的神经网络分类法 国土资源遥感，1996，No.3：49-55
[7] 张维宸等 人工神经网络分类及其在遥感调查中的应用 中国地质灾害与防治学报，2002，Vol.13，No.4：96-98
[8] 蔡熠东，李伟，许伟杰 遥感土地覆盖类型识别的自组织人工神经网络模型 国土资源遥感，1994，No.4：63-66
[9] 杨鹏，唐华俊，刘佳 作物遥感估产中自动分类方法研究进展与展望 中国农业资源与区划，2000，Vol.21，No.3：57-60
[10] 骆剑承，周成虎，杨艳 基于径向基函数（RBF）映射理论的遥感影像分类模型研究 中国图形图像学报，2000，Vol.2
[11] 王玲，龚健雅 一种基于自适应谐振理论的TM遥感影像神经网络分类器 测绘科学，2003，Vol.28，No.3：39-42
[12] 杨海军，梁德群 一种新的基于信息测度和神经网络的边缘检测方法 图形图像学报，2001，Vol.29，No.1：51-53
[13] 王汇源 图像重建的神经网络法 山东工业大学学报，1998，Vol.28，No.3：39-42
[14] DENG W，WAN Y Q，ZHAO R C Detecting coal fires with a neural network to reduce the effect of solar radiation on Landsat Thematic Mapper Thermal infrared images[J] International Journal of Remote Sensing，2001，Vol.22，No.6：933-944
[15] 王耀南，王绍源，孙炜 基于二次规划的神经网络遥感图像的恢复 系统工程与电子技术，1999，Vol.21，No.8：51-53
[16] 王耀南 一种神经网络的快速学习算法及其在图像边缘检测中的应用 计算机研究与发展，1997，Vol.34，No.5：377-381
[17] 飞思技术产品研发中心 MATLAB6.5辅助神经网络分析与设计 北京：电子科技出版社，2003
[18] 飞思技术产品研发中心 MATLAB6.5辅助图形图像处理 北京：电子科技出版社，2003
[19] 王磊等 用振子神经网络实现二值图像中的多目标分割 中国图像图形学报，1997，Vol.2，No.10：726-729
[20] Atkinson PM，ARLTatnall Introduction Neural Networks in Remote Sensing[J] IntJRemoteSensing，1997，Vol.18，No.4：699-709
[21] 许峰，卢建刚等 一种基于PCA/SOFM混合神经网络的图像压缩算法 中国图像图形学报，2003，Vol.8(A)，No.9：1100-1104
[22] 沈未名，仇彤等 基于神经网络的矢量化与遥感影像有失真压缩编码 武汉测绘科技大学学报，1996，Vol.21，No.2