遙感軟體有沒有卷積神經網路

1. 基於神經網路的遙感圖像分類的演算法如何用ERDAS來實現~~

ERDAS中好像沒有神經網路模塊，用神經網路分類一般都是用MATLAB中的神經網路工具箱的。

2. 圖像識別深度學慣用的模型有哪些

圖像識別，是指利用計算機對圖像進行處理、分析和理解，以識別各種不同模式的目標和對像的技術。一般工業使用中，採用工業相機拍攝圖片，然後再利用軟體根據圖片灰階差做進一步識別處理，圖像識別軟體國外代表的有康耐視等，國內代表的有圖智能等。另外在地理學中指將遙感圖像進行分類的技術。

3. 論文中卷積神經網路常見的示意圖用什麼軟體來畫比較容易

visio圖就可以的

4. 基於優化的BP神經網路遙感影像分類

羅小波¹ 劉明培^1，2

（1.重慶郵電大學計算機學院中韓GIS研究所，重慶，400065；2.西南大學資源環境學院，重慶，400065）

摘要：在網路結構給定的情況下，利用遺傳演算法的全局尋優能力得到一組權值和閾值作為BP神經網路的初始權值和閾值，來避免BP神經網路易陷入局部極小的缺陷，同時也可以提高網路的收斂速度。然後再利用BP神經網路的局部尋優能力，對權值和閾值進行進一步的精細調整。實驗結果表明，把這種基於遺傳演算法的BP神經網路應用於遙感影像監督分類，具有較高的分類精度。

關鍵詞：BP神經網路；遺傳演算法；遙感影像分類

1 引言

隨著遙感技術的快速發展，遙感技術已經廣泛應用於各個領域。其中，遙感影像分類是其重要組成部分。近年來，隨著人工神經網路理論的快速發展，神經網路技術日益成為遙感影像分類中的有效手段，特別是對高光譜等影像數據，更是具有許多獨特的優勢。

一般我們把採用BP （Back-propogation）演算法的多層感知器叫做BP 神經網路，它是目前研究得最完善、應用最廣泛的神經網路之一。與經典的最大似然法相比，BP神經網路最大的優勢就是不要求訓練樣本正態分布。但是，它具有結構難以確定、容易陷入局部極小、不易收斂等缺陷。在本文中，網路的結構由用戶根據問題的復雜度確定。在進行網路訓練之前，利用遺傳演算法的全局尋優能力確定網路的初始權值和閾值；然後利用BP學習演算法的局部尋優能力對網路進行進一步的精細調整。最後利用訓練後的網路進行遙感影像監督分類。結果表明，基於遺傳演算法的BP神經網路進行遙感影像監督分類，具有較高的分類精度。

2 BP 神經網路

2.1 網路結構

BP神經網路的結構一般包括輸入層、中間隱層、輸出層。在模式識別中，輸入層的神經元個數等於輸入的特徵個數，輸出層的神經元個數等於需要分類的類別數。隱層可以為一層或多層，但一般的實際應用中一層隱層就可以滿足要求。而各隱層的神經元個數需要根據實際問題的復雜度而定。以單隱層為例，其結構示意圖如圖1。

為了實現一種通用的遙感影像分類手段，除了提供默認的網路結構外，還為使用者提供了根據實際問題的復雜度自行確定網路隱層數與各隱層神經元數的功能。這為一些高級用戶提供了靈活性，但這種靈活性在一定程度上增加了使用的難度，有時也需要一個實驗的過程，才能取得滿意的效果。

圖1 BP 神經網路結構

2.2 BP 學習演算法

演算法的基本步驟如下：

（1）將全部權值與節點的閾值預置為一個小的隨機數。

（2）載入輸入與輸出。在n個輸入節點上載入一n維向量X，並指定每一輸出節點的期望值。每次訓練可以選取新的同類或者異類樣本，直到權值對各類樣本達到穩定。

（3）計算實際輸出y₁，y₂，…，y_n。

（4）修正權值。權值修正採用了最小均方（LMS）演算法的思想，其過程是從輸出節點開始，反向地向第一隱層傳播由總誤差誘發的權值修正。下一時刻的互連權值W_ij （t＋1）由下式給出：

土地信息技術的創新與土地科學技術發展：2006年中國土地學會學術年會論文集

式中，j為本節點的輸出；i則是隱層或者輸入層節點的序號；

或者是節點i的輸出，或者是外部輸入；η 為學習率；α為動量率；δ_j為誤差項，其取值有兩種情況：

A.若j為輸出節點，則：

δ_j＝y_j（1 －y_j）（t_j －y_j）

其中，t_j為輸出節點 j 的期望值，y_j為該節點的實際輸出值；

B.若j為內部隱含節點，則：

土地信息技術的創新與土地科學技術發展：2006年中國土地學會學術年會論文集

其中k為j節點所在層之上各層的全部節點。

（5）在達到預定的誤差精度或者循環次數後退出，否則，轉（2）。

2.3 基於遺傳演算法的網路學習演算法

遺傳演算法具有全局尋優、不易陷入局部極小的優點，但局部尋優的能力較差。而BP學習演算法卻具有局部尋優的優勢。因此，如果將兩種演算法結合起來構成混合訓練演算法，則可以相互取長補短獲得較好的分類效果。主要思路如下：

（1）利用遺傳演算法確定最優個體

A.把全部權值、閾值作為基因進行實數編碼，形成具有M個基因的遺傳個體結構，其中M等於所有權值、閾值的個數。

B.設定種群規模N，隨機初始化這N個具有M個基因的結構。

C.適應度的計算：分別用訓練樣本集對N組權值、閾值進行訓練，得出各自網路期望輸出與網路實際輸出的總誤差e，適應度f＝1.0－e。

D.進行遺傳運算元操作，包括選擇運算元、交叉運算元和變異運算元，形成新的群體：其中，選擇運算元採用了輪盤賭的方法，交叉運算元採用了兩點交叉。

E.反復進行C、D兩步，直到滿足停止條件為止。停止條件為：超出最大代數、最優個體精度達到了規定的精度。

（2）把經過 GA 優化後的最優個體進行解碼操作，形成 BP 神經網路的初始權值和閾值。

（3）採用BP學習演算法對網路進行訓練，直到滿足停止條件。停止條件為：①達到最大迭代次數；②總體誤差小於規定的最小誤差。

網路訓練結束後，把待分數據輸入訓練好的神經網路，進行分類，就可以得到分類結果影像圖。

3 應用實例

實現環境為VC＋ ＋6.0，並基於Mapgis的二次開發平台，因為二次平台提供了一些遙感影像的基本處理函數，如底層的一些讀取文件的基本操作。

實驗中使用的遙感影像大小為500×500，如圖1所示。該影像是一美國城市1985年的遙感影像圖。根據同地區的SPOT影像及相關資料，把該區地物類別分為8類，各類所對應的代碼為：C1為水體、C2為草地、C3為綠化林、C4為裸地、C5為大型建築物、C6為軍事基地、C7為居民地、C8為其他生活設施（包括街道、道路、碼頭等）。其中，居民地、軍事設施、其他生活設施的光譜特徵比較接近。

圖1 TM 原始影像 （5，4，3 合成）

在網路訓練之前，經過目視解譯，並結合一些相關資料，從原始圖像上選取了3589個類別已知的樣本組成原始樣本集。要求原始樣本具有典型性、代表性，並能反映實際地物的分布情況。把原始樣本集進行預處理，共得到2979個純凈樣本。這些預處理後的樣本就組成訓練樣本集。

網路訓練時的波段選擇為TM1、TM2、TM3、TM4、TM5、TM7 共6個波段。另外，由於所要分類的類別數為8，因此，網路結構為：輸入層節點數為6，輸出層節點數為8，隱層數為1，隱層的節點數為10，然後用訓練樣本集對網路進行訓練。在訓練網路的時候，其訓練參數分別為：學習率為0.05，動量率為0.5，最小均方誤差為0.1，迭代次數為1000。把訓練好的網路對整幅遙感影像進行分類，其分類結果如下面圖2所示。

圖2 分類結果

為了測試網路的分類精度，在分類完成後，需要進行網路的測試。測試樣本的選取仍然採用與選取訓練樣本集一樣的方法在原始影像上進行選取，即結合其他資料，進行目視判讀，在原始圖像上隨機選取類別已知的樣本作為測試樣本。

利用精度評價模塊，把測試樣本集與已分類圖像進行比較，得到分類誤差矩陣以及各種分類精度評價標准，如表1 所示：

表1 分類誤差矩陣

總體精度：0.91，Kappa系數：0.90。

從表1 可以看出，採用測試樣本集進行測試，大部分地物的分類精度都達到了 0.9以上，只有居民地和其他生活設施的精度沒有達到，但也分別達到了0.89 和0.77，總的分類精度為0.91。Kappa系數在遙感影像分類精度評價中應用極為廣泛，在本次測試中其值為0.90。從上面的分析可以看出，利用基於遺傳演算法的BP神經網路進行遙感影像分類，其分類精度較高，取得了令人滿意的效果。

4 結論

與傳統的基於統計理論的分類方法相比，BP神經網路分類不要求訓練樣本正態分布，並且具有復雜的非線性映射能力，更適合於日益激增的海量高光譜遙感數據的處理。但BP神經網路也有易陷於局部極小、不易收斂等缺陷。

初始權值和閾值設置不當，是引起網路易陷於局部極小、不易收斂的重要原因。在實驗中，利用遺傳演算法的全局尋優能力來確定BP網路的初始權值和閾值，使得所獲取的初始權值和閾值是一組全局近似最優解。然後，利用BP學習演算法的局部尋優能力對網路權值和閾值進行精細調整。這樣，訓練後的穩定網路，不但具有較強的非線性映射能力，而且總可以得到一組均方誤差最小的全局最優解。

實驗表明，利用上述的基於遺傳演算法的BP神經網路進行遙感影像分類，只要所選取的訓練樣本具有代表性，能反映實際地物的分布情況，就能夠得到較高的分類精度，具有較強的實際應用價值。

參考文獻

H.Yang et al，A Back-propagation neural networkmfor mineralogical mapping fromAVIRIS data，Int.J.Remote sensing，20 （1）：97～110

Arti Alessandro，et al.Speed up learning and network optimization with extended back propogation.Neural Networks，1993，6：365～383

Patrick P.Minimization methods for training feed forward neural networks.Neural Networks，1994，7：1～12

Goldberg D E.Genetic algorithms in Search Optimization and Machine Learing.MA：Addison-Wesley，1989

Rudolph Gunter.Convergence analysis of canonical genetic algorithms.IEEE Transactions on Neural Networks，1994，5 （1）；102～119

Fang J，Xi Y.Toward design based on evolutionary programming.ArtificialIntel.Eng.，1997，11 （2）：155～161

Park Y R，et al.Prediction sun spots using layered perception neural network.IEEE Trans.on Neural Netorks，1996，7 （2）：501～505

楊行峻、鄭君里.人工神經網路與盲信號處理［M］.北京：清華出版社，2003，23～40

周成虎、駱劍成等.遙感影像地學理解與分析［M］.北京：科學出版社，2001，228～238

王耀男.衛星遙感圖像的神經網路自動識別［J］.湖南大學學報，1998，61～66

江東，王建華.人工神經網路在遙感中的應用與發展.國土與資源遙感，1999，13～18

5. 遙感圖像處理軟體有哪些

常用的遙感圖像處理軟體有：ERDAS、PCI、ENVI等。各軟體的特點如下：

1.ERDAS：ERDAS是一款遙感圖像處理系統軟體。 它以其先進的圖像處理技術，友好、靈活的用戶界面和操作方式，面向廣闊應用領域的產品模塊，

服務於不同層次用戶的模型開發工具以及高度的RS/GIS集成功能，為遙感及相關應用領域的用戶提供了內容豐富而功能強大的圖像處理工具，該軟體功能強大，在該行業中佔有一定市場份額。

2.PCI：PCI集成到一個具有同一界面、同一使用規則、同一代碼庫、同一開發環境的一個新產品系列，該產品系列被稱之為 PCI GEOMATICA。

對於20多年來一直致力於向地學界提供全方位解決方案的PCI公司來說，始終堅持領先一步的原則，地理咨訊永遠在變遷，而地理咨訊軟體更處於變遷的前沿。

3.ENVI：ENVI是一個完整的遙感圖像處理平台，應用匯集中的軟體處理技術覆蓋了圖像數據的輸入/輸出、圖像定標、圖像增強、糾正、正射校正、鑲嵌、數據融合以及各種變換、信息提取、圖像分類、基於知識的決策樹分類、與GIS的整合、DEM及地形信息提取、雷達數據處理、三維立體顯示分析。

(5)遙感軟體有沒有卷積神經網路擴展閱讀

遙感圖像處理功能

1、遙感圖像校正

遙感圖像校正是指糾正變形的圖像數據或低質量的圖像數據，從而更加真實地反映其情景。圖像校正主要包括輻射校正與幾何校正兩種。

2、遙感圖像增強

遙感圖像增強是通過增加圖像中各某些特徵在外觀上的反差來提高圖像的目視解譯性能。主要包括對比度變換、空間濾波、彩色變換、圖像運算和多光譜變換等。

圖像校正是以消除伴隨觀測而產生的誤差與畸變．使遙感觀測數據更接近於真實值為主要目的的處理，而圖像增強則把重點放在使分析者能從視覺上便於識別圖像內容之上。

3、遙感圖像鑲嵌

遙感圖像鑲嵌是將兩幅或多幅數字圖像(它們有可能是在不同的攝影條件下獲取的)拼接在一起，構成一幅更大范圍的遙感圖像。

4、遙感圖像融合

遙感圖像融合是將多源遙感數據在統一的地理坐標系中採用一定演算法生成一組新的信息或合成圖像的過程。遙感圖像融合將多種遙感平台、多時相遙感數據之問以及遙感數據與非遙感數據之間的信息進行組合匹配、信息補充，融合後的數據更有利於綜合分析。

5、遙感圖像自動判讀

遙感圖像自動判讀是根據遙感圖像數據特徵的差異和變化，通過計算機處理，自動輸出地物目標的識別分類結果。它是計算機模式識另Ⅱ技術在遙感領域的具體應用，可提高從遙感數據中提取信息的速度與客觀性。自動判讀的方法主要包括監督分類法和非監督分類法。

6. 有哪位大神知道深度學習在遙感影像處理領域的運用嘛

CNN卷積神經網路就可以用於信息提取，在eCognition9.3版本中就有這個功能

7. 前饋神經網路、BP神經網路、卷積神經網路的區別與聯系

一、計算方法不同

1、前饋神經網路：一種最簡單的神經網路，各神經元分層排列。每個神經元只與前一層的神經元相連。接收前一層的輸出，並輸出給下一層．各層間沒有反饋。

2、BP神經網路：是一種按照誤差逆向傳播演算法訓練的多層前饋神經網路。

3、卷積神經網路：包含卷積計算且具有深度結構的前饋神經網路。

二、用途不同

1、前饋神經網路：主要應用包括感知器網路、BP網路和RBF網路。

2、BP神經網路：

（1）函數逼近：用輸入向量和相應的輸出向量訓練一個網路逼近一個函數；

（2）模式識別：用一個待定的輸出向量將它與輸入向量聯系起來；

（3）分類：把輸入向量所定義的合適方式進行分類；

（4）數據壓縮：減少輸出向量維數以便於傳輸或存儲。

3、卷積神經網路：可應用於圖像識別、物體識別等計算機視覺、自然語言處理、物理學和遙感科學等領域。

聯系：

BP神經網路和卷積神經網路都屬於前饋神經網路，三者都屬於人工神經網路。因此，三者原理和結構相同。

三、作用不同

1、前饋神經網路：結構簡單，應用廣泛，能夠以任意精度逼近任意連續函數及平方可積函數．而且可以精確實現任意有限訓練樣本集。

2、BP神經網路：具有很強的非線性映射能力和柔性的網路結構。網路的中間層數、各層的神經元個數可根據具體情況任意設定，並且隨著結構的差異其性能也有所不同。

3、卷積神經網路：具有表徵學習能力，能夠按其階層結構對輸入信息進行平移不變分類。

(7)遙感軟體有沒有卷積神經網路擴展閱讀：

1、BP神經網路優劣勢

BP神經網路無論在網路理論還是在性能方面已比較成熟。其突出優點就是具有很強的非線性映射能力和柔性的網路結構。網路的中間層數、各層的神經元個數可根據具體情況任意設定，並且隨著結構的差異其性能也有所不同。但是BP神經網路也存在以下的一些主要缺陷。

①學習速度慢，即使是一個簡單的問題，一般也需要幾百次甚至上千次的學習才能收斂。

②容易陷入局部極小值。

③網路層數、神經元個數的選擇沒有相應的理論指導。

④網路推廣能力有限。

2、人工神經網路的特點和優越性，主要表現在以下三個方面

①具有自學習功能。例如實現圖像識別時，只在先把許多不同的圖像樣板和對應的應識別的結果輸入人工神經網路，網路就會通過自學習功能，慢慢學會識別類似的圖像。自學習功能對於預測有特別重要的意義。預期未來的人工神經網路計算機將為人類提供經濟預測、效益預測，其應用前途是很遠大的。

②具有聯想存儲功能。用人工神經網路的反饋網路就可以實現這種聯想。

③具有高速尋找優化解的能力。尋找一個復雜問題的優化解，往往需要很大的計算量，利用一個針對某問題而設計的反饋型人工神經網路，發揮計算機的高速運算能力，可能很快找到優化解。

8. 遙感卷積運算

這樣,先將左上角3*3與卷積核運算,得到一個結果,這里結果是0,然後右移,即計算第二列到第4列,結果是0,繼續右移,卷積計算是相乘後相加,3*3與3*3卷積後的結果是1個數.
明白了嗎?