遥感软件有没有卷积神经网络

1. 基于神经网络的遥感图像分类的算法如何用ERDAS来实现~~

ERDAS中好像没有神经网络模块，用神经网络分类一般都是用MATLAB中的神经网络工具箱的。

2. 图像识别深度学习用的模型有哪些

图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。一般工业使用中，采用工业相机拍摄图片，然后再利用软件根据图片灰阶差做进一步识别处理，图像识别软件国外代表的有康耐视等，国内代表的有图智能等。另外在地理学中指将遥感图像进行分类的技术。

3. 论文中卷积神经网络常见的示意图用什么软件来画比较容易

visio图就可以的

4. 基于优化的BP神经网络遥感影像分类

罗小波¹ 刘明培^1，2

（1.重庆邮电大学计算机学院中韩GIS研究所，重庆，400065；2.西南大学资源环境学院，重庆，400065）

摘要：在网络结构给定的情况下，利用遗传算法的全局寻优能力得到一组权值和阈值作为BP神经网络的初始权值和阈值，来避免BP神经网络易陷入局部极小的缺陷，同时也可以提高网络的收敛速度。然后再利用BP神经网络的局部寻优能力，对权值和阈值进行进一步的精细调整。实验结果表明，把这种基于遗传算法的BP神经网络应用于遥感影像监督分类，具有较高的分类精度。

关键词：BP神经网络；遗传算法；遥感影像分类

1 引言

随着遥感技术的快速发展，遥感技术已经广泛应用于各个领域。其中，遥感影像分类是其重要组成部分。近年来，随着人工神经网络理论的快速发展，神经网络技术日益成为遥感影像分类中的有效手段，特别是对高光谱等影像数据，更是具有许多独特的优势。

一般我们把采用BP （Back-propogation）算法的多层感知器叫做BP 神经网络，它是目前研究得最完善、应用最广泛的神经网络之一。与经典的最大似然法相比，BP神经网络最大的优势就是不要求训练样本正态分布。但是，它具有结构难以确定、容易陷入局部极小、不易收敛等缺陷。在本文中，网络的结构由用户根据问题的复杂度确定。在进行网络训练之前，利用遗传算法的全局寻优能力确定网络的初始权值和阈值；然后利用BP学习算法的局部寻优能力对网络进行进一步的精细调整。最后利用训练后的网络进行遥感影像监督分类。结果表明，基于遗传算法的BP神经网络进行遥感影像监督分类，具有较高的分类精度。

2 BP 神经网络

2.1 网络结构

BP神经网络的结构一般包括输入层、中间隐层、输出层。在模式识别中，输入层的神经元个数等于输入的特征个数，输出层的神经元个数等于需要分类的类别数。隐层可以为一层或多层，但一般的实际应用中一层隐层就可以满足要求。而各隐层的神经元个数需要根据实际问题的复杂度而定。以单隐层为例，其结构示意图如图1。

为了实现一种通用的遥感影像分类手段，除了提供默认的网络结构外，还为使用者提供了根据实际问题的复杂度自行确定网络隐层数与各隐层神经元数的功能。这为一些高级用户提供了灵活性，但这种灵活性在一定程度上增加了使用的难度，有时也需要一个实验的过程，才能取得满意的效果。

图1 BP 神经网络结构

2.2 BP 学习算法

算法的基本步骤如下：

（1）将全部权值与节点的阈值预置为一个小的随机数。

（2）加载输入与输出。在n个输入节点上加载一n维向量X，并指定每一输出节点的期望值。每次训练可以选取新的同类或者异类样本，直到权值对各类样本达到稳定。

（3）计算实际输出y₁，y₂，…，y_n。

（4）修正权值。权值修正采用了最小均方（LMS）算法的思想，其过程是从输出节点开始，反向地向第一隐层传播由总误差诱发的权值修正。下一时刻的互连权值W_ij （t＋1）由下式给出：

土地信息技术的创新与土地科学技术发展：2006年中国土地学会学术年会论文集

式中，j为本节点的输出；i则是隐层或者输入层节点的序号；

或者是节点i的输出，或者是外部输入；η 为学习率；α为动量率；δ_j为误差项，其取值有两种情况：

A.若j为输出节点，则：

δ_j＝y_j（1 －y_j）（t_j －y_j）

其中，t_j为输出节点 j 的期望值，y_j为该节点的实际输出值；

B.若j为内部隐含节点，则：

土地信息技术的创新与土地科学技术发展：2006年中国土地学会学术年会论文集

其中k为j节点所在层之上各层的全部节点。

（5）在达到预定的误差精度或者循环次数后退出，否则，转（2）。

2.3 基于遗传算法的网络学习算法

遗传算法具有全局寻优、不易陷入局部极小的优点，但局部寻优的能力较差。而BP学习算法却具有局部寻优的优势。因此，如果将两种算法结合起来构成混合训练算法，则可以相互取长补短获得较好的分类效果。主要思路如下：

（1）利用遗传算法确定最优个体

A.把全部权值、阈值作为基因进行实数编码，形成具有M个基因的遗传个体结构，其中M等于所有权值、阈值的个数。

B.设定种群规模N，随机初始化这N个具有M个基因的结构。

C.适应度的计算：分别用训练样本集对N组权值、阈值进行训练，得出各自网络期望输出与网络实际输出的总误差e，适应度f＝1.0－e。

D.进行遗传算子操作，包括选择算子、交叉算子和变异算子，形成新的群体：其中，选择算子采用了轮盘赌的方法，交叉算子采用了两点交叉。

E.反复进行C、D两步，直到满足停止条件为止。停止条件为：超出最大代数、最优个体精度达到了规定的精度。

（2）把经过 GA 优化后的最优个体进行解码操作，形成 BP 神经网络的初始权值和阈值。

（3）采用BP学习算法对网络进行训练，直到满足停止条件。停止条件为：①达到最大迭代次数；②总体误差小于规定的最小误差。

网络训练结束后，把待分数据输入训练好的神经网络，进行分类，就可以得到分类结果影像图。

3 应用实例

实现环境为VC＋ ＋6.0，并基于Mapgis的二次开发平台，因为二次平台提供了一些遥感影像的基本处理函数，如底层的一些读取文件的基本操作。

实验中使用的遥感影像大小为500×500，如图1所示。该影像是一美国城市1985年的遥感影像图。根据同地区的SPOT影像及相关资料，把该区地物类别分为8类，各类所对应的代码为：C1为水体、C2为草地、C3为绿化林、C4为裸地、C5为大型建筑物、C6为军事基地、C7为居民地、C8为其他生活设施（包括街道、道路、码头等）。其中，居民地、军事设施、其他生活设施的光谱特征比较接近。

图1 TM 原始影像 （5，4，3 合成）

在网络训练之前，经过目视解译，并结合一些相关资料，从原始图像上选取了3589个类别已知的样本组成原始样本集。要求原始样本具有典型性、代表性，并能反映实际地物的分布情况。把原始样本集进行预处理，共得到2979个纯净样本。这些预处理后的样本就组成训练样本集。

网络训练时的波段选择为TM1、TM2、TM3、TM4、TM5、TM7 共6个波段。另外，由于所要分类的类别数为8，因此，网络结构为：输入层节点数为6，输出层节点数为8，隐层数为1，隐层的节点数为10，然后用训练样本集对网络进行训练。在训练网络的时候，其训练参数分别为：学习率为0.05，动量率为0.5，最小均方误差为0.1，迭代次数为1000。把训练好的网络对整幅遥感影像进行分类，其分类结果如下面图2所示。

图2 分类结果

为了测试网络的分类精度，在分类完成后，需要进行网络的测试。测试样本的选取仍然采用与选取训练样本集一样的方法在原始影像上进行选取，即结合其他资料，进行目视判读，在原始图像上随机选取类别已知的样本作为测试样本。

利用精度评价模块，把测试样本集与已分类图像进行比较，得到分类误差矩阵以及各种分类精度评价标准，如表1 所示：

表1 分类误差矩阵

总体精度：0.91，Kappa系数：0.90。

从表1 可以看出，采用测试样本集进行测试，大部分地物的分类精度都达到了 0.9以上，只有居民地和其他生活设施的精度没有达到，但也分别达到了0.89 和0.77，总的分类精度为0.91。Kappa系数在遥感影像分类精度评价中应用极为广泛，在本次测试中其值为0.90。从上面的分析可以看出，利用基于遗传算法的BP神经网络进行遥感影像分类，其分类精度较高，取得了令人满意的效果。

4 结论

与传统的基于统计理论的分类方法相比，BP神经网络分类不要求训练样本正态分布，并且具有复杂的非线性映射能力，更适合于日益激增的海量高光谱遥感数据的处理。但BP神经网络也有易陷于局部极小、不易收敛等缺陷。

初始权值和阈值设置不当，是引起网络易陷于局部极小、不易收敛的重要原因。在实验中，利用遗传算法的全局寻优能力来确定BP网络的初始权值和阈值，使得所获取的初始权值和阈值是一组全局近似最优解。然后，利用BP学习算法的局部寻优能力对网络权值和阈值进行精细调整。这样，训练后的稳定网络，不但具有较强的非线性映射能力，而且总可以得到一组均方误差最小的全局最优解。

实验表明，利用上述的基于遗传算法的BP神经网络进行遥感影像分类，只要所选取的训练样本具有代表性，能反映实际地物的分布情况，就能够得到较高的分类精度，具有较强的实际应用价值。

参考文献

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

杨行峻、郑君里.人工神经网络与盲信号处理［M］.北京：清华出版社，2003，23～40

周成虎、骆剑成等.遥感影像地学理解与分析［M］.北京：科学出版社，2001，228～238

王耀男.卫星遥感图像的神经网络自动识别［J］.湖南大学学报，1998，61～66

江东，王建华.人工神经网络在遥感中的应用与发展.国土与资源遥感，1999，13～18

5. 遥感图像处理软件有哪些

常用的遥感图像处理软件有：ERDAS、PCI、ENVI等。各软件的特点如下：

1.ERDAS：ERDAS是一款遥感图像处理系统软件。 它以其先进的图像处理技术，友好、灵活的用户界面和操作方式，面向广阔应用领域的产品模块，

服务于不同层次用户的模型开发工具以及高度的RS/GIS集成功能，为遥感及相关应用领域的用户提供了内容丰富而功能强大的图像处理工具，该软件功能强大，在该行业中占有一定市场份额。

2.PCI：PCI集成到一个具有同一界面、同一使用规则、同一代码库、同一开发环境的一个新产品系列，该产品系列被称之为 PCI GEOMATICA。

对于20多年来一直致力于向地学界提供全方位解决方案的PCI公司来说，始终坚持领先一步的原则，地理咨讯永远在变迁，而地理咨讯软件更处于变迁的前沿。

3.ENVI：ENVI是一个完整的遥感图像处理平台，应用汇集中的软件处理技术覆盖了图像数据的输入/输出、图像定标、图像增强、纠正、正射校正、镶嵌、数据融合以及各种变换、信息提取、图像分类、基于知识的决策树分类、与GIS的整合、DEM及地形信息提取、雷达数据处理、三维立体显示分析。

(5)遥感软件有没有卷积神经网络扩展阅读

遥感图像处理功能

1、遥感图像校正

遥感图像校正是指纠正变形的图像数据或低质量的图像数据，从而更加真实地反映其情景。图像校正主要包括辐射校正与几何校正两种。

2、遥感图像增强

遥感图像增强是通过增加图像中各某些特征在外观上的反差来提高图像的目视解译性能。主要包括对比度变换、空间滤波、彩色变换、图像运算和多光谱变换等。

图像校正是以消除伴随观测而产生的误差与畸变．使遥感观测数据更接近于真实值为主要目的的处理，而图像增强则把重点放在使分析者能从视觉上便于识别图像内容之上。

3、遥感图像镶嵌

遥感图像镶嵌是将两幅或多幅数字图像(它们有可能是在不同的摄影条件下获取的)拼接在一起，构成一幅更大范围的遥感图像。

4、遥感图像融合

遥感图像融合是将多源遥感数据在统一的地理坐标系中采用一定算法生成一组新的信息或合成图像的过程。遥感图像融合将多种遥感平台、多时相遥感数据之问以及遥感数据与非遥感数据之间的信息进行组合匹配、信息补充，融合后的数据更有利于综合分析。

5、遥感图像自动判读

遥感图像自动判读是根据遥感图像数据特征的差异和变化，通过计算机处理，自动输出地物目标的识别分类结果。它是计算机模式识另Ⅱ技术在遥感领域的具体应用，可提高从遥感数据中提取信息的速度与客观性。自动判读的方法主要包括监督分类法和非监督分类法。

6. 有哪位大神知道深度学习在遥感影像处理领域的运用嘛

CNN卷积神经网络就可以用于信息提取，在eCognition9.3版本中就有这个功能

7. 前馈神经网络、BP神经网络、卷积神经网络的区别与联系

一、计算方法不同

1、前馈神经网络：一种最简单的神经网络，各神经元分层排列。每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层．各层间没有反馈。

2、BP神经网络：是一种按照误差逆向传播算法训练的多层前馈神经网络。

3、卷积神经网络：包含卷积计算且具有深度结构的前馈神经网络。

二、用途不同

1、前馈神经网络：主要应用包括感知器网络、BP网络和RBF网络。

2、BP神经网络：

（1）函数逼近：用输入向量和相应的输出向量训练一个网络逼近一个函数；

（2）模式识别：用一个待定的输出向量将它与输入向量联系起来；

（3）分类：把输入向量所定义的合适方式进行分类；

（4）数据压缩：减少输出向量维数以便于传输或存储。

3、卷积神经网络：可应用于图像识别、物体识别等计算机视觉、自然语言处理、物理学和遥感科学等领域。

联系：

BP神经网络和卷积神经网络都属于前馈神经网络，三者都属于人工神经网络。因此，三者原理和结构相同。

三、作用不同

1、前馈神经网络：结构简单，应用广泛，能够以任意精度逼近任意连续函数及平方可积函数．而且可以精确实现任意有限训练样本集。

2、BP神经网络：具有很强的非线性映射能力和柔性的网络结构。网络的中间层数、各层的神经元个数可根据具体情况任意设定，并且随着结构的差异其性能也有所不同。

3、卷积神经网络：具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。

(7)遥感软件有没有卷积神经网络扩展阅读：

1、BP神经网络优劣势

BP神经网络无论在网络理论还是在性能方面已比较成熟。其突出优点就是具有很强的非线性映射能力和柔性的网络结构。网络的中间层数、各层的神经元个数可根据具体情况任意设定，并且随着结构的差异其性能也有所不同。但是BP神经网络也存在以下的一些主要缺陷。

①学习速度慢，即使是一个简单的问题，一般也需要几百次甚至上千次的学习才能收敛。

②容易陷入局部极小值。

③网络层数、神经元个数的选择没有相应的理论指导。

④网络推广能力有限。

2、人工神经网络的特点和优越性，主要表现在以下三个方面

①具有自学习功能。例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能对于预测有特别重要的意义。预期未来的人工神经网络计算机将为人类提供经济预测、效益预测，其应用前途是很远大的。

②具有联想存储功能。用人工神经网络的反馈网络就可以实现这种联想。

③具有高速寻找优化解的能力。寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个针对某问题而设计的反馈型人工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。

8. 遥感卷积运算

这样,先将左上角3*3与卷积核运算,得到一个结果,这里结果是0,然后右移,即计算第二列到第4列,结果是0,继续右移,卷积计算是相乘后相加,3*3与3*3卷积后的结果是1个数.
明白了吗?