基于BP神经网络的遥感影像分类(4)

传统统计模式识别方法进行遥感影像分类时要求数据服从正态分布,并且存在分类精度低的缺点。通过分析BP网的分类原理与学习算法,选择最能反映研究区土地利用信息的光谱数据,进行BP网的训练分类。将分类结果与采用最大似然法所得的结果综合比较,结果表明,该方法优于最大似然

实验区LandsatTM影像,图4为该方法的分类结果。

图3 实验区TM影像

Fig.3 RS image of the expremental area

图4 BP神经网络的分类结果

Fig.4 Classification of BPNN

4. 分类精度分析

为检验图像分类的精度，采用的是在原始图像上随机采点的方法，采用的采点方式是采点数与分类类别涉及的像元数成比例的方式，随机采了1000个点作精度评价，获得测试样本的误差矩阵（表1）。结果表明该方法获得的总精度为89.30％。

表1 基于BP神经网络分类的误差矩阵

Table 1 Error matrix of BPNN classification

居民及建设用地耕地 水体植被未利用地

居民及建设用地

耕地

水体

植被

未利用地

总和 总和 148 0 0 1 0 149 14 397 8 20 2 441 3 0 123 0 0 126 13 41 3 218 0 275 1 0 0 1 7 9 179 438 134 240 9 1000

总体精度= 89.30% Kappa系数

=0.85

搜索“diyifanwen.net”或“第一范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，第一范文网，提供最新经管营销基于BP神经网络的遥感影像分类(4)全文阅读和word下载服务。