遥感图像分类：神经网络与模糊技术的应用

"这篇硕士学位论文探讨了遥感图像分类中的问题和解决方案，特别是利用神经网络技术提高分类精度。作者刘宣江在应用数学专业指导下，研究了BP神经网络、Kohonen自组织特征映射网络(SOM)、模糊Kohonen聚类网络(FKCN)以及改进的自适应FKCN(AFKCN)在网络分类中的应用，并结合ERDAS软件进行了实践操作。" 遥感图像分类是遥感技术的核心任务之一，旨在通过分析图像中的特征点分布，确定地物类别。然而，由于图像的重叠部分和特征点的复杂性，分类过程中常会出现误差。为了解决这个问题，研究者们转向了概率密度函数和统计描述，以更准确地表征特征点集群的分布。 神经网络技术在遥感图像识别中扮演了重要角色，尤其是BP神经网络，它能通过学习和调整权重来优化分类结果。论文中，作者使用ERDAS软件先对渤海湾地区的1M遥感影像进行非监督分类，然后利用BP神经网络进行二次分类，以提高分类精度。 此外，论文还引入了模糊Kohonen聚类网络，这是将模糊理论与Kohonen自组织映射网络相结合的方法，增强了网络对不确定性信息的处理能力。模糊C均值算法的融合使得分类更加适应遥感图像的模糊特性，提高了分类的鲁棒性和准确性。 通过对比传统监督和非监督分类方法，论文揭示了这些统计模式识别方法的局限性，并探讨了如何利用模糊模式识别技术来改善遥感图像分类。模糊逻辑允许处理边界模糊和不确定性的地物类别，使分类更加符合实际场景。 这篇论文深入研究了遥感图像分类的挑战和神经网络技术的潜力，提出了一套结合多种神经网络模型和模糊理论的综合分类策略。这些方法对于提升遥感图像处理的自动化水平和分类准确性具有重要意义，有助于推动遥感技术在地理信息系统(GIS)、地形测绘和专题图制作等领域的应用。