遥感图像分类：从目视解译到计算机自动分类

"这篇硕士学位论文探讨了基于神经网络的遥感影像识别技术，重点在于如何利用神经网络进行遥感图像的自动分类。作者刘宣江在导师陆传赉的指导下，研究了BP神经网络、Kohonen自组织特征映射网络（SOFM）、模糊Kohonen聚类网络（FKCN）以及一种改进的自适应FKCN网络（AFKCN），并将这些方法应用于ERDAS遥感专业软件中进行实验。" 遥感图像分类是遥感技术的核心组成部分，它涉及对地表物体的识别和区分。传统的分类方法如目视解译依赖于专家的经验和知识，虽然能充分利用空间和语义信息，但效率较低且易受主观因素影响。随着计算机技术的进步，计算机自动分类逐渐成为主流，它基于地物的光谱特征，通过特征参数选择和算法将图像分割成不同类别。 计算机自动分类的基本原理是分析地物的光谱特性，通常体现在多光谱图像的亮度差异上。分类过程包括特征选择、特征空间划分和像元分配。遥感图像的计算机分类常用方法包括监督分类和非监督分类。监督分类需要已知的训练样本，通过算法如BP神经网络，将新样本归类到已知类别中。非监督分类如Kohonen自组织映射网络则不依赖先验知识，自动生成类别。 BP神经网络是一种反向传播算法，能通过调整权重进行学习和优化，适用于遥感影像的二次分类。在实际应用中，可以先使用非监督方法如SOFM初步划分图像，然后用BP网络进行精细化分类。模糊Kohonen聚类网络结合了模糊理论，增强了分类的鲁棒性和准确性，尤其适合处理光谱混合和边界模糊的情况。 模糊模式识别技术引入遥感图像分类，可以处理光谱不确定性，提高分类的精确度。模糊C均值算法（FCM）是模糊聚类的一种，它考虑了像素所属类别的模糊程度，适应遥感图像中地物边界模糊的特点。而AFKCN是对FKCN的改进，增加了自适应性，能更好地适应遥感数据的复杂性。 神经网络技术在遥感图像分类中展现出强大的潜力，能够处理复杂的数据并适应不确定性的环境。随着技术的不断发展，这些方法将进一步提升遥感信息提取的效率和精度，服务于各种应用，如区域规划、农业监测和灾害评估等。