遥感图像分类研究：神经网络方法与精度对比

"该资源是一篇关于基于人工神经网络的遥感图像分类研究的硕士论文，作者为周勤，指导教师为徐天蜀，发表于2008年。论文探讨了如何运用神经网络技术解决遥感图像多类别识别的精度问题，特别是在高黎贡山南段的IRS.P6图像分类中的应用。" 在遥感图像分类中，神经网络技术起着关键作用，因为它具备学习能力和容错特性，无需预先设定概率模型。论文选择了MATLAB 7.0作为开发平台，对比了不同结构的神经网络，包括三层BP神经网络、四层BP神经网络和径向基函数（RBF）神经网络，用于对IRS.P6图像进行分类。同时，论文还涉及了传统模式识别方法的最大似然法，并进行了精度比较。 研究过程首先涉及到地理信息的提取，如制作数字高程模型（DEM）、坡度图和坡向图，以获取海拔、坡度和坡向等环境因素。遥感图像通过K-L变换和归一化植被指数（NDVI）处理，增强了图像的特征。在制定适合研究区的植被分类系统后，依据2006年的IRS.P6图像和实地调查数据，提取了训练样本，确保了样本的可分离性。 在分类研究中，选取了最具信息量的三个主成分分量，结合NDVI和地理因子，运用神经网络进行自动分类。实验结果通过误差矩阵和Kappa系数进行了评估，显示了三层BP神经网络、四层BP神经网络和RBF神经网络分类器的性能，同时也展示了最大似然法的分类效果。 这篇论文的贡献在于它深入探讨了神经网络在遥感图像分类中的应用，尤其是在复杂地形条件下的表现，为遥感图像处理和分类提供了新的思路和方法。通过对比不同神经网络模型和传统方法，有助于进一步优化遥感图像的分析和解释，提升分类的准确性和可靠性。