一种新的ART网络遥感影像分类方法

本文提出了一种基于模糊算子的ART2A-C 遥感影像分类算法。算法结合原有几种高性
能的ART 网络对传统ART2A-C 网络做了改进。论文分别利用现有网络和改进算法对遥感影像作了聚类，实验结果表明新算法的分类性能明显优于原算法。
关键词:ART 神经网络;遥感影像和航空图像聚类;模糊交
遥感影像的自动分类是遥感图像处理领域中的一个重要内容，并已广泛用于军事和民用方面。遥感技术的根本目的在于获取目标地物的信息，其中首先要对地物类型进行识别，这就要求先对遥感影像进行分类。遥感影像复杂、携带的信息量大，且由于成像环境和角度的不同较普通图像专业，人们难以对其进行精确辨认。通常，在遥感影像经过针对图像模糊，辐射量失真辐射校正和几何校正等预处理后识别者仍然很难明确影像图中单个像素的确切类别，而且识别结果完全出于个人的视觉感官和主观理解与联想，带有很大的主观性。因此用于目标获取前期处理的遥感影像分类，应该尽量使用图像的客观信息先对影像中的不同个体进行自动聚类，然后再根据聚类结果对各区域利用主观信息将不同的类别于各种类型的地物相关联。
人工神经网络在模式识别领域有着广泛的应用，近年来也被大量应用于遥感影像分类。神经网络是一种非参数分类器，它有着良好的大规模并行处理和很强的自适应、自学习能力，并且不需要数据的先验概率分布知识，因此在与统计方法的比较中，神经网络方法体现出了巨大的优越性。自组织竞争神经网络采用无教师学习方式、是在学习和工作过程中竞争学习的一种神经网络，美国科学家G. A. Carpenter 和S. Grossberg 提出的ART 网络是一种向量模式的识别器，它根据存储的模式对输入向量进行分类，不需要预先已知结果的样本，能够进行实时学习并适应非平稳的环境。ART 作为一种摹仿人脑认知过程的自组织聚类算法，在解决近代日益复杂的大量数据聚类和分类时，具有独特优点，它能对输入信号向量进行模式分类、聚类，在人工智能、系统识别和故障诊断、数据压缩编码等许多领域有实用价值。
本文采用用于连续值向量的ART2的完善模型之ART2A-E对遥感图像和航空图像进行聚类，并将原有的ART2A-C 模型和模糊ART 结合得到一种基于模糊算子的ART2A-C 网络使聚类效果得到了改善。