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

为了验证该方法分类的有效性，采用最大似然法对影像进行分类，与其比较。利用上述1000个样本点，得到的分类精度（表2），该方法所获得的总精度为81.50%。

表2 最大似然法分类的误差矩阵

Table 2 Error Matrix of Maximum Likelihood classifier

居民及建设用地耕地水体植被未利用地

100 1 2 0

8 463 耕地

水体

植被

未利用地

总和

总和 居民及建设用地 1 104 16 23 4 514 5 254 26 1000 0 0 1090 0 109 13 29 0 2072 123 4931272310 0 1 16 19 总体精度=81.50% Kappa系数=0.76

从精度评定的结果可以看出，居民及建设用地存在比较多的漏提，主要是将其分类为耕地和草地，其主要原因还是混合像元的问题，主要是城市的绿地与城市居民地，道路两边的行道树与道路，乡村零散的居民地与耕地存在较多的混合像元。还有部分是由于高层建筑的阴影导致将其分为水体。未利用地与植被和耕地的混分主要是因为裸地多少带点植被信息。有些水田里带有少量的植被，而有些水体里也长有一些水生植被，导致了水体的漏分，将其分类到了耕地类别之中。有些类别的分类精度的不高，还有一部分因素是因为精度评定的参考资料的缺少，完全靠对原始影像的目视判别，而有些像元通过目视判别是很难将其归类的。

5. 结果讨论

本次采用神经网络分类的效果，从总体上来说要比最大似然法分类效果好，而且在分类速度上也加快很多，它比传统分类方法有所改进。因为神经网络分类并不是基于某个假定的概率分布，而是通过对训练样本的学习，获得网络的权值，形成分类器。采用神经网络算法进行遥感影像分类,可以在一定程度上消除传统的遥感影像分类所带来的模糊性和不确定性。同时从分类所需的时间上来讲,已经过训练的神经网络所具有的速度不会低于传统的遥感影像分类方法,如果隐节点的数目选择合适,神经网络模型的建立合理,速度还会超过传统的遥感影像分类方法。

然而,采用神经网络模型仍存在许多有待解决的问题，如在训练完毕进行分类的过程中,对于每个像素,是根据网络计算出在每一类中的概率,并取其中概率最大值所属的类别作为该像素的类别。而这种方式的准确性不一定高,因此在像素类别判断时,可以引入相邻像元的性质,也可以叠加同一地区的矢量图形,通过矢量图形提供的信息进行进一步的判断等，这些都是有待进一步解决的问题。