一种遥感图像的分类方法

摘要

本发明提供了遥感图像的分类方法，首先获取遥感图像中地物的样本，然后构建用于地物分类的半监督神经网络模型，最后基于半监督神经网络进行地物分类。本发明在半监督神经网络中引入结构性误差代替经验误差，有效地避免了当目标函数局部取得局部极小值带来的分类错误；并在极值求解过程中引入了用于求解非线性优化的拟牛顿极值求解算法，从而有效地提高了地物分类精度，为后续进一步进行环境检测、地形测绘等应用提供有益保障。

主权项

一种遥感图像的分类方法，其特征在于包括下述步骤：（a）从遥感图像中提取各个像素的灰度特征，根据不同地物具有不同灰度值的特性，对遥感图像中已知地物类别的部分进行标记，从而获得标记样本；未知类别部分则作为无标记样本；将标记样本与无标记样本集合，即得到了用于进行分类的样本数据；（b）构建用于地物分类的半监督神经网络模型，该神经网络模型为一个三层感知神经网络，其中输入层包括1个神经元，隐层包括三个神经元，输出层包括4个神经元；在该神经网络中，将SVM中的结构性误差引入代替感知神经网络的经验误差，以此作为新的正则化目标函数，从而得到了基于结构误差的新的半监督神经网络模型；（c）采用拟牛顿进行求解半监督神经网络，进行地物分类。