基于图神经网络的图像分类,遥感图像分析

遥感图像分类法

图像分类是与图像信息提取和增强不同的遥感图像处理中另一重要的方面，与图像增强后仍需人为解译不同，它企图用计算机做出定量的决定来代替人为视觉判译步骤。因此，分类处理后输出的是一幅专题图像。

在此图像中，原来图像中的每一个象元依据不同的统计决定准则被划归为不同的地表覆盖类，由于是一种统计决定，必然伴随着某种错误的概率。

因此，在逻辑上的合理要求是，对每一个象元所做的决定，应是使整个被分类面积即对大量单个象元的分类的某个错误判据为最小。

以下是几种常用的遥感图像分类方法：1.最大似然分类（maximumlikelihoodclassification）最大似然分类是一种基于贝叶斯判别准则的非线性监督分类方法，需要知道已知的或确定的训练样区典型标准的先验概率P（wi）和条件概率密度函数P（wi，x）。

P（wi）通常根据各种先验知识给出或假定它们相等：P（wix）则是首先确定其分布形式，然后利用训练样本估计其参数。一般假设为正态分布，或通过数学方法化为正态分布。

其判别函数集为：Di（x）=P（wix），i=1，2，…，m（2-2）如果Di（x）≥Dj（x），则x属于wi类。其中，j≠i，j=1，2，…，m。m为类别数。

从上述最大似然分类的说明看，其关键就在于已知类别的定义，先验概率的确定，参与分类的变量的好坏和结果误差评价。

直到现在，最大似然分类至少还有两个缺点：一是事先大量人力已知光谱类的选择和定义：二是需要长时间的计算机分类计算时间。

实际上这也使得最大似然分类法遥感应用受到了限制，因此许多人专门研究改进算法以便解决和缩减图像分类的时间，提高分类的精度。

Solst和Lillesand（1991）为了解决已知类别定义消耗大量人力的缺点，发展了半自动训练法进行已知光谱类的定义。

FabioMaselli等（1992）利用Skidmore和Tumer提出的非参数分类器计算出各已知类训练集的先验概率，然后将它们插入常规的最大似然分类过程中进行分类。

该方法融合了非参数和参数分类过程的优点，提高了分类的精度。

通常情况下，地形会影响到训练集数据，这样训练集光谱数据就偏离了最大似然分类的假设条件正态分布，从而常规的最大似然分类法在地形起伏较大的地区效果并不太好。

为了解决这一问题，C.Conese和G.Maracchi和F.Maselli（1993）提出了一种改进的最大似然分类算法，即去掉每一类数据集中与第一主成分相关的信息（地形信息）然后再进行分类。

通过试验，这种方法是有效的，分类精度得到了提高。K.Arai（1993）用光谱和空间信息进行分类改进了最大似然分类方法。该方法简单易行，大大提高了正确分类的概率。

C.Conese和FabioMaselli（1992）用误差矩阵提高最大似然分类面积估计的精度。IrinaKerl（1996）加最大似然分类精度的一种方法，即多概率比较法。

他对同一遥感数据的原始波段、主成分和植被指数的22种组合进行了最大似然分类，发现没有一种波段组合的分类能给出图像中所有土地利用类型的精确分类，每一波段组合仅对图像中的一两类土地利用类型分类有效。

因此他提出将能有效区分出所要决定的土地利用类型的几个波段组合的分类结果进行组合来进行图像分类，并称这种方法为多概率比较法，这种方法的基础就是图像数据不同波段组合的分类结果之间分类概率大小的比较。

应用这种方法提高了分类的精度。

2.最小距离分类（minimumdistanceclassification）最小距离分类是一种线性判别监督分类方法，也需要对训练区模式样本进行统计分析，是大似然分类法中的一种极为重要的特殊情况。

最小距离分类在算法上比较简单，首先需选出要区分类别的训练样区，并且从图像数据中求出各类训练样区各个波段的均值和标准差，然后再计算图像中其他各个象元的灰度值向量到各已知类训练样区均值向量之间的距离。

如果距离小于指定的阈值（一般取标准差的倍数），且与某一类的距离最近，就将该象元划归为某类。因此称为最小距离分类。该方法的精度主要取决于已知类训练样区的多少和样本区的统计精度。

另外，距离度量的方法不同，分类的结果也不相同，常见的有：（1）明氏距离（minkowskidistance）中亚地区高光谱遥感地物蚀变信息识别与提取当q=2时，即为欧氏距离，而当q趋于无穷时，得到切比雪夫距离。

明氏距离，特别是其中的欧氏距离，在实际中用得较多，但它存在着两方面的缺点：一是它与各指标的量纲有关；为克服这一缺点，常常采用先将数据规格化的方法。二是它没有考虑变量之间的相关性。

一种改进的距离就是马氏距离。（2）马氏距离（mahalanobisdistance）中亚地区高光谱遥感地物蚀变信息识别与提取当中各特征间完全不相关，这时的马氏距离即为欧氏距离。

总之，最小距离分类是一个能在程序上经济有效实现的简单方法，与最大似然方法不同，它在理论上并不使平均分类错误为最小，所得到的精度与最大似然分类法可相比拟，而计算时间却只有后者的一半。

3.平行管道分类（parallelepipedclassification）平行管道分类是一种最简单的分类方法，是通过研究训练样区数据的各个光谱成分的直方图来进行分类的图像直方图中灰度值的上下限描述了图像中每个波段中类别的灰度值范围。

某一光谱类在所有波段的灰度值范围定义了一个多维的平行管道。通过分类计算，图像中的未知象元被划分到属于已知一光谱类的平行管道内，因此称该方法为平行管道分类。

这种方法简单易行，但也有几个缺点：①各已知光谱类的平行管道之间必定具有一定的间隔，如果图像中的象元落在这些间隔内，则这些象元不被分类。

②对于图像中相关性强的光谱类，它们所定义的平行管道之间必定具有某些重叠，结果落在重叠区的这些象元不能被很好地分离。③没有考虑已知光谱类的先验概率。

④根据直方图定义的已知光谱类的平行管道仅仅是通常用来定义光谱类特征的椭圆平面的粗略表示。T.W.Kellenberger和（1996）提出改进方法。

改进过的平行管道方法基于每个图像波段内两类之间累积百分比直方图的最大差值自动分离已知目标类，这种分离值和图像波段都是自动选择的。

他利用改进过的平行管道分类对TM遥感数据进行了森林覆盖分类，结果取得了较好的效果，提高了分类的精度。

4.模糊分类（fuzzyclassification）模糊理论（fuzzytheory）是处理模糊性的理论的总称，它是以1965年由Zadeh提出的模糊集合论为基础的。

模糊分类即是建立在模糊理论之上的分类方法。

在常规遥感图像分类中，图像中的每个象元都被划归为某一种地物类型，象元和类别之间一一对应，并没有考虑遥感图像中实际存在的混合象元问题，即某一象元中同时存在有几种地物类型，所以这种分类方法的结果必然存在有误差，这也是常规遥感图像分类方法的局限性。

模糊分类法正好克服了这一不足，它利用象元隶属度表示象元的归属问题。

当一象元对某一类地物的隶属度为0时，表示该象元不属于该类；当一象元对某一类地物的隶属度为1时，表示该象元属于该类；当一象元对某一类地物的隶属度为0和1之间的数时，表示该象元以该隶属度属于该类，也即表明该象元为混合象元。

模糊分类的方法有很多，大多是常规分类方法的扩展。

F.Wang（1990）详细讨论了遥感图像模糊监督分类的意义，他认为模糊监督分类与常规分类方法相比，在3个方面有所改进：①用模糊集合表示地学信息更合理；②光谱空间的模糊划分；③分类参数的模糊估计。

PaoloGamba等（1996）利用完全模糊分类链对多光谱遥感图像进行了分类，他们不仅考虑了图像中象元的光谱特征，而且还考虑了图像中邻近象元之间空间上的相互关系，结果图像的分类精度得到了提高。

5.神经元网络分类（neuralnetworkclassification）神经元网络的结构包含一个输入层、一个输出层以及一个或多个隐层。

输入层结点数与参加分类的特征数相同，输出层结点数与最终类别数相同，而中间隐含层结点数则由实验来确定。

神经元网络分类主要就是网络的训练迭代，要达到一定的精度，往往需要很多次的迭代，这是非常费时的，然而网络训练一经完成，则可较快地应用于分类识别。

F.Amar等（1995）基于分类误差百分比和用户CPU时间比较了4种神经元网络的遥感应用，他发现后向传播神经元网络算法（back-propagationneuralnetworkalgorithm）需要最多的迭代次数，是其中最慢获得88%分类精度的算法。

动态学习神经元网络算法（dynamic-learningneuralnetworkalgorithm）只需迭代两次，占用591s的CPU时间就可获得85%的分类精度，达到86%的分类精度需要迭代5次，占用CPU时间1613.7s；功能连接神经元网络算（functionallinkneuralnetworkalgorithm）分类精度比快速学习神经元网络算（fast-learningneuralnetworkalgorithm）算法低，但占用了较少的CPU时间；快速学习神经元网络算法提供了最高的分类精度，但两次迭代运算后比功能连接神经元网络算法和动态学习神经元网络算法需要更长的CPU时间。

另外，许多研究者利用神经元网络算法对遥感图像数据进行了分类（Mcclellanetal.，1989；Benediktssonetal.，1990；Kanellopoulosetal.，1991；HeermannandKhazenie，1992；Bischofetal.，1992），这些研究表明神经元网络分类能够给出好的分类结果，该结果与常规最大似然分类算法取得的分类精度大致相当，如神经元网络分类算法应用恰当，则分类精度更高。

K.Sanjo（1996）研究了神经元网络技术的遥感图像分类，发现监督分类中训练样本数据的排列影响着分类的精度，因此必须注意由于简单地神经元网络算法学习阶段训练样本数据的重新排列所造成的分类结果的改变。

另外，他还研究了混合象元问题，结果表明通过学习混合数据，神经元网络算法能有效地减少分类的误差。

6.N维概率密度函数（N-dimensionalprobabilitydensityfunctions）HalukCetin和DonaldW.Levandowski（1991）利用N维概率密度函数对多维遥感数据进行了分类和填图。

N维概率密度函数是一种用来显示、分析和分类数据的算法，源于常称的频率透视图，但又克服了早先方法的内在限制。

利用N维概率密度函数算法进行的交互式分类过程是一种新的多维数据的分类方法，它提供了遥感数据分布的清晰透视和监督分类中被选择的训练区分布的清晰透视。

经过多维数据和训练区分布的N维概率密度函数的制图后，N维概率密度函数空间根据训练区数据的分布被划分，然后将N维概率密度函数的这种划分当作查询表（look-uptable）分类遥感图像数据。

对非监督分类，N维概率密度函数图可以提供数据分布的一种有价值的代表，数据分布可直接用来选择类别数和数据初始聚类时类均值的位置。

与传统的统计分类方法，例如最大似然分类和最小距离分类，需要大量计算机内存、计算缓慢、对显示重叠类能力有限相比，N维概率密度函数分类速度极快，可利用无限制的波段数，图形地显示数据和类别的分布。

HalukCetin和TimothyA.Warner和DonaldW.Levandowski（1993）利用N维概率密度函数对TM等多种遥感数据源数据进行了分类、可视化和增强，结果取得了良好的效果，取得了比传统分类方法较高的分类精度。

7.其他分类方法N.B.Venkateswarlu和（1993）提出了一种新的遥感图像快速分类器该分类器是一种非参数分类器，叫做整体平均分类（ensemble-averageclassifier），利用了最小距离的概念，算法步骤如下：①计算每一组的整体平均值（一般为均值）Mi，i=1，2，...，C②如果满足下列两式，那么任一随机象元X将被划归wi组。

XT（Mi-Mj）＜Tij，j≠I（2-5）中亚地区高光谱遥感地物蚀变信息识别与提取式中Tij=-Tij。③经过①②步后，随机象元X被划归为正确的类。

另外，通过对参与计算变量的排序和部分一总和逻辑的考虑，可大大降低该算法计算的时间。

与最小距离（欧氏距离）和最大似然分类器相比，整体平均分类器所用时间最少，分类精度与最小距离大致相同，对像农田面积和森林这样的名义类型的分类十分有效。

HalukCetin（1996）提出了一种分类方法：类间距离频率分布法（interclassdistancefrequencydis-tribution），这是多光谱数据非参数分类方法的一种。

类间距离频率分布过程简单，是一种有力的可视化技术，它图形地显示多光谱数据和类分布。首先选择感兴趣的类，这些类的统计信息从典型的训练样区可获得。

利用类的平均测量矢量计算多光谱数据中每个象元的距离，并存放在一个两维数据分布数组中。选择其他类的训练区，训练区数据的分布通过距离计算可获得。

通过可视化地检查结果，建立分类查询表（look-uptable），然后利用分类查询表进行多光谱图像数据的分类，具体细节请参见原文。

H.N.SrikantaPrakash等（1996）改进了遥感数据凝聚聚类分析，这是一种基于相互近邻概念，用来进行多光谱数据分类的非参数、层次、凝聚聚类分析算法。

该方法定义了围绕象元的感兴趣区域（areaofinterestaroundeachpixel），然后在它内部寻找分类时初始合并操作需要的k最近邻，将象元的特征值、波段值和象元的相对位置值一起考虑，提出了改进的距离量度，这样，大大减少了计算的时间和内存的需求，降低了分类的误差概率。

StevenE.Franklin和BradleyA.Wilson（1992）设计了3阶段分类器进行遥感图像的分类，它由一个基于四叉树的分割算子、一个高斯最小距离均值测试和一个包括辅助地理网数据和光谱曲线测量的最终测试构成。

与最大似然分类技术相比，3阶段分类器的总体分类精度得到了提高，减少计算时间，另外仅需最少的训练样区数据（它们在复杂地形区很难获得）。

谷歌人工智能写作项目：神经网络伪原创

基于神经网络的遥感图像分类的算法如何用ERDAS来实现？~~ 20

各种遥感数据分类方法比较

常用的遥感数据的专题分类方法有多种，从分类判别决策方法的角度可以分为统计分类器、神经网络分类器、专家系统分类器等；从是否需要训练数据方面，又可以分为监督分类器和非监督分类器。

一、统计分类方法统计分类方法分为非监督分类方法和监督分类方法。

非监督分类方法不需要通过选取已知类别的像元进行分类器训练，而监督分类方法则需要选取一定数量的已知类别的像元对分类器进行训练，以估计分类器中的参数。

非监督分类方法不需要任何先验知识，也不会因训练样本选取而引入认为误差，但非监督分类得到的自然类别常常和研究感兴趣的类别不匹配。

相应地，监督分类一般需要预先定义分类类别，训练数据的选取可能会缺少代表性，但也可能在训练过程中发现严重的分类错误。1.非监督分类器非监督分类方法一般为聚类算法。

最常用的聚类非监督分类方法是K-均值（K-MeansAlgorithm）聚类方法（DudaandHart，1973）和迭代自组织数据分析算法（ISODATA）。

其算法描述可见于一般的统计模式识别文献中。一般通过简单的聚类方法得到的分类结果精度较低，因此很少单独使用聚类方法进行遥感数据专题分类。

但是，通过对遥感数据进行聚类分析，可以初步了解各类别的分布，获取最大似然监督分类中各类别的先验概率。

聚类分析最终的类别的均值矢量和协方差矩阵可以用于最大似然分类过程（Schowengerdt，1997）。2.监督分类器监督分类器是遥感数据专题分类中最常用的一种分类器。

和非监督分类器相比，监督分类器需要选取一定数量的训练数据对分类器进行训练，估计分类器中的关键参数，然后用训练后的分类器将像元划分到各类别。

监督分类过程一般包括定义分类类别、选择训练数据、训练分类器和最终像元分类四个步骤（Richards，1997）。每一步都对最终分类的不确定性有显著影响。监督分类器又分为参数分类器和非参数分类器两种。

参数分类器要求待分类数据满足一定的概率分布，而非参数分类器对数据的概率分布没有要求。

遥感数据分类中常用的分类器有最大似然分类器、最小距离分类器、马氏距离分类器、K-最近邻分类器（K-Nearestneighborhoodclassifier，K-NN）以及平行六面体分类器（parallelepipedclassifier）。

最大似然、最小距离和马氏距离分类器在第三章已经详细介绍。这里简要介绍K-NN分类器和平行六面体分类器。K-NN分类器是一种非参数分类器。

该分类器的决策规则是：将像元划分到在特征空间中与其特征矢量最近的训练数据特征矢量所代表的类别（Schowengerdt，1997）。

当分类器中K=1时，称为1-NN分类器，这时以离待分类像元最近的训练数据的类别作为该像元的类别；当K＞1时，以待分类像元的K个最近的训练数据中像元数量最多的类别作为该像元的类别，也可以计算待分类像元与其K个近邻像元特征矢量的欧氏距离的倒数作为权重，以权重值最大的训练数据的类别作为待分类像元的类别。

Hardin，（1994）对K-NN分类器进行了深入的讨论。平行六面体分类方法是一个简单的非参数分类算法。该方法通过计算训练数据各波段直方图的上限和下限确定各类别像元亮度值的范围。

对每一类别来说，其每个波段的上下限一起就形成了一个多维的盒子（box）或平行六面体（parallelepiped）。因此M个类别就有M个平行六面体。

当待分类像元的亮度值落在某一类别的平行六面体内时，该像元就被划分为该平行六面体代表的类别。平行六面体分类器可以用图5-1中两波段的遥感数据分类问题来表示。

图中的椭圆表示从训练数据估计的各类别亮度值分布，矩形表示各类别的亮度值范围。像元的亮度落在哪个类别的亮度范围内，就被划分为哪个类别。

图5-1平行六面体分类方法示意图3.统计分类器的评价各种统计分类器在遥感数据分类中的表现各不相同，这既与分类算法有关，又与数据的统计分布特征、训练样本的选取等因素有关。

非监督聚类算法对分类数据的统计特征没有要求，但由于非监督分类方法没有考虑任何先验知识，一般分类精度比较低。

更多情况下，聚类分析被作为非监督分类前的一个探索性分析，用于了解分类数据中各类别的分布和统计特征，为监督分类中类别定义、训练数据的选取以及最终的分类过程提供先验知识。

在实际应用中，一般用监督分类方法进行遥感数据分类。最大似然分类方法是遥感数据分类中最常用的分类方法。最大似然分类属于参数分类方法。

在有足够多的训练样本、一定的类别先验概率分布的知识，且数据接近正态分布的条件下，最大似然分类被认为是分类精度最高的分类方法。但是当训练数据较少时，均值和协方差参数估计的偏差会严重影响分类精度。

SwainandDavis（1978）认为，在N维光谱空间的最大似然分类中，每一类别的训练数据样本至少应该达到10×N个，在可能的条件下，最好能达到100×N以上。

而且，在许多情况下，遥感数据的统计分布不满足正态分布的假设，也难以确定各类别的先验概率。最小距离分类器可以认为是在不考虑协方差矩阵时的最大似然分类方法。

当训练样本较少时，对均值的估计精度一般要高于对协方差矩阵的估计。因此，在有限的训练样本条件下，可以只估计训练样本的均值而不计算协方差矩阵。这样最大似然算法就退化为最小距离算法。

由于没有考虑数据的协方差，类别的概率分布是对称的，而且各类别的光谱特征分布的方差被认为是相等的。很显然，当有足够训练样本保证协方差矩阵的精确估计时，最大似然分类结果精度要高于最小距离精度。

然而，在训练数据较少时，最小距离分类精度可能比最大似然分类精度高（Richards，1993）。而且最小距离算法对数据概率分布特征没有要求。

马氏距离分类器可以认为是在各类别的协方差矩阵相等时的最大似然分类。

由于假定各类别的协方差矩阵相等，和最大似然方法相比，它丢失了各类别之间协方差矩阵的差异的信息，但和最小距离法相比较，它通过协方差矩阵保持了一定的方向灵敏性（Richards，1993）。

因此，马氏距离分类器可以认为是介于最大似然和最小距离分类器之间的一种分类器。与最大似然分类一样，马氏距离分类器要求数据服从正态分布。

K-NN分类器的一个主要问题是需要很大的训练数据集以保证分类算法收敛（DevijverandKittler，1982）。

K-NN分类器的另一个问题是，训练样本选取的误差对分类结果有很大的影响（CortijoandBlanca，1997）。同时，K-NN分类器的计算复杂性随着最近邻范围的扩大而增加。

但由于K-NN分类器考虑了像元邻域上的空间关系，和其他光谱分类器相比，分类结果中“椒盐现象”较少。平行六面体分类方法的优点在于简单，运算速度快，且不依赖于任何概率分布要求。

它的缺陷在于：首先，落在所有类别亮度值范围之外的像元只能被分类为未知类别；其次，落在各类别亮度范围重叠区域内的像元难以区分其类别（如图5-1所示）。各种统计分类方法的特点可以总结为表5-1。

二、神经网络分类器神经网络用于遥感数据分类的最大优势在于它平等地对待多源输入数据的能力，即使这些输入数据具有完全不同的统计分布，但是由于神经网络内部各层大量的神经元之间连接的权重是不透明的，因此用户难以控制（Austin，HardingandKanellopoulosetal.，1997）。

神经网络遥感数据分类被认为是遥感数据分类的热点研究领域之一（Wilkinson，1996；Kimes，1998）。神经网络分类器也可分为监督分类器和非监督分类器两种。

由于神经网络分类器对分类数据的统计分布没有任何要求，因此神经网络分类器属于非参数分类器。遥感数据分类中最常用的神经网络是多层感知器模型（multi-layerpercep-tron，MLP）。

该模型的网络结构如图5-2所示。该网络包括三层：输入层、隐层和输出层。输入层主要作为输入数据和神经网络输入界面，其本身没有处理功能；隐层和输出层的处理能力包含在各个结点中。

输入的结构一般为待分类数据的特征矢量，一般情况下，为训练像元的多光谱矢量，每个结点代表一个光谱波段。

当然，输入结点也可以为像元的空间上下文信息（如纹理）等，或多时段的光谱矢量（PaolaandSchowengerdt，1995）。

表5-1各种统计分类器比较图5-2多层感知器神经网络结构对于隐层和输出层的结点来说，其处理过程是一个激励函数（activationfunction）。

假设激励函数为f（S），对隐层结点来说，有：遥感信息的不确定性研究其中，pi为隐层结点的输入；hj为隐层结点的输出；w为联接各层神经之间的权重。

对输出层来说，有如下关系：遥感信息的不确定性研究其中，hj为输出层的输入；ok为输出层的输出。

激励函数一般表达为：遥感信息的不确定性研究确定了网络结构后，就要对网络进行训练，使网络具有根据新的输入数据预测输出结果的能力。最常用的是后向传播训练算法（Back-Propagation）。

这一算法将训练数据从输入层进入网络，随机产生各结点连接权重，按式（5-1）（5-2）和（5-3）中的公式进行计算，将网络输出与预期的结果（训练数据的类别）相比较并计算误差。

这个误差被后向传播的网络并用于调整结点间的连接权重。

调整连接权重的方法一般为delta规则（Rumelhart，etal.，1986）：遥感信息的不确定性研究其中，η为学习率（learningrate）；δk为误差变化率；α为动量参数。

将这样的数据的前向和误差后向传播过程不断迭代，直到网络误差减小到预设的水平，网络训练结束。这时就可以将待分类数据输入神经网络进行分类。

除了多层感知器神经网络模型，其他结构的网络模型也被用于遥感数据分类。

例如，Kohonen自组织网络被广泛用于遥感数据的非监督聚类分析（Yoshidaetal.，1994；Schaaleetal.，1995）；自适应共振理论（AdaptiveResonanceTheory）网络（Silva，SandCaetano，M.1997）、模糊ART图（FuzzyARTMaps）（Fischer，M.MandGopal，S，1997）、径向基函数（骆剑承，1999）等也被用于遥感数据分类。

许多因素影响神经网络的遥感数据分类精度。FoodyandArora（1997）认为神经网络结构、遥感数据的维数以及训练数据的大小是影响神经网络分类的重要因素。

神经网络结构，特别是网络的层数和各层神经元的数量是神经网络设计最关键的问题。网络结构不但影响分类精度，而且对网络训练时间有直接影响（KavzogluandMather，1999）。

对用于遥感数据分类的神经网络来说，由于输入层和输出层的神经元数目分别由遥感数据的特征维数和总的类别数决定的，因此网络结构的设计主要解决隐层的数目和隐层的神经元数目。

一般过于复杂的网络结构在刻画训练数据方面较好，但分类精度较低，即“过度拟合”现象（over-fit）。而过于简单的网络结构由于不能很好的学习训练数据中的模式，因此分类精度低。

网络结构一般是通过实验的方法来确定。Hirose等（1991）提出了一种方法。该方法从一个小的网络结构开始训练，每次网络训练陷入局部最优时，增加一个隐层神经元，然后再训练，如此反复，直到网络训练收敛。

这种方法可能导致网络结构过于复杂。一种解决办法是每当认为网络收敛时，减去最近一次加入的神经元，直到网络不再收敛，那么最后一次收敛的网络被认为是最优结构。这种方法的缺点是非常耗时。

“剪枝法”（pruning）是另一种确定神经网络结构的方法。

和Hirose等（1991）的方法不同，“剪枝法”从一个很大的网络结构开始，然后逐步去掉认为多余的神经元（SietsmaandDow，1988）。

从一个大的网络开始的优点是，网络学习速度快，对初始条件和学习参数不敏感。

“剪枝”过程不断重复，直到网络不再收敛时，最后一次收敛的网络被认为最优（Castellano，FanelliandPelillo，1997）。

神经网络训练需要训练数据样本的多少随不同的网络结构、类别的多少等因素变化。但是，基本要求是训练数据能够充分描述代表性的类别。

Foody等（1995）认为训练数据的大小对遥感分类精度有显著影响，但和统计分类器相比，神经网络的训练数据可以比较少。分类变量的数据维对分类精度的影响是遥感数据分类中的普遍问题。

许多研究表明，一般类别之间的可分性和最终的分类精度会随着数据维数的增大而增高，达到某一点后，分类精度会随数据维的继续增大而降低（ShahshahaniandLandgrebe，1994）。

这就是有名的Hughes现象。一般需要通过特征选择去掉信息相关性高的波段或通过主成分分析方法去掉冗余信息。

分类数据的维数对神经网络分类的精度同样有明显影响（Battiti，1994），但Hughes现象没有传统统计分类器中严重（FoodyandArora，1997）。

Kanellopoulos（1997）通过长期的实践认为一个有效的ANN模型应考虑以下几点：合适的神经网络结构、优化学习算法、输入数据的预处理、避免振荡、采用混合分类方法。

其中混合模型包括多种ANN模型的混合、ANN与传统分类器的混合、ANN与知识处理器的混合等。三、其他分类器除了上述统计分类器和神经网络分类器，还有多种分类器被用于遥感图像分类。

例如模糊分类器，它是针对地面类别变化连续而没有明显边界情况下的一种分类器。它通过模糊推理机制确定像元属于每一个类别的模糊隶属度。

一般的模糊分类器有模糊C均值聚类法、监督模糊分类方法（Wang，1990）、混合像元模型（FoodyandCox，1994；SettleandDrake，1993）以及各种人工神经网络方法等（Kanellopoulosetal.，1992；PaolaandSchowengerdt，1995）。

由于模糊分类的结果是像元属于每个类别的模糊隶属度，因此也称其为“软分类器”，而将传统的分类方法称为“硬分类器”。

另一类是上下文分类器（contextualclassifier），它是一种综合考虑图像光谱和空间特征的分类器。一般的光谱分类器只是考虑像元的光谱特征。

但是，在遥感图像中，相邻的像元之间一般具有空间自相关性。空间自相关程度强的像元一般更可能属于同一个类别。同时考虑像元的光谱特征和空间特征可以提高图像分类精度，并可以减少分类结果中的“椒盐现象”。

当类别之间的光谱空间具有重叠时，这种现象会更明显（Cortijoetal.，1995）。这种“椒盐现象”可以通过分类的后处理滤波消除，也可以通过在分类过程中加入代表像元邻域关系的信息解决。

在分类过程中可以通过不同方式加入上下文信息。

一是在分类特征中加入图像纹理信息；另一种是图像分割技术，包括区域增长/合并常用算法（KettingandLandgrebe，1976）、边缘检测方法、马尔可夫随机场方法。

RignotandChellappa（1992）用马尔可夫随机场方法进行SAR图像分类，取得了很好的效果，PaulSmits（1997）提出了保持边缘细节的马尔可夫随机场方法，并用于SAR图像的分类；Crawford（1998）将层次分类方法和马尔可夫随机场方法结合进行SAR图像分类，得到了更高的精度；Cortijo（1997）用非参数光谱分类对遥感图像分类，然后用ICM算法对初始分类进行上下文校正。

　人工神经网络分类方法

从20世纪80年代末期，人工神经网络方法开始应用于遥感图像的自动分类。

目前，在遥感图像的自动分类方面，应用和研究比较多的人工神经网络方法主要有以下几种：（1）BP（BackPropagation）神经网络，这是一种应用较广泛的前馈式网络，属于有监督分类算法，它将先验知识融于网络学习之中，加以最大限度地利用，适应性好，在类别数少的情况下能够得到相当高的精度，但是其网络的学习主要采用误差修正算法，识别对象种类多时，随着网络规模的扩大，需要的计算过程较长，收敛缓慢而不稳定，且识别精度难以达到要求。

（2）Hopfield神经网络。属于反馈式网络。主要采用Hebb规则进行学习，一般情况下计算的收敛速度较快。

这种网络是美国物理学家J.J.Hopfield于1982年首先提出的，它主要用于模拟生物神经网络的记忆机理。

Hopfield神经网络状态的演变过程是一个非线性动力学系统，可以用一组非线性差分方程来描述。

系统的稳定性可用所谓的“能量函数”进行分析，在满足一定条件下，某种“能量函数”的能量在网络运行过程中不断地减少，最后趋于稳定的平衡状态。

Hopfield网络的演变过程是一种计算联想记忆或求解优化问题的过程。（3）Kohonen网络。

这是一种由芬兰赫尔辛基大学神经网络专家Kohonen（1981）提出的自组织神经网络，其采用了无导师信息的学习算法，这种学习算法仅根据输入数据的属性而调整权值，进而完成向环境学习、自动分类和聚类等任务。

其最大的优点是最终的各个相邻聚类之间是有相似关系的，即使识别时把样本映射到了一个错误的节点，它也倾向于被识别成同一个因素或者一个相近的因素，这就十分接近人的识别特性。