本发明涉及图像识别算法，具体涉及神经网络的遥感图像识别算法。
背景技术：
遥感图像上的光谱值是混合光谱，受多种因素的影响，存在“同谱异物”和“同物异谱”现象，使得传统的仅依靠光谱特性进行图像识别的方法精度不高。基于神经网络的图像识别方法为这一问题的解决提供了可能。神经网络是基于模仿人体大脑的结构和功能，对各种感觉所提供的信息进行筛选与分析理解的一种信息处理系统。因为神经网络适合于解决实际问题所以其应用领域在不断扩大，它不仅可以广泛应用于工程、科学和数学领域，也可广泛应用于医学、商业、金融和文学等领域，并且可以解决过去许多计算量很大的复杂工业问题。式识别技术是随着现代科学技术的发展，特别是计算机技术的发展而形成的一种模拟人的各种识别能力和方法的技术。模式识别理论与神经网络理论是相互渗透、相互映射的。目前，以视觉神经系统为中心的神经网络理论的研究正取得迅猛的发展，这一领域所取得的些许进步，都会给模式识别系统带来新的希望。所以，人们普遍认为，神经网络在模式识别中的成功应用是神经网络应用最成功的一个方面。遥感图像识别在遥感图像应用领域的发展是当今该领域的研究热点，尤其是基于神经网络技术的遥感图像识别。
技术实现要素：
本发明利用神经网络遥感图像进行识别，提供一种神经网络的遥感图像识别算法。
本发明通过下述技术方案实现：
神经网络的遥感图像识别算法，
s1、构造训练样本，并构成训练所需要的输入向量和目标矢量；选定要识别的目标，在识别之前要对图片进行预处理，使图像在成为神经网络输入向量时具有统一的形式；预处理的基本方法是：截取图像像素值为1的最大矩形区域，然后将二值图像反色处理，以这样得到的图像像素的数值0、1构成神经网络的输入向量；
s2、构造神经网络，根据训练样本形成的输入矢量和目标矢量，对神经网络进行训练；
s3、对测试图像进行识别：识别结果可以以矩阵数组的形式输出，或以图像文件的格式输出。
进一步的，图像像素值为1的图像区域是分析目标。
进一步的，在训练神经网络时，应能使网络具有一定的抑制噪声的能力。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明神经网络的遥感图像识别算法，在以往的图像识别算法中，一般是采用某一种特定的判别法则来对识别模式进行分类的，首先对识别图像进行观察或测量，然后将观测数据构成特征向量，作为输入，最后按照判别法则来进行分类。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例
本发明神经网络的遥感图像识别算法，
s1、构造训练样本，并构成训练所需要的输入向量和目标矢量；选定要识别的目标，在识别之前要对图片进行预处理，使图像在成为神经网络输入向量时具有统一的形式；预处理的基本方法是：截取图像像素值为1的最大矩形区域，然后将二值图像反色处理，以这样得到的图像像素的数值0、1构成神经网络的输入向量；
s2、构造神经网络，根据训练样本形成的输入矢量和目标矢量，对神经网络进行训练；
s3、对测试图像进行识别：识别结果可以以矩阵数组的形式输出，或以图像文件的格式输出。
实施时，图像像素值为1的图像区域是分析目标。由于在实际识别时，图像可能会混入噪声，因此在训练神经网络时，应能使网络具有一定的抑制噪声的能力。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.神经网络的遥感图像识别算法，其特征在于，
s1、构造训练样本，并构成训练所需要的输入向量和目标矢量；选定要识别的目标，在识别之前要对图片进行预处理，使图像在成为神经网络输入向量时具有统一的形式；预处理的基本方法是：截取图像像素值为1的最大矩形区域，然后将二值图像反色处理，以这样得到的图像像素的数值0、1构成神经网络的输入向量；
s2、构造神经网络，根据训练样本形成的输入矢量和目标矢量，对神经网络进行训练；
s3、对测试图像进行识别：识别结果可以以矩阵数组的形式输出，或以图像文件的格式输出。
2.根据权利要求1所述的神经网络的遥感图像识别算法，其特征在于，所述图像像素值为1的图像区域是分析目标。
3.根据权利要求1所述的神经网络的遥感图像识别算法，其特征在于，在训练神经网络时，应能使网络具有一定的抑制噪声的能力。