基于径向基函数神经网络的高光谱遥感图像分类.pdfVIP

第28卷，第9期 光谱学与光谱分析 2008年9月 and SpectroscopySpectralAnalysis ．September，2008 基于径向基函数神经网络的高光谱遥感图像分类 谭琨，杜培军 中围矿业大学地理信息与遥感科学系，江苏徐州221008 L 摘要从径向基函数神经网络的理论出发，针对高光谱数据的特点，设计了有效的特征提取模型，再与径 向基函数神经网络的输入层连接，建立了一个新的径向基函数神经网络的高光谱遥感影像分类模型，并用 国产OMISII传感器获得的64波段数据进行试验。首先进行了最小噪声分离变换，提取了1～20个分量的 数据，使用提取后的数据(20维)、提取后数据的纹理变换(20维)和主成分分析的前(20维)，组成了60维向 量数据进行分类处理，这种分类器结构简单、容易训练、收敛速度快，其分类精度达到69．27％，高于BP神 经网络分类算法(51．20％)以及常用的最小距离分类(MIX：)算法(40．88％)。通过对结果和过程进行分析， 实验证明径向基函数神经网络在高光谱遥感分类中具有较好的适用性。 关键词 高光谱遥感图像；径向基函数神经网络；分类 中图分类号：TP39 光谱遥感图像分类中的应用，设计了一种基于径向基函数神 引 言 经网络的高光谱遥感图像分类器。实验结果表明，该分类器 与传统的神经网络分类器相比具有一定的优势，是一种有效 随着遥感技术的快速发展，可获取地物图像的光谱和空 的遥感图像分类方法。 间分辨率越来越高，如QuickBird全色波段遥感图像的空间 分辨率达到0．61m，我国自行研制的OMISI高光谱传感器 径向基函数神经网络分类器 的波段数达128个，光谱分辨率可达到10nm。高分辨率图 像给目标判读提出了更高要求，必须研究高分辨率图像的多 1．1径向基函数神经网络分类器结构 类别划分问题并满足相应的精度要求。 径向基函数神经网络分类器结构如图1所示。网络共分 neuralnetwork， 在模式识别中，人工神经网络(artificial 简称为ANN)被认为是一种客观而实用的分类方法。舢州 是模仿生物神经系统的功能和结构而发展起来的一种新型的 信息处理系统，具有自学习、自组织、自适应和容错性等优 点，理论研究证明3层以上的ANN具有很强的分类功能[1]。 因此，自2000年以来有大量论文介绍了ANN在各个分类领 域中的应用，这些分类领域包括遥感图像分类【2-5]、光谱分 类[6。]、社会经济系统分类[8J、指纹分类C93、环境质量分 类【l…、地下水动态分类[11]等。 basis 径向基函数(radialfunction，RBF)神经网络是一种 新型的神经网络，它是一种将输入矢量扩展或者预处理到高 输入层 隐含层 输出层 维空间中的神经网络学习方法。它不仅具有良好的推广能 Fig．1F㈣orkofradialbasisfunction 力，而且避免了像BP算法那样繁琐的计算，从而可以实现 classifier lleura]network 神经网络的快速学习。本文研究了径向基函数神经网络在高 收稿日期：2007-05—18。修订日期：2007-08—29 (20070290516)资助 作者简介：谭琨，1981年生，中国矿业大学地理信息与遥感科学系博士研究生e-mail：mtl