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69127 % , 高于BP 神经网络分类算法(51120 %) 以及常用的最小距离分类(MDC) 算法(40188 %) 。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。
### 基于径向基函数神经网络的高光谱遥感图像分类
#### 一、引言
近年来，随着遥感技术的迅速发展，尤其是高光谱遥感技术的进步，能够获取到的地物图像光谱和空间分辨率不断提高。例如，QuickBird全色波段遥感图像的空间分辨率可达0.61米，而我国自主研发的OMISI高光谱传感器的波段数达到了128个，光谱分辨率可达10纳米。这些高分辨率图像对于地物识别和分类提出了更高的要求。
为了满足这些需求，研究者们开发了一系列复杂的图像分类技术。其中，人工神经网络（Artificial Neural Network, ANN）因其自学习、自组织、自适应和容错性等特点，在模式识别领域得到了广泛应用。特别是在遥感图像分类领域，ANN被证明是一种非常有效的工具。径向基函数（Radial Basis Function, RBF）神经网络作为一种新型的神经网络，因其出色的推广能力和快速的学习能力而受到关注。
#### 二、径向基函数神经网络在高光谱遥感图像分类中的应用
##### 2.1 径向基函数神经网络结构
径向基函数神经网络（RBFN）是一种特殊的神经网络结构，通常由输入层、隐藏层和输出层组成。其中，隐藏层使用径向基函数作为激活函数，这使得RBFN能够高效地处理非线性分类问题。
- **输入层**：负责接收特征向量，如{x1, x2, ..., xm}，并将其传递到隐藏层。
- **隐藏层**：与输入层完全连接，每个节点都执行特定的径向基函数，如高斯函数：\[ Φ(x, ρ) = \exp\left(-\frac{(x - Ch)^2}{ρ^2}\right) \] 其中，\(Ch\) 是基函数的中心，\(ρ\) 表示宽度。这个函数计算输入向量与中心之间的欧氏距离，并通过激活函数进行转换。
- **输出层**：计算来自隐藏层的加权和，产生最终的分类结果。
##### 2.2 特征提取与数据预处理
在本研究中，作者采用了多种特征提取方法来优化输入数据：
- **最小噪声分离变换**（Minimum Noise Fraction, MNF）：用于提取低噪声的特征分量。
- **主成分分析**（Principal Component Analysis, PCA）：用于降维和特征选择。
- **纹理分析**：对提取后的特征进行进一步的分析，以增加分类性能。
通过这些方法，研究者从原始的64波段数据中提取出20个主要分量，并结合纹理分析的结果，最终形成一个60维的特征向量，用于后续的分类任务。
##### 2.3 实验结果与分析
本研究使用国产OMISII传感器获得的数据进行实验，结果显示，基于RBFN的分类器取得了69.27%的分类精度，显著高于BP神经网络（51.20%）和最小距离分类（Minimum Distance Classification, MDC）（40.88%）的方法。
#### 三、结论
径向基函数神经网络在处理高光谱遥感图像分类问题时表现出优异的性能。通过合理的特征提取和选择，RBFN能够有效地解决高维数据的问题，并且其结构简单、易于训练、收敛速度快。因此，RBFN提供了一种非常有潜力的方法，能够在高光谱遥感图像分类领域取得更好的效果。未来的研究可以进一步探索如何优化网络参数，以及如何结合其他先进的图像处理技术来提高分类精度。
