结合RBF网络与光谱指数的遥感分类应用研究

本文基于光谱波段信息，提取NDWI、NDVI、NDBI三种归一化指数，作为城市地区土地利用分类的关键辅助信息。在此基础上，提出基于RBF网络与归一化指数的城市遥感分类模型。最后，以四川南充市为研究区域，以TM影像为数据源，对本文提出的城市地区分类模型进行了分类实验。实验结果表明，RBF在融合地学参数方面具有一定的优势，基于RBF神经网络与地表指数进行分类，能获得95.02%的较为理想的总体分类精度，比单纯利用波段信息进行分类其精度提高了7.05个百分点。

随着遥感技术的不断发展，遥感影像分类作为遥感技术应用的一个重要环节，在专题信息提取、动态变化监测、专题制图等领域发挥着日益重要的作用。目前已有很多分类算法被广泛地应用，包括神经网络、专家系统、支持向量机[1]-[4]等。其中神经网络算法无需数据分布的先验知识，具有容错性好、适应性强等特点， 能够方便地结合不同类别的数据且对噪声容忍度强[5]-[9]。

RBF(Radial basis function)神经网络是参数化的统计分布模型与非参数化线性感知器模型相结合的一种前向神经网络，在遥感影像分类中得到了广泛的研究与应用[10]-[13]。相对于BP 神经网络而言，RBF 神经网络具有学习速度快、不易陷于局部极小等优点[10] [13]。

另一方面，许多学者综合利用地物的原始光谱特征与纹理特征[14]，以及形状特征等[15] [16]进行分类，取得了较好的效果。吴田军等为了构建一套基于先验知识的遥感影像全自动分类流程，将空间信息挖掘技术引入到遥感信息提取过程中提出一种面向遥感影像对象级分类的样本自动选择方法[17]。

夏列钢等在土地覆盖信息自动解译应用中建立了基于图谱先验知识的管理与运用机制以实现自动化，采用机器学习算法提升智能化程度， 并以自适应迭代控制模型使结果精度向最优逼近[18]。

针对多源遥感数据分类的需要，刘培等提出了一种基于全极化影像、极化相干矩阵特征、光学遥感影像光谱和纹理的多种特征融合和多分类器集成的遥感影像分类新方法[19]。

但是，目前针对城市区域的土地利用分类算法研究中，主要利用地物的原始光谱特征与纹理特征， 以及形状特征等，极少利用具有物理指示意义的光谱指数，限制了复杂地区分类精度。对于城市地区而言，地物类别复杂、空间分布离散，同物异谱、异物同谱现象严重。本文主要针对此问题，结合RB 神经网络与归一化光谱指数，建立城市地区RBF 神经网络遥感分类模型，提高城市区域遥感分类精度。

2. 研究方法 2.1 数据预处理与光谱指数反演 实验数据为TM 5 影像，获取时间为2010 年5 月23 日。波段1-5，7 为可见光近红外波段，空间分辨率为30 m；TM 6 为热红外波段，分辨率为120 m。另外研究中还参考利用了土地利用现状图、QuickBird 等辅助数据。数据预处理主要在ENVI 4.3 里完成。首先对原始数据进行镶嵌拼接、裁剪等处理，获得研究区原始数据。然后对TM1-5 与TM7 光学波段进行辐射定标，并利用ENVI