摘要：支持向量機算法(SVM)是以統(tǒng)計學(xué)習(xí)理論(SLT)為基礎(chǔ)的一種模式分類算法。由于其成功的解決了小樣本，高維和局部極值問題，近年來獲得較快的發(fā)展，被廣泛應(yīng)用于模式分類的很多領(lǐng)域。本文對TM多光譜圖像特征進行分類研究，探討參數(shù)取值對分類精度的影響。

　　關(guān)鍵詞：光譜特征,紋理特征,分類精度

　　根據(jù)特定的問題領(lǐng)域的性質(zhì)，選擇有明顯區(qū)分意義的特征，是模式分類設(shè)計過程中非常關(guān)鍵的步驟。在很多情況下，一個好的分類特征的選擇在分類中效果要優(yōu)于一個好的分類算法的選擇。在遙感圖像的分類問題中，地物的構(gòu)成、光譜特征、空間結(jié)構(gòu)與信息等都可以作為分類特征被選擇[19]。常用的遙感分類方法是基于遙感圖像的光譜特征的，有時為了提高分類精度，也會結(jié)合紋理信息進行分類。

　　1 TM影像光譜特征選擇

　　地物的光譜特性曲線，可以通過量測多光譜圖像的亮度值得到地物的波普相應(yīng)曲線。地物的波普響應(yīng)曲線與其光譜特性曲線的變化趨勢是一致的。地物在多波段圖像上特有的這種波普響應(yīng)就是地物的光譜特征的判讀標(biāo)志。而波普響應(yīng)曲線是用亮度值與波段的關(guān)系表示的，所以在進行光譜特征的SVM分類時，分類特征就是像素的亮度值。

　　TM圖像的輻射分辨率為8bits(0~255)，是分波段記錄的遙感圖像。不同的灰度段代表不同的地物類別。TM多光譜影像分類中，將像元不同波段的對應(yīng)的灰度值作為分類的特征就可以完成分類需要。

　　TM多光譜數(shù)字圖像以文件的形式存儲于計算機硬盤中，其存儲格式為BSQ格式。利用TM影像的光譜特征進行分類時，除去第六波段熱紅外波段不用外，共有六個波段數(shù)據(jù)。每個像元在6個可用波段上的灰度值，構(gòu)成一個多維的向量空間，空間的維數(shù)就是采用的波段數(shù)。

　　本文利用光譜信息進行SVM分類時，即采用的band1~5、band7六個波段數(shù)據(jù)，數(shù)據(jù)的空間維數(shù)就是6。

　　該幅圖像的每個像元可以用如下向量表示：

　　進行分類的特征就是每個像元在各波段亮度值所組成的向量，六個特征值就是像元在band1~band5，band7六個波段對應(yīng)的光譜數(shù)據(jù)。

　　2 TM多光譜紋理特征選擇

　　由于光學(xué)傳感器分辨率的限制，以及大氣中存在的光的折射、衍射、散射等現(xiàn)象，在一幅遙感圖像中有許多像元不止包含地物覆蓋物，即存在混合像元問題。混合像元的存在是影響分類精度的主要因素之一。單純地依賴于像素值進行分類，必然會存在大量誤分樣本點[4]。紋理特征是一種不依賴于顏色或亮度的反應(yīng)圖像中同質(zhì)現(xiàn)象的視覺特征，也是遙感圖像的一種重要的信息。為了提高分類精度，減少誤分現(xiàn)象，可以將紋理特征和光譜特征相結(jié)合作為分類特征。現(xiàn)在比較常用的提取紋理信息的方法有，小波分析，PCI變換以及灰度共生矩陣。本文中采用灰度共生矩陣的方法提取待分類圖像的紋理信息。

　　灰度共生矩陣算法是有Haralick等人提出的，它的基本思想是利用紋理在灰度級的相關(guān)性，先根據(jù)圖像像素間的方向和距離構(gòu)造出一個灰度共生矩陣，再通過灰度共生矩陣提取所需要的紋理信息。

　　灰度共生矩陣反應(yīng)了圖像灰度關(guān)于方向，相鄰間隔，變化幅度的綜合信息，它可以作為分析圖像基元和排列結(jié)構(gòu)的信息。作為紋理分析的特征量，往往不是直接用用計算的灰度共生矩陣，而是灰度共生矩陣的基礎(chǔ)上再提取紋理特征量，稱為二次統(tǒng)計量。

　　為了獲取某波段的圖像(如第二波段)的紋理信息，需要先計算灰度共生矩陣 ，共生矩陣中的第i行第j列元素，表示圖像上所有在 方向上，相隔為 ，一個灰度值為i，一個灰度值為j值的像素點出現(xiàn)頻率。這里 為按順時針方向x與兩像素連線的夾角， 的取值為0°、45°、90°，135°，即每幅圖像可以獲得4個方向的灰度共生矩陣。

　　Haralick等人有灰度共生矩陣提取了14種紋理特征，但比較常用的是二階矩、對比度、相關(guān)性、熵和逆差矩5種。本文選擇了二階矩(能量)、對比度、熵以及他們均方差作為分類時的紋理特征。

　　在結(jié)合紋理信息進行分類時，希望獲得的紋理數(shù)據(jù)能充分反映圖像的信息，需要提取具有旋轉(zhuǎn)不變性的特征。簡單的方法是獲得 取值為0°、45°、90°、135°四個方向的灰度共生矩陣后，分別通過四個方向的灰度共生矩陣，提取上述3種紋理特征，并對他們求均值和均方差：

 　　參考文獻

　　[1] 惠文華.基于支持向量機的遙感圖像分類方法論[J].地球科學(xué)與環(huán)境學(xué)報，2006，8(2)：93-95.

　　[2] 曾聯(lián)明，吳湘濱，劉鵬.感興趣區(qū)域遙感圖像分類與支持向量機應(yīng)用研究成果[J].計算機工程與應(yīng)用，2009，45(6)：243-245.

　　[3] 田源，塔西普拉提.特依拜，丁建麗，張飛等.基于支持向量機的土地覆被遙感分類[J].資源科學(xué),2008(8)：1268-1273.

　　[4] 丁海勇，卞正富.基于SVM算法和紋理特征提取的遙感圖像分類[J].計算機工程與設(shè)計.2008，29[4]：2131-2132，2136s.

　　[5] 劉治國.支持向量機算法在TM多光譜圖像分類中的應(yīng)用與實現(xiàn)[D].北京：中國地質(zhì)大學(xué)，2005.