基于支持向量机的遥感影像分类

陈 袁

基于支持向量机的遥感影像分类

陈 袁

遥感影像分类是提取遥感信息的基础步骤与重要手段，然而由于影像分辨率以及同谱异物与同物异谱现象，传统的分类方法难以实现高精度的分类。基于智能算法的非参数分类方法已开始应用于遥感分类中。本文以佛山市为研究区，对其遥感影像采用支持向量机方法进行土地利用覆盖分类研究，并对分类结果进行精度评价。结果表明：支持向量机分类有较高的精度，是遥感影像分类的有效方法。

近年来，各种空间卫星提供的多平台、多光谱、多时相以及大范围的遥感影像已广泛用于研究地表动态变化过程中，而遥感影像判读作为提取遥感信息的一个重要环节要求有更高的分类精度。传统的遥感影像分类方法包括ISODATA、K-均值、最小距离、最大似然法等，由于存在“同物异谱”以及“同谱异物”的现象，常常会错分、漏分地物分类，极大地降低了分类精度。因此引进多种智能分类算法来进行遥感影像分类研究。本文采用支持向量机模型对佛山市的土地利用自动分类进行研究。

研究区概况

佛山——东经113°06'，北纬23°02'，位于中国广东省中南部，地处珠三角腹地，气候温和，雨量充沛，四季如春，属亚热带季风性湿润气候，是国家先进制造业中心、珠江三角洲核心地区、广东省经济中心之一。

支持向量机（SVM）

支持向量机（Support vector machine，SVM）是一种基于统计学习理论、VC维理论和结构风险最小化原理的机器学习算法，常被用来解决小样本、非线性问题及高维模式识别问题。SVM通过“支持向量”即不同类别间边缘的样本点来寻找不同类别之间的最优超平面进行划分。对于土地分类问题，SVM利用其特有的核函数与惩罚变量，将低维线性不可分问题转化成高维线性可分问题，并通过设置惩罚因子，解决个别离群值的类别归属问题，以实现地物分类的自动识别。

在使用支持向量机模型对遥感影像分类的过程中，分类精度会受到模型自身核函数的选择以及多分类策略的影响。核函数的选择方法是通过试用不同的核函数，最终选定分类误差最小的核函数作为最优核函数，本文选择径向基核函数。多分类策略包括两种：一是组合多个两类分类器使其实现多类分类，例如有向无环图SVM等；二是直接将多类问题加入到优化公式中，该方法可以直接实现多类分类，本文采用第二种分类策略。

应用

本文以佛山市为研究区，使用支持向量机模型进行土地利用覆盖分类实验，并对分类结果进行精度评价。其流程如图1所示。

预处理模块

本文以佛山市2014年Landsat7 ETM+影像为主要数据源，分辨率为15m，经二次多项式几何精校正、正射校正、自动配准及融合镶嵌裁剪等预处理后得到完整研究区影像图，如图2所示。

图1　总体流程图

分类模块

将影像的多波段信息进行主成分分析，选取主要波段，本文中即前三个波段的组合信息作为分类的基础数据，经主成分分析后的影像如图3（a）所示。以支持向量机方法为分类模型，将土地分为耕地、建设用地、林地、草地及水体五类，分类结果如图3（b）所示。

图2　2014年研究区ETM+彩色影像图

图3

精度评价模块

选取适当面积、土地利用种类明确的感兴趣区，将其实际土地利用类别与分类结果进行比对，可得总体精度为0.9411，Kappa系数为0.8975，混淆矩阵如表1所示。

表1　感兴趣区实际土地利用情况与自动分类结果的混淆矩阵

结果讨论

由表（1）可知，支持向量机模型在对遥感影像进行自动土地利用分类中具有很高的精度，其中建设用地的分类精度最高，达到97.11％，林地的分类精度最低为93.02％。支持向量机作为一种典型的非参数分类器，能最大化类别之间的间隔，找出决策超平面并据此区分出不同地物。根据有限样本在训练误差与真实误差之间寻求最佳折中，以获得最好的泛化能力，因此支持向量机更关注于每类地物的边缘分布，在遥感影像土地利用自动分类中有极高的适应度及可行度。

本文以佛山市为研究区，遥感影像为数据源，对其进行预处理以及主成分分析之后使用支持向量机为分类模型来分类土地利用覆盖，充分发挥了支持向量机能够自动寻找分类超平面的优势，但是由于受到随机因素以及影像分辨率的影响，使用支持向量机分类的结果与实际结果有微小的差距，如果将随机因素考虑进模型中将是以后研究需要解决的重点。

10.3969/j.issn.1001-8972.2015.17.003