浅析遥感影像地物分类识别的研究与实现

张 燕，苗思达

(安徽省地勘局第二水文工程地质勘查院，安徽 芜湖 241000）

现如今，科学技术高速发展，遥感技术也获得了巨大提升，而且在应用遥感技术过程中，能够更加快捷、方便的获取高清晰的遥感影像数据，不仅大大提高了工作效率，更保证了遥感数据的精准性。目前随着遥感技术的快速发展，该项技术已经普遍应用于农业勘测、乡镇规划以及军事侦察等诸多领域当中，发挥着越来越重要的作用，正是基于遥感技术诸多优势与特点，受到了人们的广泛关注，也成为相关领域专家学者研究的重点。尤其是在遥感技术当中，遥感影像地物分类识别技术，是一个非常重要的研究方向。

对于遥感影像地物分类而言，主要是指依照影像中地物、光谱、纹理以及形状等特征，来实现识别地物目标的过程。而遥感影像的这一地物分类过程主要涉及部分有两个：一是如何提取遥感影像特征；二是遥感影像地物分类过程中如何合理地选择分类器。尤其是在遥感影像地物分类过程当中，如何提取特征性的参数，是其中十分重要的一个步骤，抽象化遥感影像信息，能够获得遥感影像数据描述的一组特征向量，过去遥感影像分类过程当中，都是通过像素值来开展分类工作，被遥感影像其他重要特征常常被忽略，难以达到深层次的分析和研究，更会影响到分类精度。经过不断研究与发展，一些学者在此方面，指出可以通过提取混合遥感影像特征。文献[1]中将遥感影像纹理颜色等相关特征进行提取，并合理的开展选择与优化工作；文献[2]中与形状，纹理以及光谱等有关特征充分结合开展共同分类；文献[3]将形状与纹理特征有效融合，提取具有较高分辨率遥感影像道路，上述这些都获得了很好的效果，在统计学理论前提下，SVM向量机是一种非常重要的机器学习算法，传统的SVM在两类线性可分数据分类过程当中发挥着重要的作用，之后不断发展在高纬度非线性小样本模式识别与分类过程当中。也得到了普遍应用。由于SVM具有的诸多优势，被普遍应用于遥感影像分类过程当中，发挥着越来越重要的作用，在解决遥感影像分类问题上具有着十分突出的优势，而且在此方便很多专家学者也开展过大量的研究工作，取得的成效也十分显著。

下文当中充分结合遥感影像处理过程当中的相关流程，在处理图像过程当中，基于ENVI以MATLAB平台下，首先提取遥感影像的光谱以及纹理混合特征，之后通过SVM，开展识别进行地物分类。通过仿真试验，这种分类方式于过去的单类特征提取有着非常明显的优势，同时不需要开展降维，分类效果非常的突出，理论研究与学习意义重大。

1 遥感影像与识别算法发展历程

在物体现象研究发展过程当中，遥感影像分类与识别能够对这些物体发生发展规律有一个更加全面的了解，监督分类以及非监督分类是经典算法的主要组成，前者又有训练场地方之说，在已知样本区类别信息分析基础上，来有效地判别非样本区。主要采用分类方法为最小距离和最大似然等分类方法。对于非监督分类而言，又有聚类分析之称，这种分类方法是没有先验知识的“盲判”。主要的方法包括ISODATA聚类法以及k均值算法与分级集群法等。近年来在科学技术高速发展背景下，遥感影像分辨率也获得了大幅提升。出现了同物异谱以及同谱异物现象，由于经典算法难以达到相关精度要求。在此背景下发展出很多机器学算法。人工神经网络是早期阶段一种基于数学模型的常用机器学习分类方法。在隐层或者隐层节点足够情况下，当中的反向传播神经络，能够将任意的非线性关系充分的影射出来，同时还能对向量机进行支持。提出最早从最优分类面问题，这种方法可以对机器学习起到友好的监督作用，在研究遥感影像当中发挥着十分重要的作用，机器学算法也有一些问题存在，如难以确定隐层节点或者收敛速度慢是BP神经网络具有的重大缺点。SVM样本数量错分和漏分概率比较大。随着不断深入学习，机器算法获得了更好的发展，下文当中结合实践对遥感影像地物分类识别与研究和实现进行探讨分析，希望能为相关工作的开展提供一些有效的参考作用。

2 遥感影像的特征提取

处理遥感影像过程当中，光谱特征提取是比较传统的方法，在提取光谱特征过程当中，主要是将图像当中目标物的颜色与灰度和各个波段之间的亮度进行提取，并通过运算原始小断点来进行获取，能够对各个像素进行对应，然而和像素排列结构没有明显的关联性，这种分类方法对遥感影像当中利特征信息较为忽视，限制影像处理精确度，通过工作实践发现，在提取遥感影像特征过程当中，语文理光谱特征充分结合，是图像处理过程当中重要的技术手段。遥感影像当中，纹理特征是最为重要的特征之一，体现着物体上下文之间存在的联系，这也是内在的图像特征特点，纹理特征可以将像素中的灰度以及颜色和重复变化规律等全面的体现出来，文中在提取遥感影像特征过程当中，充分结合了纹理特征以及光谱特征，首先对光谱特征进行提取，然后在各个波段对遥感影像纹理特征进行提取。

3 支撑向量机（SVM）理论

维数高遥感影像具有的主要特点，而且样品点获取较少的时候，分类过程当中通过传统统计识别方法来完成，这种方法极易导致精确度不高的问题。而SVM支撑向量机可以使高纬度小样本非线性分类问题得到有效解决，训练样本点设置为n个，通过相应的优化过程来实现SVM训练。

其组成主要包括样本点有两种不同类别，n主要是指输入空间尾数，输入样本点的数量为N。核函数为K(x,y)，主要的函数包括线性核函数以及多类式和函数等依照二次规划，将支撑向量值进行求出，并在结果获取下对函数进行判别，便能将分类结果有效获取。

SVM支撑传统向量机，是基于二类分类问题前提下提出来的，但是很多时候，在分类遥感影像过程当中，地物类别不仅仅是二类，因此在分类过程当中，应当选择应用多类分类支撑向量机，并在下面方式向进行获得。如在构造一系列SVM分类器应用下来获得，各个分类器主要对其中两个类别进行识别，同时将其中的差别结果在某种组合方式下，开展结果判定，达到多类分类的效果，实现这种方法较为简单，极易发生局部最优问题，造成同时判定样本过程当中，进行多种不同类别判定。过去主要采用一对一和一对多的方式进行分类，现如今，基于这些过去组合方式上又有很多方法延伸出来，如开展二叉树分类方法，还有向无环图方法。M-SVM这种方式合并了各个分类面的有关参数，在一个最优化问题中进行合并，利用对这些问题求解的最优值，来对分类结构进行获取，可以使局部最优解问题在多步式分类中得到有效解决，主要的难点是怎样对大型复杂的优化问题进行求解，而付出的代价较为昂贵。

4 实验仿真

文中将某一地区遥感影像作为此次分析的主要对象，这种遥感影像的主要规格为400＊400 Byte[BSQ]，基于ENVI以及MATLAB条件下，ENVI在处理遥感影像过程当中其功能十分的强大，能够充分的提取遥感影像当中的有关信息，而且基于MATLAB环境下将SVM工具箱提供出来，来有效地识别样本点，可以全面的分析分类过程具有的性能。在分类识别遥感影像地物过程当中，主要的步骤包括下面几个方面，开展过程当中利用ENVI来提取遥感影像的纹理以及光谱特征，在ENVI环境下，对几种概率统计以及二阶概率统计，支持其纹理滤波。通过相应的研究与探讨，文中将遥感影像光谱特征和主波段的相关纹理特征进行充分提取，共获得11维的影像特征向量。

同时在提取遥感影像过程当中，针对一些感性起的区域开展信息提取工作，对三类地物样本点进行获取，主要包括林地植被以及河流等特征，之后将这些样本点进行测试集以及训练集划分，样本点的实际分布参照下表1所示。

表1 各种地物样本点分布情况

预处理遥感影像当中的特征信息数据，为了更好地保证分类的效率，提高影像地物数据提取的精度，通过归一化处理遥感影像样本值。

基于MATLAB环境下，通过SVM来有效提取和分类识别遥感影像第五信息数据，此次研究过程当中采用的机器学分类方法主要为一对一或者一对多，对三个不同二类SVM分类器开展相应的构造与分类，并对这种分类方式精确度开展相关的验证工作，具体如何选择验证参数，和获得的试验仿真数据可参见表2。

表2 地物分类结果

5 结语

文章在SVM支撑向量机技术前提下，对遥感影像第五分类识别研究和实现进行分析探讨，主要对如何提取遥感影像当中的光谱以及纹理特征予以细致分析，来展现地物分类原理和步骤实现，利用仿真试验对其效果进行验证，研究学习意义比较突出。通过试验研究发现，这种方法非常容易理解，而且具有很好的分类作用。但也存在一些问题为了促进该方法的应用于发展，今后还应当进一步扩大此方面的研究工作，为遥感影像地物分类识别研究与实现奠定坚实的基础。