淺析遙感影像地物分類識別的研究與實現

張 燕，苗思達

(安徽省地勘局第二水文工程地質勘查院，安徽 蕪湖 241000）

現如今，科學技術高速發展，遙感技術也獲得了巨大提升，而且在應用遙感技術過程中，能夠更加快捷、方便的獲取高清晰的遙感影像數據，不僅大大提高了工作效率，更保證了遙感數據的精準性。目前隨著遙感技術的快速發展，該項技術已經普遍應用于農業勘測、鄉鎮規劃以及軍事偵察等諸多領域當中，發揮著越來越重要的作用，正是基于遙感技術諸多優勢與特點，受到了人們的廣泛關注，也成為相關領域專家學者研究的重點。尤其是在遙感技術當中，遙感影像地物分類識別技術，是一個非常重要的研究方向。

對于遙感影像地物分類而言，主要是指依照影像中地物、光譜、紋理以及形狀等特征，來實現識別地物目標的過程。而遙感影像的這一地物分類過程主要涉及部分有兩個：一是如何提取遙感影像特征；二是遙感影像地物分類過程中如何合理地選擇分類器。尤其是在遙感影像地物分類過程當中，如何提取特征性的參數，是其中十分重要的一個步驟，抽象化遙感影像信息，能夠獲得遙感影像數據描述的一組特征向量，過去遙感影像分類過程當中，都是通過像素值來開展分類工作，被遙感影像其他重要特征常常被忽略，難以達到深層次的分析和研究，更會影響到分類精度。經過不斷研究與發展，一些學者在此方面，指出可以通過提取混合遙感影像特征。文獻[1]中將遙感影像紋理顏色等相關特征進行提取，并合理的開展選擇與優化工作；文獻[2]中與形狀，紋理以及光譜等有關特征充分結合開展共同分類；文獻[3]將形狀與紋理特征有效融合，提取具有較高分辨率遙感影像道路，上述這些都獲得了很好的效果，在統計學理論前提下，SVM向量機是一種非常重要的機器學習算法，傳統的SVM在兩類線性可分數據分類過程當中發揮著重要的作用，之后不斷發展在高緯度非線性小樣本模式識別與分類過程當中。也得到了普遍應用。由于SVM具有的諸多優勢，被普遍應用于遙感影像分類過程當中，發揮著越來越重要的作用，在解決遙感影像分類問題上具有著十分突出的優勢，而且在此方便很多專家學者也開展過大量的研究工作，取得的成效也十分顯著。

下文當中充分結合遙感影像處理過程當中的相關流程，在處理圖像過程當中，基于ENVI以MATLAB平臺下，首先提取遙感影像的光譜以及紋理混合特征，之后通過SVM，開展識別進行地物分類。通過仿真試驗，這種分類方式于過去的單類特征提取有著非常明顯的優勢，同時不需要開展降維，分類效果非常的突出，理論研究與學習意義重大。

1 遙感影像與識別算法發展歷程

在物體現象研究發展過程當中，遙感影像分類與識別能夠對這些物體發生發展規律有一個更加全面的了解，監督分類以及非監督分類是經典算法的主要組成，前者又有訓練場地方之說，在已知樣本區類別信息分析基礎上，來有效地判別非樣本區。主要采用分類方法為最小距離和最大似然等分類方法。對于非監督分類而言，又有聚類分析之稱，這種分類方法是沒有先驗知識的“盲判”。主要的方法包括ISODATA聚類法以及k均值算法與分級集群法等。近年來在科學技術高速發展背景下，遙感影像分辨率也獲得了大幅提升。出現了同物異譜以及同譜異物現象，由于經典算法難以達到相關精度要求。在此背景下發展出很多機器學算法。人工神經網絡是早期階段一種基于數學模型的常用機器學習分類方法。在隱層或者隱層節點足夠情況下，當中的反向傳播神經絡，能夠將任意的非線性關系充分的影射出來，同時還能對向量機進行支持。提出最早從最優分類面問題，這種方法可以對機器學習起到友好的監督作用，在研究遙感影像當中發揮著十分重要的作用，機器學算法也有一些問題存在，如難以確定隱層節點或者收斂速度慢是BP神經網絡具有的重大缺點。SVM樣本數量錯分和漏分概率比較大。隨著不斷深入學習，機器算法獲得了更好的發展，下文當中結合實踐對遙感影像地物分類識別與研究和實現進行探討分析，希望能為相關工作的開展提供一些有效的參考作用。

2 遙感影像的特征提取

處理遙感影像過程當中，光譜特征提取是比較傳統的方法，在提取光譜特征過程當中，主要是將圖像當中目標物的顏色與灰度和各個波段之間的亮度進行提取，并通過運算原始小斷點來進行獲取，能夠對各個像素進行對應，然而和像素排列結構沒有明顯的關聯性，這種分類方法對遙感影像當中利特征信息較為忽視，限制影像處理精確度，通過工作實踐發現，在提取遙感影像特征過程當中，語文理光譜特征充分結合，是圖像處理過程當中重要的技術手段。遙感影像當中，紋理特征是最為重要的特征之一，體現著物體上下文之間存在的聯系，這也是內在的圖像特征特點，紋理特征可以將像素中的灰度以及顏色和重復變化規律等全面的體現出來，文中在提取遙感影像特征過程當中，充分結合了紋理特征以及光譜特征，首先對光譜特征進行提取，然后在各個波段對遙感影像紋理特征進行提取。

3 支撐向量機（SVM）理論

維數高遙感影像具有的主要特點，而且樣品點獲取較少的時候，分類過程當中通過傳統統計識別方法來完成，這種方法極易導致精確度不高的問題。而SVM支撐向量機可以使高緯度小樣本非線性分類問題得到有效解決，訓練樣本點設置為n個，通過相應的優化過程來實現SVM訓練。

其組成主要包括樣本點有兩種不同類別，n主要是指輸入空間尾數，輸入樣本點的數量為N。核函數為K(x,y)，主要的函數包括線性核函數以及多類式和函數等依照二次規劃，將支撐向量值進行求出，并在結果獲取下對函數進行判別，便能將分類結果有效獲取。

SVM支撐傳統向量機，是基于二類分類問題前提下提出來的，但是很多時候，在分類遙感影像過程當中，地物類別不僅僅是二類，因此在分類過程當中，應當選擇應用多類分類支撐向量機，并在下面方式向進行獲得。如在構造一系列SVM分類器應用下來獲得，各個分類器主要對其中兩個類別進行識別，同時將其中的差別結果在某種組合方式下，開展結果判定，達到多類分類的效果，實現這種方法較為簡單，極易發生局部最優問題，造成同時判定樣本過程當中，進行多種不同類別判定。過去主要采用一對一和一對多的方式進行分類，現如今，基于這些過去組合方式上又有很多方法延伸出來，如開展二叉樹分類方法，還有向無環圖方法。M-SVM這種方式合并了各個分類面的有關參數，在一個最優化問題中進行合并，利用對這些問題求解的最優值，來對分類結構進行獲取，可以使局部最優解問題在多步式分類中得到有效解決，主要的難點是怎樣對大型復雜的優化問題進行求解，而付出的代價較為昂貴。

4 實驗仿真

文中將某一地區遙感影像作為此次分析的主要對象，這種遙感影像的主要規格為400＊400 Byte[BSQ]，基于ENVI以及MATLAB條件下，ENVI在處理遙感影像過程當中其功能十分的強大，能夠充分的提取遙感影像當中的有關信息，而且基于MATLAB環境下將SVM工具箱提供出來，來有效地識別樣本點，可以全面的分析分類過程具有的性能。在分類識別遙感影像地物過程當中，主要的步驟包括下面幾個方面，開展過程當中利用ENVI來提取遙感影像的紋理以及光譜特征，在ENVI環境下，對幾種概率統計以及二階概率統計，支持其紋理濾波。通過相應的研究與探討，文中將遙感影像光譜特征和主波段的相關紋理特征進行充分提取，共獲得11維的影像特征向量。

同時在提取遙感影像過程當中，針對一些感性起的區域開展信息提取工作，對三類地物樣本點進行獲取，主要包括林地植被以及河流等特征，之后將這些樣本點進行測試集以及訓練集劃分，樣本點的實際分布參照下表1所示。

表1 各種地物樣本點分布情況

預處理遙感影像當中的特征信息數據，為了更好地保證分類的效率，提高影像地物數據提取的精度，通過歸一化處理遙感影像樣本值。

基于MATLAB環境下，通過SVM來有效提取和分類識別遙感影像第五信息數據，此次研究過程當中采用的機器學分類方法主要為一對一或者一對多，對三個不同二類SVM分類器開展相應的構造與分類，并對這種分類方式精確度開展相關的驗證工作，具體如何選擇驗證參數，和獲得的試驗仿真數據可參見表2。

表2 地物分類結果

5 結語

文章在SVM支撐向量機技術前提下，對遙感影像第五分類識別研究和實現進行分析探討，主要對如何提取遙感影像當中的光譜以及紋理特征予以細致分析，來展現地物分類原理和步驟實現，利用仿真試驗對其效果進行驗證，研究學習意義比較突出。通過試驗研究發現，這種方法非常容易理解，而且具有很好的分類作用。但也存在一些問題為了促進該方法的應用于發展，今后還應當進一步擴大此方面的研究工作，為遙感影像地物分類識別研究與實現奠定堅實的基礎。