摘要：支持向量機算法(SVM)是以統計學習理論(SLT)為基礎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展，被廣泛應用于模式分類的很多領域。本文對TM多光譜圖像特征進行分類研究，探討參數取值對分類精度的影響。

　　關鍵詞：光譜特征,紋理特征,分類精度

　　根據特定的問題領域的性質，選擇有明顯區分意義的特征，是模式分類設計過程中非常關鍵的步驟。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，地物的構成、光譜特征、空間結構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曲線。地物的波普響應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就是地物的光譜特征的判讀標志。而波普響應曲線是用亮度值與波段的關系表示的，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，共有六個波段數據。每個像元在6個可用波段上的灰度值，構成一個多維的向量空間，空間的維數就是采用的波段數。

　　本文利用光譜信息進行SVM分類時，即采用的band1~5、band7六個波段數據，數據的空間維數就是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，band7六個波段對應的光譜數據。

　　2 TM多光譜紋理特征選擇

　　由于光學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圖像中同質現象的視覺特征，也是遙感圖像的一種重要的信息。為了提高分類精度，減少誤分現象，可以將紋理特征和光譜特征相結合作為分類特征。現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性，先根據圖像像素間的方向和距離構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。

　　灰度共生矩陣反應了圖像灰度關于方向，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構的信息。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上再提取紋理特征量，稱為二次統計量。

　　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。

　　在結合紋理信息進行分類時，希望獲得的紋理數據能充分反映圖像的信息，需要提取具有旋轉不變性的特征。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].地球科學與環境學報，2006，8(2)：93-95.

　　[2] 曾聯明，吳湘濱，劉鵬.感興趣區域遙感圖像分類與支持向量機應用研究成果[J].計算機工程與應用，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,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用與實現[D].北京：中國地質大學，2005.