遥感影像地图分类识别的研究与实现

遥感影像地物分类是指根据影像中的地物的光谱、纹理、形状等特征，对地物目标进行识别的过程。遥感影像地物分类过程主要有两个部分组成，一是遥感影像的特征提取，二是选择合适的分类器进行地物分类。特征参数的提取是遥感影像地物分类中非常关键的一步，对遥感影像的信息进行抽象，可以得到一组描述遥感影像的特征向量，早期的传统遥感影像分类方法一般是基于像素值来进行的，忽略了遥感影像其他重要的特征，它很难适应较高层次的分析和研究，分类的精度也会受到影响。
纹理特征是遥感影像非常重要的特征之一，纹理反映了物体上下文的联系，是图像的内在特征，图像像素间颜色及像素间灰度的重复规律或变化规律都可以通过纹理反映出来，目前常用的纹理特征提取方法主要有灰度共生矩阵法，Laws纹理能量法以及小波变换法等。
传统的支持向量机(SVM)是针对二类分类问题提出来的。然而在很多情况下，遥感影像的地物类别不止二类，所以我们需要采用多类分类支撑向量机。通常用以下两种方法来实现：一种是通过构造一系二类SVM分类器，每个分类器用于识别其中两个类别，并将它们的差别结果以某种方式组合成判定结果以实现多类分类，这种方法比较容易实现，但容易存在局部最优的问题，即某些样本点同时被判定为多种不同类别。传统的组合方式有“一对一”分类法和“一对多”分类法，近些年在传统的组合方式基础上又衍生出了几种新的方法，例如二叉树方法，有向无环图法等等。一种是“一步式”的多类支持向量机，该方法将多个分类面的参数合并到一个最优化问题并通过求解该问题的最优值而获得分类结构，它能有效解决“多步式”分类问题中容易存在的局部最优解问题，
其难度在于求解一下大型复杂的优化问题代价比较昂贵。

遥感地物分类主要由以下几步组成：

第一步：首先采用ENVI 对遥感影像进行光谱特征和纹理特征的提取
第二步：在遥感影像中，通过提取感兴趣区域，获取3类地物样本点
第三步：对遥感影像的特征数据进行预处理。为了提高影像地物数据的分类速度和精度，对遥感影像的样本值进行归一化处理。
第四步：在Matlab环境下，利用SVM对遥感影像的地物进行分类识别
注：文章选自《遥感影像地物分类识别的研究与实现》俞颖等