基于支持向量机的遥感影像分类研究

摘 要： 以焦作地区部分IKONOS遥感影像为数据源，采用支持向量机（Support Vector Machine，SVM）分类器，通过解算最优化问题，在高维特征空间中寻找最优分类超平面，从而解决复杂数据的分类及回归问题。结果表明，利用SVM进行遥感图像分类的精度高，有明显的技术优势和应用前景。

关键词： 支持向量机；遥感；SVM；图像分类

0 引言

遥感技术是当前人类研究地球资源环境的一种主要技术方法，遥感数据的分类是遥感数据分析和信息提取的重要工具，一直是遥感领域研究的热点。从20世纪90年代末开始，支持向量机作为一种新的更有效的统计学习方法，成为遥感影像分类领域的一个新的研究热点。SVM具有小样本学习、抗噪声性能、学习效率高、推广性好等优点， 是一种有效的遥感影像分类方法。

1 支撑理论

1.1 支持向量机

支持向量机的基本思想是将实际问题通过非线性变换将输入空间变换到一个高维的特征空间，然后在这个新的高维特征空间中构造线性判别函数来实现原空间中的非线性判别函数，求取最优分类超平面，该分类超平面不但能够将训练样本尽可能正确分类，而且使训练样本中离分类面最近的点到分类面的距离最大，即分类间隔最大[1]。

应用SVM理论对线性问题分析评估时，假设在d维特征空间有包含N个元素的特征向量 ，对应每个向量

有类别 。当二类问题是线性可分时，我们至少可以找到一个分类超平面将二类问题没有错误的分开。这一类超平面可以用下式来表示，即 式中：

为垂直于超平面的向量； 为便宜量。从最近的待分类数据点到超平面 的距离称为间隔，可以用 表示，因此，两个类别的最近几何距离可以表示为 。间隔是SVM分类的一个基本概念，较大的间隔可以使分类器更好的推广能力隔最大[2]，因此SVM寻找超平面的原则为最大化二类间隔

而寻找到的该超平面称为最有分类超平面。寻找最优超平面可以通过解算下面的最优化问题得

（6）称为约束条件[3]。

1.2 分类器

对于多分类问题，通常可以按照两种算法来构造或组合多个两类分类器来进行分类[4]。一是将多个分类面的参数求解合并到一个最优化问题当中，通过求解最优化问题一次性的实现多类分类。二是通过某种方式构造一系列的二类分类器将它们组合在一起从而实现多分类。实际常用SVM多类别分类是第二种方法，二类别的分类器组合有一对一，一对多组合方法。一对一方法一般在N类分类中，需构造N（N-1）/2个分类器，计算量较大且存在混分样本问题；本文使用一对多方法，该方法是用一类和剩下其它所有类判别分类，一个分类器分出其中某一类。在N类中构造N个分类器，这种方法相对计算量较小，比较简单且达到同样多类别分类效果，缺点就是存在混分和漏分样本问题。

2 实验及结果分析

实验按照支持向量机的分类原理进行。实验数据采用IKNOS遥感影像，针对五大类土地利用类型，即水域（A类）、草地（B类）、居民地（C类）、交通用地（D类），农作物（F）。选取训练样本进行训练，使用一对多分类器划分五类，需要构造五个分类器，实验中选择使用RBF核函数，此类SVM的训练模型效果取决于两个参数，其一是惩罚因子C，其二是核参数 。

在支持向量机的训练过程中，加载训练样本，确定分类目标（根据训练目标的不同，得到每一类与另四类的分类器），先给出一个初始的训练参数，按交叉选择方式确定参数C和 ，训练五个SVM分类器。重复训练直至在测试集中达到满意效果，也即找到了较优的支持向量机参数。经过测试参数值分别为C=1000， =0.01，测试样本的分类精度较高。最后利用调整好的参数对整幅图像进行分类，最终分类结果如图1。

图1 分类效果图

表1 利用SVM法进行分类的混淆矩阵

3 结论

针对遥感图像的支持向量机分类法实验结果表明，该方法在保持了较高的训练和分类速度的同时，可以获得较高的分类精度，有很好的应用前景，同时对遥感数据智能化处理提供了

新研究领域。

参考文献：

[1]李晓宇，张新峰.支持向量机（SVM）的研究进展.测绘技术，2006，25（5）：7-12.

[2]Vapnik V N. 1998.Statistical Learning Theory. New York： Wiley.

[3]Vapnik V N. 1995 The Nature of Statistical Learning Theory. New York： Springer-Verlag.

[4] 马建文等，遥感数据智能处理方法与程序设计

作者简介：

王春阳（1979-），男，河南焦作人，硕士，讲师，研究方向：图像处理与分类。