[发明专利]一种融合多特征的支持向量机面向对象遥感影像分类方法

说明书

本发明公开了一种融合多特征的支持向量机面向对象遥感影像分类方法，包括以下步骤：(1)利用分水岭算法分割遥感影像，提取像元级的Gabor纹理和GMRF纹理，在此基础上提取各个分割对象的特征值；(2)建立对象的空间邻接关系矩阵，根据相邻对象间的公共边界长度改进莫兰指数，利用莫兰指数计算各个对象特征的空间自相关性，以特征的空间自相关性计算特征的权重；(3)通过改进SVM的核函数，构建特征加权的自适应SVM面向对象分类模型；(4)选取训练样本，结合对象的光谱特征、Gabor纹理和GMRF纹理，应用加权SVM进行对象分类。本发明通过特征融合的面向对象分类提高了遥感影像分类结果精度。

技术领域

本发明涉及一种遥感分类方法，具体地说，涉及一种基于特征权重融合多特征的支持向量机(Support Vector Machine，SVM)面向对象遥感影像分类方法。

背景技术

常规的遥感影像分类方法是以光谱特征为分类依据，并且各个波段之间权重相等。遥感影像中除了光谱特征，纹理特征、空间关系等也是分类的最要信息源。由于各个特征对地物类别的可分性不一样，特征之间以等权方式应用于分类过程中并不是最优的；此外，分割后的对象边界不规则，相邻对象之间存在着不规则的邻域空间关系，目前的面向对象分类方法中并未考虑这种空间关系。

发明内容

本发明的目的在于提供一种基于自适应权重融合多特征的SVM面向对象遥感影像分类方法。该方法结合对象的空间关系计算各个特征的自相关性，以自相关性衡量特征的可分性，并计算特征的权重，构建加权的SVM面向对象遥感影像分类方法。

其具体技术方案的步骤为：

步骤1、影像预处理：利用最小值去除法对遥感影像进行辐射校正，选取地面控制点，进行几何精校正，利用形态学重建算法选择一个半径为2的平面圆盘形的结构元素消除影像噪声。

步骤2、Gabor纹理提取：由于各个波段的纹理特征相似，因此选择其中一个波段提取Gabor纹理，参数为宽度5、尺度5和方向12，共构建60个Gabor滤波器，即可提取60个Gabor纹理特征。

步骤3、GMRF纹理提取：由于各个波段的纹理特征相似，因此选择其中一个波段提取GMRF纹理，选择3*3的邻域窗口，采用二阶高斯马尔科夫模型，利用最小二乘法估计模型4参数，加上均值和方差，一共可以提取6个GMRF纹理。

步骤4、梯度影像提取：使用3*3的邻域，采用方向梯度算子在每一个波段上提取影像的梯度影像。

步骤5、梯度影像合成：计算各个波段之间的相关性，以各个波段与其他波段之间相关性之和为权重，相关性之和越小，权重越大，加权合成多个波段的梯度影像为一个波段的梯度影像。

步骤6、影像初始分割：使用分水岭分割方法进行影像分割，其中涉及到的参数深度和面积分别为5，5。

步骤7、初始分割结果合并：在初始分割结果的基础选择面积较小的分割对象，通过相邻对象之间的光谱、纹理、面积以及空间关系构建合并代价，设置阈值，若合并代价小于阈值，那么将相邻对象进行合并。

步骤8、对象几何特征提取：在分割结果基础上统计各个对象的面积、周长，面积和周长作为对象的两个特征。

步骤9、对象光谱和纹理特征提取：统计对象内部像元的光谱和纹理特征值，将其均值和方差分别作为对象的光谱特征和纹理特征。

步骤10、对象邻接权重构建：若两个对象相邻，则两个对象之间的邻接权重为1；若两个对象不相邻，则其邻接权重为0。

步骤11、邻接权重改进：提取两个相邻对象的各自周长以及两对象之间公共边界长度，以公共边长占总边长的比重作为邻接权重的计算公式如下：