摘要：支持向量机算法(SVM)是以统计学习理论(SLT)为基础的一种模式分类算法。由于其成功的解决了小样本，高维和局部极值问题，近年来获得较快的发展，被广泛应用于模式分类的很多领域。本文对TM多光谱图像特征进行分类研究，探讨参数取值对分类精度的影响。
关键词：光谱特征,纹理特征,分类精度
根据特定的问题领域的性质，选择有明显区分意义的特征，是模式分类设计过程中非常关键的步骤。在很多情况下，一个好的分类特征的选择在分类中效果要优于一个好的分类算法的选择。在遥感图像的分类问题中，地物的构成、光谱特征、空间结构与信息等都可以作为分类特征被选择[19]。常用的遥感分类方法是基于遥感图像的光谱特征的，有时为了提高分类精度，也会结合纹理信息进行分类。
1 TM影像光谱特征选择
地物的光谱特性曲线，可以通过量测多光谱图像的亮度值得到地物的波普相应曲线。地物的波普响应曲线与其光谱特性曲线的变化趋势是一致的。地物在多波段图像上特有的这种波普响应就是地物的光谱特征的判读标志。而波普响应曲线是用亮度值与波段的关系表示的，所以在进行光谱特征的SVM分类时，分类特征就是像素的亮度值。
TM图像的辐射分辨率为8bits(0~255)，是分波段记录的遥感图像。不同的灰度段代表不同的地物类别。TM多光谱影像分类中，将像元不同波段的对应的灰度值作为分类的特征就可以完成分类需要。
TM多光谱数字图像以文件的形式存储于计算机硬盘中，其存储格式为BSQ格式。利用TM影像的光谱特征进行分类时，除去第六波段热红外波段不用外，共有六个波段数据。每个像元在6个可用波段上的灰度值，构成一个多维的向量空间，空间的维数就是采用的波段数。
本文利用光谱信息进行SVM分类时，即采用的band1~5、band7六个波段数据，数据的空间维数就是6。
该幅图像的每个像元可以用如下向量表示：
进行分类的特征就是每个像元在各波段亮度值所组成的向量，六个特征值就是像元在band1~band5，band7六个波段对应的光谱数据。
2 TM多光谱纹理特征选择
由于光学传感器分辨率的限制，以及大气中存在的光的折射、衍射、散射等现象，在一幅遥感图像中有许多像元不止包含地物覆盖物，即存在混合像元问题。混合像元的存在是影响分类精度的主要因素之一。单纯地依赖于像素值进行分类，必然会存在大量误分样本点[4]。纹理特征是一种不依赖于颜色或亮度的反应图像中同质现象的视觉特征，也是遥感图像的一种重要的信息。为了提高分类精度，减少误分现象，可以将纹理特征和光谱特征相结合作为分类特征。现在比较常用的提取纹理信息的方法有，小波分析，PCI变换以及灰度共生矩阵。本文中采用灰度共生矩阵的方法提取待分类图像的纹理信息。
灰度共生矩阵算法是有Haralick等人提出的，它的基本思想是利用纹理在灰度级的相关性，先根据图像像素间的方向和距离构造出一个灰度共生矩阵，再通过灰度共生矩阵提取所需要的纹理信息。
灰度共生矩阵反应了图像灰度关于方向，相邻间隔，变化幅度的综合信息，它可以作为分析图像基元和排列结构的信息。作为纹理分析的特征量，往往不是直接用用计算的灰度共生矩阵，而是灰度共生矩阵的基础上再提取纹理特征量，称为二次统计量。
为了获取某波段的图像(如第二波段)的纹理信息，需要先计算灰度共生矩阵 ，共生矩阵中的第i行第j列元素，表示图像上所有在 方向上，相隔为 ，一个灰度值为i，一个灰度值为j值的像素点出现频率。这里 为按顺时针方向x与两像素连线的夹角， 的取值为0°、45°、90°，135°，即每幅图像可以获得4个方向的灰度共生矩阵。
Haralick等人有灰度共生矩阵提取了14种纹理特征，但比较常用的是二阶矩、对比度、相关性、熵和逆差矩5种。本文选择了二阶矩(能量)、对比度、熵以及他们均方差作为分类时的纹理特征。
在结合纹理信息进行分类时，希望获得的纹理数据能充分反映图像的信息，需要提取具有旋转不变性的特征。简单的方法是获得 取值为0°、45°、90°、135°四个方向的灰度共生矩阵后，分别通过四个方向的灰度共生矩阵，提取上述3种纹理特征，并对他们求均值和均方差：
参考文献
[1] 惠文华.基于支持向量机的遥感图像分类方法论[J].地球科学与环境学报，2006，8(2)：93-95.
[2] 曾联明，吴湘滨，刘鹏.感兴趣区域遥感图像分类与支持向量机应用研究成果[J].计算机工程与应用，2009，45(6)：243-245.
[3] 田源，塔西普拉提.特依拜，丁建丽，张飞等.基于支持向量机的土地覆被遥感分类[J].资源科学,2008(8)：1268-1273.
[4] 丁海勇，卞正富.基于SVM算法和纹理特征提取的遥感图像分类[J].计算机工程与设计.2008，29[4]：2131-2132，2136s.
[5] 刘治国.支持向量机算法在TM多光谱图像分类中的应用与实现[D].北京：中国地质大学，2005.
