崔林林，羅 毅，包安明

NWFE結(jié)合紋理特征的SVM土地覆被分類方法研究

崔林林1，2，羅 毅1，包安明1

(1.中國科學(xué)院新疆生態(tài)與地理研究所，烏魯木齊 830011;2.中國科學(xué)院研究生院，北京 100049)

為提高土地覆被分類精度，采用非參數(shù)權(quán)重特征提取(nonparametric weighted feature extraction，NWFE)結(jié)合紋理特征的支持向量機(jī)(support vector machines，SVM)的分類法，對新疆瑪納斯河流域綠洲區(qū)2006年的土地覆被進(jìn)行分類，并將該方法與主成分分析(principal component analysis，PCA)結(jié)合紋理特征的SVM分類、原始波段結(jié)合紋理特征的SVM分類進(jìn)行對比。結(jié)果表明，NWFE結(jié)合紋理特征的SVM分類結(jié)果優(yōu)于其他2種分類結(jié)果，不僅反映了土地覆被分布的整體情況，而且使不同土地覆被類型得到較好的區(qū)分，總體分類精度達(dá)89.17%。

非參數(shù)權(quán)重特征提取(NWFE);支持向量機(jī)(SVM);土地覆被分類

0 引言

遙感土地覆被分類是指根據(jù)遙感圖像中的像元在不同波段的光譜亮度、空間結(jié)構(gòu)特征及其他信息，按照某種規(guī)則或算法進(jìn)行的土地覆被分類［1］。目前，應(yīng)用遙感圖像進(jìn)行土地覆被分類已成為國土資源監(jiān)測、作物監(jiān)測及氣象災(zāi)害監(jiān)測等方面的核心工作［2］，而分類結(jié)果的精度直接影響遙感資料在這些領(lǐng)域的應(yīng)用［3］。不同地物光譜之間的混淆問題是影響遙感圖像分類精度的重要因素之一，這一問題造成地物類別的錯(cuò)分、誤分現(xiàn)象，導(dǎo)致分類精度降低。因此，如何提高土地覆被分類精度一直是遙感應(yīng)用研究的難點(diǎn)和熱點(diǎn)之一。

為解決這一問題，近年來國內(nèi)外學(xué)者研究和發(fā)展了很多方法，其中最常用的是光譜解混及其改進(jìn)算法。國內(nèi)還有學(xué)者提出了其他方法解決這一問題，如關(guān)澤群等［4］利用地物的集合屬性修正分類，在一定程度上避免了分類中的光譜混淆問題;錢樂祥等［5］運(yùn)用歸一化光譜混合分析(normalized spectral mixture analysis，NSMA)方法較好地解決了陰影與低反照率地物之間的混淆問題，提高了城市地表組成估計(jì)的精度;汪閩等［6］著眼于高分辨率遙感圖像更加突出的光譜混淆現(xiàn)象，設(shè)計(jì)開發(fā)了光譜、形狀相結(jié)合的多精度圖像分割算法。但Kuo等［7］提出的“注重局部信息”的非參數(shù)權(quán)重特征提取(nonparametric weighted feature extraction，NWFE)算法目前還沒有被用于解決覆被分類中的光譜混淆問題。NWFE只用于特征提取，需要和其他分類算法配合使用。Vapnik等人在20世紀(jì)90年代提出的基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)(support vector machines，SVM)是一種實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則的機(jī)器學(xué)習(xí)方法，是一種求解模式識別的有效工具，具有良好的泛化能力和防過度學(xué)習(xí)能力，已在未知病毒監(jiān)測［8］、圖像分類［9］、語音識別［10］等諸多領(lǐng)域得到了良好的應(yīng)用;而主成分變換［11］則是一種理論成熟和應(yīng)用廣泛的特征提取方法。

本文以新疆瑪納斯河流域綠洲為研究區(qū)，利用NWFE結(jié)合紋理特征的SVM方法進(jìn)行土地覆被分類，并選擇主成分特征提取波段和原始圖像作為比較基準(zhǔn)，對NWFE特征提取方法和NWFE結(jié)合紋理特征的SVM分類法進(jìn)行評價(jià)。

1 分類方法

1.1 NWFE特征提取法

NWFE的主要思想是對每一個(gè)樣本賦予不同的權(quán)重計(jì)算局部均值、定義新的非參數(shù)類間和類內(nèi)離散矩陣以獲得更多的特征，該方法特別強(qiáng)調(diào)“局部信息的重要性”［7］。非參數(shù)類間離散矩陣定義為

綜上，非參數(shù)類內(nèi)離散矩陣定義為

最優(yōu)特征由優(yōu)化的準(zhǔn)則確定，即

式中:Sw為非參數(shù)類內(nèi)離散矩陣;Sb為非參數(shù)類間離散矩陣。

1.2 SVM 分類法

SVM起源于1960年Vapnik等設(shè)計(jì)的最優(yōu)超平面，到1990年結(jié)合Kernel學(xué)習(xí)法演變?yōu)榉蔷€性識別函數(shù)。最優(yōu)超平面不但要求把類別準(zhǔn)確分開，而且還要求分離間隔最大化。假設(shè)由兩類別組成的大小為m 的訓(xùn)練樣本集 A={(xi，yj)|x∈RN，y∈(±1)，i=1，2，…，m}。

對于線性情況，求解最優(yōu)超平面的問題可以轉(zhuǎn)換為如下二次規(guī)劃問題，最優(yōu)識別函數(shù)為

式中:α為Lagrange算子;h為分類閾值。

線性不可分時(shí)，需要引入非負(fù)的松弛變量ξi(i=1，2，…，m)和錯(cuò)分懲罰因子 C，求得的最優(yōu)識別函數(shù)與式(7)相同。而對于非線性的情況，需將原始特征向量通過非線性函數(shù)F(x)映射到高維線性特征空間，在該高維線性特征空間中構(gòu)造最優(yōu)超平面，并得到最優(yōu)識別函數(shù)

式中k(xi，xj)=F(xj)·F(xj)被稱為核函數(shù)。常見的核函數(shù)有線性核函數(shù)k(xi，x)=xi·x，多項(xiàng)式核函數(shù) k(xi，x)=(xi·x+1)d，徑向基核函數(shù) k(xi，x)=exp(－‖x－xi‖2/2σ2)和 Sigmoid核函數(shù) k(xi，x)=tanh(αxi·x － b)。

SVM最初是針對兩個(gè)類別的分類而提出來的，如何將其推廣到多類別分類仍是目前SVM研究的重要內(nèi)容之一。目前，SVM解決多類別分類問題主要有兩個(gè)方向［12］:①通過構(gòu)造多個(gè)SVM二值分類器，并將它們有機(jī)組合起來實(shí)現(xiàn)多類分類，這類分類器有“一對一”、“一對多”和“多對多”分類器;②在優(yōu)化公式中同時(shí)考慮所有子分類器的參數(shù)優(yōu)化，通過求解該最優(yōu)化問題一次性實(shí)現(xiàn)多類分類。雖然第二類方法思路簡潔，形式簡單，但是計(jì)算復(fù)雜程度高、難度大，所以很少使用。第一類方法最常用且性能較優(yōu)，本文就是使用該類方法中的“一對一”組合的SVM分類器。

2 應(yīng)用試驗(yàn)

2.1 試驗(yàn)區(qū)概況和數(shù)據(jù)源

試驗(yàn)區(qū)瑪納斯河流域位于天山北坡的準(zhǔn)噶爾盆地南緣，南起依連哈比爾尕山北坡分水嶺，與和靜縣毗鄰，北接古爾班通古特沙漠，與和布克塞爾縣、福?？h分界，東起塔西河，西至巴音溝河，地理位置處于 E85°01'～86°32'，N43°27'～45°21'之間，總面積約2.29×104km2，地勢南高北低。為干旱半干旱地帶，綠洲內(nèi)部呈典型大陸性氣候，降雨量集中且年季變化大。綠洲區(qū)以旱地為主，主要植被類型為人工植被和天然草場。

采用2005年瑪納斯流域的LUCC數(shù)據(jù)和2006年7月31日獲取的Landsat 5 TM數(shù)據(jù)［13］進(jìn)行方法應(yīng)用試驗(yàn)。試驗(yàn)選所區(qū)圖像為695行 ×843列大小。

遙感數(shù)據(jù)的預(yù)處理包括地形糾正和FLASSH大氣校正。利用可變經(jīng)驗(yàn)參數(shù)算法(variable empirical coefficient algorithm，VECA)［14］進(jìn)行地形糾正，采用ENVI 4.7軟件中自帶的FLASSH大氣校正模塊完成大氣輻射校正，形成反射率圖像。

2.2 特征提取

祁享年［15］的研究結(jié)果表明，SVM在實(shí)際應(yīng)用中表現(xiàn)出的性能取決于特征提取的質(zhì)量和SVM性能兩個(gè)方面，而前者是決定分類效果好壞的關(guān)鍵。根據(jù)實(shí)地調(diào)查情況和中國科學(xué)院土地資源分類系統(tǒng)，將試驗(yàn)區(qū)土地利用類型分成耕地(C1)、林地(C2)、草地(C3)、水域(C4)、建設(shè)用地(C5)和未利用土地(C6)6類。在TM圖像上廣泛選取了748個(gè)訓(xùn)練樣本和360個(gè)測試樣本，使訓(xùn)練樣本和測試樣本具有代表性。對試驗(yàn)區(qū)TM圖像進(jìn)行NWFE法特征提取和主成分分析(principal component analysis，PCA)，NWFE的結(jié)果如表1所示。

從兩個(gè)方面比較NWFE特征波段與PCA特征波段組合的可分性:①相同的波段數(shù)(NWFE 1—6，PCA 1—6);②方差貢獻(xiàn)率相近時(shí)的波段數(shù)(NWFE 1—5，PCA 1—3)?？煞中缘呐卸?biāo)準(zhǔn)是Jeffries－Matusita(JM)距離［16］，這個(gè)參數(shù)的值在 0 ～2.0 之間，當(dāng)值大于1.9時(shí)說明地物之間可分性較好。按相同波段數(shù)和相近累積方差貢獻(xiàn)率的波段組合分別計(jì)算出JM距離(表2)。

表2 NWFE和PCA特征波段組合的JM距離比較Tab.2 Comparison of the JM distance for NWFE and PCA band combinations

從表2可以看出，無論是相同特征波段數(shù)的組合還是相近累積方差貢獻(xiàn)率的特征波段組合，NWFE對應(yīng)的波段組合的可分性都優(yōu)于PCA。雖然NWFE和PCA都是對相同的感興趣區(qū)提取圖像信息，但是所提取的特征波段中包含的信息則有差別。NWFE算法以各類地區(qū)對應(yīng)的感興趣區(qū)為基礎(chǔ)，計(jì)算各類地物之間和地物內(nèi)部各個(gè)樣本之間的距離，然后利用類間距離和類內(nèi)距離的比值作為各類地物間的可分性信息。在這種可分性信息的基礎(chǔ)上求出其對應(yīng)的特征向量，并進(jìn)行從大到小排序，則NWFE的第i個(gè)新分量就是原始圖像以第i個(gè)特征向量的各分量為權(quán)重的加權(quán)和，它綜合了原始波段的各地物的可分性信息，所以能很好地反映所感興趣地物的原有特征。PCA同樣以相同的感興趣區(qū)為基礎(chǔ)，計(jì)算感興趣的總的協(xié)方差矩陣，然后求出對應(yīng)的特征值和特征向量，并將特征值和特征向量排序(特征值大小代表方差大小，方差大小代表信息量大小)，接著將原始圖像以各特征向量的每一分量為權(quán)重進(jìn)行加權(quán)求和求出各個(gè)主成分。其中，第一主成分包含大部分的綜合信息量(方差最大)，其余主成分所含信息量依次迅速減小。

通過上面的分析可知，NWFE強(qiáng)調(diào)的是所感興趣的地物之間的可分性信息，而PCA強(qiáng)調(diào)的是綜合信息的機(jī)械壓縮，在盡可能不丟失信息的情況下用幾個(gè)綜合變量描述原有變量。所以對于地物之間光譜相似的問題，利用NWFE算法進(jìn)行特征提取是一個(gè)較好的選擇。但從表2可知，僅僅依靠光譜特征，地物之間的可分性并不足以滿足分類需要。光學(xué)遙感圖像的信息特征除光譜信息特征外，還有空間信息特征，紋理特征就是空間信特征的一種。舒寧［17］指出，在遙感圖像專題信息提取中，在原始圖像光譜信息的基礎(chǔ)上加上紋理信息可以使分類的準(zhǔn)確性和精度提高;而Baradld等［18］則認(rèn)為對于遙感圖像來說，角二階矩、均一性、相異性和熵等4種紋理特征提取的效果最好。所以，本文選擇NWFE的第一個(gè)特征波段的3像元×3像元窗口生成這4種紋理特征，并與NWFE的前5個(gè)特征波段組合一起用于分類。該組合最小的JM距離是1.959 6，各個(gè)地物類的可分性較好。為了與其比較，分別用PCA 1—5(與選擇NWFE特征波段相同)、PCA 1—3(與選擇的NWFE特征波段累積方差貢獻(xiàn)率相近)和原始波段TM 1—7與PCA 1的3像元×3像元窗口生成的同樣4種紋理特征組合成特征波段用于SVM分類。

2.3 SVM 分類

利用SVM分類首先要確定核函數(shù)，Roli等［19］的研究表明，徑向基核函數(shù)(radial basis function，RBF)核的分類精度一般高于多項(xiàng)式核和Sigmoid核，線性核的精度最低。而且，多項(xiàng)式和Sigmoid核函數(shù)所需參數(shù)比RBF核函數(shù)多，所以本文選擇RBF核函數(shù)。

Vapnik［20］的研究表明，核函數(shù)的類型與 SVM的性能關(guān)系不大，核函數(shù)的參數(shù)和誤差懲罰因子C是影響SVM性能的主要因素;謝承旺［21］也指出，SVM核函數(shù)選擇合適的參數(shù)對分類器的效果很重要。因此，在使用SVM進(jìn)行分類或預(yù)測時(shí)，如何確定合適的參數(shù)就顯得非常重要。RBF核函數(shù)需要確定2個(gè)參數(shù):核參數(shù)g和懲罰因子C。通常可采用交叉驗(yàn)證算法來確定［22］。經(jīng)驗(yàn)證明，以指數(shù)增長方式(C=2－5，2－3，…，215;g=2－5，2－3，…，215)搜索是快速確定C和g參數(shù)的比較好的辦法。本文選擇Libsvm 3.0軟件提供的參數(shù)選擇模型Grid.py來確定C和g的取值。NWFE及其紋理特征組合，PCA 1—5、PCA 1—3、原始波段TM1—7及其紋理特征組合的最佳SVM模型參數(shù)分別為C=8，g=2;C=128，g=2;C=2，g=8;C=32，g=0.5。

使用上述最佳參數(shù)構(gòu)建的SVM分類器對研究區(qū)4種特征波段組合進(jìn)行分類，其結(jié)果如圖1所示。

圖1 分類結(jié)果Fig.1 Classifacation images

從圖1可以看出，NWFE 1—5及紋理特征組合的SVM分類效果最好。為了定量評價(jià)分類模式的有效性，利用混淆矩陣分別對這4個(gè)波段組合的SVM分類結(jié)果進(jìn)行評價(jià)(表3)。

表3 SVM分類混淆矩陣Tab.3 Confusion matrix of SVM classification

2.4 試驗(yàn)結(jié)果分析

從分類結(jié)果(圖1)可以看出，圖1(d)的分類效果最為理想，而圖1(a)的分類效果不是很理想。圖1(d)與其他3個(gè)圖相比地物類多為面狀分布，而其他3個(gè)圖中地物分布比較細(xì)碎(如圖1(c)中對應(yīng)的E區(qū)域)。通過圖像對比可以發(fā)現(xiàn)，圖1(a)，(b)，(c)中地物被誤分的現(xiàn)象較多，但總體上看圖1(c)分類結(jié)果要優(yōu)于圖1(a)，(b)。針對前3張圖，以圖1(c)中A，B，C，D對應(yīng)區(qū)域?yàn)槔右杂懻?①區(qū)域A，B中的建設(shè)用地被誤分為了草地，這可能由于草地本身就存在于建設(shè)用地中的緣故;②區(qū)域C中，未利用土地被誤分為了建設(shè)用地，這主要的原因可能是兩者的光譜相似性較高;③區(qū)域D中誤把耕地分為植被，這或許是因?yàn)檫@個(gè)區(qū)域靠近水庫，地下水位較高導(dǎo)致地表含水量較多，影響了地物的光譜。當(dāng)然，除了D區(qū)域外其他3個(gè)區(qū)域在圖1(d)中都得到了很好的區(qū)分。從視覺上可知，基于NWFE結(jié)合紋理特征組合的SVM分類結(jié)果優(yōu)于其他3種特征波段組合的SVM分類結(jié)果。

從表3中各分類結(jié)果混淆矩陣的對比分析可知，NWFE 1—5及紋理特征的SVM分類結(jié)果中各地物類別精度都比較均衡且較高(都大于70%);而其他3個(gè)組合的SVM分類結(jié)果的分類精度起伏較大，且最低精度都小于70%，特別是PC 1—3及紋理特征組合的SVM分類結(jié)果精度最小的只有58.33%，不能滿足應(yīng)用要求。TM原始波段及紋理特征組合的SVM分類精度對C1，C2，C3，C4的分類精度都大于等于NWFE 1—5及紋理特征的SVM分類結(jié)果精度，但對C5，C6的分類精度相對較低，雖然滿足應(yīng)用需求，但總體效果比NWFE 1—5及紋理特征的SVM分類效果差。從總體精度來看，NWFE 1—5及紋理特征組合的SVM分類結(jié)果的總體分類精度與原始波段TM 1—7及紋理特征組合的SVM分類總體精度相當(dāng)，而比PC 1—3及紋理特征組合和PC 1—5及紋理特征組合的SVM分類總體精度分別提高提高了9.17%和2.50%。這也說明基于NWFE與紋理特征相結(jié)合的SVM分類不但降低了分類波段的維數(shù)，而且取得了很好的分類效果。

試驗(yàn)區(qū)中由于水庫的存在使得地下水位較高，再加上氣溫高蒸發(fā)量大使得表土積鹽嚴(yán)重，所以地表作物和植被長勢受到影響，而地表含水量較多又進(jìn)一步影響了地物的光譜曲線。同時(shí)由于圖像空間分辨率為30 m，在地類交界處的像元中可能包含多種類別，分類是逐像元進(jìn)行，其混合像元造成誤分。SVM通過引入RBF核函數(shù)進(jìn)行非線性變換將樣本非線性地映射到一個(gè)更高維的空間，通過提取地物類別的非線性特征增強(qiáng)了它們之間的線性可分性，而NWFE又提供了注重局部信息的特征提取方法。通過本次試驗(yàn)可以看出，NWFE結(jié)合紋理特征的SVM分類是一種有效的土地覆被分類方法。

3 結(jié)論

1)非參數(shù)權(quán)重特征提取(NWFE)算法對本次研究的試驗(yàn)區(qū)是一種很好的特征提取方法，與主成分分析(PCA)相比，能夠有效地提高地物類別之間的可分性并壓縮數(shù)據(jù)量。

2)在遙感圖像分類中，充分利用其紋理特征輔助光譜信息進(jìn)行分類能夠增大地物之間的可分性(實(shí)驗(yàn)中，加入紋理信息后地物之間的可分性從JM距離最小為1.568 6提高到JM距離最小為1.959 6)。

3)NWFE結(jié)合紋理特征的SVM分類方法用于土地覆被分類是可行的，并且有較高的分類精度(高達(dá)89.17%)，這與TM原始波段結(jié)合紋理特征的SVM分類精度持平。

4)NWFE方法與SVM分類方法仍然存在一些問題，有待一步研究。NWFE方法雖然能提高地物之間的可分性，但由其原理可知該方法提取的各特征波段之間仍然存在相關(guān)性，這使得各波段之間的可分性信息重合，由此可知該方法在增強(qiáng)地物可分性上還受到一定限制。如何解決這一問題，將是今后NWFE方法研究的一個(gè)重要方向。隨著屬性數(shù)據(jù)特征的增多，SVM核函數(shù)參數(shù)的確定需要耗費(fèi)較多時(shí)間。如何改進(jìn)核函數(shù)參數(shù)的求解方法也將是今后SVM方法的一個(gè)研究方向。

［1］ 王 靜.土地資源遙感監(jiān)測與評價(jià)方法［M］.北京:科學(xué)出版社，2006:60 －61.

［2］ 喻小倩，劉 娜，李 紅，等.基于線性光譜混合分解和最大似然分類相結(jié)合的土地覆被分類——以紅寺堡灌區(qū)為例［J］.國土資源遙感，2010(1):96 －100.

［3］ 孫秀邦，范 偉，嚴(yán) 平，等.遙感影像土地覆被分類研究進(jìn)展［J］.中國農(nóng)學(xué)通報(bào)，2007，23(9):607 －610.

［4］ 關(guān)澤群，劉繼琳，崔衛(wèi)紅.利用地物的幾何屬性改進(jìn)影像分類效果［J］.國土資源遙感，2001(1):31 －35.

［5］ 錢樂祥，崔海山.運(yùn)用歸一化光譜混合模型分析城市地表組成［J］.國土資源遙感，2006(2):64 －68.

［6］ 汪 閩，萬其明，張大騫，等.光譜、形狀特征結(jié)合的多精度圖像分割算法與應(yīng)用［J］.地球信息科學(xué)學(xué)報(bào)，2010(2):2261－2268.

［7］ Kuo B C，Landgrebe D A.Improved Statistics Estimation and Feature Extraction for Hyperspectral Data Classification［D］.Ph D Thesis and School of Electrical and Computer Engineering，Purdue University，West Lafayette，IN，Tech Rep TR － ECE，2001:1 －6.

［8］ 王 碩，周激流，彭 博.基于API序列分析和支持向量機(jī)的未知病毒檢測［J］.計(jì)算機(jī)應(yīng)用，2010，27(8):1942 －1943.

［9］ 祁亨年，楊建剛，方露明.基于多類支持向量機(jī)的遙感圖像分類及其半監(jiān)督式改進(jìn)策略［J］.復(fù)旦學(xué)報(bào):自然科學(xué)版，2004，43(5):781－784.

［10］朱志宇，張 冰，劉維亭.基于模糊支持向量機(jī)的語音識別方法［J］.計(jì)算機(jī)工程，2006，32(2):180 －182.

［11］ Tadjudin S，Landgrebe D A.Classification of High Dimensional Data with Limited Training Samples［D］.Purdue University，West Lafayette，IN，TR －EE 98 －8，April，1998:35 －82.

［12］唐發(fā)明，王仲東，陳綿云.支持向量機(jī)多分類分類算法研究［J］.控制與決策，2005，20(7):746 －749，754.

［13］中國科學(xué)院計(jì)算機(jī)網(wǎng)絡(luò)信息中心國際科學(xué)數(shù)據(jù)服務(wù)平臺［DB/OL］.［2011 －05 －31］.http://datamirror.csdb.cn.

［14］ Gao Y N，Zhang W C.Variable Empirical Coefficient Algorithm for Removal of Topographic Effects on Remotely Sensed Data from Rugged Terrain［C］//IGARSS’2007，IEEE，2007:4733 －4736.

［15］祁享年.支持向量機(jī)及其應(yīng)用研究綜述［J］.計(jì)算機(jī)工程，2004，30(10):6 －9.

［16］ Richards J A，Jia X P.Remote Sensing Digital Image Analysis:An Introduction，4th ed.［M］.Berlin，Germany:Springer－ Verlag，2006.

［17］舒 寧.衛(wèi)星遙感影像紋理分析與分形分維方法［J］.武漢測繪科技大學(xué)學(xué)報(bào)，1998，23(4):370 －373.

［18］ Barald A，Parminggian F.An Investigation on the Texture Characteristics Associated with Gray Level Co－occurrence Matrix Statistical Parameters［J］.IEEE Trans on Geosciences and Remote Sensing，1995，32(2):293 －303.

［19］ Roli F，F(xiàn)umera G.Support Vector Machines for Remote Sensing Image Classification［C］//Proc of SPIE，2001:160 －166.

［20］ Vapnik V N.The Nature of Statistical Learning Theory［M］.New York:Springer，2000.

［21］謝承旺.不同種類支持向量機(jī)算法的比較研究［J］.小型微型計(jì)算機(jī)系統(tǒng)，2008，29(1):106 －109.

［22］ Keerthi S S，Lin C I.Asymptotic Behaviors of Support Vector Machines with Gaussian Kernel［J］.Neural Computation，2003，15(7):1667－1689.

Land Cover Classification with SVM Based on NWFE and Texture Features

CUI Lin － lin1，2，LUO Yi1，BAO An － ming1
(1.Xinjiang Institute of Ecology and Geography，Chinese Academy of Sciences，Urumqi 830011，China;2.Graduate School，Chinese Academy of Sciences，Beijing 100049，China)

Land cover classification based on remote sensing image is of significant importance to agriculture，forestry and environment monitoring.Algorithm of remote sensing information retrieval is always an important research topic in this field.This paper made an effort to combine the Nonparametric Weighted Feature Extraction(NWFE)and texture features with the Support Vector Machines(SVM)so as to achieve a higher classification precision.The combined approach was applied to land cover classification of the Manasi River oasis in Xinjiang in 2006，and was compared with approaches of SVM based on Principal Component Analysis(PCA)and texture features and based on original bands and texture features.The results show that the method of SVM combined with NWFE and texture features can capture not only the distribution of land cover but also the difference among land cover types.An overall classification accuracy of 89.17%is obtained，which is better than those of two other classification results.

nonparametric weighted feature extraction(NWFE);support vector machines(SVM);land cover classification

TP 751.1;TP 274;S 127

A

1001－070X(2012)01－0036－07

10.6046/gtzyyg.2012.01.07

2011－05－31;

2011－07－11

崔林林(1984－)，男，在讀碩士生，主要從事遙感制圖方法與應(yīng)用方面的研究。E－mail:cuilinlin2010@hotmail.com

羅 毅(1966－)，男，博士，研究員，博士生導(dǎo)師，主要從事作物生長模型及水文模型研究。E－mail:luoyi.cas@gmail.com。

(責(zé)任編輯:李 瑜)