陳 成，盧 剛，石曉峰

（1.江蘇省測繪工程院，江蘇 南京 210013）

資源三號測繪衛(wèi)星是目前國內(nèi)領(lǐng)先的高分辨率測繪與資源遙感衛(wèi)星，它搭載了1臺地面分辨率2.1 m的高分辨率正視全色相機，1組地面分辨率3.5 m的前后視立體全色相機以及1臺地面分辨率5.8 m的正視多光譜相機[1]，可以快速獲取全球高分辨率立體遙感影像以及多光譜遙感影像。

遙感分類是應用高分辨率遙感影像開展資源調(diào)查的主要途徑之一。常見的遙感分類方法普遍依據(jù)數(shù)理統(tǒng)計學理論，其假定遙感數(shù)據(jù)正態(tài)分布且概率密度函數(shù)可知，這在實際中很少滿足[3]。支持向量機（SVM）[4]適于高維特征、小樣本與不確定性問題，應用支持向量機進行遙感影像分類是近年來的研究熱點。Zhu等使用SVM對ASTER影像進行分類，得出滿意的分類結(jié)果[5]。田源將支持向量機和最大似然法分類結(jié)果對比，SVM在樣本數(shù)目很少的情況下表現(xiàn)出出色的學習能力[6]。陳波采用一種結(jié)合紋理的支持向量機遙感分類方法對Landsat7 ETM遙感影像進行紋理特征提取，構(gòu)建了結(jié)合紋理的SVM分類模型[7]。Foody等將SVM算法用于航空多光譜數(shù)據(jù)的分類，并與決策判別(DA)、DT、NN進行對比[8]。譚琨等建立了一個基于支持向量機和多變量分析的高光譜分類器[9]。本文研究了運用支持向量機方法對資源三號測繪衛(wèi)星多光譜數(shù)據(jù)進行分類。

1 研究方法

1.1 研究區(qū)概況與數(shù)據(jù)

宜興市地處長三角地區(qū)，城市化水平較高，用地類型多樣且較破碎。采用傳統(tǒng)陸地資源衛(wèi)星進行分類，對于破碎地物提取效果較差，分類精度不高。資源三號測繪衛(wèi)星全色與多光譜數(shù)據(jù)分辨率較以往有較大提高，可以更加準確地分辨地表細節(jié)，且影像動態(tài)范圍由以往的8 bit提高到16 bit，地物光譜信息更加豐富，可以更準確地分辨地物細節(jié)信息。本文選取宜興市區(qū)面積約140 km2多光譜遙感影像數(shù)據(jù)作為典型研究區(qū)。遙感影像數(shù)據(jù)獲取時間為2012年4月，植被處于高速生長期，植物光譜信息較為明顯，適宜于影像分類研究。影像幾何精糾正數(shù)據(jù)源選擇14.25 m分辨率GeoCover全球拼接融合遙感影像與30 m分辨率GDEM高程數(shù)據(jù)。

根據(jù)影像反映的用地信息與典型區(qū)實際情況，將該區(qū)域土地分類分為耕地、林地、水域、居民地及建設(shè)用地、未利用土地5類。

1.2 SVM基本原理

1.2.1 二類分類的SVM

對于二類分類問題，假設(shè)在d維特征空間有包含N個元素的特征向量xiRd(i=1,2,…,N)，對應每個向量xi有類別yi{+1,-1}。當?shù)诙悊栴}是線性可分時，SVM嘗試找到一個分類超平面將二類問題分開。這一分類超平面可表示為：

式中，w=(w1,w2,…,wN)表示垂直于超平面的向量；bRd表示偏移量。尋找最優(yōu)超平面可以通過解算下面的最優(yōu)化問題得到：

式中，ai為拉格朗日乘子，當ai非0時，對應的訓練樣本稱為支持向量(SV)；K為核函數(shù)，用于解決非線性問題的分類；C為懲罰系數(shù)，用于控制訓練過程中的誤差[10]。

1.2.2 多類分類的SVM

原始SVM只能處理二類分類問題，在解決多類分類問題時需要將其擴展。一般有2種途徑：一是將多個分類面的參數(shù)求解合并到一個最優(yōu)化問題當中，通過求解該最優(yōu)化問題，一次性地實現(xiàn)多類分類，即“一對多”策略；二是通過某種方式構(gòu)造一系列的二類分類器將它們組合在一起從而實現(xiàn)多類分類，即“一對一”策略。目前，“一對一”策略解算次數(shù)較少，結(jié)構(gòu)簡單、容易訓練且收斂速度快，但二類問題的劃分可能會造成二類分類樣本數(shù)量的不平衡，從而影響最終精度；“一對多”策略所需解算次數(shù)較多，可獲得更高的分類精度，但是當類別數(shù)較大時，可能會產(chǎn)生潛在的精度問題。由于本研究分類類別相對較少，故選用“一對多”策略。

1.3 技術(shù)方法

1.3.1 數(shù)據(jù)預處理

首先進行資源三號測繪衛(wèi)星數(shù)據(jù)的幾何精糾正，以該區(qū)域GeoCover全球拼接融合遙感影像與30 m分辨率GDEM高程數(shù)據(jù)為基準，運用二次多項式糾正法，在遙感影像上均勻選取18個控制點，影像糾正算法總RMSE為0.59。圖像重采樣采用最鄰近像元法，保證影像光譜信息的準確真實。隨后，在影像上提取約140 km2典型區(qū)影像。圖1和圖2分別為實驗區(qū)真彩色合成影像和假彩色合成影像，真彩色合成影像色彩真實、地物信息豐富，假彩色合成影像的植被信息較為發(fā)達。

圖1 實驗區(qū)真彩色合成影像圖

圖2 實驗區(qū)假彩色合成影像圖

1.3.2 樣本采集

通過目視解譯，結(jié)合1∶10 000地形圖數(shù)據(jù)等輔助數(shù)據(jù)，進行訓練樣本和檢驗樣本提取。采集數(shù)量相近的訓練樣本與檢驗樣本，且各類樣本在研究區(qū)均勻分布，如表1所示。對于樣本可分離性進行檢驗，發(fā)現(xiàn)居民地及建設(shè)用地與未利用土地間光譜較為相似，可分離性僅為1.61。分析研究區(qū)地物分布發(fā)現(xiàn)，該區(qū)域道路多為水泥路面，光譜較為類似，因此將這2類合并為1類，即居民地與建設(shè)用地。

表1 訓練樣本與檢驗樣本采集表

1.3.3 分類流程

在樣本數(shù)據(jù)準備完成后，將樣本數(shù)據(jù)輸入向量機進行分類，同時應用ENVI軟件內(nèi)置的最大似然法和最小距離法進行分類，并對比分類結(jié)果。

2 分類結(jié)果與精度評價

2.1 SVM分類與精度評價

首先應用SVM分類法進行地物分類，如圖3所示。

圖3 實驗區(qū)SVM分類結(jié)果

從圖3可以看出，各類用地基本上均已準確區(qū)分。但仍存在一些問題：首先是建筑物陰影與水體間光譜信息近似，有一些建筑物陰影被錯劃為水體；其次是部分耕地被錯分為林地。應用混淆矩陣法進行精度評價（見表2），總精度為97.76%，Kappa精度為0.968 7。

表2 各土地利用類型分類精度/%

2.2 其他分類方法對比

應用2種常見的遙感影像監(jiān)督分類方法——最大似然法與最小距離法進行遙感影像分類，如圖4。

圖4 最大似然法與最小距離法分類結(jié)果

對比2幅分類結(jié)果影像發(fā)現(xiàn)，這2種分類方法雖然可以大致反映各類地物的總體分布趨勢，但各有不足。最大似然法對于植被分類較為敏感，可以準確地對耕地與園地進行分類，而對林地識別能力稍差，不能區(qū)分建筑物陰影與水體，對于居民地及建設(shè)用地的分類基本準確；最小距離法對林地分類效果較好，對于水體則效果較差，且將部分植被誤分為建筑用地，導致居民地及建設(shè)用地面積過大。2種分類結(jié)果的精度評價如表3所示。

表3 各分類方法總體精度對比表

3 結(jié) 語

本文以江蘇省宜興市140 km2典型區(qū)多光譜遙感影像數(shù)據(jù)作為數(shù)據(jù)源，運用SVM分類法進行分類實驗，同時采用最大似然法和最小距離法進行分類對比。結(jié)果表明，SVM分類法可以有效地進行地物分類，效果優(yōu)于傳統(tǒng)遙感分類方法，可以滿足土地分類應用的需要。其分類總精度為97.76%，Kappa精度為0.968 7；資源三號測繪衛(wèi)星影像適用于遙感地物分類調(diào)查，具有很高的實用價值。

本文僅用資源三號多光譜數(shù)據(jù)進行分類研究，在下一步工作中應考慮引入高分辨率全色影像數(shù)據(jù)、立體像對數(shù)據(jù)進行分類，同時結(jié)合影像增強與融合等方法進行輔助分類，從而提高分類精度，消除誤差。

[1]唐新明,張過,祝小勇,等. 資源三號測繪衛(wèi)星三線陣成像幾何模型構(gòu)建與精度初步驗證[J]. 測繪學報,2012,41(2) :191-198

[2]國家測繪地理信息局衛(wèi)星測繪應用中心. 應用領(lǐng)域展望[EB/OL].http://sasmac.sbsm.gov.cn/article/yyzw/200912/20091200059262.shtml,2009

[3]駱成鳳. 中國土地覆蓋分類與變化監(jiān)測遙感研究[D]. 北京:中國科學院遙感應用研究所,2005

[4]Cortes C, Vapnik V. Support-Vector Networks [J].Machine Learning,1995,20(3):273-297

[5]Zhu G B, Blumberg D G. Classification Using ASTER Data and SVM Algorithms; The Case Study of Beer Sheva, Israel[J].Remote Sensing of Environment, 2002, 80(2): 233-240

[6]田源，塔西甫拉提·特依拜，丁建麗，等.基于支持向量機的土地覆被遙感分類[J].資源科學,2008(8):1 268-1 274

[7]陳波,張友靜,陳亮.結(jié)合紋理的SVM遙感影像分類研究[J].測繪工程,2007(5):23-27

[8]FoodyGM, MathurA. A Relative Evaluation of Multiclass Image Classification by Support Vector Machines[J].IEEE Transactionson Geoscience and Remote Sensing, 2004, 42(6): 1 335-1 343

[9]譚琨,杜培軍,王小美.基于支持向量機和多變量分析的高光譜遙感數(shù)據(jù)分類[J].測繪通報,2009(11):37-40

[10]張睿,馬建文.支持向量機在遙感數(shù)據(jù)分類中的應用新進展[J].地球科學進展,2009(5):555-562