面向对象的遥感图像分析是遥感图像处理技术的发展方向之一。面向对象的遥感图像分析方法也称为基于分割单元的分析方法,而对象是指通过一定的图像分割算法对遥感图像进行分割,得到内部属性相对一致或均匀程度较高的图像片段或区域单元。在土地覆被分类应用领域,这种分割单元就是土地利用斑块。面向对象的分析方法主要特点是它识别和分类的目标是对象片段或区域,而不是单个像元,把这个识别分类过程建立在分割单元层次上的方法叫做面向对象遥感图像分类技术。面向对象分类技术优越点不仅在于充分考虑了地物的光谱特征,而且利用了地物之间的空间信息,因此,已经在一些应用领域得到有效的推广使用。但在面向对象土地覆被遥感图像分类技术中,基于核函数学习理论的分类方法尚待深入研究,特别是基于支持向量机理论的面向对象分类技术研究开发及应用方面缺少全面和深入的基础研究支持。本文正是基于统计中的核函数学习理论,针对支持向量机在新型土地覆被面向对象遥感图像分类技术研究中亟待解决的理论框架问题与关键技术,依据统计学、计算图像工程学、遥感影像解译、数字图像处理学的相关原理,研究了基于支持向量机理论的面向对象分类技术,探索了支持向量机理论在面向对象问题上的应用潜力、能力和前景。具体开展了以下三个方面的研究工作(研究内容和创新点):1.开始从广义遥感图像分类的最小单位即像素角度出发,总结了核密度函数在图像分类中已有的研究成果,分析了核密度函数在分类中的显著特点,提出了一个快速“核密度估计Bayes监督分类”土地覆被分类模型,并开发了一个分类子应用系统。首先因为合理选择核函数是支持向量机分类方法的重要组成部分。其次,了解核函数的带宽参数特点,对于核密度梯度图像分割方法中重要尺度参数选择具有重要意义。核函数使支持向量机可以容易地是实现非线性映射运算。本章通过对经典高斯核函数的改进,初步认识核密度函数的带宽参数的特征及物理意义。研究结果表明:将该快速变换后的核函数应用于遥感图像土地覆被分类,达到了快速计算的目的,分类精度与同等条件下标准支持向量机相接近,实验结果也验证了改进后核函数跟踪样本分布的有效性。本章的研究作为下一步面向对象分类的必要的基础。2.以遥感图像核密度梯度图像分割理论为基础,建立在分割单元即对象层次上,逐步开展了基于支持向量机理论的面向对象图像分类技术研究工作和子应用系统开发工作。进行了一系列的面向对象层级基础性研究工作。以下研究方法和相应开发的子应用系统,归类于单一尺度面向对象分类技术( Single Layer Object-Oriented SVM,简记为SOBIA-SVM)体系中。(1)提出了采用标准支持向量机理论的面向对象遥感图像分类方法,并开发了相应的子系统程序(S-SVM)。提出的建立在分割单元特征基础上的方法S-SVM,充分利用了支持向量机在小样本特征空间中的优良的识别特性。通过统计分析,说明提出的分类方法优于传统KNN方法。实验结果表明,该方法可以应用到遥感图像面向对象识别分类中。(2)提出了基于模糊支持向量机理论的面向对象分类方法,并开发了相应子系统程序(F-SVM)。提出的采用模糊支持向量机的面向对象模式分类方法(F-SVM),对分割得到的对象单元进行了特征模糊数学权重评价,对特征中的“奇异”向量点进行弱化权重评价,使其对分类超平面的影响最低。通过统计分析,说明提出的分类方法优于未进行样本模糊权重处理的方法。实验结果表明,提出的方法精确度相比标准支持向量机方法提高了5.1%左右。(3)提出了基于最小二乘支持向量理论的面向对象分类方法,并开发了两个子系统程序S-LSSVM和FG-LSSVM。首先,对分割单元直接选择特征单元对象,利用标准最小二乘支持向量机进行模型的建立工作,实验数据表明,采用S-LSSVM方法,图像识别率达到了92.8%,对比相同测试样本条件下最近邻KNN方法为95.2%,SVM为95.2%,相差约2.4%左右,另外,直接S-LSSVM面向对象方法计算速度相对更快外,检测精度接近同等条件下S-SVM和KNN面向对象分类模型。然后,在此S-LSSVM子系统基础上,深入研究并提出采用模糊灰色关联理论对样本单元进行预处理条件下的面向对象分类方法,并开发了相应的程序FG-LSSVM。提出采用最小二乘支持向量机与模糊灰色关联理论特征样本预先处理的新组合分类算法。实现了一个较高精度的遥感图像面向对象分类信息系统。实验结果表明,提出的FG-LSSVM面向对象分类方法相比较标准支持向量机S-SVM、模糊支持向量机F-SVM、以及最近邻KNN面向对象方法,其实验精度提高了2.4%左右,相比未进行特征样本预先处理的S-LSSVM算法,精度提高了约4.8%左右。提出的新方法在识别性能和精度上有了改善外,应用方面也和以上面向对象方法一样符合研究区实际分类应用的要求。3.引入计算机视觉中的层次识别技术,通过改变遥感图像分割尺度,把大分割单元对象层划分到最底层,并在该层次建立起支持向量机识别模型,从而先行提取出大尺度层次上土地覆被地物来,剩下的小尺度地物单独建立一个层次,并在该层以小尺度参数重新分割图像,并且建立新的支持向量机模型,提取小尺度地物类型。通过计算机视觉中的图像准确掩模编程技术,将各层级提取的地物掩模叠加,得到最后的分类结果。本章是建立在第二部分的单一尺度面向对象分类研究(SOBIA-SVM)体系基础之上,并重点研究提出一个新的多层次的面向对象方法( Multi-Layer Object-OrientedSVM,简记为MOBIA-SVM),提出了分类理论框架,思路侧重以实用价值和学术意义为出发点,进行了算法设计和应用实验,研究结果表明,提出的多层次支持向量面向对象分类方法,不仅适用大幅面尺度遥感图像分类,尤其是对小尺度地物分类精确度提高显著。此方法作为加快实现实际应用研究提供了基础研究支撑。结束语本项研究为进一步深化和完善支持向量机理论在面向对象遥感图像分类中的应用,进行了有益的探索并提供了技术支撑,也为土地覆被面向对象分类技术的发展,提供了基础研究参考。同时对计算机视觉技术应用,特别是遥感数字图像分割技术进一步研究,具有重要的实际促进意义。