第11卷 第2期2007年3月
遥 感 学 报
V o. l 11, N o . 2M ar . , 2007
文章编号:1007-4619(2007) 02-0193-08
融合形状和光谱的高空间分辨率遥感影像分类
黄 昕, 张良培, 李平湘
(武汉大学测绘遥感信息工程国家重点实验室, 湖北武汉 430079)
摘 要: 提出了一种像元形状指数及基于形状和光谱特征融合的高(空间) 分辨率遥感影像分类方法。形状和光谱是遥感影像纹理的具体表现形式, 尤其在高分辨率影像中地物细节得到充分表达, 相邻像元的关系及其共同表征的形状特性成为分类的重要因素。本文用像元及其邻域的关系来描述其空间结构, 同时为了更全面地利用影像特征, 提出了基于支持向量机的形状和光谱融合分类方法。实验证明, 该方法计算简便且能有效表达高分辨率影像的地物特征, 提高分类精度。
关键词: 像元形状指数; 光谱; 支持向量机; 融合; 高空间分辨率中图分类号: TP751. 1 文献标识码: A
C lassificati on of H igh Spati al R esol uti on R e m otel y Sensed I magery
B ased on the Fusion of Spectral and Shape Features
HUANG X i n , Z HANG L i ang -pe, i LI P i ng -x i ang
(Na ti onalK ey Labora t ory for In for ma tion Eng i neerin g i n S urve yin g , M app i n g a nd R e mote S e n sin g,
Wuhan Universit y , HubeiWuhan 430079, China )
Abstract : C lassificat i on of m ultispectral data w ith h i gh spatial reso l ution is investi gated . H i gh spatial
resolut i on re mote l y se nsed(HSRRS) m i agesw it h mu ltispectral bands such asQ uickB ir d and I KONOS provide a large a mount of inf or m ati on , thus ope n i ng up avenues for ne w re m ote se nsing applicat i ons . H o wever , their ava ilability poses challe nges to m i age classificat i on . Due to the co mplex spatial arrange m ent and spectral heterogeneity e ven w ith i n the sa m e class , conve ntional spectr a l classificati on m et hods are grossl y inadequate for HSRRS m i agery . I n or der to overco me this i nadequacy , spectral features must evidentl y be co mple mented by one or the other m eans . Shape is an m i portant feature of high spatial resolut i on re motely sensed(HSRRS) m agery i , and it is the m anifestation of textures on such m i ager y . In th i s paper , a spatial feature i ndex , pi xel shape i ndex(PSI) , is pr oposed i n order to descri be the shape feat ure in a local area surround i ng a pi xe. l PSI is a p i xel base d feature , which m easures the gray sm i ilarity d i sta nce i n every direction . A s m erely t he shape feat ure i s i nadequate for classificati on of HSRRS m i ager y , the spectral bands are added to the input vectors o f our classifier . A nd then a fast fusi on a l gorithm whic h integrates bot h shape and spectr a l features using the support vector mac h i ne (SV M ) has been devel oped to i nter pret the co m ple x i nput vectors . T o test the effecti veness o f PSI , so m e spat i al features extracted by wavelet tra nsfor m (WT), gray level co -occ urrence matri x (GLCM ) are ut ilized for co mparison . Experm i ental results de monstrate that PSI is capable of descri b i ng the shape features effect i vel y and leads to m ore acc urate classifications than other m ethods , m eanwhile the classificati on algorithm f usi ng spectral and shape features by S VM is feasi ble . It is also found that spectral and
收稿日期:2006-02-28; 修订日期:2006-07-28
基金项目:国家自然科学基金(编号:40471088, 40523005), 973项目(编号:2006CB701302) 及测绘遥感信息工程国家重点实验室开放基金项目(编号:904151695) 。
作者简介:黄 昕(1982) l w . edu. 。
), 男, 博士研究生。现主要从事遥感影像模式识别、神经网络原理、遥感应用等方面的研究。E -ma i :l
shape features can co mple m ent each other a nd t heir i ntegrat i on can result i n enhance d accurac y . K ey words : PSI ; spectru m; SV M; fusi on ; high spatial reso l ution
度上平滑噪声; (3) 尽量拉大不同形状区域像元之
1 引 言
高(空间) 分辨率遥感影像能够提供大量的地表特征, 同一地物类别内部组成要素丰富的细节信息得到表征, 空间信息更加丰富, 地物的尺寸、形状及相邻地物的关系得到更好的反映。然而这类新型遥感影像的光谱统计特征不如低分辨率影像稳定, 地物空间分布复杂, 同类物体呈现出很大的光谱异质性, 具体表现为类内方差变大, 类间方差减小, 不同地物的光谱相互重叠, 使得传统的光谱分类方法不能得到满意的结果。因此近年来遥感应用人员提出了很多空间特征算子, 以弥补光谱特征的不足。Zhang 利用灰度共生矩阵(GLC M ) 提取城市的结
[2]
构信息, 取得了比光谱特征更好的效果; M y int 比较了灰度共生矩阵、小波变换、分形特征以及空间自相关在高分辨率影像特征提取中的效果, 结果小波变换(Wavelet Transfor m ) 取得了最高的精度; 李厚强等
[3][1]
间的特征值, 这是为了充分利用高分辨率影像的细节特性。
首先定义方向线为穿过中心像元的一系列线段, 它们的长度各不相同, 其长度由相邻像元间的光谱同质性测度和阈值来确定。图1表示中心像元(Centric pixel) 及其邻域像元(Surroundi n g pixel) 所构成的方向线, 图中相同灰度的像素处在同一方向线上。
图1 PSI 的方向线
F i g. 1 D irecti on -li nes o f PS I a l go rith m
用分形理论构造了航空影像的纹理特征, 把
形状指数的计算就是基于这一系列方向线的长度, 其计算步骤如下, 计算流程如图2所示。
光谱特征和纹理特征输入BP 神经网络, 较好解决了具有相似光谱特征地物的区分问题;
[4]
Bened i k tsson 用数学形态学构造了多尺度的空间特征剖面, 并用神经网络融合空间特征和光谱特征, 取得了较高的精度; Segl 用种子点填充和迭代的方式, 结合不同地物的形状模板提取高分辨率影像目标的形状特征, 取得了较好的形状分类效果。
本文提出一种像元形状指数(Pixel Shape I ndex , PSI), 通过像元及其邻域的光谱相似性描述其上下文的形状分布, 然后把归一化后的形状和光谱特征输入支持向量机(SVM ) 进行分类。文章详细讨论了PSI 的构造及其三个参数对分类结果的影响和作用, 并用QuickB ird 多光谱影像实验证明了算法的有效性。
[5]
图2 PSI 算法流程图F i g. 2 The floe chart o f PS I a l go rith m
2 算 法
2. 1 像元形状指数(PSI)
PSI 的设计原则是:(1) 利用相邻像元的光谱相似性, 目的在于考虑像元的空间上下文特征; (2) 使处于相同形状区域内的像元具有相同或相近的特征
值(1) 同质性测度:
PH i (x , y ) =
E
n
s=1
p s -p s
cen
cen sur
(1)
式中, PH i (x,y ) 表示当前的邻域像元(x, y ) 在第i 条方向线上的同质性测度值, p s 表示中心像元在波段s 上的光谱值, p s 表示当前邻域像元在波段s , s u r
(2) 方向线的扩展:每条方向线都按照特定的规则从中心像元出发朝两边同时扩展, 第i 条方向线扩展的条件是:(a ) 当前像元的P H i (x , y ) 小于阈值T 1; (b ) 该方向线的总长度小于阈值T 2。(3) 设D 为一个像元的方向线总数, 遍历整个影像, 按照(1) 和(2) 两步可以分别跟踪得到每个像元的所有D 条方向线。
(4) 按式(2) 计算第i 条方向线的长度:
e 1e 2e 1e 2
d i =m ax {|m -m |,|n -n |}
e 1
e 1
e 2
e 2
降低影像的灰度级, 然后计算灰度值相同的像元个数, PS I 则保留了原始影像的灰度特征, 然后用同质性阈值计算灰度值相似的像元个数; (3) GLC M 探测4个方向, 而PSI 探测20个方向。以上特性使PSI 在高分辨率影像分类中能比GLC M 获得更好的效果。
2. 2 基于S VM 的光谱和形状特征融合
(2)
法
[6]
近年来遥感学者们提出了很多空间和光谱特征融合的分类方法, 主要分为两种:一是多分类器算
, 二是单分类器多特征算法
[3, 4]
式中, (m, n ) 表示该方向线一端的像元坐标行列号, (m, n ) 表示另一端点的行列号。因此得到任
意像元(i , j) 的方向线长度序列:d (i , j ) =[d 1, d 2, , , d D ]。
(5) 形状指数的计算是基于像元的方向线序列, PSI 用如下3个指标作为像元(i , j ) 的形状指数:
PSI 1(i , j ) =
。前者主要利
用多种分类器的决策层融合, 并行处理多元特征, 在决策层根据不同特征和分类器的功能进行融合; 后者的处理方法是先把不同特征归一化, 然后用一个分类器处理混合特征向量。两者各有特点, 算法一是特征在决策层融合, 能最大限度地利用每个特征的单一处理能力; 算法二是在特征层的融合, 有效特
E
D
i=1
d i
(3)
PSI 2(i , j ) =m ax (d 1, d 2, , , d D )
征的加入使特征空间的维数扩展, 也使可分性加强。算法一需要更多的CPU 时间, 算法二对特征的依赖性更强。考虑到高分辨率的海量数据, 本文选择单分类器多特征方法。
已有研究利用极大似然, BP , Fisher , EC HO, ART MAP
[3, 6]
PSI 3(i , j ) =m i n (d 1, d 2, , , d D )
这样, 每个像元可得3维形状指数特征向量。PSI 共有3个参数:光谱相似性阈值T 1、空间扩展阈值T 2和方向线总数D 。它们在影像特征提取中承担不同的功能:D 控制方向线的疏密程度和夹角, 它表示PSI 对空间特征描述能力, D 越大, 方向线越密集, 夹角越小, 对邻域形状的探测越准确; T 1是同质性阈值, 它与同一形状区域内像元灰度的变化程度有关; T 2是空间扩展阈值, 表示方向线的最大长度限制, 它和影像目标的大小有关。可以预计, D 越大越好, 而T 1和T 2需要结合具体的影像特点灵活设置。式(1) 是为了简便的探测邻域的光谱相似性, 符合PSI 设计原则的条件1; 式(2) 用垂直和水平距离计算长度是为了避免欧式距离的浮点计算, 且有助于减少同质像元间的特征值差别, 符合设计条件2; 式(3) 用方向线长度的最值和总和作为形状特征向量, 是为了体现不同形状区域像元的特征值之差, 符合条件3。
PSI 的出发点是利用邻域灰度相似性来度量上下文的结构信息, 这一点和灰度共生矩阵的思想很相似, 两者都对光谱空间进行变换, GLC M 把光谱空间变换到共生矩阵空间, PSI 则把光谱空间变换到方向线距离空间, 它们的区别在于:(1) GLC M 采用固定窗口操作, 而PSI 取消了窗口设置, 且每条方向线的长度都不一样, 算法根据不同的结构分布灵活, 等分类器进行多特征融合分类, 本文则
利用支持向量机(SVM ) 处理多元特征向量。选择SVM 是考虑到它在小样本、非线性和复杂的高维模式识别问题上表现出的独特优势
[7]
。关于SVM 的
原理详见文献[7]。基于SVM 的形状和光谱特征融合分类要进行以下设置:
(1) 形状和光谱特征的归一化, 其步骤如下, 其中d ij 和d d i j 分别表示归一化前后的特征值。
step1:
d c i j =
d ij -d m in
#255光谱特征
d max -d m in
直方图均衡化PSI 特征d c c ax i j -d m
step2:d d =#1 所有特征i j
d m c ax -d m c in
所有特征都归一化到[0, 1]范围内, 以便输入SVM 。
(2) 多类问题:处理多类支持向量机大多通过构造一系列SVM, 每个SVM 用于识别其中两个类别
并将其判别结果组合起来实现多类。本文采用OAO(One Aga i n st One) 策略
[8]
, 该方法在每两类间
构建一个分类面, 当对一个未知样本分类时, 每个SVM 都要对其进行判别并投票, 得票最多的类别即为未知样本的类别。
(
作出选择。由于高分辨率影像地物的类间方差较大, 同类地物样本的光谱特征较分散, 并非紧紧围绕着某些中心, 光谱样本没有明显的中心, 样本并无权重大小, 而对于RBF 核来说, 其对于远离节点中心的输入样本的输出几乎为零, 样本根据离中心距离的远近有不同的权重和响应值, 然而多项式核却不存在局域性, 所以它更适合作为高分辨率影像特征的核函数。
(4) 参数优化:设C 是正则化参数, p 是多项式核函数的次数, 在特征空间中C 控制着待分模式对决策面的可偏离程度, C 增大时, 这种偏离程度增大, C 减小时, 可偏离程度减小。本文采用LOOM S (Leave One OutM odel Se l e ction) 算法进行参数优化计。
[8]
可见光多光谱波段, 空间分辨率2144m 。实验目的:一是用来检测PS I 的参数在分类中的作用和影响, 二是测试PSI 对传统光谱分类的改进, 以及它和其他空间特征算子的比较。3. 1 PSI 参数测试
实验区如图3(a) 所示, 由于该实验的目的是测试PSI 的参数, 所以实验影像的地物较简单, 主要包括房屋、道路和树木。图3(b) 是采用RGB 三个波段作为输入的SVM 分类结果, 图3(c) 和图3(d) 是RGB 波段加上3维PSI 特征输入SVM 的分类结果。
从图3(b) 可以看出, 单独使用光谱特征不能有效区分道路和房屋。受太阳高度角影响, 屋顶(人字形) 的朝阳面比背光面反射更强, 在影像上具有更高的灰度值, 而屋顶的阴暗部分和道路的灰度值较接近, 因此造成光谱特征的误分。在PSI 形状特征引入到特征空间后, 分类得到明显改善。下面分别对PSI
三个参数的功能进行测试。
自动对SVM
3 实 验
实验数据选自北京某地QuickB ird 影像的3个
图3 PSI 参数测试影像
(a) RGB 影像; (b ) 光谱分类; (c) D =20, T 1=100, T 2=30; (d) D =20, T 1=100, T 2=5
F i g . 3 T esti ng i m ages for PSI para m eters
(a) RGB i m age ; (b) Sp ectral class ificati on ; (c) class ificati on m ap of PS I w i th D =20, T 1=100, T 2=30;
(d) class ificati on m ap of PS I w i th D =20, T 1=100, T 2=5
(1) D 代表方向线的总数, 表示PSI 对邻域信
息描述的程度。D 越大, 相邻方向线的夹角越小, PSI 对邻域形状探测能力更强。图4为分类精度K appa 系数(纵轴) 和D (横轴) 的关系曲线, D 分别取值8, 12, 16和20, 该图说明了D 在分类中的作用, 当它增加时K appa 系数的提高很明显。(2) T 1表示同质性区域里中心和邻域像元的最大光谱差异, 由于高分辨率影像中地物的类内方差较大, 且存在光照、阴影和噪声的影响, 所以较大的T 1在实验中能取得较好的效果, 图5说明了随着T 1的增大, Kappa 系数呈直线上升趋势。
(3) T 2表示同质性区域里中心和邻域像元的
非常重要, T 2和Kappa 的关系如图6所示。
当T 2从110到30时, 精度曲线缓缓上升到最
图4 D 和K appa 的关系曲线
i g . 4 R e bet ween appa i ent and D
3. 2 分类比较实验(1)
为了验证PSI 算法的有效性, 该实验把PSI 算法和几种常用的空间特征算子进行比较。实验影像如图7(a) 所示, 该图是一幅典型的北京城区高分辨率影像, 老居民区房屋较矮较密集, 新社区房屋较高且有草地、树木、花园点缀, 道路既有较宽阔的公路, 又有花园、房屋之间的小路。实验采用的光谱特征是Qu i c kB ird 的RGB 三个可见光波段, 空间特征为
图5 T 1和K appa 的关系曲线
F ig . 5 R elati onship bet w een K appa coe ffi c ient and T
1
PSI (D=20, T 1=100, T 2=50) 、小波纹理特征(WT) 和灰度共生矩阵(GLC M ), 为了使空间特征之间具有可比性, 实验采用文献[9]的算法为每个像元提取3维小波纹理特征, 用文献[1]的算法提取m ean , variance 和contrast 3维灰度共生矩阵特征, 所有的特征都经过归一化后输入SVM 。图7(b) 是经地面调查和全色影像识别后的地面参考数据, 其中少量用来训练SVM, 其余的用来测试算法的精度, 训练样本和测试样本的数据对比见表1。图7(c) 是输入特征为3维光谱波段的分类结果, 图7(d) 是光谱特征加入3维W T 纹理特征分类的结果, 图7(e) 是加入GLC M 特征后的结果, 图7(f) 是光谱加上PSI 特征的分类结果, 精度评定采用混淆矩阵的Overall 精度(OA), 见表2。
表1 训练和测试像元的个数
Tab l e 1 Th e number of tra i n i ng and testing p i xe ls
类别水体树木草地房屋裸地道路阴影
训练样本数
[***********]241
测试像元数
[***********][1**********]648
图6 T 2和K appa 的关系曲线
F ig . 6 R elati onship bet w een K appa coe ffi c ient and T 2
大值, 然后随T 2的减小, K appa 系数出现很快的衰
减。T 2=30和T 2=5的分类图如图3(c) 和图3(d) 所示, 从图中可以看出, 较大的T 2检测出较大范围的地物, 如房屋; 较小T 2检测出较小尺寸的地物, 如房屋间的小路。可见T 2是PS I 算法的尺度因子, 它的设置反映形状检测的目标尺寸。
总的来看, D 一般取20) 24即可, 更大的D 值不能明显提高精度, 但会增加计算时间; T 1的理论值应该是取各类样本的类内均方差的平均值, 但在实验中可以根据具体情况进行调节; T 2是尺度因子, 应根据感兴趣地物的大小来确定, 也可以利用T 2的变化提取多尺度信息。
表2 不同特征的分类精度对比
T ab le 2 Th e classificati on accurac ies of spati a l featu res w ith RGB band s
特征RGB RGB +WT RGB+GLC M RGB +PSI
水体0. 9250. 9250. 9260. 926
树木0. 5760. 6650. 8150. 849
草地0. 5760. 5860. 5930. 606
房屋0. 1530. 3760. 7010. 889
裸地0. 8540. 7600. 7060. 752
道路0. 8790. 8570. 8670. 847
阴影0. 9730. 9640. 9800. 975
OA 0. 6050. 6850. 8140.
876
图7 不同输入特征的分类图比较
(a) 实验区域RGB 影像; (b) 地面参考数据; (c) 光谱特征分类; (d) W T 特征分类(文献[8])
(e) GLCM 特征分类(文献[1]); (f ) PSI 特征分类
F i g . 7 Compar i son of classificati on m aps fo r d ifferent i npu t features
(a) RGB i m age i n t h e exp eri m en tal area ; (b) t h e reference d ata ; (c) The class ificati on m ap us i ng spectral features ; (d) The cl assification map u si ng WT feat u res ; (e) The class i fi cati on m ap us i ng GLC M; (f) Th e cl assifi cati on m ap for PS I
从图7(c) ) (f) 来看, 光谱特征存在较大的误分现象, 几乎无法区分道路和房屋, 树木和草地, 这是由于其光谱特性很相似, 所以必须引入合适的空
间特征。从图7和表2的结果可知, 空间特征对于高分辨率影像解译是必须的, 各种空间特征都能一定程度地改进分类结果。从表2列出的各种地物的分类精度可知, PSI 特征得到的精度最高, 其次是共生矩阵(GLC M ) 和小波变换(WT)。3. 3 分类比较实验(2)
为了进一步验证PS I 算法的适应性, 该实验用图8(a) 为原始影像, 大小1420@460像素, 分类结果如图8(b) ) (d) 所示, 由于小波特征未能取得良好效果, 故没有列出其结果。PSI 的参数设置为:D =20, T 1=130, T 2=100, GLC M 仍然采用m ean , variance 和contrast 3维灰度共生矩阵特征, 所有的特征都经过归一化后输入SVM 。表3是各个地物类别的精度评定, 从该表可知:光谱分类的结果仍然未能有效区分光谱特征相似的草地) 树木和道路) 房屋, GLC M 和PSI 方法能有效改善光谱分类的精度, 而后者的效果更为显著, 草地) 树木的平均分类精度:GLC M 比光谱分类提高了01003, PSI 则027; :,
图8 实验2的分类特征与结果比较
(a) RGB 影像; (b ) 光谱分类结果; (c) GLCM 分类结果; (d) PS I 分类结果
F ig . 8 Comparisons o f class ificati on fea t ures and resu lts for experi m ent (2)
(a) RGB i m age ; (b) cl assifi cati on m ap for s pectral f eatures ; (c) clas s ification m ap f or GLCM; (d) clas s ification m ap f or PS I
表3 实验(2) 的分类精度统计
Tab le 3 A ccu racies statistics for the experi m en t 2
特征RGB GLC M PSI
水体0. 99890. 99890. 9989
树木0. 75060. 83580. 8355
草地0. 81220. 73350. 7820
房屋0. 53640. 55550. 9778
裸地0. 99210. 98620. 9882
道路0. 79550. 82010. 8216
阴影0. 95280. 95270. 9528
OA 0. 74570. 78640. 8566
Kappa 0. 68180. 73930. 8234
PSI 为0104; 对于房屋的分类:GLC M 为01191, PSI 则是01442。
PS I 和另两种常用的空间算子灰度共生矩阵(GLC M ) 和小波纹理特征(WT) 进行了比较, 结果表明PSI 在高分辨率影像分类上具有一定的优势, 获得了较好的结果。PSI 计算简单, 易于实现, 考虑到高分辨率影像数据量大, 其存储和处理需要更大的空间和更多的时间, 所以PSI 算法具有较强的实用性。
(2) 本文试验了基于SVM 的光谱和形状特征融合分类算法, 把形状特征和光谱特征归一化后输入SVM 。实验证明单分类器多特征的方法是可行的, SVM 能有效利用特征空间中的光谱和空间特征, 提高高分辨率影像的分类精度。
(3) PSI 有很多不足之处有待改进:①当方向4 结 论
(1) 本文提出一种像元形状指数PSI 提取高分辨率影像的结构形状特征。PSI 利用像元邻域的光谱相似性探测其空间形状特征, 用20条不同长度的方向线描述中心像元的上下文信息, 并依据这些方向线的长度构造了3维PSI 特征。文中对PSI 的3个参数D, T 1和T 2进行了测试, 结果表明:参数D 和T 1的增加有助于分类精度的提高, 而T 2则是PS I 的尺度,
的形状特征; ②PSI 3维特征之间的关系需进一步实验; ③如果每次使用一个T 2值, 那么PSI 无法表达多尺度地物, 通过采用多个T 2设置增加特征空间维数的方式可以弥补PSI 在尺度表达上的不足, 这一点也需要进一步实验。参考文献(R eferences)
[1] Zhang Y. Opti m i sati on of Bu il d i ng Detection i n Satellite I m ages
By C o mb i n i ng M ulti spectra l C lass ificati on and Texture F ilt eri ng [J].
ISPRS Journal of Ph otogramm etry and R e m ote S e n si ng, 1999, 54:50) 60.
[2] M y i nt SW, La m N S N, Tylor J . An Eval uati on of Four D i ff eren t
W avelet
Deco mpos i ti on
Procedu res
f or
Spati al
Feature
Discri m i nati on W ith i n and Around Urb an A reas[J].Tran saction s in GIS, 2002, 6(4):403) 429.
[3] L iH Q , L i u Z K, L i n F . A erial I m age C l assification M et hod
Based on FractalTheory[J].Jou rnal of R e m ote S e nsing, 2001, 5(5):353) 357. [李厚强, 刘政凯, 林峰. 基于分形理论的航空图像分类方法[J].遥感学报, 2001, 5(5):353) 357. ]
[4] Ben ed i ktsson J A , Pal mason JA, Sve i nss on J R. C lass ificati on of
H yperspectral Dat a fro m U rban A reas Bas ed on Extended M orphological Profil es [J].IEEE Tran saction s on G eoscie n ce and R e m ote Sensi ng, 2005, 43(3):480) 491.
[5] Segl K , Reossner S, H ei den U , e t al . Fus i on of Spectral and
Shape Feat u res f or Id enti fi cati on of U rban Surface C over Types Us i ng R efl ecti ve and Th er m al H ypers pectral Data [J ].112.
[6] Acqua F D , Ga mb a P , FerrariA, et a l . Exp loiti ng Spectral and
Spatial In f or m ati on i n H yp ers pectral U rban Data W it h H igh Res o l uti on [J ].IEEE T ransa ctions on G eoscie nce and R e m ote Sensing Le tte rs , 2004, 1(4):322) 326.
[7] Luo J C , Zhou C H, Leung Y, e ta l . SupportV ect orM ach i ne f or
SpatialFeature Extraction and C lass ificati on of Re m otel y S ensed I m agery[J].Jou rnal of R e m ote S e n sing, 2002, 6(1):50) 55. [骆剑承, 周成虎, 梁怡等. 支持向量机及其遥感影像空间特征提取和分类的应用研究[J ].遥感学报, 2002, 6(1):50) 55. ]
[8] Foody G M, M athur A. A Rel ati ve Eval uation of M u l ticlass
I m age C l assifi cati on by Support Vector M ach i nes [J ].1335) 1343.
[9] C hen S , Q i n Q M. The C lass i fi cati on ofT ext u re and S truct u re i n
the H i gh R esol u ti on I magery Bas ed on W avel et T rans f or m [J ].Geography and G e o -Infor m ation Science , 2003, 19(3):6) 9. [陈杉, 秦其明. 基于小波变换的高分辨率影像纹理结构分类方法[J].地理与地理信息科学, 2003, 19(3):6) 9. ]
I EEE
T ransa ctions on G e osc i ence and R e mote S ensi ng, 2004, 42(6):
ISPRS
Journa l of P hoto g ramm e t ry and R e m ote S e n sing, 2003, 58:99)