（计算机应用技术专业论文）基于fsvm的高光谱遥感影像分类算法研究.pdf

河南大学硕士研究生学位论文第1 页 摘要 遥感技术是现代化高科技之一，它极大地拓展了人们的观测视野，丰富了对 地观测信息的来源。近年来随着遥感技术的不断发展，尤其是高光谱遥感的出现， 给遥感界带来了一场重大的革命，极大地扩展了遥感的应用领域。因此对高光谱 遥感技术的研究有着广泛的理论意义和应用价值，一直是遥感领域的研究热点和 焦点。 对高光谱遥感数据分类是遥感数据分析和信息提取的重要方法。针对支持向 量机适用高维特征、小样本的优越性，是一种极具潜力的高光谱遥感分类方法， 但由于其易受噪声影响致使分类精度不高的情况、目前常用遥感数据分类中只利 用光谱特征的情况和采用支持向量机进行分类中不同特征向量具有相同权重的情 况，本文提出了一种基于模糊支持向量机的多特征高光谱遥感图像分类算法，以 期获得较好的分类精度。 基于模糊支持向量机的分类算法选用光谱特征和纹理特征作为样本的特征向 量。对于这两种不同的特征，根据在分类中的重要程度不同采用不同的权重对不 同的特征进行归一化处理。权重的选择是根据类内不同特征的各向异性来度量的， 即用各个特征在样本与类别中心距离的投影和样本与类别中心距离的比值来确 定。在进行样本训练时，首先以每个像素为中心，选取9 * 9 的矩阵子图，求取该子 图的纹理特征作为该样本的纹理特征，利用波段指数方法求取图像的光谱特征， 然后求取每类样本的聚类中心。对每个聚类中心求取他们与该类其他样本之间的 光谱和纹理特征的权重平均值作为该类的多特征权重。在分类时，先对每一个测 试样本进行特征加权，即对每个测试样本在进行完归一化处理后，再乘以对应于 该类的权值作为特征向量，再进行分类。分类算法采用模糊集与支持向量机相结 合的方法，即将模糊隶属度作为松弛变量的系数，用惩罚因子与模糊隶属度的乘 积来度量重要性不同的错分误差程度，其中对模糊隶属度的确定采用测试样本动 态添加至各个类别，通过计算添加样本前后方差变化的大小来度量。针对于多类 分类问题，采用一对一的分类方法设计分类器。 第1 i 页河南大学硕士研究生学位论文 本文经过a v i r i s 高光谱遥感图像作为实验数据得出分类后的混淆矩阵和 k a p p a 系数，经过分析看出基于模糊支持向量机的多特征高光谱遥感图像分类算法 取得了比较好的效果，相对于标准的支持向量机分类算法，其分类的列精度、行 精度及总体精度提高了3 1 0 。 关键词：遥感；高光谱；波段指数；纹理；模糊支持向量机 河南大学硕士研究生学位论文第1 ii 页 a b s t r a c t r e m o t es e n s i n gt e c h n o l o g yi so n eo fm o d e r nt e c h n o l o g y ，w h i c hg r e a t l ye x p a n dt h e v i s i o no fp e o p l e ，r i c hi ns o u r c e so fe a r t ho b s e r v a t i o ni n f o r m a t i o n i nr e c e n ty e a r s ，a l o n g w i t ht h ec o n t i n u o u sd e v e l o p m e n to fr e m o t es e n s i n gt e c h n o l o g y ，e s p e c i a l l yo fh y p e r - s p e c t r a lr e m o t es e n s i n g ，r e m o t es e n s i n g ，ab i gb r o u g h tt h er e v o l u t i o n a r y ，g r e a t l ye x - p a n d e dt h er e m o t es e n s i n ga p p l i c a t i o n s t h e r e f o r ef o rh y p e r s p e c t r a lr e m o t es e n s i n g t e c h n o l o g yh a sb e e nw i d e l ys t u d i e dt h e o r e t i c a ls i g n i f i c a n c ea n da p p l i c a t i o nv a l u e ，h a s b e e nt h er e s e a r c hf o c u si nt h ef i e l do fr e m o t es e n s i n g h y p e r s p e c t r a lr e m o t es e n s i n gd a t ao fr e m o t es e n s i n gd a t aa n a l y s i sa n dc l a s s i f i c a - t i o ni sa ni m p o r t a n tm e t h o do fi n f o r m a t i o ne x t r a c t i o n f o rs u p p o r tv e c t o rm a c h i n es u i t - a b l ed i m e n s i o nc h a r a c t e r i s t i c ，t h es u p e r i o r i t yo fs m a l ls a m p l e s ，i sak i n do fe x t r e m e l y p o t e n t i a lo fh y p e r s p e c t r a lr e m o t es e n s i n gc l a s s i f i c a t i o nm e t h o d ，b u tb e c a u s ei ti ss u s 。 c e p t i b l et on o i s ec a u s ei sn o th i i g ha c c u r a c yo fc l a s s i f i c a t i o n , c u r r e n t l yu s e di nr e m o t e s e n s i n gd a t ac l a s s i f i c a t i o nu s i n go n l yt h es p e c t r a lc h a r a c t e r i s t i c sa n dc l a s s i f i e du s i n g s u p p o r tv e c t o rm a c h i n e ( s v m ) o fd i f f e r e n tw e i g h t so fc h a r a c t e r i s t i cv e c t o rw i t ht h e s a m es i t u a t i o n ，t h i sp a p e rp r o p o s e sam e t h o do fh y p e r s p e c t r a lr e m o t es e n s i n gi m a g e c l a s s i f i c a t i o na l g o r i t h mb a s e do nf s v m , s oa st og e ta g o o dc l a s s i f i c a t i o na c c u r a c y c l a s s i f i c a t i o na l g o r i t h mb a s e do nf u z z ys u p p o r tv e c t o rm a c h i n ec h o o s e ss p e c t r a l c h a r a c t e r i s t i c sa n dt e x t u r ec h a r a c t e r i s t i c sa ss a m p l ec h a r a c t e r i s t i cv e c t o r f o rt h o s et w o d i f f e r e n tc h a r a c t e r i s t i c s ，a c c o r d i n gt ot h ei m p o r t a n c e ，i th a st ou s ed i f f e r e n tw e i g h tt o n o r m a l i z et h ed i f f e r e n tc h a r a c t e r i s t i c s t h ec h o i c eo ft h ew e i g h tw a sm e a s u r e db yt h e a n i s o t r o p i co fd i f f e r e n tc h a r a c t e r i s t i c so ft h ec l a s s ，w h i c hi sd e t e r m i n e db yt h er a t i ob e - t w e e nt h ed i s t a n c ef r o mt h ec e n t e ro ft h ep r o j e c t i o no fc a t e g o r yt os a m p l ea n dd i s t a n c e o fc e n t e ro fc a t e g o r yt os a m p l e i nt h es a m p l et r a i n i n g ，f i r s to fa l l ，i th a st os e l e c tt h e 9 * 9m a t r i xw h i c hu s e sp i x e lt ob et h ec e n t e r ，c a l c u l a t i n gt h eg r a p ho ft h et e x t u r ec h a - r a c t e r i s t i c sw h i c hw i l lb et h es a m p l eo ft h et e x t u r ec h a r a c t e r i s t i c s ，a n da l s ou s i n gt h e m e t h o do fc a l c u l a t i n gt h ei m a g e sb a n di n d e x ，a n dt h e nc a l c u l a t i n gs p e c t r a lc h a r a c t e r i s t i c so fe a c hs a m p l ec l u s t e r i n gc e n t e r t oe a c hc l u s t e r i n gc e n t e r ，f i n dt h es p e c t r u ma n d t e x t u r ef e a t u r e so fa v e r a g ew e i g h tb e t w e e nt h e ma n do t h e rs a m p l es p e c t r at ob et h e 第lv 页河南大学硕士研究生学位论文 s a m p l e sm u l t i - c h a r a c t e r i s t i c sw e i g h t a tf i r s t ，w h e nd i v i d ee a c ht e s ts a m p l e s ，w h i c hi s d i s p o s i n ge v e r yt e s t i n gs a m p l ea f t e rt h en o r m a l i z e dp r o c e s s i n g ，t h e nm u l t i p l yt h ev a l u e o fc o r r e s p o n d i n gt ob ee i g e n v e c t o r ，a n df i n a l l yt os o r tt h o s ef o r m s c l a s s i f i c a t i o na l g o r i t h ma d o p t sf u z z ys e t sa n ds u p p o r tv e c t o rm a c h i n e ( s v m ) m e t h o d ，c o m b i n i n gf u z z y m e m b e r s h i pa sr e l a x a t i o nv a r i a b l e s ，p u n i s hf a c t o ra n dt h ec o e f f i c i e n to ft h ep r o d u c to f f u z z ym e m b e r s h i pt om e a s u r et h ei m p o r t a n c eo fd i f f e r e n tw r o n gp o i n t s ，i n c l u d i n ge r r o r o ff u z z ym e m b e r s h i po ft h ed y n a m i ct e s ts a m p l e sb ya d d i n gt oe a c hc a t e g o r y ，t h r o u g h t h ec a l c u l a t i o no fs a m p l eb e f o r ea d d i n gt om e a s u r et h es i z eo fv a r i a n c eo fc h a n g e f o r t h em u l t i c l a s sc l a s s i f i c a t i o np r o b l e m ，o n e t o - o n ec a t e g o r i e sd e s i g n e dc l a s s i f i e rw a s u s e d t h r o u g ha v i r i sh y p e r s p e c t r a lr e m o t es e n s i n gi m a g e s 嬲e x p e r i m e n t a ld a t ao b t a i n e da f t e rt h ec l a s s i f i c a t i o no fc o n f u s i o nm a t r i xa n dk a p p ac o e f f i c i e n t , t h r o u g ha n a l y - s i st h a tb a s e do nf u z z ys u p p o r tv e c t o rm a c h i n e ( s v m ) c h a r a c t e r i s t i c so fh y p e r s p e c t r a l r e m o t es e n s i n gi m a g ec l a s s i f i c a t i o na l g o r i t h mh a sg o o de f f e c t ，t h er e l a t i v es t a n d a r d c l a s s i f i c a t i o na l g o r i t h mo fs u p p o r tv e c t o rm a c h i n e ，t h ec l a s s i f i c a t i o no fp r e c i s i o n ，a c c u - r a c ya n do v e r a l la c c u r a c yi n c r e a s e d3 10 k e y w o r d s ：r e m o t es e n s i n g ，h y p e r s p e c t r a l ，b a n di n d e x ，t e x t u r e ，f u z z ys u p p o r t v e c t o rm a c h i n e 关于学位论文独立完成和内容创新的声明 本人向河南大学提出硕士学位申请。本人郑重声明：所呈交的学位论文是 本人在导师的指导下独立完成的。对所研究的课题有新的见解。据我所知，除 文中特别加以说明、标注和致谢的地方外，论文中不包括其他人已经发袁或撰 写过的研究成果，也不包括其他人为获得任何教育、科研机构的学位或证书雨 使用过的材料。与我一同工作的同事对本研究所做的任何贡献均已在论文中作 了明确酌说明并表示了谢意。 ，1 北 学位申请人( 学位论文作者) 签名： 复叠：l 矾7 0 年易兔沙镪 关于学位论文著作权使用授权书 本人经河南大学审核批准授予硕士学位。作为学位论文的作者，本人完全 了解并同意河南大学有关保留、使用学住论文的要求，即河南大学有权向国家 图书馆、科研信息机构、数据收集机构和本校图书馆等提供学位论文( 纸质文 本和电子文本) 以供公众检索、奎阑。本人授权河南大学出于宣扬、展览学校 学术发展和进行学术交流等目的，可以采取影印、缩印、扫描和拷贝等复制手 段保存、汇编学位论文( 甄质文本和电子文本) 。 ( 涉及保密内容的学位论文在解密后适用本授权书) 刀以 学位获得者( 学位论文作者) 签名： 芝圣：l 2 0 学位论文指导教师签名： 2 0 河南大学硕士研究生学位论文第1 页 第1 章绪论 2 0 世纪6 0 年代，人造卫星的成功发射使得人类对远距离目标的观察超越了人 眼的感知范围，从而使得遥感技术蓬勃发展。随着计算机技术、光学感应技术以 及测绘技术的发展，遥感技术也从以飞机为主要载体的航空遥感发展到以航天飞 机、人造地球卫星等为载体的航天遥感，遥感技术的发展极大地拓展了人们的观 测视野，丰富了对地观测信息的来源。 1 1 课题研究的背景及意义 目前，遥感被定义为在远离被测物体或现象的位置上，使用一定的仪器设备， 接受、记录物体或现象反射或发射的电磁波信息，经过对信息的传输、加工处理 及分析与解译，对物体或现象的性质及其变化进行探测和识别的理论与技术。它 是一种利用电磁波从远距离对研究目标进行非接触探测的技术和方法。 遥感技术的发展在经历了全色和彩色摄影、光谱扫描成像等阶段后，2 0 世纪 8 0 年代初期成像光谱概念和技术的出现，使光学遥感进入了一个新阶段高光谱 遥感阶段。高光谱遥感是在电磁波谱的紫外、可见光、近红外和中红外波段范围 内，获取许多非常窄而且光谱连续的影像数据技术乜1 。高光谱遥感成像光谱仪相对 于常规成像光谱仪的波段宽度宽，并且波段在电磁波谱上不连续的缺点具有更大 的优势，它可以提供数十甚至数百个很窄的波段( 通常波段宽度 = 0 ，则判定x 属于c 1 ，如果g ( x ) - 0 ，就判别为类别c 1 ，若g ( 薯) 1 - 磊( f = l ，2 ，j ) ( ，是样本数) 专o ( 2 - 2 0 ) 同样，在分类函数中也需要增加一个惩罚因子，则分类目标函数转化为： 河南大学硕士研究生学位论文第2 5 页 r a i n 妻0 彩1 1 2 + c 毒 二 i = l ( 2 2 1 ) 并非所有的样本点都有二个松弛变量与其对应。实际上只有“离群点”才有； 松弛变量的值实际上标示出了对应的点到底离群有多远，值越大，点就越远；惩 罚因子c 决定了重视离群点带来的损失程度，是一个事先指定的值。 ( 3 )用支持向量机方法解决多类问题 s v m 是一种典型的两类分类器，而在遥感图像分类问题中，是多类的问题， 如何由两类分类器得到多类分类器，就是一个值得研究的问题。 次性考虑所有样本，并求解一个多目标函数的优化问题，一次性得到多 个分类面，就如图2 - 1 0 所示： 图2 - 1 0 一次性分多类 多个超平面把空间划分为多个区域，每个区域对应一个类别，给出一个样本， 看它落在哪个区域就可知道它的分类。但是这种算法因为计算量太大，无法得到 实际应有。 “一类对其余 的方法( o n ea g a i n s tt h er e s t ) 。在第k 类和其他k 一1 个 类之间构建超平面。即每次求解一个两类分类的问题。在这种方式下，系统仅构 建k 个s v m 分类器，每个s v m 分类器分别将某一个分类的数据从其他分类的数据中 鉴别出来。对第f 个s v m 分类器，将第f 类中的训练样本作为正训练样本，而将其 余所有的样本作为负训练样本。这种方法的好处是每个优化问题的规模比较小， 第2 6 页河南大学硕士研究生学位论文 而且分类的时候速度很快。但有时也会出现两种很尴尬的情况一种是分类重叠现 象，另一种叫不可分类现象。 “一对一 方法( o n ea g a i n s to n e ) 。其做法是在多类分类中，每次只 考虑两类样本，即对每两类样本设计一个s v m 模型，因此，总共需要设计七f 七- 1 ) 2 个二类分类器，并且测试时需要对每类都进行比较，导致算法计算复杂度很高。 s v m 决策树方法( s v id e c i s i o nt r e e ) 。其做法是将s v m 与二叉决策树结 合起来，构成多类分类器。例如有5 个类别，在分类的时候下功夫，我们还是像 一对一方法那样来训练，只是在进行分类之前，我们先按照图2 一l l 的样子来组织 分类器，这是一个有向无环图，因此这种方法也叫做d a gs v m 图2 - 11s v m 决策树分类方法实例 其分类过程为：首先用分类器“l 对5 来确定样本的类别，如果是5 ，就往 左走，再用“2 对5 ”这个分类器，如果还是“5 ，我们就继续往左走，这样一 直问下去，就可以得到分类结果。这样做的好处在于只需调用4 个分类器( 如果 类别数是k ，则只调用k 一1 个) ，分类速度飞快，且没有分类重叠和不可分类现象。 该方法的缺点是如果在某个节点上发生了分类错误，则会把分类错误延续到该节 点后续的下一级节点上。 河南大学硕士研究生学位论文第2 7 页 2 3 高光谱图像分类评价方法 分类识别的精度评价是基于分类统计结果进行的。对分类结果的统计包括： 各类中的像元点数、每个波段的均值、标准差、类别间的协方差矩阵等。常用的 方法有：混淆矩阵和分类精度。 2 - 3 1 混淆矩阵 混淆矩阵也称为误差矩阵是评价分类识别精度的基本参数。主要用于分类结 果与地表真实信息的比较，将分类结果显示在一个矩阵中。混淆矩阵通过将每个 地表真实像元的分类情况与分类图中的分类情况相比较计算的。混淆矩阵中的对 角线元素为正确分类的像元数，每一行的像元总数是指所有参与地表真实分类的 像元总和。每一列中的数值等于在分类图中对应于相应类别分类数量；混淆矩阵 的每一行代表了地表真实遥感数据的分类情况。 2 3 2 分类精度 分类精度主要用总体分类精度和k a p p a 系数表示。其计算方法如下： 总体分类精度：等于被正确分类的像元总数和除以总像元数。混淆矩阵的对 角线被正确分类到地表真实分类中的像元数，被正确分类的像元总数等于混淆矩 阵的对角线像元数目之和。像元总数等于所有地表真实分类中的像元总和，即混 淆矩阵中的所有像元的总数。总体分类精度的计算只采用了混淆矩阵中对角线上 被正确分类的像元数量。 k a p p a 系数：是另一种计算分类精度的方法。它考虑了误差矩阵中所有因子， 能全面反映总体分类精度。其计算公式为： z ，一 k a p p a = 上l 立l 一 舻一x 溉x 。 t = l ( 2 2 2 ) 第2 8 页河南大学硕士研究生学位论文 其中r 是误差矩阵的总列数，即总类别数；五，是误差矩阵中第i 行、第f 列的 值，也就是被正确分类的像元数；以、是第，行和第f 列的总像元数量；是 参与统计的总像元数量。k a p p a 值越大，代表分类精度越高。k a p p a 系数既考虑了 对角线上被正确分类的像元数量，同时也考虑到了各种错分和漏分误差，更加全 面反映了分类精度。 2 4 本章小结 本章系统的介绍了高光谱遥感图像处理的基础知识、基本概念和定义。首先 介绍了高光谱遥感图像的特征选择和提取方法和分类方法；然后详细介绍了光谱 特征提取和选择的方法，高光谱遥感图像的分类方法中的基于支持向量机的分类 方法；最后给出了高光谱遥感图像分类的评价准则。 河南大学硕士研究生学位论文第2 9 页 第3 章高光谱遥感图像的多特征提取及选择 高光谱遥感图像通常拥有上百个波段，甚至达到上千个波段，这些波段的相 关性高，具有很高的冗余性，严重影响了分类效率；在分类处理过程中，一个重 要的环节就是进行特征提取和选择，即为分类寻找最优特征，实现最大可分性。 高光谱遥感图像不仅包含了高分辨率的光谱信息，而且还包含了一般图像所具有 的空问信息，充分利用这些信息以达到提高分类精度的目的的研究方向之一。 3 1 实验背景及使用工具软件 实验选用的图像为1 9 9 7 年印第安纳州的a v i r i s 高光谱数据，实验所选用截 图如图3 - 1 所示，大小为2 7 0 1 5 0 。a v i r i s 是2 0 世纪8 0 年代后期由喷气推进研 究室研制的机载可见红外成像光谱仪，在0 4 1 2 4 5 9 m 的波长范围内获取2 2 4 个 连续光谱波段的图像，波段宽度l o n m 。所有实验在微机上进行，所使用的软件有 e r d a si m a g i n e 9 2 、m a t l a b 7 04 、e n v l 45 。 图3 1a v l r i s 截图 e r d a si m a g i n e 是美国e r d a s 公司开发的专业遥感图像处理与地理信息系统软 件。它是以模块化的方式提供给用户，并可根据用户的应用要求合理地选择不同 功能模块及其不同组合，对系统进行剪裁，充分利用软硬件资源，并最大限度地 满足专业应用要求。它具有丰富而强大的图像处理功能、高度的r s g i s 集成功能、 先进的图像处理技术及面向广阔应用领域的产品模块。 e n v i 软件是套开创性的图像处理软件。通过创新一个友好界面，e n v i 可以为 任何尺寸和类型的图像提供全面的数据可视化和分析。e n v i 的优势之一在于它为 第3 0 页河南大学硕士研究生学位论文 图像处理提供了一个独一无二的技术。它使用交互式的功能将基于波段和基于文 件的技术相结合。e n v i 的优势之二在于它有功能强大的可视化界面，该界面是由 全面的算法库所支撑的。e n v i 的优势之三在于它一直致力于解决图像处理领域中 的一些常见问题并取得了显著成果 m a t l a b 是美国m a t h w o r k s 公司出品的商业数学软件，用于算法开发、数据 可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括 m a t l a b 和s i m u l i n k 两大部分。 实验利用e r d a si m a g i n e 和e n v i 软件进行高光谱图像的预处理和光谱信 息处理，利用m a t l a b 软件来处理空间信息和分类。 3 2 高光谱图像分类的基本过程 高光谱遥感图像分类的基本过程如图3 - 2 所示。 预处理 选择训练区 特征选择和 提取 分类 结果检验和 分析 图3 2 图像分类的般过程 ( 1 )预处理工作主要包括数据浏览，坏波段去除，噪声处理和反射率反演 等过程 ( 2 )训练区选择，是将图像分割，选择光谱区间，进行剪裁。 河南大学硕士研究生学位论文第3 1 页 ( 3 )光谱和纹理特征选择和选取。 ( 4 )分类 ( 5 )利用混淆矩阵和k a p p a 系数进行分类结果分析 3 3 高光谱图像的特征提取 3 3 1 高光谱影像光谱特征提取方法 波段指数是从高光谱数据的特点出发，综合考虑了图像的信息量和相关性两 个因素，并且是在分组成块的情况下设计的模型，而且选出的最佳波段组合与由 最佳指数法得出的基本一致。波段指数能综合地反映波段的信息含量和相关性 两个因素，可作为波段选择的依据。姜小光等人晦7 3 提出的基于波段指数的选择方 法首先根据波段的相关系数矩阵对所有波段进行分组，然后再分别计算每一波段 的波段指数，最后进行波段选择。设r ，为通道i 与j 之间的相关系数，高光谱数 据被分为k 组，每组的波段数分别为，n 2 n k 。则可定义波段指数为： p ：旦 墨 ( 3 1 ) 其中： 墨= 凡+ 兄，r 2 去善凡“，) 式中墨为第f 波段的标准差，凡为第i 波段与所在组内其他波段相关系数的绝 对值之和的平均值，吃为第f 波段与所在组外的其他波段之间的相关系数的绝对值 之和。从公式可以看出，它综合考虑了波段的信息量和相关性两个因素。标准差 越大，表明波段的离散程度越大，所含的信息量越丰富，而波段的总体相关系数 的绝对值越小，表明通道数据的独立性越强，信息冗余度越小。所以波段指数能 综合地反映通道信息含量和相关性两个因素，可作为选择波段的重要参数之一。 3 3 2 高光谱影像光谱特征提取实验过程： ( 1 )对图像进行预处理口1 。用e r d a si m a g i n e q j 的a o i i 具切w , 1 5 0 2 7 0 大小 的数据影像，将图像的实验范围缩小。然后，对裁剪出的图像进行坏波段选择， 第3 2 页河南大学硕士研究生学位论文 删除的坏波段有1 4 ，1 0 2 - , 1 2 0 、1 5 1 - 1 7 5 、2 0 2 - - - 2 2 4 ，共计6 6 个。剩余1 5 8 个可 用波段。 ( 2 )计算1 5 8 个波段间的相关系数矩阵。波段间的相关性用相关系数大小来 表示。通过计算可得出波段间相关性矩阵表。 ( 3 )相关性分析。由相关系数矩阵可以看出，1 3 5 波段间的相关矩阵系数 都在0 9 以上，而与其他的相关系数则在0 6 以下，所以1 3 5 波段可以划分为一组， 同理，可以将其他波段进行分组，最终分组情况为：1 5 8 个波段共分为3 组，其中l 3 5 为第一组，3 6 1 0 2 为第二组，1 0 3 - 1 5 8 为第三组。部分相关系数矩阵如表3 1 所示： 表3 1 相关系数矩阵 1 2 3456 7891 0 l 1 0 0 00 9 8 90 9 8 7 0 9 8 40 9 8 00 9 7 80 9 7 70 9 7 60 9 7 60 9 7 4 20 9 8 91 0 0 00 9 9 30 9 9 20 9 9 00 9 8 80 9 8 70 9 8 60 9 8 50 9 8 4 30 9 8 70 9 9 31 0 0 00 9 9 50 9 9 40 9 9 30 9 9 30 9 9 20 9 9 10 9 9 0 4 0 9 8 40 9 9 20 9 9 51 0 0 00 9 9 70 9 9 7 0 9 9 70 9 9 60 9 9 50 9 9 4 0 9 9 70 9 9 700 9 8 0 0 9 9 0 0 9 9 40 9 9 71 0 0 00 9 9 80 9 9 80 9 9 8 60 9 7 80 9 8 80 9 9 30 9 9 70 9 9 81 0 0 00 9 9 90 9 9 90 9 9 80 9 9 8 7 0 9 7 70 9 8 70 9 9 3 0 9 9 7 0 9 9 8 0 9 9 91 0 0 00 9 9 90 9 9 90 9 9 8 80 9 7 6 0 9 8 60 9 9 20 9 9 6 0 9 9 80 9 9 90 9 9 91 0 0 00 9 9 90 9 9 9 90 9 7 60 9 8 50 9 9 10 9 9 50 9 9 70 9 9 80 9 9 90 9 9 91 0 0 00 9 9 9 ( 4 )计算光谱均值和标准差。其部分计算结果如表3 2 所示 ( 5 )计算波段指数值。其结果如表3 - 3 所示，每组只取值在前1 0 的波段。 河南大学硕士研究生学位论文第3 3 页 表3 2 波段均值和方差 波段号l 234 5 6789 均值5 6 4 3 95 8 6 1 75 3 2 1 25 4 9 2 95 7 4 6 25 7 2 0 75 4 6 0 85 3 9 5 5 5 0 9 9 4 方差 9 3 6 5 91 0 8 0 9l o 9 0 81 2 5 8 31 4 4 0 21 5 4 8 61 5 9 0 31 6 8 6 61 7 2 0 1 波段号 l l1 21 31 41 51 61 71 81 9 均值 5 1 2 6 55 1 3 9 95 5 8 5 25 8 7 3 75 9 0 1 25 8 1 0 35 4 6 0 15 1 6 2 24 9 2 2 7 方差 1 9 3 0 51 9 2 6 92 0 1 3 72 0 8 9 72 1 3 5 42 1 7 9 32 1 9 7 92 2 7 5 22 3 2 7 9 波段号 2 12 22 32 42 5 2 62 7 2 82 9 均值 4 7 4 4 24 5 5 0 44 4 0 7 94 3 7 8 54 2 4 2 13 9 9 1 24 0 4 53 9 5 2 44 1 1 2 3 方差 2 4 5 8 92 4 8 3 52 5 0 5 72 5 6 6 82 6 1 6 42 5 8 42 7 5 1 42 7 6 3 42 8 1 5 9 波段号 3 l3 23 33 43 53 63 73 83 9 均值 3 8 2 1 54 2 9 2 l 5 2 3 6 5 8 1 2 6 7 4 5 5 6 5 8 1 3 1 0 5 4 5 l l o 7 3 6 5 9 6 5 方差 2 6 3 3 92 5 2 1 52 5 3 9 62 3 8 3 2 0 3 8 5 2 4 0 5 12 8 5 83 0 0 9 51 8 0 0 7 波段号 4 14 24 34 44 54 64 74 84 9 均值 1 0 9 3 41 0 3 6 11 0 0 9 99 4 6 3 97 7 6 3 58 3 6 9 69 3 2 79 4 9 4 79 3 9 5 4 方差2 9 8 8 82 8 3 3 82 7 6 2 72 5 9 0 42 1 3 12 2 9 7 22 5 5 9 62 6 0 5 82 5 8 1 9 表3 - 3 波段指数 波段号 3 02 92 82 73 l2 62 52 42 32 2 波段指数组1 o 4 0 6 20 4 0 0 20 3 9 50 3 9 10 3 7 10 3 6 1 6o 3 6 l 0 3 4 9 0 3 3 9 80 3 3 4 7 波段号 4 14 04 24 34 43 84 84 74 95 0 波段指数 1 3 8 4 41 3 0 7 71 3i 2 5 41 1 5 91 1 5 5 2 1 1 1 6 1 ：1 0 1 1 0 9 7 61 0 7 6 1 组2 波段号 1 0 81 0 91 0 7l l o1 0 61 1 31 1 21 1 6i 0 51 1 l 波段指数 组3 o 1 2 1 3 o 1 1 9 70 1 20 1 1 60 1 1 50 1 0 7 80 1 0 70 1 0 6 0 1 0 5 3 0 1 0 “ 3 3 3 基于灰度共生矩阵的纹理特征提取实验过程 ( 1 )对图像进行目测解析，将该图像中的地物进行分类。 ( 2 )图像分割，选取训练样本。 ( 3 )纹理特征提取。图像中像素点i 的纹理特征提取方法为以f 点为中心， 选取9 * 9 矩阵子图，求取该子图的纹理特征( 平均亮度、平均对比度、r 、第3 阶矩、 一致性和熵) 作为该像素点，的纹理特征；对于图像边缘点，先以0 扩展图像为 2 7 2 1 5 2 大小，再求取边缘点，的纹理特征。 第3 4 页河南大学硕士研究生学位论文 3 3 4 不同特征归一化加权方法及实验 在进行图像分类时，特征从人类能够理解的形式转化为计算机可以执行的形 式，一般经过了两个步骤的量化：特征选择阶段的重要程度量化和具体的图像转 化为向量时的特征权重量化。以上我们所进行的光谱特征和纹理特征的选取也就 是我们的特征选择阶段的重要程度的量化。而针对于特征权重量化，我们在利用 支持向量机进行图像分类的时候，通常的做法