高分辨率遥感数据处理方法实验研究.doc

高分辨率遥感数据处理方法实验研究第13卷第3期2006年5月地学前缘(中国地质大学(北京);北京大学)EarthScienceFrontiers(ChinaUniversityofGeosciences,Beijing;PekingUniversity)Vo1.13NO.3May2006高分辨率遥感数据处理方法实验研究赵书河1.南京大学城市与资源学系,江苏南京2100932.北京大学遥感与地理信息系统研究所,北京100871ZHA0Shuhe1.DepartmentofUrban&ResourcesSciences,NanjingUniversity,Nanjing210093,China2.InstituteofRemoteSensing&GIS,PekingUniversity,Beijing100871,ChinaZItAOShu-he.Experimentalstudyofmethodsforhiighspatialresolutionremotesensingdataprocessing.EarthScienceFrontiers,2OO6,13(3):O60-068Abstract:Theprocessingofhighspatialresolutionremotesensing(HSRRS)datahasbecomeamajorfocusintheremotesensingfieldsincethe1999s.Inthispaper,firstlywehaveanalyzedtheprocessingmethodsbasedonpixelsofmoderatespatialresolutionremotesensing(MSRRS)data,includingtheclassificationmethodsbasedonstatisticstheoryandtheclassificationmethodsbasedonnonparametrictheory.Secondly,wehavemadetheanalysisofprocessingmethodsbasedonobjectsofHSRRSdataaccordingtotheimagefeatureofHSRRSdata.Imagesegmentation,i.e.,howtoextractthefeaturesofobjectseffectively,isthekeyofHSRRSdataprocessingmethods.Finally,wehavecarriedoutsomeexperimentsofHSRRSdataprocessingmethods,andstudiedseveralimagesegmentationmethodsofHSRRSdata.Accordingtotheapplicationofvegetationchangesdetection,theexperimentsofthevegetationchangedetectionusingHSRRSdataareintroduced.Keywords:HSRRS;MSRRS;pixels;objectoriented摘要:近几年高分辨率遥感数据处理与应AN-究越来越受到国内外学者的重视,已成为目前遥感应用研究领域的热点和难点之一.首先分析了基于像素的中分辨率卫星数据的遥感数据处理方法,包括:基于统计理论的分类方法和基于光谱信息的非参数理论方法的分类方法.在此基础上,针对高分辨率遥感图像的特点,分析了面向对象的高分辨率遥感数据处理方法.其中,图像分割是最关键的一步,即如何有效地提取出对象特征非常重要.最后,给出了高分辨率遥感数据处理方法相关算法实验,主要进行了几种图像分割算法实验,同时结合植被变化检测,进行了变化检测算法实验.关键词:高分辨率遥感;中分辨率;像素;面向对象中图分类号:TP75;P237文献标识码:A文章编号:10052321(2006)03006009随着新的遥感传感器的不断出现,不同空间分辨率的遥感数据源急剧增加.已从低分辨率,中分辨率到高分辨率形成了不同分辨率的卫星序列.即从分辨率为1km的MODIS卫星数据到分辨率小收稿日期:2006一O126;修回日期:20060212基金项目:国家自然科学基金项目(40501047,40301013);南京大学人才引进启动基金项目;北京大学工程研究院基金项目;中国博士后科学基金资助项目(2004036172)作者简介:赵书河(1971一),男,博士后,副教授,现主要从事高分辨率遥感,遥感影像融合,3s技术与集成等方面的教学与科研工作.Tel:02583593677;E-mail:赵书河/地学前缘(EarthScienceFrontiers)2006,13(3)于100m的地球资源卫星,如TM为30m,SPOT4为201TI,CBERI为201”I1,到目前的SPOT-5的全色波段分辨率达到2.5m,IKONOS全色波段分辨率为11TI,QUICKBIRD全色波段分辨率为0.61mo传统的中分辨率卫星数据的遥感图像处理方法是基于像素和统计理论的分类方法,主要包括监督分类和非监督分类,它们都是很成熟的技术方法.常用的监督分类有最大似然法,最短距离法等.常用的非监督分类有ISODATA聚类法,K一均值法等.随着遥感数据源的增多,人们对遥感数据处理分析方法和手段也在不断的发展,新的分类方法和分类思想都在不断地涌现.新近发展起来的一些基于非参数理论的分类方法,如:基于神经网络的,基于证据理论的,基于模糊原理的,基于支持向量机,基于粗糙集理论等l】.然而,对于高分辨率的遥感图像,目标物的形状清晰可见,图像上地物景观的结构,形状,纹理和细节等信息都非常突出,而光谱分辨率并不高,因此,针对高空间分辨率图像,在分类时不能仅依靠其光谱特征,更多的是要利用其几何信息和结构信息l2.相对于高分辨率遥感图像来讲,中分辨率多光谱图像的光谱信息代表了概貌信息,其光谱特性有助于对目标的识别和判读,而高分辨率特性有助于提高定位和判读精度.因此对于分类的依据可以更加灵活,对于具体的地物可以依据不同的特征进行分类.比如一个湖泊和一条河流,它们的光谱特征相同,而它们的形状则不同,我们可以设定长宽比为这两类地物的分类依据,即知识分类器l3一,并把这一依据存储,以备以后应用,形成经验,而不仅仅局限于光谱特征,建立专家决策支持系统.这样,按照分类的对象可以划分为面向像素的分类和面向对象的分类.就目前高分辨率的遥感卫星的发展来看,面向对象的分类方法是一个新的发展方向l_4.面向对象的遥感图像分类法,将使得分类方法更加趋于完善和分类的结果精度更高,使得图像分类更加灵活和方便,为高分辨率遥感图像分类和信息提取的发展迈出了跨越性的一步.本文通过分析基于像素的中分辨率遥感数据处理理论方法和面向对象的高分辨率遥感数据处理方法,进行了高分辨率遥感数据处理方法相关算法实验研究.611基于像素的中分辨率遥感数据处理方法分析1.1基于像素的统计理论与方法分析监督分类和非监督分类是基于像素的统计理论方法的遥感分类方法,是目前研究和应用最成熟的方法.监督分类是一种常用的精度较高的统计判决分类,在已知类别的训练场地上提取各类训练样本,通过选择特征变量,确定判别函数或判别规则,从而把图像中的各个像元点划归到各个给定类的分类方法.而非监督分类是在没有先验类别知识的情况下,根据图像本身的统计特征及自然点群的分布情况来划分地物类别的分类处理.ISODATA聚类法是非监督分类中最常用的方法,而最大似然分类是最常用的一种监督分类方法.最大似然法利用了遥感数据的统计特征,假定各类的分布函数为正态分布,在多变量空间中形成椭圆或椭球分布,也就是说每个方向上散布情况不同,按正态分布规律用最大似然判别规则进行判决,得到较高准确率的分类结果l5.最大似然分类在很多情况下都适用,但对出现概率低的类别并不适用.其优点是分类错误小而精度高,缺点是受到参数估计的限制.ISoDATA算法是利用合并和分开的一种着名的聚类方法.该方法的优点是:聚类过程不会在空间上偏向数据文件的最顶或最底下的像素,因为它是一个多次重复过程;该算法对蕴含于数据中的光谱聚类组的识别非常有效,只要让其重复足够的次数,其任意给定的初始聚类组平均值对分类结果无关紧要;缺点是比较费时,因为可能要重复许多次;没有解释像素的空间同质性.另外,与其他非参数方法(如神经网络等)相比较,基于统计理论的方法具有清晰的参数解释能力,易于与先验知识融合和算法简单而易于实施等优点l6.但由于遥感信息的统计分布具有高度的复杂性和随机性,当特征空间中类别的分布比较离散而导致不能服从预先假设的分布,或者样本的选取不具有代表性,往往得到的分类结果会偏离实际情况,导致分类精度下降.1.2基于光谱信息的非参数理论与方法分析随着人工智能技术在模式识别和遥感图像处理中的不断应用,近几年发展起来许多新的遥感图像分类方法.它们都是基于光谱信息的非参数理论方62法的分类方法,如:基于神经网络的,基于支持向量机的,基于粗糙集理论的等等.限于篇幅,这里主要分析基于神经网络的和基于支持向量机的分类方法.自20世纪80年代末期,神经网络开始被应用于遥感图像的自动分类.应用和研究最多的是多层神经网络BP算法,已取得了较好的效果.但该模型存在收敛速度慢,新加入样本影响已学过样本等缺陷7.近年来,人们对自组织映射网络在遥感影像分类中的应用研究较多8j.研究表明,与基于传统的统计理论相比,神经网络对模式的先验概率分布的要求较小,不以某个假定的概率进行分类,而是通过自学习的过程形成分类器并完成分类过程,具有较好的容错能力.另外,与传统的统计模式识别方法相比,神经网络方法可以方便地加入地理辅助数据参与分类.传统的统计模式识别方法难以加入地理辅助数据参与分类.但是,神经网络也存在一些问题,在实际中需要凭经验而定.例如:如何选择网络节点数,初始权值和学习步骤,过学习和欠学习等.支持向量机(SVM)是新近提出的一种学习机器1o-12,它不仅具有较强的推广能力,适用于小样本训练的情况,而且具有强大的处理能力,对高维样本的处理复杂度与对低维样本近似,并能巧妙地引入核函数来实现非线性映射,从而完成非线性处理.SVM是基于VC(Vapnik-Chervonenkis)理论,是结构风险最小化SRM(Structuralriskminimization)原理的近似实现,具有较强的理论依据.它兼顾训练错误和泛化性能,开辟了学习高维数据的新天地,是一种新的非常有潜力的分类技术,特别对线性可分问题,SVM的分类结果与理想情况完全吻合.这种新的学习算法可以替代多层感知机,径向基函数(RBF)神经网络和多项式神经网络等已有的学习算法,解决了利用人工神经网络进行分类器设计时遇到的难以确定网络结构问题,过学习与欠学习问题,局部极小点问题等_1.它也是一种可实现一些表示问题的建设性方法,在多层感知机,RBF神经网络和小波神经网络中有成功应用.对于SVM在分类中的应用研究,有关学者进行了初步实验.如:Gualtier和Cromp(1998)把SVM应用到高光谱遥感分类中,成功地解决了分类中特征选择问题,最大的优点就是进行分类时无须赵书河/地学前缘(EarthScienceFrontiers)2006.13(3)进行数据降维1.Zhu和Blumberg(2002)利用基于SVM的算法对ASTER传感器获得的数据进行了分类处理,Beer-Sheva城市案例研究表明ASTER数据适合城市研究,同时分类结果也说明基于SVM的方法在收敛性,训练速度,分类精度等方面具有较高的性能1.Huang等(2002)把SVM应用到遥感影像土地覆盖分类中,对其分类精度,稳定性,训练速度进行了评价,并与MLC,NNC,DTC等方法进行了比较_1.2面向对象的高分辨率遥感数据处理方法分析对于高分辨率的遥感图像来说,利用传统的,基于像素的图像分类方法,就会造成分类精度降低,空间数据的大量冗余,造成资源的浪费1.Baatz和Schape(1999)根据高分辨率的遥感图像的特点,提出了面向对象的遥感图像分类方法4.该分类方法在分类时不仅依靠地物的光谱特征,更多的是要利用其几何信息和结构信息.图像的最小单元不再是单个的像素,而是一个个对象,后续的图像分析和处理也都基于对象进行,已开始逐渐显示了其特有的应用价值和潜力.面向对象的遥感分类方法的关键是图像分割,也就是,如何准确地,有效地提取图像上几何信息和结构信息.另一项重要的步骤就是如何利用这些信息和光谱信息一起分类,即建立基于对象的分类方法.2.1图像分割方法分析一般而言,图像分割是将图像划分为互不相连的区域,每个区域具有相同的属性,这种属性可以是灰度,纹理或其他属性.图像分割也可以看作是一个对图像中像素进行标记的过程,所有具有相同属性的像素都被赋予同一标号,这样每个区域内部的像素具有相同的标号,但不同区域的像素具有不同的标号.图像分割主要有边缘检测和区域生长两个方面.边缘检测主要是把结构信息的边缘提取出来.边缘检测有许多种方法,如微分算子法,Sobel算子,Prewitt算子,小波变换法,Hough变换法等.微分算子法,Sobel算子,Prewitt算子方法主要是基于图像强度的一阶或二阶导数.导数的计算对噪声敏感,因此使用这些方法时,需要对图像进行除噪.赵书河/地学前缘(EarthScienceFrontiers)2006.13(3)然而,使用滤波器除噪的同时也改变了边缘,因此效果不是很理想.区域生长主要是将结构信息的属性标记出来.常用的区域生长方法有:形态学算子,自适应滤波算子等.形态学算法抗噪声干扰能力强,方法计算量小,是一种并行算法,因此被广泛应用到图像处理领域.王耀革等(2004)基于灰度形态学,提出一种从高分辨率遥感图像提取道路网络的方法l2.首先利用灰度形态特征对遥感影像进行分割,进而得到基本的道路网络轮廓.然后在此基础上,利用线段特征匹配方法提取道路网络.实验结果表明,该方法能有效地从遥感影像中提取道路网络.梅天灿等(2004)提出了一种结合目标的特性进行分水岭变换提取目标的方法l2.试验结果表明,这种方法可以有效地从遥感影像中提取线状特征.数学形态学是近2O多年来发展十分迅速,应用比较广泛的一个数学分支.其基本思想是用具有一定形态的结构元素度量和提取图像中的对应形状,以达到对图像分析和识别的目的.数学形态学应用于图像分割的算法,基本上可以由膨胀,腐蚀,开启,闭合等四种基本灰度运算组合得到.同样,既可以进行基于边缘的边缘检测,也可以进行基于区域的区域分割.其中的流域分割算法是一种有效的图像分割的方法,它以准确的分割结果,较小的计算量而广泛的应用于图像分割中.但它的分割结果受梯度计算方法影响大,容易引起过分割.2.2面向对象的分类方法分析面向对象的分类方法已是遥感应用研究领域的一个研究热点珀一.随着高空间分辨率多种类传感器(如SPOT-5,IKONOS,QUICKBIRD等)的不断发展,我们可直接获得地面物体的形状,大小,位置,性质及环境相互关系等地面目标的特征信息.因此,面向对象的分类方法更适合于高分辨率遥感图像,分类时所采取的分类依据将更加灵活,更加方便.面向对象的遥感图像分类,首先对遥感图像数据进行影像分割l2,从二维的图像信息阵列中恢复出图像所反映的目标地物的空间形状及组合方式.影像的最小单元不再是单个的像素,而是一个个对象.采用决策支持的模糊分类算法,并不简单地将每个对象简单地分到某一类,而是给出每个对象隶属于某一类的概率,便于用户根据实际情况进行调整,同时,也可以按照最大概率产生确定分类结果.63在建立专家决策支持系统时,建立不同尺度的分类层次,在每一层次上分别定义对象的光谱特征,形状特征,纹理特征和相邻关系特征.通过定义多种特征并指定不同权重,建立分类标准,然后对影像分类.分类时先在大尺度上分出”父类”,再根据实际需要对感兴趣的地物在小尺度上定义特征,分出”子类”.在面向像素的分类中,每个像素只含有色彩和光谱信息,而面向对象的分类中,每个对象则可以含有颜色,形状,大小,纹理等,信息丰富,因此,分类的依据就可以更多,分类更加灵活.在每一层次上,对象所具有的对象特征及不同层次下对象的关系.对象特征主要包括色彩,形状,纹理,继承性等;不同层次下的关系包括相邻的关系,子类,父类等.通过这些对象特征的描述参数可以把不同类别,不同层次上的类别加以有效地分开.3面向对象的高分辨率遥感数据处理方法实验3.1高分辨率遥感图像分割实验图像分割是高分辨率遥感图像处理的关键一步.本节开展了常用的边缘检测算法实验,如:Laplacian算子,Sobel算子等,以及常用的区域生长算法实验,如:自适应滤波算子等.最后,进行了新的基于数学形态学的流域分割算法实验.3.1.1基于边缘分割算法的分割实验Laplacian算子是一种二阶导数算子.数字图像函数的Laplacian值是借助各种模板卷积实现的.常用的模板是一种33模板,4邻域定义的模板:f010fl01一l一4lorh4,z1o一40ll010Jll01J8邻域定义的模板:f111,一一Jl一8ldJ【lllJ一121410一l2J22l一3一一者者或或64I一131If121f012一l2J一l一-21.1J一f一-2赵书河/地学前缘(EarthScienceFrontiers)2006.13(3)如果h对应于Y,h.对应,则得到边缘强度:orII+IyI边缘的方向为:arctan()-实验结果如图2所示.3.1.2基于区域生长算法的分割实验自适应阈值滤波器是区域生长算法中最常用和有效的算法之一.自适应阈值滤波器不考虑变量的大小和形状,整幅图像被均匀地分割成4部分.然后分别计算4部分的灰度值的平均值,每部分中的每一个像素的灰度值都与该部分的均值作比较,灰度值大于选择阈值的所有像素构成分割目标,灰度值小于阈值的所有像素构成分割图像的背景.4部分都应用相同的分割方法.实验结果如图3所示.图1IKONOS图像的Laplacian算子分割结果Fig.1SegmentationofIKONOSimagewithLaplacianoperator图2IKONOS图像的Sobel算子分割结果Fig.2SegmentationofIKONOSimagewithSobeloperator赵书河/地学前缘(EarthScienceFrontiers)2006.13(3)图3IKONOS图像的自适应阈值滤波分割结果Fig.3SegmentationofIKONOSimagewithself-adaptivethresholdfilter3.1.3基于数学形态学流域分割算法的分割实验在众多图像分割方法中,流域分割算法是应用最为广泛的形态学方法.该算法把灰度图像看作一种地貌,其中的暗目标是谷底,亮目标是山顶.在进行流域变换前,原始图像首先要转换生成梯度图像,从而图像就被分成了两部分:”集水盆地”和分离这些盆地的”分水岭线”.那么,局部极小值点即认为是”集水盆地”,而认为”流人”同一个”集水盆地”的所有的点在同一个流域里.在预选区域极小值时,每个种子都用单一标记来标示.由于分割的区域都是由这些种子生长得到的,所以种子的标记是分割的关键一步.种子太多容易造成过度分割,种子太少则造成欠分割.另外,分割过程中,种子周围的点被淹没,区域在连通的点里慢慢生长.最后,图像被分成由分水岭线分离的许多独立的”集水盆地”.在该方法中,”集水盆地”的个数等于种子的个数.如果不相等,则在由种子向区域生长的过程中产生了错误.Vincent提出了基于淹没的流域变换算法2.在这一算法中,假定局部最小区域都穿了孔,水能从下面冒上来.其步骤如下:(1)提前选定最小极值点.该过程从标记最小极值点(即种子点)开始,淹没就从这些点开始.在地形学中,地形在这些点处穿了孔,洪水逐渐向上淹没.每一个种子唯一标记,从而确定由这点生长的区域.(2)分割.随着水面上升,淹没越来越深,这些淹没区形成集水盆地,当有来自不同的局部最小区域的两个或者集水盆地相遇时,就在彼此之间构筑65“堤坝”,这样,淹没不断进行,直到整个地形表面全部被淹没,则所筑的所有堤坝便构成流域分水线.实验结果如图4所示.3.2高分辨率遥感图像变化检测实验变化检测是目前高分辨率遥感应用研究的一个重要方面.首先对图像差值法进行了实验研究,结合植被变化检测应用,最后给出了一种新的增强植被指数(EVI)进行植被变化检测实验.3.2.1基于图像差值法的变化检测实验该算法即把两个时相的单波段灰度图像做减法以显示反射变化,两幅图像必须提前做过辐射校准和几何纠正.差值即图像灰度值的差.假设做减法以前图像的辐射校准已经成功消除了由各种因素引起的辐射差异,则反射值的变化会有助于反映两个时期地物覆被的光谱特性变化.但是由于不同成像时间大气条件的不同,以及量化大气因素对变化影响的困难性,这一假设根本不成立.所以,图像作差值不能准确反映变化情况.引人一种适应性阈值的方法.用户可以通过测试,针对特定图像选择合适的阈值得到变化图像.根据前后两图像灰度值的差异,可以将结果分成三类,即灰度值增大的,没有变化的和灰度值减小的,并显示在图像中.图像差值法的变化检测结果如图5所示.3.2,2改进的方法在进行植被变化检测时,还引人了另外一种增强的植被指数EVI(EnhancedVegetationIndex)来增强提取植被信息.其计算公式为:Ev”lDNi十L1edL2lDBl十L66赵书词/地学前缘(EarthScienceFrontiers)2006.13(3)图4IKONOS图像的流域分割结果Fig.4WatershedsegmentationofIKONOSimage图5图像差值法的变化检测结果Fig.5Changedetectionwithimagedifferencemethod其中,EVI是增强的植被指数,lDNi近红外波段的反射率,d红波段的反射率,IDB】是蓝波段的反射率,C,C,L是三个可以变化的参数.C,Cz,L的经验值分别是4.0,7.5,1.它们可以通过用户试验加以修正.然后,通过反复实验,确定EVI的阈值以得到每个时相的更精确的植被信息.植被变化信息通过对比两幅植被图得到.在本实验中,由于缺乏图像的源文件信息,无法得到各个波段的反射率,故用其两度值(灰度值)替代反射率求得的EVI值,故实验结果会受影响.3.2.3分析在高分辨率遥感图像中,应用改进的NDVI植被指数和PCA变换都可以增强植被信息.EVI方法同时应用了蓝色(B),红色(R)和近红外(NIR)波段的信息,因此在提取植被信息方面,它比NDVI更灵敏.尽管图像差值方法得到的变化结果精度不是令人满意,但是仍可以考虑将图像差值法与其他变化检测方法结合,来对高分辨率影像进行变化检测.4结论通过分析和探讨基于像素的遥感图像处理方法,基于对象的高分辨率遥感图像处理方法,并进行高分辨率遥感数据处理方法相关算法实验,我们发现:虽然基于像素的遥感分类方法不能满足高分辨率遥感的需要,但是,经典的最大似然法仍然能够用于提取高分辨率遥感图像的光谱信息特征.而基于对象的高分辨率遥感处理方法中,数学形态学可作为图像分割的最好的选择之一.如何充分地有效利用高分辨率遥感图像的光谱赵书地学前缘(EarthScienceFrontiers)20061兰(兰2信息和空间结构信息,是高分辨率遥感数据处理方法的关键.可尝试通过支持向量机等方法把这些信息集成起来,处理结果可靠性可望得到提高.同时,接下来可把这些方法应用到高分辨率遥感图像变化检测,专题应用中加以进一步的大量实验.感谢北京大学遥感与地理信息系统研究所陈秀万教授,李培军副教授在论文写作中给予的指导和帮助,以及王子煜博士,宋翠玉,吴忠中等同学在论文实验中给予的帮助.References:1234:567891o11DONGGuangjun,FANYonghong,LUORui.TheimageclassifyingbasedonroughsettheoryJ.ComputerEngineering&Application,2003(13):103105(inChinese).DUFenglan,TIANQingjiu,XIAXueqi.ExpectationandevaluationofthemethodsonremotesensingclassificationsLJ.RemoteSensingTechnologyandApplication,2004,19(6):521525(inChinese).PIERCEE,UIABYFT,SARABANDIK,eta1.Knowledge-basedclassificationofpolar/metricSARimagesJ.IEEETransactionsonGeosciences&RemoteSensing,l994,32(5):lO8ll086.BAATZM,SCHAPE八Object-orientedandmultiscaleimageanalysisinsemanticnetworksc/Proceedingsofthe2ndinternationalsymposiumonoperationalizationofremotesensing,l999.IIUXiuguo,LUOXiaobo.Theapplicationofself-organizingneuralnetworkstoremotesensingimageryclassification_J.RemoteSensingforLandandResources,2004(4):14一l8(inChinese).LUOJiancheng,WANGQinmin,MAJianghong,eta1.TheEMbasedmaximumlikelihoodclassifierforremotelysenseddataJ.ActaGeodaeticaetCartographicaSinica,2002,31(3):234239(inChinese).ZHAOShuhe,ZHANGMingjin.TheBPNNmodelwithcompetelearninganditsexperimentsonremotesensingimageryclassificationLJ.RemoteSensingTechnologyandApplication,l995,10(4):6卜64(inChinese).ITOY,OMATUS.Categoryclassificationmethodusingaself-organizingneuralnetworkJ.InternationalJournalofRemoteSensing,l997,18(4):829845.COR1vrJIFJ,PEREZDIN.Acomparativestudyofsomenonparametricspectralclassifiers:applicationstoproblemswithhighoverlappingtrainingsetsJ.InternationalJournalofRemoteSensing,l997,l8(6):12591275.CORTESC,VAPNIKV.SupportvectornetworksJ.MachineLearning,l995,20(3):273297.BURGESCJC.AtutorialonsupportvectormachinesforpatternrecognitionJ.DataMiningandKnowledgeDiscov一67ery,l998,2(2):955974.rl2VAPNIKVN.ThenatureofstatisticallearningtheoryM.NewYork:Springer,l995.13ZHANGLi,ZHOUWeida,JIAOLicheng.SupportvectormachineforlDimagerecognitionJ.JournalofInfraredandMillimeterWaves,2002,21(2):l19123(inChinese).14I.IUXuejun,CHENSongcan,PENGHongjing.ComputerkeyboardverificationbasedonsupportvectormachinesJ.JournalofComputerResearchandDevelopment,2002,39(9):10821086(inChinese).E15GUAITIERJA,CROMPRF.Supportvectormachinesforhyperspectralremotesensingclassificationc/ProceedingsoftheSPIE.1998.16ZHUG,BLUMBERGDGClassificationusingASTERdataandSVMalgorithms:thecasestudyofBeerSheva,Israel_J.RemoteSensingofEnvironment,2002,80(1):233240.rl7HUANGC,DAVISLS,TOWNSHENDJRGAnassessmentofsupportvectormachinesforlandcoverclassification_J.InternationalJournalofRemoteSensing,2002,23(4):725749.18DUFenglan,TIANQingjiu,XIAXueqi,eta1.0bject.orientedimageclassificationanalysisandevaluationrJ.RemoteSensingTechnologyandApplication,2004,19(1):2023(inChinese).19ZHAXianjie,XINGLixin,DAIZhiyang,eta1.Methodforboundaryinformationextractionfromremotesensingimagebasedonspatialshapefeatures_J.JournalofJilinUniversity:InformationScienceEdition,2005,23(2):l95198(inChinese).2OWANGYaoge,WANGYuhai,ZHUChangqing,eta1.Thepre-processingofhigh-resolutionremotesensingimageongreymorphologyJ.JournalofInstituteofSurveying&Mapping,2004,21(2):108一l10(inChinese).21MEITiancan,LIDeren,QINQianqing.Extractionoflinearfeaturefromremotesensingimagebasedonwatershedtransform口.GeomatiesandInformationScienceofWuhanUniversity,2004,29(4):338341(inChinese).223GORTEBProbabilisticsegmentationofremotelysensedimagesc.ITCPublicationSeries,1998:63.23VINCENTI.Newtren