基于最小二乘支持向量机和高分辨率遥感影像的大尺度区域岩性划分

杨佳佳，姜琦刚，陈永良，崔瀚文，张汉女

(1.吉林大学地球探测科学与技术学院，吉林长春 130026;2.沈阳地质调查中心，辽宁沈阳 110034; 3.吉林大学综合信息矿产预测研究所，吉林长春 130026)

基于最小二乘支持向量机和高分辨率遥感影像的大尺度区域岩性划分

杨佳佳1，2，姜琦刚1，陈永良3，崔瀚文1，张汉女1

(1.吉林大学地球探测科学与技术学院，吉林长春 130026;2.沈阳地质调查中心，辽宁沈阳 110034; 3.吉林大学综合信息矿产预测研究所，吉林长春 130026)

基于大尺度区域分割的理念，提取高分辨率遥感图像中与岩性相关的纹理、形状、光谱信息，利用最小二乘支持向量机(LS-SVM)在非线性预测中的优势，对研究区地质岩性进行识别。首先对高分辨率图像中与岩性相关的光谱、纹理、形状、高程等特征信息进行样本选取，选取过程中以图像的纹理为主要特征信息，同时以J-M距离、转换分类度为依据选取最优特征空间，采用因子分析变换降维对特征空间进行压缩，实现特征信息最优化;然后对已知样本进行训练，建立分类模型，评价模型精度;最后利用模型对研究区进行岩性划分，并进行分类后处理。研究结果表明:基于LS-SVM的分类方法在利用高分辨率遥感图像岩性识别中表现良好，为地质岩性分类提供了一种新的方法和手段;加入纹理等信息后的LS-SVM分类模型更加利于岩性的判别。

岩性识别;大尺度区域分割;最小二乘支持向量机;高分辨率;遥感

随着亚米级遥感图像的问世，面向对象的图像分类方法现今已经受到了广泛的关注［1-6］。面向对象分类与基于像元分类有很大不同，前者包含光谱、纹理、形状等特征，后者一般只包括光谱特征。另外提到的支持向量机是近些年研究比较热点的模式分类方法，许多学者采用支持向量机做了大量研究［7-9］，但大都用于区分图像像元的判别归属问题，并没有在地质大范围岩性分类中有过研究。大尺度区域划分［10］的概念由周成虎、骆剑承提出，关键在于模仿人类的视觉机制，认为人类对场景的分割首先是基于大尺度的，即视觉细胞首先捕捉场景中的大目标或背景，并获得相应的轮廓。基于前人的研究，笔者把面向对象大尺度区域划分应用在地质的岩性分类研究中，提出基于纹理－光谱－高程－形状综合体的最小二乘支持向量机(LS-SVM)岩性分类方法，以达到对研究区岩性进行大区域划分的目的。

1 理论基础及研究思路

1.1 大尺度区域划分的概念

一般来说，人的眼睛对场景的分割首先是基于大尺度的，即视觉细胞首先捕获场景中的大目标或背景，并获得相应的轮廓;在此基础上，场景中的细节或子目标才能逐渐聚焦［10］。因此，广义条件下可以在一个较大的尺度下，根据影像的光谱、纹理等一切和地物相关的特征对研究区岩性进行大区域分类，将图像分为有地质意义的不同区域，增强区域岩性的可识别性，同时可以方便对目标地物的性质做进一步的深入研究。

1.2 支持向量机分类原理及改进的LS-SVM分类

1.2.1 支持向量机分类原理

支持向量机(SVM)是一种基于统计学习理论的模式识别方法，主要应用于模式识别领域，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。主要包括线性支持向量机和非线性支持向量机。SVM是一种基于结构风险最小化准则的学习方法，其推广能力明显优于一些传统的学习方法。由于SVM的求解最后转化成二次规划问题的求解，因此SVM的解是全局唯一的最优解［11］。通过求解一个约束条件下的极值，然后转化成它的对偶问题，得到简化的不等式约束极值问题，最终得到最优分类函数:

式中，sgn{}为符号函数;αi为Lagrange乘子;b为分类的域值;x、y为样本向量。αi不为零的样本点就称作支持向量。这些向量充分描述了整个训练样本集数据的特征，使得对支持向量集的线性划分等价于对整个数据集的分类。

对于非线性可分样本，支持向量机构造分类决策函数的方法是，首先将训练数据从原始模式空间经过特定核函数的非线性变换，映射到高维特征空间。然后，在特征空间中，寻找最优分类超平面，该超平面实际上对应着原始模式空间中的非线性分类面［12］。因此，支持向量机在处理非线性情况时，仅比线性情况多了一个非线性映射环节。其对偶形式变为

其中K(xi·xj)为满足Mercer条件的核函数。目前，应用较多的核函数有3种，即多项式核函数、径向基核函数和Sigmoid核函数。对于多类分类问题，可采用多个二分类SVM组合的办法解决。

1.2.2 改进的LS-SVM分类

Suykens等［13］提出的最小二乘支持向量机(LS-SVM)是经过改进的支持向量机模型，从机器学习损失函数着手，在其优化问题的目标函数中使用二范数，并利用等式约束条件代替SVM标准算法中的不等式约束条件，使得LS-SVM方法的优化问题的求解变为通过Kuhn-Tucker条件得到的一组线性方程组的求解，避免了不敏感损失函数，大大降低了计算复杂度，且运算速度高于一般的支持向量机［14-15］。

最小二乘支持向量机的优化问题体现在:经验风险由一次方变为二次方，用等式约束代替不等式约束［14］，定义为

满足等式约束

式中，ω为权向量;b为待确定的参数;γ为模型泛化能力和精度之间的一个折中参数，γ＞0;ξ为松弛因子，ξ≥0。

1.3 岩性分类的前提依据及方法流程

1.3.1 岩性识别的前提依据

岩石是一种或多种矿物按一定规律构成的固结矿物集合体，是地壳发展过程中各种地质作用形成的地质体。岩性是指反映岩石特征的一些属性，如颜色、成分、结构、构造、胶结物及胶结类型、特殊矿物等。岩性组合是指岩性在横向、纵向上的组合排列关系，它反映岩相的变化，是岩石生成环境的重要标志之一。岩性的分类是基于面的分类，不能用类似基于像元的矿物单元识别一样去研究。充分利用潜在于遥感图像中的空间信息组合才是岩性分类的关键。空间信息又包括地物的纹理、形状、大小、高程、位置等一系列信息，本次研究以地物的纹理信息为主，结合其他相关辅助信息对研究区进行了岩性的大区域划分。

影像的纹理结构是遥感影像识别岩性过程中的重要信息，原始的光谱信息加上纹理信息可以提高影像解译的精度。作为提高影像分类精度的重要分析因素——纹理分析，合理有效地使用纹理分析方法至关重要。纹理分析的方法很多，许多学者也做了相关纹理方面的研究［4，16］。目前方法主要有统计方法、结构方法和谱方法。本研究的纹理信息主要是基于统计学的灰度共生矩阵的方法和基于数学变换的小波变换方法。

灰度共生矩阵是一种通过研究灰度的空间相关特性来描述纹理的常用方法，是对图像上保持某距离的两像素分别具有某灰度的状况进行统计得到的。从灰度图像计算出灰度共生矩阵、能量、对比度、均匀度、熵等纹理特征。该方法在纹理基元很小并构成微纹理时，统计方法的效果较好［17］，本次研究将这种灰度共生矩阵生成的纹理图像作为微纹理图像的信息。

小波分析最大的特点在于极其敏感的变焦特征，它能形成可调时频窗，在低频段采用高频率分辨率和低时间分辨率，而在高频段则采用低频率分辨率和高时间分辨率，从而在不同的分辨率下，反映出不同的图像结构，使其在增强图像纹理信息方面具有特殊的能力。经过小波与HIS(假彩色变换)融合后的图像不仅增强了图像的纹理清晰度，同时也继承了原图像的光谱信息。本次研究将小波HIS融合后的数据作为光谱－纹理信息源，考虑到本次研究采用的图像分辨率高，故采用的小波分解水平为5级。

1.3.2 方法流程

基于纹理－光谱－形状－高程－位置等为一体的信息综合体，选取图像上不同地物的光谱和纹理信息，另外在研究过程中还加入了形状、高程、位置等辅助的识别信息作为源信息综合体，随后进行样本的选取，选取过程中要考虑到特征空间的最优性，最后通过LS-SVM分类方法对采样数据进行训练、预测，达到对研究区岩性进行大区域划分的目的(图1)。

图1 方法流程图Fig.1 Flow chart of research methods

2 研究区简介及数据预处理

2.1 研究区地层简介

研究区位于新疆克孜勒陶地区，范围为东经76°11'～76°13'，北纬38°34'～38°55'。该区地层分布主要为:上侏罗统库孜贡苏组(J3kz)，出露于研究区西南部，呈条带状分布，本组为一套红色粗碎屑岩建造;下白垩统江额结尔组(K1j)，出露于研究区西部，岩性为褐红、灰红色厚 －巨厚层状细粒长石石英砂岩，夹砾岩;下白垩统乌鲁克恰特组(K1w)，出露于研究区中部，以浅褐色、黄绿色上部灰白色厚－中层状中－细粒长石石英砂岩为主;上白垩统 －古新统英吉莎群(K2E1Y)，出露于研究区东部，该群出露多少或受构造影响，岩性主要为页岩、介壳灰岩、粉砂质灰岩、长石砂岩与泥岩互层、鲕粒灰岩、泥晶灰岩、棕红、紫红色厚层泥岩、膏泥岩等;古新统阿尔塔什组(E1a)，出露于研究区东部，下部主体为白色块状硬石膏岩，局部夹少量灰岩，底部为条带状石膏岩夹灰色白云石石膏岩，上部为深灰色厚层状含生物屑泥晶灰岩;上更新统湖积层(Qp3l)，出露于研究区大部，为土黄色、棕黄色黏土层，上部腐殖层，发育植物根系，向洼地中心方向过渡为灰白色含盐碱的黏土层。

2.2 高分辨率数据预处理

2.2.1 遥感数据源

研究采用的影像为WorldViewⅡ高分辨率遥感数据，于2010年7月6日获取，大小为4188像素 × 3755像素。WorldViewⅡ卫星相比同级别其他高分辨率卫星的主要特点是:①图像分辨率更高(多光谱1.84 m，全色0.46 m)、地理位置精度更高;②除提供常规蓝、绿、红和近红外波段外，还提供另外4种波段1.8 m分辨率的数据，增强了数据分类能力和提取地面目标的能力;③图像处理系统和多卫星采集计划效率高;④采样区域重访周期短，大面积立体采集能力高，机动灵活性更强。

2.2.2 遥感数据预处理

(1)首先对数据进行辐射定标，基于6S大气纠正模块进行大气校正得到图像的视反射率值，然后进行正射校正、几何校正，最后要对图像中相关干扰信息进行去除。

(2)WORLDVIEWⅡ波段选取。通过统计各波段的均值、方差、最大值、最小值，及各个波段之间的相关性，确定了以4(R)、3(G)、2(B)波段组合作为本次研究的基础图像，该合成图像集结了近红外及可见光波段信息的优势，色彩反差明显，清晰度高，层次感好，具有极为丰富的地质信息，可解译程度高，不同类型的岩石边界清晰，岩石地层单元的边界、特殊岩性的展布也显示得较为清楚。

(3)小波变换HIS融合增强。通过小波结合HIS融合后的图像不仅增强了图像的清晰度，同时也继承了原图像的光谱信息。从融合后的统计数据来看，融合后的图像方差及熵都大于原始图像的相应波段，均值和中值也普遍大于原始波段，说明融合后图像动态范围变大，原图中不太明显的细节信息显示了出来。

(4)综合特征信息体。将小波HIS融合后的影像作为光谱－纹理信息的特征体;以基于二阶矩阵生成的5个纹理滤波图像作为微纹理信息的特征体(包括均值、熵、二阶距、相关性、相异性5个信息特征信息);使用基于形状的数学形态滤波图像作为形状信息特征体;以高程DEM数据图像作为高程信息特征体;图像中自带的像元位置、像元投影坐标可以作为位置信息的特征体，另外还加入了主成分分析后的图像作为反映图像信息分布及图像波段间相关性变化的特征信息体。

3 LS-SVM分类过程及结果

LS-SVM分类的效果不仅与所选择的核函数有关，最关键的是特征样本的选择及相关调整参数的确定。

特征选择与提取的优劣极大地影响着分类器的设计和性能，本次特征选择的原则基于以下三点:包含的信息量大;类之间的相关性要降到最小;在保证精度的前提下尽量压缩特征空间的维数。采用下述方案优化特征空间:首先，针对不同岩性在遥感图像上体现的差异选取样本，根据样本计算各特征空间类别之间的可分性;然后对优化的特征空间采用因子分析变换进行压缩，从而确定最优特征空间信息;最后从中随机选取一定量的样本分为两类，一类用于模型训练，一类用于模型检验。

建立LS-SVM分类模型(采用高斯RBF核函数)还需要两个调整参数:γ是正则参数，它取决于训练误差最小化和平滑程度之间的权衡程度，σ2是平方带宽，它们是影响LS-SVM性能的主要因素［18］。本文中采用贝叶斯框架来调整优化参数，以获得适当的输出。最优正规化参数γ和内核参数σ2可分别通过优化成本推理的第二层和第三层获得。

3.1 样本选取及分类模型的建立

根据岩性的不同将研究区分为6类地物，它们的代号分别是:Jkz、Kj、Kw、KEY、Ea、。

311211

3.1.1 样本选取影响因素及可分性比较

对分类模型影响较大的因素有:样本选取、样本纯度、不同类别空间属性等。通过对这些影响因素的综合考虑，确保选取样本的可靠性。

(1)为了保证选取的样本具有代表性，选样本要顺着岩层的倾向连续选取，这样可以最大程度地体现纹理的差异信息，同时为避免不同颜色造成的光谱差异，选取样本的范围要广，要体现出大区域的纹理特征。另外选取样本时要综合利用各个特征图像的差异信息进行选取。

(2)样本的空间属性特征也是影响分类精度很重要的因素，尤其是与岩性关系密切的纹理及形状信息。通过加入纹理、形状、高程信息作为类评价的重要参考因素，通过Jeffries-Matusta(J-M)距离和转换分离度(transformed divergence)作为类分离性的度量，计算不同类样本间的可分离性，这两个度量值在0～2.0，值越大说明可分性越好。如果不满足度量值的要求需返回重新进行样本的选取。研究发现，加入纹理、形状信息后明显增强了类之间的可分性和可聚性(表1)。高程信息加入后并没有发生明显的变化甚至出现相反的趋势，原因是DEM遥感数据的分辨率太低，故考虑排除使用。

表1 加入纹理、形状信息后的类可分性变化Table 1 Class separability changes after adding texture and shape information

3.1.2 样本N维空间显示及纯度的调整

如图2所示，把选取的样本加入到N维散点图中进行选择，在N维散点图中，点坐标由N个值组成，它们可以在指定的波段形成的N维空间中进行旋转显示，从而可以集中选取出最纯净的像元和极值波谱反应。通过N维散点图的选取后，类之间的可分性(表2)得到了明显的提高，可以作为最终的样本数据进一步分析。

图2 N 维散点图样本选取Fig.2 N-dimensional scatter plot sample selection

表2 通过N维散点图选取后的类可分性变化Table 2 Class separability changes after selecting class by N-dimensional scatter plot

3.1.3 数据的压缩降维

数据特征信息的增加本来是为了使研究过程趋于完整，但反过来，由于特征信息太多，使得分析的复杂性增加，运算更为复杂，为了解决这种情况本次研究对不同特征的样本信息进行了因子分析，以较少的几个特征因子替代原始特征集的大部分信息。因子分析后结果(表3)，经巴特利特球形检验(Bartlett)，Bartlett=190，P＜0.0001，即相关矩阵不是一个单位矩阵，故符合因子分析的条件。另外，KMO (Kaiser-Meyer-Olkin measure of sampling adequacy)是用于比较观测相关系数值与偏相关系数值的一个指标，其值愈逼近1，表明这些特征变量进行因子分析后的效果愈好。KMO=0.721意味着因子分析的结果可以接受。

表3 正交旋转矩阵Table 3 Rotated component matrix

用来做因子分析的特征信息体包含12个不同的特征矩阵信息。经正交旋转后的因子负荷矩阵(表3)旋转的目的是使复杂的矩阵变得简洁，即第一因子替代了X4、X5、X9、X10、X11、X12的作用，第二因子替代了X1、X2、X3的作用，第三因子替代了X6、X8、X10的作用，第四因子替代了X6、X7的作用，第五因子替代了X7、X8的作用。

3.1.4 加入纹理、形状信息前后分类模板的比较

从因子分析后的样本中随机抽取一部分，分为两类，一类用于建模，一类用于检验。其中训练样本个数分别为:Qp3l289个;J3kz 220个;K1j 283个; K1w 242个;K2E1Y 276个;E1a 263个。检验所用样本个数分别为:Qp3l258个;J3kz 236个;K1j 223个; K1w 281个;K2E1Y 211个;E1a 236个。将这些样本根据属性的不同分为两类分别建立分类模型，一类的属性为纯光谱信息，另一类属性为加入纹理、形状信息后的全属性信息。由这两类不同属性的样本建立的分类模型如图3所示。从图中可以看出，加入纹理后的分类效果比纯光谱分类效果有明显提高，前后两种模型的 γ判定值及 σ2判定值分别为4.6768、1.075 5和9.755 3、9.422。最后通过均方根误差(erms)及预测精度(ap)来评价分类模型，前后两种模型的精度分别为53.94%和80.286 7%。误差和预测精度的计算公式为

式中，Xi为预测值;^Xi为实测值;m为预测项的均值。

3.2 岩性分类结果对比

将加入纹理、形状信息后的分类模型用于研究区岩性分类，计算归属类别并显示分类效果，然后与最大似然分类及基于纯光谱的LS-SVM分类效果进行对比，如图4所示。

比较最大似然分类、纯光谱LS-SVM分类和综合信息体LS-SVM分类后的效果发现，最大似然分类后的遥感图像类别之间混淆不清，纯光谱LSSVM分类后的图像略有改观，但是在研究区中部还有大片明显的岩性混淆，相比之下加入纹理、形状等信息后的LS-SVM分类更加明确，类之间的界限更加清晰，分类效果良好。

分类图像和真实图像之间混淆矩阵的计算显示(表4)，单纯利用光谱信息SVM分类的总体分类精度只有51.168 0%，与纯光谱SVM分类效果相比较，加入纹理、光谱等综合信息后，总体分类精度达 到75.3610%，分类精度有了明显提高。

图3 加入纹理、形状信息前后分类模型对比Fig.3 Comparison of classification model adding texture and shape information

图4 几种分类效果的比较Fig.4 Comparison of several classification results

表4 分类精度统计Table 4 Classification accuracy statistics

3.3 分类后处理及结果印证

对分类后的图像进行调色，同时通过做主要分析来消除图像中存在的零碎小图斑问题，该分析功能可以将较大类别中的虚假像元归到该类中，变换核的尺寸要通过实践来确定。由于岩性范围的面积都很大，所以本次采用较大的变换核尺寸，当选用31×31变换核时，总体分类精度比处理前的分类图像精度略有上升(表4)，选用37×37变换核时，总体分类精度达到80.967 6%，如果再选用过大的变换核时，总体分类精度开始下降，说明该尺寸反映了分类图像最佳的空间变化尺度，故选择37×37为变换核作为最终变换效果。如图5所示，最终的分类效果和野外地质填图相比存在一些不同，这是因为所采用的高分辨率遥感数据分辨率达到了0.5 m，比实际1∶5×104比例尺的区域地质图更加详细，对前人地质工作是一个很好的补充，可以用于地质找矿的后期工作，达到了大尺度岩性分类的目的。

图5 最终结果及印证Fig.5 Final results and mutal proof

4 结束语

基于地物综合特征信息的大尺度区域信息提取技术，从理论上更符合人类的视觉机制，从技术实践上提高了大目标识别的效率，在地质岩性填图工作中取得了很好的应用效果，从遥感图像上提取的岩性信息具有野外工作难以达到的效果，并且具有较强的实际应用意义。WorldViewⅡ高分辨率遥感影像中反映的纹理信息和光谱信息都非常丰富，在地质岩性识别中具有良好的应用性。基于不同的地质岩性在遥感图像上体现的纹理特征、光谱特征等信息，利用LSSVM分类方法，通过非线性决策函数进行样本训练并预测分类，仅需不多的样本就可以得到很好的分类效果。通过高分辨率遥感图像的岩性提取与野外填图互补运用，可以快捷方便地获得地质岩性的分布信息，在地质填图工作中能起到事半功倍的效果。在今后的工作中可以对所分类的岩性进行面线状基元提取，达到矢量化的目的，进一步增强实用性。

［1］DE CARVALHO LMT，CLEVERSJG P W，SKIDMORE A K，et al.Selection of imagery data and classifiers for mapping Brazilian semideciduous Arlantic forest［J］.Journal of Applied Earth Observation and Geoinformation，2004，5(3):173-186.

［2］KUMARS，GHOSH J，GRAWFORD MM.Best-bases feature extraction algorithms for classification of hyperspectral data［J］.Geoscience and Remote Sensing，2001，39(7):1368-1379.

［3］SUND F.Study on fusion algorithms of IKONOSPan and multi-spectral images［J］.Remote Sensing Technology and Application，2002，17(1):41-45.

［4］李培军.用ASETR图像和地统计学纹理进行岩性分类［J］.矿物岩石，2004，24(3):116-120.

LI Pei-jun.Classification of lithology used by ASTERimage and with geostatistics texture［J］.JMineral Petrol，2004，24(3):116-120.

［5］张秀英，冯学智，江洪.面向对象分类的特征空间优化［J］.遥感学报，2009，13(4):664-669.

ZHANG Xiu-ying，FENG Xue-zhi，JIANG Hong.Objectoriented classification feature space optimization［J］.Journal of Remote Sensing，2009，13(4):664-669.

［6］李代林，朱化凤，裴红艳.基于图像融合的水下成像技术［J］.中国石油大学学报:自然科学版，2008，32 (4):157-160.

LI Dai-lin，ZHU Hua-feng，PEI Hong-yan.Underwater imaging technology based on image fusion［J］.Journal of China University of Petroleum(Edition of Natural Science)，2008，32(4):157-160.

［7］傅文杰，洪金益，朱谷昌.基于光谱相似尺度的支持向量机蚀变信息提取［J］.地质与勘探，2006，42(2): 69-73.

FU Wen-jie，HONG Jin-yi，ZHU Gu-chang.Extraction altered and mineralized rock information from remote sensing image based on support vector machines and spectral similarity scale［J］.Geology and Prospecting，2006，42(2):69-73.

［8］张耀波，张迁.基于SVM的遥感影像的分类［J］.地理空间信息，2005，3(4):24-26.

ZHANG Yao-bo，ZHANG Qian.Support vector machine for classification of remotely sensed image［J］.Geospatial Information，2005，3(4):24-26.

［9］薛云，戴塔根，邹艳红，等.基于主成分分析的SVM矿化信息提取研究:以青海黄南州阿哇地区为例［J］.遥感应用，2007，6:32-35.

XUE yun，DAI Ta-gen，ZOU Yan-hong，et al.Extracting alteration information by SVMbased on principal component analysis:a case study in Awa，Qinghai Huangnan［J］.Remote Sensing Applications，2007，6:32-35.

［10］周成虎，骆剑承.高分辨率卫星遥感影像地学计算［M］.1版.北京:科学出版社，2009.

［11］SCHOLKOPF B，MIKA S，BURGESC.Input space vs.feature space in kernel-based methods［J］.Transactions on Neural Networks，1999，10(5):1000-1017.

［12］张学工.关于统计学习理论与支持向量机［J］.自动化学报，2000，26(1):32-42.

ZHANG Xue-gong.Introduction to statistical learning theory and support vector machines［J］.Acta Automatica Sinica，2000，26(1):32-42.

［13］SUYKENSJA K，VANDEWALLE J.Least squares support vector machine classfiers［J］.Neural Processing Letter，1999，9:293-300.

［14］张全明，刘会金.最小二乘支持向量机在电能质量扰动分类中的应用［J］.中国电机工程学报，2008，28 (1):106-110.

ZHANG Quan-ming，LIU Hui-jin.Application of LSSVMin classification of power quality disturbances［J］.Proceedings of the CSEE，2008，28(1):106-110.

［15］李丽娟.最小二乘支持向量机建模及预测控制算法研究［D］.杭州:浙江大学信息科学与工程学院，2008.

LI Li-juan.The study of modeling algorithm based on LS-SVMand predictive control algorithm［D］.Hangzhou:School of Information Science and Engineering，Zhejiang University，2008.

［16］CHICA-OLMO，ABARCA-HERNANDEZ.Computing geostatistical image texture for remotely sensed data classification［J］.Computers＆Geosciences，2000，26 (4):373-383.

［17］冯建辉，杨玉静.基于灰度共生矩阵提取纹理特征图像的研究［J］.北京测绘，2007(3):19-22.

FENG Jian-hui，YANG Yu-jing.Study of texture images extraction based on gray level co-occurrence matrix［J］.Beijing Surveying and Mapping，2007(3):19-22.

［18］VAPNIK V N.统计学习理论的本质［M］.张学工，译.北京:清华大学出版社，2000.

Lithology division for large-scale region segmentation based on LS-SVMand high resolution remote sensing images

YANG Jia-jia1，2，JIANG Qi-gang1，CHENYong-liang3，CUI Han-wen1，ZHANG Han-nü1

(1.College of Geoexploration Science and Technology，Jilin University，Changchun130026，China; 2.Shenyang Institute of Geology and Mineral Resources，Liaoning110034，China; 3.Mineral Resources Prediction Institute of Comprehensive Information，Jilin University，Changchun130026，China)

Based on the concept of large-scale region segmentation，extraction of texture，shape，spectral information of high resolution remote sensing image associated with the lithology and the advantages of least squares-support vector machines(LSSVM)in the non-linear prediction were used in the geological lithology identification.Firstly，the samples of spectral，texture，shape and altitude information which are relevant to lithology in the high resolution remote sensing images are selected.During the course of selecting，the image's texture is the main characteristic information.In the meanwhile，the chosen optimization feature space is based on the J-Mdistance and the degree of conversion classification.The feature space is compressed by using factor analysis and transformation dimension reduction，so that the characteristic information can be optimized.Then，known samples are trained，and classification model is developed to evaluate model accuracy.Finally，the model was used to divide the study area's lithology and process classified objects.The classification method based on LS-SVMperforms well in the highresolution remote sensing images lithological identification，and provides a new method and means for the classification of geological lithology.LS-SVMclassification model is more conducive in lithology identification after adding texture.

lithology division;large-scale region segmentation;least squares-support vector machines(LS-SVM);high resolution;remote sensing

P 627;TP 79

A

10.3969/j.issn.1673-5005.2012.01.010

1673-5005(2012)01-0060-08

2011－07－19

国家自然科学基金资助项目(40872193);中国地质调查局资助项目(1212010510218)

杨佳佳(1984－)，男(汉族)，山西晋城人，博士，主要从事遥感地学应用研究。

(编辑 修荣荣)