改进支持向量机的遥感影像道路提取技术研究

王艳梅,李金雨,冯海霞

(1.安徽三联学院 交通工程学院，安徽 合肥 230601;2.山东交通学院 交通与物流工程学院，山东 济南 250357)

随着空间技术的不断发展，遥感影像的分辨率越来越高，为更准确地提取地物信息提供了更好的数据基础。道路是高分辨率遥感影像中一种很重要的地物信息，如何从高分辨率遥感影像中精确地提取出道路信息，成为国内外众多学者研究的热点，因此也提出了各种各样的算法[1-5]。虽然高分辨率遥感影像中道路信息的几何特征和纹理特征都非常明显，但是由于同物异谱和同谱异物现象的存在，使得道路信息提取的精度受到一定限制，给提取算法的设计带来一定难度。

支持向量机(support vector machine,SVM)是国内外众多学者研究的热点[6-11]。汪闽等[12-13]设计了一种使用非线性映射SVM从高分辨率遥感影像中提取道路信息的方法。SONG M等[14]对于遥感影像中被遮挡的道路使用区域增长法进行提取，然后使用SVM将遥感影像分为道路和非道路两大类。GHULE S A等[15]提出，借助纹理特征和颜色特征分析遥感影像中道路信息，然后采用SVM提取道路网信息。但是，这些算法存在提取的道路位置不准确、像素错分等问题，导致道路信息提取的整体精度不高。本文提出了一种改进的SVM算法。该方法首先使用K均值聚类算法(K-means clustering algorithm)对遥感影像进行聚类分析，抓住关键样本，剔除沉冗样本，然后使用SVM提取道路信息，可以降低误判率。

1 算法原理

1.1 K均值聚类算法原理

该算法首先将样本聚类为K个簇，然后计算每个对象到各聚类中心的距离，把每个对象分配给距离它最近的聚类中心。……