张立民，刘 峰，，张瑞峰

(1.海军航空工程学院，山东烟台264001;2.中国人民解放军92785部队，河北秦皇岛066200)

0 引言

遥感影像分类作为遥感影像处理过程中的重要步骤，已经远远超出了人的分析和解译能力，为了达到理想的分类效果，提取深层次空间结构信息的需求越来越强烈，受到广大科研人员的重视。由于遥感影像具有数据量大、维数高和不确定性等特点，应用支持向量机对其进行分类是目前主要发展的一个方向［1，2］，可以解决传统空间特征提取模型处理高维数据存在的难以收敛、计算复杂和结果难以解释等问题［3－5］。对于基于支持向量机的遥感影像分类问题，一般情况下，都是直接使用样本自身数据进行分类，没有提取样本特征，忽略了样本数据中隐含的空间信息，Randen T等人在提取纹理结构信息时验证这些隐含的空间信息对于分类来说是有帮助的［6］，因此本文提出一种新的自相关函数特征提取方法，将其应用于遥感影像空间特征提取，最后基于支持向量机方法，将提取的自相关函数特征与样本数据组合成新的样本，对新的样本数据进行训练与分类性能研究。

1 支持向量机与自相关函数

1.1 支持向量机

支持向量机是统计学习理论结构风险最小化SRM原则的实现方法［7］。它是从线性可分情况下的最优分类面发展而来的，基本思想可用图1来说明。图中，实心点和空心点代表2类样本，H为分类线，H1和H2分别为过各类中离分类线最近的样本且平行于分类线的直线，它们之间的距离叫做分类间隔(margin)。……