徐风，苗哲，业巧林

(1. 南京林业大学计算机教学实验中心，南京 210037；2. 南京林业大学信息科学技术学院，南京 210037)

在实际生产生活中，遥感图像有着广泛的应用。其中，在林业相关领域的作用尤为突出，如湿地保护、林业制图、森林火灾监测等[1-3]。受到采集设备的影响，分辨率会有所不同。低分辨率的遥感图像包含了较大范围的地物信息，通常只适用于大面积的地面信息调查与研究。高分辨率的遥感图像地物纹理信息与空间语义信息更加丰富，在环境监测、军事辅助识别等领域中应用更为广泛。

对大量的遥感图像进行快速准确地分类，是遥感图像信息处理系统中重要的组成部分[4-5]。有区别于自然图像的分类任务，遥感图像由于其自身的特点，各类图像中的特征较难区分。早期的研究工作主要使用手工提取图像特征的方法对遥感图像进行分类，但随着图像采集技术与设备的发展，高分辨率的遥感图开始在生产实践中成为主流。与此同时，对传统的遥感图像分类方法提出了挑战。由于人工提取的图像特征表达能力有限，难以拟合高分辨率遥感图像中复杂的纹理语义信息。随着相关研究的开展，有研究者开始尝试将不同的人工特征进行融合，以此来提高相应分类算法的精度。其中，常用的图像特征有SIFT(scale invariant feature transform)、HOG(histogram of oriented gradient)、LBP(local binary patterns)、SURF(speeded up robust features)[6]等。在融合手工图像特征的过程中，往往需要算法设计者定义各种图像特征的权值大小。特定的权值参数，对部分遥感图像得到较好效果，但难以在大规模测试集中取得较高的精度。……