传统的遥感影像分类方法主要依据的是地物的光谱信息，它是以像素作为地物识别的基本单元，利用数理统计与人工解译相结合的方法，依靠不同光谱数据组合在统计上的差别来进行解译的，这种分类方法的缺点是精度相对较低，效率不高，分类后的结果比较离散，容易产生椒盐噪声等现象。　　 为了突破传统的分类方法，改善高分辨率遥感影像的分类精度，本文通过Matlab编程实现了一种面向对象的遥感影像分类方法-基于光谱-纹理的遥感影像支持向量机(SVM)分类方法。该方法结合了地物的光谱特征和纹理特征，它的基本识别单元是分割后得到的同质对象，采用的分类方法是SVM方法。这种面向对象的分类方法的优点是节省了分类的时间，大大提高了分类的精度，分类后的结果比较连续，有效地改善了分类结果中的椒盐噪声等现象。因此，基于光谱-纹理的遥感影像SVM分类方法具有一定的研究意义。　　 本次研究的主要内容有以下几点：　　 (1)遥感影像面向对象的分割。在对遥感影像进行分类前，需对其进行分割参数的选取。分割的参数主要包括各波段的权重、尺度阈值、光谱因子权重和形状因子权重等，其中形状因子权重又包括光滑度因子权重和紧密度因子权重。本文详细地探讨了尺度阈值的选择过程。待分割参数选取完后，影像被分割成一个个小对象。　　 (2)对象特征的计算。在对象分割完后需要计算对象的特征，在特征计算时，不仅要计算对象的光谱特征，同时还要计算对象的纹理特征。描述纹理特征的统计量有很多，本文选取的是对象的方差和熵值这两个统计量。在计算熵值之前需要计算对象的灰度共生矩阵，我们分别沿0°、45°、90°和135°方向，以两相邻像素距离为1的原则生成共生矩阵。　　 (3)支持向量机(SVM)分类方法。SVM分类方法在形式上类似于一个神经网络，但是它的泛化能力比神经网络要好。它的输出是中间节点的线性组合，每个中间节点对应一个输入样本与一个支持向量的内积。本次实验中，支持向量机有5个输入向量，前3个输入向量均为对象的光谱值，后两个输入向量为对象的方差和熵值，采用的分类器是一对一投票分类器。　　 本文另外选取了两种分类方法与基于光谱一纹理的遥感影像SVM分类方法进行对比，分别为最大似然分类法和基于光谱的遥感影像SVM分类方法，根据比较得出的结论有：　　 (1)将面向对象的分割方法引入到遥感影像分类方法中具有一定的可行性的，它能提高分类的效率，改善分类结果中的椒盐噪声等现象，分类的结果比较连续。　　 (2)利用SVM方法进行分类，它能够提高分类的精度，这证明SVM方法在遥感影像分类中还是具有良好的潜在应用价值和发展前景。　　 (3)将基于光谱的遥感影像SVM分类结果和基于光谱-纹理的遥感影像SVM分类结果进行比较，从比较结果中可以看出，将纹理信息添加到遥感影像分类中，它能够有效地提高分类的精度，改善分类的结果。