1.一种融合多特征的支持向量机面向对象遥感影像分类方法，其特征在于，包括以下步骤：(1)利用分水岭分割算法分割多波段遥感影像，同时提取像元级的Gabor纹理和GMRF纹理，以对象内部像元光谱、纹理特征的均值作为各个分割对象相应的特征值；

(2)建立分割对象的空间邻接关系矩阵，提取对象的几何特征值，计算相邻对象间的公共边界长度，利用莫兰指数计算各个特征在分割对象中的空间自相关性，以特征的空间自相关性计算特征的权重；

(3)通过改进SVM的核函数，实现自适应的加权SVM，构建特征加权的自适应SVM面向对象遥感影像分类模型；

(4)选取各个类别的训练样本，结合对象的光谱特征、Gabor纹理和GMRF纹理，应用加权SVM分类法对对象进行分类。

2.根据权利要求1所述的融合多特征的支持向量机面向对象遥感影像分类方法，其特征在于，具体步骤为：步骤1、影像预处理：利用最小值去除法对遥感影像进行辐射校正，选取地面控制点，进行几何精校正，利用形态学重建算法选择一个半径为2的平面圆盘形的结构元素消除影像噪声；

步骤2、Gabor纹理提取：由于各个波段的纹理特征相似，因此选择其中一个波段提取Gabor纹理，参数为宽度5、尺度5和方向12，共构建60个Gabor滤波器，即能提取60个Gabor纹理特征；

步骤3、GMRF纹理提取：由于各个波段的纹理特征相似，因此选择其中一个波段提取GMRF纹理，选择3*3的邻域窗口，采用二阶高斯马尔科夫模型，利用最小二乘法估计模型4参数，加上均值和方差，一共能提取6个GMRF纹理；

步骤4、梯度影像提取：使用3*3的邻域，采用方向梯度算子在每一个波段上提取影像的梯度影像；

步骤5、梯度影像合成：计算各个波段之间的相关性，以各个波段与其他波段之间相关性之和为权重，相关性之和越小，权重越大，加权合成多个波段的梯度影像为一个波段的梯度影像；

步骤6、影像初始分割：使用分水岭分割方法进行影像分割，其中涉及到的参数深度和面积分别为5，5；

步骤7、初始分割结果合并：在初始分割结果的基础选择面积较小的分割对象，通过相邻对象之间的光谱、纹理、面积以及空间关系构建合并代价，设置阈值，若合并代价小于阈值，那么将相邻对象进行合并；

步骤8、对象几何特征提取：在分割结果基础上统计各个对象的面积、周长，面积和周长作为对象的两个特征；

步骤9、对象光谱和纹理特征提取：统计对象内部像元的光谱和纹理特征值，将其均值和方差分别作为对象的光谱特征和纹理特征；

步骤10、对象邻接权重构建：若两个对象相邻，则两个对象之间的邻接权重为1；若两个对象不相邻，则其邻接权重为0；

步骤11、邻接权重改进：提取两个相邻对象的各自周长以及两对象之间公共边界长度，以公共边长占总边长的比重作为邻接权重的计算公式如下：式中li、lj分别为对象i和对象j的周长，lij为对象i和对象j的公共边界长度；

步骤12、空间自相关性计算：利用改进的邻接权重改进莫兰指数，利用改进的莫兰指数计算各个特征自相关性的计算公式如下：式中m为分割对象的数量，xi、xj分别为对象i和对象j的特征值，x为所有对象特征值的平均值，通常情况下，若对象i和对象j相邻，对象i和对象j的邻接权重取值为 否则邻接权重取值为0；

步骤13、可分性计算：根据特征自相关性越强，可分性越低的原理，在自相关系数的基础上变换计算得到特征的可分性，并将可分性的范围由[-1，1]归一化到[0，1]，可分性计算如下：步骤14、特征权重计算：根据可分析越高，权重越大的原理，以各个特征的可分性占所有特征权重的可分性之和的比重作为各个特征权重的计算公式如下：其中D为对象特征数量，Ci为第i个对象特征的可分度；

步骤15、特征选择：设置阈值，将特征权重大于阈值的特征作为分类特征，并将这些特征的权重归一化后得到筛选后特征的权重计算公式如下：式中wi,i＝1,2,…n为第i个特征的权重；

步骤16、支持向量机SVM改进：选择径向基核函数为SVM的核函数，将特征权重加入到径向基核函数中，改进后的径向基核函数如公式(6)，构建特征加权的SVM；

kP(xi,xj)＝exp(-γ||xiTP-xjTP||2)＝exp(-γ((xi-xj)TPPT(xi-xj)))        (6)xi、xj分别为对象i和对象j的特征值，γ为调节参数；

步骤17、面向对象分类：将筛选的特征作为分类特征，将这些特征及其权重加入到加权SVM模型中，实现多特征融合的面向对象分类；

步骤18、精度评价：在分类结果中随机抽检一定比例的样本，同时制作这些样本的参考数据，对比分析结果的精度。