遥感信息智能化提取技巧.docVIP

遥感信息智能化提取方法 ????目前，大部分遥感信息的分类和提取，主要是利用数理统计与人工解译相结合的方法。这种方法不仅精度相对较低，效率不高，劳动强度大，而且依赖参与解译分析的人，在很大程度上不具备重复性。尤其对多时相、多传感器、多平台、多光谱波段遥感数据的复合处理，问题更为突出。在遥感影像相互校正方面，一些商业化的遥感图像处理软件，虽然提供了简单的影像相互校正和融合功能，但均是基于纯交互式的人工识别选取同名点，不仅效率非常低，而且精度也难于达到实用要求。因此,研究遥感信息的智能化提取方法对于提高遥感信息的提取精度和效率具有重要意义。1．遥感图像分类????遥感图像分类是遥感图像处理系统的核心功能之一，它实现了基于遥感数据的地理信息提取，主要包括监督分类，非监督分类，以及分类后的处理功能。非监督分类包括等混合距离法分类（Isodata）等。监督分类包括最小距离（Minimum Distance）分类、最大似然（Maximum Likehood）分类、贝叶斯（Bayesian）分类、以及波谱角分类、二进制编码分类、AIRSAR散射机理分类等。????自动分类是计算机图像处理的初期便涉及的问题。但作为专题信息提取的一种方法，则有其完全不同的意义，是从应用的角度赋予其新的内容和方法。传统的遥感自动分类，主要依赖地物的光谱特性，采用数理统计的方法，基于单个像元进行，如监督分类和非监督分类方法，对于早期的MSS这样较低分辨率的遥感图像在分类中较为有效。后来人们在信息提取中引入了空间信息，直接从图像上提取各种空间特征，如纹理、形状特征等。其次是各种数学方法的引进，典型的有模糊聚类方法、神经网络方法及小波和分形。????近年来对于神经网络分类方法的研究相当活跃。它区别于传统的分类方法在于：在处理模式分类问题时，并不基于某个假定的概率分布，在无监督分类中，从特征空间到模式空间的映射是通过网络自组织完成的，在监督分类中，网络通过对训练样本的学习，获得权值，形成分类器，且具备容错性。人工神经网络 (ANN) 分类方法一般可获得更高精度的分类结果，因此 ANN方法在遥感分类中被广泛应用，特别是对于复杂类型的地物类型分类，ANN 方法显示了其优越性。如 Howald(1989)、McClellad(1989)、Hepner(1990)、T.Yosh ida(1994)、K.S.Chen(1995)、J.D.Paola(1997) 等利用 ANN 分类方法对 TM 图像进行土地覆盖分类，在不同程度上提高了分类精度；Kanellopoulos(1992) 利用 ANN方法对 SPOT 影像进行了多达20类的分类，取得比统计方法更精确的结果；G.M.Foody(1996)用ANN对混合像元现象进行了分解；L.Bruzzone 等 (1997) 在 TM－5 遥感数据、空间结构信息数据、辅助数据（包括高程、坡度等）等空间数据基础下，用 ANN 方法对复杂土地利用进行了分类，比最大似然分类法提高了 9% 的精度。与统计分类方法相比较，ANN 方法具有更强的非线性映射能力，因此，能处理和分析复杂空间分布的遥感信息。2．基于知识发现的遥感信息提取????遥感成像是从多到少的映射，是个确定过程，而影像解译是从少到多的映射，是个不确定过程，无法从数学上直接求得确定解，因此需要依赖于人的知识，给出假设和约束，以求最优解。从信息论的角度说，因为遥感成像过程丢失了信息，或由于加入噪音而减少信息量，使得遥感影像所携带的信息量不足以表达人们所希望解求的诸多地理对象内在的不确定度。因而在遥感影像解译时，有一个重要的地学处理过程。包括两个方面，一是把遥感未带回的信息再补上去，即补充其它地学相关的信息；二是根据影像信息进行地学分析，来推断出影像上未反映的信息；这些都需要地学知识的支持。计算机领域中人工智能的出现，使得基于知识的专题信息提取成为可能。如何把地学专家用于目视解释的知识定量化表达，并参与计算机处理，成为从根本上解决信息提取的问题。故人机交互的后一阶段已转入到基于专家知识的图像信息提取。采用交互式输入某一层次的知识信息，来对目标进行有效地识别。????基于知识发现的遥感专题信息提取是遥感专题信息提取的发展趋势之所在，基本内容包括知识的发现、应用知识建立提取模型，利用遥感数据和模型提取遥感专题信息。在知识发现方面包括从单期遥感图像上发现有关地物的光谱特征知识、空间结构与形态知识、地物之间的空间关系知识，其中，空间结构与形态知识包括地物的空间纹理知识、形状知识、以及地物边缘形状特征知识；从多期遥感图像中，除了可以发现以上知识外，还可以进一步发现地物的动态变化过程知识；从GIS数据库中可以发现各种相关知识。在利用知识建立模型方面，主要是利用所发现的某种知识、某