ch7 遥感影像计算机解译.docx

ch7 遥感影像计算机解译.docx

《ch7 遥感影像计算机解译.docx》由会员分享，可在线阅读，更多相关《ch7 遥感影像计算机解译.docx（19页珍藏版）》请在冰豆网上搜索。

ch7遥感影像计算机解译

第七章遥感影像计算机解译

第一节遥感图像计算机解译基础1

第二节遥感图像模式识别3

第三节遥感图像特征获取9

第四节遥感图像理解专家系统11

第五节计算机解译的主要技术发展趋势15

第一节遥感图像计算机解译基础

7.1.1遥感影像的数字化采样

   遥感数字图像是以数字化的遥感影像。

遥感影像记录了传感器这类对电磁波敏感的仪器远距离非接触探测目标地物时获取的地物反射、辐射的电磁波信息。

   遥感数字图像最基本的单位是像素。

像素是成像过程的采样点，也是计算机图像处理的基本单元。

像素具有空间特征和属性特征。

由于传感器从空间观测地球表面，因此每个像素含有特定的地理位置的信息，并表征一定的面积。

对于多光谱扫描仪提供的数字图像来说，一个像素对应的地表面积是由传感器的瞬间视场角和传感器高度共同决定的，瞬间视场角在地表的投影面称为像素的地面分辨率（或称空间分辨率），由于传感器种类不同，它的瞬间视场角也不同，因此，对应的地面分辨率是不同的。

例如：

MSS数字图像的地面分辨率是79×56平方米，TM数字图像的地面分辨率是28.5×28.5平方米，SPOT全色波段图像分辨率为10×10平方米。

像素的面积可以根据投影面在地表X方向长度和Y方向长度来计算。

   像素的属性特征采用色度值来表达，在不同波段上相同地点的色度值可能是不同的，这是因为地物在不同波段上其反射电磁波的特征不同。

   遥感数字图像中像素的数值主要由传感器所探测到的地面目标地物的电磁波辐射强度所决定。

入射到传感器中的电磁波被探测器元件转化为电信号，经过模/数转换，成为绝对辐射亮度值R。

为便于应用，R又被转换为能够表征地物辐射亮度的相对值，记录到每个像素中。

如果是系统校正过的数据，根据下式，可以把像素（像对）数据值V变换为绝对辐射亮度值R：

             R=V*（Rmax-Rmin）/Dmax+Rmin（7-1）

   式中，Rmax，Rmin分别是探测器可检测到的最大和最小辐射亮度，Dmax为级数，R为辐射亮度（mW/cm2.sr），V是像素数据值。

   自19世纪法国人达格雷（Dagurre）发表第一张航空像片起，许多国家测绘部门拍摄了大量航空照片，用来绘制地形图。

航空像片与普通商业遥感卫星图像相比较，其优点是地面分辨率高，它记录了当时的自然景观与人文景观，这是一批珍贵的历史资料，它有助于人们对城市变化和生态环境进行对比研究。

由于数字计算机只能处理数字信息，航空像片需要经过数字化才能被计算机处理与分析。

航空像片的空间采样过程如下：

（1）确定空间采样间距；

（2）属性量化

7.1.2计算机图像理解的基本理论

   计算机图像理解是研究用计算机解释图像，实现类似人类视觉系统理解外部世界的一门科学。

所讨论的问题是，为完成某一任务需要从图像中获取哪些信息，以及如何利用这些信息获得必要的解释。

图像理解的过程有几个显著的特点：

（1）分阶段的信息处理带来了信息的多层表示；

（2）对图像的解释是以某种形式的描述实现的；（3）图像的正确解释离不开先验知识的引导。

7.1.3遥感数字图像的特征

   图像是以离散的点阵来表达客观世界的，图形是以线划、多边形、区域刻画客观世界的。

在图像上点与点之间除了空间上发生距离关系外，在其他意义上都是孤立的。

在图形中区域内部一般认为是同质的，线划、区域之间具有明显的空间关系。

图像又可分为光学图像和数字图像，光学图像是经过光学成像过程得到的图像，它是通过感光银盐的密度来表现图像的明暗及色彩的；数字图像是数字化后的图像，其明暗色彩被编码为一组二维的数字矩阵。

通过显示输出装置可以得到恢复的图像。

数字图像中的数字可以参与所有的数学运算和逻辑运算，所以在以计算机技术为核心的图像处理、识别和理解方面数字图像比光学图像有很大的优势。

   遥感数字图像是数字图像的一个子集，而数字图像又是图像的一个子集。

所以遥感数字图像继承了图像和数字图像的所有特点，同时遥感影像又具有自己独有的特点：

（1）反映内容的特定性

（2）表达尺度的宏观性和空间分辨率的多样性

   （3）成像波段的独立性和多样性

   （4）成像机理的复杂性

7.1.4与图像理解相关的学科简介

   与图像理解相关的学科有图像处理、模式识别、计算机视觉等。

它们之间既有联系又有区别。

（1）图像处理是将输入图像转化为具有一定目标特征的结果图像，比如通过边缘增强处理以突出图像的边缘信息。

它是图像理解的预处理过程。

（2）模式识别是根据从图像中抽取的特征将图像中的图斑分成预定的类别。

   （3）计算机视觉是从仿生学角度，运用计算机技术模拟人眼的视觉系统来发现周围环境中有什么东西，东西在哪儿的学科。

   （4）图像理解不仅对图像本身提供的信息进行分析，而且运用成像过程的。

第二节遥感图像模式识别

7.2.1统计模式识别原理与基本过程

   计算机遥感图像分类是统计模式识别技术在遥感领域中的具体应用。

统计模式识别的关键是提取待识别模式的一组统计特征，然后按照一定准则作出决策，从而对数字图像予以识别。

遥感图像分类的主要依据是地物的光谱特征，即地物电磁波辐射的多波段测量值，这些测量值可以用作遥感图像分类的原始特征变量。

然而，就某些特定地物的分类而言，多波段影像的原始亮度值并不能很好地表达类别特征，因此需要对数字图像进行运算处理（如比值处理、差值处理、主成分变换以及K－T变换等），以寻找能有效描述地物类别特征的模式变量，然后利用这些特征变量对数字图像进行分类。

分类是对图像上每个像素按照亮度接近程度给出对应类别，以达到大致区分遥感图像中多种地物的目的。

遥感图像计算机分类的依据是遥感图像像素的相似度。

相似度是两类模式之间的相似程度。

在遥感图像分类过程中，常使用距离和相关系数来衡量相似度。

   遥感图像的计算机分类方法包括监督分类和非监督分类。

   监督分类方法首先需要从研究区域选取有代表性的训练场地作为样本。

根据已知训练区提供的样本，通过选择特征参数（如像素亮度均值、方差等），建立判别函数，据此对数字图像待分像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。

这种方法称为监督分类。

   非监督分类是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（将相似度大的像元归为一类）的方法。

窗体顶端

窗体底端

   遥感数字图像计算机分类基本过程如下：

   1.首先明确遥感图像分类的目的及其需要解决的问题，在此基础上根据应用目的选取特定区域的遥感数字图像，图像选取中应考虑图像的空间分辨率、光谱分辨率、成像时间、图像质量。

   2.根据研究区域，收集与分析地面参考信息与有关数据。

为提高计算机分类的精度，需要对数字图像进行辐射校正和几何纠正（这部分工作也可能由提供数字图像的卫星地面站完成）。

   3.对图像分类方法进行比较研究，掌握各种分类方法的优缺点，然后根据分类要求和图像数据的特征，选择合适的图像分类方法和算法。

根据应用目的及图像数据的特征制定分类系统，确定分类类别，也可通过监督分类方法，从训练数据中提取图像数据特征，在分类过程中确定分类类别。

   4.找出代表这些类别的统计特征。

   5.为了测定总体特征，在监督分类中可选择具有代表性的训练场地进行采样，测定其特征。

在无监督分类中，可用聚类等方法对特征相似的像素进行归类，测定其特征。

   6.对遥感图像中各像素进行分类。

包括对每个像素进行分类和对预先分割均匀的区域进行分类。

   7.分类精度检查。

在监督分类中把已知的训练数据及分类类别与分类结果进行比较，确认分类的精度及可靠性。

在非监督分类中，采用随机抽样方法，分类效果的好坏需经实际检验或利用分类区域的调查材料或专题图进行核查。

   8.对判别分析的结果统计检验。

7.2.2统计模式识别的几种分类方法

   监督分类包括利用训练区样本建立判别函数的“学习”过程和把待分像元代入判别函数进行判别过程。

监督分类中常用的具体分类方法包括：

（1）最小距离分类法，最小距离分类法原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。

（2）多级切割分类法，多级分割法分类便于直观理解如何分割特征空间，以及待分类像素如何与分类类别相对应。

   （3）特征曲线窗口法，特征曲线窗口法可以根据不同特征进行分类，如利用标准地物光谱曲线的位置（nm）、反射峰或谷的宽度和峰值的高度作为分类的识别点，给定误差容许范围，分别对每个像素进行分类；或者利用每一类地物的各个特征参数上、下限值构造一个窗口，判别某个待分像元是否落入该窗口，只要检查该像元各特征参数值是否落入到相应窗口之内。

特征曲线窗口法分类的效果取决于特征参数的选择和窗口大小。

各特征参数窗口大小的选择可以不同，它要根据地物在各特征参数空间里的分布情况而定。

   （4）最大似然比分类法，最大似然比分类法（maximumlikelihoodclassifier）是经常使用的监督分类方法之一，它是通过求出每个像素对于各类别归属概率，把该像素分到归属概率最大的类别中去的方法。

最大似然比分类法在多类别分类时，常采用统计学方法建立起一个判别函数集，然后根据这个判别函数集计算各待分像元的归属概率。

这里，归属概率是指：

对于待分像元x，它从属于分类类别k的（后验）概率。

   非监督分类的前提是假定遥感影像上同类物体在同样条件下具有相同的光谱信息特征。

非监督分类方法不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱信息（或纹理信息）进行特征提取的统计特征的差别来达到分类的目的，最后对已分出的各个类别的实地属性进行确认。

非监督分类主要采用聚类分析方法，聚类是把一组像素按照相似性归成若干类别，即“物以类聚”。

它的目的是使得属于同一类别的像素之间的距离尽可能的小而不同类别上的像素间的距离尽可能的大。

常用的方法有：

（1）分级集群法（HierarchicalClustering）

   分级集群法采用“距离”评价各样本（每个像元）在空间分布的相似程度，把它们分布分割或者合并成不同的集群。

每个集群的地理意义需要根据地面调查或者与已知类型的数据比较后方可确定。

（2）动态聚类法

   在初始状态给出图像粗糙的分类，然后基于一定原则在类别间重新组合其样本，直到分类比较合理为止，这种聚类方法就是动态聚类。

ISODATA（ISODATA：

Iterative-OrgnizingDataAnalysizeTechnique迭代自组织数据分析技术）方法在动态聚类法中具有代表性。

监督分类和非监督分类的根本区别点在于是否利用训练场地来获取先验的类别知识，监督分类根据训练场提供的样本选择特征参数、建立判别函数，对待分类点进行分类。

非监督分类不需要更多的先验知识，它根据地物的光谱统计特性进行分类。

因此，非监督分类方法简单，且分类具有一定的精度。

7.2.3句法模式识别原理与基本过程

   句法模式识别，用模式的基本组成元素（基元）对表征事物或现象的模式进行描述和识别的方法。

在多数情况下，可以有效的用形式语言理论中的文法表示模式的结构信息，因此称为句法模式识别。

英文“Pattern”源于法文“Patron”，本来是指可作为大家典范的理想的人，或用以模仿复制的完美的样品。

在模式识别学科中“模式”是指事物或现象整个的类别的特征，这样的模式是一种抽象化的概念，如“房屋”，“铁路”等都是某类地物的模式，而具体的对象如人民大会堂称作“房屋”这类模式中的一个样本。

通常来说，一个句法模式识别系统包括预处理、模式表达、文法推断和句法分析四个组成部分。

一个句法模式识别系统的框图如下：

   句法模式识别也有人称为结构模式识别，句法模式识别经常与结构模式识别混用，尽管句法与结构方法在很多方面是相似的，但实际上这两个方法还存在一定差异：

句法和结构方法模式识别的基本思想是利用结构来描述模式类。

句法方法是利用形式语言来描述模式，句法方法中结构可以用基元递归描述，结构方法中，结构用适当的数学模型来描述。

两种方法都是用串、树或图来表示。

结构模式识别是句法模式识别的有力的替代物。

在结构模式识别中，一般是用几何描述而不用形式语言。

在结构模式识别中，最基本的思想是用数学模型来描述知识，识别的过程一般基于模板匹配。

经过预处理与分割的待识别模式与一组样本匹配来找出最相似的样本。

串、树和图一般都增加了属性值用于描述样本。

   句法模式识别用于遥感图像解译所面临的问题：

   句法模式识别在字符识别、染色体分析、泡室图片鉴别等方面取得了成功的结果，但是把它引入到遥感图像识别时面临的问题还很多：

   1、图像分割问题。

这属于预处理中的问题。

由于遥感图像中的成像机理极为复杂，成功的图像分割作为一个不可忽视的问题依然阻碍着句法模式识别的应用。

   2、基元选择问题。

遥感图像具有地域性、季节性，对于大量的遥感图像而言，基元的选择是句法模式识别能否成功地应用到遥感影像中的又一个巨大的挑战。

   3、在句法模式识别中，对于有噪声和变形的模式来说，情况会变得很复杂。

文法一般是定义的理想的没有噪声和变形的模式，但真实的输入模式往往存在噪声和变形，对于遥感图像这个问题尤其突出。

7.2.4图像分类的有关问题

   遥感图像计算机分类算法设计的主要依据是地物光谱数据。

因此，它存在着如下的问题：

   1．图像分类仅利用了地物光谱特征，未能充分利用遥感图像提供的多种信息

   2．提高遥感图像分类精度受到限制

（1）大气状况的影响

（2）下垫面的影响

   （3）其它因素的影响

第三节遥感图像特征获取

   遥感图像解译，除了利用地物的光谱特征外，还利用地物的形状特征和空间关系特征，因此需要提取图像其它特征。

对于高分辨率遥感图像，可以清楚的观察丰富的结构信息，例如：

城市是由许多街区组成的，每个街区又由多个矩形楼房构成，其中“人造地物”具有明显的形状和结构特征，如建筑物、厂房、农田田埂，我们可以设法提取含有这类地物形状特征及其空间关系特征，作为结构模式识别的依据。

7.3.1颜色的量化和变换

   颜色是不同频率的可见光在人眼中的主观反映。

在图像数字化时是通过颜色空间的坐标值来对应每一种颜色的。

常用的颜色空间有RGB三色空间和HSI颜色空间。

对于这两种颜色空间的概念和转换，请见第四章的彩色增强一节。

7.3.2纹理特征描述与提取

   图像中在局部区域内呈现了不规则性，而在整体和宏观上表现出某种规律性的图斑称作纹理。

纹理是图像的一个重要的特性。

为了定量地研究纹理，需要研究纹理本身可能具有的特征。

粗糙度和方向性是人们区分纹理时所用的两个最主要的特征。

多年以来研究者们建立了许多纹理算法以测量纹理特性，这些方法大体可以分为两大类：

统计分析方法和结构分析方法。

前者从图像有关属性的统计分析出发；后者则着力找出纹理的基元，然后再从结构组成上探求纹理的规律，也还有直接去探求纹理构成的结构规律。

占主导地位的是统计的方法。

7.3.3形状特征的提取

（1）地物边界跟踪方法边界

   跟踪主要有两种方法：

第一种方法以图像像元作为跟踪的落脚点，跟踪点的连线作为地物的界线。

这种跟踪方法适用于线状物体的跟踪；第二种方法认为地物的界线在相邻地物之间，因此边界跟踪的路径应该从两个相邻地物边界的像元中间穿过，这种方法适用于点状地物与面状地物的跟踪。

（2）形状特征描述与提取

   通过边界跟踪可以获得一系列有序的边界点，这些边界点提供了地物单元形状特征的大量信息。

地物单元边界特征描述和形状特征提取可以采用多种方法，地物形态特征提取的要素主要有：

地物单元周长P、地物面积S、线状物体的曲率等。

7.3.4空间关系特征的描述与获取

   这里所讲的地物空间关系是指遥感数字图像中两个地物或多个地物之间在空间上的相互联系，这种联系是由地物的空间位置所决定的。

   在二维空间，地物的空间关系主要表现为以下几种：

（1）方位关系指两个地物之间方向与位置的相对关系。

   方位关系的描述包括以下内容：

   距离关系。

即一个物体到另一个物体的直线距离。

由于空间分布的地物具有三种类型，因此，各种物体之间的距离关系定义也不相同。

点状地物之间的距离则是两点间的距离，点状地物到线状地物的距离是该点到该线上某一点的最短垂直距离。

点状地物到面状地物的最短距离为该点到面状地物边界的最短距离。

线状地物到面状地物的最短距离是线上一点到面状地物边界点的最短距离，面状地物到面状地物的距离是两个面状地物边界点的最短距离。

   方向关系：

即一个物体相对与另一个物体的方向。

方向关系常用八个方向来描述，它们分别为：

正北、东北、正东、东南、正南、西南、正西、西北。

每个方向可以用方位角区间来定量表示。

（2）包含关系一个物体位于另一个物体内部，并且边界不相邻。

包含关系具有三种情况：

点包含在面状地物内部，线状地物被包含在面状地物内部，一个小的面状物体被另一个大的面状物体所包围。

   （3）相邻关系，指两个地物在边界上相邻。

两个面状物体的相邻关系，存在着两种不同状况：

外接邻域（a），内接邻域（b）。

点与面相邻是指点状地物位于面状地物的边界，线状地物与面状地物相邻是指线状地物上一点或多点位于面状地物边。

   （4）相交关系，两个地物在一点上交汇，它主要用来描述点状地物与线状地物，线状地物与线状地物的空间关系。

它包含两种情况；点状地物位于线状地物的某一点（a），两条线状地物相交一点或相交多点（b）。

   （5）相贯关系。

一个线状物体通过面状物体的内部，例如穿过林区的线状地物。

   提取点状地物与面状地物的包含关系，关键是判明点状地物是否为面状地物所包含，有两种方法可以判断点状地物是否在区域内：

铅垂线法和射线法。

  相邻关系特征抽取包括三种不同情况：

   点与面相邻，这可以通过检测“点”是否在多边形的边界上来确认。

   线状地物与面状地物相邻，首先需要了解线状地物是否与面状地物边界是否相交，如果存在相交，那么以相交点为裁剪点，将线状地物一分为二，分别检测这两个线段是否同时在面状地物的外部或者在面状地物的内部。

若同时在面状地物的外部或者在面状地物的内部，这说明线状地物与面状地物相邻，否则不是。

   两个面状地物相邻问题，可以采取更为简单的方法：

因为两个相邻多边形（面状地物）共用一条边界，每条边界记录了两个多边形标号，其标号中一个是该边对应的当前多边形，另一个是相邻接的多边形。

通过检索一个多边形边界，必然能够找到相邻接的多边形。

可以利用弧段建立多边形与边界的关系。

根据定义，弧段是一条规定了起点和终点的线段，区域分割时，一组弧形形成的封闭曲线确定了多边形（面状地物）的空间位置，一个弧段仅属于一个唯一的区域。

两个相邻的区域，必然存在两条具有不同起点和终点的弧段，但是两条弧段具有方向相反，各点在空间位置相同的特征，利用这个特性，可以找到区域相邻关系的方法。

第四节遥感图像理解专家系统

   遥感图像解译专家系统是模式识别同人工智能技术相结合的产物。

它用于模式识别方法获取地物多种特征，为专家系统解译遥感图像提供证据，同时应用人工智能技术，运用遥感图像解译专家的经验和方法，模拟遥感图像目视解译的具体思维过程，进行遥感图像解译。

因此，它起到遥感图像解译专家的作用。

利用遥感图像专家系统，可以实现遥感图像的智能化解译和信息获取，逐步实现遥感图像的理解。

7.4.1知识表示与知识库构建

   知识是推理分析的基础，在遥感图像的自动理解的过程中，主要是运用相关的知识进行推理分析得出遥感的深层信息。

知识表示就是把知识表示成为便于计算机存储和利用的某种数据结构。

只有通过知识表示才能使知识变成计算机能够利用的资源。

目前知识表示的方法主要有：

一阶谓词逻辑表示法、产生式表示法、框架表示法、语义网络表示法、面向对象表示法等。

7.4.2图像理解专家系统

   本节从以下四个方面介绍遥感图像解译专家系统。

（1）遥感图像解译专家系统的组成

   遥感图像解译专家系统既需要对遥感图像进行处理、分类和特征提取，又需要从遥感图像解译专家那里获取解译知识，构成图像解译知识库，在基于知识制导下，由计算机完成遥感图像解译。

因此，它是复杂的系统。

下图给出了一种联合式的遥感图像解译专家系统结构框图。

   从图中可以看出，系统组成基本上分为三大部分：

   第一部分为图像处理与特征提取子系统，它包括从CCT磁带获取遥感数据，进行图像处理，对地形图进行数字化，利用地面控制点对遥感图像进行精纠正，在图像处理基础上，对遥感图像进行分类，通过区域分割和边界跟踪，进行目标地物的形状特征和空间关系特征的抽取，每个目标地物的位置数据和属性特征数据通过系统接口送入遥感图像解译专家系统，存储在遥感数据库内。

   第二部分为遥感图像解译知识获取系统，它包括通过知识获取界面获取遥感图像解译专家知识，对知识进行完整性和一致性检查，通过规则产生器和框架产生器将专家知识形式化表示，将专家知识通过系统接口送入遥感图像解译专家系统中，存储在知识库中。

   第三部分为狭义的遥感图像解译专家系统，它包括上图虚线中的部分，只要有遥感图像数据库和数据管理模块、知识库和管理模块、推理机和解释器等构成。

（2）图像处理与特征提取子系统的功能与作用

   对遥感图像解译专家系统来说，图像处理功能主要表现在遥感图像滤波、增强、大气校正、几何精校正和正射纠正等几个方面。

   分类与特征提取的任务是从图像中抽取光谱特征和图像形状特征与空间特征，这些图像特征将是专家系统进行推理、判断并分析图像的客观依据。

图像区域分割，主要是针对面状地物进行的，它的目的是将图像分割成区域，并从遥感图像中检测出地物的边界，以便形状抽取和特征描述。

   分类与特征提取模块主要应用模式识别技术，获取目标地物单元的空间分布位置和主要特征，它们被作为空间数据和属性数据，送入到遥感图像数据库，因此，图像处理与特征提取子系统是遥感图像解译专家系统的数据处理与获取子系统，它可以为专家系统所调用。

当专家系统根据已有的地物特征，对某一地物的属性提出新的假设，或者需要更多的证据来验证某一地物待定属性时，专家系统就会重新调用图像处理与特征抽取子系统，一个目标引导下的特征提取信息被传递给图像处理与特征抽取子系统，指导该子系统使用各种方法来获取更多的证据。

   （3）遥感图像解译知识获取

   遥感图像解译知识获取系统的主要功能是知识获取。

知识获取被人视为专家系统的“瓶颈”。

当前，遥感图像解译知识的获取具有三个层次：

（1）增加遥感解译新知识；

（2）发现原来解译知识有错误或者知识不完全，修改原知识或补充新知识；（3）解译专家系统能够根据解译结果，自动总结经验，修改错误知识和增加新的解译知识，第三层次实质上是一种创造性的机器学习。

在现有的技术水平和计算机条件下，遥感图像解译知识获取主要集中在前两个层次。

   遥感图像解译知识获取主要通过遥感图像解译知识获取界面来实现。

知识获取界面是一个具有语义和语法制导的结构编辑器，它具有3个层次：

   第一层次为下拉式主菜单形式的知识获取界面，可供选择的知识录入项目：

有遥感图像解译知识获取，遥感图像解译背景知识（常识）获取。

   第二层为多窗口知