遥感知识集锦--遥感数字图像计算机解译

hff2011

遥感知识集锦--遥感数字图像计算机解译

1. 遥感数字图像的计算机（自动识别）分类
遥感图像计算机解译的主要目地是将遥感图像的地学信息获取发展为计算机支持下的遥感图像智能化识别，其最终目地是实现遥感图像理解。其基础工作就是遥感数字图像的分类。
遥感图像的计算机分类方法包括监督分类和非监督分类。
  1）监督分类：事先有类别的先验知识，根据先验知识选择训练样本，由训练样本得到分类准则。
监督分类中常用的具体分类方法包括：
    ①最小距离分类法：classifier）：用特征空间中的距离表示像元数据和分类类别特征的相似程度，在距离最小时（相似度最大）的类别上对像元数据进行分类的方法。
    ②多级切割分类法：根据设定在各轴上的值域,分割多维特征空间的分类方法。
    ③特征曲线窗口法：特征曲线：地物光谱特征参数构成的曲线。以特征曲线为中心取一个条带，构造一个窗口，凡是落在此窗口范围内的地物即被认为是一类，反之则不属于该类。
    ④最大似然比分类法：求出像元数据对于各类别的似然度（likelihood），把该像元分到似然度最大的类别中去的方法。
  2）非监督分类：事先没有类别的先验知识，纯粹根据图像数据的统计特征和点群分布情况，根据相似性程度自动进行归类，最后再确定每一类的地理属性。
非监督分类的常用方法：
    ①分级集群法：分级集群法采用“距离”评价每个像元在空间分布的相似程度，把它们的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样本，直到分类比较合理为止，这种聚类方法就是动态聚类。

2. 智能化识别分类的发展趋势
   1)提取遥感图像多种特征并综合利用这些特征进行识别。提取稳定、有效的特征是提高遥感图像自动解译精度的关键。遥感图像特征:图像色调、颜色、形状、大小、纹理、图型、阴影、位置和相关布局。
  2）利用GIS数据减少自动解译中的不确定性
GIS专题数据库可以在计算机自动解译中发挥以下重要作用：
    ①对遥感图像进行辐射改正，消除或降低地形差异的影响
    ②作为解译的直接证据，增加遥感图像的信息量
    ③作为解译的辅助证据，减少自动解译中的不确定性
    ④作为解译结果的检验数据，降低误判率
  3）建立适用于遥感图像自动解译的专家系统，提高自动解译的灵活性
从目前状况看，建立适用于遥感图像自动解译的专家系统，需要从以下方面开展工作：
    ①建立解译知识库和背景知识库。
    ②根据遥感图像解译的特点来构造专家系统。
  4）模式识别与专家系统相结合
专家系统和模式识别方法相结合，可以发挥图像解译专家知识的指导作用，在一定程度上为模式识别提供经验性的知识，又可以利用数字遥感图像本身提供的特征，有助于提高计算机解译的灵活性。

概括说来，遥感图像计算机解译具有探索性强，涉及的技术领域广，技术难度大等特点，需要采用模式识别、遥感图像处理、地理信息系统与人工智能（包括专家系统和人工神经网络）等多种技术综合研究。