[文库]信息提取及图像分割.docVIP

遥感信息提取遥感信息提取的方式主要有三种：目视判读提取、基于分类的信息提取和基于知识发现的遥感信息提取。目视判读提取早期从遥感影像中提取信息的主要方法是目视判读提取。由于目视判读能综合利用地物的色调或色彩、形状、大小、阴影、纹理、图案、位置和布局等影像特征知识，以及有关地物的专家知识，并结合其他非遥感数据资料进行综合分析和逻辑推理，从而能达到较高的专题信息提取的精度，尤其是在提取具有较强纹理结构特征的地物时更是如此，它是目前业务化生产的一门技术，与非遥感的传统方法相比，具有明显的优势。尽管该方法较费工费时，但由于遥感信息计算机自动提取的难度，仍将在遥感信息提取中长期存在。基于分类方法的遥感信息自动提取分类方法是遥感信息提取最常使用的方法之一，其技术核心是对遥感图像的分割。分类可以分为无监督分类和有监督分类。就无监督分类而言，有动态聚类法、模糊聚类法以及人工神经网络法；在有监督分类方面，有最小距离法、最大似然法最大似然法需要各类型的先验知识及其概率，特别是需要假定各类型的分布属于正态分布，因而它是一种有参数的分类器，在具有先验性概率知识以及各类型满足正态分布的条件下，它具有较好的分类效果，该分类器具有分类速度快的优点。模糊分类是根据模糊数学所构建的一种分类器。它是建立在假设一个像元是由多个类型所组成的基础上，只是各类型的隶属度不同。在对分类器训练时，需要确定训练样本像元中，各类型的隶属度，它不需要各类型的先验概率知识，也不要求各类型服从正态分布，它是一种无参数的分类器。但是对训练像元中各类型隶属度的确定比较困难。该方法适用于亚像元信息的提取。人工神经网络分类器是利用人工神经网络技术所构造的分类器，人工神经网络是近几年得到迅速发展的一门非线性科学，它是模拟生物神经网络的人工智能技术，已广泛地用于趋势分析和模式识别以及遥感图像的分类等方面。人工神经网络器不需要各类型的先验性概率知识，也不要求各类型一定要服从正态分布，它是一种无参数的分类器。尽管利用分类器进行分类时所需要的时间很短。但是在对分类器进行训练时，所需要的时间却很长。就无监督分类而言，其所分的结果，需要专家进行判读和类别的归并，并最终确定其所需的类型。就监督分类而言，需要选取大量的训练样区，而训练样区的选取不仅费工而且还很费时，训练样区选择的好坏直接影响分类的效果，同时，分类是对整个图像进行分割，它所要求的是总体的精度最高，这样就不可能完全保证我们所需专题信息的精度一定最高。分类是建立在数理统计基础之上，没有建立在对遥感信息机理分析的基础上，没有建立在知识挖掘的基础上，这样就使得它难以实现遥感图像专题信息提取的全自动化。同时，基于光谱特征的分类难以解决异物同谱的问题。在分类中所获取到的知识通常既不可传递，也难以解释。这也是我们对所分结果知其然，而不知其所以然的原因。我们对任何时候、任何地点的图像，都必须重复选取训练样区的工作。这样，显然就大大限制了遥感信息提取的自动化。为此，基于知识发现的遥感专题信息提取将成为另一个最有发展前途的方向。 基于知识发现的遥感专题信息提取 基于知识发现的遥感专题信息提取是遥感信息提取的发展趋势。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、某些知识或所有知识建立相应的遥感专题信息提取模型。基于光谱知识的遥感专题信息提取。光谱知识是遥感专题信息提取中最重要的知识。发现光谱知识的方法有典型采样法、光谱曲线法和光谱剖面线法。基于光谱知识的专题信息提取，需要地物与背景之间在光谱上是可分的，与背景之间存在着较少的同谱现象，并且地物内部的光谱最好要一致。当地物内部光谱不一致时，可以借助于地物内部的特征成分光谱进行提取。当地物内部成分的光谱与背景之间存在着较多同谱现象时，得借助于地物的其他知识进行提取。基于地物纹理知识的专题信息提取。纹理知识也是遥感专题信息提取中经常用到的信息之一。一般当地物组成复杂，且大小大于传感器的空间分辨率时，就可能遥感 到地物的结构和组成，其影像就存在着明显的纹理特征。当存在着有别于背景地物的纹理结构特征时，如果只靠基于光谱特征知识的提取难以完全解决专题信息的提取问题时，就必须将地物的光谱知识与纹理知识一起用来提取专题信息。纹理是指灰度值在空间上的变化。它是由一些纹理基元按照不同的空间配置形式所构成的一种图案。纹理基元的空间配置可以是随机的、确定的