计算机工程师职称论文遥感图像的解译方法

　　摘 要：本文作者介绍了在计算机解译方向出现的几种新方法，并分析了遥感图像计算机解译的发展趋势。

　　关键词：遥感,图像解译,方法,分析

　　利用计算机对遥感图像进行解译是遥感图像解译的必然趋势。它可以实现智能化地快速获取地表的不同专题信息，具有重要的理论意义和应用前景。

　　1遥感图像计算机解译的新方法

　　1.1人工神经网络

　　人工神经网络(Artifical Neural Networks,ANN)是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入-输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果。

　　它由大量处理单元互联组成非线性、自适应的信息处理系统，通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。具有非线性、非局限性、非常定性、非凸性四个基本特征。其本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能。人工神经网络是并行分布式系统，采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织和实时学习的特点。

　　其在遥感图像计算机解译中的应用有两个功能：一是用于遥感图像目标地物特征抽取与选择，即通过ANN的自适应功能用遥感图像训练网络，将提取的特征贮存在各个神经元的连接中;另一个是用于学习训练及分类器的设计，这是因为ANN分类器具有非线性的特点，可以为我们提供多种复杂的类间分界面，为多目标地物识别提供可能。

　　1.2小波分析

　　小波分析的“小波”理论起源于信号处理。信号一般为离散的，通过分析认为信号是由多个小波组成的，这些小波代表着不同的频率特征。小波变换是时间(空间)频率的局部化分析，小波函数平移、组合形成了小波函数库，通过小波函数库中区间的变化可以对某些感兴趣的频率特征局部放大，即对信号逐步的进行多尺度细化，最终达到高频处时间细分，低频处频率锌粉，自动适应时频信号分析的要求，聚焦信号的任意细节。

　　小波分析是一种时间——尺度分析方法，解决了经典的Fourier分析的确定局部频率的问题，实现了在时间和频率上的取样步长随数字信号的性态不同而自适应地调整。其基本思想是将图像进行多分辨率分解，分解成不同空间、不同频率的子图像，然后再对子图像进行系数编码。

　　小波变换实现图像压缩的步骤为：首先，利用二维小波变换将图像分解成低频分量和高频细节分量，然后，根据视觉特性对这些分量做不同策略的量化及编码处理。利用小波变换实现图像数据压缩常用的方法有：阈值量化、分块矢量量化、网格矢量量化、零数法等。

　　小波变换的实际作用是对信号解相关，并将信号的全部信息集中到一小部分具有大幅值的小波系数中。从而在信号的冲沟中，大系数比小系数更重要。

　　另外，小波变换可用于多源遥感影像信息的融合，利用小波分析可以抑制影像噪声，在检测纹理边界中也可以利用小波分解影像纹理信息而作为一种多分辨率分析工具等等。

　　1.3 分形技术

　　分形理论是现代数学的一个新分支，其基本特点是承认事物的局部可能性在一定条件或过程中，在某些方面表现出与整体的相似性。即物体存在形式上的有序层次化的自相似特征。人们通常把具有以下性质的集合称为分形：具有精细结构，具有某种自相似的结构，分形维数大于拓扑维数，存在对分形的简单算法描述，例如可以由迭代产生。

　　遥感图像中的地物分为两大类：一类为具有规则的边界光滑的人造地物，比如建筑物，另一类是不规则具有精细结构和自相似特征的自然地物，如山脉等。目前，分形领域里的迭代函数系统，在计算机上可以生成各种各样图案，实现计算机的自然景物的模拟刻画。

　　另外，分形图像编码是一种新颖且有很大发展潜力的图像压缩技术。分形技术可以从图像分割、快速分型编码、分形码的量化、码本的灰度变换方法、快速分形解码等实现遥感图像的压缩。而分形方法用于自动目标检测与识别主要是基于离散分形布朗增量随机模型(DFBIR)，大多数自然物体的表面都能用DFBIR场模型较好地描述，而且DFBIR在局部区域内的增量一、二阶绝对矩具有幂指数特性，因此可据此估计分形维数。自然目标的各个组成部分，由于其平滑性，呈现出较低的分维值，而人造目标一般具有较强的边缘，从而分维值很高，得到初步检测结果。目前，这一技术提取自然地物特征仍在研究当中。

　　1.4模糊分类方法

　　模糊理论用来描述是与非之间的中间状态，通过概率形式表示的不确定性事物的归属度来描述它的模糊性及不确定性。模糊分类法使用输入的训练数据集得出分类函数，进而预测测试数据集的类别。

　　遥感图像分类中，地物往往存在模糊边界，利用模糊分类法就可以解决这些不能明确地判定地物分类类别的边界的问题。

　　此外，还有一些其他新的方法，例如，利用二维字符串空间知识表示方法对物体空间关系特征进行描述，这种方法将地物在二维空间的分布转换为二维字符表示，便于进行空间推理分析和空间特征相似形检索。

　　遥感图像的计算机解译从研究思路上可根据目标地物的特点从低、中、高三个层次进行描述和表达。低层次的描述对象是图像像素，它不含有任何语义信息，但通过计算机分类等方法可以将这些识别对象进行重组，形成性质均一的地物单元。中层次是在区域分割的基础上抽取卫星图像形态、纹理特征、空间关系等特征，以描述和表达目标地物。高层次描述和表达的目标地物是与理解图像有关的具有丰富语义的对象，它允许按分析目标来解译图像。然后，构造图像识别专家系统，实现图像的特征匹配与多目标地物的智能化识别。

　　目前，遥感图像的计算机解译的主要技术发展趋势在提取图像的多种特征并对特征进行组合优化，不同特征互为补充，以及逐步完成GIS各种专题数据库的建设以减少自动解译中GIS数据的不确定性，专家系统也是其中的趋势之一建立合适的遥感图像解译专家系统，将模式识别与专家系统进行结合等都是遥感图像解译的重要研究方向。

　　2 结束语

　　遥感图像的计算机解译是以遥感数字图像为研究对象，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从而实现遥感图像解译的一门技术。它是统计模式识别技术在遥感领域中的具体应用，即提取待识别模式的一组统计特征值，然后按照一定准则作出决策，从而对数字图像予以识别。目前的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，而地物光谱数据还存在着一些问题：比如，遥感图像像素所具有的多光谱特征;相邻像素间的关系;图像上地物的形状;空间位置特征等的信息，另外，提高遥感图像的分类精度受到大气状况，下垫面等因素的影响而具有一定的局限性。但是，遥感图像的计算机解译将始终是图像解译的重要发展方向。

　　参考文献：

　　[1] 郭德芳编著.遥感图像的计算机处理和模式识别.北京：电子工业出版社,2007.

　　[2] 徐佩霞，孙功宪，《小波分析与应用实例》，中国科技大学出版社，2007.

　　[3] 尚彩娥.浅谈全数字摄影测量系统及其产品.大地纵横，2010，(02).

　　[4] 刘子刚.保护环境须测绘先行[J].北京测绘.2011，(4):43.

　　[5] 郝光荣.应用遥感技术测绘大比例尺专题图的方法及前景[J].山东建筑工程学院学报.2009，(4).

　　[6] 秦其明.一类基于知识制导的遥感图像自动识别.中国博士后论文集.第四集.北京：北京大学出版社，2008.

《计算机工程师职称论文遥感图像的解译方法》

上一篇：超长距离光纤传输技术应用 通讯工程师职称论文

下一篇：LNG发展状况及气化站的自控系统设计论文发表