[科普中国]-遥感影像分析

概述

遥感实际上是通过接收（包括主动接收和被动接收方式）探测目标物电磁辐射信息的强弱来表征的，它可以转化为图像的形式以相片或数字图像表现。多波段影像是用多波段遥感器对同一目标（或地区）一次同步摄影或扫描获得的若干幅波段不同的影像。

在遥感影像处理分析过程中，可供利用的影像特征包括：光谱特征、空间特征、极化特征和时间特性。在影像要素中，除色调/彩色与物体的波谱特征有直接的关系外，其余大多与物体的空间特征有关。像元的色调/彩色或波谱特征是最基本的影像要素，如果物体之间或物体与背景之间没有色调/彩色上的差异的话，他们的鉴别就无从说起。其次的影像要素有大小、形状和纹理，它们是构成某种物体或现象的元色调/彩色在空间（即影像）上分布的产物。物体的大小与影像比例尺密切相关；物体影像的形状是物体固有的属性；而纹理则是一组影像中的色调/彩色变化重复出现的产物，一般会给人以影像粗糙或平滑的视觉印象，在区分不同物体和现象时起重要作用。第三级影像要素包括图形、高度和阴影三者，图形往往是一些人工和自然现象所特有的影像特征1。

遥感信息提取方法分类常用的遥感信息提取的方法有两大类：一是目视解译，二是计算机信息提取。

目视解译目视解译是指利用图像的影像特征（色调或色彩，即波谱特征）和空间特征（形状、大小、阴影、纹理、图形、位置和布局），与多种非遥感信息资料（如地形图、各种专题图）组合，运用其相关规律，进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程。早期的目视解译多是纯人工在相片上解译，后来发展为人机交互方式，并应用一系列图像处理方法进行影像的增强，提高影像的视觉效果后在计算机屏幕上解译。

（1）遥感影像目视解译原则

遥感影像目视解译的原则是先“宏观”后“微观”；先“整体”后“局部”；先“已知”后“未知”；先“易”后“难”等。一般判读顺序为，在中小比例尺像片上通常首先判读水系，确定水系的位置和流向，再根据水系确定分水岭的位置，区分流域范围，然后再判读大片农田的位置、居民点的分布和交通道路。在此基础上，再进行地质、地貌等专门要素的判读。

（2）遥感影像目视解译方法

总体观察：观察图像特征，分析图像对判读目的任务的可判读性和各判读目标间的内在联系。观察各种直接判读标志在图像上的反映，从而可以把图像分成大类别以及其他易于识别的地面特征。

对比分析：对比分析包括多波段、多时域图像、多类型图像的对比分析和各判读标志的对比分析。多波段图像对比有利于识别在某一波段图像上灰度相近但在其它波段图像上灰度差别较大的物体；多时域图像对比分析主要用于物体的变化繁衍情况监测；而多各个类型图像对比分析则包括不同成像方式、不同光源成像、不同比例尺图像等之间的对比。各种直接判读标志之间的对比分析，可以识别标志相同（如色调、形状），而另一些标识不同（纹理、结构）的物体。对比分析可以增加不同物体在图像上的差别，以达到识别目的。

综合分析：综合分析主要应用间接判读标志、已有的判读资料、统计资料，对图像上表现得很不明显，或毫无表现的物体、现象进行判读。间接判读标志之间相互制约、相互依存。根据这一特点，可作更加深入细致的判读。如对已知判读为农作物的影像范围，按农作物与气候、地貌、土质的依赖关系，可以进一步区别出作物的种属；河口泥沙沉积的速度、数量与河流汇水区域的土质、地貌、植被等因素有关，长江、黄河河口泥沙沉积情况不同，正是因为流域内的自然环境不同所至。地图资料和统计资料是前人劳动的可靠结果，在判读中起着重要的参考作用，但必须结合现有图像进行综合分析，才能取得满意的结果。实地调查资料，限于某些地区或某些类别的抽样，不一定完全代表整个判读范围的全部特征。只有在综合分析的基础上，才能恰当应用、正确判读。

参数分析：参数分析是在空间遥感的同时，测定遥感区域内一些典型物体（样本）的辐射特性数据、大气透过率和遥感器响应率等数据，然后对这些数据进行分析，达到区分物体的目的。大气透过率的测定可同时在空间和地面测定太阳辐射照度，按简单比值确定。仪器响应率由实验室或飞行定标获取。利用这些数据判定未知物体属性可从两个方面进行。其一，用样本在图像上的灰度与其他影像块比较，凡灰度与某样本灰度值相同者，则与该样本同属性；其二，由地面大量测定各种物体的反射特性或发射特性，然后把它们转化成灰度。然后根据遥感区域内各种物体的灰度，比较图像上的灰度，即可确定各类物体的分布范围1。

计算机信息提取利用计算机进行遥感信息的自动提取则必须使用数字图像，由于地物在同一波段、同一地物在不同波段都具有不同的波谱特征，通过对某种地物在各波段的波谱曲线进行分析，根据其特点进行相应的增强处理后，可以在遥感影像上识别并提取同类目标物。早期的自动分类和图像分割主要是基于光谱特征，后来发展为结合光谱特征、纹理特征、形状特征、空间关系特征等综合因素的计算机信息提取。

（1）自动分类

常用的信息提取方法是遥感影像计算机自动分类。首先，对遥感影像室内预判读，然后进行野外调查，旨在建立各种类型的地物与影像特征之间的对应关系并对室内预判结果进行验证。工作转入室内后，选择训练样本并对其进行统计分析，用适当的分类器对遥感数据分类，对分类结果进行后处理，最后进行精度评价。遥感影像的分类一般是基于地物光谱特征、地物形状特征、空间关系特征等方面特征，目前大多数研究还是基于地物光谱特征。在计算机分类之前，往往要做些预处理，如校正、增强、滤波等，以突出目标物特征或消除同一类型目标的不同部位因照射条件不同、地形变化、扫描观测角的不同而造成的亮度差异等。利用遥感图像进行分类，就是对单个像元或比较匀质的像元组给出对应其特征的名称，其原理是利用图像识别技术实现对遥感图像的自动分类。计算机用以识别和分类的主要标志是物体的光谱特性，图像上的其它信息如大小、形状、纹理等标志尚未充分利用。计算机图像分类方法，常见的有两种，即监督分类和非监督分类。监督分类，首先要从欲分类的图像区域中选定一些训练样区，在这样训练区中地物的类别是已知的，用它建立分类标准，然后计算机将按同样的标准对整个图像进行识别和分类。它是一种由已知样本，外推未知区域类别的方法；非监督分类是一种无先验（已知）类别标准的分类方法。对于待研究的对象和区域，没有已知类别或训练样本作标准，而是利用图像数据本身能在特征测量空间中聚集成群的特点，先形成各个数据集，然后再核对这些数据集所代表的物体类别。与监督分类相比，非监督分类具有下列优点：不需要对被研究的地区有事先的了解，对分类的结果与精度要求相同的条件下，在时间和成本上较为节省，但实际上，非监督分类不如监督分类的精度高，所以监督分类使用的更为广泛。

（2）纹理特征分析

细小地物在影像上有规律地重复出现，它反映了色调变化的频率，纹理形式很多，包括点、斑、格、垅、栅。在这些形式的基础上根据粗细、疏密、宽窄、长短、直斜和隐显等条件还可再细分为更多的类型。每种类型的地物在影像上都有本身的纹理图案，因此，可以从影像的这一特征识别地物。纹理反映的是亮度（灰度）的空间变化情况，有三个主要标志：某种局部的序列性在比该序列更大的区域内不断重复；序列由基本部分非随机排列组成；各部分大致都是均匀的统一体，在纹理区域内的任何地方都有大致相同的结构尺寸。这个序列的基本部分通常称为纹理基元。因此可以认为纹理是由基元按某种确定性的规律或统计性的规律排列组成的，前者称为确定性纹理（如人工纹理），后者呈随机性纹理（或自然纹理）。对纹理的描述可通过纹理的粗细度、平滑性、颗粒性、随机性、方向性、直线性、周期性、重复性等这些定性或定量的概念特征来表征。相应的众多纹理特征提取算法也可归纳为两大类，即结构法和统计法。结构法把纹理视为由基本纹理元按特定的排列规则构成的周期性重复模式，因此常采用基于传统的Fourier频谱分析方法以确定纹理元及其排列规律。此外结构元统计法和文法纹理分析也是常用的提取方法。结构法在提取自然景观中不规则纹理时就遇到困难，这些纹理很难通过纹理元的重复出现来表示，而且纹理元的抽取和排列规则的表达本身就是一个极其困难的问题。在遥感影像中纹理绝大部分属随机性，服从统计分布，一般采用统计法纹理分析。目前用得比较多的方法包括：共生矩阵法、分形维方法、马尔可夫随机场方法等。共生矩阵是一比较传统的纹理描述方法，它可从多个侧面描述影像纹理特征。

（3）图像分割

图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程，此处特性可以是像素的灰度、颜色、纹理等预先定义的目标可以对应单个区域，也可以对应多个区域。图像分割是由图像处理到图像分析的关键步骤，在图像工程中占据重要的位置。一方面，它是目标表达的基础，对特征测量有重要的影响；另一方面，因为图像分割及其基于分割的目标表达、特征抽取和参数测量的将原始图像转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。

图像分割是图像理解的基础，而在理论上图像分割又依赖图像理解，彼此是紧密关联的。图像分割在一般意义下是十分困难的问题，目前的图像分割一般作为图像的前期处理阶段，是针对分割对象的技术，是与问题相关的，如最常用到的利用阈值化处理进行的图像分割。图像分割有三种不同的途径，其一是将各象素划归到相应物体或区域的象素聚类方法即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘象素再将边缘象素连接起来构成边界形成分割1。

基于多特征的遥感影像分析遥感分类根据研究问题所涉领域的专业知识、影像所在区域的背景知识 (先验知识) 以及影像所呈现的光谱特征，制定分类方案 (class scheme) ；然后，根据领域知识和规则，建立类和特征之间的对应关系，即利用特征和特征组合来表达类。 最简单的情形是，每一个类与一个特定的光谱特征相对应。 这样，仅仅根据光谱特征就可以进行分类。事实上，由于地物非常复杂，同一类地物由于所受大气辐射、星下点距离、阴影和周围地物的不同影响，从而表现出不同的光谱响应。 与此同时，属于不同类的地物可能呈现相似的光谱响应。 例如，城镇居民点中的绿
地与建筑物往往具有明显不同的光谱特征。 在传统的分类方法下，我们很可能将居民点绿地标识为林地或草地。 但是，我们可以通过邻接特征将居民点绿地与其它二者区别开来，因为居民点绿地的邻接对象通常以建筑物或其它居民点用地为多。建筑物在标准假彩色图像上的灰度值常较高，可能与其它亮度较高的地物相混淆。 但是，建筑物的形状较为规整，所以我们仍然可以利用形状特征将建筑物与其它光谱特征类似的地物区别开来。在此种情形下，类与特征之间的对应关系表现为类与几个特征或特征组合之间的对应关系。

类及其类的分解事实上属于类方案层次，而子类与特征组合的对应则属于类的特征表达层次。 在完成类的特征表达的同时，对遥感影像进行分割，得到相应的影像区域，然后通过特征测量，得到这些区域的光谱特征、几何特征、拓扑特征和纹理特征等。 在类与特征或特征组合的对应关系指导下，就可以对经分割得到的影像区域进行识别和标识，最后可将相邻的同标识对象进行归并，最终得到分类结果2。

基于多特征的遥感影像分析的优势（1）影像分割所带来的优越性。 通过影像分割，噪声问题可以得到较好的解决，因为这些噪声区域将和其周边的像元一起被融入到特定的影像区域中，而该影像区域在影像分析时则表现为同质对象。正如 Blaschke 所指出的，通过影像分割，同质区域首先被建立，然后将分类方法应用到这些对象上，这种基于被分割图像的分类不会产生任何椒盐效应 (Salt and Pepper Effect) ，也不需要任何滤波操作。 而传统的“每像元”分类是在没有考虑像元周边区域情况下对单个像元的分类，这样，同质区域不能被创建；为消除噪声所采用的平滑图像的唯一方法就是应用滤波，这样做的后果是忽略了原始的图像信息，而导致椒盐效应。 通过影像分割，我们得到了数量远比像元少的多的影像区域，后续的处理和分析都将围绕这些对象来展开，这无疑将显著地提高影像处理和分析速度，从而表现出基于多特征的遥感影像分析的高效性。

（2）特征引入提高了影像分析的智能化水平。借助于特征或特征组合，类或目标能够可靠地被表达，从而有效地指导分类或目标识别。 通过形状特征、邻接特征等的引入，使类或目标的表达更精确，从而也必将提高分类和目标识别的质量。 在必要的时候，可以引入其它特征，诸如方位特征和距离特征等。 特征引入过程以及类或目标的特征表达过程，也是领域知识和专家经验被融入的过程。 因此，与基于像元的遥感影像处理相比，基于多特征的遥感影像分析的智能化程度明显提高。

（3）强大的空间分析功能。 基于多特征的遥感影像分析方法能够引入各种空间特征如距离、拓扑邻接和方向特征等，使得地理学的很多核心概念得以引入。 一旦该分析方法应用于遥感影像处理和分析系统中，这些内嵌于分析方法中的空间特征将使空间分析变得容易，从而使这些新的遥感影像分析系统具有空间分析功能方面的先天优势。 空间分析功能的提升，有望使这些影像分析系统升格为相关学科的主流分析平台。

（4）促成多源数据的融合，引导 GIS和 RS的整合。 对于一系列不同和任意来源的具有地理参考的数据而言，影像区域之间的拓扑特征能够使这些不同的数据间建立具体的局部的联系 (concrete local elation) ，从而使多源数据的融合成为可能。 事实上，由于不同数据类型之间的融合对于遥感和GIS 的整合的重要性日益突出，因而，基于多特征的遥感影像分析具有更深层次的意义，它可能在很大程度上引导 RS 和 GIS 的高度整合。

总之 ，基于多特征的遥感影像分析能够引入除光谱特征之外的其它特征，从而能较好地将领域知识和专家经验融入到影像分析中，这显然会提高影像分析的智能化程度。 空间特征的引入，使得基于多特征的影像分析能够较为便利地将空间分析功能纳入其中，从而极大地提高了空间分析能力。 基于多特征的遥感影像分析的深入研究将可能引导 GIS和 RS 的高度整合，从而将进一步推动空间信息科学的发展2。