[科普中国]-遥感图像识别

发展与现状

在遥感图像的解译中，最重要的是图像信息的识别。从20世纪70年代起，随着第一颗陆地卫星发射成功，人们就开始利用计算机进行卫星遥感图像的解译研究。最初是利用数字图像处理软件对卫星数字图像进行几何纠正与位置配准，在此基础上采用人机交互方式从遥感图像中获取有关地学信息。这种方法的实质仍然是遥感图像目视判读，它依赖于图像解译人员的解译经验与水平，它在遥感图像解译方法上并没有新突破。

20世纪80年代，主要是利用统计模式识别方法进行遥感图像计算机解译。如Strahler (1980使用最大似然法对遥感图像数据进行分类，Goldberg (1983运用光谱特征，对多波段卫星图像进行分类，从中获取森林资源信息。这种方法的特点是根据地物的多光谱特征，对遥感图像中的地物进行分类。同时，一些成熟的数字工具也在不断地引入遥感图像的信息提取中，如模糊数学、神经网络以及小波等。Wang F. 阐述了模糊分类在分类原理上和传统的统计分类的区别，提出了对遥感图像进行模糊监督分类的方法，在一定程度上提高了分类精度。以上介绍的遥感图像计算机解译，在解译中只利用了地物不同的光谱特征。实际上，地球表面许多地物存在着“同谱异物、同物异谱”现象，它使得分类结果往往存在较多的错分、漏分现象，使得解译精度不高。这种状况，促使人们寻找其它方法来提高解译精度。

20世纪80年代后期，D.Goodenough与M.Ehlers 等提出遥感与地理信息系统一体化的问题，这有助于推动地理信息系统与遥感图像自动解译系统的结合，在国内，一些研究者注意到，地理数据与遥感图像数据融合可以改变以往遥感数据的单一光谱信息结构，增加遥感图像数据的信息量。王野乔等应用该方法进行区域气候资源研究工作，实现了区域气候资源分类界限指标遥感解译的定量化。此外，也有不少学者进行了地学专题数据与遥感数据融合的工作，为遥感解译增加辅助性和背景信息，提高计算机的解译精度。然而，地理数据与遥感图像数据的融合会由于遥感图像解译的复杂性而带来辅助解译信息的多样性，并且存在着如何将地学信息与遥感信息结合的问题，此外，大比例尺GIS专题数据库不能覆盖所有研究区域等问题也没有得到解决。

实际上，人类对外部视觉的感知是一个统一的整体，包括对场景中每个物体的形状、大小、颜色、距离等性质都按照精确的时空方位等被完整的感知。遥感信息主要包涵了地物的光谱信息，然而不同的物体由于其结构形状和空间位置的不同，在遥感图像上也有明显的反映，这就是一般遥感图像所包含的其它三类信息:纹理信息、结构信息和时间信息。人们在视觉判断时，除感受色调、色相的差别外，通过形状和位置的辨认也可以获得大量的信息。遥感图像也是如此，一般仅仅依赖光谱信息不易获得很高的识别精度，只有充分利用了空间结构等图像信息，才能更好地区分地物。

随着地球资源卫星技术的发展，卫星上搭载的传感器己能获得高分辨率的数字卫星影像。目前商用卫星可以提供10米到1米空间分辨率卫星影像，在这种具有高空间分辨率特性的影像上，大型建筑物、道路、河流、湖泊和其它人造地物形状特征和纹理特征清晰可辨，这为运用形状特征和纹理特征等地物细节信息进行目标精确识别提供了客观基础。因此，将地物光谱特征和地物纹理结构特征有机地结合起来，这是提高遥感图像分类精度的可行途径。问题的难点在于如何采用数学方法来抽取与描述地物的纹理结构特征。目前己经发展一些方法对遥感图像的纹理信息进行提取，如采用灰度共生矩阵法、灰度游程长度法等，甚至利用小波变换和分形等数学工具来测试各种地物类型的纹理特征，具体的研究情况将在下面介绍。

原理遥感图像是通过亮度值或像元值的高低差异及空间变化而表示不同地物的差异的，这是我们区分不同影像地物的物理依据。遥感图像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像元划归到各个子空间去。

遥感图像分类的理论依据是:遥感图像中的同类地物在相同的条件下(纹理、地形等)，应具有相同或相似的光谱信息特征和空间信息特征，从而表现出同类地物的某种内在的相似性，即同类地物像元的特征向量将集群在同一特征空间区域；而不同的地物其光谱信息特征或空间信息特征将不同，集群在不同的特征空间区域。1

方法对于飞机、舰船等小型目标，长度和宽度一般在几米倒几百米之间，在遥感图像分辨率较低的情况下，图像上表现的尺寸较小，此时最好作为整体进行特征提取，再进行识别；而对于油库等大型目标，长度和宽度一般在几百米到几千米，由许多个部分(油罐等)组成，可以分成若干个局部分别提取特征，组成特征矢量集，最后通过特征矢量集进行识别。2

遥感图像小目标识别方法
选择图像目标的全局仿射不变特征MSA特征作为目标的识别特征，选择最小距离判决准则或者无监督聚类作为识别分类的原则。具体方法的步骤如下：
(1)从若干个不同类型目标的遥感图像切片提取特征值得集合作为特征库，划分好目标的不同类属；
(2)在遥感图像中检测出待识别样本或待样本识别区域，获取切片图像；
(3)根据目标的不同情况，对切片进行分割，完整提取待样本灰度信息，根据识别任务选择是否进行图像二值化；
(4)计算待识别样本的特征值(MSA特征、仿射不变矩特征)；
(5)计算样本特征值和模板特征值的距离，按照预先设定的分类准则，完成分类识别。

遥感图像大目标识别方法对含有大型目标的遥感图像提取目标LMSA特征方法征，组成特征矢量集，与模板图像的LMSA特征矢量集进行识别和逻辑判断，最终获得识别结果。

(1)对测试图像数据进行预处理，提取LMSA特征，组成样本特征矢量集；
(2)对模板图像同样提取LMSA特征，组成模板特征矢量集；
(3)提取两幅图像关键点的坐标信息，通过RANSAC算法，估计图像仿射变换关系；
然后进入识别判决机制；
(4)读入一个样本特征矢量集中的一个元素，遍历模板特征矢量集，找到符合最小欧氏距离法则的匹配对；
(5)根据关键点的坐标信息判断它们是否为真实仿射变换配对;如是，进入下一步；
如不是，将此匹配对的距离设为空，退回(4)；
(6)根据匹配对和关键点信息存储识别结果，读入下一个样本特征矢量集的元素。如果读完，识别终止。

特点(1)遥感图像中目标的多样性与复杂性。航空、航天遥感图像中包含着极其丰富的信息，目标的种类多、结构复杂，既包括河流、湖泊、森林等自然地物，又包括建筑物、公路、居民地等人工地物，地物类型繁多，而且同类和不同类的地物之间又存在着相互影响，这都给遥感图像中的目标识别和提取带来了困难。
(2)遥感图像信息类型的多样性。随着航空、航天遥感技术的发展，新型的传感器不断出现，遥感所获得的影像类型也口益多样化，不同平台、不同时刻、不同分辨率的影像为遥感图像的识别提供了多重的信息源。

(3)从遥感图像中提取信息的多样性。由于航空、航天影像中包含多种类型的目标。因此正确表达这些目标的关系就必须提取有关目标的区域、纹理、轮廓、光谱等多种特征，这无形中也就增加了对特征知识表达的复杂性。3

面临的问题(1)现存的遥感图像识别方法过程复杂，不易操作。

(2)现有的各种遥感图像识别方法普遍通用性较差，大部分方法只能适用于某种特定的遥感数据的信息识别。而一些有一定通用性、效果好的算法往往计算量大，难以实时应用。

(3)完成一幅遥感图像的识别一般要经过许多不同的处理过程，图像的识别正是这些过程综合运用的结果。然而，至今还没有一个普遍的原理来指导这些过程在完成特定任务时应该如何组织和搭配，即使是那些常用图像分割算法之间的性能比较，也没有一个较好的统一 标准。

(4)理论上讲，不同地物类型具有不同的波谱特征和结构特征，在遥感图像上呈现出亮度值或像元值之间的高低差异及空间变化。但由于地表地物成分、性质、分布情况的复杂性及成像条件等因素，实际 图像会出现“同物异谱”和“同谱异物”的现象，再加上一个像元或瞬间视场里有两种或多种地物的“混合像元”情况，使得遥感图像的识别较为复杂。因此，传统的只考虑灰度等关系的简单处理方法很难构造图像中景物的完整描述。

(5)计算机自动识别一直是计算机图像处理领域的经典难题。人类对生物体的视觉机理还很不清楚，不能给计算机图像识别提供有力的指导。目前在这方面还没有成熟的方法与理论。遥感信息的识别就是为了从图像中识别感兴趣的信息，这对于从事遥感信息处理的工作者来说，也是最为棘手的问题。

(6)地质信息本身异常复杂，遥感数字图像中的地质信息体现方式多种多样，这也给遥感信息自动识别带来了不小的麻烦。

另外，图像中目标的复杂度、光照条件、大气透明度、传感器的性能与分辨率以及图像本身所存在的不同程度的畸变，都是遥感图像识别中面临的问题。
虽然遥感图像识别技术还有很多不成熟的地方，但随着计算机科学、信息科学以及遥感技术理论的发展，遥感图像识别技术必将得到进一步完善。