遙感圖像識別

利用計算機通過對遙感圖像中各類地物的光譜信息和空間信息進行分析，選擇特徵，並用一定的手段將特徵空間劃分為互不重疊的子空間，然後將圖像中的各個像元劃歸到各個子空間對應的地物類別去，這便是遙感圖像識別的定義。

基本介紹

• 中文名：遙感圖像識別
• 外文名：image recognition of remote sensing
• 別名：遙感圖像分類
• 特點：多樣性與複雜性等
• 問題：過程複雜，不易操作等
• 類別：模式識別

發展與現狀

在遙感圖像的解譯中，最重要的是圖像信息的識別。從20世紀70年代起，隨著第一顆陸地衛星發射成功，人們就開始利用計算機進行衛星遙感圖像的解譯研究。最初是利用數字圖像處理軟體對衛星數字圖像進行幾何糾正與位置配準，在此基礎上採用人機互動方式從遙感圖像中獲取有關地學信息。這種方法的實質仍然是遙感圖像目視判讀，它依賴於圖像解譯人員的解譯經驗與水平，它在遙感圖像解譯方法上並沒有新突破。

20世紀80年代，主要是利用統計模式識別方法進行遙感圖像計算機解譯。如Strahler (1980使用最大似然法對遙感圖像數據進行分類，Goldberg (1983運用光譜特徵，對多波段衛星圖像進行分類，從中獲取森林資源信息。這種方法的特點是根據地物的多光譜特徵，對遙感圖像中的地物進行分類。同時，一些成熟的數字工具也在不斷地引入遙感圖像的信息提取中，如模糊數學、神經網路以及小波等。Wang F. 闡述了模糊分類在分類原理上和傳統的統計分類的區別，提出了對遙感圖像進行模糊監督分類的方法，在一定程度上提高了分類精度。以上介紹的遙感圖像計算機解譯，在解譯中只利用了地物不同的光譜特徵。實際上，地球表面許多地物存在著“同譜異物、同物異譜”現象，它使得分類結果往往存在較多的錯分、漏分現象，使得解譯精度不高。這種狀況，促使人們尋找其它方法來提高解譯精度。

20世紀80年代後期，D.Goodenough與M.Ehlers 等提出遙感與地理信息系統一體化的問題，這有助於推動地理信息系統與遙感圖像自動解譯系統的結合，在國內，一些研究者注意到，地理數據與遙感圖像數據融合可以改變以往遙感數據的單一光譜信息結構，增加遙感圖像數據的信息量。王野喬等套用該方法進行區域氣候資源研究工作，實現了區域氣候資源分類界限指標遙感解譯的定量化。此外，也有不少學者進行了地學專題數據與遙感數據融合的工作，為遙感解譯增加輔助性和背景信息，提高計算機的解譯精度。然而，地理數據與遙感圖像數據的融合會由於遙感圖像解譯的複雜性而帶來輔助解譯信息的多樣性，並且存在著如何將地學信息與遙感信息結合的問題，此外，大比例尺GIS專題資料庫不能覆蓋所有研究區域等問題也沒有得到解決。

實際上，人類對外部視覺的感知是一個統一的整體，包括對場景中每個物體的形狀、大小、顏色、距離等性質都按照精確的時空方位等被完整的感知。遙感信息主要包涵了地物的光譜信息，然而不同的物體由於其結構形狀和空間位置的不同，在遙感圖像上也有明顯的反映，這就是一般遙感圖像所包含的其它三類信息:紋理信息、結構信息和時間信息。人們在視覺判斷時，除感受色調、色相的差別外，通過形狀和位置的辨認也可以獲得大量的信息。遙感圖像也是如此，一般僅僅依賴光譜信息不易獲得很高的識別精度，只有充分利用了空間結構等圖像信息，才能更好地區分地物。

隨著地球資源衛星技術的發展，衛星上搭載的感測器己能獲得高解析度的數字衛星影像。目前商用衛星可以提供10米到1米空間解析度衛星影像，在這種具有高空間解析度特性的影像上，大型建築物、道路、河流、湖泊和其它人造地物形狀特徵和紋理特徵清晰可辨，這為運用形狀特徵和紋理特徵等地物細節信息進行目標精確識別提供了客觀基礎。因此，將地物光譜特徵和地物紋理結構特徵有機地結合起來，這是提高遙感圖像分類精度的可行途徑。問題的難點在於如何採用數學方法來抽取與描述地物的紋理結構特徵。目前己經發展一些方法對遙感圖像的紋理信息進行提取，如採用灰度共生矩陣法、灰度遊程長度法等，甚至利用小波變換和分形等數學工具來測試各種地物類型的紋理特徵，具體的研究情況將在下面介紹。

原理

遙感圖像是通過亮度值或像元值的高低差異及空間變化而表示不同地物的差異的，這是我們區分不同影像地物的物理依據。遙感圖像分類就是利用計算機通過對遙感圖像中各類地物的光譜信息和空間信息進行分析，選擇特徵，並用一定的手段將特徵空間劃分為互不重疊的子空間，然後將圖像中的各個像元劃歸到各個子空間去。

遙感圖像分類的理論依據是:遙感圖像中的同類地物在相同的條件下(紋理、地形等)，應具有相同或相似的光譜信息特徵和空間信息特徵，從而表現出同類地物的某種內在的相似性，即同類地物像元的特徵向量將集群在同一特徵空間區域；而不同的地物其光譜信息特徵或空間信息特徵將不同，集群在不同的特徵空間區域。

方法

對於飛機、艦船等小型目標，長度和寬度一般在幾米倒幾百米之間，在遙感圖像解析度較低的情況下，圖像上表現的尺寸較小，此時最好作為整體進行特徵提取，再進行識別；而對於油庫等大型目標，長度和寬度一般在幾百米到幾千米，由許多個部分(油罐等)組成，可以分成若干個局部分別提取特徵，組成特徵矢量集，最後通過特徵矢量集進行識別。

遙感圖像小目標識別方法

選擇圖像目標的全局仿射不變特徵MSA特徵作為目標的識別特徵，選擇最小距離判決準則或者無監督聚類作為識別分類的原則。具體方法的步驟如下：
(1)從若干個不同類型目標的遙感圖像切片提取特徵值得集合作為特徵庫，劃分好目標的不同類屬；
(2)在遙感圖像中檢測出待識別樣本或待樣本識別區域，獲取切片圖像；
(3)根據目標的不同情況，對切片進行分割，完整提取待樣本灰度信息，根據識別任務選擇是否進行圖像二值化；
(4)計算待識別樣本的特徵值(MSA特徵、仿射不變矩特徵)；
(5)計算樣本特徵值和模板特徵值的距離，按照預先設定的分類準則，完成分類識別。

遙感圖像大目標識別方法

對含有大型目標的遙感圖像提取目標LMSA特徵方法征，組成特徵矢量集，與模板圖像的LMSA特徵矢量集進行識別和邏輯判斷，最終獲得識別結果。

(1)對測試圖像數據進行預處理，提取LMSA特徵，組成樣本特徵矢量集；
(2)對模板圖像同樣提取LMSA特徵，組成模板特徵矢量集；
(3)提取兩幅圖像關鍵點的坐標信息，通過RANSAC算法，估計圖像仿射變換關係；
然後進入識別判決機制；
(4)讀入一個樣本特徵矢量集中的一個元素，遍歷模板特徵矢量集，找到符合最小歐氏距離法則的匹配對；
(5)根據關鍵點的坐標信息判斷它們是否為真實仿射變換配對;如是，進入下一步；
如不是，將此匹配對的距離設為空，退回(4)；
(6)根據匹配對和關鍵點信息存儲識別結果，讀入下一個樣本特徵矢量集的元素。如果讀完，識別終止。

特點

(1)遙感圖像中目標的多樣性與複雜性。航空、航天遙感圖像中包含著極其豐富的信息，目標的種類多、結構複雜，既包括河流、湖泊、森林等自然地物，又包括建築物、公路、居民地等人工地物，地物類型繁多，而且同類和不同類的地物之間又存在著相互影響，這都給遙感圖像中的目標識別和提取帶來了困難。
(2)遙感圖像信息類型的多樣性。隨著航空、航天遙感技術的發展，新型的感測器不斷出現，遙感所獲得的影像類型也口益多樣化，不同平台、不同時刻、不同解析度的影像為遙感圖像的識別提供了多重的信息源。

(3)從遙感圖像中提取信息的多樣性。由於航空、航天影像中包含多種類型的目標。因此正確表達這些目標的關係就必須提取有關目標的區域、紋理、輪廓、光譜等多種特徵，這無形中也就增加了對特徵知識表達的複雜性。

面臨的問題

(1)現存的遙感圖像識別方法過程複雜，不易操作。

(2)現有的各種遙感圖像識別方法普遍通用性較差，大部分方法只能適用於某種特定的遙感數據的信息識別。而一些有一定通用性、效果好的算法往往計算量大，難以實時套用。

(3)完成一幅遙感圖像的識別一般要經過許多不同的處理過程，圖像的識別正是這些過程綜合運用的結果。然而，至今還沒有一個普遍的原理來指導這些過程在完成特定任務時應該如何組織和搭配，即使是那些常用圖像分割算法之間的性能比較，也沒有一個較好的統一 標準。

(4)理論上講，不同地物類型具有不同的波譜特徵和結構特徵，在遙感圖像上呈現出亮度值或像元值之間的高低差異及空間變化。但由於地表地物成分、性質、分布情況的複雜性及成像條件等因素，實際 圖像會出現“同物異譜”和“同譜異物”的現象，再加上一個像元或瞬間視場裡有兩種或多種地物的“混合像元”情況，使得遙感圖像的識別較為複雜。因此，傳統的只考慮灰度等關係的簡單處理方法很難構造圖像中景物的完整描述。

(5)計算機自動識別一直是計算機圖像處理領域的經典難題。人類對生物體的視覺機理還很不清楚，不能給計算機圖像識別提供有力的指導。目前在這方面還沒有成熟的方法與理論。遙感信息的識別就是為了從圖像中識別感興趣的信息，這對於從事遙感信息處理的工作者來說，也是最為棘手的問題。

(6)地質信息本身異常複雜，遙感數字圖像中的地質信息體現方式多種多樣，這也給遙感信息自動識別帶來了不小的麻煩。

另外，圖像中目標的複雜度、光照條件、大氣透明度、感測器的性能與解析度以及圖像本身所存在的不同程度的畸變，都是遙感圖像識別中面臨的問題。
雖然遙感圖像識別技術還有很多不成熟的地方，但隨著計算機科學、信息科學以及遙感技術理論的發展，遙感圖像識別技術必將得到進一步完善。