遙感影像分析

隨著遙感技術的發展，高分辨力遙感影像在地理學、國土科學、生態學等眾多領域得到了廣泛的研究與套用。在影像圖像數據日益增大的情況下，人們對於影像的中期處理--提取的要求也逐漸提高，遙感影像分析的方法也多種多樣。

基本介紹

• 中文名：遙感影像分析
• 外文名：Remote sensing image analysis
• 方法：模式識別、多特徵
• 影像特徵：光譜、空間、極化和時間特性
• 信息提取：目視解譯，計算機信息提取。
• 領域：計算機

技術介紹

遙感實際上是通過接收（包括主動接收和被動接收方式）探測目標物電磁輻射信息的強弱來表征的，它可以轉化為圖像的形式以相片或數字圖像表現。多波段影像是用多波段遙感器對同一目標（或地區）一次同步攝影或掃描獲得的若干幅波段不同的影像。

在遙感影像處理分析過程中，可供利用的影像特徵包括：光譜特徵、空間特徵、極化特徵和時間特性。在影像要素中，除色調/彩色與物體的波譜特徵有直接的關係外，其餘大多與物體的空間特徵有關。像元的色調/彩色或波譜特徵是最基本的影像要素，如果物體之間或物體與背景之間沒有色調/彩色上的差異的話，他們的鑑別就無從說起。其次的影像要素有大小、形狀和紋理，它們是構成某種物體或現象的元色調/彩色在空間（即影像）上分布的產物。物體的大小與影像比例尺密切相關；物體影像的形狀是物體固有的屬性；而紋理則是一組影像中的色調/彩色變化重複出現的產物，一般會給人以影像粗糙或平滑的視覺印象，在區分不同物體和現象時起重要作用。第三級影像要素包括圖形、高度和陰影三者，圖形往往是一些人工和自然現象所特有的影像特徵。

提取方法分類

常用的遙感信息提取的方法有兩大類：一是目視解譯，二是計算機信息提取。

目視解譯

目視解譯是指利用圖像的影像特徵（色調或色彩，即波譜特徵）和空間特徵（形狀、大小、陰影、紋理、圖形、位置和布局），與多種非遙感信息資料（如地形圖、各種專題圖）組合，運用其相關規律，進行由此及彼、由表及里、去偽存真的綜合分析和邏輯推理的思維過程。早期的目視解譯多是純人工在相片上解譯，後來發展為人機互動方式，並套用一系列圖像處理方法進行影像的增強，提高影像的視覺效果後在計算機螢幕上解譯。

（1）遙感影像目視解譯原則

遙感影像目視解譯的原則是先“巨觀”後“微觀”；先“整體”後“局部”；先“已知”後“未知”；先“易”後“難”等。一般判讀順序為，在中小比例尺像片上通常首先判讀水系，確定水系的位置和流向，再根據水系確定分水嶺的位置，區分流域範圍，然後再判讀大片農田的位置、居民點的分布和交通道路。在此基礎上，再進行地質、地貌等專門要素的判讀。

（2）遙感影像目視解譯方法

總體觀察：觀察圖像特徵，分析圖像對判讀目的任務的可判讀性和各判讀目標間的內在聯繫。觀察各種直接判讀標誌在圖像上的反映，從而可以把圖像分成大類別以及其他易於識別的地面特徵。

對比分析：對比分析包括多波段、多時域圖像、多類型圖像的對比分析和各判讀標誌的對比分析。多波段圖像對比有利於識別在某一波段圖像上灰度相近但在其它波段圖像上灰度差別較大的物體；多時域圖像對比分析主要用於物體的變化繁衍情況監測；而多各個類型圖像對比分析則包括不同成像方式、不同光源成像、不同比例尺圖像等之間的對比。各種直接判讀標誌之間的對比分析，可以識別標誌相同（如色調、形狀），而另一些標識不同（紋理、結構）的物體。對比分析可以增加不同物體在圖像上的差別，以達到識別目的。

綜合分析：綜合分析主要套用間接判讀標誌、已有的判讀資料、統計資料，對圖像上表現得很不明顯，或毫無表現的物體、現象進行判讀。間接判讀標誌之間相互制約、相互依存。根據這一特點，可作更加深入細緻的判讀。如對已知判讀為農作物的影像範圍，按農作物與氣候、地貌、土質的依賴關係，可以進一步區別出作物的種屬；河口泥沙沉積的速度、數量與河流匯水區域的土質、地貌、植被等因素有關，長江、黃河河口泥沙沉積情況不同，正是因為流域內的自然環境不同所至。地圖資料和統計資料是前人勞動的可靠結果，在判讀中起著重要的參考作用，但必須結合現有圖像進行綜合分析，才能取得滿意的結果。實地調查資料，限於某些地區或某些類別的抽樣，不一定完全代表整個判讀範圍的全部特徵。只有在綜合分析的基礎上，才能恰當套用、正確判讀。

參數分析：參數分析是在空間遙感的同時，測定遙感區域內一些典型物體（樣本）的輻射特性數據、大氣透過率和遙感器回響率等數據，然後對這些數據進行分析，達到區分物體的目的。大氣透過率的測定可同時在空間和地面測定太陽輻射照度，按簡單比值確定。儀器回響率由實驗室或飛行定標獲取。利用這些數據判定未知物體屬性可從兩個方面進行。其一，用樣本在圖像上的灰度與其他影像塊比較，凡灰度與某樣本灰度值相同者，則與該樣本同屬性；其二，由地面大量測定各種物體的反射特性或發射特性，然後把它們轉化成灰度。然後根據遙感區域內各種物體的灰度，比較圖像上的灰度，即可確定各類物體的分布範圍。

電腦信息提取

利用計算機進行遙感信息的自動提取則必須使用數字圖像，由於地物在同一波段、同一地物在不同波段都具有不同的波譜特徵，通過對某種地物在各波段的波譜曲線進行分析，根據其特點進行相應的增強處理後，可以在遙感影像上識別並提取同類目標物。早期的自動分類和圖像分割主要是基於光譜特徵，後來發展為結合光譜特徵、紋理特徵、形狀特徵、空間關係特徵等綜合因素的計算機信息提取。

（1）自動分類

常用的信息提取方法是遙感影像計算機自動分類。首先，對遙感影像室內預判讀，然後進行野外調查，旨在建立各種類型的地物與影像特徵之間的對應關係並對室內預判結果進行驗證。工作轉入室內後，選擇訓練樣本並對其進行統計分析，用適當的分類器對遙感數據分類，對分類結果進行後處理，最後進行精度評價。遙感影像的分類一般是基於地物光譜特徵、地物形狀特徵、空間關係特徵等方面特徵，目前大多數研究還是基於地物光譜特徵。在計算機分類之前，往往要做些預處理，如校正、增強、濾波等，以突出目標物特徵或消除同一類型目標的不同部位因照射條件不同、地形變化、掃描觀測角的不同而造成的亮度差異等。利用遙感圖像進行分類，就是對單個像元或比較勻質的像元組給出對應其特徵的名稱，其原理是利用圖像識別技術實現對遙感圖像的自動分類。計算機用以識別和分類的主要標誌是物體的光譜特性，圖像上的其它信息如大小、形狀、紋理等標誌尚未充分利用。計算機圖像分類方法，常見的有兩種，即監督分類和非監督分類。監督分類，首先要從欲分類的圖像區域中選定一些訓練樣區，在這樣訓練區中地物的類別是已知的，用它建立分類標準，然後計算機將按同樣的標準對整個圖像進行識別和分類。它是一種由已知樣本，外推未知區域類別的方法；非監督分類是一種無先驗（已知）類別標準的分類方法。對於待研究的對象和區域，沒有已知類別或訓練樣本作標準，而是利用圖像數據本身能在特徵測量空間中聚集成群的特點，先形成各個數據集，然後再核對這些數據集所代表的物體類別。與監督分類相比，非監督分類具有下列優點：不需要對被研究的地區有事先的了解，對分類的結果與精度要求相同的條件下，在時間和成本上較為節省，但實際上，非監督分類不如監督分類的精度高，所以監督分類使用的更為廣泛。

（2）紋理特徵分析

細小地物在影像上有規律地重複出現，它反映了色調變化的頻率，紋理形式很多，包括點、斑、格、壠、柵。在這些形式的基礎上根據粗細、疏密、寬窄、長短、直斜和隱顯等條件還可再細分為更多的類型。每種類型的地物在影像上都有本身的紋理圖案，因此，可以從影像的這一特徵識別地物。紋理反映的是亮度（灰度）的空間變化情況，有三個主要標誌：某種局部的序列性在比該序列更大的區域內不斷重複；序列由基本部分非隨機排列組成；各部分大致都是均勻的統一體，在紋理區域內的任何地方都有大致相同的結構尺寸。這個序列的基本部分通常稱為紋理基元。因此可以認為紋理是由基元按某種確定性的規律或統計性的規律排列組成的，前者稱為確定性紋理（如人工紋理），後者呈隨機性紋理（或自然紋理）。對紋理的描述可通過紋理的粗細度、平滑性、顆粒性、隨機性、方向性、直線性、周期性、重複性等這些定性或定量的概念特徵來表征。相應的眾多紋理特徵提取算法也可歸納為兩大類，即結構法和統計法。結構法把紋理視為由基本紋理元按特定的排列規則構成的周期性重複模式，因此常採用基於傳統的Fourier頻譜分析方法以確定紋理元及其排列規律。此外結構元統計法和文法紋理分析也是常用的提取方法。結構法在提取自然景觀中不規則紋理時就遇到困難，這些紋理很難通過紋理元的重複出現來表示，而且紋理元的抽取和排列規則的表達本身就是一個極其困難的問題。在遙感影像中紋理絕大部分屬隨機性，服從統計分布，一般採用統計法紋理分析。目前用得比較多的方法包括：共生矩陣法、分形維方法、馬爾可夫隨機場方法等。共生矩陣是一比較傳統的紋理描述方法，它可從多個側面描述影像紋理特徵。

（3）圖像分割

圖像分割就是指把圖像分成各具特性的區域並提取出感興趣目標的技術和過程，此處特性可以是像素的灰度、顏色、紋理等預先定義的目標可以對應單個區域，也可以對應多個區域。圖像分割是由圖像處理到圖像分析的關鍵步驟，在圖像工程中占據重要的位置。一方面，它是目標表達的基礎，對特徵測量有重要的影響；另一方面，因為圖像分割及其基於分割的目標表達、特徵抽取和參數測量的將原始圖像轉化為更抽象更緊湊的形式，使得更高層的圖像分析和理解成為可能。

圖像分割是圖像理解的基礎，而在理論上圖像分割又依賴圖像理解，彼此是緊密關聯的。圖像分割在一般意義下是十分困難的問題，目前的圖像分割一般作為圖像的前期處理階段，是針對分割對象的技術，是與問題相關的，如最常用到的利用閾值化處理進行的圖像分割。圖像分割有三種不同的途徑，其一是將各象素劃歸到相應物體或區域的象素聚類方法即區域法，其二是通過直接確定區域間的邊界來實現分割的邊界方法，其三是首先檢測邊緣象素再將邊緣象素連線起來構成邊界形成分割。

遙感影像分析

遙感分類

根據研究問題所涉領域的專業知識、影像所在區域的背景知識 (先驗知識) 以及影像所呈現的光譜特徵，制定分類方案 (class scheme) ；然後，根據領域知識和規則，建立類和特徵之間的對應關係，即利用特徵和特徵組合來表達類。 最簡單的情形是，每一個類與一個特定的光譜特徵相對應。 這樣，僅僅根據光譜特徵就可以進行分類。事實上，由於地物非常複雜，同一類地物由於所受大氣輻射、星下點距離、陰影和周圍地物的不同影響，從而表現出不同的光譜回響。 與此同時，屬於不同類的地物可能呈現相似的光譜回響。 例如，城鎮居民點中的綠
地與建築物往往具有明顯不同的光譜特徵。 在傳統的分類方法下，我們很可能將居民點綠地標識為林地或草地。 但是，我們可以通過鄰接特徵將居民點綠地與其它二者區別開來，因為居民點綠地的鄰接對象通常以建築物或其它居民點用地為多。建築物在標準假彩色圖像上的灰度值常較高，可能與其它亮度較高的地物相混淆。 但是，建築物的形狀較為規整，所以我們仍然可以利用形狀特徵將建築物與其它光譜特徵類似的地物區別開來。在此種情形下，類與特徵之間的對應關係表現為類與幾個特徵或特徵組合之間的對應關係。

類及其類的分解事實上屬於類方案層次，而子類與特徵組合的對應則屬於類的特徵表達層次。 在完成類的特徵表達的同時，對遙感影像進行分割，得到相應的影像區域，然後通過特徵測量，得到這些區域的光譜特徵、幾何特徵、拓撲特徵和紋理特徵等。 在類與特徵或特徵組合的對應關係指導下，就可以對經分割得到的影像區域進行識別和標識，最後可將相鄰的同標識對象進行歸併，最終得到分類結果。

優勢

（1）影像分割所帶來的優越性。 通過影像分割，噪聲問題可以得到較好的解決，因為這些噪聲區域將和其周邊的像元一起被融入到特定的影像區域中，而該影像區域在影像分析時則表現為同質對象。正如 Blaschke 所指出的，通過影像分割，同質區域首先被建立，然後將分類方法套用到這些對象上，這種基於被分割圖像的分類不會產生任何椒鹽效應 (Salt and Pepper Effect) ，也不需要任何濾波操作。 而傳統的“每像元”分類是在沒有考慮像元周邊區域情況下對單個像元的分類，這樣，同質區域不能被創建；為消除噪聲所採用的平滑圖像的唯一方法就是套用濾波，這樣做的後果是忽略了原始的圖像信息，而導致椒鹽效應。 通過影像分割，我們得到了數量遠比像元少的多的影像區域，後續的處理和分析都將圍繞這些對象來展開，這無疑將顯著地提高影像處理和分析速度，從而表現出基於多特徵的遙感影像分析的高效性。

（2）特徵引入提高了影像分析的智慧型化水平。藉助於特徵或特徵組合，類或目標能夠可靠地被表達，從而有效地指導分類或目標識別。 通過形狀特徵、鄰接特徵等的引入，使類或目標的表達更精確，從而也必將提高分類和目標識別的質量。 在必要的時候，可以引入其它特徵，諸如方位特徵和距離特徵等。 特徵引入過程以及類或目標的特徵表達過程，也是領域知識和專家經驗被融入的過程。 因此，與基於像元的遙感影像處理相比，基於多特徵的遙感影像分析的智慧型化程度明顯提高。

（3）強大的空間分析功能。 基於多特徵的遙感影像分析方法能夠引入各種空間特徵如距離、拓撲鄰接和方向特徵等，使得地理學的很多核心概念得以引入。 一旦該分析方法套用於遙感影像處理和分析系統中，這些內嵌於分析方法中的空間特徵將使空間分析變得容易，從而使這些新的遙感影像分析系統具有空間分析功能方面的先天優勢。 空間分析功能的提升，有望使這些影像分析系統升格為相關學科的主流分析平台。

（4）促成多源數據的融合，引導 GIS和 RS的整合。 對於一系列不同和任意來源的具有地理參考的數據而言，影像區域之間的拓撲特徵能夠使這些不同的數據間建立具體的局部的聯繫 (concrete local elation) ，從而使多源數據的融合成為可能。 事實上，由於不同數據類型之間的融合對於遙感和GIS 的整合的重要性日益突出，因而，基於多特徵的遙感影像分析具有更深層次的意義，它可能在很大程度上引導 RS 和 GIS 的高度整合。

總之 ，基於多特徵的遙感影像分析能夠引入除光譜特徵之外的其它特徵，從而能較好地將領域知識和專家經驗融入到影像分析中，這顯然會提高影像分析的智慧型化程度。 空間特徵的引入，使得基於多特徵的影像分析能夠較為便利地將空間分析功能納入其中，從而極大地提高了空間分析能力。 基於多特徵的遙感影像分析的深入研究將可能引導 GIS和 RS 的高度整合，從而將進一步推動空間信息科學的發展。