信息提取

遙感影像是地面對象集合的一種反映,每個對象與周圍環境有着密切的內在聯繫,比如樹、樓房等會有陰影,居民區會有房屋、街道網和植被等等;對象之間在概念上還具有一定的層次關係,比如一般植被具有綠色特性,而草地和樹木除了具有植被的綠色共性外還具有自己的特性,比如具有不同的高度分佈、獨特的影像紋理等等;因此利用面嚮對象的技術對遙感影像進行信息提取更加符合人的認知過程,是一種由高到低(top一bottom)的處理過程。

大部分遙感信息的分類和提取,主要是利用數理統計與人工解譯相結合的方法。這種方法不僅精度相對較低,效率不高,勞動強度大,而且依賴參與解譯分析的人,在很大程度上不具備重複性。尤其對多時相、多傳感器、多平台、多光譜波段遙感數據的複合處理,問題更為突出。因此,研究遙感信息的智能化提取方法對於提高遙感信息的提取精度和效率具有重要意義 ^[2]  。

遙感圖像分類

遙感圖像分類是遙感圖像處理系統的核心功能之一,也是信息提取的重要環節,它實現了基於遙感數據的地理信息提取,主要包括監督分類,非監督分類,以及分類後的處理功能。非監督分類包括等混合距離法分類等。監督分類包括最小距離分類、最大似然分類、貝葉斯分類、以及波譜角分類、二進制編碼分類等。

基於知識發現的遙感信息提取

遙感成像是從多到少的映射,是個確定過程,而影像解譯是從少到多的映射,是個不確定過程,無法從數學上直接求得確定解,因此需要依賴於人的知識給出假設和約束,以求最優解。從信息論的角度説,因為遙感成像過程丟失了信息,或由於加入噪音而減少信息量,使得遙感影像所攜帶的信息量不足以表達人們所希望求解的諸多地理對象內在的不確定度"因而在遙感影像解譯時,有一個重要的地學處理過程。包括兩個方面,一是把遙感未帶回的信息再補上去,即補充其它地學相關的信息;二是根據影像信息進行地學分析,來推斷出影像上未反映的信息;這些都需要地學知識的支持。計算機領域中人工智能的出現,使得基於知識的專題信息提取成為可能。如何把地學專家用於目視解釋的知識定量化表達,並參與計算機處理,成為從根本上解決信息提取的問題。故人機交互的後一階段已轉入基於知識的圖像信息提取。採用交互式輸入某一層次的知識信息,來對目標進行有效地識別。

基於符號知識的邏輯推理遙感信息提取

基於符號知識的邏輯推理遙感分類方法是在傳統基於地學規律的分類方法基礎上,通過對地學知識進行符號化表達和形式化邏輯推理的過程,來實現信息的判別,一定程度上能真實地反映地學分佈規律。但是,由於遙感信息模糊!複雜的特點,很難用結構化、符號化的地學知識來表達藴涵的土地覆蓋規律及其動態發展的過程,而且遙感影像包含的信息量巨大,用串行的符號邏輯推理的處理方式進行影像分析,效率不高。近年來,在遙感分類應用研究中,開始嘗試基於知識的邏輯推理分類方法和建立專家系統來進行遙感分類工作。

小波變換與遙感信息智能化提取

近年來飛速發展的小波分析理論為遙感影像的高效壓縮提供了契機。由多尺度分析、時頻分析、金字塔算法等發展起來的小波分析理論己經成為了圖像壓縮、處理和分析最有用的工具。基於離散小波變換的多分辨率無縫影像數據庫是由美國LizardTech公司開發的新一代圖像壓縮、解壓、存儲和提取技術,它利用離散小波變換對圖像進行壓縮、拼接和鑲嵌,通過局部轉換,使圖像內部任何一部分都具有一致的分辨率和非常好的圖像質量。

基於地物紋理知識的信息提取

當地物組成複雜,且大小大於傳感器的空間分辨率時,就可能遙感到地物的結構和組成.其影像就存在着明顯的紋理特徵.當存在着有別於背景地物的紋理結構特徵時,當只靠基於光譜特徵的知識的提取難以完全解決信息的提取問題時,就必須將地物的光譜知識與紋理知識一起用來提取信息.紋理是指灰度值在空間上的變化.它是由一些紋理基元按照不同的空間配置形式所構成的一種圖案.紋理基元的空間配置可以是隨機的、確定的、概率和函數的.紋理可分為結構紋理和非結構性紋理,非結構性紋理又叫隨機紋理.在目視判讀中,紋理一般用粗細度、平滑性、顆粒性、隨機性、方向性、直線性、週期性、重複性等術語來描述和表達.在通過紋理識別地物時,需要將某專題的紋理特徵與周圍地物的紋理特徵進行比較分析.發現紋理知識的方法有共生矩陣法、半變差函數法、分形分維法、馬爾可夫隨機場和小波變換法、極值紋理法、結構單元法等.其中最常用的是共生矩陣紋理法和半變差函數法。

基於地物形狀知識的信息提取

有時,地物與背景之間,不僅在光譜特徵上相同或相近,而且在紋理特徵上也比較相似.在這種情況下,就得依據地物的形狀知識進行深一步的提取.例如,黎夏等利用水塘與河流在形狀的差異,將二者區分開來,實現信息的計算機自動提取.對形狀的描述有規則的幾何形狀,如長方形、正方形、菱形、圓形、橢圓形、三角形、五角形、紡錘形等等,以幾一些不規則的幾何圖形.發現地物的形狀知識的方法有基於周長和麪積的方法、基於面積的方法以及基於面積和區域長度的方法。

基於地物邊緣特徵知識的提取

不同的地物具不同的邊緣形狀.對地物邊緣形狀的描述有,直線狀、鋸齒狀、波浪狀等等.可用線分維來發現地物的邊緣特徵知識,邊緣特徵知識可用於地物的定位定性識別,在用於定性定位識別時,首先,通過邊緣增強,提取邊緣信息,然後利用地物的邊緣特徵知識對地物進行定性.在用於定性提取時,主要是對所提取的信息再進一步肯定其屬性。

基於地物的過程知識的提取

當我們據有多期遙感圖像時,我們就可以建立基於地物過程的遙感信息提取.這是因為,不同的地物,有其不同的變化週期,在其變化週期內,有着獨特的變化特徵.例如,落葉樹一般在冬季會落葉,而常綠植物一年四季都不落葉,根據這一特徵,就可以將其提取出來.又如,根據其過程光譜特徵就可以建立基於其過程知識的提取模型。

基於影像空間關係知識的信息提取

影像空間關係知識是指地物之間在空間上的配置關係,一般可分為相鄰、包含和被包含,按其可能分為確定性空間關係和概率空間關係,同時,還可以分為肯定性空間關係和否定性空間關係.確定性空間關係是指兩地物之間的空間關係是確定的,只要地物A的存在(或不存在),就必然會有地物B的存在(或不存在).概率性空間關係是指兩地物之間的空間關係是以一定的概率而存在(或不存在),地物A的存在(或不存在),可以説明有存在或不存在地物B的可能性,其可能性的大小可用一定的概率表示.這種空間關係知識如,有的道路兩旁有樹,這樣我們可以通過識別道路兩旁的樹木來達到識別道路的目的.在對這類知識的應用時,可以從圖像上提取出地物A,然後,根據A與B的相關關係肯定或排除B的存在 ^[3]  。

GIS中多源數據和知識的利用

在信息提取中,除了利用遙感數據外,一般還要利用大量的相關數據,這些數據多為來自於GIS的圖形數據和非圖形數據.圖形數據是指已經有的各種圖件.非圖形數據一般是指人口、社會、經濟等統計數據.在對圖形數據的利用方面,有兩個步驟,第一步,需要挖掘知識;第二步,將這些知識用來將圖形數據與遙感影像聯繫起來,以支持信息的提取.這些知識是一些正相關知識和反相關知識.對這兩種知識而言都還可以進一步分為確定性知識和概率性知識,對圖形數據而言,根據它們與我們所要提取信息的關係,可以進一步將它的分為四種情況,一、對該信息過去狀態或未來狀態的定性、定位描述;二、對包含該信息的上一級信息的過去狀態或未來狀態的定性定位描述;三是使該專題存在的條件信息的定性定位描述,這包括鄰近條件和疊置條件;四、限制該專題存在的條件信息之定性、定位描述,這包括鄰近限制和疊置限制 ^[4]  。