遥感影像信息提取与分析

时间:2022-06-20 05:11:53

遥感影像信息提取与分析

Taries软件主要应用于对高分辨率遥感影像的各种信息的处理、提取与分析,是具有自主知识产权的软件产品。

近年来,一系列高分辨率卫星的相继上天,高分辨率卫星遥感的应用也因此成为可能,也凸现出遥感影像数据处理的重要性日益显现。遥感影像数据处理的主要内容就是对遥感数据(主要是高分辨率遥感影像数据)进行自动(半自动)图像处理分析,从而获取人们需要的信息。

Taries软件是具有自主知识产权的软件产品,由中科院遥感所国家遥感应用工程技术研究中心下属的空间信息关键技术研发部开发。Taries软件主要应用于对高分辨率遥感影像的各种信息的处理、提取与分析,其功能包括影像的预处理、影像分割、影像分类、特征提取与表达、特征分析、目标识别等。它是集矢量和栅格于一体化的软件系统。

Taries主要功能

1. 影像处理

(1)采用几何精纠正方法:建立基于空间投影理论与有限控制点的全局自适应方法,并建立基于控制点、线、面特征的局部自适应相结合的影像几何精纠正模型。

(2)实现多源遥感影像信息的特征级融合: 在像元级、高精度的多源遥感信息分析技术基础上,发展了各种特征估计器和融合评判规则,建立特征级的多源遥感信息融合的方法以及相应的算法。

2. 影像信息提取

(1)在复杂环境中的目标信息增强: 采用具有空间自适应能力的目标特征的信息增强模型与方法,特别是弱目标信息的增强方法,并对无关背景信息进行抑制。

(2)高分辨率影像分割: 基于空间特征(包括纹理特征、形状特征和动态特征)以及高维统计特征,采用面向特征的高分辨率影像分割技术(如基于模糊集理论、EM模型、Markov模型、MCMC模型、小波分析等)。

(3)基于智能计算模型的目标特征提取: 基于神经网络、支撑向量机等智能计算模型,研究和发展针对目标的纹理特征、结构特征的提取方法,并实现相应算法。

(4)目标识别与提取系统原型: 采用组件技术,研制开发目标识别与提取软件系统原型,包括影像精处理、目标单元分割与特征提取、目标识别等模块。

3. 矢量数据显示、处理与分析

(1)兼容ArcGIS SHP等矢量数据存储格式,能够采用系统的矢栅一体化数据模型对相应的矢量数据进行读取与显示。

(2)基于底层数据模型,能够实现基于Taries软件的矢量数据的修改功能,包括基本对象(点、线、面)的增、删、改等操作。

(3)基于相应的矢量数据建立拓扑关系,并在此基础上进行相应的空间分析功能(如最优路径查询分析等)。

(4)具有常规的矢量数据显示软件的基本功能,并可在此基础开发进一步的应用(如移动目标定位与车辆跟踪系统等)。

关键技术

1. 高分辨率影像的高精度几何纠正技术

考虑到高分辨率影像的特点,首先应对高分辨率影像进行包括如下两项技术的精处理:

(1)基于重叠影像的高精度影像配准技术: 采用既满足一定精度要求、又保证一定运算速度与适应性的子像素匹配技术,从而确定具有一定重叠的两幅图像间的几何对应关系,获得对应的控制点对,采用整体匹配技术使配准精度达到一个像元。

(2)空间自适应高精度几何纠正: 针对高空间分辨率影像的特征,采用具有局部自适应的高精度几何纠正方法,消除常规最小二乘法平面拟合纠正方法对图像局部纠正误差较大的问题。

2. 复杂自然环境下的信息增强

针对地形复杂、植被茂密的复杂自然环境,采用针对特征的统计信息增强技术,对具有重要意义的地面信息进行初步的检测性增强,特别是弱目标信息的增强,并对其他背景信息进行抑制。建立基于多种影像以及已有目标信息与判别知识的潜在目标快速检测技术,使用方法包括微观特征提取、动态变化检测等。

3. 高分辨率影像分割技术

以影像理解研究为基础,建立融遥感图像信息、地理时/空信息与地学知识为一体的目标空间认知结构模型。该模型为对中高分辨率遥感图像目标单元群体的处理和分析,提供面向纹理特征和结构特征,并能够最大限度地利用地学分类知识与时/空推理模型的智能化识别与提取方法。目前软件包括十余种不同的遥感影像分割算法。

基于目标空间认知结构模型和空间特征(包括纹理特征、形状特征、动态特征和轮廓特征)以及高维统计特征,研究面向特征的高分辨率影像分割技术,并采用稳健统计机制来保证分割算法具有较强的稳健性,将分割后的特征按照其几何关系、属性关系、统计关系和操纵方式,以面向对象的模式进行统一化管理,从而将连续的图像形式转化为离散的、便于操作的特征群体,便于目标特征的快速提取。

4. 智能计算模型的目标特征提取技术

针对遥感信息特征的提取问题,在传统统计和人工神经网络方法基础上,发展新型针对高分辨率遥感影像的目标特征提取模型,主要包括: 基于知识的神经网络模型来处理混合密度分布的特征提取和分类; ARTMAP神经网络作为低维空间结构特征的联想记忆模型; 基于统计学习理论的支撑向量机(SVM)。SVM是近几年最新提出的机器学习算法,它可以作为高维有限特征的记忆单元来实现对高分辨率遥感影像目标特征信息的提取。应用SVM模型进行特征提取,需要重点解决的问题有: 高维映射函数定义、领域知识融合、支撑向量集极小优化和高维信息压缩。

在以上有关特征提取的智能计算模型基础上,针对不同复杂程度的目标特征提取问题,可分别采用MCMC统计模型、RBF/EBF神经网络、ARTMAP神经网络、支撑向量机来对目标库中的目标特征进行提取和表达。

5. 视觉尺度空间变化的特征表达与目标识别技术

针对空间数据的多尺度特征,引进尺度空间视觉聚类方法,对空间数据的尺度特征变化进行描述(图1)。基本原理是: 模拟人眼对目标特征从近到远逐步综合的视觉过程,来定量化地划分不同尺度上的空间单元。在目标识别过程中,将采用视觉空间尺度变换理论和方法,对遥感影像空间特征集采用逐步综合的特征多尺度聚类,从而在尺度空间转换上实现对影像特征集的树状方式管理,以满足不同尺度上的特征组合与表达。

图2 Taries软件处理矢量数据界面

6. 目标识别与提取的RS与GIS集成化处理技术

遥感图像给出了地面目标的栅格化波谱表达,突出并准确地再现了地物的大小、形状(包括点、线、面)和纹理变化; 而GIS则有着对地物边界的精细刻画能力,并能够对地物间的空间关系进行拓扑变换与推理分析。因此,从空间单元数据处理的粒度入手,并将GIS的空间关系拓扑变换与时空推理分析引入到对遥感图像信息的智能化处理中,极大地提高了目标群体的识别精度与提取的一致性,为基于矢栅一体化数据模型的分析提供重要支撑技术。

7.矢量数据显示、处理与分析技术

除具有矢量数据的显示与基本操作外(如电子地图缩放、漫游等),系统还对矢量数据的编辑功能进行了实现,包括: 特征点显示、点选、矩选、圆选、分裂、合并、增加控制点、删除控制点、移动控制点、增加对象、删除对象、移动对象等功能,并实现了相应的空间分析功能(如拓扑关系建立,最优路径选取等)。

作者简介

沈占锋: 博士,主要从事遥感影像信息提取、分布式地学计算、数字城市等方面的科研工作。曾获中国科学院院长优秀奖学金、第38批中国博士后基金、王宽诚博士后奖励基金,先后30余篇。

上一篇:移动目标信息管理平台 下一篇:共享海量遥感影像数据