摘 要：本文作者介紹了在計算機解譯方向出現的幾種新方法，并分析了遙感圖像計算機解譯的發展趨勢。

　　關鍵詞：遙感,圖像解譯,方法,分析

　　利用計算機對遙感圖像進行解譯是遙感圖像解譯的必然趨勢。它可以實現智能化地快速獲取地表的不同專題信息，具有重要的理論意義和應用前景。

　　1遙感圖像計算機解譯的新方法

　　1.1人工神經網絡

　　人工神經網絡(Artifical Neural Networks,ANN)是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。人工神經網絡具有自學習和自適應的能力，可以通過預先提供的一批相互對應的輸入-輸出數據，分析掌握兩者之間潛在的規律，最終根據這些規律，用新的輸入數據來推算輸出結果。

　　它由大量處理單元互聯組成非線性、自適應的信息處理系統，通過模擬大腦神經網絡處理、記憶信息的方式進行信息處理。具有非線性、非局限性、非常定性、非凸性四個基本特征。其本質是通過網絡的變換和動力學行為得到一種并行分布式的信息處理功能。人工神經網絡是并行分布式系統，采用了與傳統人工智能和信息處理技術完全不同的機理，克服了傳統的基于邏輯符號的人工智能在處理直覺、非結構化信息方面的缺陷，具有自適應、自組織和實時學習的特點。

　　其在遙感圖像計算機解譯中的應用有兩個功能：一是用于遙感圖像目標地物特征抽取與選擇，即通過ANN的自適應功能用遙感圖像訓練網絡，將提取的特征貯存在各個神經元的連接中;另一個是用于學習訓練及分類器的設計，這是因為ANN分類器具有非線性的特點，可以為我們提供多種復雜的類間分界面，為多目標地物識別提供可能。

　　1.2小波分析

　　小波分析的“小波”理論起源于信號處理。信號一般為離散的，通過分析認為信號是由多個小波組成的，這些小波代表著不同的頻率特征。小波變換是時間(空間)頻率的局部化分析，小波函數平移、組合形成了小波函數庫，通過小波函數庫中區間的變化可以對某些感興趣的頻率特征局部放大，即對信號逐步的進行多尺度細化，最終達到高頻處時間細分，低頻處頻率鋅粉，自動適應時頻信號分析的要求，聚焦信號的任意細節。

　　小波分析是一種時間——尺度分析方法，解決了經典的Fourier分析的確定局部頻率的問題，實現了在時間和頻率上的取樣步長隨數字信號的性態不同而自適應地調整。其基本思想是將圖像進行多分辨率分解，分解成不同空間、不同頻率的子圖像，然后再對子圖像進行系數編碼。

　　小波變換實現圖像壓縮的步驟為：首先，利用二維小波變換將圖像分解成低頻分量和高頻細節分量，然后，根據視覺特性對這些分量做不同策略的量化及編碼處理。利用小波變換實現圖像數據壓縮常用的方法有：閾值量化、分塊矢量量化、網格矢量量化、零數法等。

　　小波變換的實際作用是對信號解相關，并將信號的全部信息集中到一小部分具有大幅值的小波系數中。從而在信號的沖溝中，大系數比小系數更重要。

　　另外，小波變換可用于多源遙感影像信息的融合，利用小波分析可以抑制影像噪聲，在檢測紋理邊界中也可以利用小波分解影像紋理信息而作為一種多分辨率分析工具等等。

　　1.3 分形技術

　　分形理論是現代數學的一個新分支，其基本特點是承認事物的局部可能性在一定條件或過程中，在某些方面表現出與整體的相似性。即物體存在形式上的有序層次化的自相似特征。人們通常把具有以下性質的集合稱為分形：具有精細結構，具有某種自相似的結構，分形維數大于拓撲維數，存在對分形的簡單算法描述，例如可以由迭代產生。

　　遙感圖像中的地物分為兩大類：一類為具有規則的邊界光滑的人造地物，比如建筑物，另一類是不規則具有精細結構和自相似特征的自然地物，如山脈等。目前，分形領域里的迭代函數系統，在計算機上可以生成各種各樣圖案，實現計算機的自然景物的模擬刻畫。

　　另外，分形圖像編碼是一種新穎且有很大發展潛力的圖像壓縮技術。分形技術可以從圖像分割、快速分型編碼、分形碼的量化、碼本的灰度變換方法、快速分形解碼等實現遙感圖像的壓縮。而分形方法用于自動目標檢測與識別主要是基于離散分形布朗增量隨機模型(DFBIR)，大多數自然物體的表面都能用DFBIR場模型較好地描述，而且DFBIR在局部區域內的增量一、二階絕對矩具有冪指數特性，因此可據此估計分形維數。自然目標的各個組成部分，由于其平滑性，呈現出較低的分維值，而人造目標一般具有較強的邊緣，從而分維值很高，得到初步檢測結果。目前，這一技術提取自然地物特征仍在研究當中。

　　1.4模糊分類方法

　　模糊理論用來描述是與非之間的中間狀態，通過概率形式表示的不確定性事物的歸屬度來描述它的模糊性及不確定性。模糊分類法使用輸入的訓練數據集得出分類函數，進而預測測試數據集的類別。

　　遙感圖像分類中，地物往往存在模糊邊界，利用模糊分類法就可以解決這些不能明確地判定地物分類類別的邊界的問題。

　　此外，還有一些其他新的方法，例如，利用二維字符串空間知識表示方法對物體空間關系特征進行描述，這種方法將地物在二維空間的分布轉換為二維字符表示，便于進行空間推理分析和空間特征相似形檢索。

　　遙感圖像的計算機解譯從研究思路上可根據目標地物的特點從低、中、高三個層次進行描述和表達。低層次的描述對象是圖像像素，它不含有任何語義信息，但通過計算機分類等方法可以將這些識別對象進行重組，形成性質均一的地物單元。中層次是在區域分割的基礎上抽取衛星圖像形態、紋理特征、空間關系等特征，以描述和表達目標地物。高層次描述和表達的目標地物是與理解圖像有關的具有豐富語義的對象，它允許按分析目標來解譯圖像。然后，構造圖像識別專家系統，實現圖像的特征匹配與多目標地物的智能化識別。

　　目前，遙感圖像的計算機解譯的主要技術發展趨勢在提取圖像的多種特征并對特征進行組合優化，不同特征互為補充，以及逐步完成GIS各種專題數據庫的建設以減少自動解譯中GIS數據的不確定性，專家系統也是其中的趨勢之一建立合適的遙感圖像解譯專家系統，將模式識別與專家系統進行結合等都是遙感圖像解譯的重要研究方向。

　　2 結束語

　　遙感圖像的計算機解譯是以遙感數字圖像為研究對象，將遙感圖像的地學信息獲取發展為計算機支持下的遙感圖像智能化識別從而實現遙感圖像解譯的一門技術。它是統計模式識別技術在遙感領域中的具體應用，即提取待識別模式的一組統計特征值，然后按照一定準則作出決策，從而對數字圖像予以識別。目前的遙感圖像計算機分類算法設計的主要依據是地物光譜數據，而地物光譜數據還存在著一些問題：比如，遙感圖像像素所具有的多光譜特征;相鄰像素間的關系;圖像上地物的形狀;空間位置特征等的信息，另外，提高遙感圖像的分類精度受到大氣狀況，下墊面等因素的影響而具有一定的局限性。但是，遙感圖像的計算機解譯將始終是圖像解譯的重要發展方向。

　　參考文獻：

　　[1] 郭德芳編著.遙感圖像的計算機處理和模式識別.北京：電子工業出版社,2007.

　　[2] 徐佩霞，孫功憲，《小波分析與應用實例》，中國科技大學出版社，2007.

　　[3] 尚彩娥.淺談全數字攝影測量系統及其產品.大地縱橫，2010，(02).

　　[4] 劉子剛.保護環境須測繪先行[J].北京測繪.2011，(4):43.

　　[5] 郝光榮.應用遙感技術測繪大比例尺專題圖的方法及前景[J].山東建筑工程學院學報.2009，(4).

　　[6] 秦其明.一類基于知識制導的遙感圖像自動識別.中國博士后論文集.第四集.北京：北京大學出版社，2008.