遥感影像信息处理技术的研究进展英文翻译

遥感影像信息处理技术的研究进展英文翻译遥感影像信息处理技术的研究进展

张良培，黄昕

武汉大学测绘遥感信息工程国家重点实验室，湖北武汉 430079 摘要: 综述了遥感影像信息处理技术的研究进展, 主要包括高分辨率影像信息提取技术、影像超分辨率、高光谱影像处理和目标探测, 以及遥感影像处理与分类的人工智能方法。对于高分辨率影像处理, 从纹理、形状、结构和对象的角度探讨了空间信息提取对于高分辨率影像解译的意义和作用, 分析了小波纹理、空间共生纹理、形状特征提取和面向对象分类技术的进展和存在的问题; 对于超分辨率技术, 文章主要介绍了超分辨率技术的最新进展, 及其在遥感影像(SPOT5 和MODIS)中的应用; 在高光谱数据处理方面, 从纯净像元和混合像元两方面介绍了最新的进展。对于纯净像元方法, 主要分析了植被指数和统计方法, 混合像元方面, 则主要分析了像元分解、端元提取的最新技术方法; 在智能化信息处理方面, 先回顾了神经网络和遗传算法在遥感图像处理中的应用, 然后介绍了人工免疫系统对多、高光谱遥感影像分类研究的最新进展。

关键词: 高分辨率, 超分辨率, 高光谱, 人工智能

最近，高分辨率遥感图像 (如快鸟，IKONOS，SPOT5等)和光谱通道(海波，MODIS，MERIS等)已经能够提供大量的信息，从而开辟了遥感应用程序新的途径(例如，城市测绘，环境监测，精细农业，人类 - 环境 - 地球的相互作用，等等)。然而，它们同样使图像处理和分类面临着由于丰富的空间和光谱信息技术高分辨率数据和超维特征带来的挑战。这表明，传统的方法对这些新的传感器是严重不足的。在此背景下，本文旨在回顾这些新的数据类型下图像处理技术发展。本文的结构如下，第一部分讨论了信息提取和高空间分辨率的图像分类，包括空间特

征的提取和基于对象的分析。第二部分的关注超分辨率重建技术。第三部分介绍高光谱数据分析，第四部分讨论人工智能方法的遥感应用。

高空间高分辨率图像的进一步加工。现今，商业上使用非常高的分辨率(VHR)

卫星图像(例如，IKONOS，快鸟，和SPOT-5)，他们提供了大量的空间信息。然

而，它们对图像处理和分类技术带来了挑战。由此产生的高内部类和低班际变异导致的统计可分性的减少在频域中不同土地覆盖类型，传统的光谱分类方法已被证明不足以解释VHR数据(Myint等，2004; Zhang等人，2006)。它是众所周知的的空间和光谱的组合信息可以有效地解决这一问题。近期发展为谱空间分类，可分为(1)空间特征提取(2)基于对象的分析。 1.1空间特征提取

1.1.1小波变换特征

一些研究人员利用小波变换提取在不同的方向和频率的空间信息。Myint(2004)比较了小波特征与分形，空间自相关和空间共生的方法，其结果表明，多频带和多级小波方法可用于大幅增加分类精度。分形技术没有提供令人满意的分类精度，空间自相关和空间共生技术是相对有效分形方法。该实验的结论是，小波变换方法是所有四个办法中最准确的。Zhang等人(2006)通过分解提取的光谱纹理信息将图像分割成4个子带在不同的频率和分辨率，然后整合低频和高频信息光谱纹理特征。他们的实验利用QuickBird卫星数据集验证了小波特征的实用程序可以有效地提取空间信息，有助于提高纯光谱分类的高分辨率图像。MEHER等(2007)使用由获得的提取小波变换的特征(WT)，而不是原来的多光谱遥感影像土地覆盖分类的功能。WT 提供的像素与他相邻像素的空间和光谱特性，因此这可以利用一种改进的分类。原有的性能和小波特征(WF)为基础的方法在实验中进行比较。在基于WF的方法不断取得更好的结果，以及biorthogonal3.3(Bior3.3)小波被发现优于其他小波。

1.1.2 灰度共生矩阵(GLCM)

Puissant 等(2005)研究了频谱的潜在/纹理的方法来提高分类精度城市内的土地覆盖类型。二阶统计数据的灰度共生矩阵被用作额外条带。在实验中，在全色图像从较高到非常高的分辨率进行测试的基础上，创建了四个带有六个窗口尺寸的纹理指标。结果表明，提高全球分类准确率的最佳指数是均一性测度，以7×7的窗口大小。Ouma等人(2008)提出对森林和非森林植被类型的差异化 QuickBird卫星影像的灰度共生矩阵纹理分析的结果。最佳的灰度共生矩阵窗口土地场景内覆盖类别的确定是用半变异函数拟合。这些最佳窗口大小当时适用于8灰度共生矩阵的纹理测度(均值，方差，均匀性，相异，对比度，熵，角二阶矩，和相关性)中的场景分类。实验结果如下:(1)光谱专用频段分类给出了58.69,的整体准确度; (2)在统计学上得出 21 21最佳平均纹理结合的光谱信息的灰度共生矩阵中最佳的窗口，结果最佳是73.70,的准确度。

基于窗口的图像处理技术的一个关键问题(例如，灰度共生矩阵的纹理)是自适应窗口选择方法。虽然这是众所周知的，结合光谱和空间信息可以提高土地利用分类的非常高的分辨率的数据，许多空间措施是指窗口大小的问题，和分类程序的成功使用空间的功能在很大程度上取决于窗口尺寸选择。Huang等人(2007年)提出了一种最优的基于边缘的光谱窗口选择方法适合选择在一个局部区域信息的窗口的大小自适应，以及多尺度信息进行融合，确定选择的最佳的窗口大小。由灰度共生矩阵提取的空间特征(GLCM)用于多光谱IKONOS卫星数据，以便验证窗口选择算法。结果表明该算法对可以选择和融合的多尺度功能有效，并且在同一时间，增加分类精度。

1.1.3结构和形状特征

Benediktsson等人(2003)使用测地线的组合物打开和关闭不同尺寸的操作以建立一个

m的空间全色图形态分布和神经网络方法为特征的分类。该实验进行通过对IKONOS卫星的用1像解析，结果表明，该形态特征能创造足够的空间信息和显着

改善传统的分类准确率。在Benediktsson等人(2005)和光谱/空间分类器的联合提出了形态特征是延长使用机载图像。基于形态学的方法编制的光谱和空间信息的方法中，分类和主成分分析(PCA)是采用预处理和降维。Epifanio and Soille (2007)利用形态学纹理的自然景观特征的高分辨率图像分割为几个覆盖类型。纹理特征是关注重点，由于高分辨率光谱波段数图像有时是有限的;此外，传统基于像素分类的技术表现不佳。Huang等人(2007b)调查的分类和提取在城市地区的高空间分辨率多光谱空间特征图像。一种结构特征集(SFS)提出了提取方向线直方图的统计特征。降维的一些方法，包括决定边界特征提取和相似性指数特征选择，然后实施减少了SFS信息冗余。评估的方法是两个QuickBird卫星数据集，结果表明，新集减少空间特征具有比传统的方法更好的性能。

1.2基于对象的分析

1.2.1的基于对象的算法开发

基于对象的分类是一个很好的替代传统的基于像素的方法。这种分析方法将减少均匀的区域内的局部谱方差。该方法的基本思想是将群组在空间上相邻的像素分成均匀的光谱段，然后执行分类的对象作为最小处理单位。 Kettig and Landgrebe (1976) 首先提出了基于对象的分析方法，并开发了空间光谱分类，叫做均质物体的提取和分类(ECHO) (Landgrebe,

1980)。Jimenez等人 (2005)开发的ECHO的算法，就是取消非监督的ECHO版本，是无监督增强的方法在局部邻域像素的均匀性。它使用了内容相关多光谱或高光谱数据分类，产生的结果，是让人们能较为清晰的分析其内容。他们对HYDICE

和AVIRIS实验表明，该UnECHO分类器尤其适用于具有高空间分辨率的新一代的机载和星载传感器。