以下为《遥感影像智能解译》的无排版文字预览，完整格式请下载

下载前请仔细阅读文字预览以及下方图片预览。图片预览是什么样的，下载的文档就是什么样的。

遥感影像智能解译

遥感图像的解译是通过遥感图像所提供的各种识别目标的特征信息进行分析、推理与判断，最终达到识别目标或现象的目的。但是遥感图像所提供的信息是通过图像的色调、结构等形式间接体现的，因此我们解译一幅图像需要用到一些背景知识，包括专业知识、区域背景知识和遥感系统知识。

所谓背景知识，指所要解译的学科的知识。若针对图像中的农田、植物等进行解译，需要了解各种农作物的形状、物候期等。所谓区域背景知识，指区域特点、景观特征等。如南极洲有终年不化的冰盖；我国气候复杂多样，季风性气候显著；东方明珠塔是上海的地标性建筑之一等等。遥感系统知识则是最基本的，涉及到图像的形成原因、不同传感器的成像波段和图像特点等。

随着遥感技术的发展，在各类新媒体上时常可以看到一些遥感图像，因此初级的目视解译也不是很困难的事。遥感图像的解译和我们日常生活中的普通看图不一样。一是遥感图像通常为顶视，而我们平时接触到的手机、摄影机等的照片是普通透视；二是遥感图像很多的成像波段并不仅仅是可见光波段，因此许多的图像特征并不符合我们的常识，在解译时会产生一定困难；三是遥感图像通常以一种我们不甚熟悉的比例或分辨率体现地物。因此遥感图像的解译是一个复杂的过程，需要耐心和细心。

遥感图像的解译可以看作是遥感成像的逆过程，主要有两个途径：人工目视解译和计算机处理。两种方法各有利弊，但是由于人工目视解译真的是很浪费人力和时间，目前的发展趋势以第二种为主，虽然面临很多困难，但是也在不断进步。

随着卫星遥感技术和对地观测技术的不断进步，遥感影像的获取越来越丰富，数据来源不再是遥感技术应用的难点，如何快速、准确的对遥感影像进行解译是当前研究的重点及难点。人工目视解译的方法虽然可以获得相对较高的精度，但是需要大量的人力物力。同时，进行目视解译的人员需要对研究区域有一定的先验知识才能准确的对遥感影像进行判读。随着卫星遥感技术的进步，人工解译的速度已经越来越不能满足实际应用的需要。使用计算机处理遥感影像，是当前解决遥感影像解译速度慢的可靠手段。

遥感影像解译主要是指使用遥感影像提取需要的地物或者对遥感影像进行分类。遥感影像通过亮度值或像元值的高低差异（光谱信息）及空间变化（空间信息）来表示不同地物的差异，这是区分不同影响地物的物理基础。遥感影像分类，就是利用计算机通过对遥感影像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别，然后获得遥感影像中与实际地物的对应信息，从而实现遥感影像的分类。遥感影像的分类手段按照有无先验知识（训练样本）可以分为监督分类和无监督分类。

非监督分类也称聚类分析，是指人们事先对分类过程不施加任何的先验知识，而仅凭数据（遥感影像地物的光谱特征的分布规律），即运用自然聚类的特性让机器进行自学习并进行分类，它以集群为理论基础，通过计算机对图像进行集聚统计分析，是模式识别的一种方法。非监督分类在遥感影像领域的主要算法为ISODATA、K-means。ISODATA是一种重复自组织数据分析技术，计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元进行迭代聚合，每次迭代都重新计算均值，且根据所得的新均值，对像元再进行分类。K-means使用聚类分析方法，随机地查找聚类簇的聚类相似度相近，即中心位置，是利用各聚类中对象的均值获得一个“中心对象”来进行计算的，然后迭代地重新配置她们，完成分类过程。

监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中 内容过长，仅展示头部和尾部部分文字预览，全文请查看图片预览。 个给定的类别，并且分类精度很高。目标监测技术的任务是找出图像中所感兴趣的目标，并确定它们的类别和位置。

与计算机视觉领域的语义分割和目标监测不同，遥感影像的场景更为复杂，影像中的类内方差更大，类间方差更小。主要表现为遥感影像分类中目标的结构、尺度、纹理等特征的变化更大，使得相同地物在同一张遥感影像上的差距很大，造成地物的类内方差大。同时，遥感影像中的地物又存在很大的相似性，如建筑物和道路等硬化地表，不同地物在遥感影像上的外观可能差距不大，造成遥感影像的地物类间方差小。因此遥感影像的分类难度更大，无法直接利用计算机视觉的经验知识，需要根据遥感影像的具体情况设计合适的结构进行遥感影像的智能解译。

[文章尾部最后300字内容到此结束,中间部分内容请查看底下的图片预览]

以上为《遥感影像智能解译》的无排版文字预览，完整格式请下载

下载前请仔细阅读上面文字预览以及下方图片预览。图片预览是什么样的，下载的文档就是什么样的。