遥感影像信息处理技术的研究进展英文翻译.docx

1、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

2、, 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

3、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SPO

4、T-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

5、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

6、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77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

7、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

8、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IK

9、ONOS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

10、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

11、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。 近年来，嵌入到的eCognition商业软件的分形网络演化方法(Hay等人，2003)已被广泛地用于基于对象的分析和实验。它利用模糊集理论提取的对象特点，成规模的特点上在两个细和粗尺度上同时进行图像分割。该

12、FNEA是一个自下而上从单个像素开始区域合并的技术。以迭代的方式，在每一个接下来的步骤，图像对象合并成更大的。区域合并的决定 with local homogeneity criteria and the criteria are defined as: 与本地的同质性标准和准则，定义为: bNNNMergeObj1Obj2W其中是对于带b的权重，和代表合并后的对象内的像素的数量，,MergeObj1Obj2分别表示对象1和对象2。，和分别是标准偏差。当一个合并的一对图像对象进行检查，两个对象之间的融合异质性值H是计算和比较尺度参数T。当HT时，合并这两个对象。尺度参数合并两个图像对象时可能发

13、生的异质性是测量的最大变化。 数学形态学中的分水岭变换是一种功能强大的工具，可以进行图像分割，也可以采用 对于基于对象的分析。 Li and Xiao (2007) 提出 分水岭算法用于图像分割的延伸。提出了基于矢量的数学形态学方法计算梯度的大小，随即又投入到分水岭 变换的图像分割。该方法 表现出了可喜的成果，可用于分割 高分辨率多光谱图像和基于对象的分类。 Akcay 和 Aksoy (2008)提出的新方法在高清晰度的图像自动目标检测与光谱信息提取结构信息相结合，对图像进行分割。分割算法利用形态学运算，应用于个别光谱波段增加结构元素尺寸。实验结果表明，该方法能够自动地检测，组和标号分类属于

14、同一个对象类。 1.2.2基于对象分析的改进算法 随着面向对象分类的发展，一些优化的算法已经被提出。 Wang等人(2004a)提出了一种混合分类，集成了像素和基于对象的分类。分别为对象的像素和利用最大似然分类器得到级别地图以及最近邻分类，(即, MLCNN)。Gamba等人(2007)提出了一个boundaryoptimized高分辨率的图像分类方法。边界与非边界像素被区分了，然后分别归类。Bruzzone 和 Carlin (2006)开发的高空间分辨率图像的多层次的方法处理。其基本思想是多尺度同时使用表述作为一个特征提取模块，自适应模型中每个像素的空间范围。在实验中，其有效利用城市和农村

15、的QuickBird验证图像。 1.2.3基于对象分析的应用 Yu等人(2006) 从基于对象分析的方法利用多种特征在北加利福尼亚州的 Point Reyes National Seashore建立了一个全面的植被库。在他们的研究中，对于每个对象，52种特征是计算包括光谱特征，纹理，地形特征和几何特征。Wang等人(2007a, 2007b)在巴拿马的加勒比海岸的Punta Galeta研究了基于对象的分析在红树林映射。Waske 和 van der Linden (2008) 融合合成孔径雷达(SAR)和光学遥感数据，利用多个联合分类水平分割。 2 超分辨率(SR)重建 技术 高分辨率(HR

16、)图像在许多应用中是有用处的，如遥感，视频帧冻结，医疗诊断，军事信息收集，等。但是，由于光学系统和图像传感器成本高和高精度物理的限制，在多数情况下获得所需的HR图像是不容易的。因此，出现了超分辨率(SR)图像重建技术，其可以重建一个或一组从低分辨率(LR)图像的序列场景，与HR图像相同，在最近的二十几年该技术已被广泛研究。 Tsai 和 Huang (1984) 在频率域首先提出来多帧问SR。他们提出了一个从一组的HR图像重建公式欠采样，混叠，但无噪音LR图像。Kim等人(1990) 扩展的制定考虑观测噪声以及空间模糊的效果。他们解决了扩展制定由加权递推最小二乘方法来提高计算效率。然后 Kim

17、 和 Su (1993) 通过考虑每一个不同的LR模糊图像扩展了他们的工作。Rhee 和 Kang (1999) 提出了一种基于DCT变换算法以减少计算成本。此外， 有出现两篇专注于小波SR方法的论文 (Chan 等, 2003; Lertrattanapanich & Bose, 2002; Ng 等, 2004)。频率域方法的优点是他们的计算复杂度低;然而，这些方法只适用于全局运动，对高分辨率图像先验信息不能利用。 大多数已经出现在文献中的超分辨率技术操作在空间域中。Ur和Gross (1992) 基于Papoulis (1977) 和 Yen (1956) 的广义采样定理，提出了一种非均

18、匀插值方法。插值后面是去模糊处理，相对位移被认为是精确已知的。 Komatsu 等 (1993) 提出了一项计划，通过应用 the Landweber algorithm (Landweber, 1951) 从多个图像同时与多台摄像机拍摄，获得一种改进的高分辨率图像算法。他们使用方块对比技术来测量相对移动。 Alam等 (2000) 开发了一个实时红外成像技术配准和超分辨率重建。他们利用一个基于梯度的配准算法之间的偏移估计获得的框架，提出了一种加权邻插值方法。这种非均匀插值的方法优点是，它需要一个相对少的计算量，使实时应用成为可能。然而，在这种方法中，降解的模型是有限的(他们只适用时的模糊和噪

19、声所有相同特点的LR图像)。此外，由于忽略恢复步骤的错误发生在插补阶段，整个重建算法的最优性是不保证的。 Irani 和 Peleg (1991) 提出了一个改编自计算机辅助地形(CAT)的迭代反投影(IBP)方法。在该方法中，高分辨率图像的估计背投影之间的运动误差更新补偿，高分辨率图像的当前估计值和所观察到的低分辨率的图像的模糊和子采样的样本，使用一个适当的背投影算子。 IBP的优点是，它能直观且容易地理解。然而，由于反演问题的不适定性，并且在选择背投影算子上存在一些困难，这种方法没有独特的解决方案。另外，对于先验约束的应用也是很难的。 Stark 和 Oskoui (1989) 提出了一个

20、值得关注的关于超分辨率图像重建的问题的POCSbased方法，在该方法中，高分辨率图像的空间相交有一组凸形约束集，呈现理想的图像特征，如阳性能量有界，数据可靠，平滑，等。Tekalp等 (1992) 扩展了他们的方法，包括观测噪声和运动模糊。Patti et al. (1997) 推广的POCSapproach to account for arbitrary sampling lattices and non-zero 方法考虑到任意抽样网格和非零的孔径时间。POCS的优点在于，它利用了强大的空间域观测模型。它也允许方便包容的先验信息。这些方法有解的不唯一性的缺点，而且收敛慢，计算成本高。

21、另一个类的超分辨率算法是基于随机方法，包括最大似然法(ML)(Tom & Katsaggelos, 1994) ，和最大后验概率(MAP)方法(Guan & Ward, 1992; Schultz & Stevenson, 1994;Schultz & Stevenson, 1995; Schultz & Stevenson, 1996; Hardie等, 1997)。之前具有Huber Markov随机场图像的保留边缘的MAP估计，是研究了Schultz和Stevenson (1994, 1995, 1996)。基于MAP的超分辨率注册参数的同时估计(帧间运动)已经由Hardie 等 (19

22、97) 提出了。建模中噪声特性与解的先验知性的稳定性与灵活性是随机SR方法主要的优点。假设噪声的程序是white Gaussian，凸能量函数MAP估计先验保证解的唯一性。因此，有效的梯度下降方法可用于估计的HR图像。它也能同时估计运动信息和HR图像。 对HR图像的重建，子像素运动的精确配准是非常重要的。然而，在实际应用中这些参数精确的知识不总是能够得到保证的。Lee和Kang (2003) 提出了考虑不准确的子像素登记的规范化自适应HR重建方法。两种规范化估计的方法中提出每个LR帧参数，基于这种近似，噪声模型配准误差与标准的偏差程度成正比的高斯登记是错误的。然而，这些收敛方法并没有严格证明。

23、 稳健的超分辨率技术已经出现在Zomet等 (2001), Farsiu 等 (2003), Farsiu 等 (2004)，并考虑到异常值的存在(数据与模型的拟合不是很好)。在Zomet 等 (2001)的研究中，中值滤波器是 在迭代过程中使用，以获得HR图像。该这种方法的稳健性好，在有偏置的程序检测后，异常错误对称分布。然而，阈值是需要决定偏置是否是由于异常值或别名信息。此外，这种方法的数理理由没有被分析。在Farsiu等 (2003, 2004)的研究中，提出了一个强大的SR方法，基于使用的L1范数同时在规范化和测量罚函数的条件。强大的正则化在双边的事先提出处理不同的数据和噪声模型。然而

24、，单纯平移假设整个低分辨率图像序列可能不适合一些真实的数据序列。 在遥感领域中，还有几个成功应用SR技术的例子。第一多帧SR的想法是出于提高卫星遥感图像的分辨率。2002年，CENS(国家航天研究中心)成功地推出了SPOT5卫星。使用SR技术，SPOT5可以提供通过两个5米的图像处理2.5米的全色图像，是转移到一半的采样间隔的双CCD线性阵列。Shen 等 (2007) 提出了一个SR重建算法，在相同的谱带，应用到实际的MODIS(中分辨率成像光谱辐射计)遥感图像。 3高光谱数据处理 最近，由于丰富的信息提取出来应用于各个领域，高光谱图像已越来越受到注意。许多 军事和民用领域涉及等领域的全球环

25、境监测，测绘，地质，林业，农业和水质管理，等等。由于高分辨率的空间和光谱尺寸抽样，这些图像可以很快产生大量的数据。对于大数据量处理的成本可能会很大。大量的研究，旨在寻求更有效的方法来处理这些数据类型，而最近的研究方法可以分为两类:纯和混合像元的方法。 3.1基于纯像素的方法 这些方法是基于在图像中的所有像素都用一种地面目标的假说。纯基于像素的方法可分为两个子组:植被指数和统计方法。 3.1.1植被指数方法 植被指数是从对象中提取的光谱特征参数，包括光谱匹配识别和土地的对象重建(Goetz，1997)。在这些方法中，通过实地调查测得的光谱点与由成像光谱仪提取的相比，来区分不同的类。为了提高成像光

26、谱仪高光谱数据的分析效率和速度，这些光谱的斑点通常编码以提取其光谱特征。Kruse 等 (1993) 提出光谱匹配，这是用于分析光谱数据的最广泛使用方法之一。植被指数的主要问题是，它是很难构建一个通用的植被指数适用于大多数的高光谱数据。 Zhang等人(2006，2007)开发了一个通用的模式分解法(UPDM)来构建一个VIUPD。 3.1.2统计方法 统计方法在高光谱数据处理中是非常重要的，尤其是广泛应用于目标检测的高光谱数据分类。在这些方法中，每个频带被视为一个随机变量和概率统计的方法，然后应用提取图像的统计特征。由于超维，降维必须做，首先减少计算时间。统计方法的最重要的应用是异常检测。高

27、光谱数据被认为具有一定分布异常的，是分布不适合的像素。RX及其扩展算法 (Yu & Reed,1993; Kwon & Nasrabadi, 2005; Hruschka & Ebecken, 1999) 是有效的异常检测方法。 3.2基于混合像素的方法 由于在该领域与高光谱数据的空间分辨率的限制，复杂的条件下，混合像元广泛存在于高光谱数据 (Zhang & Li, 1998)。混合像元模型的提出解决了上述问题。该模型可以归纳为两种类型:线性混合模型和非线性混合模型。线性混合模型是使用最广泛的，因为它非常简单，并且通常具有明确的物理意义。然而，通过使用线性混合模型，被提取的类的数量应比光谱数据

28、的频带的数目少。为了避免线性混合模型的局限性，提出了非线性模型和混合像素，表示为剩余误差的总和与端元的高阶矩。 基于混合像素最重要的应用之一就是在在高光谱数据中检测子像素的目标。近来，子像素的目标检测方法主要侧重于线性混合模型和匹配滤波器，以找到可能发生的目标光谱像素的光谱数据。OSP(正交子空间追踪)(Chang, 2005)，PP(投影追踪)(Chiang 等，2001)和CEM(约束能量法)(Settle, 2002) 是广泛使用的方法。最近，一些新的算法被引入到亚像素目标检测，如内核为基础的方法 (Nasrabadi & Kwon, 2005; Kwon & Nasrabadi, 20

29、04; Gu 等， 2008; Kwon & Nasrabadi, 2006) 和形态学为基础的方法(Roberts 等, 1998)。此外，影响检测结果的另一因素是光谱的变化。为解决该问题，提出了一些模型，如子空间的方法(Kwon & Nasrabadi, 2006)。 基于混合像素的方法的另一个重要应用是端元提取和混合像素分解。端元提取可以以两种方式进行:(1)直接从图像中提取(图像端元);(2)从现场或实验室光谱已知的资料(库端元);可以看到Roberts 等人(1998)就两个方面进行了比较。在使用库端元的风险是，相同条件下很少能够获得这些光谱的机载数据下。图像端元具有被收集在同一刻度

30、作为数据的优点，因此，可以用功能更容易相关联的场景。一种图像端元(IE)是由定位在场景中的像素与物理端元代表的最大丰度获得的，但也有可能的情况下，在一个场景中不可能为一定的算法找到这样纯的像素。在过去的十年中，已经提出了几种算法的自主/目的监督的端元选择的高光谱场景，包括手动端元选择工具(MEST)(Bateson & Curtiss, 1996)，像素纯度指数(PPI)(Bowles 等, 1995)，N-FINDR，顶点成分分析(VCA)(Nascimento & Dias, 2005)，迭代误差分析(IEA)(Neville 等, 1999)，迭代约束端元( ICE)算法(Berman等

31、，2004)，光学实时自适应光谱识别系统(ORASIS)(Boardman等，1995)，以及自动化形态学端元提取(AMEE)(Plaza等，2004)。 PPI，N-FINDR，CCA和VCA可能被表征为经典的方法实例，以端元的选择的基础上，搜索光谱凸面。而PPI是部分自动化，N-FINDR，CCA和VCA是完全自动化。IEA是基于一个迭代的过程中，这些像素，减小约束的混合像元分解运算得到的误差作为端元。ICE算法执行基于凸几何模型的最小二乘最小化残差平方和(RSS)。另一方面，ORASIS利用LVQ概念进行端元的选择。与上述方法相反，AMEE采用形态学方法，即空间和光谱信息也同样采用派生端

32、元。 除了线性混合模型，在混合物像素分解用一些其它非线性分解模型已经在过去的十年中实施，包括神经网络，回归、决策树和内核最小二乘分析。非线性模型，尤其是基于神经网络模型，优于传统的线性分解模型。多层感知器(MLP)是对非线性分解使用最广泛的神经网络模型之一。Atkinson等(1997)应用了MLP模型分解AVHRR图像。这是优于线性分解模型的。另一种流行的神经网络模型，ARTMAP，首次推出是识别植物混合物的生命形式组成部分(Carpenter等人，1996)。Landsat TM遥感影像被用来估计亚像素信息生命形式的组件。ARTMAP为基础的混合模型能够捕获的非线性效应，从而执行比传统的线性分解模型更好。Liu 等, (2006) 应用于MODIS影像与两个传感器具有不同分辨率的子像素分类的信息融合的一个类似的ARTMAP模型。 4计算智能技术遥感图像分类 随着高空间分辨率，高光谱分辨率，高时间分辨率，多传感器，多平台，多角度的发展趋势，遥感对地观测技术为地球资源环境研究提供越来越多的遥感数据。然而，传统的处理技术难以适应当前遥感信息处理，因为它需要事先假设或具有较低的加工精度和智能化。因此，到现在为止，庞大而宝贵的遥感数据集没有得到充分和有效的利用。智能遥感图像处理技术对上述问题是一个有效的解决方案，因为它不需要先验的假设