第六章遥感数字图像计算机解译.ppt
《第六章遥感数字图像计算机解译.ppt》由会员分享,可在线阅读,更多相关《第六章遥感数字图像计算机解译.ppt(76页珍藏版)》请在冰点文库上搜索。
![第六章遥感数字图像计算机解译.ppt](https://file1.bingdoc.com/fileroot1/2023-4/30/5904db6e-4c54-445f-930a-a86ce68acee0/5904db6e-4c54-445f-930a-a86ce68acee01.gif)
1,遥感数字图像的性质与特点遥感数字图像的计算机分类遥感图像多种特征的抽取遥感图像解译专家系统,第六章遥感数字图像计算机解译,2,遥感数字图像计算机解译概念,遥感数字图像计算机解译以遥感数字图像为研究对象,在计算机系统支持下,综合运用地学分析、遥感图像处理、地理信息系统、模式识别与人工智能技术,实现地学专题信息的智能化提取。
基本目标:
将人工目视解译遥感图像发展为计算机支持下的遥感图像理解。
3,计算机解译难度大的原因:
1、遥感图像带有噪声;2、遥感影像信息量丰富,内容“拥挤”;3、遥感图像的地域性、季节性和不同成像方式更增加了解译难度。
4,遥感数字图像的性质与特点,遥感数字图像:
以数字形式表现的遥感影像。
基本单位为像素(像元),是成像过程的采样点,也是计算机图像处理的最小单元。
5,遥感数字图像的性质与特点,遥感数字图像的特点:
1)便于计算机处理与分析2)图像信息损失低3)抽象性强,6,遥感数字图像的性质与特点,按波段数量,遥感数字图像可分为以下类型:
1)二值数字图像:
图像中每个像素由0或1构成,在计算机屏幕上表示为黑白图像。
2)单波段数字图像:
在某一波段范围内工作的传感器获取的遥感数字图像。
3)彩色数字图像:
由红、绿、蓝三个数字层构成的图像。
4)多波段数字图像:
传感器从多个波段获取的遥感数字图像。
7,遥感数字图像的性质与特点,多波段数字图像的存贮与分发,通常采用三种数据格式:
1)BSQ(Bandsequential):
是一种按波段顺序依次排列的数据格式。
2)BIP(Bandinterleavedbypixel):
第一波段位居第一列,第二波段位居第二列,第n波段位居第n列。
3)BIL(Bandinterleavedbyline):
第一波段第一行第一个像素位居第一,第一波段第一行第二个像素位居第二,第一波段第一行第n个像素位居第n位。
依次类推。
8,1)BSQ,2)BIP,3)BIL,9,遥感数字图像的性质与特点,航空像片的数字化:
1)空间采样:
将航空像片具有的连续灰度(色彩)信息转换为每行有m个单元,每列有n个单元的像素集合。
2)属性量化:
一般把航空照片上连续变化的黑一灰一白的亮度量化为64级或256个灰度级。
经过量化处理,可以得到每个像元的数字模拟量。
10,遥感数字图像的计算机分类,遥感数字图像计算机解译的主要目的:
将遥感图像的地学信息获取发展为计算机支持下的遥感图像智能化识别。
最终目的:
实现遥感图像理解。
基础工作:
遥感数字图像的计算机分类。
11,遥感数字图像的计算机分类,计算机分类:
是通过模式识别理论,利用计算机将遥感图象自动分成若干地物类别的方法。
如土地覆盖/土地利用分类、森林类型分类、植被类型分类、岩性分类、分类关键:
提取待识别模式的一组统计特征值。
主要依据:
地物的光谱特征。
12,遥感数字图像的计算机分类,模式(pattern):
在多波段图像中,每个像元都具有一组对应取值,称为像元模式特征(feature):
在多波段图象中,每个波段都可看作一个变量,称为特征变量。
特征变量构成特征空间。
分类过程中采用的统计特征变量包括:
全局统计特征变量和局部统计特征变量。
全局统计特征变量:
将整个数字图像作为研究对象,从整个图像中获取或进行变换处理后获取变量。
局部统计特征变量:
将数字图像分割成不同识别单元,在各个单元内分别抽取的统计特征变量。
特征提取(featureextraction):
通过变换找出最能反映地物类别差异的特征变量用于分类的过程,13,遥感数字图像的计算机分类,计算机分类的基本原理:
不同的地物具有不同的光谱特征,同类地物具有相同或相似的光谱特征。
分类依据是遥感图像像素的相似度。
相似度:
两类模式之间的相似程度。
距离相关系数,14,常用的度量特征空间距离的几种算法,欧氏距离:
N为波段数;dij为第i个像元与第j个像元在N维空间中的距离;xik为第k个波段上第i个像元的灰度值;,绝对距离:
明斯基距离:
欧氏距离和绝对距离可统一表示为:
15,马氏距离(Mahalanobis):
常用的度量特征空间距离的几种算法,马氏距离既考虑离散度,也考虑到各轴间总体分布的相关。
采用距离衡量相似度时,距离越小相似度越大,反之则小。
16,相关系数,相关系数:
像素间的关联程度。
可以定义为:
xik和xjk为像元i和j的第k个分量(波段k上对应的值);采用相关系数衡量相似度时,相关程度越大相似度越大。
相关程度越小,相似度越小。
17,遥感数字图像的计算机分类,遥感数字图像的分类方法:
监督分类方法:
首先需要从研究区域选取有代表性的训练场地作为样本。
根据已知训练区提供的样本,通过选择特征参数(如像素亮度均值、方差等),建立判别函数,据此对样本像元进行分类,依据样本类别的特征来识别非样本像元的归属类别。
非监督分类方法:
是在没有先验类别(训练场地)作为样本的条件下,即事先不知道类别特征,主要根据像元间相似度的大小进行归类合并(将相似度大的像元归为一类)的方法。
18,遥感数字图像计算机分类基本过程如下:
(1)首先明确遥感图像分类的目的及其需要解决的问题,在此基础上根据应用目的选取特定区域的遥感数字图像,图像选取中应考虑图像的空间分辨率、光谱分辨率、成像时间、图像质量等。
(2)根据研究区域,收集与分析地面参考信息与有关数据。
(3)对图像分类方法进行比效研究,掌握各种分类方法的优缺点,然后根据分类要求和图像数据的特征,选择合适的图像分类方法和算法。
(4)找出代表这些类别的统计特征。
(5)为了测定总体特征,在监督分类中可选择具有代表性的训练场地进行采样,测定其特征。
(6)对遥感图像中各像素进行分类。
(7)分类精度检查。
(8)对判别分析的结果统计检验。
19,监督分类包括利用训练区样本建立判别函数的学习过程和把待分像元代入判别函数进行判别的过程。
对训练场地的选取具有一定要求:
训练场地所包含的样本在种类上要与待分区域的类别一致训练样本的数目应能够提供各类足够的信息和克服各种偶然因素的影响。
其精度直接影响分类结果检验区:
用于评价分类精度的代表样区,遥感数字图像的计算机分类,20,监督分类过程,分类预处理:
大气校正、几何校正与配准特征选择(提取)分类(监督分类训练区的选择)分类后处理,包括精度评价专题图制作,遥感数字图像的计算机分类,21,在监督分类中,先定义信息类,然后检验它们的光谱可分性,遥感数字图像的计算机分类,22,监督分类中常用的具体分类方法包括:
1、最小距离分类法1)最小距离判别法2)最近邻域分类法2、多级切割分类法3、特征曲线窗口法4、最大似然比分类法,23,监督分类,1、最小距离分类法:
最小距离分类法是以特征空间中的距离作为像素分类的依据。
包括最小距离判别法和最近邻域分类法最小距离分类法原理简单,分类精度不高,但计算速度快,它可以在快速浏览分类概况中使用。
24,监督分类,最小距离判别法:
这种方法要求对遥感图像中每一个类别选一个具有代表意义的统计特征量(均值),首先计算待分像元与已知类别之间的距离,然后将其归属于距离最小的一类;,Step2foreachunclassifiedpixel,calculatethedistancetoaverageforeachtrainingarea,25,监督分类,最近邻域分类法:
在多波段遥感图像分类中,每一类别具有多个统计特征量。
最近邻域分类法首先计算待分像元到每一类中每一个统计特征量间的距离,这样,该像元到每一类都有几个距离值,取其中最小的一个距离作为该像元到该类别的距离,最后比较该待分像元到所有类别间的距离,将其归属到距离最小的一类。
26,监督分类,2、多级切割分类法通过设定在各轴上的一系列分割点,将多维特征空间划分成分别对应不同分类类别的互不重叠的特征子空间的分类方法。
对于一个未知类别的像素来说,它的分类取决于它落入哪个类别特征子空间中。
多级分割法分类便于直观理解如何分割特征空间,以及待分类像素如何与分类类别相对应。
但多级分割法要求分割面总是与各特征轴正交,如果各类别在特征空间中呈现倾斜分布,就会产生分类误差。
因此运用多级分割法分类前,需要先进行主成分分析,或采用其他方法对各轴进行相互独立的正交变换,然后进行多级分割。
27,监督分类,3、特征曲线窗口分类法特征曲线是地物光谱特征曲线参数构成的曲线。
以特征曲线为中心取一个条带,构造一个窗口,凡是落在此窗口内的地物即被认为是一类,反之,则不属于该类。
特征曲线窗口法分类的依据是:
相同的地物在相同的地域环境及成像条件下,其特征曲线是相同或相近的,而不同地物的特征曲线差别明显。
28,监督分类,4、最大似然比分类法通过求出每个像素对于各类别的归属概率,把该像素分到归属概率最大的类别中去的方法。
29,监督分类,4、最大似然比分类法:
最大似然比分类法在多类别分类时,常采用统计学方法建立起一个判别函数集,然后根据这个判别函数集计算各待分像元的归属概率。
30,监督分类,4、最大似然比分类法:
最大似然比分类必须知道总体的概率密度函数,假定训练区地物的光谱特征和自然界大部分随机现象一样,近似服从正态分布,通过训练区,可求出其平均值及方差、协方差等特征参数,从而可求出总体的先验概率密度函数。
31,监督分类,4、最大似然比分类法:
须注意,各类别的训练数据至少要为特征维数的2到3倍以上,这样才能测定具有较高精度的均值及方差、协方差。
32,原始图象,33,分类图象,34,最终结果:
专题制图,35,非监督分类的前提是假定遥感影像上同类物体在同样条件下具有相同的光谱信息特征。
非监督分类方法不必对影像地物获取先验知识,仅依靠影像上不同类地物光谱信息(或纹理信息)进行特征提取,再统计特征的差别来达到分类的目的,最后对已分出的各个类别的实际属性进行确认。
主要方法:
分级集群法和动态聚类法,非监督分类,36,1、分级集群法:
当同类物体聚集分布在一定的空间位置上,它们在同样条件下应具有相同的光谱信息特征,这时其他类别的物体应聚集分布在不同的空间位置上。
分级集群法分类过程确定评价各样本相似程度所采用的指标初定分类总数;计算样本间的距离,据距离最近的原则判定样本归并到不同类别;归并后的类别作为新类,与剩余的类别重新组合,然后再计算并改正其距离。
分级集群方法的特点是分级进行的,可能导致对一个像元的操作次序不同,得到不同的分类结果。
这是该方法的缺点。
非监督分类,37,非监督分类,2、动态聚类法在初始状态给出图像粗糙的分类,然后基于一定原则在类别间重新组合样本,直到分类比较合理为止。
动态聚类法分类过程按照某个原则选择一些初始聚类中心;计算像素与初始类别中心的距离,把该像素分配到最近的类别中;计算并改正重新组合的类别中心,如果重新组合的像素数在最小允许值以下,则将该类别取消,并使总类别数减1。
38,4-3-2假彩色合成图像,非监督分类(聚类)结果:
15个光谱类,非监督分类,39,非监督分类1.4-3-2假彩色合成图象(香港九龙);2.聚类结果(10类),40,非监督分类3.聚类结果合并(5类);4.最终结果(类别颜色改变),41,训练区的选择,遥感数字图像的计算机分类,42,分类结果,43,图像分类实质,图象分类过程的总目标是,将图象中所有的像元自动地进行土地覆盖类型或土地覆盖专题的分类。
44,监督分类与非监督分类方法比较,根本区别在于是否利用训练场地来获取先验的类别知识。
监督分类的关键是选择训练场地。
训练场地要有代表性,样本数目要能够满足分类要求。
此为监督分类的不足之处。
非监督分类不需要更多的先验知识,根据地物的光谱统计特性进行分类。
当两地物类型对应的光谱特征差异很小时,分类效果不如监督分类效果好。
45,1、未充分利用遥感图像提供的多种信息只考虑多光谱特征,没有利用到地物空间关系、图像中提供的形状和空间位置特征等方面的信息。
统计模式识别以像素为识别的基本单元,未能利用图像中提供的形状和空间位置特征,其本质是地物光谱特征分类。
图像分类中的有关问题,46,2、提高遥感图像分类精度受到限制,大气状况的影响:
吸收、散射。
下垫面的影响:
下垫面的覆盖类型和起伏状态对分类具有一定的影响。
其他因素的影响:
云朵覆盖;不同时相的光照条件不同,同一地物的电磁辐射能量不同;地物边界的多样性。
图像分类中的有关问题,47,问题(光谱分类):
同物异谱:
同类地物具有不同的光谱特征同谱异物:
不同的地物可能具有相似的光谱特征。
如:
同一作物,生长状态不同,光谱特征有差异;不同的植被类型可能有相似的光谱特征,48,长满藻类并含有不同浓度悬浮物的水体(0-500mg/l)的光谱曲线,清水和长满藻类的水体的实测光谱曲线叶绿素a在400与500nm间和675nm处的强烈吸收,水体光谱特征的变化:
同物异谱,49,遥感图像解译,除了利用地物的光谱特征外,还需利用地物的形状特征和空间关系特征,因此需要提取图像的其他特征。
对于高分辨率遥感图像,可以清楚地观察到丰富的结构信息,因此可以设法去提取这类地物的形状特征及其空间关系特征,以作为结构模式识别的依据。
结构模式识别也叫句法模式识别,利用该方法可以提取地物的形状特征和空间关系特征,在此基础上识别遥感影像上的目标地物。
6.3遥感图象多种特征的抽取,50,6.3遥感图象多种特征的抽取,地物边界跟踪法:
第一种方法:
以图像像元作为跟踪的落脚点,跟踪点的连线作为地物的界线。
这种跟踪方法适用于线状物体的跟踪。
第二种方法:
认为地物的界线在相邻地物之间,因此边界跟踪的路径应该从两个相邻地物边界的像元中间穿过,这种方法适用于点状地物与面状地物的跟踪。
又可分为:
1、点状地物与面状地物的边界跟踪2、线状地物信息检测与跟踪,51,形状特征描述与提取1、地物形状特征的描述主要采用链码来记录和描述边界点链码:
一组具有方向标志码的有序系列。
2、地物形状特征的提取:
地物单元周长、地物面积、线状地物的曲率、面状地物的形状系数,6.3遥感图象多种特征的抽取,52,地物空间关系特征描述与提取,1、不同地物之间的空间关系
(1)方位关系:
指两个地物之间方向与位置的相对关系。
方位关系用来描述边界并不相互接触的两个物体。
通常采用以一个物体为中心,描述另一个物体位于它的哪个方向上,距离它有多远。
包括:
距离关系、方向关系,6.3遥感图象多种特征的抽取,53,地物空间关系特征描述与提取,距离关系:
即一个物体到另一个物体的直线距离。
由于空间分布的地物具有三种类型,因此,各种物体之间的距离关系定义也不相同。
点到点之间的距离则是两点间的距离点到线的距离是该点到该线的最短垂直距离点到面的最短距离为该点到面状地物边界的最短距离线到面的最短距离是线上一点到面状地物边界点的最短距离面到面的距离是两个面状地物边界点的最短距离,54,地物空间关系特征描述与提取,方向关系:
即一个物体相对于另一个物体的方向。
方向关系常用八个方向来描述,它们分别为:
正北、东北、正东、东南、正南、西南、正西、西北。
每个方向可以用方位角区间来定量表示。
55,地物空间关系特征描述与提取,
(2)包含关系:
一个物体位于另一个物体内部,并且边界不相邻。
包含关系具有三种情况:
点包含在面状地物内部;线状地物被包含在面状地物内部;一个小的面状物体被另一个大的面状物体所包围。
56,地物空间关系特征描述与提取,(3)相邻关系:
指两个地物在边界上相邻。
两个面状物体的相邻关系,存在着两种不同状况:
外接邻域和内接邻域。
点与面相邻是指点状地物位于面状地物的边界;线状地物与面状地物相邻是指线状地物上一点或多点位于面状地物边界。
57,地物空间关系特征描述与提取,(4)相交关系:
两个地物在一点上交汇,它主要用来描述点状地物与线状地物,线状地物与线状地物的空间关系。
它包含两种情况:
点状地物位于线状地物的某一点,两条线状地物相交一点或相交多点。
58,地物空间关系特征描述与提取,(5)相贯关系:
一个线状物体通过面状物体的内部,例如穿过林区的道路。
59,地物空间关系特征描述与提取,地物空间关系提取方法如下:
(1)方位关系的提取:
计算距离:
确定方位:
60,地物空间关系特征描述与提取,
(2)包含关系特征提取与描述:
提取点状地物与面状地物的包含关系,关键是判明点状地物是否为面状地物所包含,有两种方法可以判断点状地物是否在区域内。
铅垂线法:
设多边形由有序个点联接构成,设一个点状地物为p,由p作一条铅垂线,如果铅垂线与多边形相交的边数为偶数,则该点在多边形之外,否则在多边形之内。
射线法:
若点状地物在多边形内部,由该点向任意方间作射线,必然与面状地物边界相交,据此可以判断点状地物在多边形内部,否则点状地物不被该面状地物包含。
61,地物空间关系特征描述与提取,(3)相邻关系特征抽取:
点与面相邻:
可以通过检测“点”是否在多边形的边界上来确认。
线状地物与面状地物相邻:
首先需要了解线状地物与面状地物边界是否相交,如果存在相邻,那么以相交点为裁剪点,将线状地物一分为二,分别检测这两个线段是否同时在面状地物的外部或在面状地物的内部。
若同时在面状地物的外部或在面状地物的内部,说明线状地物与面状地物相邻,否则不是。
两个面状地物相邻问题:
可以采取更为简单的方法:
因为两个相邻多边形共用一条边界,每条边界记录了两个多边形标号,其标号中一个是该边对应的当前多边形,另一个是相邻接的多边形。
通过检索一个多边形边界必然能够找到相邻接的多边形。
62,地物空间关系特征描述与提取,(4)相交关系的特征提取:
点与线的相交:
主要判明点是否在线段上即可。
两条线段相交:
利用两条直线求交点公式。
63,地物空间关系特征描述与提取,(5)相贯关系的特征提取:
首先需要了解线状地物是否与面状地物边界相交,如果存在相交,那么以相交点为裁剪点,将线状地物一分为二,分别检测这两个线段是否一个在面状地物的外部,另一个是否在面状地物的内部。
若成立,则可以选取在面状地物内部的线段,检查其是否与面状地物在边界上有另一个交点,若存在相交点,提取关系特征。
64,6.4遥感图像专家解译系统,专家系统:
把某一特定领域的专家知识与经验形式化后输入到计算机中,由计算机模仿专家思考问题与解决问题,是代替专家解决专业问题的技术系统。
遥感图像解译专家系统的组成图像处理与特征提取子系统遥感图像解译知识获取子系统遥感图像解译专家系统的机理计算机解译的主要技术发展趋势,65,一、遥感图像解译专家系统的组成,1、图像处理与特征提取子系统:
包括图像处理、地形图数字化、几何精校正、分类与特征提取、图像区域分割。
2、遥感图像解译知识获取系统:
获取遥感图像解译专家知识,并把专家知识形式化表示,存贮在知识库中。
3、狭义的遥感图像解译专家系统。
由遥感图像数据库和数据管理模块、知识库和管理模块、推理机和解释器等构成,66,二、图像处理与特征提取子系统,1、图像处理:
图像滤波可消除图像的噪声;图像增强可突出目标物体与背景的差异;大气纠正可消除大气散射、雾霁等影响;几何精校正后的数字影像可与专题图精确复合;2、分类与特征提取子系统从图像中抽取光谱特征、图像特征和空间特征,为专家系统进行推理、判断及分析提供依据。
67,三、遥感图像解译知识获取子系统,1、遥感图像解译知识获取系统的主要功能是知识获取.2、知识获取有三个层次:
增加遥感解译新知识发现原有错误知识,修改或补充新知识根据解译结果,自动总结经验,修改错误知识,增加新知识.3、知识获取界面是一个具有语义和语法制导的结构编辑器,它具有三个层次:
下拉式主菜单形式的知识获取界面,可供选择的知识录入项目有:
遥感图像解译知识获取,遥感图像解译背景知识获取;多窗口知识获取界面。
遥感图像解译知识分类获取界面,68,三、遥感图像解译知识获取子系统,4、遥感图像解译描述性知识可以采用框架式方法表示,框架知识表示方法的特点:
可以表现描述型和过程型两种不同的知识类型。
具有知识属性继承的性能,知识库中知识冗余度小。
框架为独立的知识单元模块性好,易于知识更新。
推理方式灵活。
5、框架知识表示方法的不足之处:
知识表现的多样性,给知识的整合和完整性检查带来困难。
没有现成的推理机,它需要用户设计开发。
鉴于框架知识表示方法的缺点,这里框架方法仅用于描述性知识的获取。
描述性知识获取过程完成后,系统经过一致性和完整性检查,通过框架产生器,实现描述性知识的表示和获取。
69,三、遥感图像解译知识获取子系统,6、过程性知识采用产生式规则知识表现方法,其特点为:
每条知识为一条记录,知识结构简单,易理解;规则前半部为前提条件,后半部为操作或结果,表示形式一致,易于控制和操作;规则之间相互独立,易于增删、修改和补充。
7、其缺点为:
规则间的相互关系不透明,容易产生知识的不一致性;推理缺乏灵活性。
70,四、遥感图像解译专家系统的机理,1、遥感图像数据库包括遥感图像数据和每个地物单元的不同特征,由数据管理系统管理。
2、解译知识库包括专家解译知识和背景知识,由知识库管理系统管理。
3、推理机采用正向推理和反向推理相结合的方式进行遥感图像解译。
推理机具有两种运行形式咨询式:
用户和系统进行人机对话,解译系统根据用户提供的区域信息和任务要求,完成遥感图像解译。
隐蔽式:
解译过程中图像数据同解译知识的结合在专家系统内部进行。
数据的传递、知识的调用都在系统内部独立完成,71,五、计算机解译的主要技术发展趋势,1、抽取遥感图像多种特征对高分辨率卫星图像的自动解译来说,一般分别对目标地物采用低、中、高三个层次进行特征抽取和表达。
低层次的对象是像素,每个像素对应的数值是该地物波谱特征的表征;中层次主要抽取和描述目标的形态、纹理等空间特征;高层次主要抽取和描述识别目标与相邻地物之间的空间关系。
72,2、逐步完成GIS各种专题数据库的建设,利用GIS数据减少自动解译中的不确定性,GIS数据库在计算机自动解译中发挥以下重要作用:
(1)对遥感图像进行辐射校正,消除或降低地形差异的影响;
(2)作为解译的直接证据,增加遥感图像的信息量;(3)作为解译的辅助证据,减少自动解译中的不确定性;(4)作为解译结果的检验数据,降低误判率。
五、计算机解译的主要技术发展趋势,73,3、建立适用于遥感图像自动解译的专家系统,提高自动解译的灵活性,需要从以下两方面开展工作:
建立解译知识库和背景知识库。
解译知识库是遥感图像解译认识和经验经形式化后记录在贮存介质上的。
背景知识库是有关遥感解译背景知识与经验的集合,以地学知识为主。
根据遥感图像解译的特点来构造专家系统。
五、计算机解译的主要技术发展趋势,74,4、模式识别与专家系统相结合,既可以发挥图像解译专家知识的指导作用,在一定程度上为模式识别提供经验性的知识,又可以利用数字遥感图像本身提供的特征,有助于提高计算机解译的灵活性。
五、计算机解译的主要技术发展趋势,75,5、计算机解译新方法的应用,
(1)人工神经网络(ArtificialNeuralNetworks)在遥感图像识别中的应用。
(2)小波分析在遥感图像识别中的应用。
(3)分形技术在遥感图像识别中的应用。
(4)模糊分类方法遥感图像识别中的应用。
五、计算机解译的主要技术发展趋势,76,从计算机解译过程看,遥感图像中目标地物自动识别的技术路线如下:
(1)卫星图像识别(解译)机理分析一知识获取与知识形式化表示建立专家知识库和背景知识库一遥感图像解译专家系统构建。
(2)数字遥感图像一几何纠正和辐射纠正一目标地物光谱特征抽取一目标地物形状特征抽取与描述,以及空间位置抽取与描述地理专题信息复合(必要时进行)一运用遥感图像解译专家系统实现数字图像智能化识别一产生专题图(在地理信息系统支持下)实现地理数据库更新。
五、计算机解译的主要技术发展趋势,