Page 169 - 测绘新技术的理论与实践研究

第五章 多源遥感数据获取技术研究

知识库中的先验知识进行推理，实现了水体、草地、农田和房屋的判别和提取，

由于知识库中存储的先验知识不够精确导致地物的提取精度不高，可以通过完善
图像知识库中的知识、改进知识推理条件和方法等方面提高精度。针对居民地和
水体存在部分成分难以判读的问题，引入上下文语义线索，解决多义可视词语的

歧义性的问题，针对遥感图像面状地物提取，以可视词组和 MRF 模型两种方法
将语境信息引入 VWRD 算法，优化提取结果。

（2）SAR 图像
Picrcc 等选取 L 波段和 C 波段的极化 SAR 数据，基于雷达后向散射知识构

建分类器，提取树木、低矮植被、城区、裸土等地物，试验证明极化数据取得了
相当好的分类精度。Matikaincn 等选取 E-SAR 系统在 2000 年和 2001 年所观测

的两组数据，每组包括 L 波段的全极化数据和 X 波段的 HH、VV 波段的数据，
基于地物在不同波段上的均值和方差等知识识别、提取地物，用于地图更新。

Xia 利用高分辨率影像和 SAR 影像的融合结果，基于光谱、空间和纹理特征建
立了模糊规则，并利用面向对象技术提取了水体、绿地、道路等地物。基于 Rad

arsat 多时相 HH 波段数据和 Quickbird 多光谱数据的融合图像进行城市土地覆盖
分类，地物分为 l6 类，研究表明融合 SAR 和光学数据的分类精度要高于单独使

用 SAR 数据或光学数据。针对 SAR 图像中村庄目标的纹理和结构特点，提出了
一种纹理特征分析和基于村庄结构知识的后处理方法相结合的识别方法，利用共
生矩阵特征提取村庄目标，比纹理亮度阈值法具有更好的提取效果。利用 2008

年多伦多郊区的 RADARSAT-2 全极化图像的极化和多时相信息进行分类，加入
专家知识提高 SVM 的分类精度，提取了居住区、道路、森林、水体、草地、耕
地等地物。
3. 基于机器学习的方法

随着遥感图像的空间分辨率越来越高，地物的光谱特征更加丰富，同类地物
内的光谱差异增大，类间的光谱差异减少，同物异谱及同谱异物现象更加普遍。
图像中大量细节的出现和地物光谱特征的复杂化导致了基于光谱统计特征进行分

类的传统方法如极大似然法、最小距离法、K- 均值聚类法等分类准确性的降低。
研究学者将机器学习算法如神经网络、支持向量机等应用于高分辨率影像的分类，
并且在分类过程中加入图像的纹理、结构等特征。

157