Page 172 - 测绘新技术的理论与实践研究

测绘新技术的理论与实践研究

第二节 地物要素自动化获取

遥感图像处理、分析、理解和决策应用等构成了遥感应用的技术链，信息提

取与目标识别是遥感从数据转换为信息进而开展应用服务的核心技术。遥感信息
提取是遥感数据获取的逆过程，是从对地面实况的模拟影像中提取有关信息、反
演地面原型的过程。需要根据专业的要求，运用物理模型、解译特征标志和实践

经验与知识，定性、定量地提取出物理量、时空分布、功能结构等有关信息。
目前地形图测制等测绘应用中，地物要素的获取主要还是依靠人工方式采集
数据，劳动强度大、效率低、人为误差大，已经成为制约地理信息获取和更新的

瓶颈问题。典型地物茭素（水体、植被、居民地）的数据采集工作量占整体采集
工作量的 50~6Ye，因此，研究典型地物的自动识别和提取，提高测图效率，满
足遥感图像制图、地理信息系统的数据自动获取与更新的需要，具有非常重要的

意义。
大部分的地物自动提取研究都是基于分类的方法，只是针对局部图像分类出
少量的地物类别，而实际地物的种类成百上千：基于分割的方法同样是针对特定

的遥感图像或特定的地物目标，大多数的参数和阈值必须通过试验获得。这些方
法不具备普适性，不能很好地适用于其他图像或其他地物的提取：更为重要的是，
分类或分割的结果与测绘等应用的地理实体茭素不完全对应，因此无法在实际生
产中得到应用。

随着地理信息系统、人工智能、模糊集理论、生理和心理认知等相关理论和
技术的发展，遥感信息提取研究向着定量化、智能化、全自动化的方向发展。这

部分主要目的是利用图像处理领域相关算法，特别是深度学习方面的最新成果，
研究典型地物要素的智能化提取技术，解决地理数据获取和更新的难题，同时为
后续的图像配准及变化检测等研究工作提供基础数据。主要工作包括：
第一，基于纹理特征的半自动提取：针对典型面状地物及其特征，采用基于

灰度共生矩阵的阈值法提取纹理简单、均一的水体和植被，提出基于 Gabor 变换
的区域生长法提取纹理复黎的居民地，提高地理数据获取的智能化程度和效率。
第二，基于深度学习的自动提取：介绍深度学习的有关知识及其在语义图像

分割应用方面的最新研究成果：将卷积神经网络（CNN）和条件生成式对抗网
络（CGAN）引入 SAR 图像地物要素提取，解决基于 CNN 的分割方法不能精

160