计算机信息提取

利用计算机进行遥感信息的自动提取需要使用数字图像。由于地物在同一波段和不同波段的波谱特征各异，通过分析地物在各波段的波谱曲线，可以识别并提取同类目标物。早期的自动分类和图像分割主要基于光谱特征，后来逐渐结合了光谱特征、纹理特征、形状特征和空间关系特征等综合因素。

自动分类

常用的信息提取方法是遥感影像的计算机自动分类。首先，对遥感影像进行预判读和野外调查，以建立地物与影像特征之间的对应关系，并验证预判结果。接下来，选择训练样本并进行统计分析，使用合适的分类器对遥感数据进行分类，并对分类结果进行后处理，最后进行精度评价。

遥感影像的分类通常基于地物的光谱特征、形状特征和空间关系特征。目前，大多数研究仍然侧重于光谱特征。在分类前，常常需要做一些预处理，如校正、增强和滤波，以突出目标物特征或消除亮度差异。

遥感图像分类是指为单个像元或均匀区域赋予特征名称，其原理是利用图像识别技术实现自动分类。计算机主要依据物体的光谱特性进行识别和分类，其他信息如大小、形状和纹理尚未充分利用。

计算机图像分类方法主要有两种：监督分类和非监督分类。

监督分类

监督分类需要从图像区域中选择训练样本，这些样本的地物类别是已知的。通过这些样本建立分类标准，计算机将按此标准对整个图像进行分类。这是一种由已知样本推断未知区域类别的方法。

非监督分类

非监督分类不需要已知类别或训练样本。它利用图像数据在特征测量空间中聚集成群的特点，形成数据集，并核对这些数据集所代表的物体类别。与监督分类相比，非监督分类不需要事先了解研究区域，且在时间和成本上更为节省。然而，非监督分类的精度通常低于监督分类。

纹理特征分析

细小地物在影像上以有规律的方式重复出现，反映了亮度变化的频率。纹理形式多样，包括点、斑、格、垄、栅等。每种地物在影像上都有独特的纹理图案，因此可以通过纹理特征识别地物。

纹理特征描述了亮度（灰度）的空间变化情况，主要有三个标志：序列性、序列的基本部分和结构尺寸。纹理可分为确定性和随机性两类。纹理特征提取算法主要分为结构法和统计法。结构法适用于规则纹理，而统计法则适用于随机性纹理。

图像分割

图像分割是将图像分成各具特性的区域并提取感兴趣目标的过程。它是从图像处理到图像分析的关键步骤。图像分割方法包括区域法、边界法和基于边缘检测的方法。区域法通过像素聚类实现分割，边界法通过检测边界实现分割，边缘检测方法则通过检测边缘像素并连接它们形成边界。

阈值与图像分割

阈值是区分物体与背景的门限，大于或等于阈值的像素属于物体。这种方法适用于物体与背景有明显差异的情况。常用的阈值处理技术包括全局阈值、自适应阈值和最佳阈值。

梯度与图像分割

物体边界处的梯度最高，通过跟踪图像中最高梯度的点可以获得边界。这种方法易受噪声影响，通常需要对梯度图像进行平滑处理。

边界提取与轮廓跟踪

边缘检测方法包括Sobel、Canny和LoG等。在边缘图像基础上，通过平滑、形态学处理去除噪声，再通过细化、边缘连接和跟踪等方法获得轮廓边界。

Hough变换

Hough变换可用于检测符合参数模型的特征，如直线、圆和椭圆等。

区域增长

区域增长方法基于像素相似性聚集像素点，从初始区域开始逐步扩展。这种方法适用于复杂图像，但计算量较大。

面向对象的遥感信息提取

基于像素级别的信息提取过于注重局部细节而忽略整体结构，导致精度受限。面向对象的遥感信息提取综合考虑光谱统计特征、形状、大小、纹理和相邻关系等因素，提高了分类精度。具体方法如下：

1. 对图像数据进行分割，恢复图像所反映的景观场景中的目标地物的空间形状及组合方式。
2. 采用决策支持的模糊分类算法，给出每个对象隶属于某一类的概率，便于用户调整分类结果。
3. 建立专家决策支持系统，定义对象的光谱特征、形状特征、纹理特征和相邻关系特征。例如，光谱特征包括均值、方差和灰度比值；形状特征包括面积、长度、宽度、边界长度、长宽比、形状因子、密度、主方向、对称性等；纹理特征包括对象方差、面积、密度、对称性、主方向的均值和方差等。
4. 通过定义多种特征并指定不同权重，建立分类标准，然后对影像进行分类。分类时先在大尺度上分出“父类”，再根据实际需要对感兴趣地物在小尺度上定义特征，分出“子类”。

一种图像边缘检测的新算法

摘要：提出了一种含有方向信息的八方向边缘提取算子，采用边缘跟踪方法抑制噪声，并提出了一种自适应确定边缘提取门限值的方法。

算法模板的构造

经典的边缘提取模板算子，如Roberts算子和Sobel算子，只有水平和垂直两个方向的模板，无法表示图像的实际边缘方向。本文提出的算法包含方向信息，通过边缘跟踪方法抑制噪声，并提出了一种自适应确定边缘提取门限值的方法。