Matlab遗传算法求解TSO,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, 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SPOT-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)