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)
Puissant 等(2005)研究了频谱的潜在/纹理的方法来提高分类精度城市内的土地覆盖类型。二阶统计数据的灰度共生矩阵被用作额外条带。在实验中，在全色图像从较高到非常高的分辨率进行测试的基础上，创建了四个带有六个窗口尺寸的纹理指标。结果表明，提高全球分类准确率的最佳指数是均一性测度，以7×7的窗口大小。Ouma等人(2008)提出对森林和非森林植被类型的差异化 QuickBird卫星影像的灰度共生矩阵纹理分析的结果。最佳的灰度共生矩阵窗口土地场景内覆盖类别的确定是用半变异函数拟合。这些最佳窗口大小当时适用于8灰度共生矩阵的纹理测度(均值，方差，均匀性，相异，对比度，熵，角二阶矩，和相关性)中的场景分类。实验结果如下:(1)光谱专用频段分类给出了58.69,的整体准确度; (2)在统计学上得出 21 21最佳平均纹理结合的光谱信息的灰度共生矩阵中最佳的窗口，结果最佳是73.70,的准确度。
基于窗口的图像处理技术的一个关键问题(例如，灰度共生矩阵的纹理)是自适应窗口选择方法。虽然这是众所周知的，结合光谱和空间信息可以提高土地利用分类的非常高的分辨率的数据，许多空间措施是指窗口大小的问题，和分类程序的成功使用空间的功能在很大程度上取决于窗口尺寸选择。Huang等人(2007年)提出了一种最优的基于边缘的光谱窗口选择方法适合选择在一个局部区域信息的窗口的大小自适应，以及多尺度信息进行融合，确定选择的最佳的窗口大小。由灰度共生矩阵提取的空间特征(GLCM)用于多光谱IKONOS卫星数据，以便验证窗口选择算法。结果表明该算法对可以选择和融合的多尺度功能有效，并且在同一时间，增加分类精度。
1.1.3结构和形状特征
Benediktsson等人(2003)使用测地线的组合物打开和关闭不同尺寸的操作以建立一个
m的空间全色图形态分布和神经网络方法为特征的分类。该实验进行通过对IKONOS卫星的用1像解析，结果表明，该形态特征能创造足够的空间信息和显着
改善传统的分类准确率。在Benediktsson等人(2005)和光谱/空间分类器的联合提出了形态特征是延长使用机载图像。基于形态学的方法编制的光谱和空间信息的方法中，分类和主成分分析(PCA)是采用预处理和降维。Epifanio and Soille (2007)利用形态学纹理的自然景观特征的高分辨率图像分割为几个覆盖类型。纹理特征是关注重点，由于高分辨率光谱波段数图像有时是有限的;此外，传统基于像素分类的技术表现不佳。Huang等人(2007b)调查的分类和提取在城市地区的高空间分辨率多光谱空间特征图像。一种结构特征集(SFS)提出了提取方向线直方图的统计特征。降维的一些方法，包括决定边界特征提取和相似性指数特征选择，然后实施减少了SFS信息冗余。评估的方法是两个QuickBird卫星数据集，结果表明，新集减少空间特征具有比传统的方法更好的性能。
1.2基于对象的分析
1.2.1的基于对象的算法开发
基于对象的分类是一个很好的替代传统的基于像素的方法。这种分析方法将减少均匀的区域内的局部谱方差。该方法的基本思想是将群组在空间上相邻的像素分成均匀的光谱段，然后执行分类的对象作为最小处理单位。 Kettig and Landgrebe (1976) 首先提出了基于对象的分析方法，并开发了空间光谱分类，叫做均质物体的提取和分类(ECHO) (Landgrebe,
1980)。Jimenez等人 (2005)开发的ECHO的算法，就是取消非监督的ECHO版本，是无监督增强的方法在局部邻域像素的均匀性。它使用了内容相关多光谱或高光谱数据分类，产生的结果，是让人们能较为清晰的分析其内容。他们对HYDICE
和AVIRIS实验表明，该UnECHO分类器尤其适用于具有高空间分辨率的新一代的机载和星载传感器。
近年来，嵌入到的eCognition商业软件的分形网络演化方法(Hay等人，2003)
已被广泛地用于基于对象的分析和实验。它利用模糊集理论提取的对象特点，成规
模的特点上在两个细和粗尺度上同时进行图像分割。该FNEA是一个自下而上从单
个像素开始区域合并的技
术。以迭代的方式，在每一个接下来的步骤，图像对象合并成更大的。区域合
并的决定 with local homogeneity criteria and the criteria are defined as: 与本地的同质性标准和准则，定义为:
bNNNMergeObj1Obj2W其中是对于带b的权重，，和代表合并后的对象内的像素
的数量，
,,,MergeObj1Obj2分别表示对象1和对象2。，和分别是标准偏差。当一个合
并的一对图像对象进行检查，两个对象之间的融合异质性值H是计算和比较尺度参
数T。当H 性是测量的最大变化。 数学形态学中的分水岭变换是一种功能强大的工具，可以进行图像分割，也可 以采用对于基于对象的分析。 Li and Xiao (2007) 提出分水岭算法用于图像分 割的延伸。提出了基于矢量的数学形态学方法计算梯度的大小，随即又投入到分水 岭变换的图像分割。该方法表现出了可喜的成果，可用于分割高分辨率多光谱 图像和基于对象的分类。 Akcay 和 Aksoy (2008)提出的新方法在高清晰度的图像自动目标检测与光谱 信息提取结构信息相结合，对图像进行分割。分割算法利用形态学运算，应用于个 别光谱波段增加结构元素尺寸。实验结果表明，该方法能够自动地检测，组和标号 分类属于同一个对象类。 1.2.2基于对象分析的改进算法 随着面向对象分类的发展，一些优化的算法已经被提出。 Wang等人(2004a)提出了一种混合分类，集成了像素和基于对象的分类。分别为对象的像素和利用最大似然分类器得到级别地图以及最近邻分类，(即, MLCNN)。Gamba等人(2007)提出了一个boundaryoptimized高分辨率的图像分类方法。边界与非边界像素被区分了，然后分别归类。Bruzzone 和 Carlin (2006)开发的高空间分辨率图像的多层次的方法处理。其基本思想是多尺度同时使用表述作为一个特征提取模块，自适应模型中每个像素的空间范围。在实验中，其有效利用城市和农村的QuickBird验证图像。 1.2.3基于对象分析的应用 Yu等人(2006) 从基于对象分析的方法利用多种特征在北加利福尼亚州的 Point Reyes National Seashore建立了一个全面的植被库。在他们的研究中，对于每个对象，52种特征是计算包括光谱特征，纹理，地形特征和几何特征。Wang 等人(2007a, 2007b)在巴拿马的加勒比海岸的Punta Galeta研究了基于对象的分析在红树林映射。Waske 和 van der Linden (2008) 融合合成孔径雷达(SAR)和光学遥感数据，利用多个联合分类水平分割。 2 超分辨率(SR)重建技术 高分辨率(HR)图像在许多应用中是有用处的，如遥感，视频帧冻结，医疗诊断，军事信息收集，等。但是，由于光学系统和图像传感器成本高和高精度物理的限制，在多数情况下获得所需的HR图像是不容易的。因此，出现了超分辨率(SR)图像重建技术，其可以重建一个或一组从低分辨率(LR)图像的序列场景，与HR图像相同，在最近的二十几年该技术已被广泛研究。 Tsai 和 Huang (1984) 在频率域首先提出来多帧问SR。他们提出了一个从一组的HR图像重建公式欠采样，混叠，但无噪音LR图像。Kim等人(1990) 扩展的制定考虑观测噪声以及空间模糊的效果。他们解决了扩展制定由加权递推最小二乘 方法来提高计算效率。然后 Kim 和 Su (1993) 通过考虑每一个不同的LR模糊图 像扩展了他们的工作。Rhee 和 Kang (1999) 提出了一种基于DCT变换算法以减少计算成本。此外，有出现两篇专 注于小波SR方法的论文 (Chan 等, 2003; Lertrattanapanich & Bose, 2002; Ng 等, 2004)。频率域方法的优点是他们的计算复杂度低;然而，这些方法只适用于全局运动，对高分辨率图像先验信息不能利用。 大多数已经出现在文献中的超分辨率技术操作在空间域中。Ur和Gross (1992) 基于Papoulis (1977) 和 Yen (1956) 的广义采样定理，提出了一种非均匀插值 方法。插值后面是去模糊处理，相对位移被认为是精确已知的。 Komatsu 等(1993) 提出了一项计划，通过应用 the Landweber algorithm (Landweber, 1951) 从多个图像同时与多台摄像机拍摄，获得一种改进的高分辨率图像算法。他们使用方块对比技术来测量相对移动。 Alam等 (2000) 开发了一个实时红外成像技术配 准和超分辨率重建。他们利用一个基于梯度的配准算法之间的偏移估计获得的框架，提出了一种加权邻插值方法。这种非均匀插值的方法优点是，它需要一个相对少的计算量，使实时应用成为可能。然而，在这种方法中，降解的模型是有限的(他们只适用时的模糊和噪声所有相同特点的LR图像)。此外，由于忽略恢复步骤 的错误发生在插补阶段，整个重建算法的最优性是不保证的。 Irani 和 Peleg (1991) 提出了一个改编自计算机辅助地形(CAT)的迭代反投 影(IBP)方法。在该方法中，高分辨率图像的估计背投影之间的运动误差更新补 偿，高分辨率图像的当前估计值和所观察到的低分辨率的图像的模糊和子采样的样本，使用一个适当的背投影算子。 IBP的优点是，它能直观且容易地理解。然 而，由于反演问题的不适定性，并且在选择背投影算子上存在一些困难，这种方法没有独特的解决方案。另外，对于先验约束的应用也是很难的。 Stark 和 Oskoui (1989) 提出了一个值得关注的关于超分辨率图像重建的问 题的POCSbased方法，在该方法中，高分辨率图像的空间相交有一组凸形约束集，呈现理想的图像特征，如阳性能量有界，数据可靠，平滑，等。Tekalp等 (1992) 扩展了他们的方法，包括观测噪声和运动模糊。Patti et al. (1997) 推广的POCSapproach to account for arbitrary sampling lattices and non-zero 方法考虑到任意抽样网格和非零的孔径时间。POCS的优点在于，它利用了强大的空间域观测模型。它也允许方便包容的先验信息。这些方法有解的不唯一性的缺点，而且收敛慢，计算成本高。 另一个类的超分辨率算法是基于随机方法，包括最大似然法(ML)(Tom & Katsaggelos, 1994) ，和最大后验概率(MAP)方法(Guan & Ward, 1992; Schultz & Stevenson, 1994;Schultz & Stevenson, 1995; Schultz & Stevenson, 1996; Hardie等, 1997)。之前具有Huber Markov随机场图像的保留边缘的MAP估计，是研究了Schultz和Stevenson (1994, 1995, 1996)。基于MAP的超分辨率注册参数的同时估计(帧间运动)已经由Hardie 等 (1997) 提出了。建模中噪声特性与解的先验知性的稳定性与灵活性是随机SR方法主要的优点。假设噪声的程序是white Gaussian，凸能量函数MAP估计先验保证解的唯一性。因此，有效的梯度下降方法可用于估计的HR图像。它也能同时估计运动信息和HR图像。 对HR图像的重建，子像素运动的精确配准是非常重要的。然而，在实际应用 中这些参数精确的知识不总是能够得到保证的。Lee和Kang (2003) 提出了考虑不准确的子像素登记的规范化自适应HR重建方法。两种规范化估计的方法中提出每 个LR帧参数，基于这种近似，噪声模型配准误差与标准的偏差程度成正比的高斯登记是错误的。然而，这些收敛方法并没有严格证明。 稳健的超分辨率技术已经出现在Zomet等 (2001), Farsiu 等 (2003), Farsiu 等 (2004)，并考虑到异常值的存在(数据与模型的拟合不是很好)。在Zomet 等 (2001)的研究中，中值 滤波器是在迭代过程中使用，以获得HR图像。该这种方法的稳健性好，在有偏置的程序检测后，异常错误对称分布。然而，阈值是需要决定偏置是否是由于异常值或别名信息。此外，这种方法的数理理由没有被分析。在Farsiu等 (2003, 2004)的研究中，提出了一个强大的SR方法，基于使用的L1范数同时在规范化和测量罚函数的条件。强大的正则化在双边的事先提出处理不同的数据和噪声模型。然而，单纯平移假设整个低分辨率图像序列可能不适合一些真实的数据序列。 在遥感领域中，还有几个成功应用SR技术的例子。第一多帧SR的想法是出于提高卫星遥感图像的分辨率。2002年，CENS(国家航天研究中心)成功地推出了SPOT5卫星。使用SR技术，SPOT5可以提供通过两个5米的图像处理2.5米的全色图像，是转移到一半的采样间隔的双CCD线性阵列。Shen 等 (2007) 提出了一个SR重建算法，在相同的谱带，应用到实际的MODIS(中分辨率成像光谱辐射计)遥感图像。 3高光谱数据处理 最近，由于丰富的信息提取出来应用于各个领域，高光谱图像已越来越受到注意。许多军事和民用领域涉及等领域的全球环境监测，测绘，地质，林业，农业和水质管理，等等。由于高分辨率的空间和光谱尺寸抽样，这些图像可以很快产生大量的数据。对于大数据量处理的成本可能会很大。大量的研究，旨在寻求更有效的方法来处理这些数据类型，而最近的研究方法可以分为两类:纯和混合像元的方法。 3.1基于纯像素的方法 这些方法是基于在图像中的所有像素都用一种地面目标的假说。纯基于像素的方法可分为两个子组:植被指数和统计方法。 3.1.1植被指数方法 植被指数是从对象中提取的光谱特征参数，包括光谱匹配识别和土地的对象重建(Goetz，1997)。在这些方法中，通过实地调查测得的光谱点与由成像光谱仪提取的相比，来区分不同的类。为了提高成像光谱仪高光谱数据的分析效率和速度，这些光谱的斑点通常编码以提取其光谱特征。Kruse 等 (1993) 提出光谱匹配，这是用于分析光谱数据的最广泛使用方法之一。植被指数的主要问题是，它是很难构建一个通用的植被指数适用于大多数的高光谱数据。 Zhang等人(2006，2007)开发了一个通用的模式分解法(UPDM)来构建一个VIUPD。 3.1.2统计方法 统计方法在高光谱数据处理中是非常重要的，尤其是广泛应用于目标检测的高光谱数据分类。在这些方法中，每个频带被视为一个随机变量和概率统计的方法，然后应用提取图像的统计特征。由于超维，降维必须做，首先减少计算时间。统计方法的最重要的应用是异常检测。高光谱数据被认为具有一定分布异常的，是分布不适合的像素。RX及其扩展算法 (Yu & Reed,1993; Kwon & Nasrabadi, 2005; Hruschka & Ebecken, 1999) 是有效的异常检测方法。 3.2基于混合像素的方法由于在该领域与高光谱数据的空间分辨率的限制，复杂的条件下，混合像元广泛存在于高光谱数据 (Zhang & Li, 1998)。混合像元模型的提出解决了上述问题。该模型可以归纳为两种类型:线性混合模型和非线性混合模型。线性混合模型是使用最广泛的，因为它非常简单，并且通常具有明确的物理意义。然而，通过使用线性混合模型，被提取的类的数量应比光谱数据的频带的数目少。为了避免线性 混合模型的局限性，提出了非线性模型和混合像素，表示为剩余误差的总和与端元的高阶矩。 基于混合像素最重要的应用之一就是在在高光谱数据中检测子像素的目标。近来，子像素的目标检测方法主要侧重于线性混合模型和匹配滤波器，以找到可能发生的目标光谱像素的光谱数据。OSP(正交子空间追踪)(Chang, 2005)，PP(投影追踪)(Chiang 等，2001)和CEM(约束能量法)(Settle, 2002) 是广泛使用的方法。 最近，一些新的算法被引入到亚像素目标检测，如内核为基础的方法 (Nasrabadi & Kwon, 2005; Kwon & Nasrabadi, 2004; Gu 等， 2008; Kwon & Nasrabadi, 2006) 和形态学为基础的方法(Roberts 等, 1998)。此外，影响检测结果的另一因素是光谱的变化。为解决该问题，提出了一 些模型，如子空间的方法(Kwon & Nasrabadi, 2006)。 基于混合像素的方法的另一个重要应用是端元提取和混合像素分解。端元提取 可以以两种方式进行:(1)直接从图像中提取(图像端元);(2)从现场或实验室光谱已知的资料(库端元);可以看到Roberts 等人(1998)就两个方面进行了比较。在使用 库端元的风险是，相同条件下很少能够获得这些光谱的机载数据下。图像端元具有被收集在同一刻度作为数据的优点，因此，可以用功能更容易相关联的场景。一种图像端元(IE)是由定位在场景中的像素与物理端元代表的最大丰度获得的，但也有可能的情况下，在一个场景中不可能为一定的算法找到这样纯的像素。在过去的十年中，已经提出了几种算法的自主/目的监督的端元选择的高光谱场景，包括手动 端元选择工具(MEST)(Bateson & Curtiss, 1996)，像素纯度指数(PPI)(Bowles 等, 1995)，N-FINDR，顶点成分分析(VCA)(Nascimento & Dias, 2005)，迭代误差分析(IEA)(Neville 等, 1999)，迭代约束端元( ICE)算法(Berman等，2004)，光学实 时自适应光谱识别系统(ORASIS)(Boardman等，1995)，以及自动化形态学端元提 取(AMEE)(Plaza等，2004)。 PPI，N-FINDR，CCA和VCA可能被表征为经典的方法实例，以端元的选择的基础上，搜索光谱凸面。而PPI是部分自动化，N-FINDR，CCA和VCA是完全自动化。IEA是基于一个迭代的过程中，这些像素，减小约束的混合像元分解运算得到的误差作为端元。ICE算法执行基于凸几何模型的最小二乘最小化残差平方和(RSS)。另一方面，ORASIS利用LVQ概念进行端元的选择。与上述方法相反，AMEE 采用形态学方法，即空间和光谱信息也同样采用派生端元。 除了线性混合模型，在混合物像素分解用一些其它非线性分解模型已经在过去的十年中实施，包括神经网络，回归、决策树和内核最小二乘分析。非线性模型，尤其是基于神经网络模型，优于传统的线性分解模型。多层感知器(MLP)是对非线性分解使用最广泛的神经网络模型之一。Atkinson等(1997)应用了MLP模型分解AVHRR图像。这是优于线性分解模型的。另一种流行的神经网络模型，ARTMAP，首次推出是识别植物混合物的生命形式组成部分(Carpenter等人，1996)。Landsat TM遥感影像被用来估计亚像素信息生命形式的组件。ARTMAP为基础的混合模型能够捕获的非线性效应，从而执行比传统的线性分解模型更好。Liu 等, (2006) 应用于MODIS影像与两个传感器具有不同分辨率的子像素分类的信息融合的一个类似的ARTMAP模型。 4计算智能技术遥感图像分类 随着高空间分辨率，高光谱分辨率，高时间分辨率，多传感器，多平台，多角度的发展趋势，遥感对地观测技术为地球资源环境研究提供越来越多的遥感数据。然而，传统的处理技术难以适应当前遥感信息处理，因为它需要事先假设或具有较低的加工精度和智能化。因此，到现在为止，庞大而宝贵的遥感数据集没有得到充分和有效的利用。智能遥感图像处理技术对上述问题是一个有效的解决方案，因为它不需要先验的假设，可以自动提取图像信息。因此，在遥感领域研究智能化的遥 感图像处理技术一直是热门研究课题。神经网络(NNS)和遗传算法(GAS)是智能计算(CI)的主要组成部分(Stathakis,Vasilakos，2006年)。此 外，灵感来自免疫系统的人工免疫系统(AIS)被确认为计算智能化的新分支。 这些组件中的每一个被单独应用进行遥感图像分类的任务。 4.1人工神经网络(NNS) 神经网络模型是模仿人类大脑结构建立的，其中智能存储在神经通路也就是在 存储器中。在人工神经网络中，知识以权重的形式存储于结点上，也就是说，作为乘法值被施加到输入端(Miller等，1995)。而不是算法来确定值，有监督网络呈 现的输入和相应的正确的输出重复的例子，并且允许―学习‖本身。人类从经验中学习;神经网络设置 weights that will produce a specified output. When the net finally 权重，将产生一个指定的输出。当最终网提出了新的数据，它适用的权重和输 出结果是与以往的经验相一致(米勒等，1995)。 在一些遥感文献中，一些神经网络可应用在远程。NNs经常报道，产生类似的 或更高的精度水平相比较统计分类(Bischof et al., 1992; Bischof & Leonardis, 1998)。他们 have also proven to be a suitable paradigm for multisource 也被证明是一个合适的范式多源利用辅助信息归并分类，如地形和背景信息等(Benediktsson等人，1990)。 4.2遗传算法(GA) 遗传算法(GAs)(Goldberg, 1989; Davis, 1991)，灵感来自于自然进化，都能 够通过进化和自然遗传学原理进行空间解的随机全局搜索。它们是有效的，自适应的和强大的搜索过程，产生接近最优的解决方案，并有大量的隐含并行性。GAs处 理个体称为染色体(通常是二进制字符串)，编码参数空间问题代表潜在的解决方案。字符串的一个目标函数提供了从染色体空间到空间解的映射。修复功能也与每 个字符串相关，这表明由它代表了解决方案的'优良'的程度。一组染色体构成一个群体，这是最初随机生成的。受生物启发的操作员的选择交叉和变异应用于超过了许多代人的种群，直到终止条件的实现。在这点上得到的(或迄今获得的)最好字符串代表该问题的解决方案(Pal等人，2001)。 高效的搜索模式的过程中有很多任务，在模式识别中有参与分析/识别模式，需要为复杂空间的高效搜索最优解的过程中选择适当的参数。因此，GAs解决模式识别问题的应用(这需要计算的要求，优化，稳健性，快速和近似解)似乎是适当的和自然的(gelsema，1995;PAL和Wang，1996)。它们也被用于情景参数信息估计(Tso & Mather, 1999)。 4.3人工免疫系统(AIS) 人工免疫系统(AIS)，灵感来自于免疫系统，被称为一种新的计算智能化分支。他们利用以免疫学特性，开发自适应系统来完成各种任务的研究 (Dasgupta, 1999; de Castro & Timmis, 2002)，包括模式识别，入侵检测，聚类，优化和智能控制。作为一种新的计算智能化方法，AIS在遥感图像智能处理上有很大潜在的应用。基于这些情况，一些研究人员正在研究理论模型和目前AIS的方法，提出新的免疫模型和算法，并为AIS及其应用遥感图像处理的问题建立了理论，如非监督分类，非监督分类和特征选择。 4.3.1无监督的人工免疫分类 人工免疫系统(AIS)，灵感来自于免疫系统，被称为一种新的计算智能化分支。他们利用以免疫学特性，开发自适应系统来完成研究各个领域的一系列任务(Dasgupta, 1999; de Castro & Timmis, 2002)，包括模式识别，入侵检测，聚类，优化和智能控制。作为一种新的计算智能方法化，AIS在遥感图像智能处理有一个很大的应用潜力。基于这种情况，一些研 究人员正在研究的理论模型和方法，对当前AIS提出新的免疫模型与算法，并为AIS及其应用的遥感图像处理理论问题建立了理论，如非监督分类，非监督分类特征选择。 4.3.1无监督的人工免疫分类 提出的进行遥感图像非监督分类(Zhong等，2006)是一种新的无监督的机器学习算法，基于自然免疫系统，即无监督的人工免疫分类器(UAIC)。除了其非线性分类属性，UAIC具有生物学性质如免疫识别和免疫记忆。因此，UAIC能够通过生成一组存储单元进行分类的代表执行的数据聚类。为了模拟在免疫系统中的抗体，在UAIC中提出了抗体群(AB)模型。AB是用于遥感图像处理，其中包含同一类的许多抗体和记忆细胞的新免疫模型。在遥感图像分类中，存储单元决定着整个AB的识别能力。UAIC利用AB模型来识别一些抗原(分类遥感图像)。实验结果一致表明，该UAIC具有较高的分类精度，因此提供了智能化的遥感图像非监督分类的一种有效的选择。 4.3.2监督人工免疫分类 一系列基于人工免疫系统的新颖的监督人工免疫分类器已经被提出来进行遥感分类。该监督人工免疫分类器是基于人工免疫系统的免疫识别和免疫记忆基本原理。当非自身抗原侵入免疫系统，免疫系统可以通过自适应的抗体识别抗原。当系统针对抗原完成维护本身之后，记忆细胞针对抗原产生并留在免疫系统。当相同或非常相似的抗原再次侵入免疫系统，系统通过使用这些存储单元的反应将会更加快速和强大。通过模拟免疫识别的过程，受监督人工免疫分类器进化使用感兴趣区域的样品的免疫模型或免疫网络，将获得的存储单元或纪念免疫网络的遥感图像分类。基于上述原则，本文提出三个监督的人工免疫分类器。(1)资源的遥感图像分类算法(RLCRSI)(Zhang等，2007)，一个新的智能分类方法，使用资源有限的方法来降低分类的计算成本，并能获得最佳分类中心。因此，RLCRSI可以提高分类精度与合理的计算时间。(2)在Pal (2008) 的研究中，一个人工免疫为基础的监督 分类算法的土地覆盖分类。这个分类是由人体免疫系统启发，并拥有类似的非线性分类属性，自我/非自我识别以及负面选择。Landsat ETM +，在英格兰东部附近Littleport城镇区域的数据被用来研究人工免疫为基础的分类器的性能。单变量决策树和最大似然法被用来在分类精度和计算成本方面比较其性能。结果表明，在与最大似然法和决策树分类器的分类准确率方面的比较，人工免疫为基础的分类器运作良好。使用基于人工免疫分类器的计算成本高于决策树，但小于最大似然分类器。另一个西班牙的区域数据也被用来比较基于人工免疫系统的有监督分类器与决策树和最大似然法的性能。结果表明这组数据用免疫为基础的分类器的分类精度方面有所改善。最后，比较采用反向传播神经网络分类器进行比较，在这两个数据集中神经网络分类器提供了较高的分类精度，但结果并不显著。(3)基于多值免疫网络一种新的监督分类算法，这是一种新型的人工免疫网络模型，即多值免疫网络分类器(MVINC)进行遥感影像分类(Zhong等人，2007年)。多值免疫网络模型不同于传统的模式，类似于免疫系统中B细胞与T细胞之间的相互作用。因此，该模型具有相当不错的类似免疫反应的属性。MVINC继承多值逻辑计算能力和多值免疫网络的记忆特性，并且可以在不同的时间迅速地识别相同或相似的抗原。因此，MVINC 具有较高的分类精度。 鸣谢:作者要感谢Zhang Hong-yan先生，Du Bo先生以及Zhong Yan-fei博士对本文的重要贡献。 参考文献: Akcay H G and Aksoy S. 2008. Automatic detection of geospatial objects using multiple hierarchical segmentations. IEEE Transactions on Geoscience and Remote Sensing, 46: 2097—2111 Alam M S, Bognar J G, Hardie R C and Yasuda B J. 2000. Infrared image registration and high-resolution reconstruction using multiple translationally shifted aliased video frames. IEEE Trans. Instrum. Meas., 49: 915—923 Atkinson P, Cutler M and Lewis H. 1997. Mapping sub-pixel proportional land cover with AVHRR imagery. International Journal of Remote Sensing, 18(4), 917—935 Bateson C A and Curtiss B. 1996. A method for manual endmember selection and spectral unmixing. Remote Sensing of Environment, 55: 229—243 Benediktsson J A, Palmason J A and Sveinsson J R. 2005. Classification of hyperspectral data from urban areas based on extended morphological profiles. IEEE Transactions on Geoscience and Remote Sensing, 43(3): 480—491 Benediktsson J A, Pesaresi M and Arnason K. 2003. Classification and feature extraction for remote sensing images from urban areas based on morphological transformations. IEEE Transactions on Geoscience and Remote Sensing, 41(9), 1940—1949 Benediktsson J A, Swain P H and Ersoy O K. 1990. Neural network approaches versus statistical methods in classification of multisource 552 remote sensing data. IEEE Trans. Geosci. Remote Sens.28(4): 540— Berman M, Kiiveri H, Lagerstrom R, Ernst A, Dunne R and Huntington J F. 2004. ICE: a statistical approach to identifying endmembers in hyperspectral images. IEEE transactions on Geoscience and Remote Sensing, 42(10): 2085—2095 Bischof H and Leonardis A. 1998. Finding optimal neural networks for land use classification. IEEE transactions on Geoscience and Remote Sensing, 36(1): 337–341 Bischof H, Schneider W and Pinz A J. 1992. Multispectral classification of landsat-images using neural networks. IEEE transactions on Geoscience and Remote Sensing, 30(3): 482—490 Boardman J W, Kruse F A and Green R O. 1995. Mapping target signatures via partial unmixing of AVIRIS data. Summaries of the Fifth Annual JPL Airborne Geoscience Workshop. Pasadena, CA Bowles J, Palmadesso P J, Antoniades J A, Baumback M M and Rickard L J. 1995. Use of filter vectors in hyperspectral data analysis. Proc.SPIE. San Diego, CA, USA: SPIE Bruzzone L and Carlin L. 2006. A multilevel context-based system for classification of very high spatial resolution images. IEEE Transactions on Geoscience and Remote Sensing, 44: 2587—2600 Carpenter G, Gopal S, Macomber S, Martens S and Woodcock C. 1999. A neural network method for mixture estimation for vegetation mapping. Remote Sensing of Environment, 70: 138—152 Chan R, Chan T, Shen L and Shen Z. 2003. Wavelet algorithms for high-resolution image reconstruction. SIAM Journal on Scientific Computing, 24: 1408—1432 Chang C I. 2005. Orthogonal subspace projection (OSP) revisited: a comprehensive study and analysis. IEEE Transactions on Geoscience and Remote Sensing, 43(3): 502—518 Chiang S S, Chang C I and Ginsberg I W. 2001. Unsupervised target detection in hyperspectral images using projection pursuit. IEEE Transactions on Geoscience and Remote Sensing, 39(7): 1380—1391 Dasgupta D. 1999. Artificial Immune Systems and Their Applications. Germany: Springer Davis L. (Ed.) 1991. Handbook of Genetic Algorithms. New York: Van Nostrand Reinhold De Castro L N and Timmis J. 2002. Artificial Immune systems: A New Computational Intelligence Approach. London, UK: Springer-Verlag Epifanio I and Soille P. 2007. Morphological texture features for unsupervised and supervised segmentations of natural landscapes. IEEE Transactions on Geoscience and Remote Sensing, 45(4): 1074—1083 Farsiu S, Robinson D, Elad M and Milanfar P. 2003. Robust Shift and Add Approach to Super-Resolution. Proceedings of SPIE-The International Society for Optical Engineering. San Diego, CA, United States: SPIE Farsiu S, Robinson M D, Elad M and Milanfar P. 2004. Fast and robust multiframe super resolution. IEEE Transactions on Image Processing, 13: 1327—1344 Gamba P, Dell’Acqua F, Lisini G and Trianni G. 2007. Improved VHR urban area mapping exploiting object boundaries. IEEE Transactions 45(8): 2676—2682 on Geoscience and Remote Sensing, Gelsema E S. 1995. Special Issue on Genetic Algorithms. Pattern Recognition Letters. Amsterdam: Elsevier Goetz S J. 1997. Multi-sensor analysis of NDVI, surface temperature and biophysical variables at a mixed grassland site. International Journal of Remote Sensing, 18: 71—94 Goldberg D E. 1989. Genetic Algorithms in Search, Optimisation and Machine Learning. New York: Addison-Wesley Gu Y, Liu Y and Zhang Y. 2008. A selective KPCA algorithm based on high-order statistics for anomaly detection in hyperspectral imagery. IEEE Geoscience and Remote Sensing Letters, 5(1): 43—47 Guan L and Ward R K. 1992. Restoration of randomly blurred images via the maximum a posterior criterion. IEEE Transactions on Image Processing, 1: 252—262 Hardie R C, Tuinstra T R, Bognar J, Barnard K J and Armstrong E. 1997. High resolution image reconstruction from digital video with global and non-global scene motion. Proceedings of the IEEE International Conference on Image Processing. Santa Barbara, CA, USA: IEEE Hay G J, Blaschke T, Marceau D J and Bouchard A. 2003. A comparison of three image-object methods for the multiscale analysis of landscape structure. ISPRS Journal of Photogrammetry and Remote Sensing, 57: 327—345 “Geomatic”这个词是从哪里来的？大地测量学+地理信息=测绘学或者“GEO”-地球，“MA TICS”-数学或者“GEO”-地球科学，“MA TICS”–信息。有人说，测绘学对不同的人有不同的意义。测绘学的定义第一次作为一个学科出现在加拿大；在过去几年中，它已经被引入到全世界许多高等教育机构中，主要是通过重命名原先称为“大地测量学”或“测量”的学科，并加入了一些计算机科学和/或GIS 课程。现在这个术语包含了传统测量的定义以及持续增长的测量的重要性，这种重要性体现在新技术的发展和对各种空间关系类型信息的不断增长的需求，特别是在环境的测量和监测方面。越来越多的危险体现在地区的人口的膨胀，土地的升值，自然资源的减少，和受人类活动影响的土地、水和空气质量的持续压力。因此，测绘学包含从各种工程科学中的地球科学和计算机科学到空间规划，土地开发与环境科学。现在测绘学这个词已经被若干国际机构所接受，包括国际标准化组织（ISO），所以在这里我们对它进行介绍。 “测绘师”是传统上用于描述那些从事上述活动的人。更加明确的工作说明，例如土地测量师，工程测量师或海道测量师，常用于从业人员更清楚地描述和商业化他们的专业知识。（注：Registered Surveyor-注册测绘师） 测绘学这个术语是最近被创造出来的，用来表达这些相关活动的真实的集体的和科学的性质，并且具有很大的灵活性，以允许这些领域的未来技术发展的纳入。对这个术语的采用，同样允许了该行业从产业到学校一系列的商业化。其结果是，其课程和传统的土地测量师的授予称号在许多世界一流大学已变为“测绘学学位”。但这并不意味着长期以来“测绘师”这个名称的终止，而且这些毕业生仍将作为土地测量师或摄影测量师等合适的名称来发挥他们的专长。在过去十年中，在使用软硬件解决从测量到处理地理空间数据方面出现了戏剧性的发展和增长。这已经产生了并将继续产生新的应用领域，并为适当的合格毕业生提供了相关的工作机会。因此，“测绘师”的角色已经超出了传统的业务领域，如上文所述，进入了一个充满机遇的新领域。此外，在数据采集和处理技术方面的最新进展，已经模糊了实践和活动之间以前被视为相关但不同的领域之间的边界。这种发展预计将为经过了基础广泛的教育和培训具有很高的学术标准的毕业生继续创造新的职业道路。为了使毕业生充分利用这些发展，教育和培训方面重大变革是必要的。学术和专业机构也做出了回应，其中一部分就是采用测绘学作为一个学科和作为一个授予称号。一个反映了当前思想和预计变化的测绘学的工作定义，是：地理相关信息（空间数据）的获取，存储，处理，管理，分析和显示的科学和技术。这种广义的定义，既适用于科学也适用于技术，集成了以下更具体的学科和技术，包括测量与制图、大地测量、卫星定位、摄影测量、遥感、地理信息系统 （GIS）、土地管理、计算机系统、可视化和计算机绘图。一些诸如“测绘学”“地理信息工程，，”和“地理信息”等定义现在普遍应用于涉及地理信息的有关活动。这些定义首先被用来代表地理信息收集，管理和应用的一般方法。与土地测量、摄影测量、遥感和制图学一样，地理信息系统是测绘学的一个重要组成部分。数据采集技术包括野外实地测量，全球定位系统（GPS），卫星定位，和来源于航空摄影和卫星影像的遥感图像。它还包括从旧地图扫描和从有关机构进行的数据库数据采集。工程设计，数字摄影测量，图像分析，关系数据库管理，地理信息系统（GIS）中数据的管理和加工都是通过计算机程序进行的。数据绘图（描述，表达）是通过使用绘图和其他示范的计算机程序；这种表达显示在电脑屏幕（可以进行交互式编辑）和通过数字绘图设备输出到纸上。一旦地理实体的位置和属性已被数字化并存储在计算机的内存中，它们即可以被各种各样的用户使用。通过使用现代信息技术（IT），测绘学汇集了以下学科的专业人员：测量，绘图，遥感，土地登记，土木和海洋工程，林业，农业，规划和开发，地质，地理科学，基础设施管理，导航，环境和自然资源的监测，与计算机科学。在加拿大地理信息研究所在其季刊 国家自然科学基金资助项目, Supported by the National Natural Science Foundation of China, 国家“九五”攻关项目, Supported by the National Key Technologies Research and Development Program of China during the 9th Five-Year Plan Period , 中国科学院“九五”重大项目, Supported by the Major Programs of the Chinese Academy of Sciences during the 9th Five-Year Plan Period , 国家高技术研究发展计划资助项目（863计划）, Supported by the National High Technology Research and Development Program of China (863 Program), 中国科学院重点资助项目, Supported by the Key Programs of the Chinese Academy of Sciences, “九五”国家医学科技攻关基金资助项目, Supported by the National Medical Science and Technique Foundation during the 9th Five-Year Plan Period, 江苏省科委应用基础基金资助项目, Supported by the Applied Basic Research Programs of Science and Technology Commission Foundation of Jiangsu Province, 国家教育部博士点基金资助项目, Supported by the Ph. D.Programs Foundation of Ministry of Education of China, 中国科学院上海分院择优资助项目, upported by the Advanced Programs of Shanghai Branch, the Chinese Academy of Sciences, 国家重点基础研究发展计划（973计划), Supported by the Major State Basic Research Development Program of China (973 Program), 国家杰出青年科学基金, Supported by National Science Fund for Distinguished Young Scholars , 海外香港青年学者合作研究基金, Supported by Abroad Joint Research Fund for Young Scholars of Hong Kong , 面向对象的遥感影像信息提取 摘要：随着遥感技术的不断发展，遥感影像的分辨率不断的提高，如何对遥 感影像中的地物信息进行高效、快速的提取，是当前研究的热点问题。面向对象 的方法先对影像进行多尺度分割得到同质区域对象，充分利用遥感影像中丰富的 光谱、形状、纹理等特征对分割后的对象进行分类。面向对象的遥感信息提取的 方法克服了传统的基于像元的分类方法只依靠光谱信息的缺点，更高效的获取地 物信息，得到更高精度的分类结果。 关键词：多尺度分割、分类、遥感影像、面向对象 Abstract：With the continuous development of remote sensing technology, the resolution of remote sensing image is constantly improving. How to efficiently and quickly extract the ground object information in remote sensing image is a hot issue in current research. The object oriented method firstly segmented the image to obtain the homogeneous region object, and made full use of the rich spectral, shape, texture and other features of remote sensing image to classify the segmented object. The object-oriented remote sensing information extraction method overcomes the shortcoming of the traditional classification method based on pixel which only relies on spectral information, and obtains the ground object information more efficiently and gets the classification result with higher precision. Key word：Multi-scale segmentation、classification、remote sensing image、object oriented. 附件1：外文资料翻译译文 大容量存储器 由于计算机主存储器的易失性和容量的限制, 大多数的计算机都有附加的称为大容量存储系统的存储设备, 包括有磁盘、CD 和磁带。相对于主存储器，大的容量储存系统的优点是易失性小，容量大，低成本, 并且在许多情况下, 为了归档的需要可以把储存介质从计算机上移开。 术语联机和脱机通常分别用于描述连接于和没有连接于计算机的设备。联机意味着，设备或信息已经与计算机连接，计算机不需要人的干预，脱机意味着设备或信息与机器相连前需要人的干预，或许需要将这个设备接通电源，或许包含有该信息的介质需要插到某机械装置里。 大量储存器系统的主要缺点是他们典型地需要机械的运动因此需要较多的时间，因为主存储器的所有工作都由电子器件实现。 1. 磁盘 今天，我们使用得最多的一种大量存储器是磁盘，在那里有薄的可以旋转的盘片，盘片上有磁介质以储存数据。盘片的上面和（或）下面安装有读/写磁头，当盘片旋转时，每个磁头都遍历一圈，它被叫作磁道，围绕着磁盘的上下两个表面。通过重新定位的读/写磁头，不同的同心圆磁道可以被访问。通常，一个磁盘存储系统由若干个安装在同一根轴上的盘片组成，盘片之间有足够的距离，使得磁头可以在盘片之间滑动。在一个磁盘中，所有的磁头是一起移动的。因此，当磁头移动到新的位置时，新的一组磁道可以存取了。每一组磁道称为一个柱面。 因为一个磁道能包含的信息可能比我们一次操作所需要得多，所以每个磁道划分成若干个弧区，称为扇区，记录在每个扇区上的信息是连续的二进制位串。传统的磁盘上每个磁道分为同样数目的扇区，而每个扇区也包含同样数目的二进制位。（所以，盘片中心的储存的二进制位的密度要比靠近盘片边缘的大）。 因此，一个磁盘存储器系统有许多个别的磁区, 每个扇区都可以作为独立的二进制位串存取，盘片表面上的磁道数目和每个磁道上的扇区数目对于不同的磁盘系统可能都不相同。磁区大小一般是不超过几个KB; 512 个字节或1024 个字节。 数字信号处理 一、导论 数字信号处理（DSP）是由一系列的数字或符号来表示这些信号的处理的过程的。数字信号处理与模拟信号处理属于信号处理领域。DSP包括子域的音频和语音信号处理，雷达和声纳信号处理，传感器阵列处理，谱估计，统计信号处理，数字图像处理，通信信号处理，生物医学信号处理，地震数据处理等。 由于DSP的目标通常是对连续的真实世界的模拟信号进行测量或滤波，第一步通常是通过使用一个模拟到数字的转换器将信号从模拟信号转化到数字信号。通常，所需的输出信号却是一个模拟输出信号，因此这就需要一个数字到模拟的转换器。即使这个过程比模拟处理更复杂的和而且具有离散值，由于数字信号处理的错误检测和校正不易受噪声影响，它的稳定性使得它优于许多模拟信号处理的应用（虽然不是全部）。 DSP算法一直是运行在标准的计算机，被称为数字信号处理器（DSP）的专用处理器或在专用硬件如特殊应用集成电路（ASIC）。目前有用于数字信号处理的附加技术包括更强大的通用微处理器，现场可编程门阵列（FPGA），数字信号控制器（大多为工业应用，如电机控制）和流处理器和其他相关技术。 在数字信号处理过程中，工程师通常研究数字信号的以下领域：时间域（一维信号），空间域（多维信号），频率域，域和小波域的自相关。他们选择在哪个领域过程中的一个信号，做一个明智的猜测（或通过尝试不同的可能性）作为该域的最佳代表的信号的本质特征。从测量装置对样品序列产生一个时间或空间域表示，而离散傅立叶变换产生的频谱的频率域信息。自相关的定义是互相关的信号本身在不同时间间隔的时间或空间的相关情况。 二、信号采样 随着计算机的应用越来越多地使用，数字信号处理的需要也增加了。为了在计算机上使用一个模拟信号的计算机，它上面必须使用模拟到数字的转换器（ADC）使其数字化。采样通常分两阶段进行，离散化和量化。在离散化阶段，信号的空间被划分成等价类和量化是通过一组有限的具有代表性的信号值来代替信号近似值。 奈奎斯特-香农采样定理指出，如果样本的取样频率大于两倍的信号的最高频率，一个信号可以准确地重建它的样本。在实践中，采样频率往往大大超过所需的带宽的两倍。 数字模拟转换器（DAC）用于将数字信号转化到模拟信号。数字计算机的使用是数字控制系统中的一个关键因素。 三、时间域和空间域 在时间或空间域中最常见的处理方法是对输入信号进行一种称为滤波的操作。滤波通常包括对一些周边样本的输入或输出信号电流采样进行一些改造。现在有各种不同的方法来表征的滤波器，例如： 一个线性滤波器的输入样本的线性变换；其他的过滤器都是“非线性”。线性滤波器满足叠加条件，即如果一个输入不同的信号的加权线性组合，输出的是一个同样加权线性组合所对应的输出信号。 遥感影像图像处理技术的新进展 一、引言 遥感影像技术是指通过卫星、飞机或者其他平台获取地面图像 数据，对地表物体进行观测和测量分析。近年来，随着人造卫星、遥感传感器和计算机技术的不断发展，遥感影像图像处理技术也 在不断更新和发展。本文将重点介绍遥感影像图像处理技术的新 进展，包括数据预处理、分类识别、目标检测和影像融合等方面 的发展及应用。 二、遥感数据预处理 遥感数据预处理是遥感影像处理中非常重要的一步。遥感数据 由于存在数据丢失、噪声干扰和大范围的地表遮盖等问题，因此 需要进行数据预处理，以提高遥感图像数据的质量和精度。新的 遥感数据预处理方法主要包括以下几个方面。 1.基于深度学习的遥感数据预处理方法 基于深度学习的遥感数据预处理方法是一种新型的数据处理方法，它从图像中提取具有丰富质量信息的特征，进而对遥感数据 进行处理。该方法利用卷积神经网络（CNN）对遥感图像数据进 行特征学习，通过反向传播的方式对特征进行优化。比如使用 CNN技术可以克服遥感图像中的云、雾、烟、雨等干扰，保证遥 感数据的质量。 2.小波变换的遥感数据去噪方法 小波变换是一种非常常用的数学变换方法，可以将时域或空域数据变换到频域中，以达到去噪和降噪的目的。小波变换在遥感影像处理中经常用于降低图像的噪声干扰，提高图像的质量和精度。 三、遥感数据分类与识别 遥感数据分类与识别技术是指根据遥感影像的特征和属性，将其分类到不同的物体、地面覆盖、土地类型或植被类型等类别中去。新的遥感数据分类和识别技术主要包括以下几个方面。 1.基于深度学习的遥感影像分类方法 深度学习在遥感影像分类中的应用越来越广泛。基于深度学习的方法可以快速对遥感影像的不同区域进行分类，并且可以快速提取影像中的特征。此外，基于深度学习的方法也能够有效克服地形、植被遮盖、云雾干扰等影响遥感影像分类的干扰因素。 2.基于集成学习的遥感影像分类方法 集成学习是一种将多个基分类器组合成一个高性能分类器的技术。在遥感影像分类中，集成学习同样需要结合多个不同的分类器以减小分类器的误差率和增强分类器的性能。 四、目标检测 Acknowlegements（项目资助英文翻译） 1.国家高技术研究发展计划资助项目（863计划）（No. ）This work was supported by a grant from the National High Technology Research and Development Program of China (863 Program) （No. ） 2.国家自然科学基金资助项目（No. ）General Program(面上项目), Key Program(重点项目), Major Program（重大项目）This work was supported by a grant from the National Natural Science Foundation of China （No. ） 3.国家“九五”攻关项目(No. ) This work was supported by a grant from the National Key Technologies R & D Program of China during the 9th Five-Year Plan Period （No. ） 4.中国科学院“九五”重大项目(No. ) This work was supported by a grant from the Major Programs of the Chinese Academy of Sciences during the 9th Five-Year Plan Period （No. ） 5.中国科学院重点资助项目(No. ) This work was supported by a grant from the Key Programs of the Chinese Academy of Sciences (No. ) 6.“九五”国家医学科技攻关基金资助项目(No. ) This work was supported by a grant from the National Medical Science and Technique Foundation during the 9th Five-Year Plan Period （No. ） 7.江苏省科委应用基础基金资助项目 (No. ) This work was supported by a grant from the Applied Basic Research Programs of Science and Technology Commission Foundation of Jiangsu Province (No. ) 8.国家教育部博士点基金资助项目(No. ) This work was supported by a grant from the Ph.D. Programs Foundation of Ministry of Education of China (No. ) 虚拟现实技术的发展过程及研究现状虚拟现实技术是近年来发展最快的技术之一，它与多媒体技术、网络技术并称为三大前景最好的计算机技术。与其他高新技术一样，客观需求是虚拟现实技术发展的动力。近年来，在仿真建模、计算机设计、可视化计算、遥控机器人等领域，提出了一个共同的需求，即建立一个比现有计算机系统更为直观的输入输出系统，成为能与各种船感器相联、更为友好的人机界面、人能沉浸其中、超越其上、进出自如、交互作用的多维化信息环境。VR技术是人工智能、计算机图形学、人机接口技术、多媒体技术、网络技术、并行计算技术等多种技术的集成。它是一种有效的模拟人在自然环境中视听、动等行为的高级人机交互技术。 虚拟现实(Virtual Reality )：是一种最有效的模拟人在自然环境中视、听、动等行为的高级人机交互技术，是综合计算机图形技术、多媒体技术、并行实时计算技术、人工智能、仿真技术等多种学科而发展起来的20世纪90年代计算机领域的最新技术。VR以模拟方式为使用者创造一个实时反映实体对象变化与相互作用的三维图像世界，在视、听、触、嗅等感知行为的逼真体验中，使参与者可直接探索虚拟对象在所处环境中的作用和变化；仿佛置身于虚拟的现实世界中，产生沉浸感(immersive)、想象(imaginative和实现交互性interactive) 。 VR技术的每一步都是围绕这三个特征而前进的。这三个特征为沉浸特征、交互特征和构想特征。这三个重要特征用以区别相邻近的技术，如多媒体技术、计算机可视化技术沉浸特征，即在VR提供的虚拟世界中，使用户能感觉到是真实的进入了一个客观世界；交互特征，要求用户能用人类熟悉的方式对虚拟环境中的实体进行观察和操纵；构想特征：即“从定性和定量综合集成环境中得到感性和理性的认识：从而化概念和萌发新意”。 西北大学1999年GIS专业考研试题 一、名词解释（共16分） 1、地理信息 2、拓朴结构 3、空间数据编码 4、数字地形模型（DTM） 二、问答题（8个小题中任选7个，每小题均为10分，共计70分） 1、在栅格数据结构中的点、线、面状几何图形是如何表示的？ 2、地理信息系统的数据模型包括哪些互相联系的方面？试举例说明。 3、什么是四*树（或四元树）编码？它有哪些主要的优缺点？ 4、限制矢量数据结构表示身体图形精度的重要客观因素有哪些方面？ 5、在GIS应用系统中，数字模型起着什么作用？都有些什么特点？ 6、简述地理信息系统和遥感能够结合起来相辅相成的原因。 7、建立一个地理信息系统之初的可行性研究主要应包括哪些工作？ 8、什么是GIS数据库？与一般数据库相比较，它有哪些特点？ 三、计算（14分） 完成矢量数据到栅格数据的转换。已知转换图件的区域范围是Xmin=36589.41m, ymin=31324.51m;Xmax=40426.54m,ymax=31324.51m.全图网格矩阵总行数 I=400，总列数J=700，试求某点状要素P（37631.08，30319.81）所在网格的行位置i和列位置j. 西北大学2001年GIS专业考研试题 一、名词解释（共30分） 1、投影转换 2、空间数据拓朴关系 3、元数据 4、空间数据内差 5、TIN 6、ComGIS 7、缓冲区分析 8、NSDI 9、DEM分辨率 10、数字地球 二、问答题（70分） 1、试述空间数据库的概念、组织方式及特点。（15分） 2、属性数据编码的原则、内容与方法是什么？（15分） 3、说明GIS中多层面信息叠置分析的基本方法及地学意义。（20分） 信号处理中英文对照外文翻译文献（文档含英文原文和中文翻译） 译文： 一小波研究的意义与背景 在实际应用中，针对不同性质的信号和干扰，寻找最佳的处理方法降低噪声，一直是信号处理领域广泛讨论的重要问题。目前有很多方法可用于信号降噪，如中值滤波，低通滤波，傅立叶变换等，但它们都滤掉了信号细节中的有用部分。传统的信号去噪方法以信号的平稳性为前提，仅从时域或频域分别给出统计平均结果。根据有效信号的时域或频域特性去除噪声，而不能同时兼顾信号在时域和频域的局部和全貌。更多的实践证明，经典的方法基于傅里叶变换的滤波，并不能对非平稳信号进行有效的分析 和处理，去噪效果已不能很好地满足工程应用发展的要求。常用的硬阈值法则和软阈值法则采用设置高频小波系数为零的方法从信号中滤除噪声。实践证明，这些小波阈值去噪方法具有近似优化特性，在非平稳信号领域中具有良好表现。 小波理论是在傅立叶变换和短时傅立叶变换的基础上发展起来的，它具有多分辨分析的特点，在时域和频域上都具有表征信号局部特征的能力，是信号时频分析的优良工具。小波变换具有多分辨性、时频局部化特性及计算的快速性等属性，这使得小波变换在地球物理领域有着广泛的应用。随着技术的发展，小波包分析 (Wavelet Packet Analysis) 方法产生并发展起来，小波包分析是小波分析的拓展，具有十分广泛的应用价值。它能够为信号提供一种更加精细的分析方法，它将频带进行多层次划分，对离散小波变换没有细分的高频部分进一步分析，并能够根据被分析信号的特征，自适应选择相应的频带，使之与信号匹配，从而提高了时频分辨率。小波包分析 (wavelet packet analysis) 能够为信号提供一种更加精细的分析方法，它将频带进行多层次划分，对小波分析没有细分的高频部分进一步分解，并能够根据被分析信号的特征，自适应地选择相应频带 , 使之与信号频谱相匹配，因而小波包具有更广泛的应用价值。利用小波包分析进行信号降噪，一种直观而有效的小波包去噪方法就是直接对小波包分解系数取阈值，选择相关的滤波因子，利用保留下来的系数进行信号的重构，最终达到降噪的目的。运用小波包分析进行信号消噪、特征提取和识别是小波包分析在数字信号处理中的重要应用。 二小波分析的发展与应用 小波包分析的应用是与小波包分析的理论研究紧密地结合在一起的。近年来，小波包的应用范围也是越来远广。小波包分析能够把任何信号映射到一个由基本小波伸缩、平移而成的一组小波函数上去。实现信号在不同时刻、不同频带的合理分离而不丢失任何原始信息。这些功能为动态信号的非平稳描述、机械零件故障特征频率的分析、微弱信号的提取以实现早期故障诊断提供了高效、有力的工具。 (1)小波包分析在图像处理中的应用 在图像处理中，小波包分析的应用是很成功的，而这一方面的著作和学术论文也特别多。二进小波变换用于图像拼接和镶嵌中，可以消除拼接缝。利用正交变换和小波包进行图像数据压缩。可望克服由于数据压缩而产生的方块效应，获得较好的压缩效果。利用小波包变换方法可进行边缘检测、图像匹配、图像目标识别及图像细化等。 （2）小波包分析在故障诊断中的应用小波包分析在故障诊断中的应用已取得了极大的成功。小波包 传感器技术论文中英文对照资料外文翻译文献中英文对照资料外文翻译文献 附件1:外文资料翻译译文 传感器新技术的发展 传感器是一种能将物理量、化学量、生物量等转换成电信号的器件。输出信号有不同形式，如电压、电流、频率、脉冲等，能满足信息传输、处理、记录、显示、控制要求，是自动检测系统和自动控制系统中不可缺少的元件。如果把计算机比作大脑，那么传感器则相当于五官，传感器能正确感受被测量并转换成相应输出量，对系统的质量起决定性作用。自动化程度越高，系统对传感器要求越高。在今天的信息时代里，信息产业包括信息采集、传输、处理三部分，即传感技术、通信技术、计算机技术。现代的计算机技术和通信技术由于超大规模集成电路的飞速发展，而已经充分发达后，不仅对传感器的精度、可靠性、响应速度、获取的信息量要求越来越高，还要求其成本低廉且使用方便。显然传统传感器因功能、特性、体积、成本等已难以满足而逐渐被淘汰。世界许多发达国家都在加快对传感器新技术的研究与开发，并且都已取得极大的突破。如今传感器新技术的发展，主要有以下几个方面: 利用物理现象、化学反应、生物效应作为传感器原理，所以研究发现新现象与新效应是传感器技术发展的重要工作，是研究开发新型传感器的基础。日本夏普公司利用超导技术研制成功高温超导磁性传感器，是传感器技术的重大突破，其灵敏度高，仅次于超导量子干涉器件。它的制造工艺远比超导量子干涉器件简单。可用于磁成像技术，有广泛推广价值。 利用抗体和抗原在电极表面上相遇复合时，会引起电极电位的变化，利用这一现象可制出免疫传感器。用这种抗体制成的免疫传感器可对某生物体内是否有这种 抗原作检查。如用肝炎病毒抗体可检查某人是否患有肝炎，起到快速、准确作用。美国加州大学巳研制出这类传感器。 传感器材料是传感器技术的重要基础，由于材料科学进步，人们可制造出各种新型传感器。例如用高分子聚合物薄膜制成温度传感器;光导纤维能制成压力、流量、温度、位移等多种传感器;用陶瓷制成压力传感器。 高分子聚合物能随周围环境的相对湿度大小成比例地吸附和释放水分子。高分子电介常数小，水分子能提高聚合物的介电常数。将高分子电介质做成电容器，测定电容容量的变化，即可得出相对湿度。利用这个原理制成等离子聚合法聚苯乙烯薄膜温度传感器，其有以下特点:测湿范围宽;温度范围宽，可达-400?,+1500?;响应速度快，小于1S;尺寸小，可用于小空间测湿;温度系数小。 陶瓷电容式压力传感器是一种无中介液的干式压力传感器。采用先进的陶瓷技术和厚膜电子技术，其技术性能稳定，年漂移量小于0.1%F.S,温漂小 于?0.15%/10K,抗过载强,可达量程的数百倍。测量范围可从0到60mpa。德国E+H 公司和美国Kahlo公司产品处于领先地位。 光导纤维的应用是传感材料的重大突破，其最早用于光通信技术。在光通信利用中发现当温度、压力、电场、磁场等环境条件变化时，引起光纤传输的光波强度、相位、频率、偏振态等变化，测量光波量的变化，就可知道导致这些光波量变化的温度、压力、电场、磁场等物理量的大小，利用这些原理可研制出光导纤维传感器。光纤传感器与传统传感器相比有许多特点:灵敏度高，结构简单、体积小、耐腐蚀、电绝缘性好、光路可弯曲、便于实现遥测等。光纤传感器日本处于先进水平。如Idec Izumi公司和Suns公司。光纤传感受器与集成光路技术相结合，加速光纤传感器技术的发展。将集成光路器件代替原有光学元件和无源光器件，使光纤传感器有高的带宽、低的信号处理电压，可靠性高，成本低。 Sensing Human Activity:GPS Tracking 感应人类活动:GPS跟踪 Stefan van der Spek1,*,Jeroen van Schaick1,Peter de Bois1,2and Remco de Haan1 Abstract:The enhancement of GPS technology enables the use of GPS devices not only as navigation and orientation tools,but also as instruments used to capture travelled routes:as sensors that measure activity on a city scale or the regional scale.TU Delft developed a process and database architecture for collecting data on pedestrian movement in three European city centres,Norwich,Rouen and Koblenz,and in another experiment for collecting activity data of13families in Almere(The Netherlands)for one week.The question posed in this paper is:what is the value of GPS as‘sensor technology’measuring activities of people?The conclusion is that GPS offers a widely useable instrument to collect invaluable spatial-temporal data on different scales and in different settings adding new layers of knowledge to urban studies,but the use of GPS-technology and deployment of GPS-devices still offers significant challenges for future research. 摘要：增强GPS技术支持使用GPS设备不仅作为导航和定位工具,但也为仪器用来捕捉旅行路线:作为传感器,测量活动在一个城市或区域范围内规模。代尔夫特开发过程和涂数据库架构对行人运动收集数据在三个欧洲城市中心、诺维奇、鲁昂、科布伦茨,和在另一个实验中收集活动数据的13个家庭在Almere(荷兰)一个星期。本文提出的问题是:什么是GPS的价值是“传感器技术的测量活动的人吗?结论是,GPS提供了一个广泛的可用的工具来收集宝贵的时空数据在不同尺度和不同的设置添加新层的知识城市研究,但使用GPS技术和部署的GPS设备仍为未来的研究提供了重要的挑战。 Keywords:GPS;Tracking;People;Behaviour;Mapping;Movement. 关键字：GPS；跟踪；人群：行为；制图；运动 无人机遥感影像处理技术的最新进展 无人机遥感影像处理技术是近年来迅速发展的技术领域，通过 无人机携带的高分辨率传感器，可以获取大量的遥感影像数据。 这些数据为地理信息系统、农业、环境监测等领域提供了丰富的 信息，同时也给数据处理带来了挑战。本文将探讨无人机遥感影 像处理技术的最新进展，包括图像预处理、特征提取、目标检测 以及高级处理算法等方面。 首先，图像预处理是无人机遥感影像处理的基础工作。由于无 人机飞行过程中的摄影条件的多样性，图像中常常存在噪声、非 均匀光照等问题。因此，图像预处理的目标是去除这些干扰因素，提高图像质量。最新的研究表明，传统的图像去噪算法已经不再 适用于无人机遥感影像处理。一些基于深度学习的方法能够更好 地处理图像中的噪声、光照不均等问题，提高图像的质量。 其次，特征提取是无人机遥感影像处理中的重要任务。特征提 取的目标是从大量的图像数据中提取出具有代表性的特征，以便 后续的分析和应用。在遥感影像处理中，可以通过传统的特征提 取方法，如纹理特征、色彩特征等来提取图像中的信息。最新的 研究表明，基于深度学习的特征提取方法能够更好地捕捉图像中 的语义信息，提高特征提取的准确性。例如，使用卷积神经网络 进行特征提取，可以在无人机遥感影像中准确提取出各类目标的 特征。 然后，目标检测是无人机遥感影像处理中的关键任务之一。目 标检测的目标是在图像中准确地检测出感兴趣的目标物体。传统 的目标检测方法主要基于手工设计的特征和分类器。然而，由于 无人机遥感影像中目标的复杂性和多样性，传统方法容易受到光照、尺度、角度等因素的干扰，限制了检测的准确性和鲁棒性。 最新的研究表明，基于深度学习的目标检测方法能够更有效地解 决这些问题，通过深度卷积神经网络实现目标检测，并且在无人 机遥感影像中取得了很好的效果。 最后，高级处理算法是无人机遥感影像处理中的发展方向之一。随着无人机遥感技术的发展，获取到的遥感影像数据量越来越大、维度越来越高。传统的处理算法在处理大规模遥感影像时面临着 时间和空间上的限制。最新的研究表明，基于并行计算和分布式 存储的高级处理算法能够有效提高遥感影像处理的速度和效率。 例如，使用图像分割算法将大规模遥感影像划分为多个小块进行 处理，同时利用分布式计算资源实现并行计算，从而提高处理效率。 综上所述，无人机遥感影像处理技术的最新进展包括图像预处理、特征提取、目标检测以及高级处理算法等方面。最新的研究 表明，基于深度学习的方法能够更好地处理图像中的噪声、光照 专业术语英译汉 affine 仿射 band 波段 cartography 制图学 clip 剪切 digitizer 数字化仪 DLG 数字线划图 dpi 每英寸点数edgematching 边缘匹配 equator 赤道 equiarea 等积 geoid 大地水准面geospatial 地理空间 GPS 全球定位系统Habitat 栖息地 Interface 接口 Item 项目 Latitude 纬度 legend 图例 longitude 经度 median 中值 meridian 子午线 metadata 元数据 neatline 图廓线 Object-Based 基于对象的parcel 宗地photogrammetry 摄影测量precipitation 降水量 range 范围 raster 栅格 resample 重采样 resolution 分辨率 RMS 均方根 scanner 扫描仪 siting 选址 TIGER 拓扑统一地理编码topology 拓扑 tuple 数组 UTM 通用横轴墨卡托投影vector 矢量 专业术语汉译英 保护区protected area 比例尺Scale bar 标准差Standard deviation 标准图幅Standard picture frame 单精度Single precision 地理空间数据Geospatial data 点缓冲区Point buffer 动态分段Dynamic segmentation 度量标准Metrics 多项式变换Polynomial transformation 高程基准Elevation base 跟踪算法Tracking algorithm 规则格网Rules grid 过渡带Transition zone 基于位置服务Based on location service 畸形线Malformation line 几何变换Geometric transformation 检验图Inspection chart 解析几何Analytic geometry 空间要素Space element 平面坐标系统Planar coordinate system 曲流河Meandering river 人口普查地段Census Lot 上四分位数The upper quartile 矢量数据模型Vector data model 数据可视化data visualization 数据探查Data exploration 双精度Double precision 水文要素Hydrological elements 泰森多边型Tyson Polygons 统一建模语言Unified Modeling Language 投影坐标系统Projection coordinate system 线缓冲区Line buffer 遥感数据Remote sensing data 用材林Timber forest 晕渲法Halo rendering method 指北针Compass 属性表Property sheet 最短路径分析Shortest path analysis 最小二乘法Least squares method 遥感图像几何校正文献翻译 浅析遥感图像的几何校正原理及方法 摘要:几何校正，就是清除遥感图像中的几何变形，是遥感影像应用的一项重要的前期处理工作。本文简单分析了几何校正的原理和基本方法，并以ERDAS软件为例，对青海海东地区遥感影像进行了几何校正，从而直观地表述了遥感图像几何校正的完整过程。结果表明，几何校正的精度受多方面因素影响，最主要的是控制点GCP的选取数量和选取位置。本次校正精度小于0. 5个像元,符合要求。 关键词:遥感、ERDAS、儿何校正、GCP 引言:遥感20世纪60年代发展起来的对地观测综合性技术。狭义遥感指从远距离、高空，以至外层空间的平台上，利用可见光、红外、微波等遥感器，通过摄影、扫描等各种方式，接收来自地球表层各类地物的电磁波信息，并对这些信息进行加工处理，从而识别地面物质的性质和运动状态的综合技术。遥感已然成为地理数据获取的重要工具。但是遥感技术的成图规律决定了遥感图像不能直接被应用，因为遥感图像在成像时，由于成像投影方式、传感器外方位元素变化、传感介质的不均匀、地球曲率、地形起伏、地球旋转等因素的影响，使得遥感图像存在一定的几何变形[2],即图像上的像元在图像坐标系中的坐标与其在地图坐标系等参考坐标系统中的坐标之间存在差异，其主要表现为位移、旋转、缩放、仿射、弯曲和更高阶的歪曲[3] o而且随着当今遥感技术的飞速发展，人们对遥感数据的需求也多源化，它们可以是来自不同的波段，不同的传感器，不同的时间。这些多源数据在使用时.，必须具有较高的空间配准精度。这就需要对原始影像进行高精度的几何校正。因此，儿何校正是遥感影像应用的一项重要的前期处理工作。 多源卫星遥感影像时空融合研究的现状及展望 黄波;赵涌泉 【摘要】High spatial resolution monitoring of land surface and atmospheric environment dynamics requires high spatiotemporal resolution satellite remote sensing imagery as data support.However,the efficient,low-cost,and feasible solution is to blend the multi-source images with high-spatial and high-temporal resolution respectively to produce the desired high spatiotemporal resolution imagery required by different research or applications,which is subject to the limitations of satellite sensor’ hardware technology and the budget constraints of launching more satellites.Although plenty of spatiotemporal image fusion research has been conducted,they are limited to specific data types,algorithm principles,application purposes,etc.Furthermore,the development of spatiotemporal image fusion algorithm presents a phenomenon of disorder.This study summarizes and generalizes the existing mainstream spatiotemporal fusion methods and classified them into four categories:① spatiotemporal fusion based on land components;②spatiotemporal fusion based on spatial information;③spatiotemporal fusion based on temporal changes;④combined spatiotemporal fusion.Meanwhile,the study analyzes the problems and challenges faced by spatiotemporal fusion;and informs the prospects of the future development of spatiotemporal fusion method.%高空间分辨率的地袁或者大气环境动态监测需要高时间-空间分辨率的卫星遥感影像作为数据支撑,但由于卫星传感器硬件技术及卫星发射成本等客观因素的限制,使测绘工程专业英语翻译
百度文库-发表论文时国内项目名称的英文翻译-仅供参考
面向对象的遥感影像信息提取
计算机科学与技术 外文翻译 英文文献 中英对照
(完整版)数字信号处理英文文献及翻译
遥感影像图像处理技术的新进展
各类科研项目英文翻译名称
毕业论文外文翻译--虚拟现实技术的发展过程及研究现状（适用于毕业论文外文翻译+中英文对照）
西北大学考研地理历年真题
信号处理中英文对照外文翻译文献
传感器技术论文中英文对照资料外文翻译文献
科技文献中英文对照翻译
无人机遥感影像处理技术的最新进展
地理信息科学专业英语
遥感图像几何校正文献翻译
多源卫星遥感影像时空融合研究的现状及展望
相关主题
文本预览