劉春玲 鄒 鵬

(1.黑龍江信息技術(shù)職業(yè)學(xué)院，哈爾濱 150086；2.黑龍江第二測繪工程院，哈爾濱 150080)

1 引言

現(xiàn)階段我國的測繪技術(shù)已經(jīng)從傳統(tǒng)的人工測繪發(fā)展到數(shù)字化測繪,而且數(shù)字化測繪技術(shù)在不斷地發(fā)展。從傳統(tǒng)大地測量到衛(wèi)星導(dǎo)航定位、從光學(xué)航空攝影到數(shù)字航空航天遙感、從手工繪圖到計(jì)算機(jī)制圖、從紙質(zhì)地圖到數(shù)字地圖和地理信息系統(tǒng)……我國測繪科技已建立了以遙感、地理信息系統(tǒng)、全球定位系統(tǒng)、網(wǎng)絡(luò)通信等技術(shù)為核心的數(shù)字化測繪技術(shù)體系。隨著各類影像的產(chǎn)生，如何更充分地利用影像來獲取我們想要的信息便成了重要問題——影像的數(shù)字化處理。

2 測繪技術(shù)中的影像數(shù)字化處理

2.1 影像數(shù)字化處理

影像的數(shù)字化處理是將模擬的遙感影像經(jīng)采樣和灰度量化轉(zhuǎn)換成離散的數(shù)字化影像的過程。遙感影像一般有模擬影像和數(shù)字影像兩種產(chǎn)品形式。前者如常見的攝影像片；后者如陸地衛(wèi)星多波段掃描影像磁帶等。當(dāng)對(duì)模擬影像進(jìn)行數(shù)字圖像處理時(shí)，首先必須進(jìn)行影像的?！獢?shù)轉(zhuǎn)換，即影像的數(shù)字化，才能輸入計(jì)算機(jī)進(jìn)行各種處理[1]。

影像數(shù)字化處理的最終目的是進(jìn)行圖像解譯，即進(jìn)一步研究圖像中各目標(biāo)物的性質(zhì)、特征和它們之間的相互關(guān)系，并提出對(duì)圖像內(nèi)容的理解以及對(duì)原來地面客觀地物、場景的解譯，從而為生產(chǎn)、科研提供真實(shí)的、全面的客觀世界方面的信息。圖像解譯是借助知識(shí)、經(jīng)驗(yàn)進(jìn)行圖像解譯的過程[1]，因此，這一過程一般都得有測繪工作者的參與。

2.2 人工影像數(shù)字化采集存在的問題

在實(shí)際工作中，測繪工作者先是利用計(jì)算機(jī)軟件根據(jù)影像進(jìn)行數(shù)字化采集，然后拿著經(jīng)過預(yù)處理的影像進(jìn)行像片調(diào)繪。像片調(diào)繪是以像片判讀為基礎(chǔ)，把航攝像片上的影像所代表的地物識(shí)別和辨認(rèn)出來，并按照規(guī)定的圖示符號(hào)和主機(jī)方式表示在航測像片上。有了先進(jìn)的技術(shù)，測繪工作者的體力勞動(dòng)強(qiáng)度隨之降低了，取而代之的是大量繁瑣的計(jì)算機(jī)圖像分析、采集以及處理工作。長時(shí)間重復(fù)圖像的解譯工作會(huì)讓人身心疲憊。首先，長時(shí)間相同的姿勢容易導(dǎo)致各種職業(yè)病的產(chǎn)生；其次，眼睛是工作者最勞累的身體部位，太長時(shí)間以及強(qiáng)度過高的工作只會(huì)導(dǎo)致眼睛疲勞引起的病變；再次，長時(shí)間工作以后，人眼的分辨力不穩(wěn)定帶來的誤差加上鼠標(biāo)單擊產(chǎn)生的誤差也不容忽視。

人眼的分辨力是指人眼在一定距離上能區(qū)分開相鄰兩點(diǎn)的能力。人眼的分辨力和環(huán)境光照有關(guān)，當(dāng)光照太低時(shí)，只有桿狀細(xì)胞起作用，則分辨力下降；但光照度太高也無助于分辨力的提高，因?yàn)榭赡芤稹办拍俊爆F(xiàn)象。人眼的分辨力還和被觀察對(duì)象的相對(duì)對(duì)比度有關(guān)。當(dāng)相對(duì)對(duì)比度小時(shí)，對(duì)象和背景亮度很接近，從而導(dǎo)致分辨力下降[2]。

人眼的分辨力是具有不穩(wěn)定性的，將人工智能同影像的數(shù)字化處理進(jìn)行有機(jī)的結(jié)合，讓計(jì)算機(jī)代替人進(jìn)行大部分解譯工作，從而降低測繪工作者的工作強(qiáng)度。

3 人工智能

人工智能就是研究如何讓計(jì)算機(jī)做一些目前人類做得較好的事情。理想情況下，人工智能建立的標(biāo)準(zhǔn)是圖靈測試，即對(duì)一個(gè)人或一臺(tái)計(jì)算機(jī)提出問題。如果無法回答是人做出的，還是計(jì)算機(jī)做出的，就可以認(rèn)為這臺(tái)計(jì)算機(jī)具有智能了。由于大多數(shù)人工智能系統(tǒng)都很難通過圖靈測試，人工智能界一直對(duì)圖靈測試不怎么重視，而是繼續(xù)開發(fā)能進(jìn)行簡單工作的人工智能系統(tǒng)。

人工智能研究始于1955年，在以后很長一段時(shí)期內(nèi)，人工智能的作用被過分夸大，但又不能解決人類專家通常能解決的一些問題。于是科學(xué)家開始轉(zhuǎn)向用于“微觀世界”或應(yīng)用領(lǐng)域非常窄的人工智能應(yīng)用系統(tǒng)——專家系統(tǒng)。

3.1 專家系統(tǒng)

基于知識(shí)的專家系統(tǒng)可以定義為“能夠用于人類知識(shí)解決一些通常需要人類智慧才能解決的問題的系統(tǒng)”，它是“在一個(gè)較窄的問題領(lǐng)域內(nèi)成功高效地解決問題”并且“以專家的水平實(shí)施”的能力。專家系統(tǒng)主要由人類專家、用戶界面、知識(shí)庫、推理機(jī)、在線數(shù)據(jù)庫、用戶等幾個(gè)部分組成，可以根據(jù)工程師指定或機(jī)器學(xué)習(xí)到的知識(shí)庫中的規(guī)則、條件來建立遙感分類專家系統(tǒng)。與其他分類方法相比。專家系統(tǒng)決策樹分類器有如下優(yōu)點(diǎn)：①可以對(duì)專家系統(tǒng)的輸出進(jìn)行評(píng)估，還可以反過來研究是如何得到最終結(jié)論的；②專家系統(tǒng)決策樹分類器對(duì)輸入數(shù)據(jù)的分布沒有假設(shè)(不像最大似然法，要求數(shù)據(jù)是正態(tài)分布)；③決策樹可以揭示輸入變量間的非線性和層次關(guān)系，并預(yù)測類的隸屬度；④機(jī)器學(xué)習(xí)有能力高效地處理高維數(shù)據(jù)。

3.2 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)通過神經(jīng)元、拓?fù)浣Y(jié)構(gòu)和學(xué)習(xí)規(guī)則來定義，它通過調(diào)整網(wǎng)絡(luò)連接神經(jīng)元的權(quán)重，采用非算法、非結(jié)構(gòu)的形式來實(shí)現(xiàn)運(yùn)算和推理。人工神經(jīng)網(wǎng)絡(luò)在輸入層、隱含層、輸出層中都含有神經(jīng)元。目前，人工神經(jīng)網(wǎng)絡(luò)已經(jīng)用于遙感數(shù)據(jù)分類處理，而且很多研究實(shí)例表明，其分類結(jié)果優(yōu)于其他一些傳統(tǒng)的統(tǒng)計(jì)方法。

人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于：①單個(gè)神經(jīng)元模擬多元線性回歸模型的計(jì)算；②非參數(shù)化的工作方式，使其不需對(duì)數(shù)據(jù)做正態(tài)或線性分布的先驗(yàn)假設(shè)；③能夠從已有的實(shí)例中進(jìn)行適應(yīng)性學(xué)習(xí)，使分類更加客觀；④非線性模式是從經(jīng)驗(yàn)實(shí)例中“學(xué)習(xí)”得到的，而不是分析人員根據(jù)數(shù)據(jù)集中的先驗(yàn)知識(shí)“賦予”的；⑤具有較強(qiáng)的泛化能力，在處理未出現(xiàn)過的、不完整的和不精確的數(shù)據(jù)時(shí)仍具有穩(wěn)健的求解能力；⑥可以接受任何格式的數(shù)據(jù)；⑦對(duì)噪聲和數(shù)據(jù)缺失有一定的容錯(cuò)能力，并能尋找出輸入模式的最佳擬合；⑧可以連續(xù)學(xué)習(xí)。

當(dāng)然神經(jīng)網(wǎng)絡(luò)也不可避免地存在局限性，主要很難全面解釋神經(jīng)網(wǎng)絡(luò)做出決策或產(chǎn)生輸出的過程，因此常被稱為“黑箱模型”，在解決一些關(guān)鍵問題時(shí)，往往不被信賴[3]。

4 人工智能與影像數(shù)字化處理的結(jié)合

4.1 遙感影像

目前我們所采用的影像主要是遙感影像。凡是紀(jì)錄各種地物電磁波大小的膠片(或相片)，都稱為遙感影像，在遙感影像中主要是指航空像片和衛(wèi)星像片。它以縮小的影像真實(shí)再現(xiàn)地表的各地物特征,使人類超越了自身感官的限制,以不同的空間尺度、感知方式快速、及時(shí)地監(jiān)測地球環(huán)境的動(dòng)態(tài)變化,成為獲取地球資源與環(huán)境信息的重要手段。遙感影像直觀逼真，便于目視定性解譯，是最常用的遙感資料。

4.2 遙感數(shù)據(jù)中的信息提取

遙感作為一種數(shù)據(jù)源，已經(jīng)越來越多地用于提取局部區(qū)域以及全球尺度土地利用和地面覆蓋特征。運(yùn)用統(tǒng)計(jì)模式識(shí)別方法對(duì)多光譜遙感數(shù)據(jù)進(jìn)行土地利用/地面覆蓋分類，是最常用的一種信息提取方法。

從多光譜遙感數(shù)據(jù)中提取地面覆蓋信息的一般步驟為：①陳述地面覆蓋分類問題的性質(zhì)；②獲取合適的遙感數(shù)據(jù)及原始的地面參考數(shù)據(jù)；③處理遙感數(shù)據(jù)以提取專題信息；④精度評(píng)估；⑤若精度可以接受則發(fā)布成果。

常用的多光譜遙感分類方法有：①參數(shù)與非參數(shù)統(tǒng)計(jì)算法；②監(jiān)督分類或非監(jiān)督分類方法；③硬分類或模糊分類；④逐像素或面向?qū)ο蠓诸?；⑤混合方法。從本質(zhì)上講，沒有任何一種分類方法是優(yōu)于其他方法的，分類問題的特性、研究區(qū)域的生物物理特性、遙感數(shù)據(jù)的分布以及先驗(yàn)知識(shí)決定了哪種分類算法會(huì)得到有用的結(jié)果[4]。

現(xiàn)有的遙感圖像處理軟件有ERDAS IMAGINE、PCI等，都擁有一定的圖像處理功能，例如影像增強(qiáng)、圖像濾波、紋理分析及目標(biāo)檢測等。這些功能都是基于之前所提到的模式識(shí)別的，所以可以稱之為人工智能和影像數(shù)字化處理結(jié)合的產(chǎn)物[5]。

4.3 存在的問題

到目前為止，人工智能和影像數(shù)字化處理的結(jié)合，還只能相對(duì)地方便測繪工作者進(jìn)行圖像解譯工作，而并不能完全代替測繪工作者。主要原因如下：①計(jì)算機(jī)的識(shí)別目前只能按影像的紋理來識(shí)別。②遙感影像的光譜太復(fù)雜，分析太麻煩，目前編寫程序來讓計(jì)算機(jī)徹底地分辨不太現(xiàn)實(shí)。③光譜的特性復(fù)雜，導(dǎo)致同光譜異類地物、同類地物異光譜的出現(xiàn)。例如，同樣的影像可能分別為草地和樹林，不同的影像可能都為草地。④影像具有現(xiàn)勢性，例如，2010年春季的影像和同年秋季或夏季影像不會(huì)完全相同，因?yàn)榈匚锸且恢痹谧兓?。同理不同年份的影像也?huì)有相當(dāng)?shù)牟町?。⑤測繪工作者目前只能根據(jù)自己長期積累的知識(shí)和經(jīng)驗(yàn)對(duì)影像進(jìn)行解譯，而并不是根據(jù)一套完整的分類系統(tǒng)，具體是什么還必須在進(jìn)行實(shí)地調(diào)繪以后才能確認(rèn)，也就是說，目前人類自己識(shí)別影像的能力也是有限的。

綜上所述，要想把人工智能很好地應(yīng)用到影像數(shù)字化處理領(lǐng)域中，實(shí)現(xiàn)計(jì)算機(jī)代替人的大部分圖像解譯工作，還需要很長的一段時(shí)間。不過隨著科技的發(fā)展，這終將成為現(xiàn)實(shí)。

[1]湯國安，等.遙感數(shù)字圖像處理[M].北京：科學(xué)出版社，2004：4～9.

[2]賈永紅.數(shù)字圖像處理[M].武漢：武漢大學(xué)出版社，2003：11～12.

[3][美]詹森著，遙感數(shù)字影像處理導(dǎo)論(第三版)[M].北京：科學(xué)出版社，2007：337～430.

[4]舒寧，馬洪國，孫和利.模式識(shí)別的理論與方法[M].武漢：武漢大學(xué)出版社，2004：137.

[5]孫家抦.遙感原理與應(yīng)用[M].武漢：武漢大學(xué)出版社，2003：90～93.