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)對模擬影像進(jìn)行數(shù)字圖像處理時，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，并提出對圖像內(nèi)容的理解以及對原來地面客觀地物、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、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別和辨認(rèn)出來，并按照規(guī)定的圖示符號和主機(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。長時間重復(fù)圖像的解譯工作會讓人身心疲憊。首先，長時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，太長時間以及強(qiáng)度過高的工作只會導(dǎo)致眼睛疲勞引起的病變；再次，長時間工作以后，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，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象的相對對比度有關(guān)。當(dāng)相對對比度小時，對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，即對一個人或一臺計(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)

基于知識的專家系統(tǒng)可以定義為“能夠用于人類知識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、知識庫、推理機(jī)、在線數(shù)據(jù)庫、用戶等幾個部分組成，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可以對專家系統(tǒng)的輸出進(jìn)行評估，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“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對噪聲和數(shù)據(jù)缺失有一定的容錯能力，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，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、及時地監(jiān)測地球環(huán)境的動態(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)模式識別方法對多光譜遙感數(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)知識決定了哪種分類算法會得到有用的結(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)的識別目前只能按影像的紋理來識別。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完全相同，因?yàn)榈匚锸且恢痹谧兓摹Ｍ聿煌攴莸挠跋褚矔邢喈?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和經(jīng)驗(yàn)對影像進(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.