原标题：高分辨率遥感影像信息提取技术发展趋势

与传统的主要依赖于波谱信息的处理与分析方法相比，高分辨率影像处理与分析问题具有其特殊性，必须更多地综合结构、形态、分布等空间特征信息，这就也是伴随图像理解和高效能计算技术发展而形成的新一代遥感影像计算技术。

“缀块－廊道－基底”与高分辨率遥感影像基元格局示意图

（明冬萍，2006）

根据高分辨率卫星遥感影像的特点，以及从国际高分辨率影像处理与分析的相关研究中可以看出，以下四方面是实现高分辨率影像计算研究必须突破的关键点，将成为今后主要发展趋势。

尺度的选择与转换是高分辨率影像处理与分析中的一个重要内容，其研究也一直是遥感影像处理过程中的焦点问题之一。在一幅影像的目标识别过程中，不同尺度的选择会导致最终的影像目标识别结果的不同，甚至大相径庭。因此，如何根据不同的影像、不同的识别目标及其他不同的条件选择合适的尺度进行影像基元（对象）的提取，然后在这些基元对象及其特征提取的基础上进行基元的分析与其所属地物的判定，直接关系着遥感影像目标识别的准确率。其中，如何建立针对影像的尺度转换模型，使得在影像分析与目标识别过程中，能够根据用户的需要对某一尺度下的基元进行合并与转换，从而开展尺度空间上的基元分析，以更好地完成不同类型的目标识别工作，是高分辨率遥感影像目标识别尺度选择与应用中的一个主要研究与应用趋势。

传统目标识别方法的任务主要集中在基于影像的处理、分析后对简单目标地物的识别，而基于这些简单目标识别后的目标分析工作则很少被应用。在简单目标地物的基础上，通过对已经识别出的目标地物的空间拓扑关系的构建，融合相应知识和模型，开展目标空间格局的判别分析，可实现对复杂目标组合识别和更广义的空间功能区的划分。通过分析这些对象所对应的GIS 矢量对象之间的空间拓扑关系和其他属性对象进行基于GIS 语义的遥感影像对象的空间分析，可以解决传统栅格影像空间分析能力不足的弱点，利于高层复杂目标判别的实现。因此，在遥感影像单一目标识别的基础上，采用GIS 空间分析方法开展复杂目标识别和功能格局判别分析是实现高级影像理解的重要思路，也是高分辨率遥感影像分析与目标识别的一个发展趋势。

通过复杂成像所获取的高分遥感数据呈现混杂、巨量、快速更新的大数据特性，大量遥感资源未能得到及时有效的利用，导致数据堆积与信息渴求的矛盾日益突出，对高效可信的遥感信息提取技术提出了巨大挑战。在目标识别过程中，一方面需要关注影像目标识别的准确率，另一方面还需要关注识别过程的效率问题。提高目标识别的效率除了可以从算法角度考虑外，还可以从计算角度进行实现，如采用多机影像并行计算的方式实现目标识别任务，是提高影像目标识别效率的一种有效手段。随着遥感大数据时代的到来，规范高分遥感信息提取流程，提高遥感认知的精细化、精准化、智能化，以及综合化程度成为首要任务。

近几年迅速发展的深度学习是对多层次认知的计算机模拟，是通过建立多层弹性的非线性映射（如神经网络）来模拟特征表达、逐层抽象目标特征并最终实现对大数据的有效挖掘；目前，深度学习算法在已在语音识别、自然语音处理、计算机视觉等领域开展了颇有成效的应用；一般具有低、中、高多层次的遥感特征，从底层的视觉特征到高层的语义表达之间往往存在鸿沟，而深度学习正是通过对低层特征的多层抽象获得中高层表达信息，在语义模型、深度学习等技术支持下运用空间分析进行自适应的知识逐步融入，开展微观环境中地物目标分布、组成结构及时空过程分析，实现对复杂态势和演化趋势的高层认识和预知，这正是高分辨率遥感信息计算的最终目标，是现阶段高分遥感认知走向实际应用所面临的重大挑战。 返回搜狐，查看更多