摘要: 目视判读提取 早期从遥感影像中提取信息的主要方法是目视判读提取。由于目视判读能综合利用地物的色调或色彩、形状、大小、阴影、纹理、图案、位置和布局等影象特征知识，以及有关地 物的专家知识，并结合其它非遥感数据资料进行综合分析和逻辑推理，从而能达到较高的专题信息提...
目视判读提取
早期从遥感影像中提取信息的主要方法是目视判读提取。由于目视判读能综合利用地物的色调或色彩、形状、大小、阴影、纹理、图案、位置和布局等影象特征知识，以及有关地 物的专家知识，并结合其它非遥感数据资料进行综合分析和逻辑推理，从而能达到较高的专题信息提取的精度,尤其是在提取具有较强纹理结构特征的地物时更是如此,它是目前 业务化生产的一门技术,与非遥感的传统方法相比，具有明显的优势。然而，该方法具有费工费时的特点,例如，对于大区域综合调查需要3年左右时间才能完成。在当今 的信息社会，信息的时效性尤为重要,如对农作物估产，我们需要在几个月内完成,对于灾害的监测评估来说，我们更需要在数小时或数天内完成。对于这样的要求，就必须研究 遥感信息的自动提取，以达到地物识别的智能化和自动化,从而实现遥感信息直接进入GIS，直接进入数字地球。
基于分类方法的遥感信息自动提取
在遥感信息自动提取方面，分类方法的研究历史最长久,其核心是对遥感图象的分割,其方法有无监督分类和有监督分类。就无监督分类而言，有K-MEANS法，动态聚类型 法，模糊聚类法，以及人工神经网络法；在有监督分类方面，有最小距离法、最大似然法，模糊分类法以及人工神经网络法。最大似然法需要各类型的先验知识及其概率,特别是 需要假定各类型的分布属于正态分布，因而它是一种有参数的分类器,在具有先验性概率知识以及各类型满足正态分布的条件下,它具有较好的分类效果，该分类器具 有分类速度快的优点。模糊分类是根据模糊数学所构建的一种分类器。它是建立在假设一个象元是由多个类型所组成的基础上，只是各类型的隶属度不同。在对分类器训练时，需 要确定训练样本象元中，各类型的隶属度，它不需要各类型的先验概率知识,也不要求各类型服从正态分布，它是是一种无参数的分类器。但是对训练象元中各类型隶 属度的确定比较困难。该方法适用于亚象元信息的提取。
人工神经网络分类器是利用人工神经网络技术所构造的分类器，人工神经网络是近几年得到迅速发展的一门非线性科学, 它是模拟生物神经网络的人工智能技术,已广泛地用于趋势分析和模式识别以及遥感图象的分类等方面。人工神经网络器不需要各类型的先验性概率知识，也不要 求各类型一定要服从正态分布，它是一中无参数的分类器。尽管利用分类器进行分类时所需要的时间很短。但是在对分类器进行训练时，所需要的时间却很长。 就无监督分类而 言，其所分的结果，需要专家进行判读和类别的归并，并最终确定其所需的类型。就有监督分类而言，需要选取大量的训练样区，而训练样区的选取不仅费工而且还很费时，训练 样区选择的好坏直接影响分类的效果，同时，分类是对整个图象进行分割，它所要求的是总体的精度最高，这样就不可能完全能保证我们所需专题信息的精度一定最高。分类是建 立在数理统计基础之上,而没有建立在对遥感信息机理分析的基础上，而没有建立在知识挖掘的基础上，这样就使得它难以实现遥感图象专题信息提取的全自动化。
同时，基于光 谱特征的分类难以解决异物同谱的问题。在分类中所获取到的知识通常既不可传递，也难以解释。这也是我们对所分结果知其然，而不知其所以然的原因。我们对任何时侯，任何 地点的图象，都必须重复选取训练样区的工作。这样，显然就大大限制了遥感信息提取的自动化。为此，基于知识发现的遥感专题信息提取将成为另一个最有前途的方向。
