关于遥感图像解译的思考

遥感图像不同于普通的自然图像，对遥感图像的解译工作也有其独特之处。在分析遥感图像时，要求解译方法不仅发现物体的表象，还要挖掘特征的内在联系，建立物体的变化规律。虽然人工解译方式可以实现简单的解译任务，但是人工判读依赖于丰富的经验，且解译效率较低，非常不利于海量遥感图像的处理，更不是用于高时效性要求的监测任务，如灾害预警、突发事件应急、交通管理等。
遥感图像可以反映出地物的各种基本属性，如形状、大小、颜色、纹理、位置、范围等。形状通常反映了物体的基本形态，对于形状特征明显的目标，仅仅使用形状信息就能辨识出物体的类别，例如飞机、轮船、建筑物等。物体的大小与图像的分辨率密切相关，当遥感图像上的物体大小与真实尺度不匹配时，就不能轻易对这类物体进行判断。颜色信息时物体的最具直观性的属性，通过颜色信息可以判断遥感图像中的“绿”色植被和“蓝”色海洋。然而，对于一些色彩接近的物体，如草地和森林，只依赖颜色信息很难分辨物体的类别。事实上，纹理信息反映了物体颜色变化的频率，是物体各类基本属性的集中反映，利用纹理信息可以很容易分辨出“光滑”的草地和“粗糙”的森林。物体的位置反映了它在图中的坐标，也对应着该物体的地理坐标，例如轮船通常只能出现在水域，那么在判断该类目标时，就要关注它可能存在的地理范围。除此之外，还有很多因素影响着遥感图像解译的结果，例如，遥感图像获取时的光照条件，图像中存在的阴影、云雾对地面的遮挡等。
需要指出的是，遥感图像解译是综合利用各种特征的过程，单纯依靠某个属性很难达到准确判读的目的。属性之间的内在联系是各类遥感图像解译方法需要关注的方面。近年来，作为一种有效的自然图像处理方法，深度学习及深度神经网络能够实现对自然图像的分类、识别与分割。实现过程中依赖于图像的各层级语义信息，而不仅仅依靠物体的基本属性。事实上，获取物体的语义信息就是遥感图像解译的目的。将深度学习和遥感图像解译任务有机结合，通过有监督学习调整神经网络的权重参数，可以拟合出反映各类属性内在联系的非线性方程。深度学习方法维自动化、智能化解译提供了可行的技术路线，有利于遥感图像解译技术的进一步发展。
注：文章摘选自《基于深度神经网络技术的高分遥感图像处理及应用》张强等著