刘春玲 邹 鹏

(1.黑龙江信息技术职业学院，哈尔滨 150086；2.黑龙江第二测绘工程院，哈尔滨 150080)

1 引言

现阶段我国的测绘技术已经从传统的人工测绘发展到数字化测绘,而且数字化测绘技术在不断地发展。从传统大地测量到卫星导航定位、从光学航空摄影到数字航空航天遥感、从手工绘图到计算机制图、从纸质地图到数字地图和地理信息系统……我国测绘科技已建立了以遥感、地理信息系统、全球定位系统、网络通信等技术为核心的数字化测绘技术体系。随着各类影像的产生，如何更充分地利用影像来获取我们想要的信息便成了重要问题——影像的数字化处理。

2 测绘技术中的影像数字化处理

2.1 影像数字化处理

影像的数字化处理是将模拟的遥感影像经采样和灰度量化转换成离散的数字化影像的过程。遥感影像一般有模拟影像和数字影像两种产品形式。前者如常见的摄影像片；后者如陆地卫星多波段扫描影像磁带等。当对模拟影像进行数字图像处理时，首先必须进行影像的模—数转换，即影像的数字化，才能输入计算机进行各种处理[1]。

影像数字化处理的最终目的是进行图像解译，即进一步研究图像中各目标物的性质、特征和它们之间的相互关系，并提出对图像内容的理解以及对原来地面客观地物、场景的解译，从而为生产、科研提供真实的、全面的客观世界方面的信息。图像解译是借助知识、经验进行图像解译的过程[1]，因此，这一过程一般都得有测绘工作者的参与。

2.2 人工影像数字化采集存在的问题

在实际工作中，测绘工作者先是利用计算机软件根据影像进行数字化采集，然后拿着经过预处理的影像进行像片调绘。像片调绘是以像片判读为基础，把航摄像片上的影像所代表的地物识别和辨认出来，并按照规定的图示符号和主机方式表示在航测像片上。有了先进的技术，测绘工作者的体力劳动强度随之降低了，取而代之的是大量繁琐的计算机图像分析、采集以及处理工作。长时间重复图像的解译工作会让人身心疲惫。首先，长时间相同的姿势容易导致各种职业病的产生；其次，眼睛是工作者最劳累的身体部位，太长时间以及强度过高的工作只会导致眼睛疲劳引起的病变；再次，长时间工作以后，人眼的分辨力不稳定带来的误差加上鼠标单击产生的误差也不容忽视。

人眼的分辨力是指人眼在一定距离上能区分开相邻两点的能力。人眼的分辨力和环境光照有关，当光照太低时，只有杆状细胞起作用，则分辨力下降；但光照度太高也无助于分辨力的提高，因为可能引起“炫目”现象。人眼的分辨力还和被观察对象的相对对比度有关。当相对对比度小时，对象和背景亮度很接近，从而导致分辨力下降[2]。

人眼的分辨力是具有不稳定性的，将人工智能同影像的数字化处理进行有机的结合，让计算机代替人进行大部分解译工作，从而降低测绘工作者的工作强度。

3 人工智能

人工智能就是研究如何让计算机做一些目前人类做得较好的事情。理想情况下，人工智能建立的标准是图灵测试，即对一个人或一台计算机提出问题。如果无法回答是人做出的，还是计算机做出的，就可以认为这台计算机具有智能了。由于大多数人工智能系统都很难通过图灵测试，人工智能界一直对图灵测试不怎么重视，而是继续开发能进行简单工作的人工智能系统。

人工智能研究始于1955年，在以后很长一段时期内，人工智能的作用被过分夸大，但又不能解决人类专家通常能解决的一些问题。于是科学家开始转向用于“微观世界”或应用领域非常窄的人工智能应用系统——专家系统。

3.1 专家系统

基于知识的专家系统可以定义为“能够用于人类知识解决一些通常需要人类智慧才能解决的问题的系统”，它是“在一个较窄的问题领域内成功高效地解决问题”并且“以专家的水平实施”的能力。专家系统主要由人类专家、用户界面、知识库、推理机、在线数据库、用户等几个部分组成，可以根据工程师指定或机器学习到的知识库中的规则、条件来建立遥感分类专家系统。与其他分类方法相比。专家系统决策树分类器有如下优点：①可以对专家系统的输出进行评估，还可以反过来研究是如何得到最终结论的；②专家系统决策树分类器对输入数据的分布没有假设(不像最大似然法，要求数据是正态分布)；③决策树可以揭示输入变量间的非线性和层次关系，并预测类的隶属度；④机器学习有能力高效地处理高维数据。

3.2 人工神经网络

人工神经网络通过神经元、拓扑结构和学习规则来定义，它通过调整网络连接神经元的权重，采用非算法、非结构的形式来实现运算和推理。人工神经网络在输入层、隐含层、输出层中都含有神经元。目前，人工神经网络已经用于遥感数据分类处理，而且很多研究实例表明，其分类结果优于其他一些传统的统计方法。

人工神经网络的优点在于：①单个神经元模拟多元线性回归模型的计算；②非参数化的工作方式，使其不需对数据做正态或线性分布的先验假设；③能够从已有的实例中进行适应性学习，使分类更加客观；④非线性模式是从经验实例中“学习”得到的，而不是分析人员根据数据集中的先验知识“赋予”的；⑤具有较强的泛化能力，在处理未出现过的、不完整的和不精确的数据时仍具有稳健的求解能力；⑥可以接受任何格式的数据；⑦对噪声和数据缺失有一定的容错能力，并能寻找出输入模式的最佳拟合；⑧可以连续学习。

当然神经网络也不可避免地存在局限性，主要很难全面解释神经网络做出决策或产生输出的过程，因此常被称为“黑箱模型”，在解决一些关键问题时，往往不被信赖[3]。

4 人工智能与影像数字化处理的结合

4.1 遥感影像

目前我们所采用的影像主要是遥感影像。凡是纪录各种地物电磁波大小的胶片(或相片)，都称为遥感影像，在遥感影像中主要是指航空像片和卫星像片。它以缩小的影像真实再现地表的各地物特征,使人类超越了自身感官的限制,以不同的空间尺度、感知方式快速、及时地监测地球环境的动态变化,成为获取地球资源与环境信息的重要手段。遥感影像直观逼真，便于目视定性解译，是最常用的遥感资料。

4.2 遥感数据中的信息提取

遥感作为一种数据源，已经越来越多地用于提取局部区域以及全球尺度土地利用和地面覆盖特征。运用统计模式识别方法对多光谱遥感数据进行土地利用/地面覆盖分类，是最常用的一种信息提取方法。

从多光谱遥感数据中提取地面覆盖信息的一般步骤为：①陈述地面覆盖分类问题的性质；②获取合适的遥感数据及原始的地面参考数据；③处理遥感数据以提取专题信息；④精度评估；⑤若精度可以接受则发布成果。

常用的多光谱遥感分类方法有：①参数与非参数统计算法；②监督分类或非监督分类方法；③硬分类或模糊分类；④逐像素或面向对象分类；⑤混合方法。从本质上讲，没有任何一种分类方法是优于其他方法的，分类问题的特性、研究区域的生物物理特性、遥感数据的分布以及先验知识决定了哪种分类算法会得到有用的结果[4]。

现有的遥感图像处理软件有ERDAS IMAGINE、PCI等，都拥有一定的图像处理功能，例如影像增强、图像滤波、纹理分析及目标检测等。这些功能都是基于之前所提到的模式识别的，所以可以称之为人工智能和影像数字化处理结合的产物[5]。

4.3 存在的问题

到目前为止，人工智能和影像数字化处理的结合，还只能相对地方便测绘工作者进行图像解译工作，而并不能完全代替测绘工作者。主要原因如下：①计算机的识别目前只能按影像的纹理来识别。②遥感影像的光谱太复杂，分析太麻烦，目前编写程序来让计算机彻底地分辨不太现实。③光谱的特性复杂，导致同光谱异类地物、同类地物异光谱的出现。例如，同样的影像可能分别为草地和树林，不同的影像可能都为草地。④影像具有现势性，例如，2010年春季的影像和同年秋季或夏季影像不会完全相同，因为地物是一直在变化的。同理不同年份的影像也会有相当的差异。⑤测绘工作者目前只能根据自己长期积累的知识和经验对影像进行解译，而并不是根据一套完整的分类系统，具体是什么还必须在进行实地调绘以后才能确认，也就是说，目前人类自己识别影像的能力也是有限的。

综上所述，要想把人工智能很好地应用到影像数字化处理领域中，实现计算机代替人的大部分图像解译工作，还需要很长的一段时间。不过随着科技的发展，这终将成为现实。

[1]汤国安，等.遥感数字图像处理[M].北京：科学出版社，2004：4～9.

[2]贾永红.数字图像处理[M].武汉：武汉大学出版社，2003：11～12.

[3][美]詹森著，遥感数字影像处理导论(第三版)[M].北京：科学出版社，2007：337～430.

[4]舒宁，马洪国，孙和利.模式识别的理论与方法[M].武汉：武汉大学出版社，2004：137.

[5]孙家抦.遥感原理与应用[M].武汉：武汉大学出版社，2003：90～93.