智能遥感数据处理方法研究在深空探测中的应用

 

2016年5月课程大作业

  

王茫茫  五

院508所 硕士研究生

    

    深空探测是当今世界上极具挑战性、创新性与带动性的航天活动之一，对于激发科学探索精神、推动人类科技进步与社会可持续发展，具有重大而深远的战略意义。进入21世纪以来，随着航天遥感能力的大幅提升，我国逐步开展了深空探索活动，探月工程所取得的重要进展，标志着我国已具备了开展深空探测的能力。但是采用传统遥感方法进行深空探测面临着诸多问题，如有效数据获取能力低，深空通信延迟大，以及深空探测任务复杂度高等。为满足深空探测任务需求，提升深空探测有效数据获取能力和高效的遥感卫星图像数据处理方法，这对未来深空探测技术的发展具有重大意义。

    随着新的遥感传感器的不断出现，不同空间分辨率的遥感数据源急剧增加。已从低分辨率、中分辨率到高分辨率形成了不同分辨率的卫星序列。即从分辨率为1 km的MODIS卫星数据到分辨率小于1m的地球资源卫星，如TM为3m，SPOT-4为2m，CBES-1为2m，到目前的SPOT-5的全色波段分辨率达到2.5 m，IKONOS全色波段分辨率为1 m，QUICKBID全色波段分辨率为0.61m。

    传统的中分辨率卫星数据的遥感图像处理方法是基于像素和统计理论的分类方法，主要包括监督分类和非监督分类，它们都是很成熟的技术方法。常用的监督分类有最大似然法、最短距离法等。常用的非监督分类有ISODATA聚类法、K-均值法等。随着遥感数据源的增多，人们对遥感数据处理分析方法和手段也在不断的发展，新的分类方法和分类思想都在不断地涌现。新近发展起来的一些基于非参数理论的分类方法，如：基于神经网络的、基于证据理论的、基于模糊原理的、基于支持向量机、基于粗糙集理论等。

    然而，对于高分辨率的智能遥感图像，目标物的形状清晰可见，图像上地物景观的结构、形状、纹理和细节等信息都非常突出，而光谱分辨率并不高，因此，针对高空间分辨率图像，在分类时不能仅依靠其光谱特征，更多的是要利用其几何信息和结构信息。相对于高分辨率遥感图像来讲，中分辨率多光谱图像的光谱信息代表了概貌信息，其光谱特性有助于对目标的识别和判读，而高分辨率特性有助于提高定位和判读精度。因此对于分类的依据可以更加灵活，对于具体的地物可以依据不同的特征进行分类。比如一个湖泊和一条河流，它们的光谱特征相同，而它们的形状则不同，我们可以设定长宽比为这两类地物的分类依据，即知识分类器，并把这一依据存储，以备以后应用，形成经验，而不仅仅局限于光谱特征，建立专家决策支持系统就目前高分辨率的智能遥感卫星的发展来看，面向对象的分类方法是一个新的发展方向。从而进一步对深空探测技术中的智能遥感技术进行关键技术分析。

第一章 中分辨率遥感数据处理方法研究现状

1.1 基于像素的统计理论与方法分析

    监督分类和非监督分类是基于像素的统计理论方法的遥感分类方法，是目前研究和应用最成熟的方法。监督分类是一种常用的精度较高的统计判决分类，在已知类别的训练场地上提取各类训练样本，通过选择特征变量、确定判别函数或判别规则，从而把图像中的各个像元点划归到各个给定类的分类方法。而非监督分类是在没有先验类别知识的情况下，根据图像本身的统计特征及自然点群的分布情况来划分地物类别的分类处理。

    ISODATA聚类法是非监督分类中最常用的方法，而最大似然分类是最常用的一种监督分类方法。最大似然法利用了遥感数据的统计特征，假定各类的分布函数为正态分布，在多变量空间中形成椭圆或椭球分布，也就是说每个方向上散布情况不同，按正态分布规律用最大似然判别规则进行判决，得到较高准确率的分类结果[5]。最大似然分类在很多情况下都适用，但对出现概率低的类别并不适用。其优点是分类错误小而精度高，缺点是受到参数估计的限制。ISODATA算法是利用合并和分开的一种著名的聚类方法。该方法的优点是：聚类过程不会在空间上偏向数据文件的最顶或最底下的像素，因为它是一个多次重复过程；该算法对蕴含于数据中的光谱聚类组的识别非常有效，只要让其重复足够的次数，其任意给定的初始聚类组平均值对分类结果无关紧要；缺点是比较费时，因为可能要重复许多次；没有解释像素的空间同质性。另外，与其他非参数方法(如神经网络等)相比较，基于统计理论的方法具有清晰的参数解释能力、易于与先验知识融合和算法简单而易于实施等优点。但由于遥感信息的统计分布具有高度的复杂性和随机性，当特征空间中类别的分布比较离散而导致不能服从预先假设的分布，或者样本的选取不具有代表性，往往得到的分类结果会偏离实际情况，导致分类精度下降。

1.2 基于光谱信息的非参数理论与方法分析

    随着人工智能技术在模式识别和遥感图像处理中的不断应用，近几年发展起来许多新的遥感图像分类方法。它们都是基于光谱信息的非参数理论方法的分类方法，如：基于神经网络的、基于支持向量机的、基于粗糙集理论的等等。限于篇幅，这里主要分析基于神经网络的和基于支持向量机的分类方法。

    自20世纪80年代末期，神经网络开始被应用于遥感图像的自动分类。应用和研究最多的是多层神经网络BP算法，已取得了较好的效果。但该模型存在收敛速度慢、新加入样本影响已学过样本等缺陷。近年来，人们对自组织映射网络在遥感影像分类中的应用研究较多。研究表明，与基于传统的统计理论相比，神经网络对模式的先验概率分布的要求较小，不以某个假定的概率进行分类，而是通过自学习的过程形成分类器并完成分类过程，具有较好的容错能力。

    另外与传统的统计模式识别方法相比，神经网络方法可以方便地加入地理辅助数据参与分类。传统的统计模式识别方法难以加入地理辅助数据参与分类。但是，神经网络也存在一些问题，在实际中需要凭经验而定。例如：如何选择网络节点数、初始权值和学习步骤、过学习和欠学习等。

    支持向量机(SVM)是新近提出的一种学习机器，它不仅具有较强的推广能力，适用于小样本训练的情况，而且具有强大的处理能力，对高维样本的处理复杂度与对低维样本近似，并能巧妙地引入核函数来实现非线性映射，从而完成非线性处理。

    SVM是基于(Vapnik-Chevonenkis)理论，是结构风险最小化SM(Stuctual isk minimiza-tion)原理的近似实现，具有较强的理论依据。它兼顾训练错误和泛化性能，开辟了学习高维数据的新天地，是一种新的非常有潜力的分类技术，特别对线性可分问题，SVM的分类结果与理想情况完全吻合。这种新的学习算法可以替代多层感知机、径向基函数(BF)神经网络和多项式神经网络等已有的学习算法，解决了利用人工神经网络进行分类器设计时遇到的难以确定网络结构问题、过学习与欠学习问题、局部极小点问题等。它也是一种可实现一些表示问题的建设性方法，在多层感知机、BF神经网络和小波神经网络中有成功应用。

    对于SVM在分类中的应用研究，有关学者进行了初步实验。如：Gualtie和Comp(1998)把SVM应用到高光谱遥感分类中，成功地解决了分类中特征选择问题，最大的优点就是进行分类时无须进行数据降维。Zhu和Blumbeg利用基于SVM的算法对ASTE传感器获得的数据进行了分类处理，Bee-Sheva城市案例研究表明AS-TE数据适合城市研究，同时分类结果也说明基于SVM的方法在收敛性、训练速度、分类精度等方面具有较高的性能。Huang等把SVM应用到遥感影像土地覆盖分类中，对其分类精度、稳定性、训练速度进行了评价，并与MLC、NNC、DTC等方法进行了比较。

第二章 高分辨率遥感数据处理方法研究现状

    对于高分辨率的遥感图像来说，利用传统的、基于像素的图像分类方法，就会造成分类精度降低，空间数据的大量冗余，造成资源的浪费。Baatz和Schape(1999)根据高分辨率的遥感图像的特点，提出了面向对象的遥感图像分类方法。该分类方法在分类时不仅依靠地物的光谱特征，更多的是要利用其几何信息和结构信息。图像的最小单元不再是单个的像素，而是一个个对象，后续的图像分析和处理也都基于对象进行，已开始逐渐显示了其特有的应用价值和潜力。

    面向对象的遥感分类方法的关键是图像分割，也就是，如何准确地、有效地提取图像上几何信息和结构信息。另一项重要的步骤就是如何利用这些信息和光谱信息一起分类，即建立基于对象的分类方法。

2.1 图像分割方法分析

    一般而言，图像分割是将图像划分为互不相连的区域，每个区域具有相同的属性，这种属性可以是灰度、纹理或其他属性。图像分割也可以看作是一个对图像中像素进行标记的过程，所有具有相同属性的像素都被赋予同一标号，这样每个区域内部的像素具有相同的标号，但不同区域的像素具有不同的标号。

    图像分割主要有边缘检测和区域生长两个方面。边缘检测主要是把结构信息的边缘提取出来。边缘检测有许多种方法，如微分算子法、Sobel算子、Pewitt算子、小波变换法、Hough变换法等。微分算子法、Sobel算子、Pewitt算子方法主要是基于图像强度的一阶或二阶导数。导数的计算对噪声敏感，因此使用这些方法时，需要对图像进行除噪。然而，使用滤波器除噪的同时也改变了边缘，因此效果不是很理想。

    区域生长主要是将结构信息的属性标记出来。常用的区域生长方法有：形态学算子、自适应滤波算子等。形态学算法抗噪声干扰能力强，方法计算量小，是一种并行算法，因此被广泛应用到图像处理领域。王耀革等基于灰度形态学，提出一种从高分辨率遥感图像提取道路网络的方法。首先利用灰度形态特征对遥感影像进行分割，进而得到基本的道路网络轮廓。然后在此基础上，利用线段特征匹配方法提取道路网络。实验结果表明，该方法能有效地从遥感影像中提取道路网络。梅天灿等提出了一种结合目标的特性进行分水岭变换提取目标的方法。试验结果表明，这种方法可以有效地从遥感影像中提取线状特征。

    数学形态学是近20多年来发展十分迅速、应用比较广泛的一个数学分支。其基本思想是用具有一定形态的结构元素度量和提取图像中的对应形状，以达到对图像分析和识别的目的。数学形态学应用于图像分割的算法，基本上可以由膨胀、腐蚀、开启、闭合等四种基本灰度运算组合得到。同样，既可以进行基于边缘的边缘检测，也可以进行基于区域的区域分割。其中的流域分割算法是一种有效的图像分割的方法，它以准确的分割结果、较小的计算量而广泛的应用于图像分割中。但它的分割结果受梯度计算方法影响大，容易引起过分割。

2.2 面向对象的分类方法分析

    面向对象的分类方法已是遥感应用研究领域的一个研究热点。随着高空间分辨率多种类传感器(如SPOT-5、IKONOS、QUICKBID等)的不断发展，我们可直接获得地面物体的形状、大小、位置、性质及环境相互关系等地面目标的特征信息。因此，面向对象的分类方法更适合于高分辨率遥感图像，分类时所采取的分类依据将更加灵活，更加方便。

    面向对象的遥感图像分类，首先对遥感图像数据进行影像分割，从二维的图像信息阵列中恢复出图像所反映的目标地物的空间形状及组合方式。影像的最小单元不再是单个的像素，而是一个个对象。采用决策支持的模糊分类算法，并不简单地将每个对象简单地分到某一类，而是给出每个对象隶属于某一类的概率，便于用户根据实际情况进行调整，同时，也可以按照最大概率产生确定分类结果。在建立专家决策支持系统时，建立不同尺度的分类层次，在每一层次上分别定义对象的光谱特征、形状特征、纹理特征和相邻关系特征。通过定义多种特征并指定不同权重，建立分类标准，然后对影像分类。分类时先在大尺度上分出“父类”，再根据实际需要对感兴趣的地物在小尺度上定义特征，分出“子类”。在面向像素的分类中，每个像素只含有色彩和光谱信息，而面向对象的分类中，每个对象则可以含有颜色、形状、大小、纹理等，信息丰富，因此，分类的依据就可以更多，分类更加灵活。

    在每一层次上，对象所具有的对象特征及不同层次下对象的关系。对象特征主要包括色彩、形状、纹理、继承性等；不同层次下的关系包括相邻的关系、子类、父类等。通过这些对象特征的描述参数可以把不同类别、不同层次上的类别加以有效地分开。

第三章 智能遥感技术在深空探测领域中的应用

3.1 智能遥感技术概论

    为满足深空探测任务需求，提升深空探测有效数据获取能力，遥感器需具备以下两个特点:    

    1)自动化。根据具体用户需求，能够进行目标自动搜索、特征识别和变化检测等活动;同时，自动实现在轨实时数据处理，自动提取用户所需信息，并自动执行数传。

    2)智能化。使遥感器成为一个智能的专家系统，具有自我判断、自我更新和自我学习的能力，能够实现在轨自主决策。根据用户发出的请求，自主制定相应的探测计划与计划安排，并指挥自动化系统实施这一计划。根据计划实施结果可判断计划实施情况，并进行下一步工作的规划，同时更新自身数据库。这一过程的实现具有完全的自主性。

3.2智能遥感在深空探测中的需求

深空探测是指对太阳系内除地球之外的行星及其卫星、小行星、彗星以及太阳系外的星球进行探测的航天活动。自2003年以来，世界各航天国家纷纷推出新的深空探测发展战略和规划，并力求建立全球空间探测战略与结构体系，根据对国外深空探测发展的分析，深空探测主要以遥感探测方式为主，遥感图像是获取深空天体信息最直接、最有效和最重要的手段。由于深空环境的特殊性，对于深空探测遥感活动提出了特殊的要求，主要包括以下几个方而：

（1）遥感探测对象特性未知，需采用适当的探测模式深空探测的目的即为探索地外天体的未知信息.因此与对地观测不同.缺乏大量的先验知识.从而可能导致遥感探测模式低效甚至失效，需采用多种模式结合并可在轨自主切换的探测系统。例如，对于某些大而积平坦区域，采用高分辨率光谱探测、高密度激光点阵探测的意义不大;或某些区域需进行红外探测，不适合用可见光探测;等等。因此需要在轨评估遥感器探测模式，适时切换，以提高探测效率。

（2）深空探测环境复杂多变，需采用合理的参数由于深空探测器与地球距离遥远，地而高精度测控存在极大困难，因此对于探测器的轨道条件、光照环境、电磁环境等无法进行高精度预报并采取有效人为干预措施，深空探测器需要而临复杂多变的空间环境。此时需具备一定的可调参数与参数自动调整能力，以适应当时的探测需求。例如，对于低光照条件区域，需要对可见光探测增益进行相应调整，以获取高质量图像;探测重点区域与非重点区域对于探测分辨率需求不同，需要遥感器具备一定的变焦能力，以适应不同的分辨率需求。

（3）遥感平台资源有限，需合理高效利用探测器，深空探测由于距离遥远，运载能力有限，因此探测器平台一般为小型平台，无法提供大量的资源，包括质量、尺寸及功耗等。因此深空探测智能遥感器需根据优先级，合理分配平台资源。例如，对于一些主动探测载荷，如激光、微波、中子等，由于耗能较高，平台可能无法满足其长期运行。因此，需要从探测需求和数据有用性的角度出发，自主评估遥感效能，合理选择探测器及工作时间，以优化使用平台资源。

（4）遥感数据传输能力受限，需进行在轨数据处理为获取更精确、更全而的目标信息，探测器会产生巨大的数据量，然而数据传输能力有限，致使大量数据无法下传。因此需要遥感器具备较强的在轨数据自动处理能力，自动筛选有用数据，降低传输的数据量。因此，为解决深空探测遥感活动中可能遇到的多种复杂问题，提高深空遥感数据获取能力以及遥感数据有效性，为我国未来能够高效开展深空探测活动奠定技术基础，需在深空探测信息智能化获取模式、深空探测遥感器参数智能化调整和深空探测在轨数据智能化处理三个方而，开展深空目标智能遥感研究。

3.3智能遥感技术分析

    (1) 深空目标智能遥感器总体框架研究

智能遥感器需要在轨自动实现三大功能:1）目标探测和数据获取：2)智能数据处理，包括图像的校正、筛选、以及感兴趣目标的特征提取和分析;3)根据数据分析结果，快速做出响应。

智能遥感器的工作流程和工作模式与传统的遥感器有很大差别，并且是一个复杂的大系统，除了传统的光、机、电、热分系统外，还包括数据处理系统、识别系统和专家系统等。这些系统不是简单地由几个独立模块组成，中间还存在着相互交叉的输入输出网络关系，并且需要实时获取卫星的参数信息，这些都将是而临的挑战。

(2)在轨智能数据处理技术

遥感器产生的原始数据量十分庞大，且所包含的有效信息只占很少部分，需在星上对原始数据进行一定的处理，提取出有效的数据、信息，以减小数据下传压力，节省星上资源。由于深空探测遥感影像中目标、特征及背景的多样性和复杂性，以及地而人员不可能对在轨数据处理过程进行复杂的参数设置、辅助处理及大量尝试，所以，需要研究新的数据处理技术以适应深空探测需求。在轨智能数据处理必须具备灵活性、可配置性、自适应性和自主学习等性能，以实现数据在轨自动处理。对数据分析算法(包括特殊事件侦查、特征检测、变化检测和异常检测等算法)进行深入研究，提高智能数据处理能力。综合研究现有卫星数据处理步骤，将这些需要人机交互操作的处理步骤标准化、流程化，研究通过自动匹配、自动参数选择等技术实现影像的在轨自动化处理流程。

第四章 结论

通过分析和探讨智能遥感图像处理方法、基于对象的高分辨率遥感图像处理方法，并进行智能遥感数据处理方法相关要求和特点，如何充分地有效利用高分辨率遥感图像的光谱信息和空间结构信息，是高分辨率遥感数据处理方法的关键。

在深空探测任务中应用智能遥感技术，能够有效解决深空探测所而临的问题，大大提高深空遥感数据获取能力及遥感数据有效性，是未来深空探测器的重要发展方向。根据以上的分析，对我国深空探测领域智能遥感技术的发展建议如下；

1) 由于星上资源有限，在实现智能遥感过程中，要充分考虑星上计算、电力等资源，在星上建立可与智能系统协同工作的资源管理系统，保证星上智能活动的有效进行;

2) 深空探测智能系统是一个庞大的系统，如何处理好各分系统间的关系对于整个系统具有重要意义。因此，需在星上建立一个智能的指挥系统，可以根据分系统的信息反馈协调各分系统的工作，实现整个系统性能的优化，以利用较少资源就能确保计划顺利完成;

3) 根据我国目前深空探测的形势，急需开展智能遥感技术基础问题研究，建立深空智能遥感探测的理论基础，以尽早将智能遥感技术应用到我国深空探测活动中，提高我国深空探测能力。

微信号：星际航行。专业品质、照耀未来！

长按二维码、识别二维码，直接添加关注！