遥感信息提取算法的比较遥感信息提取的方式主要有三种：目视判读提取、基于分类的信息提取和基于知识发现的遥感信息提取。1 目视判读提取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、位置和布局等影像特征知识，以及有关地物的专家知识，并结合其他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。尽管该方法较费工费时，但由于遥感信息计算机自动提取的难度，仍将在遥感信息提取中长期存在。2 基于分类方法的遥感信息自动提取基于分类方法的遥感信息自动提取分类方法是遥感信息提取最常使用的方法之一，其技术核心是对遥感图像的分割。分类可以分为无监督分类和有监督分类。就无监督分类而言，有动态聚类法、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。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像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，需要确定训练样本像元中，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，它是一种无参数的分类器。但是对训练像元中各类型隶属度的确定比较困难。该方法适用于亚像元信息的提取。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像的分类等方面。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，它是一种无参数的分类器。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，分类是对整个图像进行分割，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，没有建立在对遥感信息机理分析的基础上，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像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。我们对任何时候、任何地点的图像，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发展前途的方向。3 基于知识发现的遥感专题信息提取基于知识发现的遥感专题信息提取 基于知识发现的遥感专题信息提取是遥感信息提取的发展趋势。基本内容包括知识的发现、应用知识建立提取模型，利用遥感数据和模型提取遥感专题信息。在知识发现方面包括从单期遥感图像上发现有关地物的光谱特征知识、空间结构与形态知识、地物之间的空间关系知识。其中，空间结构与形态知识包括地物的空间纹理知识，形状知识，以及地物边缘形状特征知识。从多期遥感图像中，除了可以发现以上知识外，还可以进一步发现地物的动态变化过程知识；从数据库中可以发现各种相关知识。在利用知识建立模型方面，主要是利用所发现的某种知识、某些知识或所有知识建立相应的遥感专题信息提取模型。例如，基于光谱知识的遥感专题信息提取。光谱知识是遥感专题信息提取中最重要的知识。发现光谱知识的方法有典型采样法、光谱曲线法和光谱剖面线法。基于光谱知识的专题信息提取，需要地物与背景之间在光谱上是可分的，与背景之间存在着较少的同谱现象，并且地物内部的光谱最好要一致。当地物内部光谱不一致时，可以借助于地物内部的特征成分光谱进行提取。当地物内部成分的光谱与背景之间存在着较多同谱现象时，得借助于地物的其他知识进行提取。再有一种就是基于地物纹理知识的专题信息提取。纹理知识也是遥感专题信息提取中经常用到的信息之一。一般当地物组成复杂，且大小大于传感器的空间分辨率时，就可能遥感 到地物的结构和组成，其影像就存在着明显的纹理特征。当存在着有别于背景地物的纹理结构特征时，如果只靠基于光谱特征知识的提取难以完全解决专题信息的提取问题时，就必须将地物的光谱知识与纹理知识一起用来提取专题信息。纹理是指灰度值在空间上的变化。它是由一些纹理基元按照不同的空间配置形式所构成的一种图案。纹理基元的空间配置可以是随机的、确定的、概率的和函数的。纹理可分为结构性纹理和非结构性纹理，非结构性纹理又叫随机纹理。在目视判读中，纹理一般用粗细度、平滑性、颗粒性、随机性、方向性、直线性、周期性、重复性等术语来描述和表达。在通过纹理识别地物时，需要将某专题的纹理特征与周围地物的纹理特征进行比较分析。还有一些其他的信息提取方法，例如，1 边界特征法边界特征法 该方法通过对边界特征的描述来获取图像的形状参数。Hough 变换是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法，其基本思想是点线的对偶性；边界方向直方图法首先微分图像求得图像边缘，然后，做出关于边缘大小和方向的直方图，通常的方法是构造图像灰度梯度方向矩阵。2 几何参数法几何参数法形状的表达和匹配采用更为简单的区域特征描述方法，例如采用有关形状定量测度（如矩、面积、周长等）的形状参数法（shape factor） 。在 QBIC 系统中，便是利用圆度、偏心率、主轴方向和代数不变矩等几何参数，进行基于形状特征的图像检索。需要说明的是，形状参数的提取，必须以图像处理及图像分割为前提，参数的准确性必然受到分割效果的影响，对分割效果很差的图像，形状参数甚至无法提取。遥感图像分割算法图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。这里所说的特性可以是灰度、颜色、纹理等，而目标可以对应单个区域，也可以对应多个区域。图像分割是数字图像处理中的一项关键技术，它使得其后的图像分析，识别等高级处理阶段所要处理的数据量大大减少，同时又保留有关图像结构特征的信息。而且，在数字图像处理工程中，一方面，图像分割是目标表达的基础，对特征测量有重要的影响；另一方面，图像分割是自动目标识别的关键步骤，图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式，分割中出现的误差会传播至高层次处理阶段，因此分割的精确程度是至关重要的。只有通过细致精细的图像分割，才能使得更高层的图像分析和理解成为可能。因此，图像分割是由图像处理进到图像分析的关键步骤，在图像工程中占据重要的位置。自 20 世纪 70 年代至今，已提出上千种各种类型的分割算法。如：门限法、匹配法、区域生长法、分裂合并法、水线法、马尔可夫随机场模型法、多尺度法、小波分析法、数学形态学等。随着新理论、新技术的发展，一些新的图像分割方法也随之出现，但这些分割算法都是针对某一类型图像、某一具体的应用问题而提出的，并没有一种适合所有图像的通用分割算法。通用方法和策略仍面临着巨大的困难。另外，还没有制定出选择适用分割算法的标准，这给图像分割技术的应用带来许多实际问题。在图像的研究和应用中，人们往往只对一幅图像中的某些部分感兴趣，这些感兴趣的部分一般对应图像中特定的、具有特殊性质的区，为了辨识和分析目标，需要把目标从一幅图像中孤立出来，这就是图像分割要研究的问题。所谓图像分割，从广义上来讲，是根据图像的某些特征或特征集合（包括灰度、颜色、纹理等）的相似性准则对图像象素进行分组聚类，把图像平面划分成若干个具有某些一致性的不重叠区域。这使得同一区域中的象素特征是类似的，即具有一致性；而不同区域间象素的特征存在突变，即具有非一致性。目前，在已提出的多种类型的分割算法中，大致可以分为基于边缘检测的方法和基于区域的方法。而在实际应用中，这些方法主要又可划分为三种类型: 边缘检测型、阈值型和区域跟踪型。1 基于阈值的分割方法基于阈值的分割方法 这是一种应用十分广泛的图像分割技术。所谓阈值分割方法的实质是利用图像的灰度直方图信息得到用于分割的阈值。它是用一个或几个阈值将图像的灰度级分为几个部分，认为属于同一个部分的象素是同一个物体。它不仅可以极大的压缩数据量，而且也大大简化了图像信息的分析和处理步骤。因此，在很多情况下，是进行图像分析、特征提取与模式识别之前必要的图像预处理过程。它特别适用于目标和背景占据不同灰度级范围的图像。阈值分割方法的最大特点是计算简单，运算效率高，在重视运算效率的应用场合，它得到了广泛的应用。2 边缘检测算法边缘检测算法通过讨论遥感图像的边缘特点，为提取其图像边缘，提出了一种有效的融合多种方法的新的边缘检测算法。算法针对遥感图像对象的复杂性、高边缘密度、噪声明显等特性，融合了滑动窗口技术、多阈值技术和模糊增强方法对遥感图像进行了边缘强化，最后利用模糊形态学算子进行了边缘提取。实验表明，利用多方法融合，不仅可以弥补单一方法的缺点，还能提高边缘检测的精度，保留更多边缘细节。3 灰度门限法灰度门限法在遥感图像中,目标区域与背景区域的灰度值客观上存在不同,那么根据灰度区别进行地物信息提取成为图像处理最行之有效的方法之一。为了正确提取目标信息,首先设置一个灰度临界值灰度门限,灰度高于该限判别为目标信息,灰度低于该限归纳为背景信息,然后移除虽然灰度大于门限值但显然不属于目标的噪杂信息,最后保留下的信息即为所求。