加载中…
个人资料
航天宏图遥感技术专栏
航天宏图遥感技术专栏
  • 博客等级:
  • 博客积分:0
  • 博客访问:7,117
  • 关注人气:15
  • 获赠金笔:0支
  • 赠出金笔:0支
  • 荣誉徽章:
相关博文
谁看过这篇博文
加载中…
正文 字体大小:

PIE遥感影像综合研判环境

(2016-11-29 10:29:10)
标签:

pie

piesat

航天宏图

遥感

遥感软件

分类: 产品动态

1.引言

    随着遥感技术和信息获取手段的不断进步,遥感数据量急剧增加,人们对各类遥感图像解译系统的能力、效率和速度都提出了更高的要求,如何及时、高效、准确地从海量遥感数据中获取所需信息并加以利用,已成为遥感应用的一大难题。遥感影像解译技术是随着遥感技术的产生而诞生的,所谓遥感影像解译就是对遥感图像上的各种特征进行综合分析、比较、推理和判断,最后提取出各种地物目标信息的过程。传统的图像解译模式一般是单平台单人操作模式,由于受到地域、人员、数据、软硬件等的限制,无法保证解译的时效性,特别是针对需要快速处理的情况(如灾害应急响应),低下的效率往往无法满足实际业务应用的需求。

    北京航天宏图信息技术股份有限公司(简称“航天宏图”),自主研发的国产遥感图像处理软件PIE(Pixel Information Expert)综合研判环境为信息判读人员提供了超高保真显示的综合服务环境,既支持单机判读,又支持组网联合判读。综合研判环境包括标注标绘工具、信息提取工具、矢量处理工具、空间量测工具、信息查看工具。可广泛应用于城市规划、地理国情普查、灾害应急响应与预警、军事等多个领域。

2.PIE综合研判环境

2.1单机判读

    单机判读是比较传统的工作方式,数据存储在本地硬盘中,专家人员在PC机上使用判读工具独自完成工作,一般适用于区域不大,时间不紧迫的任务。

图 1 PIE单机判读流程图

2.2联合判读

    联合判读依靠网络技术,将多台计算机集成一个整体,共同完成同一项判读任务。它增强了判读人员的协作性,提高了目视判读的效率,具有极大的优势,适用于大区域范围或紧急情况下的判读解译。

组网联合判读时,数据存储在高性能数据服务器中,服务端和客户端通过高性能网络进行数据读取。联合判读的一般过程如下:

(1)服务器端读取存储在数据服务器中的任务区数据,并对数据进行必要的预处理,如图像配准、图像镶嵌、裁剪等;

(2)服务器端对任务区进行逻辑划分,并向每台客户端分配任务;

(3)客户端获取任务,并从数据服务器中读取任务范围内的数据;专家人员依靠客户端的判读工具进行目视判读,并将判读结果实时传递至服务器端;

(4)服务器端实时监控判读过程,汇总判读结果,直至任务结束。

    PIE组网联合判读的处理流程与PIE联合判读环境如下图所示:

 图2 PIE组网联合判读流程图


图 3 PIE联合判读环境


2.3应用场景

2.3.1城市土地利用分类

    城市的发展主要体现在人口、经济的发展以及城市空间结构上的变化,而城市的规划与建设需要实时、准确的城市土地利用情况供决策者辅助分析。由于城市结构细微、复杂,加之高分辨率影像包含了复杂的光谱信息与空间结构特征,虽然近些年面向对象的分类技术有效的提高了土地利用的分类精度,但针对城市土地利用的复杂情况以及较高的分类要求,仍然需要采用人工目视解译的方式进行分类。由于受城市结构复杂性、人员解译经验等的影响,解译过程中可能会造成错提与误提,再加上其任务量一般较大,采用单机判读的方式往往难以满足业务要求。而通过PIE的遥感影像联合判读模式,可实现多客户端的协同处理,并将提取的结果实时同步到服务器端,服务器端可以快速准确的找到错误并及时纠正,分类任务完成后再由服务器端将提取结果统一汇总后输出成图,有效地提高了城市土地利用分类的效率。

2.3.2突发灾害的应急响应

    地震、滑坡、泥石流等自然灾害具有较强的突发性和破坏性,并且无法对其进行准确的预测,因此如何在灾后对灾情进行准确、快速的评估显得尤为重要。遥感技术具有全天候、大尺度、不受地面条件限制等优势,可以快速获取灾区的宏观灾情信息,能为抗震救灾提供有效的数据支持。对于灾害信息的提取,人工目视解译虽然精度较高,但由于工作量大、处理周期长,无法满足灾害的应急响应要求,而采用PIE的遥感影像联合判读模式,借助标注标绘和矢量提取的功能,实现多客户端的灾情信息快速提取,并实时同步到服务器端。指挥者可借助服务器端实时同步的提取结果,第一时间做出准确的应急响应。

3.后续改进方向

    随着获取的遥感影像分辨率越来越高,同物异谱及同谱异物的现象更加普遍,影像分类技术面临了更大的挑战。近年来,研究者将机器学习算法如神经网络(NN)、支持向量机(SVM)等应用于高分辨率影像的分类,并在分类过程中加入影像的纹理、结构等特征,使得分类的精度有了显著的提高,但在结构较复杂、光谱差异较小的情况下,其精度还有待提高,需要结合人工目视解译来进行完善,因此,如何将自动分类的算法与人工目视解译有机的结合在一起,是提高分类精度及效率的有效途径。

PIE联合判读模式作为提高影像分类精度与效率的一种有效方式,也越来越受到行业用户的关注。但后续其将在以下几方面进行改进:

(1)任务区划分方法的完善。在服务器进行任务划分的过程中,可以借助多尺度分割算法辅助划分,用以规避分割边界切割整个对象现象的产生。首先服务器端根据任务区的影像特征选择合适的分割参数,借助多尺度分割算法对任务区影像进行分割操作,再由人工矢量化的方式对分割结果进行调整与完善,最后发送给客户端完成任务分配。

(2)与影像分类算法有机结合。在联合判读模式下增加对影像分类算法的支持,支持多客户端分类样本点的选取以及服务器端的实时同步与修改。首先多个客户端根据自己的目视解译经验对样本点进行初选,并将初选结果同步到服务器端上,保证了样本点的数量;在服务器端,解译经验丰富的专业人员对初选结果进行精选与修改,用以样本点的质量,再将完善后的样本实时同步到客户端;客户端基于上述样本,采用影像分类算法进行分类后,并进行必要的人工编辑修改,最后将分类结果统一汇总到服务器端输出成图。通过上述方法,将人工目视解译与影像分类有机的结合在一起,有效地提高了分类的精度与效率。

 


0

阅读 评论 收藏 转载 喜欢 打印举报
已投稿到:
  • 评论加载中,请稍候...
发评论

    发评论

    以上网友发言只代表其个人观点,不代表新浪网的观点或立场。

      

    新浪BLOG意见反馈留言板 不良信息反馈 电话:4006900000 提示音后按1键(按当地市话标准计费) 欢迎批评指正

    新浪简介 | About Sina | 广告服务 | 联系我们 | 招聘信息 | 网站律师 | SINA English | 会员注册 | 产品答疑

    新浪公司 版权所有