第八章遙感數(shù)字圖像的計(jì)算機(jī)解譯

本章要點(diǎn)遙感圖像分類的基礎(chǔ)知識(shí)特征變換與特征提取監(jiān)督分類和非監(jiān)督分類遙感圖像解譯專家系統(tǒng)

遙感圖像的計(jì)算機(jī)分類，就是對(duì)地球表面及其環(huán)境在遙感圖像上的信息進(jìn)行屬性的識(shí)別和分類，從而達(dá)到識(shí)別圖像信息所相應(yīng)的實(shí)際地物，提取所需地物信息的目的。

與遙感圖像的目視判讀技術(shù)相比較，它們的目的是一致的，但手段不同，目視判讀是直接利用人類的自然識(shí)別智能，而計(jì)算機(jī)分類是利用計(jì)算機(jī)技術(shù)來人工模擬人類的識(shí)別功能。

遙感圖像的計(jì)算機(jī)分類是模式識(shí)別中的一個(gè)方面，它的主要識(shí)別對(duì)象是遙感圖像及各種變換之后的特征圖像，識(shí)別目的是國(guó)土資源與環(huán)境的調(diào)查。第八章遙感數(shù)字圖像的計(jì)算機(jī)解譯

遙感圖像的自動(dòng)識(shí)別分類主要采用決策理論（或統(tǒng)計(jì)）方法，按照決策理論方法，需要從被識(shí)別的模式（即對(duì)象）中，提取一組反映模式屬性的量測(cè)值，稱之為特征，并把模式特征定義在一個(gè)特征空間中，進(jìn)而利用決策的原理對(duì)特征空間進(jìn)行劃分。以區(qū)分具有不同特征的模式，達(dá)到分類的目的第八章遙感數(shù)字圖像的計(jì)算機(jī)解譯§8.1、數(shù)字圖像的基本知識(shí)模式與模式識(shí)別“模式”通俗的含義是某種事物的標(biāo)準(zhǔn)形式。一個(gè)模式識(shí)別系統(tǒng)對(duì)被識(shí)別的模式作一系列的測(cè)量，然后將測(cè)量結(jié)果與“模式字典”中一組“典型的”測(cè)量值相比較。若和字典中某一“詞目”的比較結(jié)果是吻合或比較吻合，則我們就可以得出所需要的分類結(jié)果。這一過程稱為模式識(shí)別，對(duì)于模式識(shí)別來說，這一組測(cè)量值就是一種模式，不管這組測(cè)量值是不是屬于幾何或物理范疇的量值。

§8.1、數(shù)字圖像的基本知識(shí)模式與模式識(shí)別§8.1、數(shù)字圖像的基本知識(shí)二光譜特征空間和地物的聚類性質(zhì)遙感圖像的光譜特征通常是以地物在多光譜圖像上的亮度體現(xiàn)出來的，即不同的地物在同一波段圖像上表現(xiàn)的亮度一般互不相同；同時(shí)，不同的地物在多個(gè)波段圖像上亮度的呈現(xiàn)規(guī)律也不同同名地物點(diǎn)在不同波段圖像中亮度的觀測(cè)量將構(gòu)成一個(gè)多維的隨機(jī)向量（X），稱為光譜特征向量。即

X=[x1x2x3．．．]T§8.1、數(shù)字圖像的基本知識(shí)二光譜特征空間和地物的聚類性質(zhì)§8.1、數(shù)字圖像的基本知識(shí)特征點(diǎn)集群可以分為三種情況：理想情況——不同類別地特的集群至少在一個(gè)特征子空間中的投影是完全可以相互區(qū)分開的。典型情況——不同類別地物的集群，在任一子空間中都有相互重疊的現(xiàn)象存在，但在總的特征空間中可以完全區(qū)分的。這時(shí)可采用特征變換使之變成理想情況進(jìn)行分類。一般情況——無論在總的特征空間中，還是在任一子空間中，不同類別的集群之間總是存在重疊現(xiàn)象。這時(shí)重疊部分的特征點(diǎn)所對(duì)應(yīng)的地物，在分類時(shí)總會(huì)出現(xiàn)不同程度的分類誤差，這是遙感圖像中最常見的情況?！?.1、數(shù)字圖像的基本知識(shí)地物在特征空間的聚類通常是用特征點(diǎn)（或其相應(yīng)的隨機(jī)矢量）分布的概率密度函數(shù)P（X）來表示的。假設(shè)特征點(diǎn)的統(tǒng)計(jì)分布屬于正態(tài)分布，則其概率密度函數(shù)可表達(dá)為：

§8.2、特征變換及特征變換

遙感圖像自動(dòng)識(shí)別分類主要依據(jù)地物的光譜特性，現(xiàn)在的成像光譜儀的波段數(shù)更是達(dá)到數(shù)百之多，能夠用于計(jì)算機(jī)自動(dòng)分類的圖像數(shù)據(jù)非常多。雖然每一種圖像數(shù)據(jù)都可能包含了一些可用于自動(dòng)分類的信息，但是就某些指定的地物分類而言，并不是全部獲得的圖像數(shù)據(jù)都有用，如果不加區(qū)別地將大量原始圖像直接用來分類，不僅數(shù)據(jù)量太大，計(jì)算復(fù)雜，而且分類的效果也不一定好

特征變換：將原有的m量值集合通過某種變換，然后產(chǎn)生n個(gè)（n≤m）特征特征變換的作用：

一方面:減少特征之間的相關(guān)性，使得用盡可能少的特征來最大限度地包含所有原始數(shù)據(jù)的信息；另一方面:使得待分類別之間的差異在變換后的特征中更明顯，從而改善分類效果

§8.2、特征變換及特征變換特征選擇：從原有的m個(gè)測(cè)量值集合中，按某一準(zhǔn)則選擇出n個(gè)特征特征變換的作用：一方面減少參加分類的特征圖像的數(shù)目另一方面從原始信息中抽取能更好進(jìn)行分類的特征圖像

§8.2、特征變換及特征變換特征變換主分量變換主分量變換也稱為K—L變換，也是一種線性變換，是就均方誤差最小來說的最佳正交變換；是在統(tǒng)計(jì)特征基礎(chǔ)上的線性變換

目的：

K—L變換能夠把原來多個(gè)波段中的有用信息盡量集中到數(shù)目盡可能少的特征圖像組中去，達(dá)到數(shù)據(jù)壓縮的目的；同時(shí)，K—L變換還能夠使新的特征圖像之間互不相關(guān)，也就是使新的特征圖像包含的信息內(nèi)容不重疊，增加類別的可分性?！?.2、特征變換及特征變換特征變換主分量變換步驟：（1）計(jì)算多光譜圖像的均值向量M和協(xié)方差矩陣C。（2）計(jì)算矩陣C的特征值λr和特征向量φr

，（r=1，2，………,M）,M為多光譜圖像的波段數(shù)。（3）將特征值λr按由大到小的次序排列，即λ1>λ2>……>λm.（4）選擇前幾個(gè)特征值對(duì)應(yīng)的幾個(gè)特征向量構(gòu)造變換矩陣φn.（5）根據(jù)Ｙ＝φnX進(jìn)行變換，得到的新特征影像就是變換的結(jié)果，X為多光譜圖像的一個(gè)光譜特征矢量。§8.2、特征變換及特征變換特征變換主分量變換§8.2、特征變換及特征變換特征變換主分量變換主分量變換具有以下兩個(gè)好的性質(zhì)：（1）變換后的矢量Y的協(xié)方差矩陣是對(duì)角陣，對(duì)角矩陣表明新特征矢量之間彼此不相關(guān)。（2）經(jīng)過主分量變換后得到幾個(gè)變量，可以證明此時(shí)具有的均方誤差在所有正交變換中是最小的。由于n<m,這樣就比較少的變量代替了原來的幾個(gè)變量，實(shí)現(xiàn)了數(shù)據(jù)壓縮?！?.2、特征變換及特征變換§8.2、特征變換及特征變換特征變換主分量變換光譜波段方差占總信息量%主分量

結(jié)構(gòu)軸方差占總信息量%474.212.61533.394.15249.942.5229.95.16219.537.333.70.6744.57.641.20.2§8.2、特征變換及特征變換特征變換2哈達(dá)瑪變換哈達(dá)瑪變換是利用哈達(dá)瑪矩陣作為變換矩陣新實(shí)施的遙感多光譜域變換。哈達(dá)瑪矩陣為一個(gè)對(duì)稱的正交矩陣，其變換核為§8.2、特征變換及特征變換特征變換2哈達(dá)瑪變換由哈達(dá)瑪變換核可知，哈達(dá)瑪變換實(shí)際是將坐標(biāo)軸旋轉(zhuǎn)了45℃的正交變換§8.2、特征變換及特征變換特征變換2哈達(dá)瑪變換§8.2、特征變換及特征變換特征變換3穂帽變換穗帽變換又稱K-T變換，由Kauth—Thomas研究后提出的。它也是一種線性特征變換。在MSS圖像中，土壤類地物各波段亮度值的比值相對(duì)地不受太陽(yáng)入射角，大氣朦翳或土壤類型的變化影響，這就意味著土壤在特征空間（光譜空間）的集群，隨亮度的變化趨勢(shì)沿從坐標(biāo)原點(diǎn)出發(fā)的同一根輻射線方向上出現(xiàn)

§8.2、特征變換及特征變換特征變換3穂帽變換若把土壤和植被的混合集群投影到MSS5和MSS6波段圖像所組成的特征子空間中，形成一個(gè)近似的帽狀三角形，見圖。土壤亮度變化軸（上面講的輻射線）ISB為穗帽的底邊，帽上面各部分反映了植物生長(zhǎng)變化狀況，植物株冠的綠色發(fā)展到頂點(diǎn)（最旺盛時(shí)在帽頂）以后逐漸枯黃，枯黃過程是從帽頂沿著一些稱為帽穗的路徑回歸到土壤底線（因此有穗帽之稱）

§8.2、特征變換及特征變換特征變換3穂帽變換

§8.2、特征變換及特征變換特征變換4比值變換比值變換圖像用作分類有許多優(yōu)點(diǎn)，它可以增強(qiáng)土壤，植被，水之間的輻射差別，壓抑地形坡度和方向引起的輻射量變化。由于地形的影響，一般情況下各種地物光譜反射率ρi乘上一個(gè)相近的因子α,當(dāng)使用比值變換時(shí)，R12=x1/x2=αρ1/αρ2=ρ1/ρ2

§8.2、特征變換及特征變換特征變換5生物量指標(biāo)變換

§8.2、特征變換及特征變換特征變換5生物量指標(biāo)變換

§8.2、特征變換及特征變換特征選擇在遙感圖像自動(dòng)分類過程中，不僅使用原始遙感圖像進(jìn)行分類，還使用如上節(jié)所述多種特征變換之后的影像。我們總希望能用最少的影像數(shù)據(jù)最好地進(jìn)行分類。這樣就需在這些特征影像中，選擇一組最佳的特征影像進(jìn)行分類，這就稱為特征選擇?！?.2、特征變換及特征變換特征選擇

1距離測(cè)度距離是最基本的類別可分性測(cè)度，如果所選擇的一組特征能使感興趣類別的類內(nèi)距離最小，而與其它類別的類間距離最大，那么根據(jù)距離測(cè)度；用這組特征設(shè)計(jì)的分類器分類效果最好§8.2、特征變換及特征變換特征選擇

2散布矩陣測(cè)度

表示模式類別在特征空間中的散布情況1）類內(nèi)散布矩陣：類內(nèi)散布矩陣表示屬于某一類別的模式在其均值周圍的散布情況§8.2、特征變換及特征變換特征選擇散布矩陣測(cè)度2）類間散布矩陣：類間散布矩陣表示了不同類別間相互散布的程度

§8.2、特征變換及特征變換特征選擇散布矩陣測(cè)度3）總體散布矩陣：類間散布矩陣表示了不同類別間相互散布的程度

1分類原理2圖像分類的方法監(jiān)督分類及其過程非監(jiān)督分類及其過程3圖像分類的具體方法非監(jiān)督分類：ISODATA迭代自組織數(shù)據(jù)分析算法監(jiān)督分類：

平行管道分類、

最小距離分類、

最大似然分類、馬氏距離分類、

神經(jīng)網(wǎng)絡(luò)分類方法、

光譜角分類、

二值編碼分類4

分類精度的評(píng)價(jià)分類評(píng)價(jià)的方法提高分類精度的方法§8.3、監(jiān)督分類和非監(jiān)督分類8.3.1

分類原理分類原理遙感圖像分類的主要依據(jù)是地物的光譜特征，即地物的輻射亮度值，這些亮度值就是遙感圖像分類的原始特征變量。不同地物具有不同的光譜特征，同類地物具有相同或相似的光譜特征。圖像分類就是依據(jù)遙感圖像像素光譜特征的相似性來劃分種類的過程。就某些特定地物的分類而言，多波段影像的原始亮度值并不能很好地表達(dá)類別特征，因此需要對(duì)數(shù)字圖像進(jìn)行運(yùn)算處理（如比值處理、差值處理、主成分變換以及K-T變換等），以尋找能有效描述地物類別的特征變量，然后利用這些特征變量對(duì)數(shù)字圖像進(jìn)行分類。圖像分類的基本原理遙感數(shù)字圖像分類的依據(jù)就是數(shù)字圖像中反映的同類地物的光譜相似性和異類地物的光譜差異性。8.3.2圖像分類的方法監(jiān)督分類法：首先需要從研究區(qū)域選取代表各類別的已知樣本作為訓(xùn)練場(chǎng)地（訓(xùn)練區(qū)）。根據(jù)已知訓(xùn)練區(qū)提供的樣本，在樣本上選擇提取特征參數(shù)（如像素亮度均值、方差等），建立判別函數(shù)，據(jù)此對(duì)樣本像元進(jìn)行分類，依據(jù)樣本類別的特征來識(shí)別非樣本像元的歸屬類別。非監(jiān)督分類法：是在沒有先驗(yàn)類別（訓(xùn)練場(chǎng)地）作為樣本的條件下，即事先不知道類別特征，主要根據(jù)像元間相似度的大小進(jìn)行歸類合并（將相似度大的像元?dú)w為一類）的方法。監(jiān)督分類法監(jiān)督分類（supervisedclassification）:通過選擇代表各類別的已知樣本，即訓(xùn)練區(qū)，事先取得各類別的特征參數(shù)，確定判別函數(shù)，從而進(jìn)行分類。在監(jiān)督分類中，要先定義信息類，然后檢驗(yàn)它們的光譜可分性。即首先利用訓(xùn)練區(qū)樣本建立圖像分類的判別函數(shù)，然后再把待分像元帶入到判別函數(shù)進(jìn)行判別。定義信息類檢驗(yàn)待分像元的光譜信息的歸類訓(xùn)練區(qū)是圖像上已知覆蓋類型的代表樣區(qū)，具有描述主要特征類型的光譜屬性；訓(xùn)練區(qū)所包含的樣本在種類上要與待分區(qū)域的類別一致。訓(xùn)練樣本應(yīng)在各類目標(biāo)地物面積較大的中心選取，這樣才能體現(xiàn)代表性。訓(xùn)練樣本的選取應(yīng)能夠提供各類足夠的信息和克服各種偶然因素的影響。訓(xùn)練區(qū)的數(shù)目最少要滿足建立判別函數(shù)的要求。樣本選擇要具有完整性、代表型，選擇多個(gè)樣區(qū)，分布均勻。訓(xùn)練區(qū)選擇的精度直接影像分類結(jié)果。監(jiān)督分類對(duì)訓(xùn)練區(qū)選擇的要求訓(xùn)練區(qū)的選擇分類結(jié)果監(jiān)督分類的過程分類預(yù)處理：大氣校正、幾何校正與配準(zhǔn)特征選擇（提?。翰ǘ伪容^多的時(shí)候，可以通過圖像處理來提取特征分類（監(jiān)督分類訓(xùn)練區(qū)的選擇）分類后處理，包括精度評(píng)價(jià)專題圖的制作原始圖像分類圖像專題制圖非監(jiān)督分類法在非監(jiān)督分類中，先確定光譜可分的類別，然后定義它們的信息類別。非監(jiān)督分類主要采用聚類分析方法，聚類是把一組像素按照相似性歸成若干類別，即“物以類聚”。它們的目的使得屬于同一類別的像素之間的距離盡可能的小而不同類別上的像素間的距離盡可能的大。非監(jiān)督分類（unsupervisedclassification）:根據(jù)事先指定的某一準(zhǔn)則，進(jìn)行計(jì)算機(jī)自動(dòng)判別歸類的方法。不必對(duì)影像地物獲取先驗(yàn)知識(shí)，僅依靠影像上不同類地物光譜信息進(jìn)行特征提取，再統(tǒng)計(jì)特征的差別來達(dá)到分類的目的，最后對(duì)已分出的各個(gè)類別的實(shí)際屬性進(jìn)行確認(rèn)。非監(jiān)督分類432假彩色合成圖像（香港九龍）聚類結(jié)果（10類）最終結(jié)果（類別顏色改變）聚類結(jié)果合并（5類）8.3.3

圖像分類的具體方法

1

非監(jiān)督分類的具體方法

最常用的方法：迭代自組織數(shù)據(jù)分析技術(shù)ISODATA（ISODATA，IteractiveSelf-OrganizingDataAnalysisTechnique）在初始設(shè)定基礎(chǔ)上，在分類過程中根據(jù)一定原則不斷重新計(jì)算類別總數(shù)、類別中心，使分類結(jié)果逐漸趨于合理，直到滿足一定條件，分類完畢。非監(jiān)督分類的基本過程確定最初類別數(shù)和類別中心（任意的，隨機(jī)的）；計(jì)算每個(gè)像元對(duì)應(yīng)的特征矢量與各聚類中心的距離；選與其中心距離最近的類別作為這一矢量（像元）的所屬類別；計(jì)算新的類別均值向量；比較新的類別均值與原中心位置的變化，形成新的聚類中心；重復(fù)2，反復(fù)迭代；如聚類中心不再變化，停止計(jì)算。8.3.3圖像分類的具體方法

1非監(jiān)督分類的具體方法聚類過程：類別中心的變化聚類過程：類別中心的變化2

監(jiān)督分類的具體方法平行管道分類最小距離分類最大似然分類馬氏距離分類神經(jīng)網(wǎng)絡(luò)分類方法光譜角分類二值編碼分類平行管道分類使用簡(jiǎn)單的分類規(guī)則進(jìn)行多光譜遙感圖像的分類；決策線在n維光譜空間中是一個(gè)平行的管道；管道的直徑根據(jù)距離平均值的標(biāo)準(zhǔn)差確定；如果某個(gè)像元落在某一類的平行管道的閾值范圍內(nèi)，則劃分到該類別中；如果落在多個(gè)類中，則將這個(gè)像元?jiǎng)澐值阶钇ヅ涞念悇e中；落不到任何管道中，則識(shí)別為未分類像元。平行管道分類訓(xùn)練樣本的分布（不同的訓(xùn)練樣本代表不同的特征，不同的分布）非樣本像元的落位最小距離法分類一種相對(duì)簡(jiǎn)化了的分類方法。前提是假設(shè)圖像中各類地物光譜信息呈多元正態(tài)分布；假設(shè)N維空間存在M個(gè)類別，某一像元距哪類距離最小，則判歸該類；通過訓(xùn)練樣本事先確定類別數(shù)、類別中心，然后進(jìn)行分類。分類的精度取決于訓(xùn)練樣本的準(zhǔn)確與否。最小距離法分類每一類別中的“＋”代表這一類別的中心向量最大似然法分類類的概率分布計(jì)算最大似然法分類概率等值線，落到哪一類等值線上，就屬于哪一類訓(xùn)練區(qū)的選擇訓(xùn)練階段的質(zhì)量決定著分類階段的成功與否，也決定著從分類中所獲取的信息的價(jià)值；用于圖像分類的訓(xùn)練區(qū)的統(tǒng)計(jì)結(jié)果，一定要充分反映每種信息類型中光譜類別的所有組成；代表性、完整性；分布：多個(gè)樣區(qū)4分類精度的評(píng)價(jià)

1）分類精度評(píng)價(jià)的方法

圖像分類精度評(píng)價(jià)是分類過程中不可或缺的組成部分。分類精度的評(píng)價(jià)通常是用分類圖與標(biāo)準(zhǔn)數(shù)據(jù)（圖件或地面實(shí)測(cè)值）進(jìn)行比較，以正確的百分比來表示精度。方法：非位置精度：以一個(gè)簡(jiǎn)單的數(shù)值，如面積、像元數(shù)目等表示分類精度，未考慮位置因素，所獲得的精度值偏高。位置精度：將分類的類別與其所在的空間位置進(jìn)行統(tǒng)一檢查。目前普遍采用混淆矩陣方法?；煜仃嚮煜仃嚕河脠D件或某些實(shí)測(cè)值（樣本）混淆矩陣中，對(duì)角線上元素為被正確分類的樣本數(shù)目，非對(duì)角線上的元素為被混分的樣本數(shù)。實(shí)際類型（地面實(shí)況數(shù)據(jù)，groundtruthdata）指地表實(shí)測(cè)值或標(biāo)準(zhǔn)數(shù)據(jù)或圖件上對(duì)應(yīng)的抽樣樣本，行總數(shù)代表分類數(shù)據(jù)各樣的抽樣樣本數(shù)目總和，列總數(shù)代表實(shí)際類型的各類抽樣樣本數(shù)據(jù)總和。表示分類精度的幾個(gè)概念生產(chǎn)者精度（producer’saccuracy）某類中正確分類的像元數(shù)除以參考數(shù)據(jù)中所有該類的像元數(shù)（列方向）用戶精度（user’saccuracy）某類中正確分類的像元數(shù)除以所有的被分為該類的像元數(shù)（行方向）總體精度（overallaccuracy）對(duì)角線上所有樣本的像元數(shù)（正確分類的像元數(shù)）除以所有像元素，只考慮混淆矩陣中沿對(duì)角線方向的數(shù)據(jù)，而忽略了非對(duì)角線方向的數(shù)據(jù)§8.4、遙感圖像專家解譯系統(tǒng)

專家系統(tǒng)：把某一特定領(lǐng)域的專家知識(shí)與經(jīng)驗(yàn)形式化后輸入到計(jì)算機(jī)中，由計(jì)算機(jī)模仿專家思考問題與解決問題，是代替專家解決專業(yè)問題的技術(shù)系統(tǒng)。遙感圖像解譯專家系統(tǒng)的組成圖像處理與特征提取子系統(tǒng)遙感圖像解譯知識(shí)獲取子系統(tǒng)遙感圖像解譯專家系統(tǒng)的機(jī)理計(jì)算機(jī)解譯的主要技術(shù)發(fā)展趨勢(shì)

§8.4、遙感圖像專家解譯系統(tǒng)一、遙感圖像解譯專家系統(tǒng)的組成1、圖像處理與特征提取子系統(tǒng)：包括圖像處理、地形圖數(shù)字化、精糾正、特征提取，結(jié)果存貯在遙感數(shù)據(jù)庫(kù)內(nèi)。2、遙感圖像解譯知識(shí)獲取系統(tǒng)：獲取遙感圖像解譯專家知識(shí)，并把專家知識(shí)形式化表示，存貯在知識(shí)庫(kù)中。3、狹義的遙感圖像解譯專家系統(tǒng)?！?.4、遙感圖像專家解譯系統(tǒng)二、圖像處理與特征提取子系統(tǒng)1、圖像處理：圖像濾波可消除圖像的噪聲；圖像增強(qiáng)可突出目標(biāo)物體與背景的差異；大氣糾正可消除大氣散射、霧霽等影響；幾何精校正后的數(shù)字影像可與專題圖精確復(fù)合；2、分類與特征提取子系統(tǒng)

從圖像中抽取光譜特征、圖像特征和空間特征，為專家系統(tǒng)進(jìn)行推理、判斷及分析提供依據(jù)。

§8.4、遙感圖像專家解譯系統(tǒng)三、遙感圖像解譯知識(shí)獲取子系統(tǒng)1、遙感圖像解譯知識(shí)獲取系統(tǒng)的主要功能是知識(shí)獲取.2、知識(shí)獲取有三個(gè)層次:增加遙感解譯新知識(shí)發(fā)現(xiàn)原有錯(cuò)誤知識(shí),修改或補(bǔ)充新知識(shí)根據(jù)解譯結(jié)果,自動(dòng)總結(jié)經(jīng)驗(yàn)，修改錯(cuò)誤知識(shí),增加新知識(shí).4、遙感圖像解譯描述性知識(shí)可以采用框架式方法表示框架知識(shí)表示方法的特點(diǎn)5、過程性知識(shí)采用產(chǎn)生式規(guī)則知識(shí)表示方法產(chǎn)生式規(guī)則的特點(diǎn)§8.4、遙感圖像專家解譯系統(tǒng)四、遙感圖像解譯專家系統(tǒng)的機(jī)理1、遙感圖像數(shù)據(jù)庫(kù)包括遙感圖像數(shù)據(jù)和每個(gè)地物單元的不同特征，由數(shù)據(jù)管理系統(tǒng)管理。2、解譯知識(shí)庫(kù)包括專家解譯知識(shí)和背景知識(shí)，由知識(shí)庫(kù)管理系統(tǒng)管理。3、推理機(jī)采用正向推理和反向推理相結(jié)合的方式進(jìn)行遙感圖像解譯。

推理機(jī)具有兩種運(yùn)行形式咨詢式：用戶和系統(tǒng)進(jìn)行人機(jī)對(duì)話，解譯系統(tǒng)根據(jù)用戶提供的區(qū)域信息和任務(wù)要求，完成遙感圖像解譯。隱蔽式：解譯過程中圖像數(shù)據(jù)同解譯知識(shí)的結(jié)合在專家系統(tǒng)內(nèi)部進(jìn)行。數(shù)據(jù)的傳遞、知識(shí)的調(diào)用都在系統(tǒng)內(nèi)部獨(dú)立完成§