1、地物自動提取,內 容,地物自動提取的目的和意義 地物提取與影像理解 國內外研究現(xiàn)狀 地物提取的模式與策略 數據驅動與模型驅動 地物提取的半自動與全自動化 處理流程舉例,攝影測量,解析關系,相鄰影像間、影像與空間、.,對應性關系,影像間同名特征間、影像特征與空間特征、.,攝影測量的“3個”基本關系,語義關系,影像理解、目標識別、地物自動提取、GIS數據的自動更新,問題的性質,解析關系：確定性 共線方程 共面條件 對應性關系：不確定性 匹配的多義性 語義關系：模糊性、不確定性 影像上的物體與頭腦中的物體匹配 每個人的認識不一樣,地物自動提取的目的和意義,各行業(yè)對地理數據的需求 土地管理、農業(yè)、林業(yè)

2、 交通、電力、電信、城市管網 水利、消防、城市規(guī)劃 環(huán)境、軍事 娛樂業(yè) 真實城市場景的游戲 移動設備數字地圖 汽車、桌面計算機 Google Earth、Microsoft Bings 騰訊、搜狗,地物自動提取的目的和意義,減少數據采集的時間 人工采集速度很慢 GIS數據采集是GIS應用的瓶頸 提高GIS數據的質量 人工數據點有限 人工采集質量不一致,人與計算機的優(yōu)勢,操作員： 認知、識別能力很強 逐點數字化：速度慢，容易疲勞 測量重復性差 計算機軟件： 計算機速度不斷提高，不會疲勞 認知、識別能力差，經學習后能力不斷提高 測量重復性很好,地物自動采集的分類,單影像：單張影像理解 采集二維數據

3、 多影像：立體攝影測量 同一傳感器的多角度影像 三維數據采集 多傳感器影像與多源數據 影像融合 數據融合,地物自動提取的對象,道路 建筑物 河流 湖泊 土地利用區(qū)域 ,國內外研究現(xiàn)狀,期刊 Pattern Analysis and Machine Intelligence Computer Vision and Image Understanding Computer Vision and Pattern Recognition ISPRS Journal of Photogrammetry & Remote Sensing 會議 IEEE Computer Vision and Patter

4、n Recognition (CVPR) the International Conference on Computer Vision（ICCV） Europeon Conference on Computer Vision （ECCV） ISPRS大會 ,國內外研究現(xiàn)狀,美國南加州大學機器人與智能系統(tǒng)研究所(IRIS)：MURI項目 美國麻省大學(UMass)計算機系：RADIUS項目和APGD項目 瑞士蘇黎世高等工業(yè)大學大地測量與攝影測量研究所(IGP):AMOBE項目，ATOMI項目 英國牛津大學機器人研究組：IMPACT項目 德國波恩大學攝影測量研究所(IPB)：IMPACT項目 比

5、利時Leuven Katholieke大學：IMPACT項目 法國ENST大學: IMPACT項目 德國斯圖加特大學攝影測量研究所(IFP) 荷蘭Delft技術大學攝影測量與遙感系 MIT, CMU, 洛杉磯大學朱純松教授 ,國內外研究現(xiàn)狀,中科院深圳先講研究院 武漢大學 解放軍信息工程大學 國防科技大學 模式識別國家重點實驗室 圖像處理與模式識別研究所 測繪科學研究院 ,現(xiàn)有水平(基于影像重建筑物：2004年),“The current state of automation in the reconstruction of buildings from aerial images is s

6、till surprisingly low. .” 引自：Ildiko Suveg, George Vosselman. Reconstruction of 3D building models from aerial images and maps. ISPRS, Journal of Photogrammetry & Remote Sensing 58 (2004) 202 224,“從航空影像重建建筑物的自動化水平還令人吃驚的低下。雖然有了許多針對這一問題的算法和系統(tǒng)，然而一個通用的自動重建系統(tǒng)還找不到。在限定的環(huán)境中有限的成功和部分解決是當前的水平”,現(xiàn)有水平(建筑物：2012),“F

7、ully automatic modeling still suffers considerable quality loss compared to interactive approaches, and as of today, the best quality is still obtained by interactive multi-view methods. ” 引自：Przemyslaw Musialski, etal. A Survey of Urban Reconstruction. EUROGRAPHICS 2012,“和交互式方法相比，全自動建模仍然存在顯著的質量缺失，最

8、好的建模質量還是依賴多視影像交互建模得到的?！?難點,“The difficulty in obtaining a general solution to this problem can be attributed to the complexity of the reconstruction itself, as it involves processing at different levels: ” 低級處理：特征提取 中級處理：建筑物模型的表示和描述 ？ 高級處理：匹配和推理 ？,一個能滿足需要的自動重建系統(tǒng)依賴于所有這些不同級別處理的成功 及其 有機組合。,二維影像信息提取與影像理

9、解,Definiens(eCognition)的面向對象方法 FeatyreAnalyst的機器學習方法 ERDAS的ImagineObjective 朱松純的思路,Definiens 認知網絡技術 基本原理,Definiens 認知網絡技術上下文層次關系,Definiens的處理流程規(guī)則樹,處理樹中處理節(jié)點的定義,算法類型,分割算法 分類算法 變量（variable）操作算法 形狀改變算法 對象級別（Level ）操作算法 交互操作算法 樣本操作 影像層操作算法 專題層操作算法 輸出算法 工作空間(Workspace)自動化算法 處理（Process）相關算法,影像對象域處理算法將要執(zhí)行的興

10、趣區(qū)(ROI),從eCognition到Definiens EII的功能變化,小結,參數精確可調的多尺度分割 透明的、可調節(jié)的模糊邏輯分類 明確的類別體系定義 明確的特征空間定義 可充分定制的隸屬度函數 ,4.Feature Analyst,簡單目標 一鍵學習功能 只需選擇對象形狀和圖像分辨率即可，形狀包括細線形、粗線形、建筑物、水體、自然物等類型。 復雜目標學習 波段選擇：這些波段可提供有價值的波譜信息。 對象的特征：空間上下文（即每個像素被哪些東西包圍） 學習器設定 正負樣本學習 迭代過程,特征類型選擇,學習參數設置,FA-樣本選擇,spatial context設置,提取結果,FA-樣本

11、選擇,初步提取結果,挑錯 錯誤結果選擇,后處理結果,Feature Analyst和eCognition處理流程,后面的思想,分類界面法 特征空間被分為若干類,分類界面最優(yōu)化 如：支持向量機 覆蓋分類法 如： 似然法、RBF網絡 免疫球網絡（鐘燕飛）、覆蓋學習(張鈴 張鈸） 仿生模式識別（王守覺等）,分類界面法與覆蓋分類法,區(qū)分事物,認識事物,ERDAS Imagine Objective,IMAGINE Objective是基于對象的多尺度影像分類、特征提取軟件。V1.0內置功能： 植被范圍提取 道路提取 建筑物輪廓提取 建筑物輪廓變化識別 軍事目標識別（飛機類型、船舶類型等）,可定制的面向

12、對象處理流程,Image Objective的主干處理流程,Image Objective界面,Image Objective建筑物提取的流程,柵格像素處理：SFP（Small Feature Preserving) 濾波 柵格對象創(chuàng)建：影像分割 柵格對象操作： 概率濾波 尺寸濾波 重新形成塊（reClump） 擴張 侵蝕 塊（clump）尺寸濾波 柵格矢量轉換：輪廓線跟蹤 矢量對象操作：概括（generalize） 矢量對象處理 幾何 面積 軸2/軸1 方形化（Rectangularity） 矢量對象清理 概率濾波 島濾波 平滑 正交化（Orthogonality）,三個有代表性軟件的簡單比較,機器學習的程度與應用模式,理想模式全面學習 用戶在解譯的過程中扮演的角色為“示范”和“