航空和衛星的建模和問題探究

導語：航空和衛星的建模和問題探究一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

本文作者：SowmyaArArcot工作單位：

1引言

利用攝影測量和遙感為制圖和GIS獲取數據,傳統方法的特點是人工有效地從影像__匕提取高精度的三維數據,在距離_匕這些影像從空間平臺獲取的圖像到近景固定目標圖像。一般來說,這些生產程序是費時并且很昂貴。在目前的制圖和GIS預算基礎上,傳統的方法限制了能提取的地形信息的數量和分辨率。另外,山于數據獲取當局采用了不合理的數據更新周期,在很多情況下,數據趨向于過時。數據獲取系統總是技術驅動的,并且適應最新的方法和設備。將來,當數字系統成為現實時,這將毫無疑問會繼續.在提高自動化水平的基礎上,數字系統為提取制圖和GIS所需信息提供新方法。新方法中也包括計算機視覺中的邊緣裁剪技術,該技術利用了人工智能和機器學習等領域知識。兇此,攝影測量與遙感和計算機視覺與人工智能等領域的研究人員觸合他們各自的技能來解決這個應用領域的一些具體的問題。在攝影測量與遙感領域自動提取地面地形信息需要過程的簡潔表達和壓縮影像范圍的知識。這是一個很重要的工作,因為影像中儲存著極其復雜的信息。攝影測量中獲得的地表地形的影像的比例尺可從l:3000到l:90000,而遙感獲得的影像的像素分辨率可從!米到30米不等。地形的影像特征的結構很復雜.它是由很多不同的亮度組合而成的,這些亮度可以表達例如,核物、地表、水文等這樣的自然特征:也可以表達例如,房屋、道路等人工建筑,還能表達像陰影或亮度所造成影明的人造物體。另外,遙感影像中,一些特征之間的關系比一般照片上的特征之間的關系復雜。這些特征意味著航天和衛星影像的信息提取是很大的挑戰。信息提取的研究首先得考慮數據的語義方面的問題。可是,提取的信息的幾何性質也必須被考慮,以至于可以確保空間數據的相關規范性。計算機視覺是一門自動和集成廣泛可用于可視處理和表達方法的科學,通過建立清晰、有意義的影像上的對象描述,應用方法和技術很廣泛,其中包括數字影像處理,模式識別,幾何建模,理解和認知處理.計算機視覺本身主要涉及影像解譯和圖像識別問題,并且試圖通過目標和場景識別來解決這些問題。在這個過程中,使用從影像中提取屬性和關系的技術、形狀表達和描述技術,最后,利用提取和描述的特征進行基于模型的識別。由于影像獲取的方法,在從數字遙感影像提取信息的過程中計算機視覺方法的應用是很復雜的,因而,當使用針對普通照片影像的提取方法時,要仔細考慮遙感影像的數據特征。在計算機視覺應用中很難處理的特征,在航空和衛星影像同樣也是很難處理。普通的影響因素包括獲取影像過程中的噪音,陰影的影響,由于照相機的角度和定位引起的幾何變形的影響和光照的影響,由于封閉和部分目標等問題所引起的影響.解譯航空(衛星)影像和其他的圖像時采用的方法是不同的.三維物體幾何形狀是航空影像判讀過程中的最基本的元素,這并不是因為要提取高程的原因,而且是因為在判讀中三維對象可提供更多的信息。是三維還是二維信息更有利于特征的描述,這樣的問題便被提出來了。在計算機科學領域里,對大多數研究而言,二維圖像數據一般認為是足夠的,盡管有研究小組正從事立體視覺和深度信息提取方面的研究。盡管有些例外,但大多數形狀和位置描述決定了計算機視覺中的對象模型,對于中、低分辨率的航空影像,使用纂于形狀的識別是令人質疑的。然而,上下文信息對遙感影像的解譯有很大的作用。比如,橋作為穿過河流的道路的一部分可能很容易被識別。航空影像中的目標很密集,并有很多的組成部分,這一現象己被認識到了。這與計算機視覺最近的發展趨勢是一致,計算機視覺識別圖像上的目標,首先是分離不同目標的組成部分和它們之間的關系。這篇文章將回顧一些在計算機視覺中己使用的知識描述和建模的方法,并給出他們在研究遙感影像理解方面的例子。方法很多,要討論這個領域中所有正在被研究者所使用的方法是不可能的。其他方法的討論可能會涉及其他的領域,如Crevicr和LePage基于知識的影像理解的方法.Hancock和Kittler方法是兩種松弛技術,sriniva犯n是人工智能技術在遙感方面的探索等。第二部分將介紹機器視覺領域中的知識的定義、知識表達的方法、控制問題、特征建模方法。第三部分介紹特征表達和特征識別的過程。第四部分介紹知識表達方法在航空測量和遙感中的應用實例.

2知識、表達和模型

2.1知識的定義•MerriamWebsterDictionary把知識定義為己知的事實和條件,知識是通過經驗和聯想獲得,它的范圍包括人所獲得的信息和理解,是己知的總和。表達是描述的行為,狀態和行為的描述.表達成與本質相應的具有特殊特征或品質的符號、副本或圖像。模型是事物的仿真表達,是仿真的實例。在計算機視覺和人工智能中,這些術語的應用不是很嚴格.與它們的字典中的意思和技術定義相適應,很難確切定義。計算機視覺必須獲取影像中場景的有用的描述,最初的描述就是圖像強度值的陣列。在低層視覺階段,進行圖像的初步處理。中級階段應用獨立的鄰域處理方法提取圖像的特征和標識不同的部分。高級階段歸納更多圖像特征表達,在這個階段進行初步識別.為了處理光線和視角的變化、形狀和陰影的影響、圖像處理如,相機角度和位置的變化和低層處理中的嗓聲問題,我們需要現實世界有關圖像獲取和應用等方面的知識,這些知識是較高層的豐富的表達,這在計算機視覺中稱為模型。這些模型解釋、描述或抽象了圖像信息。圖像和模型之間的橋梁就是一定范圍的表達,它聯結著輸入圖像和輸出解釋。(l)生成圖像,圖像是輸入數據的圖像和模擬表達例如:二值圖像和側面影像。(2)分割圖像,分割后的圖像由與實際目標相應的一些像素組成,例如:分割算法的輸出。(3)關系模型,它是經過編碼后的知識,用于高層推理和解譯.每種表達方法有它的應用范圍的局限性。所以,在圖像解譯中,所有四種類型的表達方法都是重要的。我們應該重點放在第四種上,即關系模型,它包含了用于圖像理解目的的知識表達和模型。2.2知識表達知識表達的目的是用計算機易于處理的形式表達知識。一個好的計算機表達語言應該易于表達、簡潔、意義明了的、獨立的。FOL(FirstOrderLoglc)語言是人工智能中表達方案的基礎.FOL有規范的語法和語義,在這種語言里,一個句子的解譯也就是上面談及的。FOL的推斷過程允許從舊語句中推斷出新語句。這種規范的推斷過程可以用于自動的從已知的事實中獲取正確的結論.邏輯編程語言和產品系統二者都以FOL為基礎.像Prolog這樣的邏輯編程語言允許用FOL的嚴格模式描述知識,也能完成推斷過程,可以從通用的知識里提取新的信息。邏輯編程語言通常使用“后向鏈”控制,用后向的邏輯推理法:為證明一些事物,他們發現數據庫中的邏輯關系有助于結論的形成。因此,當一個目標確定后,“后向鏈”是推理中的最佳方式。產品系統由現存的事物的知識庫、一組規則或“產品”組成,這些都是用邏輯關系表達的。下面是一個產品系統的例子。如果一個區域是一個長型的、性質相同的目標,那么他屬于道路。產品系統以匹配,選擇,產生結果這種方式永不停息地循環,應用數據庫的知識,產生新的信息。在匹配階段,系統尋找所有已有的、滿足當前數據的法則。在選擇階段,系統運用第一階段的匹配原則,選擇一個規則來執行。選擇的規則在結果產生階段被執行,在這個階段可能會牽涉知識庫里知識的增加或側除,和數據的輸入、輸出。在人工智能和航空側里與遙感領域,框架和語義網絡是最近最流行的值時表達結構。它應用隱喻,把對象表達為曲線圖中的節點,這些節點用分類的結構組織,節點之間的關系表述為二進制的關系.在框架系統中,二進制的關系被認為是其他框架填充過來的空槽;在語義網絡中,它們之間的關系被認作是節點中的有向線。這兩個系統的意義和所要完成的任務是相同的.描述邏輯系統是從語義網絡發展而來的,最基本的思想是利用目標和類別的復雜定義和它們之間來進行表達和推理。描述邏輯語言提供三種推理支持:(l)概念描述的分類,在特殊的層次中概念的自動整理。(2)對獨立目標根據它們的屬性分類。(3)知識庫所有知識一致性維護。對于這些邏輯所支持的語言幾乎無法表達,并且很難詳細闡述復雜的制約條件.這些語言的優點是他們有依據推理服務的正式的語義和簡單的邏輯操作.簡言之,像Prolog這樣的邏輯編程語言有一個執行模型,這種執行模型很簡單,以至于一個程序設計員就可處理。近來,Pr。109編譯器被推薦作為小型人工智能項目一c產品系統的首選開發工具,該產品系統是一個流行的人工建模推理系統;與Prolog不同的是,產品系統不是基于查詢的,而是開放的、不間斷的系統,它處于連續的操作中。語義系統提供一個比基于文本式的形式主義更容易理解的圖形界面。它可以像FOL一樣富有表現力,盡管大多數并不是這樣,因為這種系統強加嚴厲的拘束于可以表達的對象之上.他的優點其中包括能表模塊方法中的層次關系,并且相對比較簡單。描述邏輯把清楚的語義與簡單的邏輯操結合起來.所以,當所有的方案都依據FOL語言,就有這種或那種方法的折衷.2.3控制問題不管選擇什么樣的影像表達,影像數據的處理和影像數據的表達處理可以稱為影像數據驅動,稱為從下而上的控制,或可稱為內部模型控制,叫做從上而下的控制。自下而上的數據驅動包括從影像處理、分割到描述,每一階段為下階段準備數據。如果鄰域影像處理方法成本底,而且輸入的數據是準確、可信的話,從下而上的控制是有用的.馬爾(Marr)和Ullman致力于自下而上的方法研究.這種自下而上的方法是基于人類視覺數據不變的自下而上的處理基礎上的。Marr認為這個系統導致一個中間描述叫做21/2維的結構,包括地表定位、參考視場中的距離和方位。另外,Ullman假設高水平的處理叫做可視化程序,它檢測中間表達中的感興趣特征。自上而下的模型驅動控制是被知識庫里產生的可能性和先決條件驅動的。因而,模型驅動控制嘗試用一種目標指向的行為去執行內部的模型證明.一個普通的自上而下的控制方法是假設和證明。這個一般可以控制低層次的操作.好像支持的人類可視化某些方面的關系并不是自上而下,這個發現促進了模型驅動方法的發展。降低低水平處理過程的設想亦如此。在實際操作中,計算機視覺系統趨向于混合使用自上而下和自下而上兩中控制方法,系統的重點在方法效率和實用上.并行和串行計算可能在所有的設計中都用上了。自上而下和自下而上這兩種控制隱含了一種層次處理關系.在層次控制中,控制程序看作是合作收集和競爭專家,在任何時候,“專家”幫助大多數選擇。黑板結構是這種方法的一個例子,在黑板結構中模塊化的知識源之間通過一個公共的黑板(存儲器)進行通訊,它們可以通過這個公共的黑板進行輸入和輸出。2.4建模問題在計算機視覺中的基于模型的方法中,在一類圖象中可按優先次序定義了一些模型,并利用這些模型來進行目標識別。這些模型對現實世界和應用中的一些外部知識進行編碼二目標模型可能是外觀模型,形狀模型,物理模型等。在目標表達上,每一個模型應該適應一定的變化范圍,這些變化可能是由于視角的變化、光照的變化、柔韌目標的形狀變化等因素引起的.另外,影像獲取本身的多變性、每組對象中單個對象的多變性,也要考慮進去.感興趣的目標可能是二維的或三維的:這些目標可能是剛性的、有鏈接的或有韌性的。圖像可能是距離圖像或是強度圖像.識別就是確定圖像上不同的特征和在匹配階段對比模型特征。模型(圖像)的關聯特征可以用前面己經討論過的方法中的一種來表達。在一幅沒有限制場景的強度圖像識別一個三維目標是很困難的,航片和衛星影像就屬于這類情況。深度信息的丟失、遮擋和混亂的細節信息產生了很多問題:另外,圖像的強度間接與目標的形狀相關.

3特征的自動提取

絕大多數影像解譯系統的目的是在影像中提取/識別目標.在基于模型的方法中,它通過首先提取目標屬性,然后再將他們與模型匹配。3.1特征屬性的描述在計算機可視中,目標的屬性、性質和可以從影像中提取的場景都叫做特征.這些屬性有時被分類為全局屬性和局部屬性。然而,在攝影測量與遙感領域,“特征”這個術語是指圖像上可識別的目標或者結構,如道路、建筑物,特征的分類依賴于具體應用:舉個例子,對航空影像來說,全局性的描述可以包括航影像覆蓋的地區例如:城區或郊區。避免過多的名字和定義,文章中的混淆就會減少。在這篇文章里,攝影測量中的術語“特征”即是影像中可識別的對象。若涉及對象的性質,我們就要用術語:“屬性”了。目標的全局屬性可以概括為目標完全可視化部分的信息,如面積、周長、長度等。理論上講,為了處理多分辨率和多變的圖像,這些全局性屬性應是縮放和平移不變的。特征不應該重疊,這樣可以避免混亂和遮擋:另外,目標每個不同視角需要獨立的模型,這樣可以處理多視角圖像。例如,在攝影測量中,局部屬性可能是聯結和分割的邊緣,這些可以看作特征的獨立屬性。然而,在計算機可視化中,局部屬性大多數時候被看作屬性之間的聯系,或者是上下文。相關的屬性在圖表中構成。評價特征屬性表達方案的標準是敏感度、范圍、穩定性、有效性和獨特性.根據這些標準,研究者總結出一個基于模型方法的好的表達,.其中包括局部屬性和圖像特定區域和目標的組合。這是因為局部屬性可以根據輸入數據的有限部分有效計算出來;這些屬性很穩定,因為表象的一點變化僅僅影響某些屬性,目標的局部遮擋僅僅影響局部特征。邊緣連接就是邊緣分析基礎上的局部特征的一個例子.多尺度表達是可取的,因為在大尺度上,兩個大體上相似的目標具有相似的描述,即使在小尺度上有一些不同。不管是從影像數據庫還是從經過高分辨率重采樣的影像上,對于航空影像和衛星影像而言,這種多尺度描述是比較容易獲得的。這個選擇項并不是對大多數計算機視覺應用都有用。唯一的模型判斷標準在特征識別過程中并不重要,因為識別的方法能夠允許由于噪音和遮擋等原因造成的錯誤匹配。比較航空影像、衛星影像和計算機視覺中的圖像而言,前者局部特征的定位比較容易,因為前者的外方位元素和相機參數是己知的或者可以推倒出來。對于大多數航空影像計算機視覺研究而言二描述己經是足夠的,但是三維模型和匹配經常應用于攝影測量中,例如建筑物形狀提取。最后,什么屬性對于特征提取或識別有用呢?屬性要能表達不同的特征和圖像不同的部分之間的區別。第二,屬性要能反映外部世界的規律和結構。這樣,屬性的選擇就是與應用無關的了.在遙感中,通過輻射校正、地物的光譜特征和地面的真實情況,所得到的多光譜影像的特征是眾所周知的。一些屬性的規律將可以從這些特征知識中提取:例如,不同類型的地面覆蓋的光譜特性,如不同類型的植被、土壤、礦物質、水和一些人工建筑物經過多年廣泛的實驗和地面事實已經被確定了。在計算機視覺中,另外一些屬性是基于形狀和外形的;例如.道路是窄的條帶,建筑物是封閉的多邊型等。另外一些屬性是基于上下文的,例如,建筑物通常位于道路旁,橋一般是跨越在河上的。特征可以一定的結構進行組織。一種方法是用層次的方法組織它們的部分或全部關系,例如基于系統的語義網絡。第二種方法根據鄰接關系來組織它們。后者對應于空間臨近或上下文關系。二者都可以用圖形表達。32特征識別計算機視覺中的目標識別與攝影測量中的特征提取相對應。為了從一幅圖像上識別單個目標,自下至上的數據驅動控制通常是足夠的,其中屬性第一次被檢測和表達成符號.通過聚集比較原始的屬性來確定新的特征.利用這些屬性從模型庫中選擇合適的模型,也稱為索引。然后找到與影像屬性最匹配的模型屬性。最后,利用一些決策程序來校正模型屬性.查找過程本質上包括歸類、建立索引和匹配等步驟。然而,在包含多個目標,并且有遮擋和重疊的比較復雜的遙感影像中自下至上控制是不適用的,另外,在質量比較差的圖像中噪聲會產生假屬性。對于遙感圖像,這是一個非常合適的方案.在這種情況下,自上而下或者混和控制策略是比較有用的.在自上而下的方法中,假設階段需要利用屬性檢索模型的組織,使得基于觀測的屬性和一小部分合適的目標可以被選擇.在校正階段應用選用的模型來識別目標.在混合方法上,兩個階段的聯合提高了處理效率。當結果屬性比單個屬性更豐富時,就可以對屬性進行組合.這個過程稱為知覺組織.Lowe提出了目標識別中組合問題和屬性組合標準。他尋找邊緣分割的結構,它應該是在一定的投影方式下具有普遍性。例如同線性和平行邊緣。Zerroug和Nevatia應用均勻投影方法把圓柱投影到二維空間。許多研究者己經研制了專業組合方法,例如:steger等的用于路道提取的方案,Hewricsson和Baltsavias等的用于建筑物的提取方案。顯然局部上下文信息在屬性組合中發揮著重要的作用,因為,為了定義局部上下文信息,人們希望把描述局部屬性與其他屬性之間的關系作一些特定安排。有關遮擋、透視、幾何、物理方面的一般知識對識別來說是必要的.Brooks(1981)建立了一個名為^eRoNYM的目標識別幾何推理系統.Matsuyama和H、ang(一985)研制的s一oMA系統,其中包括了幾何推理專家模塊。Mc引one和Shufelt(1994)在他們的系統中考慮了投影幾何,以用于建筑物提取,而Lang和Forstner(1996)在建筑物提取中應用了多態特性.上下文信息在圖像理解起著重要的作用。特別在松弛標記方法中,該方法用局部和全局上下文信息來進行圖像區域或目標標記。經過分割階段,場景標記應該與場景知識相對應,并且標記應該是一致的.這個問題用約束傳播的方法來解決.局部約束導致局部一致,并且通過迭代的方法,局部一致性與整幅圖像的一致性相協調。關于松弛標記方法的詳細論述可以參考Hancock和Kittle:的文章。離散的松弛方法很簡單,只能處理完整和精確的分割.概率松弛方法是建立在局部不一致性很可能全局解譯比一致很有價值但不易于解釋的基礎上的,可參見早期Rosenfeld等人(1976)關于這種方法的一個例子.為了處理匹配階段的不確定性,人們應用了多種基于證據的技術,例如:Dompstershafer理論,可靠性估計,模糊邏輯,最小錯誤原理,可信度估計,隨機封閉集,貝葉斯網絡等.

4建模和表達方法應用的一些例子

在計算機視覺和攝影測量與遙感領域中的知識表達和建模方法的應用就是前述一些方法的具體化。這些應用的領導者在理論上是機器械視覺的研究者。在攝影測量與遙感領域,所采用的方法緊隨計算機視覺領域之后,這些方法己經改進成信息提取的方法了.這些應用表明攝影測量與遙感領域的研究者在人工智能技術上達到了專業水平。這些方法己經從基于規則的系統發展到語義網絡,從框架發展到邏輯描述。在這一部分,計算機視覺和攝影測量與遙感領域中的一些應用的回顧就表明了這個趨勢.4.1邏輯Reiter和Mackworth是第一批在計算機視覺系統中,應用邏輯作為一種表達方式的研究者.在他們的著作中,他們提議用一個邏輯框架結構來描述和解譯圖像和場景知識,并且提出二者之間的形式映射關系。他們陳述了影像原理,場景原理和描述原則,這些原理的邏輯模型形成了影像的解譯。他們應用一個稱為Mapse的簡單地圖理解系統來說明他們的方法。雖然這種應用具有相對的局限性,但是還沒有新的系統被報道。一個原因是計算方法的復雜性。當邏輯提供一個一致的形式來說明約束,特定的研究使用邏輯的效率并不高。另外,FOL本身善長描述數據的不確定性和不完整性,這些存在于圖像屬性之中。影像元素與影像對象之間的對應并不是一對一的關系,另外的邏輯關系對這些模型是必要的。Matsuyama和Hwang采用了一個邏輯框架結構,在這種結構中,動態產生新的邏輯一致性和規則。4.2基于規則的產品系統Brooks研制了基于模型的影像理解系統一一ACRONYM系統用來檢測三維目標,并用它進行了從航空影像上提取人工地物的實驗。三維模型使用一個基于框架的表述來儲存。對提供的影像進行了分析,ACRONYM系統提取了線段并獲得二維圓柱。幾何知識和圖像條件經過編碼,形成規則被用來產生場景的三維模型,然后這些與框架相匹配以便識別人工地物。sIGMA是一種用框架來描述知識,并且使用從上而下和從下而上兩種控制方案來提取特征的航空影像理解系統。它包括三個子系統:幾何推理專家系統(GRE)、模型選擇專家系統(MSE)、低水平視覺專家系統(LIVE)。信息從GRE傳至MSE,然后同LIVE進行通訊。SIGMA中的框架使用槽儲存一個對象的屬性和它與其他對象之間的關系。以框架中空間知識為基礎,產生目標的假設并用于影像特征相匹配。與目標外形有關的推理,由MSE子系統來處理,并轉換成圖像術語傳遞給LIVE子系統。這種自上而下的影像屬性的選擇有利于檢測到一些小屬性,通過從航空影像中提取房屋和路段信息的實驗對這個系統進行了測試。Mckeown等提出一個基于規則的系統,用來從航空圖像上解譯飛機場.這個系統以大約450條規則為基礎,分為6組:初始化、用于原始圖像片段解譯的區域解譯、一致性檢查、組合圖像片段對功能區域的規則和用于建立機場模型的目標生成規則.Mckeown和Harvey研制了稱為•schemata一個航空影像解譯系統,該系統中包括一個從標準知識集編匯的一些規則。它們從較高的層次模式中自動生成規則,這有利于更好地進行錯誤處理和更有效的操作。他們的系統包括大約100schemeta,其中每一個都會產生大約5個規則。start和Fischler提出了一個基于知識的系統,用上下文信息進行地形識別。在不同的層次上用規則對上下文進行定義。上下文信息并不一定可靠,結果導致很多冗余.這個解譯系統是以三種規則為基礎的:候選結果,候選結果評價,一致性確定。在評價過程中,候選結果的比較是基于可靠的候選結果評價的基礎上的,在這個過程中評價相關相似性,候選結果是這類結果中的一個.作者認為這樣劃分知識是為了使其成為便于操作的大小單元。Stilla等描述了一個基于模型的系統,用來從航空影像中自動提取建筑物信息,目標既具有特殊性又具有一般性。該系統中用產品規則和產品描述集來對要識別的目標進行建模.特殊的模型用不變的拓撲邏輯結構來描述目標,而一般的模型更具有普通性.這些系統說明基于規則的系統不能保證知識的添加性和推理的一致性。如果打破單一規則基礎而采用多尺度的多規則那么就會使程序模塊化程度降低,而且不易于更改。Draper等人建議用黑板系統和基于schema的結構來處理之。4.3黑板系統Nagao和Matsuyama首先陳述了用黑板模型的影像理解的問題,并把它應用到郊區的航空影像中,用于識別汽車、房屋、道路等。他們的系統包括全局的數據庫和一組知識源.黑板用層次方法記錄由:基本區域、典型區域和目標等組成的數據.黑板還存儲一個標記圖,它連接原始影像的象素和數據庫中的相應區域。基本區域是影像段分割的結果,并用灰度、尺寸、影像中的位置來標記。然后區域中的獨特的特征被提取,識別的結果是具有下面的基本屬性的區域。1.依據區域尺寸,大的、同類的區域;2.依據區域形狀,長的區域:3.依據區域光照,有陰影的區域;4.依據臨近區域的定位和太陽的定位,有陰影的區域;5.有植物和水的區域;6.根據紋理信息,高反差紋理區域。這些屬性以單獨的模式儲存在黑板上,然后根據不同區域的特殊特征存在或不存在,知識源會識別出一個特殊的目標.每種知識源都是一個規則,這些規則是在目標識別的圖像處理操作過程中的一個條件或是復雜操作的一部分。例如,利用知識源檢洲莊稼地就是這樣:“如果”是大的同類的區域、植被區域、沒有水的區域、沒有光照源的區域,“那么”可以證明這片區域是莊稼地。每種知識源單獨識別一個目標,且這個可以導致同一個區域識別相互沖突(如莊稼地和草地)。為了解決這個問題,系統自動地計算一個可靠值.然后,取可靠值最高的識別結果奮舍棄其他的識別結果。Fuger等描述了一個基于黑板的數據驅動系統來分析航空影像中人工的目標.一般的目標模型在黑板中用符號表達,單個對象用幾個屬性描述.模型被許多參數所限制,這種參數被一個用“發展階段”的封閉的循環系統所決定。stilla提出一個基于黑板影像理解的系統,這種系統適合于航空影像中復雜場景的結構分析。從一個原始對象開始,反復使用中間結果,目標對象就可以一步一步地組成。對象的組成用一個派生的圖表來表達和記錄.通過二維圖像的分割和直線的近似計算來進行圖像的分析識別。黑板系統一般趨向于具有一個集中控制的結構,所以效率就成了問題。另外,黑板系統假設所需要的知識源是有效的,所以在計算機視覺應用中應用該方法前提是圖像已經被分析過了。4.4框架Hanson和Rieman把框架作為假設的產生的機器。關于目標分類的知識表達為框架。槽描述了目標類別之間二進制幾何關系。槽還包括例示其他的對象描述的產品規則,這樣,框架可用于控制又可用于表達.Ikeuchi和kanade用來表達三維對象.當明確了目標模型是有用的,處理過程是自上而下的。然后,如果模型比較弱并且有較準確的數據,那么處理過程是自下而上的。其他使用框架的系統包括^eRONYM、sxGMA、Nagao和Matsuyama等人的系統,這些己經在上面介紹過了。4.5語義網絡Nicolin和Gabler描述了一個分析航空影像的系統,該系統用語義網絡來表達和解譯圖像。系統由一個短期存儲器(STM)、一個方法庫(MB)、一個長期存儲器(LTM)組成.5丁M的概念地等同于黑板,儲存影像解譯的部分結果.LTM存儲場景的先驗知識和特殊領域知識。系統匹配STM的內容和LTM的內容來產生解譯結果.這個過程由MB中的推理機模塊來完成.STM最墓本的內容是用一種自上而下的方式建立起來的,并且在一種模型驅動階段狀態產生,校驗LTM中存儲的目標屬性的已有部分和缺少的部分。為了基于知識從數字地圖中提取目標,Ma}’er已經發展了一個基于語義網絡的系統。該系統是建立在語義網絡和框架描述相結合的基礎上的,在控制上采用模型驅動和數據驅動相結合。模型是由三個層次組成的,一般與自上而下的影像處理過程的各自的層相一致:(l)影像層,如數字地圖;(2)影像圖表和文本層:(3)語義對象語義網絡以圖形層的部分元素為基礎構建語義對象,這些對象構成了圖形對象和地形對象之間的一般或特殊的關系.例如,一個圖表對象層中延長的區域特征化為“路的兩邊”、“人行道”、“道路網”等.雖然其他對象的描述沒有給出,但是測試己證明了道路網的提取.用框架被設計來分析不同的概念和他們的屬性.對象的提取以模型驅動和數據驅動實例為基礎,初始的研究以用戶確定的特定目標為基礎的。雖然方法是以地圖上明確定義的信息提取為基礎,但是M叮er認為這個過程對影像信息的提取也是很有用的。Tonjes己使用語義網絡從重疊的航空影像來建立影像模型。輸出是具有適當植被表示的三維景觀。Tonjes認為語義網絡適用于表達結構化目標的知識.它的語義網絡是用框架描述的,其中包括關系、屬性和方法。語義網絡有三個層:(l)傳感器圖層,該層從紋理,條帶和圖像細節為基礎描述分割層。(2)幾何和材料層,該層利用傳感和地形解譯結果來描述三維表面層。(3)影像層,它是要提取的對象。語義網絡建立在三層之間。目標描述通過每層來重建,重建是基于數據驅動和模型驅動的。Lang和Forstner把他們的建筑物的提取方法建立在多態的中間層特征的基礎上。該方法中應用了部分分層描述的語義模型。各部分之間的關系沒有包括在其中。結合應用于頂點原始層的數據驅動模型和用于目標解譯、驗證假設層的模型驅動方法的基礎上,建立了建筑物假設層,應用了四種建筑物類型:平屋頂、非直角平屋頂、人字形屋頂、曲線屋頂.sch川ing和vogtle開發了一個利用已知地圖庫輔助解譯的數字地圖史新系統。影像與地圖相比較,檢測出地圖自編輯以來的變化。接著,語義網絡分析新的特征。產生了兩個網絡,一個用場景,另一個用于圖像,在其中網絡中的典型關系建立在不同的層次上.DoGunst提出了一個數據驅動和模型驅動相結合的方法,用來識別數字地圖更新所需的目標,這個方法是建立在用于道路描述的目標導向模型和用于特征識別的基于框架的語義網絡基礎上的。框架詳細定義了目標之間的關系,目標的定義,可選的目標定義和預處理關系。道路的細節包括復雜道路的結合點,這些在知識庫中己被描述。這是一個包括幾個不同類型的道路特征的非常細節的研究。研究效果很明顯,但同時也表明解譯如此多細節存在著困難。Quint和sties在一996年,quint在1997年提出了一個叫MOSES的航空影像分析系統,該系統用語義網絡作為建模工具,利用從地形圖和GIS數據中獲取的知識來自動精練。地圖和圖像中的一般模型的概念是相應的生成的模型概念的特例。對應于特定的場景的特定模型由系統自動產生:它是通過結合用圖像的一般模型進行地圖分析而產生場景的描述而產生的。一開始,數字化的有用的線段用來作為地圖的結構分析,從而獲取地圖的結構分析結果。這樣,結果圖像一般模型來產生特殊模型,以用于圖像分析,對于結構分析,原始影像用作輸入部分。分析是模型驅動的,進行目標識別。在圖像分析處理中用價值函數指導研究。總結之,己發現語義網絡有很廣泛的應用,并且己經應用于航空影像和數字地圖的解譯中.4.6描述邏輯邏輯描述的方法在攝影測量方面的應用微乎其微.其中一個是Lang和schroder(1994)研制的基于描述邏輯的方法,利用該方法結合從地圖上提取的參考信息來解譯航空影像的變化。用KL一one相似描述邏輯來描述不同類型的目標知識和可能的變化類型,它在必要和充足的條件下對概念進行描述。用描述邏輯的描述模塊對有關場景和解譯的實際信息進行描述。用目標概念和變化概念在邏輯上描述空間地物的幾何關系和拓撲關系。目標被認為是經過圖像處理和屬性提取后的目標概念的一個實例。變化概念的概念被定義為識別變化.利用目標導向和許多啟發式方法實現快速搜索。然而,這篇文章的例子似乎都以人工影像為基礎的。

5結論

這篇文章回顧了計算機視覺、攝影測量與遙感領域里的研究者們研究的知識表達和建模方法一些發展。知識表達方法己經從產品系統經語義網絡、框架,發展到描述邏輯階段。就它們的復雜程度、模塊化和操作定義的清晰等方面而言,它們都有各自的優點,這些系統在特定的領域都有應用的實例,且都取得了不同程度的成功。就它們在提取和識別圖像特征中與人眼匹配的能力而言,這些實例表明這些知識表達和建模方法仍有待于進一步發展。除了對本文談及的一些方法的比較外,我們不可能得出哪能種方法最適合于從航空影像和衛星影像上自動提取信息的結論.研究者們正在研究從數字圖像上提取數字制圖和Gls所需信息的方法,攝影測量與遙感領域的研究者正聯合計算機視覺專家來獲取知識表達和建模方面的技術,結合圖像數據的特點采用特殊的方法。雖然,這個工作正處于發展之中,但已經取得了重大進展。攝影測量與遙感領域和計算機視覺領域的研究者在這項工作上繼續合作是十分重要的,這樣可以通過聯合發揮各自的優勢.