- 文献综述（或调研报告）：
- 引言
遥感（remote sensing），指不与探测目标相接触，从远处把目标的电磁波特性记录下来，通过分析，揭示出物体的特征性质及其变化的综合性探测技术[1]。随着科学技术等的快速发展，很多新的传感器的地面空间分辨率都得到了进一步的提高，使大面积的获得地面实物信息成为可能，现如今，我们可以获得分米级、厘米级的遥感影像，获取影像的周期也在不断地缩短；使得获取影像时效性增强，影像包含的信息越来越丰富，物体的细节信息也更突出[2]。遥感图像分辨率越高则越容易区分地面物体，接受到的关于目标背景信息量也越大，但与此同时也会产生更加严重的噪声干扰。这会出现明显的同物异谱、同谱异物的现象。高分辨率遥感影像地物特征非常复杂并且偏向细节化，传统的针对中低分辨率目标提取技术已不再适用[3]。因而进一步研究高分辨率遥感影像道路提取方法更加具有现实意义。
- 遥感图像中道路检测概述
针对不同类型的道路，提取的方法有许多。当前遥感影像道路信息的提取主要分为两个方向，半自动和自动化提取。半自动的道路提取方法是在对影像预处理的基础上，人工设定道路初始种子点以及方向，通过特定的规则或方法处理识别，计算机自动完成剩余的道路信息提取工作。自动提取方法则是采用人工智能，通过对道路特征的分析，计算机自动的将道路与其它物体区分开来。半自动方法现已很成熟，也是广泛使用的方法，自动的方法目前应用还不是很广，但却是未来的一个发展方向。
半自动道路提取方法常见的有：基于模型，基于分割，基于回归和基于模板匹配等等。王双[4]应用Snake模型提取道路。即把影像中灰度梯度特征等参数表示在一个能量函数中，当能量函数的值达到最小时实现道路的提取。Nevatian等人[5]应用阈值分割将影像分成道路和背景两部分，然后人工进行种子点的设置，通过分析种子点的邻域来判断是否为道路，最后提取出道路网。F Tupin等人[6]设置了分类过程中的概率密度函数，并以模糊集理论为基础来设定连接道路的权函数，以此通过对影像进行聚类和监督分类来获取道路。张帆等人[7]提出一种基于角度纹理的方法来提取道路，同时也检测道路的宽度，并以此得到较为理想的结果。S R Park等人[8]用人工种子点生成模板，通过自适应最小二乘模型来与模板匹配并估量出匹配程度，以此提取道路中心线。
现在自动化提取道路的技术仍不完善，还需要进一步的发展研究，目前自动化提取道路的方法中较为有代表性的有如下几种：基于数学形态学、基于知识库、基于平行线对及基于地图匹配等的道路提取。X Huang等人[9]提出一种基于形态学组合的道路检测方法，他们先采用阈值分割将图像分成道路区域和非道路区域，然后使用数学形态学开闭运算将道路中间缺失小区域进行填充和去除阴影，最终提取道路中心线。但该方法最终提取的道路不够连续且阴影去除效果不够好。胡进刚等人[10]用影像中的道路特征建立知识库，然后通过某种算法提取影像中的道路段来与知识库进行比对，以此判别是道路的片段，然后将所有片段连接起来形成完整的道路。但此方法较为依赖知识库的判别，而如今道路的知识库还未完善，因此该方法只适用于一些简单型道路。李建飞等人[11]利用直线段检测（LSD）的方法将图像中符合直线段特征的区域提取出来，并优化交路交叉点的提取，然后按交叉点来连接提取的直线段道路，最终得到道路网。但此方法只适用于规则整齐且为直线型的道路，对曲线型道路效果则不是很好。自动化提取道路还处在研究当中，但随着遥感技术、图像识别等技术的不断提高，自动化提取的方法也会越来越完善。
- 遥感图像中地物分类概述
计算机遥感图像分类是统计模式识别技术在遥感领域的具体应用。统计模式识别的关键是提取待识别模式的一组统计特征值，然后按照一定准则做出决策，从而对数字影像予以识别。遥感影像分类的主要依据是地物的光谱特征，即地物电磁波辐射的多波段测量值，这些测量值可以用作遥感图像分类的原始特征变量。一般来说，遥感影像的计算机分类方法包括监督分类和非监督分类两种。监督分类首先要从研究区域选取有代表性的训练场地作为样本。根据已知训练区提供的样本，通过选择特征参数建立判别函数，据此样本像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。主要有最小距离法，最大似然法，神经网络以及支持向量机等。非监督分类不需要训练样本的参与，分类更加方便快捷。但是当地物对应的光谱统计特征差异较小时分类效果不好。一般来讲，监督分类能获得比非监督分类更高的地物分类精度。
3.1最大似然分类
最大似然分类是应用最为广泛的分类方法，它通过计算影像像元对地物类别的最大归属概率进行分类。其原理是假设遥感图像的每个波段数据都为正态分布，每类地物类数据在空间中构成特定的点群；每一类的每一维数据都在自己的数轴上为正态分布。根据各类的已知数据，可以构造出各类的概率密度函数（概率分布函数）。这种分类方法是基于贝叶斯准则的分类方法，是一种非线性分类，其错误概率最小，也是目前应用较广泛、成熟的一种监督分类方法[12]。其判别函数为
P(〡)= P(〡) P()/ P()
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
