遥感影像信息提取与分析_沈占锋
高分辨率遥感影像信息提取与目标识别技术研究
高分辨率遥感影像信息提取与目标识别技术研究明冬萍,骆剑承,沈占锋,汪 闽,盛 昊(中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室,北京100101)=摘 要>由于高空间分辨率遥感影像海量数据、复杂细节和尺度依赖的特点决定了高分辨率遥感影像处理的技术难点。
在总结以往高分辨率影像(航空影像)信息提取技术的主要难点和不足,从理论上和实践上分析了基于特征基元的高分辨率遥感影像处理与分析的意义,提出了基于特征基元的高分辨率遥感影像多尺度信息提取技术框架。
最后对此框架进行总结与分析,指出了目前研究中仍存在的难点和今后的研究重点。
=关键词>高分辨率遥感;信息提取;目标识别;特征基元;影像分割;多尺度=中图分类号>T P75 =文献标识码>A =文章编号>1009-2307(2005)03-0018-03收稿日期:2004-08-12基金项目:国家自然科学基金项目(40101021);中国科学院地理科学与资源所知识创新工程领域前沿项目(CXIOG -D02-01)。
1 引 言航天遥感技术经过30多年的发展,无论在光谱分辨率、空间分辨率、时间分辨率等方面都有巨大的进步,已经形成高光谱、高空间分辨率、全天时、全天候、实时/准实时的对地观测能力。
这些先进的航天遥感技术为监测全球变化、区域环境变化等提供了大量的宏观、现势性资料,造福于人类及其安居环境。
尤其是自法国发射了SPOT -1号卫星以后,基于现势性极好的传输型高空间分辨率卫星遥感图像的应用已引起了世界各国的普遍关注。
二十多年来,卫星影像的地面分辨率由10m 、5m 、2m 、1m 、甚至016m 逐步提高,真正使人们能够/不出门而知天下事0。
高分辨率遥感图像的产生,不仅使土地利用、城市规划、环境监测等民用方面有了更便利、更详细的数据来源,而且,对于军事目标识别、战场环境仿真来说有着更为重要的意义。
2 高分辨率遥感影像信息提取遥感的根本目标是为了从图像上提取信息,获取知识。
基于MPI的遥感影像高效能并行处理方法研究
基于MPI的遥感影像高效能并行处理方法研究
沈占锋;骆剑承;陈秋晓;盛昊
【期刊名称】《中国图象图形学报》
【年(卷),期】2007(012)012
【摘要】采用基于不同尺度下的面向特征基元的影像分析方法对高分辨率遥感影像进行基于MPI的处理,即在对常规的影像数据划分方法进行总结分析的基础上,提出了基于特定环境下的非均匀数据划分策略;在进行基于影像数据库的MPI并行处理时,提出了一种新的数据流分配方法.处理结果表明,这两种方法均能够在一定环境下取得比常规方法更高的效率.
【总页数】5页(P2132-2136)
【作者】沈占锋;骆剑承;陈秋晓;盛昊
【作者单位】中国科学院遥感应用研究所,北京,100101;中国科学院遥感应用研究所,北京,100101;浙江大学区域与城市规划系,杭州,310027;中国科学院遥感应用研究所,北京,100101
【正文语种】中文
【中图分类】TP393.09
【相关文献】
1.基于MPI的LEDAPS遥感影像预处理并行化方法研究 [J], 陈雄华;张旭;郭颖;马勇;杨彦臣
2.基于MPI的海量遥感影像并行处理技术探析 [J], 申焕;石晓春;邱宏华
3.基于MPI的新型GRASS并行处理技术与体系结构研究 [J], 董文婷;刘定生;赵灵军
4.基于MPI的大规模遥感影像坐标转换方法 [J], 刘专;吴烨;李雄文;张翰文
5.基于MPI的图像并行处理方法 [J], 孙敏
因版权原因，仅展示原文概要，查看原文内容请购买。
城不透水面遥感高精度监测关键技术及应用-中国测绘地理信息学会
城市不透水面遥感高精度监测关键技术及应用提名者：中国测绘学会提名意见：不透水面是衡量城市生态环境状况的重要指标，是海绵城市和生态城市建设的重要支撑。
武汉大学等单位完成的“城市不透水面遥感高精度监测关键技术及应用”项目构建了城市多尺度不透水面遥感高精度提取和监测的理论方法体系，率先创建了多源遥感影像不透水面遥感高精度监测技术体系，破解了面向工程应用的不透水面自动提取和监测系列难题，成果已经形成了自主知识产权软件，全球首次完成了国家尺度的米级不透水面产品，并广泛服务于中国自然资源监测、海绵城市规划和建设、城市水文和水环境监测中。
项目获得测绘科技进步一等奖2项目，地理信息科技进步奖一等奖2项目，完成人4次获得国际奖励，被国际同行评价为该领域的引领者，该项目成果已为全国30多个海绵城市试点提供科学定量规划设计参数，已应用于全国31个省会城市的城镇化监测、338个地级以上城市的空间格局变化监测、2436个县（市、区）的国土空间开发监测、中国5大城市群的城市布局和协调发展监测、18个国家级新区的规划实施评估监测。
软件在国内已应用到60余家单位，并出口到美国、德国、澳大利亚等发达国家和加纳、孟加拉国等发展中国家，产生了显著的经济效益和社会效益。
同意提名该项目为国家科学技术进步奖二等奖。
项目简介海绵城市建设是国家战略，是新型城镇化建设的重要支撑。
习近平总书记在中央城镇化工作会议上指出：要建设自然积存、自然渗透、自然净化的海绵城市，有效化解“城市病”。
国务院明确将不透水面面积占比和空间分布作为城市规划许可和项目建设的控制性指标，因此，及时准确地监测房屋建筑、道路、广场等不透水面空间分布是海绵城市规划和建设的重要基础，也是有效化解城市内涝和城市热岛等“城市病”的主要依据。
目前已有的30米分辨率的城市不透水面产品无法满足海绵城市规划和建设需求，天空地多平台、主被动多源高分辨率遥感技术是快速精准获取城市不透水面空间分布信息不可或缺而又非常有效的手段，而高精度不透水面遥感监测面临着理论方法体系缺乏、城市复杂场景阴影遮挡、同物异谱和异物同谱等科学难题。
基于深度学习的遥感影像自然资源信息自动提取技术研究
基于深度学习的遥感影像自然资源信息自动提取技术研究摘要：遥感影像作为丰富的地面载体，可以为自然资源监测监管等业务提供影像支撑。
遥感技术能够全面、快速、有效地探查自然资源的分布情况，帮助自然资源部门摸清自然资源现状，及时掌握自然资源变化信息，辅助行使“两统一”职责。
当前，遥感已成为自然资源调查监管的重要手段。
遥感影像解译技术是随着遥感技术的产生发展而来的。
目前，精准的遥感信息提取主要靠人工目视解译来完成。
面对海量、多源、多时相的遥感影像数据，低效率的人工解译已经无法满足快速获取信息的需求。
为了建立高效的自然资源遥感监测服务体系，迫切需要开展高精度自动化信息提取技术研究，实现目标快速识别和信息提取。
关键词：深度学习；遥感影像；自然资源；信息自动提取技术1遥感影像配准中常用网络结构相较于早期的浅层神经网络，深层神经网络具有更多的隐藏层。
一般认为，网络隐藏层越多，其对复杂函数的拟合效果越好，即深层神经网络能够学习到数据更为本质的特征。
随着深度学习技术的不断发展，越来越多神经网络被应用于遥感影像处理领域。
其中，卷积神经网络CNN(Convolutional Neural Networks)、全卷积神经网络FCN(Fully Convolutional Networks)、孪生神经网络（Siamese Networks)是遥感影像配准中较为常用的网络结构。
CNN由卷积层、池化层与全连接层构成。
卷积层负责提取影像局部特征，池化层通过对提取特征进行下采样，以实现减少数据量，抑制模型过拟合的目的。
CNN通过多层次的“卷积—池化”操作提取影像深层语义特征，再由网络末端的全连接层对提取到的局部特征进行整合并输出分类结果。
由于卷积操作得到的特征仅仅与影像局部区域有关，所以CNN提取到的特征通常具有强鲁棒性。
FCN在CNN的基础上，进行了如下改动：（1）将全连接层替换为卷积层，使网络的输入数据尺寸不受约束；（2）引入转置卷积层，可以对压缩后的特征图进行上采样，增大数据尺寸，以实现对影像所有像元的分类。
波谱匹配支持的遥感专题地物自适应提取
波谱匹配支持的遥感专题地物自适应提取乔程;骆剑承;沈占锋;朱志文;胡晓东【期刊名称】《数据采集与处理》【年(卷),期】2012(027)003【摘要】为贴合地物表现的多样性和复杂性,提出一种波谱匹配支持下的遥感影像专题地物自适应提取方法,经过专题地物端元选取、波谱匹配、影像自动分割、“整体-局部”的空间转换,以及局部针对性、精细化地迭代逼近等一系列相互衔接的算法,全面、准确地提取遥感影像上的专题地物.通过在ETM+影像上水体和裸地的提取实验,并与最大似然法和SVM分类结果比较,证明了该方法对多样性专题地物提取的有效性和普适性.%An adaptive extraction method based on spectral matching is proposed to extract thematic object completely and accurately from remote sensing image. The algorithm first selects the endmember of thematic object, and use spectral matching method to get the matching index. Then, histogram threshold based auto-segmentation method is used to initially separate thematic object from background. Subsequently, thematic object pixels are searched out and taken as seed points to proceed region growing to gain the local area of thematic object. Lastly, the boundary of the local area is searched and the iterative classification within the local area is employed to precisely extract the precise partition of thematic object. Experiments on ETM + image to extract water and bareland are employed here. Comparison with maximum likelihoodclassification and support vector machine (SVM) classification verifies the effectiveness and commonality of the method.【总页数】5页(P294-298)【作者】乔程;骆剑承;沈占锋;朱志文;胡晓东【作者单位】中国科学院遥感应用研究所,北京,100101;中国科学院研究生院,北京,100049;中国科学院遥感应用研究所,北京,100101;中国科学院遥感应用研究所,北京,100101;中国科学院遥感应用研究所,北京,100101;中国科学院研究生院,北京,100049;中国科学院遥感应用研究所,北京,100101【正文语种】中文【中图分类】TP751【相关文献】1.一种基于角点提取的遥感影像地面控制点自适应匹配算法 [J], 邓小炼;王长耀;亢庆;于嵘2.地物反射波谱特征及高光谱成像遥感 [J], 张亚梅3.端元匹配的遥感影像地物自适应光谱表征 [J], 乔程;骆剑承;沈占锋;胡晓东;夏列钢4.利用地物波谱学习的遥感影像波段模拟方法 [J], 程熙;沈占锋;骆剑承;沈金祥;胡晓东;朱长明5.一种基于地物诊断性波谱吸收特征的高光谱遥感图像降维方法 [J], 刘汉湖;杨武年;杨容浩因版权原因，仅展示原文概要，查看原文内容请购买。
基于地块尺度多时相遥感影像的冬小麦种植面积提取
基于地块尺度多时相遥感影像的冬小麦种植面积提取邓刘洋;沈占锋;柯映明;许泽宇【期刊名称】《农业工程学报》【年(卷),期】2018(034)021【摘要】针对仅利用单一遥感影像数据获取农作物信息精度不够问题,该文选择冬小麦主产地河南省兰考县乡镇作为研究区,以2017年多时相中分辨率Landsat8 OLI影像和Google earth上下载的亚米级高分影像为遥感数据源,结合光谱差异和农田地块信息实现冬小麦的精确提取.该算法首先构建不同时相决策树模型,分别实现2个时相的冬小麦区域初步提取;其次通过将对高分影像多尺度分割产生的地块信息分别与2个时相冬小麦播种面积初步区域相互叠加,完成地块单元控制下的冬小麦播种面积分地块统计,并通过设定不同统计阈值,分析落在每一地块单元下的冬小麦区域,生成基于地块单元的冬小麦播种面积分布图;最后通过多时相交叉验证,获取最终冬小麦播种区域.结果表明:该方法能更加准确提取冬小麦种植面积,保持较低的误判率(1.3％)水平下,得到较高的提取正确率(95.9％),较通过对比单一Google earth高分辨率影像获取冬小麦精度(85.6％)高,该研究对通过融合多源多时相影像数据获取农作物提供参考.【总页数】8页(P157-164)【作者】邓刘洋;沈占锋;柯映明;许泽宇【作者单位】中国科学院遥感与数字地球研究所,北京 100101;中国科学院大学,北京 100049;中国科学院遥感与数字地球研究所,北京 100101;中国科学院大学,北京100049;中国科学院遥感与数字地球研究所,北京 100101;中国科学院大学,北京100049;中国科学院遥感与数字地球研究所,北京 100101;中国科学院大学,北京100049【正文语种】中文【中图分类】S512.11【相关文献】1.基于MODIS多时相数据的冬小麦种植面积提取方法研究 [J], 宋博文;赫晓慧2.基于支持向量机的多时相r遥感影像冬小麦种植面积提取 [J], 张帅;谢福鼎;魏东岚3.基于多时相遥感影像的花生种植面积提取--以彰武县北部为例 [J], 贾树海;杨亮;王潇雪4.基于多时相合成孔径雷达与光学影像的冬小麦种植面积提取 [J], 周涛;潘剑君;韩涛;魏善宝5.基于多时相GF-6遥感影像的水稻种植面积提取 [J], 张悦琦;李荣平;穆西晗;任鸿瑞因版权原因，仅展示原文概要，查看原文内容请购买。
遥感影像的特征提取与应用分析
遥感影像的特征提取与应用分析在当今科技飞速发展的时代，遥感技术作为一种强大的工具，为我们获取地球表面的信息提供了高效且准确的手段。
遥感影像作为遥感技术的重要成果，蕴含着丰富的地物特征和信息。
对遥感影像的特征提取以及其应用的深入研究，对于众多领域都具有至关重要的意义。
遥感影像，简单来说，就是通过卫星、飞机等遥感平台获取的地球表面的图像。
这些影像包含了各种各样的信息，如地形、地貌、植被、水体、建筑物等。
然而，要从这些海量的影像数据中提取出有用的特征并非易事，需要借助一系列的技术和方法。
特征提取是遥感影像处理中的关键环节。
从直观的角度来看，我们可以将遥感影像的特征分为光谱特征、空间特征和纹理特征。
光谱特征反映了地物在不同波段的反射或辐射特性。
例如，植被在近红外波段通常具有较高的反射率，而水体在这个波段则吸收较多的能量，表现为低反射率。
通过对不同地物光谱特征的分析，我们可以区分出不同的地物类型。
空间特征则主要关注地物的形状、大小、位置和分布等方面。
比如，城市中的建筑物往往呈现规则的几何形状，且分布较为密集；而农田则通常具有较大的面积和较为规则的边界。
利用这些空间特征，可以对城市规划、土地利用等进行有效的监测和分析。
纹理特征则描述了影像中地物的重复模式和变化规律。
例如，森林的纹理通常比较细腻且均匀，而荒漠地区的纹理则相对粗糙和不规则。
纹理特征对于区分具有相似光谱和空间特征的地物具有重要的辅助作用。
在实际的特征提取过程中，会运用到多种技术和算法。
例如，主成分分析（PCA）可以将多个相关的波段数据转换为少数几个不相关的主成分，从而降低数据的维度，同时保留主要的信息。
还有基于小波变换的方法，能够在不同的尺度和方向上分析影像的特征，有效地捕捉到地物的细节信息。
提取到的遥感影像特征在众多领域有着广泛的应用。
在农业方面，通过对遥感影像的分析，可以监测农作物的生长状况、评估病虫害的影响范围、估算农作物的产量等。
比如，根据植被的光谱特征变化，可以判断农作物是否缺水、缺肥，从而及时采取相应的灌溉和施肥措施，提高农业生产效率和质量。
遥感影像信息提取的方式
０ 引 言
遥 感实 际上是 通 过 接 收 （ 包 括 主 动 接 收 和被 动 接 收 方式） 探 测 目标物 电磁辐 射信 息 的强弱 来 表征 的 ， 它可 以 转 化为 图像 的形式 以相 片或 数 字 图像 表现 。多 波段 影 像
是 用 多波段 遥感器 对 同一 目标 （ 或地 区） 一 次 同步 摄影 或
张 昊 然
（ 辽宁省摄影测量与遥感院 ， 辽宁 沈 阳 １ １ ０ ０ ３ ４ ）
摘
要： 介绍 了利用遥感影像 的光谱 特性 、 空间特 性、 极化特性和 时间特性提取遥感影像信息的常用方法。
文献标识码 ： Ｂ 文章编号 ： １ ６ ７ ２— ５ ８ ６ ７ （ ２ ０ １ ４ ） ０ ２— ０ １ ５ ６— ０ ３
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｓ ｔ ｈ ｅ ｍｅ ｔ ｈ ｏ ｄ ｓ ｏ ｆ ｕ ｓ ｉ ｎ ｇ ｒ ｅ ｍｏ ｔ ｅ ｓ ｅ ｎ ｓ ｉ ｎ ｇ ｉ ｍａ ｇ ｅ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ｓ ，ｓ ｐ ａ ｔ ｉ ｌ ａ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｉｓ ｒ ｔ ｉ ｃ ｓ ，ｐ ｏ ｌ ａ ｒ ｉ ｚ ａ — ｔ ｉ ｏ ｎ，ａ ｎ ｄ ｔ ｉ ｍｅ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｉｓ ｒ ｔ ｉ ｃ ｓ ｏ ｆ ｒ ｅ ｍｏ ｔ ｅ ｓ ｅ ｎ ｓ ｉ ｎ ｇ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ． Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ： ｒ ｅ ｍｏ ｔ ｅ ｓ ｅ ｎ ｓ ｉ ｎ ｇ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ；ｖ ｉ ｓ ｕ ｌ ａ ｉ ｎ ｔ ｅ ｒ ｐ ｒ ｅ ｔ ａ ｔ ｉ ｏ ｎ；ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ ｉ ｆｏ ｎ ｒ ｍａ ｔ ｉ ｏ ｎ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ
遥感影像目标识别与提取技术要点与实例分析
遥感影像目标识别与提取技术要点与实例分析遥感影像目标识别与提取技术在现代科技中扮演着重要的角色。
它通过分析和处理遥感影像数据，实现对地球上的目标进行自动识别和提取。
这项技术的发展对于环境监测、农业生产、城市规划等方面都具有重要意义。
本文将围绕遥感影像目标识别与提取技术展开，介绍相关要点并以实例进行分析。
一、遥感影像目标识别技术要点1. 特征提取：特征提取是遥感影像目标识别的核心任务之一。
它通过分析影像中目标的独特特征，如纹理、形状、颜色等信息，以区分不同的目标。
常用的特征提取方法包括纹理特征提取、形状特征提取和频率特征提取等。
其中，纹理特征提取是较为常见且有效的方法之一。
通过提取目标表面的纹理特征，可以将目标与周围背景进行区分，实现目标的识别。
2. 分类算法：分类算法是遥感影像目标识别的关键环节。
常见的分类算法包括支持向量机（SVM）、人工神经网络（ANN）和决策树等。
这些算法通过对训练样本的学习和训练，建立分类模型，并用该模型对图像进行分类。
根据实际应用需求，可以选择不同的分类算法来实现目标的准确识别。
3. 数据融合：数据融合是遥感影像目标识别中的重要步骤之一。
它通过将不同分辨率或不同波段的遥感影像数据进行融合，以提高目标识别的准确性和可靠性。
数据融合可以包括像素级融合和特征级融合。
像素级融合是将多幅遥感影像进行像素级别的融合，形成高分辨率的合成影像。
特征级融合则是将不同特征信息进行融合，以产生更具丰富信息的目标特征。
二、实例分析以农业生产监测为例，利用遥感影像目标识别与提取技术可以实现对农作物的自动识别和监测。
首先，通过对遥感影像进行预处理，包括大气校正、辐射校正等，获得高质量的农田遥感影像数据。
然后，通过特征提取方法，提取农田遥感影像中农作物的有效特征，如作物的纹理、形状和颜色等。
接下来，利用分类算法，将提取到的特征与已有的农作物类别进行学习和训练，建立作物分类模型。
最后，利用该模型对新的遥感影像数据进行分类，实现对农作物的自动识别。
如何使用遥感图像进行测绘数据提取与分析
如何使用遥感图像进行测绘数据提取与分析遥感技术是一种通过航空或卫星遥感平台获取地球表面信息的技术，目前已被广泛应用于各个领域，包括测绘与地理信息系统。
利用遥感图像进行测绘数据提取与分析，不仅能够提高工作的效率和精度，而且可以获取更多难以通过传统测量方法获得的信息。
本文将介绍一些常见的遥感图像处理方法和技巧，帮助读者更好地进行测绘数据提取与分析。
一、图像预处理在进行遥感图像处理前，首先需要进行图像预处理，以消除噪声和改善图像质量。
常见的图像预处理方法包括图像辐射校正、大气校正和几何校正等。
图像辐射校正主要是校正图像的亮度和对比度，以确保不同图像之间的一致性。
大气校正是通过校正大气光对图像的影响，提高图像的可解译性。
几何校正则是将图像的像素坐标转换为地理坐标，以便后续分析和测量。
二、特征提取特征提取是使用遥感图像进行测绘数据提取与分析的重要步骤，通过提取图像中的特征信息，可以获取地物的位置、形状和属性等。
常见的特征提取方法包括阈值分割、边缘检测和目标识别等。
阈值分割是通过设定一个合适的亮度或色彩阈值，将图像分割为不同的区域，以提取感兴趣的特定地物。
边缘检测是通过检测图像中的边缘信息，提取地物的形状和轮廓。
目标识别则是通过比较图像中的特征和先验知识，确定图像中的目标类型。
三、分类与识别分类与识别是基于图像的测绘数据提取与分析的重要环节。
通过将图像中的像素或对象归类为不同的地物类型，可以构建地物分类图或进行目标识别。
常见的分类与识别方法包括监督分类和非监督分类。
监督分类是通过提供一些具有标签的样本数据，训练分类器来自动分类图像中的地物。
非监督分类则是根据图像的统计特性，自动将图像中的像素或对象进行聚类，得到不同地物类型的分布图。
四、数据融合与分析数据融合与分析可以将不同类型的遥感数据进行集成，以获取更全面和准确的测绘信息。
常见的数据融合方法包括多源数据融合和多尺度数据融合。
多源数据融合是将来自不同传感器或平台的遥感数据进行融合，以提高数据的空间和光谱分辨率。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
计算机世界/2006年/7月/31日/第B15版
技术专题
Taries软件主要应用于对高分辨率遥感影像的各种信息的处理、提取与分析,是具有自主知识产权的软件产品。
遥感影像信息提取与分析
沈占锋
近年来，一系列高分辨率卫星的相继上天，高分辨率卫星遥感的应用也因此成为可能，也凸现出遥感影像数据处理的重要性日益显现。
遥感影像数据处理的主要内容就是对遥感数据（主要是高分辨率遥感影像数据）进行自动（半自动）图像处理分析，从而获取人们需要的信息。
Taries软件是具有自主知识产权的软件产品，由中科院遥感所国家遥感应用工程技术研究中心下属的空间信息关键技术研发部开发。
Taries软件主要应用于对高分辨率遥感影像的各种信息的处理、提取与分析，其功能包括影像的预处理、影像分割、影像分类、特征提取与表达、特征分析、目标识别等。
它是集矢量和栅格于一体化的软件系统。
Taries主要功能
1. 影像处理
（1）采用几何精纠正方法：建立基于空间投影理论与有限控制点的全局自适应方法，并建立基于控制点、线、面特征的局部自适应相结合的影像几何精纠正模型。
（2）实现多源遥感影像信息的特征级融合: 在像元级、高精度的多源遥感信息分析技术基础上，发展了各种特征估计器和融合评判规则，建立特征级的多源遥感信息融合的方法以及相应的算法。
2. 影像信息提取
（1）在复杂环境中的目标信息增强: 采用具有空间自适应能力的目标特征的信息增强模型与方法，特别是弱目标信息的增强方法，并对无关背景信息进行抑制。
（2）高分辨率影像分割: 基于空间特征（包括纹理特征、形状特征和动态特征）以及高维统计特征，采用面向特征的高分辨率影像分割技术（如基于模糊集理论、EM模型、Markov模型、MCMC模型、小波分析等）。
（3）基于智能计算模型的目标特征提取: 基于神经网络、支撑向量机等智能计算模型，研究和发展针对目标的纹理特征、结构特征的提取方法，并实现相应算法。
（4）目标识别与提取系统原型: 采用组件技术，研制开发目标识别与提取软件系统原型，包括影像精处理、目标单元分割与特征提取、目标识别等模块。
3. 矢量数据显示、处理与分析
（1）兼容ArcGIS SHP等矢量数据存储格式，能够采用系统的矢栅一体化数据模型对相应的矢量数据进行读取与显示。
（2）基于底层数据模型，能够实现基于Taries软件的矢量数据的修改功能，包括基本对象（点、线、面）的增、删、改等操作。
（3）基于相应的矢量数据建立拓扑关系，并在此基础上进行相应的空间分析功能（如最优路径查询分析等）。
（4）具有常规的矢量数据显示软件的基本功能，并可在此基础开发进一步的应用（如移动目标定位与车辆跟踪系统等）。
关键技术
1. 高分辨率影像的高精度几何纠正技术
考虑到高分辨率影像的特点，首先应对高分辨率影像进行包括如下两项技术的精处理: （1）基于重叠影像的高精度影像配准技术: 采用既满足一定精度要求、又保证一定运算速度与适应性的子像素匹配技术，从而确定具有一定重叠的两幅图像间的几何对应关系，获得对应的控制点对，采用整体匹配技术使配准精度达到一个像元。
（2）空间自适应高精度几何纠正: 针对高空间分辨率影像的特征，采用具有局部自适应的高精度几何纠正方法，消除常规最小二乘法平面拟合纠正方法对图像局部纠正误差较大的问题。
2. 复杂自然环境下的信息增强
针对地形复杂、植被茂密的复杂自然环境，采用针对特征的统计信息增强技术，对具有重要意义的地面信息进行初步的检测性增强，特别是弱目标信息的增强，并对其他背景信息进行抑制。
建立基于多种影像以及已有目标信息与判别知识的潜在目标快速检测技术，使用方法包括微观特征提取、动态变化检测等。
3. 高分辨率影像分割技术
以影像理解研究为基础，建立融遥感图像信息、地理时/空信息与地学知识为一体的目标空间认知结构模型。
该模型为对中高分辨率遥感图像目标单元群体的处理和分析，提供面向纹理特征和结构特征，并能够最大限度地利用地学分类知识与时/空推理模型的智能化识别与提取方法。
目前软件包括十余种不同的遥感影像分割算法。
基于目标空间认知结构模型和空间特征（包括纹理特征、形状特征、动态特征和轮廓特征）以及高维统计特征，研究面向特征的高分辨率影像分割技术，并采用稳健统计机制来保证分割算法具有较强的稳健性，将分割后的特征按照其几何关系、属性关系、统计关系和操纵方式，以面向对象的模式进行统一化管理，从而将连续的图像形式转化为离散的、便于操作的特征群体，便于目标特征的快速提取。
4. 智能计算模型的目标特征提取技术
针对遥感信息特征的提取问题，在传统统计和人工神经网络方法基础上，发展新型针对高分辨率遥感影像的目标特征提取模型，主要包括: 基于知识的神经网络模型来处理混合密度分布的特征提取和分类; ARTMAP神经网络作为低维空间结构特征的联想记忆模型; 基于统计学习理论的支撑向量机（SVM）。
SVM是近几年最新提出的机器学习算法，它可以作为高维有限特征的记忆单元来实现对高分辨率遥感影像目标特征信息的提取。
应用SVM模型进行特征提取，需要重点解决的问题有: 高维映射函数定义、领域知识融合、支撑向量集极小优化和高维信息压缩。
在以上有关特征提取的智能计算模型基础上，针对不同复杂程度的目标特征提取问题，可分别采用MCMC统计模型、RBF/EBF神经网络、ARTMAP神经网络、支撑向量机来对目标库中的目标特征进行提取和表达。
5. 视觉尺度空间变化的特征表达与目标识别技术
针对空间数据的多尺度特征，引进尺度空间视觉聚类方法，对空间数据的尺度特征变化进行描述（图1）。
基本原理是: 模拟人眼对目标特征从近到远逐步综合的视觉过程，来定量化地划分不同尺度上的空间单元。
在目标识别过程中，将采用视觉空间尺度变换理论和方法，对遥感影像空间特征集采用逐步综合的特征多尺度聚类，从而在尺度空间转换上实现对影像特征集的树状方式管理，以满足不同尺度上的特征组合与表达。
6. 目标识别与提取的RS与GIS集成化处理技术
遥感图像给出了地面目标的栅格化波谱表达，突出并准确地再现了地物的大小、形状（包括点、线、面）和纹理变化; 而GIS则有着对地物边界的精细刻画能力，并能够对地物间的空间关系进行拓扑变换与推理分析。
因此，从空间单元数据处理的粒度入手，并将GIS的空间关系拓扑变换与时空推理分析引入到对遥感图像信息的智能化处理中，极大地提高了目标群体的识别精度与提取的一致性，为基于矢栅一体化数据模型的分析提供重要支撑技术。
7.矢量数据显示、处理与分析技术
除具有矢量数据的显示与基本操作外（如电子地图缩放、漫游等），系统还对矢量数据的编辑功能进行了实现，包括: 特征点显示、点选、矩选、圆选、分裂、合并、增加控制点、删除控制点、移动控制点、增加对象、删除对象、移动对象等功能，并实现了相应的空间分析功能（如拓扑关系建立，最优路径选取等）。
作者简介
沈占锋: 博士，主要从事遥感影像信息提取、分布式地学计算、数字城市等方面的科研工作。
曾获中国科学院院长优秀奖学金、第38批中国博士后基金、王宽诚博士后奖励基金，先后发表论文30余篇。