码的对应关系；4、调整或校准规 贝1J，修正错误的类别；5、基于混淆矩阵估计正判率，若达到95%，则视为多边形元解译合 格；若低于95%，则返回修正。
[0032] 本【具体实施方式】结合全国±地调查±地分类标准，制定本征地物分类系统，如图9 所示。
[0033]进一步的，所述的解译指标数据库构建的步骤包含：1、将表征解译指标的栅格数 据与多边形元矢量数据进行叠加；2、W多边形元矢量外边界为范围限定条件，进行包含式 的选取分析；3、对于选择得到的区域栅格进行统计分析，求得定量指标数据；4、将多边形 元的解译指标数据写入与元多边形关联的属性数据库中。
[0034] 进一步的，所述的辅助解译信息数据库集成的步骤包含：1、根据专业和用户个性 需求，选取与定义辅助解译信息指标，一般为基于DEM的地学指标；2、对DEM进行预处理，如 重新定义像元大小等；3、按指标定义，利用DEM计算辅助解译指标的栅格图像；4、W多边 形元为边界，应用空间栅格选取功能，取得落入多边形内的栅格点，求算基于该多边形的辅 助解译指标；5、将该指标写入多边形元的属性数据库中。
[0035] 进一步的，所述的基于似然推理或确定性推理模型的面向行业的图斑推理的步骤 包含：1、用户依据自己的专业应用要求，建立专业分类标准与分类系统；2、准备判读样地 数据集，如使用GI^采集的样点集；3、判读样地与对地观测元多边形叠加分析，建立语义解 译规则；4、使用辅助解译信息，构建面向图像高层语义知识的专家知识库；5、确定本征地 物类到专业类的对应关系；6、使用似然推理模型或确定性推理模型对图斑进行属性判断； 7、基于同种地物类别的图斑归并。
[0036] 上述所述的建立似然推理模型的步骤具体包括：
[0037] 乘法概率模型建立。
[0038] 设C= {ξiIξi为多边形元上的第i个增值集成指标，i= 1，2. . . .η}。
[0039]Ω1、Ω2、Ω3、…、Qm构成了总体Ω的一个完全划分，即010 020 030··· ηQm=Φ,Ω=Ω1UΩ2UΩ3U…UQm，在我们的问题中Ω1、Ω2、Ω3、…、Ω?? 是待识别的对象，是用户专业分类系统定义的地类。
[0040] 假设U相互独立，是随机变量ξ的第i个分量，多边形元属于哪个子体， 是由ξ的各个分量联合确定的；ξ?密度函数正态的，且正态密度函数的基本形式为： f(xi) =l/exp(-(xi-ui)2/(2〇?2))，i= 1，2···η，ui为ξi的均值，σi为U的方 差，由于ξi独立，所W概率P{ξeΩi} =P{ξ= (ξ1,ξ2,。。。ξη)eΩ1}= ρ{ξ?εΩ?}Χρ{ξ2εΩ?}Χ···Χρ{ξηεΩΙ}。
[0041] 上面模型说明，利用增值数据库的指标ξ1，ξ2,…ξη判定某个多边形元属于某 种地类的概率，等于用各个指标计算的该多边形属于某种地类的概率的乘积。对于任意多 边形，假设pi=ρ{ξeΩi}为该多边形属于Ωi的概率，i= 1, 2, 3…η，则对pi进行排 序，Max{pi,i= 1，2,…η}所对应的Ωi将是多边形元的最大概率推断类别。
[0042] 加法概率模型建立：
[0043] 各变量的基本假设如乘法概率模型与推理所述。
[0044] 假设ξi相互独立，ξi密度函数正态的，且正态密度函数的基本形式为：f(xi)= l/exp(-(xi-ui)2/(2σi2)),i= 1, 2…n，ui为ξi的均值，σi为ξi的方差。
[0045] 如果假定每个ξ?可独立确定待判多边形元属于哪个子类，即ρ{ξeΩ}= ρ{ξeΩ；1}υρ{ξeu…υρ{ξeΩη}。
[0046] 上面模型说明，利用增值数据库的指标ξ1，ξ2,…ξη判定某个多边形元属于某 种地类的概率，等于用各个指标计算的该多边形属于某种地类的概率的和。对于任意多边 形，假设pi=ρ{ξeΩi}为该多边形属于Ωi的概率，i= 1, 2, 3…η，则对pi进行排 序，Max{pi,i= 1，2,…η}所对应的Ωi将是多边形元的最大概率推断类别。
[0047] 贝叶斯概率模型建立：
[0048] 各变量的基本假设如乘法概率模型与推理所述。
[0049] 如果依据经验或其它手段，能预先知道各种地类的一个先验概率，即各种地类的 成数比例，贝阳日法概率模型与推理的概率计算：
[0050]ρ{ξeΩ4=ρ{ξeΩΚυρ{ξeU…υρ{ξeΩη}
[0051] 可转换为贝叶斯概率模型：
[005引
i=l，：2,3 ……
[005引对于任意多边形，假设pi=ρ{ξeQU为该多边形属于Ω?的概率，i= 1，2, 3…n，则对pi进行排序，Max{pi,i= 1，2,…η}所对应的Ωi将是多边形元的最大概 率推断类别。
[0054] 正态分布的概率密度函数模型建立：
[00巧]假设地物类依某个指标的分布密度函数是正态的，即Ω~N(u，σ2)，运种地物有 分布低限、分布高限和最适合分布区，在接近低限或高限的区域，出现该地物的可能性越来 越小。只要快速估计出各个指标下的总体的一维正态分布的密度函数，即可推理某多边形 隶属某类地物的概率。
[0056] 个体ξ属于某种地类Ω?的正态分布的概率密度函数模型如下：
[0057]
[0058] 若样本x{xl,χ3,…，χη}容量足够大，样本个数为η〉30,使用点估计法进行估 计。由已有的专家知识或是现实的地面调查数据，估计出正态密度函数的两个待估参数U 和0,即分布的中屯、位置与分布的离散程度。样本均值X与样本方差S2分别是总体均值U 与方差σ2的无偏估计值，估计公式如下：
[0061] 上述建立确定性推理模型的步骤具体包括：
[0062] 假设用户判断某个多边形ξ的地物类型需由m个解译指标和辅助解译指标共同 组成k条规则构成，即condition(条件1，条件2,……，条件k)，则决然推理过程为：
[0063] IFcondition(条件 1，条件 2，......，条件?ΟΤ?ΕΝξ=Ω?
[0064] condition(条件1，条件2,......，条件k)可能是由复杂的逻辑运算符连接起来的 "复合条件"。
[0065] 进一步的，所述的建立混淆矩阵，对计算机解译结果进行验证的步骤包含：1、选取 预留的样点；2、提取统计每类用户定义的语义类别的样点数及每类样点落在经实地验证的 地类的样点数，建立混淆矩阵；3、计算过程精度、用户精度、总体精度；4、当总体精度达到 85 %W上为合格；5、若低于85 %，需重构解译模型。
[0066] 进一步的，所述的定量遥感估计的步骤包含：1、确定待估的参量指标；2、确定待 估指标所在地物类，依据图斑类别的待估指标状况设计采样框；3、获取地面样本点；4、回 归建模，计算每个图斑的待估指标；5、当统计计算完成后，定量估计结果写入图斑属性库 中。
[0067] 本【具体实施方式】提出了一种遥感图像计算机自动解译的方法，该方法在遥感图像 的图形自动识别的基础上，依据专业应用的分类系统或个性化需求，对图斑具有的地物类 别或属性进行计算机自动解译。多边形元和本征地物类是本发明提出的新术语，将为同一 研究区域的不同用户提供了基本的ArcGIS矢量标准库，节约了重复勾绘图斑的人力和时 间，实现了数据的有效共享和客观性，可W有效的促进卫星影像解译结果的产业化。在多边 形元矢量数据库基础上，根据专业语义理解做多级结构的图斑合并和语义推理，可完成面 向特定专业或用户的计算机自动解译。通过图斑属性集成，赋予图斑几何属性、地学属性及 定量遥感属性，实现了矢量多边形实现高层图像语义理解，可为后期的不确定性应用提供 遥感数据支持。<