遥感信息处理（精选8篇）
遥感信息处理 篇1
0 引言
遥感信息模型(RSIM)泛指利用遥感数据对地学规律进行研究所构成的方法、模型[1]。遥感影像提供了地球表层的多维动态观测数据,通过遥感影像建立遥感信息模型,研究地球系统的各个要素及其相互关系[1],在科学研究和国民经济中具有重要意义。
保证遥感数据的时效性,是应用遥感信息模型必须解决的问题。近年来遥感数据高速增长[2],如何实现海量、多源、多尺度遥感数据的快速计算,是遥感信息模型处理平台面临的又一挑战。传统的遥感信息处理平台以桌面端软件为主,如ENVI、ERDAS IMAGINE、PCI Geomatica等,处理低效,不支持各个功能模块的自动流程化处理。通用并行计算平台则缺乏专业的遥感存储计算支持,且有许多冗余功能,研制遥感专用并行计算平台具有重要意义。近年来研究人员围绕遥感处理算法的并行化展开了大量工作[3,4,5,6],涵盖遥感数据预处理、特征参数反演、图像目标识别等方面,为遥感信息模型平台的功能集成打下良好基础。但是国内目前尚无主流遥感集群环境。中国测绘科学研究院研发的Pixel Grid具有集群分布式计算模块,主要提供星测/航测影像的摄影测量处理[7],没有专门的遥感处理功能,且缺乏对于遥感算法的二次开发支持。中科院遥感与数字地球研究所研发的遥感信息计算平台(SINCE)内部集成了集群MPI计算环境,但该平台基于.net框架开发[8],通用性较差。东方泰坦公司的泰坦超算平台(Titan SCP)具有跨平台部署能力[9],但缺乏海量存储支持。
为适应遥感领域对于海量存储和高效计算的需求,提高RSIM的生产效率,本文在遥感高性能计算平台工作的基础上[10,11,12],提出一种高性能自动化RSIM处理平台,该平台具有以下特点:(1)基于Lustre实现海量文件存储功能;(2)提供MPI并行编程支持;(3)通过任务级(Torque)和业务级(Karajan)的调度使系统具有良好的负载均衡能力和复杂的跨平台功能组合功能。
1 平台设计
当前遥感数据和遥感处理算法具有如下特点:
1)遥感信息模型一般呈密集而不规则的数据访问模式[13],由于对数据的依赖度不同,各模型表现出的访问特点不同。其中大量非连续小块数据的访问造成严重的IO瓶颈,在此种条件下,模型IO通常只能取得峰值期1/10的性能[14]。如何结合遥感数据与模型的特点优化存储,这是实现平台高性能的重点。
2)遥感处理可分为3个层次:像素级、特征级和目标级[15]。随着处理层次的增高,处理数据量越来越小,算法越来越复杂,人工干预的成分增大[4]。MODIS传感器的数据集约占ECHO[16]总数据集(共包含595个传感器的3200个数据集[17])的1/10[17],是一个十分有代表性的传感器。以Terra MODIS产品为例,产品覆盖领域包括大气、陆地、海洋和冰冻圈,共38个大类[18,19]。这些大类的处理等级为1~4级,如表1所示,随着处理级别的升高,数据量减少,处理时效性降低。这一方面说明复杂算法的并行化比较困难,另一方面则揭示了提高低等级数据处理效率能够解决遥感数据处理的大部分性能要求。
注:Res指影像空间分辨率
3)遥感信息的提取方式由相对单一的处理如波段运算、影像变换等向多元处理链的方向转化,并有计算机处理、人工单源干预和多方协同处理多种模式。处理流程的复杂化和处理模式的多元化对于处理平台的资源配置能力提出了更高要求。
本文沿袭经典的Linux机群+MPI搭建基础并行环境,并用Ethernet和Infini Band子网两个重叠的网络组成集群网络拓扑,采用Lustre集群文件系统构建平台存储模块。目前世界排名前10的超级计算机系统中有7个使用Lustre[20],其高可扩展性能够适应潜在数据的存储需求。在此基础上,为了解决上述问题,构建一个遥感专用高性能计算平台,本文依次作了如下设计:
1)从存储组织和文件访问两方面进行控制,针对不同的遥感影像设计不同的OST池进行存储,减少访问目标块与存储分片之间的位置差异。
2)平台把重点放在提高低等级遥感数据处理的效率上。低等级遥感处理包括几何校正、辐射校正等影像预处理算法,影像重采样、影像镶嵌、图像增强、波段运算等通用处理方法[3]。
3)设计两级调度策略使系统具有良好的负载均衡能力和完备的任务编排功能。Torque+Maui实现并行计算资源的细粒度按需分配,Karajan工作流则从业务层面提供了复杂处理组合和跨组织协作功能。
系统的基本架构如图1所示。
2 Lustre IO优化
当多个客户高并发访问时,锁竞争和文件系统资源竞争会使Lustre文件系统效率大幅下降。根据应用特点对Lustre进行IO优化,从两个方面展开:(1)减少对单个文件的并发访问;(2)提高单次传输的文件分片利用率。这种调整可从Lustre文件系统和应用程序两方面进行。
1)对文件存储方式进行优化
文件的分片大小和分片个数对系统性能有显著影响[21]。不同大小的文件由于应用场景不同通常有不同的分片方式。例如Lustre单次网络传输缓冲区大小为1 MB,1 MB及以下的文件(如工程代码、tar文件等)不宜切片,而超大文件如1 TB以上的大文件则需要减少切片数量,避免频繁请求。OST池(OST Pools)是一种OST组织方式,同一个池中的OST遵循相同的文件分片规则。OST和OST池之间的从属关系可随时间改变[20],利用OST池可以更好地管理OST。遥感影像的数据大小从几十MB到几百GB不等,本文设计了3种不同默认分片大小的OST池,分别针对小型、中型和大型文件(用户仍可修改各个文件的分片设置),把不同应用模式的数据分离管理。
2)控制读写数据块进行优化
当程序发起与存储分片不对齐的IO请求时,可能会访问多个OST,而多个文件的分片不对齐访问则会加剧系统资源的竞争,如图2(b)所示;而读写块与文件分片一致时,则访问次数相对较少,如图2(a)所示。多个进程和多个文件之间的交互可分为四种方式:(1)多个进程中有一个代理进程直接与文件进行IO,再为其他进程提供数据中转服务;(2)每个进程都单独处理自己的文件;(3)若干进程并发处理同一文件;(4)以上三种情况的混合,前3种情况如图3所示。第(1)种方式避免了并发竞争,但单个进程限制了整体的IO速度和容量;第(2)种方式同样不需要并发控制,瓶颈出现在文件系统的支持上(如磁盘同时打开的最大文件数);第(3)种方式能实现较高的聚合吞吐量,但控制复杂,且资源竞争情况下系统的性能会降低。编写应用程序时,应根据应用特性选择合适的分片和读写方式。
3 平台并行编程支持
遥感信息模型并行化可通过数据并行和任务并行两种途径实现。低等级的遥感处理算法处理的数据量大,但局部数据之间的相关性比较小[4],因此数据并行是模型并行化的重要途径。本平台抽象出遥感处理中的各种数据划分模式,给出编程抽象类以辅助模型并行编程。
遥感传感器一般面向特定的电磁波谱段[1],生产的遥感影像包含若干波段的地物辐射信息(激光雷达点云数据不在讨论之列)。首先针对遥感信息模型处理数据覆盖的范围,作如下定义:
定义1处理域,输入影像各个波段参与模型运算的平面区域的总和,记为Mask。
定义2元处理域,模型运算过程中不可再分割的处理域,记为unit Mask。
定义3域函数,描述处理域的函数,记为mask Func。
模型处理涉及的波段数和模型最小处理范围依次如表2所示,从而遥感数据的元处理(不可再细分的)模式共有6种组合。
元处理域通常包含于某个处理域中。一个矩形处理域的元处理域可能是单个像素,也可能是若干个更小的矩形面域。一个非矩形区域的元处理域可能是更小的非矩形,这种划分可以基于图像行/列进行,或者由一个新的面域函数划分。遥感数据的并行粒度有单影像单个元处理域、单影像若干元处理域、多影像单个元处理域和多影像多个元处理域这四种。图4列举了一些典型的数据划分方式。
为了分离数据划分和数据处理,本文将任意处理函数抽象为以处理域、输入数据和辅助数据作为参数的函数。为用户提供2个面域描述抽象类和3个遥感数据处理任务抽象类,分别是Mask Type、Mask、Unit Task、Task Set和Task Queue。Mask Type是枚举类,罗列上述3种面域函数;Mask描述处理域,包括处理域类型,划分的方式(均匀、非均匀)和划分手法(行、列、自定义函数);Unit Task代表元处理域任务;Task Set则是更为常用的若干元处理域任务;Task Queue表示多个不同处理任务构成的任务队列,由用户根据使用场景实现调度函数。Mask和Task Set的类定义如下:
Mask类定义:
4 平台调度管理
4.1 Torque任务管理器
Torque是一个开源的集群作业管理调度系统,支持批处理、并行和交互式作业,为集群提供任务级的管理和调度,为各个节点分配合理的任务,能有效利用系统计算能力。Torque由4部分构成:任务服务器、任务调度器、执行守护进程和客户端,如图5所示。守护进程MOM运行在各个计算节点上,向任务服务器发送各个节点的状态信息,任务的执行情况以及服务器/调度器分配的其他资源监视任务。
Maui是一个用于集群/超级计算机任务调度的开源软件。Torque只提供了较基本的任务调度策略,而Maui则提供了丰富的选择。Maui设计了6个优先指标[22]来对一个任务进行优先级排序,可指定任务需要的处理器、内存、节点、用户级别和队列级别等来合理分配任务,平衡各个节点的CPU负载和IO开销。
4.2 Karajan工作流
Karajan提供了定义、组织、映射和执行工作流的环境。该工作流采用XML描述各个工作环节(执行动作和相应数据);提供“sequential”、“parallel”等标签供用户组织串行、并行流程;提供条件执行、迭代、循环等多种工作流控制结构和用户自定义函数;可构造基于DAG(有向无环图)的层次化工作流,具有高度的灵活性和适应性。图6展示了几种Karajan支持的流程。Karajan提供检查点(出错后,从检查点开始重新执行流程)、日志等多级容错机制,通过XML中的“on Error”元素用户可自定义错误响应行为。
5 实验与分析
5.1 实验环境
采用12台相同的计算机搭建平台环境,机器参数见表3所示。实验集群结构如图7所示,采用Cisco Catalyst 3560G以太网交换机和Cisco SFS 7000 Infini Band交换机配置集群网络。12台机器中3台搭建Lustre集群文件系统,1台作为Portal服务器,剩余8台作为计算节点。3台Lustre存储节点扩展2 TB的硬盘容量,创建10个OST,构建3个OST池,默认的分片数依次为2、4、8。MPI计算节点为主—从结构,1个主节点7个从节点;Torque的Server节点与MPI主节点安装在不同的机器上;Karajan工作流与Portal服务器安装在同一台机器上。
5.2 正确性验证
本文采用沙尘模型(适用于中国北部地区)对系统功能进行正确性检验。模型的处理流程如图8所示,实验输入数据和计算模式如表4所示。平台界面如图9所示,实验过程中模型按照预期过程依次执行,动态流程监控图正确显示模型各个阶段的计算状态,如图10所示。处理结果如图11(a)所示,浅色区域代表有沙尘的地区,浅色部分越深,沙尘等级越高。该结果与单节点串行处理结果图11(b)相同,充分证明了本平台的正确性。
5.3 性能分析
平台性能通过增大数据量和扩展计算节点两方面进行验证。采用植被干旱指数AWI模型运算验证。AWI模型的计算方式如式(1)所示。完整的计算流程包括AWI指数计算、多幅影像镶嵌、格式转换和结果可视化渲染4个部分。
首先选取2009年MOD09A1不同覆盖时空范围的影像集依次在8个计算节点上进行计算。如表5所示,这些影像集总的数据量从0.69 GB到1521.55 GB不等,随着数据量的增大,系统的吞吐率总体呈上升趋势,如图12(a),峰值大概为122 MB/s。
然后以2009年中国全年数据(约55.2 GB)验证平台性能随计算节点数的变化情况。每个节点运行一个计算进程,当计算节点从单节点逐个增加到8个时,模型计算加速比速率持续上升,在8节点时取得最大加速比13.2,如图12(b)所示,证明该平台具有良好的遥感信息性能高性能计算能力。
6 结语
当前遥感信息模型缺乏高效的一体化处理平台。本文提出了一种适用于遥感信息模型的高性能计算平台。该平台配备Lustre集群文件系统以支撑海量遥感数据的存储需求。从存储和应用程序两个角度分析了文件分片对IO性能的影响,根据文件大小设计了不同的OST池集中存储。对遥感数据的划分模式进行了分类和抽象,为MPI并行编程环境提供了数据划分抽象类。上层通过Torque和Karajan工作流实现两级调度,使系统具备自动装配任务,动态管理执行的能力。Torque中加入Maui调度器,提供了灵活的任务调度功能,使系统的资源配置更好地满足用户需求。实验部分该平台运行了三种模型,证明了该平台高效完成计算任务的能力,相对于单节点串行程序,该平台能完成海量数据任务的快速计算。目前实验集群规模较小,数据覆盖较窄,后续在运行中将进一步扩大节点数量,对系统的性能作进一步验证和调整。
摘要：当前尚无主流的遥感信息模型(RSIM)高性能处理平台,RSIM的研究与应用以项目驱动为主,处理低效。分析当前遥感领域数据与处理的特点,提出一种集数据存储、模型计算、信息发布于一体的RSIM处理平台。通过对存储系统、并行处理环境和调度系统的设计实现平台的海量存储、灵活管理和模型自动快速计算功能。实验表明,该系统能完成RSIM的快速高效处理,具有良好的可控性和适用性。
关键词：遥感信息模型,自动化处理平台,Lustre,IO优化,数据划分,Torque,Kajaran
遥感信息处理 篇2
集中实习报告
（2015-2016学年第2学期）
专业班级：地信1302 小组成员：曹晓东、傅文青、蔡雳鹏、黄亚阳
评语:
实习总成绩:
指导教师签名:
2016年04月01日
项目一：遥感数据下载
一、实习时间及地点
实习时间：2016年03月21日至04月22日 实习地点：测绘学院四楼微机室
二、实习内容
（一）、选定实验研究区和相关的两期或多期的数据
（二）、遥感数据下载
三、任务分工
首先小组内讨论实习研究的区域以及两期数据的大致时间段间隔 数据下载和图像增强：曹晓东 遥感图像镶嵌和裁剪：黄亚阳
遥感图像监督分类和动态监测：傅文青 遥感影像专题地图制作综合：蔡雳鹏
四、实习过程 研究区及数据准备
1.1 实验研究区筛选
从包含的地类、地物的种类尽可能的多的角度进行选择 选择研究区影像的时间段
2.1 选取的多大的时间跨度比较合适，可以使两期的影像较为明显 在http://glovis.usgs.gov/ 下载区域数据
3.1 首先确认所用电脑是否安装有Java的JRE环境或者Java开发者工具包
3.2 在USGS的官方网站上注册上自己的账户
3.3 按事先选择的区域和时间间隔进行筛选，选择适合的时间段（尽量不少于4、5年）
3.4 先去地理空间数据云网站去搜索好需要下载的时间段的地理数据，并按指定的云量进行筛选，然后记住相应的数据标识、条带号、行编号、中心经纬度等等，后到USGS的官方下载标准的数据包。如图所示：
3.5 针对网速的波动时间段，选择合适的时间段去下载实验区的数据（网速太慢的话只能回宿舍尝试自己的校园教育网）
五、实习总结
通过这次初步下载卫星遥感数据，让我个感觉自己进入了一个崭新的领域。还了解了通用遥感数据的下载流程，以及这些编号的基本含义，并且查了landsat卫星不同波段的不同用处，band1-band5和band7的空间分辨率为30米，band6的空间分辨率为60米还了解到了2003年Landsat-7的SLC故障后，采集的数据需要采用SLC-off模型校正。通过自己手动下载这些数据，深刻的体会到论坛的一些大牛说的有什么不懂的地方就查那些官方的文档，真的是这样。那就好像是自己小时候的玩具说明书，告诉你怎么样用，怎么样玩的更流畅。总之，第一次自己找并用数据的实习，刚开始就学到了很多东西。
项目二：遥感影像增强滤波处理
一、实习时间及地点
实习时间：2016年3月23日 实习地点：测绘学院四楼微机室
二、实习内容
（一）、针对已有的遥感影像的特征选择合适的影像增强方法
（二）、分别对已有的不同时期的影像进行规范化增强处理，选择合适的波段进行RGB合成图像，使影像范围内下垫面地物容易识别与提取。
三、任务分工
如项目一的任务分工所述
四、实习过程
1.将下载的7幅图像在basic tools下拉菜单的layer stacking(堆处理)中进行图像融合，如图所示，再选择对应的坐标系，命名新文件并存入指定的文件夹。2.然后在transform选项卡中分别选择principal componentsforward PC rotationcompute new statistics and rotate和NDVI进行 主成分变换和NDVI增强。3.最后进行波段相关性分析，在basic tools选项卡中选择statistics compute statistics项，看方差、直方图等分析数据，选择相关度最相近的三个波段，按假彩色合成的的方法来进行RGB色彩和成。成果如图：
五、实习总结
每个滤波处理都有自己的优势和不足，我们要善于利用每一种滤波的优势来增强图像从而让遥感图像变得更加分明，易读。虽然软件操作就那么几步，甚至一两个按钮搞定的事情，但是我们还是学习过处理原理的。觉得这样好像在这个软件处理数据的时候我可以假想电脑是怎么处理它的。这样可以让自己的思路更加明朗清晰。通过这次的实习也让我们意识到，前辈们的高超技艺，将纷繁的算法集成于一个小小的按钮便可以完成的事情。无意间增强了我们学习编程二次开发的信心和决心。
项目三：遥感图像镶嵌
一、实习时间及地点
实习时间：2016年3月24日 实习地点：测绘学院四楼微机室
二、实习内容
在实际操作中掌握遥感影像处理知识，学会对遥感影像的相关处理工作。
三、任务分工
如项目一的任务分工所述
四、实习过程
基于地理坐标的镶嵌操作：
1.打开ENVI软件，将两幅郑州遥感影像图导入Available Bands List中。2.在ENVI主菜单Basic Tools菜单中选择Mosaicking→Georeferenced，打开Map Based Mosaic窗口。
3.在Map Based Mosaic窗口中选中Import→ Import Files，加载需要进行镶嵌的影像数据。
4.加载完图像后，选中一幅图像，点击右键，选择Edit Entry，打开Entry窗口，将Data Value to Ignore改为0，羽化距离设置为10，将参考图像选为Fixed，其它图像全为Adjust。
5.在Map Based Mosaic窗口中选择File→ Apply，打开Mosaic Parameters窗口，将重采样改为三次卷积内插法（Cubic Convolution），像元大小设置为30米，输出影像mosaic.img。
五、实习总结
通过此次镶嵌实验练习，在实验的过程中不断的遇到问题并且解决问题，学习了邻近影像之间的匹配镶嵌，认识了一些关于镶嵌处理的方法，为今后的影像处理奠定了一定的基础。
项目四：遥感图像裁剪
一、实习时间及地点
实习时间：2016年3月25日 实习地点：测绘学院四楼微机室
二、实习内容
1.掌握用矢量裁剪遥感图像的原理方法； 2.熟练掌握有关遥感图像软件的性能和操作。
三、任务分工
如项目一的任务分工所述
四、实习过程
1.在ENVI主菜单点选Fileopen image file，打开待裁剪影像。
2.在ENVI主菜单点选Fileopen vector file，打开用arcgis软件中做好的郑州面要素文件来裁剪遥感影像图。
3.在弹出的Available Vectors List 对话框中，点击File Export Layers to ROI，弹出select data file to associate with new ROIS 对话框，在此对话框中选择待裁剪影像，点OK，将导出的EVF矢量文件转换为ROI。
4.在弹出的export evf layers to ROI对话框，点选：convert all records of an EVF layer to one ROI„，点OK。
5.在ENVI软件主菜单Basic Tools下拉菜单选择Subset Data via ROIs，用ROI对融合后的影像mosaic2.img进行裁剪，最后得到裁剪的图像。
五、实习总结
通过对ENVI软件的不断熟悉和操作，让我学到很多，ENVI作为对遥感学习的初步入门软件，熟练地掌握是必须具备的技能，在实验中，我遇到了很多困难，看到很多未知的，不解的知识，还有自己原先掌握的知识的困惑，通过与同学的交流学习解决其中的困难。知道了如何对一副遥感影像图进行裁剪，更加熟悉掌握了ENVI软件。项目五：遥感图像的计算机自动分类及精度评价
一、实习时间及地点
实习时间：2016年3月25日和03月28日 实习地点：测绘学院四楼微机室
二、实习内容
（一）掌握遥感图像监督与非监督分类的基本原理；
（二）得到给定区域内每一地类（农用地、建设用地、水体、不透水表面等）的面积；
（三）掌握对分类结果进行精度评价的方法；
（四）掌握相关软件的操作。
三、任务分工
如项目一的任务分工所述
四、实习过程 研究区及数据准备
1.1 open image file打开增强后的两幅影像“200601”和“201001”，选择5、4、3波段合成彩色图像。
图4-1 波段列表
1.2 根据图像的分辨率和实际情况将两幅图像都分为8类。
图4-2 5、4、3波段彩色图
2选择样本
2.1 在image窗口中选择overlay菜单选择下面的ROI，打开ROI窗口。2.2在ROI Name中输入“河流湖泊”按回车键，在三个窗口间进行切换，选择“ZOOM”窗口为选择窗口，在image窗口中进行切换找到对应颜色区域（蓝色），然后在zoom窗口中进行放大然后选取部分区域。（注意均匀选取）
2.3 选择“New Region”新建一个ROI，重复步骤2.2，分别选择林地、草地、居民地、工业用地、沙地、水田、耕地的样本，如图4-3所示：
图4-3 分类样本图
3可分离性分析
3.1在ROI Tool窗口中选择Options菜单下的compute ROI Separability，在打开的窗口中选择“郑州200601”图层，选择所有ROI，点击OK，生成图4-4的分离矩阵，从图中可看出各样本可分离性不错，符合要求，如果值不符合需要进行合并或者重新分配。
图4-4 分离矩阵图
4监督分类
4.1在ENVI主菜单中选择classification->supervised->maximun likelihood,用监督分类中的最大似然对图像进行自动分类，打开图像选择窗口。
4.2在打开的窗口中选择图像“200601”，点击确定，跳出ROI选择窗口，将所有的ROI都选择上将其输出到”监督分类”文件夹，命名为“2006”。得到下图列表：
图4-5
4.3重复上面步骤得到2010年的监督分类图。
5编辑分类结果
5.3打开新生成的影像“2006”，在image窗口中选择overlay->classfication,选择2006，在打开的窗口中课对每一类地物进行颜色和名字的设置与更改。
图4-6
6精度验证
6.1用混淆矩阵进行精度验证，打开classification->post classification->confusion matrix选择ROI进行精度验证。（由于没有验证数据，所以验证进度很高）
7统计分析
7.1打开classification->post classification->class statistics，选择生成的2006影像，点击确定，再选择原图像200601点击OK，选择所有的ROI，将直方图等勾选上，得到下面的统计图：
图4-6
8裁剪
8.1 从图4-6可以看出，工业用地不符合实际情况，原因是没有对背景进行处理，所以须用矢量图重新裁剪，过程同遥感影像裁剪步骤。
五、实习总结
本次实习内容为遥感影像的自动分类和精度评定，从实验课时的安排就能看出为这次课程设计的核心，也是这次课程设计的重点，我被分派到这一部分任务既感到高兴也感到责任重大，所高兴的是组员对我的信任，感到有压力的是怕自己做的不好影响到全组的成绩。就操作过程来说并不困难，难点在于ROI的选取，因为这次我们选择的是郑州市2006年和2010年的landsat5TM的影像，分辨率只有30米，虽然经过增强地物相对较清晰，但是要把每一类都区分出来还是比较困难的。主要原因在于我们是第一次做这种遥感影像图，对地物的辨别大多是通过轮廓，所以很多都不知道是什么地物，只有通过百度地图谷歌地图一类的高分辨率影像找到对应位置进行判别。尽管如此，我在2010年第一次分类中。草地跟居民地还有林地的区分度还是达不到要求，不得已只能对三类重新分类。好在第二次选样本点更小心，课分离度都超过了1.8，可是进行统计的时候又发现在两个时相的影像中有一类地物严重偏多，后来发现是背景没有处理的原因，只能将分类图进行二次裁剪去除背景。
总之这次实习内容并不复杂，监督分类与非监督分类的原理也较简单，关键在于细心和有耐心，虽然简单，但是却会遇到很多问题和需要注意的地方，这也是我们实习的目的，遇到问题，解决问题才有进步。
项目六：遥感影像专题地图制作
一、实习时间及地点
实习时间：2016年3月29日至4月1号 实习地点：测绘学院四楼微机室
二、实习内容
遥感影像的专题地图制作
三、任务分工
如项目一的任务分工所述
四、实习过程
1、打开2006监督后裁剪.bli，此时图层种有9种符号映射。
2、在图层上点击鼠标右键，选择属性。在属性对话框中，选择符号系统，切换到符号系统面板。
3、在色彩映射表中，修改标注。按照图形中的颜色，分别将对应的颜色修改为背景、河流湖泊、林地、草地、居民地、工业用地、沙地、水田、耕地，点击确定。
4、将视图切换到布局试图，在布局视图上点击右键，选择属性。在格网选项卡上，点击新建格网，创建参考格网。在框架选项卡中，将背景改为浅蓝色，点击确定。
5、点击插入-->标题，在文本框中输入“2006年3月土地利用分布图”，字体为宋体36号。
6、点击插入-->图例，设置为三列，将背景改为蓝色。
7、点击插入-->比例尺，选择单位为千米，点击确定，将比例尺放入图中合适位置。
8、点击插入-->指北针，选择合适的指北针，点击确定，放于图中合适位置。
9、点击文件-->地图文档属性，勾选存储数据源的相对路径名。
10、点击文件-->导出地图，分辨率设为300，将地图导出。
11、采用相同的方法将另一幅影像“2010监督后裁剪”制图后输出。
实习成果如图:
五、实习总结
制图综合在前一周刚做过实习，在制图方面并没有太大问题。但是在进行影像的监督分类时，由于考虑不充分，未能考虑影像的背景，导致分类后影像的背景和河流的颜色一样，在制图时无法将河流和背景分离开来。后来又给背景也分了一类才解决这个问题。
遥感信息处理 篇3
关键词：航测遥感,内业数据,关键技术,空间数据
航测遥感技术是人类对地表进行探究的重要手段, 应用该技术能够获得地表物质的时间和空间属性信息。而在整个航测遥感工作中, 数据处理是非常重要的环节, 对测量结果有着最直接的影响。因此, 要对数据处理予以高度重视。
1 航测遥感概述
1.1 航测遥感技术的内涵
航测, 也被称为“摄影测量与遥感”, 属于测绘科学中的遥感科学。遥感科学是空间科学、电子科学、地球科学、计算机科学等学科交叉融合的结果, 是一个新兴的学科。航测遥感技术利用非接触性的传感器来获取目标的时空信息。应用该技术不仅能够对传统目标进行几何定位, 还能够通过使用外层空间传感器来获取目标的影像和非影像信息, 为人类认识和改造自然提供科学的技术和方法。同时, 航测遥感技术对国家的重大决策、国防建设、国家安全等都有一定的影响, 其应用已经深入经济、社会、民生等各个领域。
1.2 航测遥感技术的优势
航测遥感技术具有以下优势:1效率高。航测遥感技术所使用的无人机能够快速、准确、及时地提供信息, 使人们在最短时间内对所观察到的现象及数据作出反应。2灵活性好。航测遥感技术中的无人机虽然飞行速度较慢, 但能够有效保证测绘的质量, 且其对起降机场的条件没有过多的要求, 因此灵活性较好。3数据处理速度快。与其他大型测绘机相比, 低空飞行机所运用的测绘技术具有更高的分辨率, 且对数据的处理速度非常快, 处理效率较高, 因此在测绘领域经常被用来采集各种信息。
2 基础地理空间数据的基本内容
根据技术的发展和用户的需求, 基础地理空间数据产品主要有四种基本模式:DLG (数字线划图) 、DOM (数字正射影像图) 、DRG (数字栅格地图) 和DEM (数字高程模型) 。这四种产品简称“4D”, 可以分别以数字或模拟形式提供, 也可以根据具体需要进行复合, 形成复合产品。例如, 数字影像地形图就是数字线划图与数字正射影像图叠加而成的。
2.1 数字线划图
数字线划图是保存目标要素空间关系和属性的矢量格式的数据集, 是对地形图上基础要素信息基本属性的反映。数字线划图不仅能够满足不同的空间分析需求, 还能够与其他信息叠加, 然后进行空间分析和决策。
2.2 数字正射影像图
数字正射影像图主要是对经过扫描处理的数字化的航空照片或遥感影像进行微分纠正、辐射纠正和镶嵌, 对按标准分幅的地形图进行裁切形成影像数据, 且其中包括公里格网和外图廓装饰等要素的影像平面图。这一过程采用的是数字高程模型。它的优点是信息量较大、直观、真实、准确度高。
2.3 数字栅格地图
数字栅格地图是存储和表示格式为栅格数据格式的图形数据文件, 与地形图形的内容、色彩、规格和几何精度等基本一致。数字栅格地图可以用于与其他模式的数据叠加, 也可以用于数字线划图数据的采集、更新等。
2.4 数字高程模型
数字高程模型是在高斯投影平面上规则或不规则网点的平面坐标及其高程的数据集。为了实现对地表形态更加有效的控制, 还可以配套提供离散高程点数据。
3 航测遥感技术的应用
3.1 在条件限制情况下的应用
在航测中出现的较为普遍的问题是线位变动超出了测控范围和摄影范围。线位变动超出测控范围时, 可以对其进行补测, 然后制图;但超出摄影范围时, 由于资金问题, 补摄的可能性较小, 一般只能人工测绘。因此在设计时, 要考虑到线路移位这一因素, 并留有相应余地。此外, 由于成图时间较长, 在此期间地形地貌等可能发生了一定程度的变化, 图上的线路位置也会发生变化。因此在设计时, 应充分掌握选线技术, 将线位变动的范围控制在摄影范围之内。
3.2 在地图测绘中的应用
传统的地图测绘方法对人力、物力和财力等的损耗都是比较大的, 且有一定的测绘难度, 而航测遥感技术的发展使得地图测绘的难度大大降低。航测遥感技术利用空中摄影对所勘测的目标进行等比例缩小, 以适应不同的地理环境和地形, 从而提高了地图测绘的科学性。
4 关键技术分析
4.1 数据质量控制关键节点的设置
航测遥感内业数据处理中存在一系列问题, 对数据质量产生了一定的影响。这就要求对关键技术的关键节点多加关注, 控制数据质量。具体来说, 对关键节点进行控制主要包括以下几方面的内容。
4.1.1 像控测量、空三加密
首先通过野外实测、空间加密等方式采集平面检测点, 然后与成果中的同名点平面或高程值进行比较。经过分析之后, 去除其中的粗差, 并计算地物点平面绝对位置中的误差、等高线的高程中误差、高程注记点的高程中误差等, 最终确定成果的精度与设计标准是否相符。
4.1.2 外业调绘
对外业调绘进行质量控制主要是对调绘地物的完整性、要素属性、调绘地名等进行核查, 确保其正确性;同时, 还要对新增地物进行补测。一般采用室内核查和外业实地巡视两种方式。
4.1.3 内业数据采集
内业数据采集是利用数字正射影像图来套合检查数字线划图的数据情况, 主要检查数字线划图数据的中点、线、面等的平面位置、几何位置、属性接边情况等;同时, 与调绘片、外业实地巡视等数据进行对比, 分析数据是否有多余、遗漏等错误。
4.2 数据处理中具体的关键技术
4.2.1 资料准备
航测遥感内业数据处理是以航空为基准的, 因此, 准备好相应的航空资料是非常重要的。航摄中需要的资料主要有航摄底片、地形图、航摄机鉴定表、航摄验收报告等。准备完毕后, 要对资料收集是否齐全、仪器参数是否完整等进行进一步检查。
4.2.2 影像扫描
在影像扫描时, 要注意影像的清晰度、色差等。具体来说, 就是根据航拍底片的具体情况, 对扫描参数进行设置与调整, 使反差更加适中、色调比较饱满、框标比较清晰。同时, 也要保证灰度直方图要呈正态分布, 且在能够保证影像完整的前提下, 尽可能地缩小扫描范围, 以减少数据量。此外, 影像扫描的分辨率是地面分辨率和摄航比例尺分母的比值。
4.2.3 定向建模
定向建模是内业数据处理的一个非常重要的环节。基础地理空间的数据模式有四种, 只有选择一种或几种最为合适的模式对影像进行处理, 才能得出比较准确的空间数据。处理步骤一般为:首先人工定向, 减小残差, 然后自动内定向, 选定模板, 进行相对定向处理, 最后得出的结果就是定向模型。
4.2.4 数据采集与制作
数据采集是数据生产的最关键环节。数据采集的内容有以下三点:1立体测判采集。立体测判采集主要是将中心点作为标准, 在中心线上对重要数据进行采集, 然后按照要素的密度, 并遵循“几何形状不失真”原则制作密度曲线, 并结合数字高程模型进行采集数据。2数据分层。对所采集的数据进行分层时, 为了提高矢量数据的精准度和实用性, 应使用数据处理技术进行处理, 以便得到数字高程图形数据。3数据拼接。数据拼接主要是将数字正射影像图数据和数字高程模型数据拼接起来, 并对拼接后的数据进行检查, 确保数据拼接的完整性。对不符合要求的数据要进行重新采集和拼接等, 以得出最精准的数据。
在数据制作方面, 一般是根据航空的实际需求, 对以“幅”为单位的数据利用计算机进行制作, 从而制作出最符合航空要求的信息。
4.3 对异常数据的提取技术
数据处理除了上述内容之外, 还有对异常信息的提取。本文所说的异常信息主要指的是蚀变信息。蚀变信息是找矿的重要提示。遥感蚀变信息则是蚀变岩石在遥感图像上所反映出的形态、特征及其他综合信息。不同的岩石蚀变类型所表现出的影像特征也不同。因此, 以岩石蚀变的综合信息为基础, 并利用光谱理论对岩石具体的蚀变信息所显示出的影像特征进行研究, 是一项有重大实际意义的工作。它能够定位矿物的位置, 并对矿物的具体信息进行探查, 节省矿物勘探的人力、物力和财力等, 并且能够取得比较好的效果。此外, 蚀变信息是相关性信息, 而不是突出性信息, 只有经过一系列处理, 才能从中提取出有用的数据。因此, 必须对遥感信息的处理方法进行深入研究, 才能获得所需要的信息。
5 结束语
综上所述, 航测遥感内业数据处理是整个测绘工作不可缺少的一个重要环节。通过科学的数据处理, 能够得出精准的信息。因此, 在实际测绘过程中, 要非常注重数据分析, 提高数据的有效性, 确保最终信息的精确度, 保证航测作业的成功。
参考文献
[1]周道霞, 刘光辉.试论航测遥感内业数据处理关键技术[J].城市建设理论研究, 2014 (25) .
[2]史婷.刍议航测遥感内业数据处理关键技术分析[J].房地产导刊, 2014 (34) .
遥感信息处理 篇4
1云计算模型构架
云计算的关键是如何实现大规模地连接到更加广泛的服务器甚至个人计算机,使这些计算机并行运行,各自的资源结合起来形成足可比拟超级计算机的计算能力。我们可以通过个人电脑或便携设备,经由因特网连接到云中。对用户端来说,云是一个独立的应用、设备或文件,云中的硬件是不可见的。
它的过程是这样的:首先,用户的请求被发送给系统管理,系统管理找出正确的资源并调用合适的系统服务。这些服务从云中划分必要的资源,加载相应的Web应用程序,创建或打开所要求的文件。Web应用启动后,系统的监测和计量功能会跟踪云资源的使用,确保资源分配和归属于合适的用户。
2云计算处理模型的运行机制
基于云计算模型的影像数据处理模型是在传统的影像数据处理流程的基础上,突破了传统的计算模式,使用了云计算强大的计算资源来完成整个数据处理中的大量的数字运算。其中包括任务的分发、云端处理以及处理完数据的集中和影像的镶嵌等操作。
2.1云处理模型的体系结构
基于云计算模型的影像数据处理系统的体系结构中,云工作站负责管理和分发任务,云端处理服务器依据分发的任务,从云存储中取出影像进行相应的处理,通过TCP/IP通信协议与服务器建立通讯。当对应的云端处理服务器(可以是大型的计算机业可以使微型的个人机)接收到任务时,通过调用系统的计算资源进行相应的处理服务,同时通过云端系统之间的相互通信可以实现一些软件资源的共享等。
2.2云处理模型的工作流程
图1为基于云计算模型的影像数据处理系统的一般的工作流程,主要包括任务表的创建与分发,云端系统的具体的处理过程以及数据成品的集中和影像的镶嵌。利用云计算强大的计算资源来完成其中涉及到的巨大的运算要求。
3基于云计算的航空影像处理模型
在这个模型系统中,主要包括数据的预处理和专题信息的提取。在后期的制图过程中主要包括地图信息的符号化和综合。
3.1预处理
遥感图像的预处理主要包括几何校正和辐射校正,还包括其他的预处理手段,如图2所示。遥感图像成图时,由于各种因素的影响,图像本身的几何形状与其对应的地物形状往往是不一致的。遥感图像的几何变形是指图像上各地物的几何位置、形状、尺寸、方位等特征与在参考系统中的表达要求不一致时产生的变形。遥感图像的变形误差可以分为静态误差和动态误差两大类。静态误差是在成像的过程中,传感器相对于地球表面呈精致状态时所产生的各种变形误差。动态误差主要是成像过程中由于地球的旋转等因素所造成的图像变形误差。遥感图像的几何处理主要包括图像的粗加工、精纠正,还包括重采样以及共线方程的纠正的。
由于航空影像成像过程的复杂性,传感器接收到的电磁波能量与目标本身辐射的能量是不一致的。传感器输出的能量包含了太阳位置和角度条件、大气条件、地形影响和传感器本身的性能所引起的各种失真,这些失真不是地面目标本身的辐射,因此对图像的使用和理解会造成影响,必须加以校正或消除。辐射校正就是指消除或改正遥感图像成像过程中附加在传感器输出的辐射能量中的各种噪声的过程。
在影像数据制图中,数据的收集一般包括遥感影像数据的收集和其他非空间数据的收集,在充分收集历史和当前数据的基础上要对于资料进行初步的整理。数据的预处理主要包括影像数据的几何处理和辐射校正。预处理的云处理模型已经在之前介绍过了。
3.2中期操作
在传统的遥感影像专题信息提取中,主要包括影像数据的格式转化,图像的增强和均衡化、波段的融合、纠正等,文本资料的分类,地图信息的分析,同时在信息的提取中有监督法分类和非监督法分类,以及分类后处理等操作。在基于云计算模型的遥感影像处理系统中,上述的操作方法不变,变化的是计算的模式。传统的处理模式是串行的处理,基于云计算的遥感影像处理模式主要是利用云端系统强大的计算资源实现影像的实时处理。在完成任务的分发后,相应的云端通过直接的相互通信,能够下载相应的处理模块所需的软件和模块,同时按照当前服务器的计算资源状况完成相应的处理和任务的分发等。
3.3后期操作
后期的专题地图的制作中主要包括地图信息的综合,按照专题的信息决定地图信息的取舍,突出重点的专题,省略其他无关的要素,符号化的过程主要依据可视化和视觉美学等知识进行取舍,其中涉及到大量的计算任务仍然放到云端来完成。影像数据的处理一般包括格式转换、图像的增强、均衡化、波段的融合等,在影像数据的应用上主要有信息的提取、分类、专题图的制作等。
4模拟实验数据类比
在这个基于云计算模型的遥感数据处理系统中我们设计使用的是云端强大的计算能力,突破传统的计算模式。由于云计算模型从理论走向实验还有一个过程,这个实验现阶段没办法完成。现以“数字摄影测量网格系统一DPGrid”实验的数据进行生产实验和效率对比。
表1为DPGrid系统(8台刀片服务器)与传统数字摄影测量工作站生产效率对比表。从实验5可以看出,一个中等城市(3000km2),6000幅DMC航空数码影像,8台刀片服务器,仅需要15d即可生成影像镶嵌图。而相同的数据,按照传统作业方式制作正射影像图,需要10个以上的工作人员一年以上的时间。同时由表1可以看出,镶嵌图耗时最短,因而可满足快速响应的需求。同时并行计算的效率比传统串行计算的效率提高了3～10倍,并且影像数越多,效率提高的越多。云计算平台具有更加庞大的服务器群,计算能力更加强大,相比DPGrid系统有更大的运行效率,这将使得海量的遥感数据处理得更加准确、及时。
5结语
云计算是一种颠覆性的技术具有深刻意义,不仅对互联网服务,而且对这个IT业都是一次革命。将它应用在航空影像数据处理领域更是一种大胆的尝试,作为航空影像数据处理专业领域,如何进行海量数据存储与处理、系统的扩展与开放等是该领域长期的瓶颈,云计算的出现给解决这些问题带来了希望。该文详细探讨了遥感云计算的系统构成和实现方法,并以一个具体的原型系统展现了航空影像云计算模式的用户界面、技术手段和运行流程。
参考文献
[1]党安荣,王晓栋,陈晓峰,等.遥感图像处理方法[M].北京:清华大学出版社,2003.
[2]官云兰,周世健,鲁铁定.基于ERDASI MAGINE的数字正射影像图的制作[J].测绘通报,2005(12):31-33.
无人机遥感影像的获取及处理研究 篇5
关键词：无人机,遥感,影像处理
引言
无人机驾驶飞机简称无人机 (unmanned Aerial Vehicle) 是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机。机上安装有自动驾驶仪、程序控制等设备, 地面遥控站人员通过雷达等设备, 对无人机进行定位、跟踪、遥测和数据传输。无人机技术广泛应用于军事侦察、矿产勘查、地质调查、环境监测等多个领域。
随着社会经济的快速发展, 人口和土地资源的矛盾日益突出, 为了提高土地利用效率, 全面开展土地利用情况调查工作, 对于国土资源部进行有效的土地管理工作至关重要。目前, 我国无人机进行影像获取正处于起步阶段, 然而利用无人机进行土地利用调查, 使用方便、成本低、分辨率高, 较适合小范围获取影像, 这对于提高土地管理工作有很大的帮助。
1 无人机影像的特点
无人机遥感与传统的卫星遥感、航空航天遥感相比, 它有其独特的优势:
(1) 无人机操作简单, 非专业人士均可使用, 作业和维修成本较低。
(2) 无人机的飞行高度和航线均可人为操控, 灵活性强。
(3) 无人机飞行受天气影响较小, 飞行高度一般低于1000m, 不受空域限制。
(4) 无人机设备体积较小, 易携带和运输。
(5) 无人机作业效率高, 可获取高分辨率影像。
但是, 无人机由于自身体积小, 承载能力有限, 受风力的影响较大。与此同时, 与传统影像获取方式相比, 无人机数据的获取和处理有一定的局限性。
2 无人机遥感数据的获取
2.1 无人机遥感系统的组成
无人机的遥感系统由空中控制系统、地面控制系统组成。如图1 所示, 其中空中控制系统包括飞机平台系统和信息采集系统, 其功能主要是规划航线上传至飞机上的控制器, 操作者可通过GPS接收天线随时掌握无人机的状态。地面控制系统包括航迹规划子系统、地面控制系统和数据接收系统, 其功能主要是确保无人机按照规划好的航线飞行, 监视飞机飞行姿态以及实时接收飞行数据。
2.2 无人机影像的获取
利用无人机进行遥感影像的获取具体流程操作如下:
首先, 根据任务的要求对拍摄地区进行合理的航线规划, 并由航迹规划子系统将规划完成的航线数据载入到空中控制系统中, 空中控制系统将按照预先载入的航线数据进行拍摄。同时, 拍摄数据将通过无线电传输到地面控制系统。如果有地区需要补测或重点拍摄, 地面操作人员可随时调整飞行路线。
3 无人机遥感影像的处理
3.1 影像数据的预先检查
由于无人机拍摄时受云或风向等天气情况的影响, 需对每张影像进行检查, 如航向重叠度、旁向重叠度、影像突变等, 选取正确的影像。
3.2 影像的预处理
无人机上搭载的航拍设备为数码相机, 而数码相机内的内方位元素和畸变差直接影像成像效果, 因此, 需要根据数码相机的型号选择合理的方法纠正畸变差。此外, 需对影像进行yun光、yun色处理, 保证影像在色度、亮度、灰度、纹理等方面的一致性。
3.3 空三加密
空三加密是处理影像最重要的步骤, 也是工序最多的步骤。其主要过程包括:从内定向到相对定向, 再到绝对定向, 最后到自由网平差, 由此来提取加密点坐标和解算影像的外方位元素。
3.4 DOM制作和精度检查
空三加密结束后, 结合其所得的方位数据及匹配点, 利用影像处理软件实现高精度DEM的匹配, 最终获取数字正射影像DOM, 选取一定数量的同范围内的检查点, 量取检查点正射影像的坐标, 并与获取的平差后的坐标比较中误差, 若不满足要求, 则需重新进行空三加密。
4 实例
该项目所使用的是e Bee无人机, 搭载的是Cannon Ixus 220HS数码相机, 飞行高度约为200m, 相机焦距为24mm, 影像像幅为3500×5500 像素, 飞行从西北-东南, 由e Bee的e Motion航行规划软件自动规划航向重叠度为75%, 旁向重叠度为80%, 飞行面积约为10km2, 使用Post Flight Terra 3D后处理软件可快速获取具有地理坐标的正射影像图。 (图2)
5 结束语
无人机航摄技术作为一种新型的空间数据采集手段, 越来越受关注, 对其的研究也不断创新。根据无人机航摄的优点, 它在土地利用情况调查工作中具有非常重要的作用, 它可以让我们及时掌握实际土地建设状况和土地集约利用总体情况, 进一步提高土地利用效率, 提高各地区经济发展。然而, 无人机航摄的影像像幅小, 倾角过大, 基线短, 重叠度不规则等问题也有待于进一步研究。
参考文献
[1]洪宇, 龚建华, 胡社荣, 等.无人机遥感影像获取及后续处理探讨[J].遥感技术与应用, 2008, 23 (4) :462-466.
[2]许辉熙, 敬小东.基于无人机遥感和GIS技术的土地利用快速详查方法研究[J].测绘与空间地理信息, 2013, 36 (9) :11-14.
[3]李凤娟.无人机技术在天水百亩土地整治中的应用[J].地理空间信息, 2014, 12 (4) :40-41.
[4]周晓敏, 赵力彬, 张新利.低空无人机影像处理技术及方法探究[J].2012, 35 (2) :182-184.
遥感信息处理 篇6
在物探生产中, 结合工区地表情况和施工要求, 利用遥感技术后所得出的图像必须加强对其的处理, 才能更好地利用其为整个物探生产提供服务。基于此, 笔者结合自身工作实践, 就常见的几种用于物探生产的遥感图像处理方法作出探讨。
1 必要性分析
遥感技术是基于现代物理学、空间技术和计算机技术为前提的综合性探测技术, 在实际应用过程中, 主要是基于其能大面积、同步实时观测, 且能提供经济性和可比性的数据。主要是利用其获取遥感图像, 常见的遥感图像的存储主要有SPOT、Quick Bird、Alos、EI。其中, SPOT和ALOS的卫星图片空间分辨率为2.5 m, 而Quick Bird卫星图片空间分辨率为0.61 m, 且不同的图像各自的优点和缺点也不相同。然而, 随着勘探工作任务的不断加大, 尽可能地将野外勘探的难度与测量次数减少。同时, 为了满足高精度和多道数等勘探工作的需要, 尽可能地将勘探工作难度降低, 促进工作效率的提升, 这就必须利用遥感图像为整个勘探提供支持, 但是这些图像的选择和处理又与确保物探工作高效开展关系极大, 所以加强对遥感图像的处理就显得尤为必要[1]。
2 处理的方法
通过上述分析, 加强物探生产所需的遥感图像处理具有十分强烈的必要性, 那么在实际处理中, 我们应采取哪些方法加强对其的处理呢?笔者认为, 在紧密结合实际物探需要的情况下, 针对性地购买卫航片, 并针对性地采取处理方法。
2.1 遥感图像处理中的波段组合技术
在分析和处理遥感图像过程中, 主要都是基于多波段图像开展的一项工作。这就需要把多个单波段的图像文件组成一个多波段的图像文件, 而对遥感图像中的原始数据进行处理时, 由于原始数据需要分波段提供, 所以就应在组合波段的基础上得到多光谱图像。例如ALOS卫星图片, 其原始数据中包含了4个波段和工区的全色图片, 所以必须对其波段进行组合之后得到多光谱图像。
2.2 遥感图像处理中的图像数据融合技术
遥感图像处理中加强图像数据融合技术的应用, 旨在促进图像的空间分辨率的提升和图像的几何精度的改善, 进而将特征显示能力提升, 促进分类精度改善的同时, 促进变化检测能力的提升, 进而更好地对图像中存在的缺陷进行修补和替代。在实际应用过程中, 主要是利用分辨率融合技术融合处理不同空间的分辨率遥感影像, 从而确保遥感图像在处理之后不仅能将其分辨率提升, 还能具有多光谱的特点, 而这就为地物的识别提供便利, 最终实现增强图像的目的。一般而言, 利用图像数据融合, 加强对遥感图像处理之后, 不仅具有全色图像的高分辨率, 而多光谱的丰富图像, 能真实地将地物信息反映出来, 为目视和判读图像带来便利。
2.3 遥感图像处理中的几何校正技术
在物探生产过程中, 为了更好地利用图像获得精确度较高的坐标信息, 就必须加强遥感图像的集合校正。在实际校正过程中, 主要是把图像数据投影到平面之上, 从而确保其与地图投影系统工作的过程相符。常见的校正方式主要有几何校正和图像配准, 几何校正主要是通过地面控制点对遥感图像进行校正, 而图像配准主要是结合已经校正的图像对别的遥感图像进行校正。在几何校正过程中, 其关键就在于如何选取控制点, 只有合理地选取控制点, 才能确保遥感图像校正的精准度得到提升。所以其控制点必须在遥感图像中分布均匀, 且能将其正确地定位和识别。所以在遥感图像中, 主要选取可以精确定位的标的物, 例如河流的拐弯处、地形地物的交叉点、公路桥梁以及交叉路口和水坝等作为控制点。在校正卫星影像时, 通常应选取20到30个控制点, 若已经具备该区域内较高精度的地形图或遥感图像, 就直接利用其校正遥感图像。
2.4 遥感图像处理中的分幅裁剪技术
在物探生产过程中, 为了更好地满足物探工作的需要, 往往需要结合研究的范围和工区的范围对遥感图像进行针对性的裁剪和处理。常见的分幅裁剪主要有规则和不规则之分, 具体需要结合实际进行确定。所谓规则性的分幅裁剪, 主要是把图像的边界裁剪成矩形, 从而利用左上角与右下角的两点左边对图像裁剪的位置进行确定, 而对于不规则的分幅裁剪而言, 就是图像边界范围的裁剪的图形为任意多边形, 且形成封闭、完整的多边形区域, 所以必须针对实际需要确定其裁剪的方式。
3 结语
综上所述, 对用于物探生产的遥感图像处理方法进行探讨具有十分重要的意义。作为新时期背景下的物探工作者, 必须充分意识到加强遥感图像处理的重要性, 并在实际处理中切实加强遥感图像处理技术的应用, 才能不断地强化和提升遥感图像的处理水平。
摘要：在现代物探施工中, 加强遥感技术的应用具有十分重要的作用, 不仅可以提高其清晰度, 还能为物探生产提供重要的依据。主要就物探生产中的遥感图像处理方法进行了探讨, 旨在与同行进行业务之间的交流, 以不断强化物探生产的效果。
关键词：物探生产,遥感图像,处理方法
参考文献
遥感信息处理 篇7
1 遥感技术介绍
随着社会的迅速发展, 人们的生活节奏也随之加快, 尤其是互联网技术的迅猛发展为信息的全球化进展带来了前所未有的机会。计算机已经被利用于社会生活的各个方面, 而遥感技术的应用则为计算机的应用锦上添花。比如, 在进行地址测绘的过程中, 就综合使用的遥感技术和GPS技术, 结合了两者的特色技术, 为地址的测绘工作提供了极大的便利。遥感技术的最普遍应用就是动态监测, 这是形成图像的直接来源, 就动态遥感检测技术而言, 通常需要经历以下几个步骤:一是数据的选择、二是数据的处理、三是信息变化的获取和精度的检验与评定。具体来说, 要获取的数据信息必须是连续的, 只有这样才会确保组成的图片信息的高精度和全面性, 因此, 信息的获取主要通过两种途径来实现, 一种是采用美国陆地探测卫星得到的数据, 另一种是采用法国的地球观测卫星得到的数据。众所周知, 信息是变化的, 那就要对变化的信息进行获取。这就要求在一段固定的时间内, 对所要观测的对象进行变化信息的提取, 主要关注其相关资料在量上变化的大小。动态监测是在测绘领域内非常重要的应用, 主要借助不同的监测时段内所记录信息在量上的变化情况来对事物的变化规律进行预测。为了确保所获取的信息具有可靠性, 一定要严格控制数据的精度, 可以通过与其他的资料进行对比来提高信息的精度。如果遇到对信息精度要求极其严格的情况, 就需要通过地理信息系统等一系列卫星影像分辨率比较高的图片做资料进行补充。
2 遥感图像处理技术的介绍
所谓遥感图像处理技术就是借助计算机的一些制图工具把获得的遥感资料编辑成各种地图, 遥感图像处理技术在测绘制图和地理研究中发挥着至关重要的作用。在进行遥感图像处理的时候在技术性的操作上有极高的要求, 主要涉及以下三个关键技术的操作, 一是空间分辨率与制图比例尺、二是波普分辨率与波段、三是时间与时相分辨率。下面就对以上三个关键技术的操作过程分别进行详细的论述。
2.1 空间分辨率与制图比例尺。
空间分辨率与制图比例尺在技术上要求综合考虑两个关键因素, 第一个关键因素是解译目标最小尺寸, 第二个关键因素是地图成图比例尺。在遥感图像的空间分辨率方面有着不同的要求, 主要是由制图对象的规模来决定的。而地图比例尺与分辨率之间存在着不可分割的联系。大量的实践证明, 地图成图比例尺和空间分辨率等一些其它图片属性对于普通地图的修改和更新都起到了及其重要的作用。
2.2 波谱分辨率。
所谓的波谱分辨率是一个波长的范围, 在遥感技术运用中, 需要传感器的工作, 传感器的探测器件能够接收电磁波辐射, 波谱分辨率是探测器件所能区分的最小波长范围。大量的研究表明, 波普分辨率的高低由波段的波长来决定, 具体来说, 波段的波长范围越小, 所对应的波谱分辨率就越高。在某些情况下, 波谱分辨率的含义也有变化, 主要是指传感器在其工作波长范围内所能划分的波段的量度。此时, 波普分辨率的高低也是由波段的波长来决定的, 具体来说, 传感器的波段越多, 相对应, 波谱分辨率也就越高。
2.3 时间与时相分辨率。
遥感图像在时间分辨率上存在着非常显著的差异, 产生这种差异的主要原因在于用遥感制图的方式显示制图对象的动态变化时, 不仅要把研究对象自身的变化周期搞清楚, 与此同时, 还要明白有没有与之相对应的遥感信息源。遥感图像所反映的是某一瞬间内地面实况的记录, 可是, 不得不承认的是地理现象的瞬息万变。因此, 在一系列按时间序列成像的多时相遥感图像当中, 必定会存在着某一个最佳时期, 而这个期间的图像是最能揭示地理现象本质的。目前, 普遍采用的遥感信息是来自美国陆地探测卫星和来自法国的地球观测卫星遥感信息。
3 遥感图像处理技术在测绘中应用
近几年来, 科技的发展推动社会不断进步, 社会的飞速发展促使人们对于遥感技术的需求也越来越多, 从某种程度上来说, 这种需求量的增大促进了人类在遥感图像处理技术领域里取得了许多新的突破, 遥感图片处理技术的运用增大了人们观测图像的范围。遥感图像的处理技术主要被应用在测绘工作当中, 其中应用比较广泛的领域又两个, 一个是土地勘测领域, 二是地质测绘领域。
实际施工过程中, 遥感图像处理技术被普遍应用在土地使用的界线范围测量中、遥感图像处理技术被应用于简化建设用地工作中, 尤其对交通路线的设计与实施, 遥感图像处理技术的应用还包括对大型工程的设计等方面, 遥感图像处理技术为以上各个方面都有极大的帮助。在采用遥感图像处理技术进行地籍测绘的过程当中, 通过图形以及数字等难识别的对象为基础, 采用与计算机相关的技术手段, 对大量很难识别的信息进行有关的加工和处理, 从而使这些信息变成可识别的图像和文字, 进一步记录相关的数据信息, 合理的确定监测的周期, 从而更好的对土地利用的变化情况进行全新的监测。可以把各个时期获得的数据结果进行对比研究, 从而得出最优的结果。在遥感图像处理技术的应用中能够提供大范围的瞬间静态图像, 这些静态图像被广泛应用于监测动态变化的现象;也可以开展大面积的重复观测活动, 其中包括一些人类很难到达的偏远地区;遥感图像处理技术极大的增大了人的眼睛所能观察的光谱范围, 遥感图像处理技术所使用的电磁波波段是从x光到微波, 这种电磁波的波段极大地超过了可见光的范围;和遥感图像处理技术不同的是雷达遥感, 雷达遥感的不同是由于雷达遥感使用的是微波, 所以, 雷达遥感的工作不受昼夜和天气变化等多种不利因素的限制, 大多数情况下能够达到全天候的观测要求。通过遥感图像处理技术所获取的图片不是普通方法能够获得的。因此, 在我国乃至全世界的测绘工程应用中都有着非常重大的意义。
结束语
综上所述, 我们看得出来利用遥感图像处理开展测绘工作的时候, 是一项繁琐而细致的工作。随着社会的进步, 人们对环境信息的要求也十分迫切, 对地图的品种、数量、质量等的要求越来越高, 因此在它的获取和处理方面, 一定要有精确的处理才能保证信息更加准确。目前, 图像已经向着系统、综合、实用的方向发展, 而遥感图像处理技术的发展必将对遥感制图的发展和提高起到有力地促进作用。遥感数据根据定位精度、地面分辨力的精度等原因, 使得到的结果会受到一点影响, 但是遥感技术在卫星系统、传感器、信息传输、数据处理等方面均在迅速发展, 所以其图像获取的精度将会不断提高, 也将会带动测绘领域在技术方面有突破性的进步。
摘要：随着社会的发展, 人们对于计算机的依赖越来越大, 遥感技术的引入给测绘工作带来了很多便利。笔者首先阐述了遥感技术的概念, 然后对遥感图像处理技术进行了简介, 在此基础上论述了遥感图像处理技术在测绘领域中的运用情况。本次研究不仅是对遥感技术的再次学习, 同时也为遥感图像处理技术在测绘领域中的运用提出了宝贵的建议。
关键词：遥感技术,遥感图像处理技术,测绘
参考文献
遥感信息处理 篇8
1 EO-1 Hyperion数据介绍
EO-1上搭载了3种传感器,高光谱成像光谱仪Hyperion是其中之一。Hyperion数据覆盖范围为北纬15°~55°,东经70°~140°的矩形区域。Level 1R(Hyp-L1R)和Level 1Gst数据产品(Hyp-L1G)分别是Hyperion高光谱成像光谱仪的2种数据格式数据产品。该数据共有242个波段,幅宽7.7 km,地面分辨率为30 m,光谱范围为400~2 500 nm,光谱分辨率达到10 nm。
虽然hyperion的L1级数据是经过一系列的处理结果得来,但实际结果仍然存在着质量问题,需要进行进一步的数据预处理,以解决图像数据误差。
2 Hyperion数据预处理原理与方法
研究区位于香格里拉县中部,香格里拉地理位置处于北纬27°31′12″~28°31′12″,东经99°12′00″~100°17′24″,是滇、川以及西藏三省区交汇处,该研究区森林资源丰富。研究选取香格里拉县中部一景Eo-1 Hyperion影像(EO1H1320402004307110PX)为源数据,此图像成像时间为2004年3月7日。影像范围为北纬26°31′48″~28°27′00″,东经99°19′12″~100°4′48″,该影像选取29、20、11波段进行RGB彩色合成。
2.1 ENVI补丁下数据波段组合
为方便使用Hyperion数据而使用Hyperion工具组件,在进行预处理时先进行ENVI补丁下数据波段组合。Hyperion工具的使用会将该研究区的L1G/L1T Geo TIFF数据转换成含有波长、最大波宽和坏波段信息的ENVI格式的文件。
2.2 未定标及水汽波段的去除
EO-1 Hyperion数据产品共有242个波段,其中198个波段经过辐射定标处理,而没有定标波段1~7、58~76、225~242波段为0值,必须将其去除。定标波段分别为可见光红外波段(VNIR)1~70中的8~57波段,短波红外波段(SWIR)71~242中的77~224波段。由于VNIR中的56~57波段与SWIR中的77~78波段重叠,因此只有196个波段[2]。其中,SWIR中的77~78噪音比VNIR中的56-57大,因此去除SWIR77~78波段生成一副196波段的图像。Hyperion数据242条波段中,另外受水汽影像较大的121~127、167~178以及224波段将其剔除。保留的波段为8~57、79~120、128~166、179~223。
2.3 DN值转换绝对辐射值
由于实际的地物辐射值很小,DN值是Hyperion L1产品中扩大的传感器辐射强度值。扩大比例因子分别为40、80,对应所选取的可见光-近红外波段中的8~57及短红外波段中的79~223波段。在实际应用数据中必须将像元值转换成绝对辐射值。因此,将VNIR波段除以40,SWIR波段除以80后将两者分别生成的图像文件进行合并,得出绝对辐射值图像。
2.4 坏线修复
坏线是在传感器定标存在错误下产生的,往往是无数据或数据值非常小的一行或一列。在高光谱影像中呈现黑条。因此将坏线逐波段逐行检查并记录,然后用其相邻行或列的平均值进行修复。Hyperion的SWIR波段条纹隐约较多。由于高光谱原始影像图呈倾斜状因此在进行坏线检查前先将图像转正。利用图像倾斜坐标值及反正切函数得出应输入的旋转角度-12.77418428。
2.5 垂直条纹的去除
受地球固有特性因素、仪器自身特性的影响,在图像上多数波段会出现不同程度的条纹。条纹的存在将影响图像的质量及后续的研究应用,去除垂直条纹的方法有2种,分别是均值去条纹法、全值去条纹法[3]。该文采用全局去条纹法,去除条纹后图像质量提升,并且较好的保留了原有的光谱信息。
2.6 FLASSH大气校正
遥感影像的大气校正是预处理的重要组成部分。大气对电磁辐射的影响主要是吸收和散射,并叠加在地物的反射信号上,使遥感像元处的图像清晰度和对比度下降[4]。大气校正可以去除大气及光照对地物反射的影响,从而提高图像质量并正确地显示地物波普信息。FLASSH是ENVI软件基于MODTRAN4辐射传输模型的大气校正模块,运用本模块可以还原真实的地表反射率,消除影像smile效应及噪声。
2.6.1 输入文件准备。
大气校正的数据是经过定标后的辐射亮度值(辐射率)且带有中心波长值和波普宽度值。由于ENVI标准栅格格式文件是BIP或BIL格式,在经过上述绝对辐射值转换后,数据格式发生转变,处理中将其转换成BIL格式。
2.6.2 模型参数设置。
根据已知地表的气温、季节纬度以及反射率数据输出目录文件和说明文件来设置大气校正模型参数,根据研究区情况选取传感器类型为HYPERION、高程为3.200 km等设置,其他参数设置基于FLASSH模块原理及相关文献[5]。
2.6.3 几何校正。
几何校正也是预处理的重要步骤,根据已知经过正射校正的TM影像数据,通过坐标一致原则,在研究区均匀选取20个明显的地物点,总误差为0.5,预处理结果如图1所示。
3 结论与讨论
预处理过程是遥感图像进行分类处理不可缺少的组成部分,预处理的好坏将直接影响到后续图像的分析精度。主要介绍基于Hyperion数据的预处理原理及过程,研究发现Eo-1 hyperion数据经过预处理后会降低噪音提高图像质量,从而为提取正确的地物信息做保障。另外,波段的去除会降低计算量提高处理效率,为后续相关分类研究奠定坚实的基础。
参考文献
[1]童庆禧,张兵,郑兰芬.高光谱遥感——原理技术与应用[M].北京:高等教育出版社,2006.
[2]谭炳香,李曾元,陈尔学,等.EO-1 Hyperion高光谱数据预处理[J].遥感信息,2005(7):36-37.
[3]邬伦,张晶,刘瑜.地理信息系统—原理、方法和应用[M].北京:科学出版社,2001.
[4]张秋爽,祝民强,刘碧洪.Hyperion高光谱遥感数据大气校正方法[J].计机测量与控制,2010,18(1):220-221.