遥感数字图像处理（精选12篇）
遥感数字图像处理 篇1
0 引言
遥感技术是远距离感知目标反射或自身辐射的电磁波特性, 对目标进行探测和识别的技术。该技术可以快速获取大范围信息, 目前已广泛应用于军事和民用。为了培养遥感技术人才, 全国本科和高职院校很多专业都开设了遥感课程, 如测绘、林学、土地资源管理、城市规划、农业资源环境等专业。本科院校和高职院校根据各自的人才培养目标选择课程的教学内容并确定相应的课时。
高职院校人才培养以社会需求为目标, 培养应用型人才。作为高职测量专业学生的必修课, 《遥感数字图像处理》课程的教学内容, 应结合实际工程中常用的遥感图像处理技术所需的知识来选择, 本文以遥感技术在测绘中的应用为基础, 结合作者在《遥感数字图像处理》课程教学中存在的问题, 对高职测量专业《遥感数字图像处理》教学的内容和教学方法进行探讨。
1 遥感技术在测绘中的应用
随着经济的发展, 土地利用状况不断变化, 为保持土地利用数据的现势性, 可以利用遥感技术完成土地利用变更调查和动态监测, 并制作相应的专题图[1,2,3];另外人们对地形图和各种专题地图的需求量迅速增加, 尤其地形图数据的现势性是数据应用的关键, 目前遥感技术已应用于地形图的更新[4,5,6], 比常规方法更快、更高效, 地形图要素更新内容较完整, 精度可靠。因此遥感技术在测绘领域的应用主要包括更新地形图、土地利用变更调查和动态监测、专题图制作三个方面。
2 遥感课程教学内容与方法探讨
2.1 遥感课程教学内容探讨
高职遥感教材有多个出版社出版的《摄影测量与遥感》, 该类教材侧重摄影测量, 遥感只是其中的一章, 遥感的主要技术内容涉及不全、不详细;另外黄河水利出版社出版的《遥感测量》教材, 注重数据处理的理论方法, 实践内容较少;目前我院采用的教材是重庆大学出版社出版的《遥感数字图像处理》, 该教材主要是注重实践, 软件操作占教材的70%以上, 对遥感的基本理论知识涉及的不多、不全, 更像是一本实训教材, 通过近2年对该课程的教学发现对于没有任何遥感基础的学生而言, 只采用该教材, 学生学习有一定的难度。虽然高职学生的培养目标是技能型应用人才, 但也不能一味追求技能操作, 而忽视理论学习, 且不利于学生知识点的理解掌握和以后的发展。
通过遥感技术在测绘中的应用分析, 实际工作中主要涉及到多景图像不同时间、不同分辨率、不同传感器的图像同时处理, 进行地形图更新、土地利用变更调查、土地利用动态监测等[6,7,8,9], 所涉及到的知识点应重点讲解, 又考虑到学生的遥感“零”基础, 授课内容需包含遥感基础知识和测绘工程中常用遥感图像处理技术。鉴于此, 笔者建议根据表1选择理论教学内容和实训课程内容。在讲授上述教学内容的过程中, 除了可以参考其他高职遥感教材以外, 建议多收集一些期刊、硕博论文的部分章节为辅助教材。对于实践教学所需数据, 可以采用软件自带的数据和从网站上下载的免费数据来完成实训内容[10]。
期刊上有很多工程实例中遥感图像的处理步骤写的比较全面, 有利于学生对遥感技术在工程中的应用了解, 提高他们对该门课程的学习兴趣。硕博论文虽然研究的内容比较深, 但是很多硕博论文的基础知识部分写的很详尽, 便于知识的理解。
2.2 遥感课程教学方法探讨
1) 项目教学法。以工程实例为基础, 让学生了解遥感技术在工程项目中的应用及处理步骤, 激起学生对该门课程的学习兴趣。收集地形图更新、土地二调中遥感的应用、国情监测中遥感技术的应用等。
2) 理论与实训双重视。两者同等重要, 理论是实践的基础, 如果学生没有基础理论, 实训课时只能是盲目地练习软件的使用, 只有对每个模块处理的目的和意义有所了解, 才有兴趣学习和练习。教师在讲授理论教学的内容时, 可以省去中间的公式推导, 让学生了解什么情况下用该公式, 在软件中哪个模块可以完成该公式对图像的处理即可;通过实训课程的练习, 不仅可以增强他们对理论知识的理解, 而且可以提高他们对该门课的兴趣, 同时培养其独立解决问题的能力。
3) 多媒体教学。理论教学可以制作多媒体课件, 辅助教师授课;对于实训内容可以借助一些视频制作软件, 比如Camtasia Studio 6录制软件的操作过程, 并配以文字注释, 在授课时配上教师详细的讲解, 可以提高学生学习erdas等英文软件的学习兴趣, 学生学习起来也更直观、更便捷, 且便于学生课后复习掌握。
4) 引导学生拓展学习。由于课时有限, 所以在讲授的时候, 都是讲授最基础、最常用的知识和处理步骤, 可以给学生拷贝一些期刊文献或者推荐辅助教材, 让他们能够利用业余时间扩充遥感知识;在erdas软件的每个菜单中都有HELP帮助菜单, 学生除了练习实训课程内容外, 可以通过HELP菜单调出软件的帮助文件, 查看每个菜单的详细说明, 同时便于以后学习和使用上课时未讲解的菜单模块。
3 结语
严峻的就业形势下, 用人单位对大学生的专业技能与素质提出了更高的要求。高职院校课程内容的设置应根据社会需求而定, 以此为目标和依据, 培养他们的专业知识和技能。本文通过收集遥感在测绘工程中应用的文献资料, 了解遥感技术在测绘中的应用内容, 设计和探讨遥感课程理论教学和实训教学内容, 以期培养有针对性的测量专业遥感应用型人才。
摘要：以遥感技术在测绘中的应用为基础, 分析了《遥感数字图像处理》课程教学中存在的问题, 并设计和探讨了遥感课程理论教学与实训教学的内容、方法, 以期培养出有针对性的测量专业遥感应用型人才。
关键词：高职院校,测量,遥感技术,教学
参考文献
[1]宣滨, 吴良才.遥感技术在测绘科学中的应用[J].科技风, 2010 (1) :196.
[2]金时华.遥感技术在土地利用动态监测中的应用[J].测绘与空间地理信息, 2006, 29 (1) :98-100.
[3]赵元霞, 王沛.遥感技术在地籍测量工作中的应用情况分析与评价[J].技术应用, 2013 (8) :102-103.
[4]赵敏, 陈卫平, 王海燕.基于遥感影像变化检测技术的地形图更新[J].测绘通报, 2013 (4) :65-67.
[5]杨泽运, 康家银, 赵广东.利用QuickBird全色遥感影像更新城市大比例尺地形图[J].测绘工程, 2005, 14 (2) :29-31.
[6]谢岩.利用QuickBird遥感影像的更新1∶10 000地形图[J].测绘与空间地理信息, 2012, 35 (12) :100-101.
[7]张灿荣, 伍素贞.利用遥感进行土地利用动态变化监测——以东莞市长安镇为例[J].地矿测绘, 2007, 23 (3) :17-19.
[8]方剑强, 陈中岳.谈谈卫星遥感影像数据在土地变更调查中的应用——以杭州市区2007年度为例[J].数字国土, 2008 (7) :54-56.
[9]王树文, 刘俊卫.遥感与GIS技术在地理国情监测中的应用与研究——以天津市为例[J].测绘通报, 2012 (8) :51-54.
[10]孔祥生, 钱永刚, 张安定.《遥感概论实验》课程教学改革与实践[J].测绘科学, 2013, 38 (1) :183-186.
遥感数字图像处理 篇2
我们小组这次的主要任务就是对我们学校雅园至一教范围内的地形、地物进行野外的数据点的采集，再导入电脑进行内业处理。野外测记和室内成图是数字化测图的主要模式，也是我们此次实习主要运用的模式。
全野外数据采集法成图主要有下列内容：
1.遥感图像处理的准备工作：仪器检较、准备数据记录所需的记录表、实地观察地形确定控制点、数据处理软件准备等;
2.控制测量;
3.外业测绘，碎部点采集;
4.内业图形编辑;
5.图形细节修饰，成果保存。
我们组用索佳全站仪进行外业观测，测量数据自动存入仪器的数据终端，然后将数据终端通过接口设备输入到台式电脑。采用这种方法则从外业观测到内业处理直至成果输出整个流程实现自动化，尽可能减少人为因素而产生的错误。
实习第一天，我们组进行控制测量，12个控制点，由于学校人口密度较大，观测条件不是十分理想，导致我们组的水平观测角中误差超限，最后对所有控制点水平角进行重测，通过平差易软件对数据进行精度评定及平差，控制测量成果符合规范要求。
实习第二天，我们组以二号控制点为测站，一号控制点后视定向，进行碎部测量。我们组共五人，一人操作仪器，一人画草图，三人轮流跑杆，我们组对地物特征点的采集比较详细，如房屋点、道路、井盖、花台、草坪、垃圾桶、橱窗、独立树、行树、篮球场、沟渠、路灯等地物点都进行了采集。由于其他组需要用二号控制点，我们转站至雅园，第一天一共采集将近三百余点。
晚上内业作图，首先对全站仪数据进行读取，数据传输过程中将电脑参数设置成与全站仪参数一致，经过多次尝试，没有成功，最后检查出是由于数据线损坏的缘故，导致全站仪中点位坐标无法导出。迫于无奈，其他小组运用人工输入坐标的方式将全站仪数据输入电脑。
实习第三天，天下起了小雨，影响测量进度，一天只测了一百多数据点，将雅园测区地形地物特征点基本采集完了。当天换了根数据线，成功导出全站仪中记录的数据，进行图形绘制。在绘制地形图的过程中，我们体会到绘制草图的重要性，一份好的草图可以大大提高绘图效率。在地形地物特征点采集过程中遇到不少的问题，比如某些房角点被大量树木遮挡无法观测，我们则用皮尺测量其距离，运用CASS软件中房屋编辑两点及一边的方式绘出图形，或升高棱镜对点位进行观测，这些都是地形图测量过程中对点位测量的灵活处理。
实习第四天，经过全组人员的辛勤努力，碎部点信息的采集终于进入尾声，内业绘图也跟上了外业碎部点采集的进度。外业数据采集，我们组共采集八百多碎部点，详细反应了雅园至一教范围内的地形、地物、地貌。该测区范围内有住宿楼、公路、实验室、办公楼、教学楼等大的建筑物，也有陡坎、篷房、花台、绿化带等细节设施，经过我们组全体组员的通力合作，此次实习取得了令人满意的成果。
通过此次实习，不仅提高了我们的实际操作能力，熟悉掌握遥感图像处理的基本原理和基本过程，还让我们体会到测绘是一个需要团队合作的工作，干测绘需要不怕苦不怕累的精神，白天忙外业，晚上忙内业，起早摸黑是家常便饭，除了这些，测绘还是一项需要细心和耐心的工作，数据成果超限，则必须进行重测，对待工程测量必须要有责任心。通过此次实习，让我受益匪浅，对自己专业有了更深的认识。
1.在医院实习的实习心得
2.实习生实习心得
3.护理见习实习心得
4.供电厂实习心得
5.海关实习心得
6.护士实习心得
7.新闻专业实习心得
8.生产实习心得
9.法院实习心得
遥感图像分类方法综述 篇3
摘 要：对传统图像监督分类方法和非监督分类方法在遥感图像分类中的应用进行总结，对基于人工神经网络、模糊理论、小波分析、支持向量机等理论的新的遥感图像分类方法进行了介绍，并对遥感图像分类方法研究的发展趋势做了展望。
关键词：遥感图像；监督分类；分类精度
1 概述
遥感就是远离地表，借助于电磁波来收集、获取地表的地学、生物学、资源环境等过程和现象的科学技术。遥感技术系统由四部分组成：遥感平台、传感器、遥感数据接收及处理系统、分析系统。遥感数据就是用遥感器探测来自地表的电磁波，通过采样及量化后获得的数字化数据。
2 传统遥感图像分类方法
2.1 非监督分类方法
非监督分类方法也称为聚类分析。进行非监督分类时，不必对遥感图像影像地物获取先验类别知识，仅依靠遥感图像上不同类别地物光谱信息进行特征提取，根据图像本身的统计特征的差别来达到分类的目的。主要的算法有：K-均值聚类（K-means）算法和迭代自组织数据分析法（Iterative Self-organizing Data Analysis Techniques A， ISODATA）等。
2.2 监督分类方法
对于监督分类，训练区的选择要求有代表性，训练样本的选择要考虑到遥感图像的地物光谱特征，而且样本数目应能够满足分类的要求，否则，一旦样本数目超过一定的阈值时，分类器的精度便会下降。主要的算法有：最大似然分类（Maximum Likelihood classification， MLC）、最小距离分类、K-近邻分类等。
3 基于新理论的遥感图像分类方法
3.1 基于人工神经网络的遥感图像分类
在遥感图像的分类处理中，人工神经网络的输入层神经元表征遥感图像的输入模式。每一个输入层神经元对应于一个光谱波段，每一个输出层神经元则对应于一种土地覆盖类型。其中，主要的神经网络分类方法包括BP神经网络、径向基函数（Radial Basis Function， RBF）神经网络等。
3.2 遥感图像的复合分类方法
这种方法分类时，首先用监督分类法（或非监督分类法）将遥感图像概略地划分成几个大类，再用非监督分类法（或监督分类法）对第一步已分出的各个大类进行细分，直到满足要求为止。如靳文戟等提出的分级复合分类方法，结合了多层神经网络BP模型和非监督分类算法K-means算法。这样不仅避免了多层神经网络在识别类别多时学习速率慢，不易收敛的缺点，还使得迭代次数减少。
3.3 基于模糊理论的遥感图像分类方法
模糊理论是1965年扎德提出的，模糊理论往往用于对不确定性事物的描述。模糊模式分类是依据隶属原则进行判别。这种方法的关键是确定适当的隶属度函数。在实际的模式分类问题中，要分类的对象往往不是论域中的某个确定元素，而是论域中的模糊子集，此时研究的不是某元素对集合的隶属程度，而是两个模糊子集之间的贴近程度。
3.4 基于小波理论的遥感图像分类方法
小波分析是上个世纪80年代迅速发展起来的应用数学分支。小波理论具有良好的时频局部特性，从而能够从时域和频域的角度精确描述图像的特征。小波函数可以看作是一个带通滤波器的系统响应，小波变换是将原始信号用一组多尺度带通滤波器进行滤波，将信号分解到多个频带上分析。因而小波分析在图像降噪、分类、分割和压缩等领域得到了广泛的应用。
3.5 基于支持向量机的遥感图像分类方法
支持向量机是基于两类问题提出的，遥感图像涉及的一般是多类问题，需要将两类SVM进行扩展才能适合于多类别分类问题。为此不少学者提出了几种改进方法，①对于多类SVM，可以组合几个二类分类器；②构造一个更大的最优化问题来进行分类。
4 结束语
在遥感技术的研究中，提高遥感图像的分类精度是一个关键问题，具有十分重要的意义。虽然上述方法以及分类思想的出现比传统的方法在分类精度上有明显的提高，也无疑为遥感图像分类的发展注入了新的活力，但是这些方法同时存在一定的不足。所以还需要在此基础上进行改进，达到较好的分类效果。笔者认为可以从以下几个方面得到改进：
①BP算法与Cauchy训练的结合的方法。由于BP算法容易陷入局部极小点，而Cauchy训练是随机调整权值，可能背离寻找全局极小点。所以，将二者结合可以互相补充取得较好的效果。
②优化距离度量方法。
③选择多个代表类别的特征。如，将光谱体征和纹理特征相结合。基于像元的分析与基于光谱分析相结合。
④基于核函数的分类方法。在核函数上进行突破。
⑤遥感与地理信息系統一体化。
⑥基于小波的神经网络分类方法的进一步研究以及基于模糊理论的神经网络的分类方法的研究。
总之，为了进一步提高分类精度，综合利用各种方法进行遥感图像分类是提高遥感图像分类精度的一种有效方法。
参考文献：
[1]Melgani F， Bruzzone L. Classification of Hyperspectral Remote Sensing Images with Support Vector Machines[J]. IEEE Transactions on Geoscience Remote Sensing， 2004， 42（8）： 1778-1790.
[2]靳文戟，刘政凯.多类别遥感图像的复合分类方法[J].环境遥感， 1995，10（4）：298-302.
[3]周前祥，敬忠良.高光谱遥感图像联合加权随机分类器的设计与应用[J].测绘学报，2004，33（3）：254-257.
[4]李旭超，朱善安.小波变换和马尔可夫随机场在图像降噪与分割中的应用研究[D].浙江大学，2006.4.
[5]张志龙，沈振康. 基于遥感图像的重要目标中特征提取与识别方法研究[D]. 国防科技大学，2005.3.
数字遥感图像清晰度评价研究 篇4
随着数字遥感成像技术的快速发展, 各应用领域对图像质量的要求也在不断提高, 图像清晰度逐步成为判定图像质量水平的重要指标[1]。然而, 当前图像清晰度客观评价方法还不够成熟, 开展通用的图像清晰度客观评价方法研究, 实现大规模数字图像的快速评判, 对处理和应用遥感图像具有十分重要的意义。
图像清晰度的评价方法通常可以分为两类:一是相对清晰度评价, 即对不同模糊程度的同一图像, 评价其清晰程度, 主要反映图像随模糊程度逐渐变化表现出的单调性和一致性等特征;二是绝对清晰度评价, 即能够对不同模糊程度的各种图像内容进行评价, 主要反映与图像内容无关的图像清晰程度判定结果。
近年来, 有代表性的图像清晰度评价方法有边缘检测法、频谱函数法、熵函数法等[2,3,4]。这些方法主要在一定程度上反映图像相对清晰度评价结果, 难以实现图像绝对清晰度评价。本文在对现有方法分析研究基础上, 结合遥感图像的特点, 提出一种基于边缘对比度的评价方法, 能够较好地实现对不同遥感图像内容的清晰度评价。
1 当前图像清晰度评价的常用方法
数字图像的评价过程可以表述为将图像转化为代表明暗程度的数字矩阵, 运用各种图像清晰度评价函数, 经计算分析实现清晰度量化评价。目前大多数图像清晰度评价测量方法是进行图像边缘检测、频谱分析或者整体信息熵的计算, 与之相对应的结果是, 图像细节越丰富, 对比度越高, 图像越清晰。
1.1 边缘检测法
根据边缘检测原理, 准确聚焦的成像系统图像清晰, 有较锐利的边缘[5];系统离焦时, 高频分量减小, 图像边缘相对平滑。边缘检测法可根据图像特征选择不同算子, 通过计算和分析图像灰度梯度来评价图像的清晰度:
式中:Sx和Sy是由各种边缘检测算子 (如Sobel或Prewitt算子) 得到的x和y方向上的图像灰度梯度[6]:
式中:fx和fy是x和y方向上的灰度差。
1.2 频谱函数法
根据图像频谱分析原理, 聚焦图像具有清晰的轮廓, 包含的高频分量多[7]。频谱函数通过统计图像的高频分量, 达到评价图像清晰度的目的。这种方法可以基于傅里叶变换、拉普拉斯变换或者小波变换, 其中小波变换函数可以将图像高频和低频信息分离, 更便于对图像进行分析和评价。因此, 基于小波变换的高通滤波器目前被更多地研究应用于图像清晰度评价。该方法首先应用小波函数获得图像的高频信息:
式中:f (x, y) 为图像坐标x和y处像素灰度值;*表示卷积运算;H0表示高通滤波器。
进而, 对整幅图像的高频信息的能量进行累加即得到最终的评价结果:
1.3 熵函数法
由于聚焦的清晰图像和离焦的模糊图像之间信息含量不同, 通过对数字图像的信息熵进行计算, 便可用于图像清晰度评价。
式中:E (f) 表示图像能量;J (f) 表示图像熵。根据香农信息理论, 熵越大信息量越大, 即当E (f) 一定时, J (f) 越大, 则图像越清晰。
上述评价方法虽然能够在一定条件下表达图像清晰度, 但还分别存在一些不足, 如边缘检测法抗噪声能力较差, 熵函数法灵敏度不高, 频谱函数法计算量很大等。通过分析比较, 本文选择在边缘检测法的基础上, 融合图像对比度分析方法, 开展了基于边缘对比度的图像清晰度评价方法研究。
2 基于边缘对比度评价方法
2.1 图像边缘特征
图像边缘是指图像局部特性的不连续性, 如灰度级的突变、纹理结构的突变等。边缘广泛存在于目标与目标、物体与背景、区域与区域之间, 它是图像分割处理所依赖的重要特征。数字图像的边缘通常表现为灰度的阶跃不连续, 即图像灰度突然从一个值变化到另一个值, 在实际图像中阶跃边缘图像是较少见的, 由于空间分辨率、图像传感器、系统聚焦程度等原因, 会使不同模糊程度阶跃边缘变成斜坡边缘, 即它们的灰度变化不是瞬间的, 而是跨跃一定的距离。
为表示不同模糊程度的图像边缘特性, 可以利用下式求出灰度梯度[8]:
式中:f (x, y) 为图像坐标x和y处像素灰度值。对图像边缘的法向梯度值进行统计, 即可用于对比反映图像的清晰程度。
2.2 确定边缘位置和法线方向
将图像按照式 (8) 进行梯度计算, 进而以1×3的窗口按水平和竖直方向, 分别在梯度值确立的区域中移动, 对窗口内的梯度求和, 每个像素点计算两个方向的值, 扫描一遍后, 即可得到具有最大梯度的边缘位置W (x, y) 和边缘法线方向:
2.3 边缘对比度评价过程
对于图像边缘来说, 像素间对比度越高, 清晰度越高[9]。因此, 在确定图像边缘的基础上, 进行对比度量化分析, 即可确定图像的清晰度:
式中:d (x, y) 为选定区域的对比度;max[fΔ (x, y) ]和min[fΔ (x, y) ]分别为该区域内像素的灰度最大值和最小值[10]。
依据确定的图像边缘相关信息, 在W (x, y) 位置沿图像边缘法线方向各左右各取10个点, 共21个点, 灰度值分别为fi, i=-10, -9, …, 10。以1×3的窗口沿边缘法线方向移动, 计算窗口内像素对比度di, i=-9, -8, …, 9。进而将各对比度值由大到小排序, 提取最大对比度值dmax, 并对排在前面的3个对比度取平均值μ。通过获取dmax和μ这两个参数反映图像边缘达到的最高对比度特征。
基于远距离遥感成像目标能量传递损失明显, 图像的灰度差相对较小, 以及人对图像的主观视觉分辨与对比度的关系, 把dmax的阈值定为0.15, μ的阈值定为0.1。当dmax>0.15, 并且μ>0.1, 则认为图像视觉上感觉轮廓清晰, 满足清晰度要求。
3 实验数据
选取由清晰到模糊的两组不同目标遥感图像, 如图1所示, 分别按本文方法对各图像进行清晰度评价计算, 结果见表1。
根据图1与表1的数据对照分析, 评价计算所得结果与人的视觉对图像清晰度是相符的, 图1中A1的评价值最大且超过了设定的阈值, 从相对清晰度而言最清晰, 并达到了期望的清晰度要求。其他图像中, 只有图1中B1基本达到设定的清晰度要求, 其余图像均不满足要求。通过对取得的图像清晰度量化结果对比分析, 能够为及时调整成像设备的聚焦精度或进行图像清晰化处理提供有益的参考。
4 结论
本文提出的基于边缘对比度遥感图像清晰度评价方法, 具有单调性、一致性等特点, 既能够对相同遥感图像内容不同模糊程度进行对比评价, 也能在一定程度上对不同遥感图像内容清晰程度进行客观评价, 能够准确、高效判断大规模数字图像的质量, 对促进成像设备的发展及提升图像处理水平, 获取满足要求的高清图像, 具有重要的应用价值。
参考文献
[1]陈亮, 李卫军, 谌琛, 等.数字图像清晰度评价函数的通用评价能力研究[J].计算机工程与应用, 2013, 49 (14) :152-155.
[2]崔作龙, 徐长松.图像清晰度的量化测量探究[J].实验技术与管理, 2012, 29 (5) :49-51.
[3]李峰, 陈志刚, 储金宇, 等.图像清晰度检测方法[J].计算机工程与设计, 2006, 27 (9) :1545-1547.
[4]徐贵力, 刘小霞, 田裕鹏, 等.一种图像清晰度评价方法[J].红外与激光工程, 2009, 38 (1) :180-184.
[5]王欣, 安志勇, 杨瑞宁, 等.基于图像清晰度评价函数的CCD摄像机自动调焦技术研究[J].长春理工大学学报, 2008, 31 (1) :11-14.
[6]张亚涛, 吉书鹏, 王强锋, 等.基于区域对比度的图像清晰度评价算法[J].应用光学, 2012, 33 (2) :293-299.
[7]刘昶, 王玲.基于小波的离焦模糊图像清晰度判定[J].计算机应用与软件, 2008, 25 (7) :239-240.
[8]范媛媛, 沈湘衡, 桑英军, 等.基于对比度敏感度的无参考图像清晰度评价[J].光学精密工程, 2011, 19 (10) :2485-2493.
[9]倪军, 袁家虎, 吴钦章, 等.基于边缘特征的光学图像清晰度判定[J].中国激光, 2009, 36 (1) :172-176.
遥感图像处理B思考题总结 篇5
A.根据研究的目标选择合适的遥感数据源 考虑空间分辨率、时间分辨率、光谱波段等因素； 目标不同、尺度不同、时相要求不同、光谱特点不 同，需要全面考虑。B.进行图像的（预）处理
根据研究工作的需要，进行多时相图像配准、几何 纠正、图像镶嵌、数据融合 注意：几何配准和纠正的关系？ C.特征参数选择
波段选择、特征提取（通过一定的数学方法对原始波段进行 处理，得到能反映目标地物特性的新的参数，如植 被指数、主成分等等）。D.建立分类系统
各类及亚类分类指标（定性、定量）E.专题信息提取（分类）与综合分析
分类，并对分类结果进行分析（数量、质量、分 布、发展变化特点与趋势、产生的原因）
F.结果检验与成果输出
对结果进行验证（直接验证、间接验证），满足 需要则输出结果，反之，返回第三步、第四步，进行相关的修改、调整。3.了解航天对地观测系统。
EOS航天观测系统：EOS航天观测系统主要由大型极轨平台EOS-a, EOS-b组成，分别约于1998年，2000年用大力神IV发射到极地轨道上。另外还有欧空局有一个平台，日本的一个平台和载人太空站。由于各个平台是按5年寿命设计的，为了完成15年的连续观测计划，美国的平台由三组6座平台组成。中途采用任务舱的置换等技术来完成。这类平台都是搭载多种遥感器的组合平台。突出的遥感器为高光谱分辨率成像光谱仪、合成孔径雷达、高空间分辨率微波辐射计等等。一般一个组合平台搭载20多种遥感器。各遥感器之间尚有互为修正，不同的观测周期互补等特点。** 航天对地观测系统框架： 运载系统：火箭
平台系统：卫星、导航定位、稳定平台等，搭载有效载 荷。发射场系统：如酒泉卫星发射中心、西昌卫星发射中心、太原卫星发射中心。测控系统：对卫星轨道、姿态进行测控，“测”就是测量，“控”就是通过发送指令进行姿态控制。
地面系统：数据接收、预处理、运行管理（卫星运行管理、处理系统之间的运行管理）、产品生成、数据及产品存档、分发、共享…… 4.通道与波段一样吗？
通道就是特定的波谱范围的抽象，不同的地物在对于相同的波谱范围反射特性不同，相同的地物在不同的波段也表现出不同的特性。将遥感影像的不同波段的值（灰度值）用来控制不同的通道（RGB），就能得到不同的假彩色合成效果。5.黑白图像和全色图像一样吗？
(1)灰度图像：反应的是亮度，是每个像素只有一个采样颜色的图像，这类图像通常显示为从最暗的黑色到最亮的白色的灰度，在黑色与白色之间还有许多级的颜色深度。灰度图像经常是在单个电磁波频谱如可见光内测量每个像素的亮度得到的，用于显示的灰度图像通常用每个采样像素8位的非线性尺度来保存，这样可以有256级灰度。
(2)黑白图像：在计算机图像领域中黑白图像只有黑色与白色两种颜色。(3)彩色图像：每个像素通常是由红（R）、绿（G）、蓝（B）三个分量来表示的，分量介于（0，255）。
(4)二值图像：即图像上的每一个像素只有两种可能的取值或灰度等级状态，人们经常用黑白、B&W、单色图像表示二值图像。6.地面遥感、航空遥感、航天遥感的关系是什么？
(1)地面遥感：传感器设置在地面平台上，如车载，船载，手提，固定或活动高架平台等。
(2)航天遥感：泛指利用各种空间飞行器为平台的遥感技术系统。它以地球人造卫星为主体，包括载人飞船、航天飞机和空间站，有时也把各种行星探测器包括在内。
(3)航空遥感：泛指从飞机、气球、飞艇等空中平台对地面感测的遥感技术系统，是由航空摄影侦察发展而来的一种多功能综合性探测技术。
** 这些具有不同技术性能、工作方式和技术经济效益的遥感平台，组成一个多层、立体化的现代化遥感信息获取系统，为完成专题的或综合的、区域的或全球的、静态的或动态的各种遥感活动提供了技术保证。
** 航天遥感和航空遥感的区别主要是：一是使用的遥感平台不同，航天遥感使用的是空间飞行器，航空遥感使用的是空中飞行器，这是最主要的区别；二是遥感的高度不同，航天遥感使用的极地轨道卫星的高度一般约1000公里，静止气象卫星轨道的高度约3600公里，而航空遥感使用的飞行器的飞行高度只有几百米、几公里、几十公里。
7.热红外遥感属于被动遥感还是主动遥感？
是应用红外遥感器（如红外摄影机、红外扫描仪）探测远距离外的植被等地物所反射或辐射红外特性差异的信息，以确定地面物体性质、状态和变化规律的遥感技术。
思考题-2 1.单波段如何变为彩色图像？ 彩色合成
2.为什么用假彩色合成？
人眼对黑白密度的分辨能力有限，大致只有10个灰度级，而对彩色图像的分辨能力则要高得多。如果以平均分辨率的 计算，人眼可察觉出数百种颜色差别。这还仅仅是色调一个要素，如果加上颜色的其他两个要素：饱和度和亮度，人眼能够辨别彩色差异的级数要远远大于黑白差异的级数。为了充分利用色彩在遥感图像判读中的优势，常常首先对多波段图像进行彩色合成得到彩色图像，然后再进行其他的处理。
彩色合成包括伪彩色合成、真彩色合成、假彩色合成和模拟真彩色合成四种方法。
3.如何提高图像分类精度？
一方面从地物本身的复杂性着手，另一方面从分类方法着手。提高分类前预处理的精度，面向对象的遥感图像分类 决策树分类，所谓的分层分类 与GIS集成
精度取决于训练区的选择、图像本身的质量、分类方法、对分类的再处理
思考题-3 1.低通滤波器、高通滤波器的概念和用途。
(1)图像滤波：即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。
(2)低通滤波器：是容许低于截止频率的信号通过，但高于截止频率的信号不能通过的电子滤波装置，主要用于平滑图像、去除噪音。
(3)高通滤波器：是一个使高频率比较容易通过而阻止低频率通过的系统。它去掉了信号中不必要的低频成分或者说去掉了低频干扰。其特性在时域及频域中可分别用冲激响应及频率响应描述。它保留高频，抑制低频，是图像锐化的一种方式，用于图像边缘增强与边缘提取。
2.掌握计算空间坐标的向前映射法和向后映射法的概念。
(1)向前映射法：只要给出图像上任意像素的坐标，都能通过对应的映射关系获得几何变换后的像素坐标位置。这种将输入映射到输出的过程称为“向前映射”。通过向前映射能够确定源图像在经过变换后各像素的坐标。
(2)向后映射法：与向前映射刚好相反，它是由输出图像像素坐标来推算该像素在源图像的坐标位置。这样，输出图像的每个像素都能通过映射找到对应的位置，而不会产生映射不完全和映射重叠的现象了。
3.掌握最近邻插值、双线性插值、空间卷积（三次卷积）三种基本重采样方法的特点。
(1)最邻近法（Nearest Neighbor）
最邻近法直接将与某像元位置最邻近的像元值作为该像元的新值。该方法的优点是方法简单，处理速度快，且不会改变原始栅格值，但该种方法最大会产生半个像元大小的位移。适用于表示分类或某种专题的离散数据，如土地利用，植被类型等。
(2)双线性内插法（Bilinear Interpolation）
双线性内插法取采样点到周围4邻域像元的距离加权计算栅格值。先在 Y方向进行内插（或X方向），再在X方向（或Y方向）内插一次，得到该像元的栅格值。使用该方法的重采样结果会比最邻近法的结果更光滑，但会改变原来的栅格值，丢失一些微小的特征。适用于表示某种现象分布、地形表面的连续数据，如 DEM、气温、降雨量分布、坡度等，这些数据本来就是通过采样点内插得到的连续表面。(3)三次卷积法（Cubic Convolution）
三次卷积内插法是一种精度较高的方法，通过增加参与计算的邻近像元的数目达到最佳的重采样结果。使用采样点到周围16邻域像元距离加权计算栅格值，方法与双线性内插相似，先在Y方向内插四次（或X方向），再在X方向（或Y方向）内插四次，最终得到该像元的栅格值。该方法会加强栅格的细节表现，但是算法复杂，计算量大，同样会改变原来的栅格值，且有可能会超出输入栅格的值域范围。适用于航片和遥感影像的重采样。
思考题-4 1.几何纠正的概念及方法。
几何纠正：一般指通过一系列的数学模型来改正和消除遥感影像成像时因摄影材料变形、物镜畸变、大气折光、地球曲率、地球自转、地形起伏等因素导致的原始图像上各地物的几何位置、形状、尺寸、方位等特征与在参照系统中的表达要求不一致时产生的变形。
2.掌握不同遥感平台（地面、航空、航天）的特点和作用。
(1)地面遥感：传感器设置在地面平台上，如车载，船载，手提，固定或活动高架平台等。
(2)航天遥感：泛指利用各种空间飞行器为平台的遥感技术系统。它以地球人造卫星为主体，包括载人飞船、航天飞机和空间站，有时也把各种行星探测器包括在内。
(3)航空遥感：泛指从飞机、气球、飞艇等空中平台对地面感测的遥感技术系统，是由航空摄影侦察发展而来的一种多功能综合性探测技术。
** 这些具有不同技术性能、工作方式和技术经济效益的遥感平台，组成一个多层、立体化的现代化遥感信息获取系统，为完成专题的或综合的、区域的或全球的、静态的或动态的各种遥感活动提供了技术保证。
遥感数字图像处理 篇6
摘要：由于道路与建筑物等其他不透水层存在光谱相似性，导致仅利用光谱信息进行道路提取的效果不佳。本文针对高等级城市道路目标，提出了一种加入空间纹理信息的遥感图像道路提取方法。首先，对图像进行空间自相关Moran指数计算，提取图像空间纹理信息，并将其加入到原始光谱波段中；其次，通过建立知识模提取假设道路段，并对提取结果进行假设验证；最后，采用数学形态学的方法对验证后的结果进行后处理。以空间分辨率为0.1m的航空影像为数据源，对本方法进行实验。实验结果表明，加入空间纹理信息的遥感图像道路提取精度总体达到88%，比不加入空间纹理的提取精度要提高约5%。
关键词：空间纹理信息；Moran指数；图像处理；假设验证；道路提取
中图分类号：TP751 文献标识码：A
道路作为现代化建设的基础设施，在人们日常生活和军事上都具有不可忽视的作用，所以从遥感图像上提取道路具有重要意义，它可以为城市规划提供参考，为地图更新提供数据，为国土资源管理提供依据，为抢险救灾提供指导。针对遥感图像道路提取问题，国内外很多专家和学者都开展了相应的工作，Trinder等人在高分辨率图像上提取道路段，并利用道路语义模型对漏提的道路段进行推理、连接，从而得到道路网提取结果。Singh等人利用自适应全局阈值和数学形态学操作从高分辨率遥感图像中提取道路网。Shi等人运用自适应邻域法和空间分析法在遥感图像中准确地提取道路中心线。Yuan等人利用局部兴奋全局抑制振荡网络对遥感图像进行分割，从而进行道路提取。Sent-hilnath等人通过归一化割算法从全色遥感图像中很好地提取出道路。Miao等人提出了一种半自动化的道路中心线提取方法，该方法通过人工设置道路种子点，结合核密度估计和短程线法提取道路中心线。罗庆洲等人结合了道路的光谱特征和几何特征从影像中很好地提取了道路信息。唐伟等人基于Snake模型的优势及缺陷，提出一种高分辨率多光谱图像道路提取方法。以上方法中都用到了道路的光谱信息，但由于道路与建筑物等地物光谱相似性，从而影响道路提取精度。随着遥感技术的发展，高分辨率遥感图像包含了丰富的空间细节信息，使得地物的内部结构清晰可辨。这为加入空间纹理信息进行道路提取提供了数据基础。
本文针对上述问题，提出了一种加入空间纹理信息的遥感图像道路提取方法。将空间纹理信息加入到道路提取中，通过建立道路提取的假设和验证模型，基于知识的方法从遥感图像中提取道路。本方法适用于遥感图像中高等级城市道路提取，具有较高的精度。
1 研究方法
本文在研究遥感图像中道路特征知识的基础上，将图像的空间纹理信息加入到遥感图像道路提取中，通过知识模型提取道路。主要包括纹理信息提取、道路提取（假设道路提取和假设验证）和提取结果后处理3个主要步骤。具体流程如图1所示。
1.1 空间纹理信息提取
纹理是指遥感图像中地物内部色调有规则变化形成的一种影像结构。高分辨率遥感图像中包含着丰富的空间细节信息，能够使地物内部结构更加清晰。为了解决道路和建筑物等其他不透水层混淆问题，提高道路提取的准确性，本文引入了空间纹理信息。采用空间统计（Moran指数）的方法提取图像的纹理信息。首先利用主成分变化对多波段图像进行分析，然后利用Moran指数对第一主分量进行统计，提取图像的空间纹理。其中，Moran指数的定义如下：式中，xi和xj分别指空间单元i和j的属性值，n是指空间单元的个数，ωij为空间权矩阵，表示空间单元i和j之间的影响程度。
1.2 基于知识的道路提取
道路在遥感图像中一般呈现：1）宽度变化小；2）与周围背景存在一定的反差，表现出明显的边缘特征；3）道路内部总体灰度比较均匀；4）道路对象具有较高的矩形度和长宽比。本文在研究遥感图像中道路的特征表达与抽取基础上，建立道路提取的知识模型（假设模型和验证模型）。
道路特征知识定量表达的参数有亮度、标准差、矩形度、长宽比和面积等。通过研究道路在遥感图像上的表现特征，本文选取亮度、标准差建立道路提取假设模型，选取矩形度、长宽比和面积建立验证模型。其中道路假设模型定义如下：式中，Hroad是指假设道路，Broad和Sroad分别为某对象的亮度和标准差，b1和b2是亮度阈值，s1和s2是标准差阈值。针对某对象，当其亮度和标准差满足Broad∈[b1，b2]或者Sroad∈s1，s2]时，将其定义为假设道路段。由于异物同谱现象的存在，导致假设道路段中存在部分如车辆、房屋等虚假道路目标。本研究通过建立假设验证模型，去除这些虚假道路目标。道路对象的长宽比和矩形度一般较大，所以本研究用道路的长宽比和矩形度作为验证模型参数，并将面积属性加入验证模型中去除零碎的细小对象。验证模型表示如下：式中，Vroad是指验证后的道路；R，W和A分别指某对象的矩形度、长宽比和面积；r1，ω1和a1分别指矩形度阈值、长宽比阈值和面积阈值。公式（3）的含义为，在假设道路段中，当道路对象的矩形度和长宽比满足R∈（0，r1）或者W∈（0，ω1）时，将其从假设道路段中去除。然后对假设道路段进行区域合并，将面积小于a1的对象从假设道路对象中去除，从而得到验证后的道路段。
1.3 提取结果后处理
由于车辆、行车线、建筑物等地物的影响很大，尽管知识模型在一定程度上可以减小影响，但是道路提取结果中仍存在很多噪声和孔洞，本文采用数学形态学闭运算对道路提取的结果进行后处理来提高道路提取的准确性，为了保证提取道路的完整性以及道路边缘的平滑性，此处选取八邻域作为数学形态学运算的结构元素进行后处理。
2 实验与结果
为了验证本方法的有效性和优越性，本文通过实测数据进行实验，并对结果进行精度评价。
2.1 数据源
本研究选取广东省阳江地区航空影像数据为实验数据，成像时间是2013年4月，图像空间分辨率为0.1m，图像大小为2808×2719像素。道路宽度为10m左右，道路类型是高等级城市道路，实验数据如图2（a）所示。图像中包括道路、房屋、植被、车辆、行车线等目标。图像具有红、绿、蓝三个波段信息。
2.2 道路目标提取
对原始图像进行主成分分析，第一主分量如图2（b）所示，它包含了原始图像的主要信息。利用Moran指数对图2（b）进行空间统计，提取图像的空间纹理信息如图2（c）所示，道路在图中呈现低值聚集，比周围地物的亮度明显要低，道路的边缘突出，有助于更加完整地将道路从周围地物中分割开。因此，将图2（c）加入到原始图像中，并采用多尺度分割的方法对加入空间纹理信息后的图像进行分割，设定分割尺度为200，分割结果如图2（d）所示，从图中可以看出道路的完整性保留得很好。利用道路提取假设模型进行假设道路的提取，提取结果如图2（e）所示（其中，b1=74；b2=102；s1=12；s2=15）。利用验证模型进行假设验证，去除虚假道路目标（r1=0.6；ω1=2；a1=5000pixels），图2（f）为验证结果。利用数学形态学闭运算对提取结果进行后处理，将结果与原始图像进行叠加，并与真实结果进行对比。图2（g）为叠加效果图，其中红色部分为正确提取的道路，蓝色部分为漏提取的道路，绿色部分为错提取为道路。从图中可以看出有一小段道路漏提，分析发现该小段道路左侧边缘受到了破坏，同时道路上尘土较多，导致与其他道路段的纹理和光谱特征产生了差异，故而被错分到其他地物中。为了证明本方法的优越性，本文设计了对比实验，图2（h）为不加入空间纹理信息提取的结果。通过对比分析，可以直观地看出加入纹理信息提取的结果更精确。
2.3 精度评价
为了对道路提取结果进行精度评价，本文选择3个最广泛被人认可的评价指标，具体如下：式中，E1为生产者精度，E2为用户精度，E3为提取质量。kTP为正确提取为道路的区域，kFN为未被提取的道路区域，kFP为错误提取为道路的区域。利用选取的3个评价指标，分别对上述实验中是否加入空间纹理信息提取的道路区域（面积）进行评价，以此来突出本方法的优越性。具体的精度评价结果如表1所示。
由表1可知，本方法能够很好地提取道路，E1，E2和E3分别达到了94.29%，88.62和84.11%，平均精度达到了88%，比不加入空间纹理信息提取精度提高了大约5%。然而，由于混合像元的影响，导致道路边界不清楚，从而错误地将道路边界外侧邻近的部分区域提取为道路，这使得道路提取的用户精度相对较低。
3 结论
遥感数字图像处理 篇7
卫星遥感在气候预测、环境监测、生物资源分布调查、地矿勘探等领域已有广泛应用。随着传感器技术的发展,热红外成像、机载多极化合成孔径雷达、高分辨表层穿透雷达和星载合成孔径雷达技术日益成熟,遥感波谱域从最早的可见光向近红外、短波红外、热红外、微波方向发展,遥感探测地物发射及反射电磁波的精度快速提高,为提取地物信息、完成远距离识别提供了关键的技术保证[1]。考虑到遥感图像在获取、传输过程中总是存在着环境干扰、设备误差,因此针对所获取图像进行去噪与增强是地物信息特征识别的前提,也是遥感领域研究热点之一。F. Nencini提出curvelet变换方法用于融合遥感的多光谱信息和全色图像,相对于传统多分辨分析(MRA,multiresolution analysis)技术具有更好的图像增强效果[2]。Yajima等人则改进四组分分解方法(Four-Component Scattering Power Decomposition),利用多极化合成孔径雷达数据分析了日本Sakata Lagoon地域的植被季节性变化[3]。G. Shao等人则报道了遥感误差作为不确定性因素对于景观格局规划的影响方式[4]。V. Prasath等人提出一种新型的各向异性微分方程方法用于多光谱遥感图像去噪,通过考虑通道耦合实现了降噪及主要特征的保留[5]。G. Chen等综合应用小波包方法、主成分分析技术针对高光谱遥感影像进行了处理,结果表明该方法达到了降噪和遥感数据降维的目的[6]。基于类似思路,S. Backer等基于贝叶斯最小二乘估计而建立了小波去噪算法[7]。国内,张军等在选择适当的卷积方法、并结合Sobel算子基础上,建立了一种遥感图像的变化检测算法,能够比较快的对特征目标进行变化检测[8]。胡学龙等人则提出了一种基于分水岭分割和小波变换的多分辨率图像融合算法,兼顾了融合图像的光谱质量和空间清晰度[9]。焦斌亮等人构造了一种基于多结构元素的遥感图像边缘检测方法,利用数学形态学原理,在保持图像边缘细节前提下,较好的滤除了图像中孤立噪声点[10]。
由于遥感图像上叠加的噪声和图像中包含的多维度地物信息均对特定特征的提取起到干扰作用,因此须建立综合算法在增强特征的基础上,降低噪声和其他信息的影响。本文以地表水文监测遥感图像为研究对象,考虑到地表河流相对于周边地物呈现出像素级的灰度突变,因此综合分析了微分算子方法在水域特征提取与增强中的应用,最终针对珠江水系的遥感图像建立了有效的微分算子边缘特征增强方法。本文所得结果可为地表水文变化、洪涝灾害监控提供依据。
2 微分算子边缘增强方法
边缘作为图像最基本的特征,包含着图像最重要的信息;从影像学角度看,边缘表现为灰度的不连续。理想的边缘应在局域具有灰度的阶跃变化;但由于噪声和设备误差,遥感图像边缘处出现灰度的斜坡型连续变化,因此图像边缘增强的本质即在于增大边缘与局域其他像素的灰度对比度。以灰度突变作为出发点,在数学上可通过一阶导数或二阶导数,易于获得图像每个像素在其邻域内的灰度变化,进而检测和增强图像的边缘。
数字遥感影像作为M×N分辨率的像素灰度的离散二维点阵,对其微分运算的差分表示如下:
一阶微分运算:
undefined
二阶微分运算:
undefined
为实现对遥感图像的求导运算,可通过建立模板作为微分算子,利用空间域的模板卷积实现二维图像像素的离散微分处理。一阶微分运算通过梯度法实现,在像素点I(x, y)处,通常在其3×3邻域内计算该像素灰度的梯度,从而建立3×3模板;通过控制模板参数,可实现对中心像素按不同运算方向进行求导。常用的一阶微分算子如表1所示[11]。
另外,二阶微分算子可建立拉普拉斯3×3模板或高斯-拉普拉斯(LOG)5×5算子模板,如表2所示[11]。
3 结果与讨论
3.1 原始遥感图像特征分析
图1(a)为珠江口地物遥感图像(分辨率304×304),图1(b)给出了其归一化灰度的统计直方分布。原始图像灰度分布宽,水系和陆地地物交织在一起,水系边缘像素对比度低,边缘不突出,须对水系分布的图像边缘进行增强。
3.2 一阶微分算子边缘增强分析
为增强遥感图像的水系边缘,本文所设计的算法首先应用微分算子模板对二维的遥感图像进行卷积,通过循环算法完成对所有像素的微分,从而实现了水系的边缘检测;而后将所提取的图像边缘与原始图像叠加,从而增强像素灰度突变域与邻域的对比度。以Isotropic Sobel算子垂直方向模板为算例,边缘增强结果如图2所示。
由图2可见,利用Isotropic Sobel算子垂直方向模板在Fig2(b)中获得了比较明显的水系边缘信息,并叠加到原始图像中,直接突出了水系的分布(如图Fig2 (c)与Fig2 (a)对比所示。因此,选择适当的微分算子,并通过合理的设计边缘增强算法,在本文中可显著增强遥感水系的边缘对比度。
据此,利用此算法获得了所有一阶微分算子边缘增强结果如表3所示。由表3可见,Krisch四种算子模板尽管增强了图像水系边缘,但同时也增大了图像中的散点噪声。这主要是由于Krisch四种算子模板求解灰度梯度时对邻域像素的卷积权重比较大,导致原始图像内水系旁的地物微细条纹的灰度变化被放大,形成了散点。其他三类算子中Sobel算子在增强边缘的基础上也出现一定的散点噪声;Prewitt和Isotropic Sobel算子模板则在增强边缘的基础上,抑制了散点噪声的出现。视觉综合评价,Isotropic Sobel算子模板边缘增强的综合效果最优。另外,所有四类算子其垂直方向模板的边缘增强效果均略好于水平和±45°方向上的算子,此现象可归因于本文所选取的珠江水系主干具有近似垂直的流向。由此可见,算法的有效性不仅与算法工作原理有关,还在很大程度上决定于所处理遥感图像的具体特征。
3.3 二阶微分算子边缘增强分析
同理,本文对遥感图像进行了二阶微分算子边缘检测和边缘增强处理。所得结果如图3所示,所选用的算子为LOG算子。由图可见,二阶微分算子严重放大了遥感图像中各细微边缘,针对所需提取的水系图像形成了条纹状噪声。这主要是由于相对于一阶微分运算,二阶微分对图像中的细线、孤立点等小细节有更强响应,对于散点噪声等也更加敏感,因此二阶各向同性的微分运算不适于对遥感图像进行边缘提取与增强。
4 结论
本文针对遥感图像中的水系分布进行了边缘增强研究。以灰度突变作为边缘检测的出发点,通过一阶和二阶微分算子获得了图像每个像素在其邻域内的灰度变化,从而提取出了图像边缘,再叠加到原始图像中,实现了边缘增强。算法仿真表明一阶Isotropic Sobel算子模板边缘增强的综合效果最优;所有四类一阶微分算子其垂直方向模板的增强效果略好于水平和±45°方向模板;二阶微分算子由于有较高的敏感性,在提取边缘的同时,严重放大了遥感图像中各地物的细微边缘而形成了条纹状噪声。另外,仿真结果也说明算法的有效性不仅与算法工作原理有关,还在很大程度上决定于所处理遥感图像的具体特征。本文所得结果可为遥感图像的边缘增强和地物特征识别算法的进一步研究提供参考。
参考文献
[1]Gustavo Camps-Valls and Lorenzo Bruzzone.Kernelmethods for remote sensing data analysis[M].Wiley,2009:5-16.
[2]F.Nencinia,A.Garzellia,S.O Barontib and L.Alp-arone.Remote sensing image fusion using the curvelettransform[J].Information Fusion,2007,8:143-156.
[3]Y.Yajima,Y.Yamaguchi,R.Sato,H.Yamada andW.Boerner.POLSAR image analysis of wetlands usinga modified four-component scattering power decomposi-tion[J].IEEE Transactions on Geoscience and RemoteSensing,2008,46(6):1667-1673.
[4]G.Shao and J.Wu.On the accuracy of landscape pat-tern analysis using remote sensing data[J].LandscapeEcology,2008,23(5):505-511.
[5]V.B.Surya Prasath and A.Singh.Multispectral imagedenoising by well-posed anisotropic diffusion schemewith channel coupling[J].International Journal of Re-mote Sensing,2010,31(8):2091-2099.
[6]G.Chen and S.Qian.Denoising and dimensionality re-duction of hyperspectral imagery using wavelet packets,neighbour shrinking and principal component analysis[J].International Journal of Remote Sensing,2009,30(18):4889-4895.
[7]S.Backer,A Pi.urica,B.Huysmans,W.Philips andP.Scheunders.Denoising of multicomponent images u-sing wavelet least-squares estimators[J].Image and Vi-sion Computing,2008,26(7):1038-1051.
[8]张军,肖刚,敬忠良.基于边缘增强的遥感图像变化检测技术[J].计算机工程与应用,2008,44(26):171-173.
[9]胡学龙,沈洁.利用分水岭分割的多分辨率遥感图像融合算法[J].中国图象图形学报,2010,15(5):820-823.
[10]焦斌亮,胡永刚,赵文蕾.基于多结构元素的遥感图像去噪及边缘检测方法[J].宇航学报,2006,27(4):676-679.
遥感数字图像处理 篇8
近年来, 快速发展的CMOS图像传感器因具有高集成、功耗低、工艺简单和开发周期短等优点, 已被广泛应用在工业、监控、航空和航天等众多领域[1,2]。目前我国航天领域中摄像设备的分辨率普遍不高, 画面质量有待提高, 严重制约着我国空间可视监控技术的进一步发展[3], 因此研究以CMOS图像传感器作为光电转换器件的数字高清遥感成像技术, 在航天领域具有较高的实际应用价值。
1 硬件平台及基本工作原理
本文主要采用了CMOS图像传感器、可编程逻辑门阵列FPGA、第二代双倍速率同步动态随机存储器 (Double Date Rate Synchronous Dynamic Random Access, DDR2) 、视频串行器等, 搭建了一个可实现图像实时采集、预处理及传输功能的高清成像系统, 如图1所示。本文采用的传感器是APTINA公司的MT9M034, 它集成了模拟图像采样和模数转换及在片自动曝光等功能, 并支持720p60的高清视频, 具有重量轻、体积小、功耗低、动态范围宽等优点, 适合航天的应用场景。
FPGA作为系统主处理器, 主要完成对传感器的初始化和接口控制, 并对传感器输出的图像数据进行采集和预处理, 以提高图像质量并供显示, 这些处理主要包括时序调整、图像类型转换、图像预处理、数据存储、高清数字分量串行接口 (High Definition Serial Digital Interface, HD-SDI) 视频合成等。本文FPGA选用的是Xilinx公司的XC6SLX75t, 它内部具有丰富的逻辑、存储资源及用户接口。
为了将图像传输至监视器上呈现出来, 本系统选用了National Semiconductor公司的芯片LHM0340作为数字视频串行器, 它对接收到的亮度和色差信号的并行数据进行并串转换, 输出HD-SDI数据流并送往监视器。
2 FPGA设计
根据模块化的设计思路, 将FPGA的功能分为主控制接口、传感器接口、图像预处理等6个子模块来实现, 如图2所示。
2.1 时钟管理模块
时钟管理模块接收外部晶振输入的74.25 MHz时钟, 再利用FPGA的时钟管理资源和全局时钟资源产生74.25 MHz和148.5 MHz的全局时钟。其中, 除DDR2控制模块和数字视频合成模块使用了两个全局时钟外, 其他模块均使用74.25 MHz全局时钟。
2.2 主控制接口模块
如图2所示, 该模块连接其他各模块并控制它们的运作, 产生其他各模块的复位信号并通过对寄存器读写的方式产生系统控制信号;另外, 主控接口模块还支持通过异步串口连接上位机进行通信和控制。
2.3 传感器接口模块
传感器接口模块的主要功能是对CMOS传感器进行复位及内部寄存器的配置、采集传感器输出的Bayer模式图像数据并输出符合格式要求的图像数据。该模块与传感器通过I2C接口进行通信, 由于传感器的分辨率是1 280×960, 为符合数字高清的标准, 需对其稍作调整, 转换为1 280×720的分辨率。
2.4 图像预处理模块
由于航天应用场景中存在多种光照环境, 且遥感画面动态范围较大, 为了使获得的图像在各种光照环境下都能呈现最佳的效果, 图像预处理模块采用了多种算法对传感器输出的图像信号进行处理, 这些处理包括坏点校正、去马赛克、自动白平衡、色彩校正、伽马校正、色度空间转换、宽动态处理以及色度/亮度/饱和度/对比度调整。在FPGA设计时, 将该模块分割为8个算法子模块和一个控制子模块, 如图3所示。
各模块的输入参数均通过主控模块配置。其中, 宽动态处理、色彩校正和色度空间转换均采用了Xilinx公司的IP核予以实现, 色度/亮度/饱和度/对比度调整则采用Lattice公司的IP核, 对其他几个模块介绍如下。
2.4.1 坏点校正模块
本模块接收到的Bayer阵列型图像数据, 其特点如图4所示, 对任一像素而言, 若其为坏点, 则可利用同一行中其左右相邻同分量的两个像素值来纠正。
为得到3个相邻的同类型分量像素, 需得到5个连续的像素。因此将模块的输入图像数据作4级延迟, 与当前输入的数据一起组成5个像素。对于这5个像素的中心像素, 计算出其左右相邻两个同分量像素的平均值, 再分别乘上1.25、1.5和2的系数构成3种阈值以供不同场景使用。
根据主控制接口模块的指示, 从3种阈值中选择一种作为当前阈值, 对中心像素进行判断, 若超出该阈值则判为坏点, 用已计算出的其相邻同分量的平均值代替该像素的值, 否则保持不变。利用FPGA来设计这一算法, 可实现流水线式的坏点检测与校正功能。
2.4.2 自动白平衡
自动白平衡算法有很多, 其中应用极为广泛的是基于灰度世界理论:对于任一幅图像, 当它有足够的色彩变化时, 则它的RGB分量的均值会趋于相等。
相对于其他算法而言, 该算法简单可靠且便于硬件实现, 本文采用的即是这种基于灰度世界假设的算法[4], 如图5所示。
图像分割判断模块首先把图像分块, 对每一块计算其像素的标准差 (即颜色变化的情况) , 判断是否是大色块, 是否是过亮块、过暗块。对于标准差越大的图像块, 说明其颜色越丰富, 越符合灰度世界理论的假设, 权重越大;而标准差越小的块则权重越小。
计算模块根据图像分割模块提供的信息, 进行全局的块选取, 并按照灰度世界的假设进行计算, 得到矫正过的图像数据。
2.4.3 去马赛克
去马赛克算法的目的是将Bayer格式的图像信号通过插值处理去马赛克, 转化成完整的RGB信号。本模块选用的是改进的线性插值法[5]。
本模块设有4个行缓存, 用于接收输入的图像数据。将当前输入的图像数据以及从4个行缓存中读出的数据分别进行5级延迟, 则可得到5×5的Bayer数据块。按照数据块中心像素为R/G/B何种分量以及与其领域各像素相对关系的不同, 可总结出4种情况, 分别如图6所示, 中心像素点的坐标为 (3, 3) 。对待插值像素 (中心像素) 的5×5邻域内数据块在不同情况下通过不同的公式进行插值运算即可得出中心像素点R、G、B三分量的值。
2.4.4 伽马校正
大多数的显示设备的输入电压与显示的彩色图像强度成非线性的关系, 为了使显示图像和真实图像相符, 得到更加自然、真实、悦目的画面, 有必要对因为显示器特性造成的非线性误差进行伽马校正。
本模块通过预先设定伽马校正数据表, 通过上位机经过异步串口写入FPGA, 存入只读存储器中, 再进行查表获取伽马校正后的数据。
2.5 DDR2控制模块
DDR2控制模块通过管理DDR2存储芯片将图像预处理模块输出的YCb Cr格式数据进行缓存并输出。其功能通过3个子模块来实现, 如图7所示。子模块1将接收到的16 bit并行数据进行缓存;子模块2为Xilinx公司的DDR2控制器IP核, 它将子模块1中的缓存数据以32位写入DDR2, 同样以32位读出发送至子模块3再次进行缓存, 最终恢复成16 bit并行数据输出。
2.6 数字视频合成模块
数字视频合成模块按照HD-SDI格式将数据合成为并行数据, 并送入串行器进行并串转换。该模块的功能通过3个子模块来实现, 分别是打包子模块、编码子模块、串行器接口子模块。
打包子模块接收DDR2控制模块输出的图像数据, 通过对Y分量和C分量分别低位填零扩展至20 bit并行, 再根据2.2节所述主控制接口模块的指示, 在图像数据中插入HD-SDI格式所需的时间基准信号及消隐, 打包输出至编码子模块。
编码子模块为Xilinx公司的IP核, 它通过检测输入的视频数据流, 提取时间基准并进行CRC校验, 再进行HD-SDI编码, 以20 bit并行输出至串行器接口子模块。
串行器接口子模块将输入的20 bit并行数据用148.5 MHz时钟进行高速采样, 再利用FPGA的ODDR2资源双沿发送将数据提速, 拆分成5 bit并行数据, 最后用OBUFDS资源将其转换为差分信号发送至串行器。
3 系统验证
本文通过ISE14.1开发环境进行了FPGA代码设计和仿真验证。图8是HD-SDI合成模块的仿真结果, 图9是本文成像系统在监视器上的显示结果对比, 其中 (a) 是未启动白平衡算法和伽马校正的原始图像, (b) 是经过白平衡算法和伽马校正等预处理后的图像, 从两者对比可以看出, 未经过预处理的图像颜色失真, 而经本文预处理后的图像画面逼真, 质量更高。
4 结论
本文设计了一种基于FPGA的数字高清CMOS遥感成像系统, 以FPGA为主处理器, 经过对传感器控制、图像采集与图像预处理, 得到了高质量的遥感图像。通过软件仿真和硬件测试, 验证了该设计方案的正确性和有效性。
摘要：为得到高质量的数字高清遥感图像, 设计了一种基于FPGA的CMOS遥感成像系统。首先阐述了以FPGA为主处理器的硬件平台结构, 然后从模块化的角度详细介绍了如何用FPGA器件实现硬件系统的数字功能并得到高质量的遥感图像, 这些内容主要包括主控制接口、传感器接口、图像预处理、DDR2控制、数字视频合成等模块。通过软件仿真和硬件测试, 验证了设计方案的正确性和有效性。
关键词：CMOS图像传感器,FPGA,图像预处理
参考文献
[1]范铁道.基于FPGA的数字高清CCD摄像机技术研究[D].西安:中国科学院研究生院 (西安光学精密机械研究所) , 2009.
[2]赵鹏, 沈庭芝, 单宝堂.基于CMOS图像传感器的微型无人机遥感系统设计[J].光子学报, 2008, 37 (8) :1657-1661.
[3]刘海英.基于CMOS图像传感器的数字高清成像技术研究[D].西安:中国科学院研究生院 (西安光学精密机械研究所) , 2008.
[4]谷元保, 付守卓.一种基于灰度世界模型自动白平衡方法[J].计算机仿真, 2005, 22 (9) :185-188.
遥感数字图像处理 篇9
关键词：遥感,几何校正,主成份分析,数据融合,专题图像,ENVI
0 引言
ENVI是一个完善的数字影像处理系统,它具有全面分析卫星和航空遥感影像的能力。它能在各种计算机操作平台上提供强大新颖的友好界面,显示和分析任何数据尺寸和类型的影像。由于采用了基本文件和基于波段的技术,ENVI能够处理整个影像文件或单一的某个波段。此外,ENVI自带了多种波谱处理工具,包括波谱提取、波谱库以及高光谱数据集的能力,这些高光谱数据集涵盖了AVIRIS、GERIS、GEOSCAN和Hy Map等数据。
1 几何校正
遥感成像时,由于飞行器姿态(侧滚、俯仰、偏航)、高度、速度、地球自转等因素而造成图像相对于地面目标而发生几何畸变,畸变表现为像元相对于地面目标实际位置发生挤压、扭曲、伸展和偏移等,针对几何畸变进行的误差校正就称为几何校正。
将数据参照水系图进行几何校正,该方法是:
(1)坐标转换从原始畸变图像空间中的像元位置出发,建立空间转换关系,确定每个像元在标准图像空间中的正确位置。
(2)重采样用标准图像空间中的像元点G位置反求其在原始畸变图像空间的共轭点F(X,Y),然后再利用某种方法确定这一共轭点的灰度值,并把共轭点的灰度值赋给标准图像空间对应点g。
重采样法能够保证校正空间中网格像元呈规则排列,因而是最常用的几何精校正方法之一。重采样有3种插值方法:最邻近法(nearest neighbor)、双线性法(bilinear)、三次卷积法(cubic convolution)。
最邻近法保留大量原始灰度值,没有经过平滑处理,对于区分植被类型、识别线性特征等有重要意义。双线性内插法比与最近邻法相比,计算量增加了,但提高了精度,改善了灰度不连续现象及线状特征的块状化现象。其缺点是这种方法对图像起到平滑作用,使图像变得模糊。由于这种方法计算量和精度适中,因而常常被采用。
在控制点的选取中选择道路的交叉点,河流弯曲或者分叉处,及固定地物边缘等。在这个过程中我选取了16个控制点,其中RMS Eerror分别为0.28(X)和0.46(Y),数学模型选用Polynomial方法对图像进行校正处理。
选取地面控制点(GCP,Ground Control Point)建立多项式,多项式纠正法的精度与地面控制点的精度、分布、数量及纠正范围有关;GCP的位置精度越高,则几何纠正的精度越高;GCP的个数不少于多项式的系数个数;适当增加GCP的个数,可以提高几何纠正的精度。GCP分布应尽可能在整幅图像内均匀分布,否则在GCP密集区精度较高,在GCP分布稀疏区出现较大误差;GCP应该选择明显地物点,如河流交汇点、桥梁、道路拐点等。
2 运用校正后的数据求NDVI并叠加
NDVI(Normalized Difference Vegetation Index)是一个普遍应用的植被指数,将多波谱数据变换成唯一的图像波段显示植被分布。NDVI值指示着像元中绿色植被的数量,较高的NDVI值预示着较多的绿色植被。
步骤:Transforms→NDVI(Vegetation Index),出现NDVI Calculation Input File窗口,选择输入文件,点击“OK”确定,通过点击“Input File Type”下拉菜单,用NDVI Calculation Parameters对话框,说明你已经输入的文件类型,用“Output Data Type”下拉菜单选择输出类型,选择输出到“File”或“Memory”,若选择输出到“File”,在标有“Enter Output Filename”的文本框里键入要输出的文件名;或用“Choose”按钮选择一个输出文件名,点击“OK”开始计算NDVI变换。先是得到NVDI图,然后在此基础上得到其叠加图。
3 数据融合
最常用的遥感影像融合方法有HIS(亮度(intensity)、色调(hue)、饱和度(saturation)变换、brovey方法、主成分变换(principal component transform,简称PC)、小波变换、基于亮度调节的平滑滤波(smoothing filter-based intendity modulation,简称SFIM)和Gram-Schmidt光谱锐化(Gram-Schmidt spectral sharpening,简称Gram),等。这些方法各有优缺点,根据不同需要选择不同的方法。
在PCI的Modelor实现8个波段(123457,61-62,8波段除外,因为8波段具有高分辩率,在HIS变换中需要再次用,故此处不用它来参与)PCA变换,HIS变换,变换后的图像进行图像增强,最后输出文件。
PCA变换提取8个波段的所有有用信息;用提取出的PC1,PC2,PC3当成R,G,B3个通道分别输出到RGB to HIS conversion模块中;在接下来的HIS to RGB conversion模块中用saturation和hue分别输出到saturation和hue中,用part8高分辩率图像作为intensity数据输入,输出后的数据就是经过HIS融合后的数据。
ETM+的8个波段波段主要的用途有:(1)0.45~0.52um蓝绿波段,用于水体穿透,土壤植被分辨;(2)0.52~0.60um绿色波段,用于植被分辨;(3)0.63~0.69um红色波段,处于叶绿素吸收区域,用于观测道路/裸露土壤/植被种类效果很好;(4)0.76~0.90um近红外波段,用于估算生物数量,尽管这个波段可以从植被中区分出水体,分辨潮湿土壤,但是对于道路辨认效果不如TM3;(5)1.55~1.75um中红外波段,这被认为是所有波段中最佳的一个,用于分辨道路、裸露土壤、水,它还能在不同植被之间有好的对比度,并且有较好的穿透大气、云雾的能力;(6)10.5~12.5um热红外波段,感应发出热辐射的目标。分辨率为60m;(7)2.08~2.35um中红外波段,对于岩石/矿物的分辨很有用,也可用于辨识植被覆盖和湿润土壤;(8)0.52~0.90um全色波段,得到的是黑白图象,分辨率为15m,用于增强分辨率,提供分辨能力。(ETM+增加了这个波段,TM没有)。
以上波段除6、8外分辨率均为30m。
选择Transform->Image Sharpening->HSV,以校正后的Band8图像为High Resolution Input File,融合校正后的Band 123457与校正后的Band8图像。
4 利用融合后的多光谱数据做主成分分析,生成PC1、2、3的彩色图像,并对结果进行解释
彩色增强就是根据人的视觉特点,将彩色用于图像增强之中,这是提高遥感图像目标识别精度的一种有效方法。彩色合成增强是将多波段黑白图像变换为彩色图像的增强处理技术。根据合成影像的彩色与实际景物自然彩色的关系,彩色合成分为真彩色合成和假彩色合成两种。真彩色图像上影像的颜色与地物颜色基本一致。利用数字技术合成真彩色图像时,是把红色波段的影像作为合成图像中的红色分量、把绿色波段的影像作为合成图像中的绿色分量、把蓝色波段的影像作为合成图像中的蓝色分量进行合成的结果。真彩合成。与肉眼所见接近;仅使用反射的可见光,受大气、云雾、阴影、散射的影响较大,通常对比度不高,感觉模糊(蓝色光散射严重);对于海岸区域研究特别有用,因为可见光可穿透水面,观察到海底。
以下是一幅专题图像:(包含专题图像、地名标注、图框、坐标、比例尺、图例等要素)
非监督分类中采用k-means分类将图像分为5类。
由植被分布专题图结合地面实况资料,广东地处我国岭南,具有高温多雨而有较明显的干、湿季之分的季风热带气候特点;这里属低平地上的地带性典型植被类型,植被及其生境的热带-亚热带过渡性质。
图像分类是对图像上每个像素按照亮度接近程度给出对应类别,以达到大致区分遥感图像中多种地物的目的。遥感图像的统计分类一般分为两种方法:监督分类和非监督分类。在此我用非监督分类的方法做此图。
5 总结
遥感影像作为地表地物光谱信息的一种载体出现,不仅扩大了人们的视觉领域,更是提高了人们认识世界、认识自然的能力,给生产科研带来深刻的革命性变化。利用ENVI4.2,对遥感数据及其它地学数据在不同层次上进行的多波段数据融合、不同图像数据融合、图像校正、图像分割、分类处理,其结果表明,利用ENVI的遥感图像处理技术在突出地质地貌特征信息方面有较好的效果。
通过本次实例分析,我从中学习到很多遥感图像处理的方法,但是还有以下不足:
实习非监督分类中训练区选取不太适当,所以分类的结果不太理想,在以后的分析过程中应该针对需要的类别选取特征性的训练区。分类中具体方法针对性不同,选择分类效果更好的方法。
参考文献
[1]梅安新,彭望路,秦其明.遥感导论[M].北京:高等教育出版社.
[2]宁书年.遥感图像的处理与应用[M].北京:地震出版社.
[3]赵英时.遥感应用分析原理与方法[M].北京:科学出版社.
[4]夏德深.现代图像处理技术与应用[M].南京:东南大学出版社.
遥感数字图像处理 篇10
现阶段我国为遥感专业人才培养设置的本科专业主要有摄影测量与遥感、遥感科学与技术、地理信息科学等, 在这些专业的培养方案中, 《遥感导论》和《遥感图像处理》在多数高等院校中都有开设, 并为专业核心课程之一, 有的高等院校还开设了《数字图像处理》。《遥感导论》和《数字图像处理》两门课程可以视为《遥感图像处理》的前期基础课, 因而在课程学期安排上应该提前。
《遥感图像处理》以地理学、测绘学、数理统计、计算机技术等为背景, 在学习了遥感技术、图像处理技术的原理和理论基础上, 着重介绍遥感信息处理的原理、过程与方法, 并掌握遥感图像处理技术的发展动态与实际应用。由于《遥感图像处理》是多学科的交叉, 与很多专业都有很密切的联系, 而且发展速度较快, 在遥感图像处理的教学中, 一方面要求不同对象的学生掌握、理解或了解图像处理技术的基本原理;另一方面, 还要求不同对象的学生理解或了解遥感图像的成像机理、处理技术和流程等。同时, 图像处理技术和遥感技术具有技术更新快的特点, 因而还需要学生掌握现阶段的状态以及最新发展情况。除了教学内容和教学方法外, 实验教学也是《遥感图像处理》课程的重要的环节, 传统的课程教学大都偏重于理论, 一些已有的实验也主要是针对特定图像处理的一些应用, 缺乏图像处理技术应用与遥感图像特征无缝结合和系统组织。
总的来说, 目前的《遥感图像处理》课程体系主要存在以下几个方面的问题[2]: (1) 传统的课程体系多注重经典理论, 轻实验和实践[3]。除了应该重视理论教学外, 有效地利用实践教学环节, 有利于学生理解和掌握该课程内容, 取得事半功倍的教学效果; (2) 传统课程体系脱胎于数字图像处理, 和遥感处理关键技术之间存在断裂面, 遥感处理知识体系不够完善。
本文以我国高等师范院校开设的遥感科学与技术、地理信息科学专业为例, 针对《遥感图像处理》课程的教学目标, 提出了适合高等师范院校本专业领域学生的课程体系的构建方案, 并就其实践教学的效果和课程体系特色进行介绍。
1 课程体系的建立
内容的模块化设计是目前课程体系建设的主要方案, 在很多高等院校的专业教学中得到了较好地应用[4]。为适于高等师范院校开设的遥感科学与技术、地理信息科学专业教学需求, 通过近10年左右的实践教学, 我们将《遥感图像处理》的课程体系结构分为7个模块, 如图1所示。
(1) 图像基础模块:这一部分主要介绍遥感数字图像的基础知识, 主要包括遥感数字图像、遥感数字图像的计算机存储、遥感数字图像的计算机视图与表达等内容, 让学生了解遥感数字图像的基本概念和特点, 并从计算机存储和显示的角度, 定性了解数字遥感图像, 引导学生建立遥感图像处理研究和实践的兴趣。
(2) 定量遥感处理模块:遥感定量化是当前技术发展的重要方向之一, 其分析和处理过程涉及到物理、大气等学科;本科生由于前期所开课程较少, 感觉定量遥感处理的难度较大, 因而我们主张在本科阶段掌握定量遥感的基础理论和图像处理, 深层次处理设置在后续的研究生课程开设。
该模块的主要内容涵盖辐射定标、大气校正、热红外地面温度反演等, 以Landsat TM图像为例, 了解遥感图像的辐射校正和定量反演的技术方法:辐射定标结合Landsat TM的0级、1级产品, 介绍遥感图像数字值 (digital number, DN) 转换为光谱辐射亮度的方法;大气校正主要讲述基于辐射传输方程的校正方法, 结合6S和MOTR AN辐射传输软件包, 完成遥感图像的大气校正;热红外图像地表温度反演以Landsat TM6为例, 介绍单波段热红外图像的地表温度反演方法和技术流程。
(3) 几何遥感处理模块:该模块针对遥感成像的纯中心投影、多中心投影、侧视雷达等不同构像方式, 解释它们的几何纠正方法和技术流程;对于多项式纠正方法重点介绍, 强度多项式的构建、地面控制点的选择、最小二乘法拟合等相关内容。
(4) 数字图像增强模块:数字图像增强模块按照彩色增强、辐射增强、空间域增强、频率域增强、多光谱增强等顺序进行讲解。在这一部分, 我们遵循系统深入的原则, 基于遥感数字图像处理的实例, 帮助学生系统复习总结并领会各种理论方法之间的逻辑顺序与本质。由于图像处理具有理论性和可视化强的特点, 在这个部分教学中, 我们希望加强学生对前置基础课程 (如《遥感导论》和《数字图像处理》) 所学基本理论和方法的深入理解, 使其充分认识遥感机理理论知识在遥感图像增强应用中的指导意义, 并体会理论本身的魅力。
(5) 遥感图像融合模块:该模块从遥感图像融合的目的出发, 介绍图像融合的主要方法和技术流程、图像融合结果的性能评估等;联系数字图像增强模块的多光谱增强子模块, 以HIS变换、主成份分析、傅里叶变换和小波变换等为基础, 阐述遥感图像融合的主要技术方法, 并对其方法的缺点进行分析, 提出改进的遥感图像融合方案。
(6) 遥感图像分类模块:该模块主要包括计算机分类的基本原理、非监督分类、监督分类、计算机分类的新方法、分类结果后处理、精度评估等内容。在这一部分教学中, 我们充分发挥图像处理应用性强的特点, 选择最小距离法、ISODATA、最大似然分类法等, 重点讲述其基础理论和技术方法, 激发学生学习兴趣。
(7) 变化检测模块:该模块是对前面所学模块的综合运用, 向学生展示《遥感图像处理》立体而丰富的专业内容。在介绍遥感图像变化检测意义和技术流程的基础上重点论述变化检测的分类后比较法和直接比较法;将变化向量分析法 (CVA) 作为典型算法进行讲述, 通过土地覆被变化检测的应用实例, 综合遥感图像辐射校正、几何纠正等知识, 重点论述变化强度和变化方向的确定方法, 并利用图像处理实践提升学生的研究性思维, 初步培养学生的创新能力。
2 课程教学实践及其特色
2.1 加强实践教学环节, 注重动手能力的培养
本课程主要教学目的是使学生了解和掌握遥感信息处理的基本知识、方法、基本技能和发展动态, 初步掌握应用遥感信息处理技术分析和解决实际问题的能力。因而, 实践教学能力培养是我们课程建设的核心部分。我们在每个模块中设置了多个实践环节, 多角度、多目标的提升学生动手操作能力。
主要的实践环节包括: (1) 遥感数字图像的读入及其显示的计算机编程实现; (2Landsat TM图像的辐射定标; (3) 基于6S和MOTRAN的Landsat TM图像的大气校正 (4) Landsat TM6热红外地表温度反演; (5) 遥感图像的几何纠正 (多项式模型和雷达图像的距离-多普勒模型) ; (6) 遥感图像增强1 (直方图变换和直方图匹配) ; (7) 遥感图像增强2 (平滑和锐化) ; (8) 遥感图像增强3 (傅里叶变换及遥感图像周期性条带噪声的去除) ; (9) 遥感图像增强4 (HIS、PCA) ; (10) 遥感图像融合及其性能提升 (HIS、PCA) ; (11) 遥感图像分类1 (最小距离方法) ; (12) 遥感图像分类2 (ISODATA、最大似然法) ; (13) 遥感图像分类的新方法3 (面向对象法) ; (14) 遥感图像分类后处理; (15) 遥感图像分类结果精度评估; (16) 土地覆被变化遥感变化检测。
通过理论学习、实践处理等环节, 增强学生对本课程的理解, 并在此基础上使学生进一步掌握遥感图像成像的基本原理、基本理论和这些理论在遥感图像处理中的应用。近10年的教学实践证明, 该课程的实践教学环节较好地调动了学生专业学习的积极性, 取得了较好的学习效果。
2.2 内容延伸模块化, 形成分层次课程体系
我们依据课程教学内容, 构建了授课内容的基本框架, 按照教学内容分块设置, 根据学生学习阶段、课时安排、专业特色延伸等可以灵活变化, 因而给授课内容带来了较大的机动性。
在每个教学模块中首先确定知识体系和拓展专题内容, 将这些拓展专题分为偏应用型和偏理论型。每个专题中设置基本内容和扩展内容, 形成模块化分层次的课程体系。
例如:在数字图像增强模块中, 目前的大多数教材中存在直方图均衡化的内容, 然而随着图像处理技术的发展和应用的拓展, 人们发现在绝大多数遥感图像增强处理中不适合直方图均衡化处理, 因此这部分内容可以不讲或让学生自学。图像增强部分的内容非常多, 使学生清楚掌握第一节内容介绍的关键词, 课程的延伸内容就会更易理解。根据学科特色和学习层次, 可以有意识地引入偏应用专题或偏理论专题, 更好地满足不同目标、不同层次的学生的需求。
通过遥感图像处理课程教学内容的分块划分, 形成了层次化、模块化课程体系, 在确保授课内容体系完整情况下, 使内容选择更具条理和可操作性, 便于培养不同目标导向的学生, 更适于我国高等师范院校相关专业的教学设计。
2.3 多目标人才及其创新能力培养
社会对人才可以从不同的角度加以分类, 从生产或工作活动的目的来分析, 现代社会的人才可分为学术型 (理论型) 、技术型、工程型和技能型等。多目标人才就是多功能人才, 其特点是多才多艺, 能够在很多领域大显身手。当今社会的重大特征是学科交叉, 知识融合, 技术集成。因而, 《遥感图像处理》多目标人才培养是培养学生在各个方面都有一定能力, 同时在某一个具体的方面要能出类拔萃。
在高等师范院校地理学背景创办遥感科学与技术、地理信息科学等本科专业的情况下, 不同层次、不同培养目标导向, 可以让学生针对自己的发展方向选择应用型还是研究型, 因而该课程体系更加具有灵活度。我们课程体系中设置的定量遥感模块, 可以满足学生在应用型《遥感图像处理》课程中学习到研究型知识, 丰富和完善学生的有关遥感处理的知识结构, 提升学生的创新能力。实践教学证明, 我们的本科生经过该模块的学习, 也能够独立完成研究方案构思和具体研究路线设计, 并在老师的指导下撰写科学论文。
3 结语
卫星遥感、图像处理技术的迅猛发展, 其应用领域愈来愈广泛, 该领域受到很多学生的垂青, 激发了他们的学习热情。目前很多高等院校都开设了《遥感图像处理》这门课程。如何根据各个高等院校的学科特色、学生特点构建适合自己的课程教学体系、安排好授课内容、提高教学方法和教学手段的有效性是很多高等院校主讲教师最关注的, 同时对于提高学生学习兴趣、加强实践应用能力以及培养信息技术时代的创新型人才具有重要意义。
笔者结合多年《遥感图像处理》课程的教学经验, 设计了一个课程内容模块化、专题内容可延伸、分层次的课程体系, 它采用专题框架, 在保证授课体系完整性的前提下, 授课教师可以依据人才培养目标、专业特色、学时要求引入模块化延伸内容, 有机地将课程教学内容联合在一起, 形成多层次、多目标的授课内容。实践证明, 该课程体系设置达到了我们高等师范院校相关专业的课程教学预期效果, 可以为我国其他高等师范院校的相关专业的《遥感图像处理》课程教学提供参考。
参考文献
[1]邓磊, 赵文吉, 胡德勇.遥感课程实践教学模式探索与教改实践[J].科技创新导报, 2012 (7) :136-137.
[2]赵珊, 刘静.数字图像处理课程实践教学的改革与设计[J].中国科技信息, 2009 (23) :226-227.
[3]吕秀琴.GIS专业《数字图像处理》实验教学研究[J].地理空间信息, 2012, 10 (5) :174-176.
遥感数字图像处理 篇11
关键词：分布式计算；遥感影像处理；原型系统
随着遥感技术的产生，遥感影像数据的存储与处理技术就成为了研究的重点内容，很多功能强大的遥感数据处理商业软件系统在市场中涌现，信息处理的智能化程度得到了很大的提高。网络时代的到来使得这些单机模式的处理软件出现了网络化的发展趋势。在网络环境之下对遥感影像数据进行处理，实现对遥感影像数据更加高效、广阔的利用已经成为了研究的主要方向。
一、遥感数据智能化处理技术的现状及发展
遥感数据处理与分析的发展阶段包括定性分析、定位分析、趋势分析、综合分析等。对遥感数据处理与分析的研究历程进行分析，主要包括以下三个发展阶段：
（一）传统的处理与分析方法
利用人工目视或者计算机图像处理等方式对遥感数据进行处理与分析属于传统的方法，希望能够通过人工或者自动实现遥感信息的增强、分类等，获得一定的地学信息。传统的遥感数据处理与分析方法在处理效率与分析精度方面都不完备。
（二）智能化的处理与分析方法
遙感数据的处理与分析在人工智能理论的基础之上开辟了智能化发展的道路。神经计算认知模型与符合逻辑推理模型是人工智能技术在遥感数据处理与分析过程中最为主要的两种应用技术。
（三）处理与分析方法的发展
在传统处理与分析方法、神经计算认知模型、知识系统等多种理论与技术的基础上，建立了遥感数据空间信息处理与分析模型，其主要的发展方向是建立一体化的空间信息综合分析系统。空间信息综合分析系统的理论与方法的基础是基于生理学的微观认知模型与基于心理学的宏观认知模型之间的相互结合。
二、遥感影像智能处理与分析方法
（一）地理信息系统（GIS）
实现遥感影像信息处理与地理信息系统的集成应用已经成为了研究的趋势。两者之间的集成关系为：遥感图像信息为地理信息系统数据库提供给了信息来源与更新手段，地理信息系统数据辅助遥感图像信息提取与分析。
（二）人工智能理论
人工智能理论主要促进了遥感图像信息处理与分析中的信息分类发展。利用人工智能技术实现遥感图像信息的自动分类是当前遥感图像信息处理研究与发展的主要趋势。
（三）多尺度遥感图像信息处理与分析
多尺度遥感图形信息分析机制的引入解决了高空间分辨率遥感图像信息的信息提取与分析问题。首先通过大尺度对遥感图像信息进行提取与分析，之后再进行小尺度方面的分析，从而形成多尺度的特征描述图像的单元集合。
三、TARIES.NET原型系统的设计与实现
（一）TARIES.NET原型系统结构
TARIES.NET原型系统是对单机模式的泰力目标识别与信息系统进行网络改造而形成的，其实现的基础是注册服务的网络处理模型。网络端图像数据模型、数据通信与传输、服务资源注册中心、节点与服务资源访问接口是TARIES.NET原型系统的功能模块。
（二）TARIES.NET原型系统的设计与实现
1.网络段图像数据模型
网络段图像数据模型（DIPM，Distributed Image Processing Model）主要的作用是管理与组织、处理数据，在整个原型系统中发挥着用户操作接口的作用，是整个系统的核心组成部分。
采用UML建模语言对网络段图像数据模型进行设计。在整个的设计过程中，网络端图像数据模型属于网络客户端数据模型，这种模型需要负责的功能是显示图像与处理结果等基本操作，需要有一定的图像基本处理功能支持。在网络段图像数据模型构建的过程中，java Applet小程序是最为合适的选择。在构建平台的客户端数据模型的过程中，JAI（java advancing Imaging）高级图形处理包为其提供了支持。
2.数据的通信与传输
对于网络环境下的分布式处理系统而言，通信机制有着非常重要的地位，是系统实现跨平台的关键因素。在TARIES.NET原型系统中，通信机制需要解决的关键问题就是图像数据的传输、参数与控制信息的通信。在TARIES.NET原型系统中采用简单对象调用协议作为通信协议，
3.服务资源注册中心
在TARIES.NET原型系统中，服务资源注册中心是其核心的组成部分，属于典型的B/S结构系统，主要的功能是用户信息、服务资源、节点服务器的管理与注册中心维护等。利用MVC构建模型与J2EE技术来对服务资源注册中心进行设计。
4.节点与服务资源访问接口
节点属于计算资源，能够为客户提供计算服务。在TARIES.NET原型系统中，通过将WEB服务器布置在节点处来对客户端请求进行接受、响应，之后通过分配功能模块实现对服务资源的访问。数据资源的保存形式大部分都是文件或者数据库记录，可以运用SOAP作为系统的传输协议。
总结
遥感数据获取技术的快速发展与进步，促进了遥感数据信息获取与处理技术的不断发展。为了能够更加高效、广阔的利用遥感图像信息，需要通过计算机与网络等技术来实现对遥感数据智能、高效的处理与分析。本文针对这种现状提出了遥感影像处理模型，在现有技术的基础之上完成了分布式遥感影像处理TARIES.NET原型系统的构建，促进了遥感影像信息的处理与分析，提高了对其的利用效率。
【参考文献】
[1]方涛，龚健雅，李德仁.影像数据库建立中的若干关键技术[J].武汉测绘科技大学学报，2010，22（43）：266一270.
[2]葛艳红，李文锋，万志坚.利用ISAPI，Java开发B/S模式的图像数据库[J].武汉理工大学学报（交通科学与工程版），2013，27（53）：388一390.
[3]郑晓东，王志坚，周晓峰.一种基于webServi’e的分布式计算模烈研究及其实现[J].计算机工程与应用，2012，01（52）：144一147.
遥感图像分类方法比较研究 篇12
1.遥感图像分类原理简介
遥感图像分类的理论依据是:遥感图像中的同类地物在相同的条件下 (纹理、地形、光照及植被覆盖等) , 应具有相同或相似的光谱信息特征和空间信息特征, 从而表现出同类地物的某种内在相似性, 即同类地物像素的特征向量将集群在同一特征空间区域; 而不同的地物其光谱信息和空间信息特征不同, 将集群在不同的特征空间区域。由于地物的成分、性质、分布情况的复杂性和成像条件, 以及一个像素或瞬时视场里往往有两种或多种地物的情况, 即混合像素, 使得同类地物的特征向量不尽相同, 而且使得不同地物类型的特征向量之间的差别不都是截然相反的。
遥感图像分类方法可分为非监督分类和监督分类。非监督分类是在没有先验类别知识的情况下, 根据图像本身的统计特征及自然点群的分布情况划分地物类别的分类处理, 它并不需要具体地物的已知知识, 可更好地获取目标数据内在的分布规律, 主要方法有:K均值分类 (K-means) 、ISODATA方法。
监督分类是一种常用的精度较高的统计判决分类, 它是在已知类别的训练场地上提取各类训练样本, 通过选择特征变量、确定判别函数或判别规则, 把图像中的各个像元划归到各个给定类的分类方法。其主要步骤包括:选择特征波段;选择训练区;选择或构造训练分类器;对分类精度进行评价。主要方法有:平行六面体分类 (Parallelepiped) 、最小距离分类 (Minimum Distance) 、马氏距离分类 (Mahalanobis Distance) 、最大似然分类 (Maximum Likelihood) 、人工神经网络分类法等。
2.案例分析
本文以呼和浩特市地区7个波段组成的TM影像为原始数据, 以波段5、4、3模拟真彩色RGB合成, 选取凉城县岱海区域做分类实验, 以确定该区域土地覆盖应采取的分类方法。
2.1遥感影像的目视解译。
在利用ENVI进行监督分类之前, 首先在ArcGIS中进行遥感影像的矢量化操作, 利用目视解译画出各类地物的边界, 并统计其面积, 以此评定各种分类方法的分类精度。
2.2遥感图像的平行六面体法、最小距离法、马氏距离法、最大似然法分类。
采用ENVI软件监督分类模块进行平行六面体法、最小距离法、马氏距离法、最大似然法分类, 分类时训练区相同, 以比较不同分类方法的精度。分类后对原始分类图像进行聚类、过滤、去除后处理工作, 并采用总体分类精度、Kappa系数 (结果略) 评定分类精度, 发现最大似然法分类精度最高。图1~图4为四种方法原始与后处理分类图像。
2.3遥感图像的人工神经网络分类。
2.3.1在ENVI主菜单中 选择Classification→Supervised→Neural Net Classification, 弹出Classification Input File对话框, 选择分类影像shilianghua.tif。点击“OK”打开Neural Net Parame- ters对话框, 如图5所示。
2.3.2参数设置 :Select Classes from Regions:单击Select All Items按钮, 选择全部的训练样本。
Activation:选择活化函数。备选函数为对数 (Logistic) 和双曲线 (Hyperbolic) 函数, 此处选择对数函数;Training Threshold Contribution:输入训练贡献阈值 (0~1) 。该参数决定了与活化节点级别相关的内部权重的贡献量, 它用于调节节点内部权重的变化, 训练算法交互式地调整节点间的权重和节点阈值, 从而使输出层和响应误差达到最小。将该参数设置为0, 不会调整节点的内部权重, 适当调整节点的内部权重可以生成一幅较好的分类图像, 但是如果设置的权重太大, 对分类结果就会产生不良影响, 此值需多次试验选择;Training Rate:设置权重调节速度 (0~1) 。参数值越大则训练速度越快, 但也增加摆动或者使训练结果不收敛;Training Momentum: 输入一个0~1的值。该值大于0时, 在“Training Rate”文本框中键入较大值不会引起摆动, 该值越大, 训练的步幅越大, 该参数的作用是促使权重沿当前方向改变;Training RMS Exit Criteria: 指定RMS误差为何值时训练应该停止。RMS误差值在训练过程中将显示在图表中, 如图6所示。当该值小于输入值时, 即使没有达到迭代次数, 训练也会停止, 然后开始分类;Number of Hidden Layers:所用隐藏层的数量。要进行线性分类, 键入值为0 (没有隐藏层) , 不同的输入区域必须与一个单独的超平面线性分离。要进行非线性分类, 输入值应该大于或等于1, 当输入的区域并非线性分离或需要两个超平面才能区分类别时, 必须拥有至少一个隐藏层才能解决这个问题, 两个隐藏层用于区分输入空间, 空间中的不同要素不临近也不相连;Number of Training Iterations:输入用于训练的迭代次数。这里选默认值1000;Min Output Activation Threshold:输入一个最小输出活化阈值。如果被分类像元的活化值小于该阈值, 在输出的分类中, 该像元将被归入未分类 (unclassified) 中。
2.3.3输入文件输出路径 , 单击“OK”执行分类 , 分类结果如图7所示。
2.4五种遥感图像分类方法比较。
将目视解译、平行六面体、最小距离、马氏距离、最大似然及神经网络分类法统计的面积进行对比, 结果如图8所示。
将五种分类结果与目视解译的结果求差, 可看出神经网络分类结果与目视解译结果最为接近。差值图如图9所示。神经网络分类精度比最大似然法高, 且高于其他三种分类方法。
3.结语
如何提高遥感影像的分类精度, 一直是关注的热点。本文通过对五种监督分类方法的对比分析, 发现人工神经网络土地利用分类与实际情况最接近, 分类精度最高。最大似然法次之, 两者分类精度皆高于平行六面体、最小距离法、马氏距离法分类方法。
人工神经网络与传统分类方法相比, 有其明显优点。
一方面, 神经网络方法没有对数据分布特征的任何假设前提。它不考虑数据是正态分布或是不连续分布, 可以在特征空间上形成任意边界的决策面, 并在每次迭代过程中动态调节决策区域, 显示统计方法强大的稳定性和优越性。神经网络的监督分类和标准的统计监督分类非常相似。主要区别在于 训练和分类在实现的细节上。神经网络的训练过程和最大似然法计算均值和方差类似。所不同的是, 最大似然法的均值和方差只计算一次, 而神经网络法采用迭代算法, 直到计算结果和实际结果的差异满足要求。
另一方面, 神经网络方法是非线性的, 同传统分类方法相比较, 它可以处理复杂的数据集, 识别精细的模式, 且能利用多源数据, 将潜在的信息提取出来。