遥感技术:遥感影像

遥感技术:遥感影像（精选12篇）

遥感技术:遥感影像 篇1

1 引言

随着“高分一号”高分辨率对地观测系统遥感卫星的升空, 搭载的高分辨率多光谱相机用于采集高分辨率遥感影像数据。它能够提供大区域范围的海量的、动态的基础地理空间信息数据, 成为数字城市数据采集与更新的主要来源之一。目前, ENVI、Erdas等几个主要的遥感软件能够对高分辨率遥感影像数据进行读取, 但花费的时间较长, 无法满足能够快速浏览影像的现实工作需求。因此寻找一种能够快速读取和显示高分辨率遥感影像的方法, 成为高分辨率遥感影像应用面临的首要问题。

对于遥感影像数据的存储格式、读写和显示处理操作, 已有学者进行了多方面的论述。刘修国等分析了Geo Tiff文件格式的基本结构, 并探讨了Geo Tag标识域具体含义和影像存储组织的方法;卜坤等讨论了对于大数据遥感影像数据采用分块处理, 减少对内存的需求;查东平等研究了利用GDAL处理Tiff格式文件, 实现快速读取和显示遥感影像的方法;王淼等讨论了IDL实现遥感影像漫游缩放技术的可行性。

本文针对直接读取海量影像数据容易造成内存不足、整幅影像加载显示缓慢等问题, 在分析Geo Tiff文件格式的基础之上, 结合构建影像瓦片金字塔, 研究了基于ENVI/IDL开发语言实现分层分块读取影像数据, 多分辨率快速显示影像的方法。

2 技术路线

本文高分辨率遥感影像快速浏览功能设计的基本思想是利用构建瓦片金字塔、Geo Tiff影像存储文件等关键技术实现遥感影像数据的分层分块存储, 记录遥感影像的地理空间信息和影像分块的图像特性。基于IDL/ENVI开发语言, 构建具有图像视窗创建、影像分层分块存储、重采样提取分块影像数据、加载显示影像图像的影像快速浏览技术。总体技术路线如图1所示。

3 关键技术

3.1 影像金字塔模型

遥感影像处理软件显示图像的一般做法是把影像数据读入到内存中, 通过读取内存中遥感影像相关数据来实现。在图像数据量比较小的情况下, 可以快速显示遥感影像。对于高分辨率遥感影像来说, 由于影像数据量是巨大的, 有限的内存空间无法读取全部的影像数据。高分辨率影像数据的读取显示是采用构建影像金字塔结构来实现的。

影像金字塔是以原始影像为基础通过重采样技术生成不同比例尺的各层的影像数据, 并且各层划分为多个尺寸大小相同的图像块。原始影像数据作为金字塔的底层, 分辨率最高, 数据量最大。随着金字塔层数的增加, 影像分辨率降低, 数据量减少, 表示的范围不变, 如图2。

3.2 影像分块技术

读取的影像数据太大, 超过内存的大小的时候, IDL会显示无法分配内存的错误, 尤其是处理高分辨率的海量影像数据的时候, 对内存的需求就更大了。图像分块技术, 是将图像按照一定的矩形大小, 把图像分成几块, 然后分块进行处理。使用图像分块技术, 可以在计算过程中有效减少对内存的需求, 从而实现快速读取图像数据。

影像分块的大小通常采用2的幂次方, 影像块太大或太小都会影响系统的有效性能。因此, 根据遥感影像数据情况, 选择数据块大小是影像数据存储管理必须考虑的因素。目前, 常采用的数据块大小为256*256像素, 这样可以减少硬盘磁头定位时间。

3.3 Geo Tiff格式图像文件

Geo Tiff图像文件是一个Tiff6.0文件, 继承了Tiff6.0规范中的文件结构, 将Geo Tiff信息编码在一些未使用的TIFF保留标签中[8]。Tiff图像文件的结构包括文件头 (Image File Header, IFH) 、图像文件目录 (Image File Directory, IFD) 和图像数据区。每个文件只能有一个文件头, 但允许有多个文件目录和多个图像数据区。Geo Tiff文件利用6个“地理标签” (Geo Tag) 保存图像的地理信息, 如图3。

3.4 IDL语言

美国ITT VIS (ITT Visual Information System) 公司推出了第四代可视化交互数据语言IDL (Interactive Data Language) 是新一代交互式、跨平台, 面向对象的应用程序开发语言, 具有较强的数据分析和可视化功能。IDL将内存的栅格数据均视为二维数组, IDL对数组计算进行了优化, 将数组作为整体进行操作, 其速度远远快于对数组元素的循环操作。

IDL提供了内置的处理图像数组的类和函数, 简化了影像处理流程, 降低了开发难度。类IDLgr Window用于创建显示窗口, 类IDLgr View用于创建显示视图对象, 类IDLgr Model创建显示模式对象, 类IDLgr Image创建图像对象。TV或TVSCL命令用于显示图像, WINDOW命令创建显示窗口。

4 技术实现

为了实现大数据遥感影像的读取和显示功能, 按照以下五个步骤完成:

(1) 读取原始影像的元数据, 包括左上角坐标值, 影像宽度和高度, 影像波段数, 像素类型等参数。这个步骤得到影像基本信息, 为后面的分块存储影像数据作准备。

(2) 对原始影像进行分块处理, 并按照Geo Tiff格式定义保存。根据步骤 (1) 中的影像信息, 确定影像分块的行数和列数, 创建Geo Tiff文件结构数组。

(3) 根据Geo Tiff文件结构数组, 创建Geo Tiff文件结构, 并在Geo Tiff文件中填充图像文件目录IFD和图像数据内容。

(4) 动态创建金字塔文件。根据分辨率的不同, 设置数据分块大小参数不同。依据数据分块大小, 从原始影像数据文件中读取分块数据, 写入目标金字塔文件中。

(5) 根据当前窗体视图范围, 从金字塔文件中读取数据, 并显示到窗体中。

5 结语

由于海量高分辨率遥感影像数据的获取周期的缩短, 构建合理的遥感影像文件存储结构以及寻找快速调度显示清晰遥感影像的方法有着明显的意义。本文基于IDL对高分辨率影像构建影像金字塔和创建Geo Tiff格式图像文件, 实现了通过分块读取影像以快速显示影像数据的功能。

参考文献

[1]刘修国, 花卫华.Geo Tiff中Geo Tag域解析[J].地球科学—中国地质大学学报, 2002, 27 (3) :246-249.

[2]卜坤, 张树文, 张宇博.基于IDL的栅格地图代数实现与应用[J].计算机工程与应用, 2008, 44 (9) :174-177.

[3]查东平, 林辉, 孙华等.基于GDAL的遥感影像数据快速读取与显示方法的研究[J].中南林业科技大学学报, 2013, 33 (1) :58-62.

[4]王淼, 熊显名, 腾惠忠等.基于IDL的遥感图像漫游和缩放技术的实现[J].微型机与应用, 2014, 33 (6) :37-39, 43.

[5]谭庆全, 毕建涛, 池天河.一种灵活高效的遥感影像金字塔构建算法[J].计算机系统应用, 2008, 4:124-127.

[6]余粉香, 王光霞, 万刚.大数据量遥感影像的快速调度与显示[J].海洋测绘, 2006, 26 (2) :27-30.

[7]张涵斐, 黄忠红, 孟永军.海量遥感影像的存储与快速调度显示方法[J].测绘与空间地理信息, 2011, 34 (3) :36-39, 43.

[8]牛芩涛, 盛业华.Geo TIFF图像文件的数据存储格式及读写[J].四川测绘, 2004, 27 (3) :105-108.

[9]闫殿武.IDL可视化工具—入门与提高[M].北京:机械工业出版社, 2003.

遥感技术:遥感影像 篇2

总结分两大部分：融合部分和评价部分。图像融合阶段包括图像的预处理，最佳波段的选择，以及融合方法的选择。

图像的预处理主要有对接收图像质量的控制，几何校正，正射校正。论文中列出的算法均为常用算法。而后是对重采样后图像像素亮度的处理，有直方图均衡化，直方图匹配。最后对多源影像进行影像匹配。

最佳波段的选择主要是根据多波段图像间各波段图像中信息含量多、相关性小、地物光谱差异大、可分性好的波段，进行波段组合，进行后续的图像融合。

融合方法的选择方面除了常规方法以外，作者提出了2种改进型融合算法： 在像素级的融合方面（1）将HIS变换与小波变换结合算法；（2）小波变换的改进算法。在突出边缘的融合方面采用将突出边缘的特征级融合图像与像素级融合图像再融合的改进算法。

图像质量的评价这几篇论文进采用主客观相结合的评价方式，最终以评分的形式确定图像的质量。主要有

1、基于人眼视觉系统HVS的评分系统；

（1）基于HVS感兴趣特性和对比度的遥感图像无参考质量评价方法

这种方法基于人类视觉系统感兴趣性的原理，在对比度计算时考虑视觉感兴趣区域与背景区域权重系数，实现了一种基于HVS的感兴趣特性和对比度的遥感图像无参考质量评价方法。并利用遥感图像专家库的图像和数据进行实验，实验结果表明本章方法更加符合主观评价的结果。

（2）基于HVS掩盖效应和图像模糊的遥感图像无参考质量评价方法

该方法以盲测量图像模糊算法作为理论基础，将HVS的空间复杂度掩盖模型、亮度掩盖模型引入到图像质量评价过程中，并对人眼灰度敏感度进行建模，建模过程依据人类视觉系统对灰度具有差异的敏感性这一特性。实现了基于HVS和模糊的改进的遥感图像无参考质量评价体系。

2、基于模糊集的评分系统；

该方法基于模糊度理论，选取若干个图像质量参数，确定图像模糊度，由模糊度级隶属函数划分图像一级等级，然后再按二级隶属函数划分二级等级。次方法过程较复杂，工作量较大，结果相对精确。

3、针对土地利用项目的各个阶段质量对应控制的质量评价方式。

这种质量控制方法从阶段到整体对图像处理的每一步均进行质量检验，确保每一阶段图像质量均在可接受范围之内，最后再对结果进行整体检验，确定图像质量。其针对的是土地利用变更遥感监测项目，针对性较强。

遥感图像融合及质量评价总结.......................................................................................................1

一、融合阶段总结：.......................................................................................................................3

1、遥感影像预处理.................................................................................................................3

1.1几何校正.....................................................................................................................3 1.2基于影像直方图的预处理.........................................................................................3 1.3 影像配准....................................................................................................................4

2、多波段遥感影像最佳波段选择.........................................................................................5

2.1遥感影像最佳波段选择指标.....................................................................................5 2.2分析试验数据.............................................................................................................6 2.3 试验数据最佳波段选取............................................................................................7

3、图像融合方法.....................................................................................................................8

3.1像素级融合处理方法.................................................................................................8 3.2 突出边缘信息的影像融合方法................................................................................9

二 质量评价阶段总结...................................................................................................................10 1基于HVS的主客观相结合的评价方法.............................................................................10 1.1建立主观评分数据库...............................................................................................10 1.2基于HVS和SSIM的遥感图像全参考质量评价方法............................................11 1.3基于HVS感兴趣特性和对比度的遥感图像无参考质量评价方法.......................11 1.4基于HVS掩盖效应和图像模糊的遥感图像无参考质量评价方法.......................12 2基于模糊集理论的主客观相结合评价方法......................................................................13 2.1评价参数选取...........................................................................................................13 2.2建立基于模糊集的评分系统...................................................................................14 2.3评分并评级...............................................................................................................16 3阶段性与整体性图像质量控制方法..................................................................................16 3.1图像接收阶段...........................................................................................................17 3.2 图像预处理阶段......................................................................................................18 3.3 图像融合阶段..........................................................................................................18 3.4 整体性图像质量检验..............................................................................................18 小结................................................................................................................................................19

一、融合阶段总结：

1、遥感影像预处理 1.1几何校正

1.1.1位置校正 1.1.2重采样

论文列举方法有最邻近内插法,双线性内插法及三次卷积内插法。最邻近内插法的优点是不破坏原来的像元值，处理速度快,但会使原影像中的某些线状特征变粗成块。双线性与三次卷积内插法则可以减少线状特征的块状化现象，但两种方法均具有低通滤波性质，校正后滤掉信号中的部分高频分量。在实际工作中，应依据具体的影像和应用目标选择不同的内插算法。

1.2基于影像直方图的预处理

1.2.1 直方图均衡化

直方图均衡化又称直方图平坦化，是将一已知灰度概率密度分布的影像，经过某种变换，变成一幅具有均匀灰度概率密度分布的新影像，其结果是扩展了像元取值的动态范围。其实质是对影像进行非线性拉伸，重新分配影像像元值，使一定灰度范围内的像元的数量大致相等。

直方图均衡后每个灰度级的像元数理论上应相等，但实际上为近似相等，直接从影像上看，直方图均衡效果是：

1、各灰度级所占影像的面积近似相等，因为某些灰度级出现高的像素不可能被分割。

2、原影像上出现频率小的灰度级被合并，频率高的灰度级被保留，因此可以增强影像上大面积地物与周围地物的反差。

3、如果输出数据分段级较少，则会产生一些大类地物的近似轮廓。

1.2.2 直方图匹配

直方图匹配是通过非线性变换使得一个影像的直方图与另一个影像直方图类似。直方图匹配对在不同时间获取的同一地区或邻接地区的影像，或者由于太阳高度角或大气影响引起差异的影像处理很有用，特别是对影像镶嵌或变化检测。

为了使影像直方图匹配获得好的结果,两幅影像应有相似的特性:

1、影像直方图总体形状应类似。

2、影像中明暗特征应相同。

3、对某些应用，影像的空间分辨率应相同。

4、影像上地物分布应相同,尤其是不同地区的影像匹配。如果一幅影像里有云，而另一幅没有云，那么在直方图匹配前，应将其中一幅进行去云处理。

直方图匹配在HIS变换融合、主成分变换融合和小波变换融合中用得较多，且能起到辐射增强的效果。许多研究表明：直方图匹配能够在尽量保持光谱信息的情况下提高融合影像的细节信息，增大信息量。

1.3 影像配准

影像配准为对从不同传感器、不同时相、不同角度所获得的两幅或多幅影像进行最佳匹配的处理过程。其中的一幅影像是参考影像数据,其它影像则作为输入影像与参考影像进行相关匹配。

影像配准是影像融合处理中最关键的一个步骤。在影像融合的各项预处理过程中，多幅影像的几何配准精度对融合影像的质量影响最为显著。主要有两类像素层影像配准算法：基于区域的配准算法和基于控制点的配准算法。基于区域的影像配准算法已广泛的应用于各种影像配准领域，它运用的是整个区域的影像像素灰度值来进行配准。基于区域的像素层配准算法主要分为三类：灰度相关类算法、快速相关算法（如变灰度级相关算法、FFT相关法、序贯相似性检测算法(SSDA)、变分辨率相关算法等、以及相位相关算法）。这类配准技术目前发展较为成熟，在没有太大的畸变情况下具有较好的配准性能且对各种影像场景都有较好的适应性。由于基于区域的配准是以像素的灰度值为基础，当存在较大的灰度畸变时，这类算法就难免失效。此外，整个区域的影像灰度值难以正确描述影像的结构信息，当存在较为复杂的结构畸变时，基于区域的配准算法也很难得到正确的配准结果。针对以上两种情况，目前研究较多的是基于控制点的影像配准算法。

基于控制点的影像配准方法通过选取影像间明显的控制点对，利用它们之间的对应关系来获得配准结果，从而解决了无法掌握灰度畸变成因而失配的难题。控制点的选择分为人工选点和自动选点两种，两种选点方法的选点精度都受到影像质量影响，例如在低分辨率或噪声干扰大的影像中选取的控制点的精度都会有所降低。而影像配准效果在很大程度上取决于控制点选取的好坏，因此，如何选取高精度的控制点是基于控制点的配准算法的关键所在。

2、多波段遥感影像最佳波段选择 2.1遥感影像最佳波段选择指标

通常,波段选择考虑三个方面的因素：(1)波段或波段组合信息含量的多少；(2)各波段间相关性的强弱；

(3)研究区内欲识别地物的光谱响应特征如何。

那些信息含量多、相关性小、地物光谱差异大、可分性好的波段组合就是最佳组合。因此常选用下列指标判断最佳波段。

2.1.1均值、标准差、信息嫡和联合嫡 1）均值

均值就是像素的平均灰度值，对人眼反映为平均亮度；标准差反映了相对灰度均值的离散状况，标准差越大，灰度分布越分散。一般认为平均灰度接近128和更大方差的图像有较好的视觉效果。

2）标准差

标准差反映了图像灰度相对于灰度平均值的离散情况。在某种程度上，标准差也可用来评价图像信息量的大小。若标准差大，则图像灰度级分布分散，图像的反差大，可以看出更多的信息。标准差小，图像反差小，对比度不大，色调单一均匀，看不出太多的信息。

3）信息嫡

图像的嫡值是衡量图像信息丰富程度的一个重要指标，嫡值的大小表示图像所包含的平均信息量的多少。对于一幅单独的图像，可以认为其各像素的灰度值是相互独立的样本，则这幅图像的灰度分布为p={p0，p1，…，pi，…，pL-1 }，pi为灰度值等于i的像素数与图像总像素数之比。根据shamrnon信息论的原理，一幅图像的信息嫡为

4）联合嫡

两幅图像的联合嫡为:

式中Pi1i2是图像X1像元亮度值为i1与图像X2中同名像元亮度值为i2时的联合概率。一般来说联合嫡值越大，图像信息量越大。

2.1.2 相关系数及最佳指数 1）相关系数

融合图像与源图像的相关系数能反映两幅图像光谱特征的相似程度，其定义如下：

式中，f和a分别为融合图像与源图像的均值。通过比较融合前后的图像相关系数可以看出图像的光谱信息的改变程度。融合的影像与相应多光谱影像的相关系数p能反映融合影像同原多光谱影像光谱特征相似程度，即保光谱特性能力。同样，通过比较融合增强前后的图像相关系数可以看出融合影像与高分辨率影像的空间分辨率改善程度。2）最佳指数

美国查维茨提出的最佳指数OIF的概念，即 __

其中，Si为第i个波段的标准差，Rij为i，j两波段的相关系数。对n波段图像数据，计算其相关系数矩阵，再分别求出所有可能三组合波段对应的OIF。OIF越大，则相应组合图像的信息量越大。对OIF按照从大到小的顺序进行排列，即可选出最优组合方案。

2.2分析试验数据

以议论文中选取IKONOS和QUICKBIRD影像试验为例

QUICKBIRD影像是2005年5月份合肥地区256平方公里的数据，IKONOS影像是2001年5月份北京地区100平方公里数据。

由表可以看出：QUICKBIRD标准差Ⅱ>Ⅱ>Ⅲ>Ⅰ，IKONOS标准差Ⅳ>Ⅲ>Ⅱ>Ⅰ，标准差越大越好，则图像灰度级分布分散，图像的反差大，说明信息量丰富；QUICKBIRD信息嫡Ⅳ>Ⅲ>Ⅱ>Ⅰ，IKONOS信息嫡Ⅳ>Ⅲ>Ⅱ>Ⅰ，墒值的大小表示图像所包含的平均信息量的多少，信息嫡越大说明信息量越丰富。

2.3 试验数据最佳波段选取

一般来说,波段选择有两点原则：①所选择的波段和波段组合的信息量最大；②所选的波段和波段组合使得某些地物类别之间最容易区分。对于论文中试验数据做各个波段组合分析：

由上表可知波段Ⅰ、Ⅲ、Ⅳ联合嫡和最佳指数最大。由联合嫡、最佳指数以及以上各波段的分析可知，最佳波段组合是Ⅰ、Ⅲ、Ⅳ。

3、图像融合方法 3.1像素级融合处理方法

论文中对于此类列举了几种常规算法并一种改进算法，包括： 3.1.1影像代数运算融合方法 1）加权平均融合方法 2）乘积性融合方法 3）比值融合方法 4）高通滤波融合方法 3.1.2彩色空间变换融合方法 1)HIS变换融合法

2)YIQ与YUV变换融合法

3.1.3 PCA变换融合方法

3.1.4基于塔式分解和重建融合方法

1)基于拉普拉斯塔形分解的影像融合方法。2)基于梯度塔形分解的影像融合方法。

3.1.5小波变换融合方法

3.1.6 改进算法

1)将HIS变换与小波变换结合算法

其基本思想是:多光谱影像经TROUS小波分解后生成不同尺度的近似影像和一组相关分辨率的小波面，不同尺度下的近似影像及每一小波面的尺寸都与原影像的尺寸相同。在不同尺度下的近似影像中，低频分量集中了绝大部分能量，它与多光谱影像中的光谱信息相对应。高分辨率全色影像经TROUS小波分解得到一组不同分辨率的小波面，在每一小波面中，绝对值较大的系数对应于原始影像中的显著特征(如边缘、线、区域边界等)，它反映了原始影像中的丰富细节和空间结构。

因而在高分辨率全色影像与多光谱影像融合时，尽可能保留高分辨率全色影像的小波面系数；另一方面保持多光谱影像的近似数据，并抑制高分辨率全色影像的近似数据，以达到融合影像既保留原始影像中的丰富细节和空间结构，又不改变原多光谱影像的光谱信息。因此将高分辨率影像经小波分解得到的各小波面叠加到低分辨率多光谱影像中，从而既提高了多光谱影像的空间分辨率，同时又保持了多光谱影像的光谱信息。

2)小波变换的改进算法

该算法根据待融合影像分辨率之比来确定采用几进制小波，将待融合的高分辨率影像进行多进制小波变换，然后把高分辨影像经小波变换后获得的低频成分和低分辨率影像依据一定的关系进行相互替换，以形成新的高分辨影像的低频成分，经过多进制小波逆变换获得融合后的影像最大限度地利用了待融合影像的信息，防止了影像信息的丢失。

3.2 突出边缘信息的影像融合方法

3.2.1经典边缘检测算子

常用的边缘检测算子有Sobel算子、Prewitt算子、Roberts算子、Laplacian算子和Canny算子。

3.2.2改进算法

首先对高分辨率全色影像与多光谱影像选取适当的方法进行像素级融合，同时，对边缘信息丰富的全色影像进行不同算子的边缘检测分别得到边缘影像1和边缘影像2，然后将两幅边缘影像进行特征融合，融合后的边缘影像与前面生成的像素级融合影像用下列公式进行叠加，其中，N（x,y）、F（x,y）、L（x,y）分别为边缘增强影像、像素级融合影像及边缘影像；K为权系数。

其流程图如下:

二 质量评价阶段总结

1基于HVS的主客观相结合的评价方法

HVS：人类视觉系统，论文提出的所有方法均以HVS为依据，按尽量符合人眼观察信息时的生理特点而设计。

1.1建立主观评分数据库

论文中选取10张原始遥感图像，经过4种失真方式处理，获得了 240张待评价图像。选择3个专家人员以及15个非专家人员参加图像主观质量评价。按照ITU-R BT.500-11中有所描述标准，评分系统采用双刺激连续质量测量法的设计，为评价人员展示图像对。评分人员对图像打分（百分制）。该过程工作量较大。

1.2基于HVS和SSIM的遥感图像全参考质量评价方法

该方法主要针对大部分图像无法较准确的评价包含严重失真的图像的问题而设计。具体实现的过程如下，首先生成相应的视觉感知图，生成过程使用到图像的空间域视觉特征(包括空间位置、纹理复杂度以及亮度对比度等)。其次生成失真感知图，该图可通过计算块结构相似度得到。接着通过视觉感知图计算获得相应的视觉特征显著区域，同时通过失真感知图计算获得相应的失真严重区域，再进而计算视觉注意焦点的转移，要分别从视觉特征显著因素与失真严重因素这两个方面进行考虑，分析该转移影响了视觉感知的哪些方面,在考虑视觉注意焦点转移的基础之上，重新生成一幅视觉感知图（焦点转移后的）。最终图像的客观质量可以通过将块结构相似度与两幅视觉感知图加权求和获得。

1.3基于HVS感兴趣特性和对比度的遥感图像无参考质量评价方法

实际为在对比度计算时考虑视觉感兴趣区域与背景区域权重系数，实现了一种基于HVS的感兴趣特性和对比度的遥感图像无参考质量评价方法。

通过①计算图像中感兴趣区域与非感兴趣区域的加权因子以及归一化后的加权系数；

②计算出图像的原始对比度值以及添加HVS特性之后的对比度值。所得结果作为评价标准。论文中实验结果为

此方法计算结果表明添加了 HVS特性之后的对比度值与图像的主观评价值相关性和单调性都高于传统方法。这就意味着，在添加了 HVS特性之后,图像的评价值与其主观评价值更为相似，即加入了 HVS特性之后的图像评价值的结果更为符合人类在现实生活中对图像所进行的评价。

1.4基于HVS掩盖效应和图像模糊的遥感图像无参考质量评价方法

该方法以盲测量图像模糊算法作为理论基础，将HVS的空间复杂度掩盖模型、亮度掩盖模型引入到图像质量评价过程中，并对人眼灰度敏感度进行建模，建模过程依据人类视觉系统对灰度具有差异的敏感性这一特性。实现了基于HVS和模糊的改进的遥感图像无参考质量评价体系。

该方法通过对图像进行掩盖后确定图像的边缘，则使用边缘检测算子计算出边缘结果，然后计算该边缘点的灰度敏感度s（g），由s（g）求出所有边缘点基于HVS的模糊度HB，取其最大结果作为该图像的模糊度。

论文中实验验证结果为：

如表5.5，在第一组实验中,引入了 HVS的掩盖特性的质量评价结果(HB)与主观评价结果的相关度：pearson相关系数为90.4%，spearman秩相关系数为90.7%，说明本文的方法与主观评价结果更加具有一致性。

在第二组实验中，虽然三幅图像均使用同样的模糊半径进行模糊,但由于亮度不同，评价人员从视觉感知上对他们的打分显然有所不同，而评分也反映出它们的质量是依次下降的。对于原始的模糊度值(B)得出的评分确实完全相同的，根因也是其并未考虑人眼灰度敏感度特性的影响。根据评价分析可以看出，三幅图像的基于HVS的掩盖特性的质量评价结果(HB)与主观评价结果的相关度：pearson相关系数为94.1%，spearman秩相关系数高达95.1 %，表明本文方法所得到的模糊程度评价结果与主观评价结果更加具有一致性。

根据以上两组实验，可以推断，引入了 HVS的掩盖特性的质量评价方法更加符合人眼的视觉特性。

2基于模糊集理论的主客观相结合评价方法

模糊集合是将普通集合论中元素 x 对于集合 A 隶属关系体征函数的取值范围从{0，1}拓展到了[0，1]。从而导出了模糊集合(也称模糊子集)的概念。检测图像质量时选取若干个相应参数，用这些参数确定图像的模糊度，再将模糊度代入隶属函数，确定图像的质量等级。

2.1评价参数选取

客观质量的评价的元素，应该具备

①靠元素的一个数值便能在一定程度上说明质量的优劣； ②数值的大小应与质量和分数都应呈线性关系（无论正反比），便于建立函数为宜。因此经过分析，在客观评价方面采用影像几何精度、调制传递曲线、分辨率、信噪比、元数据和说明文件正确性以及完整性、为评价标准。评价是采用10分制模式。

其中影（1）像几何精度采用Kappa 度量模型，K临 经Kappa分析所得的图像合格临界值

（2）调制传递曲线采用MTF 度量建模，（3）分辨率采用

（4）信噪比

（5）元数据和说明文件正确性以及完整性

另外再加一项（6）主观因素

这里采用传统的描述方式，由专业人员先按五分制打分，再转化成十分制，其标项有：影像的清晰度、影像的色彩、影像的亮度、对比度以及色差、色斑等分别列表如下：

具体得分细则如下：

2.2建立基于模糊集的评分系统

此论文运用模糊集原理将遥感图像质量划分为五大级，每一大级再细分为五级，共25级，并从整体，局部，特征三方面评分：

1、整体 信噪度 分辨率 清晰度 图像精度

2、局部 局部信噪度 局部分辨率 局部清晰度 局部精度

3、特征

说明文件完整性

元数据完整性

元数据正确性

主观因素性

评分项目列表如下：

2.3评分并评级

多位评分人员计算上述评分参数，建立评分矩阵，与对应权重矩阵相乘，将结果代入对应一级模糊度隶属函数出区间值模糊综合评判矩阵，计算最终模糊度。根据模糊度划分一级，然后再代入二级模糊度评分函数，确定二级区间，划分二级等级。

基于模糊集的评价方法步骤多，而且每个参数的计算量较大，由参数代入隶属函数计算模糊度时也比较多，但结果精确。针对不同融合目的的图像，应选择不同的模糊度评价参数，保证计算结果的合理性。

3阶段性与整体性图像质量控制方法

这种质量控制方法是对图像处理的每一步均进行质量检验，确保每一阶段图像质量均在可接受范围之内，最后再对结果进行整体检验，确定图像质量。其针对的是土地利用变更遥感监测项目，针对性较强。操作流程如下图：

3.1图像接收阶段

数据接收阶段是数据质量问题最早出现的阶段，在对接收到的各种数据进行生产 和加工之前就需要对所接收到的各种数据进行数据质量的检查。针对该项目在该阶段 所接收到的数据大致包括：基础底图、原始影像、DOM 数据、2010 年度的土地调查 数据库及年度疑似新增的建设用地数据库等。

接收数据检查及处理表：

3.2 图像预处理阶段

该阶段检测针对的是预处理中的几何校正和正射校正。

3.3 图像融合阶段

该阶段论文针对的是土地变化进行的检测。

3.4 整体性图像质量检验

该阶段针对提交前成果按监理组相关标准，对提交成果进行全面检查。主要有以下几方面：

1、成果是否完整，格式，命名，组织是否正确。

2、数学基础（坐标是否统一、投影是否正确）

3、DOM 检查

4、镶嵌块信息文件

5、检测图斑

6、逻辑一致性

7、XXB检查

8、DMM检查

最后按这8个大方面对提交前的结果进行整体性检查，保证最终提交结果的质量。总体上看此方法目的性、针对性较强，某些评价指标不具代表性，而且论文各阶段进行质量控制方面属其对操作过程的规范化，后续图像质量的检测又属图像处理中的必须工作。其整体检测思想可以借鉴。

小结

本次总结主要真对图像融合处理各阶段，其中融合阶段包括图像预处理，最佳融合波段选择，融合方法选择。其中预处理和波段选择阶段的算法属于常规方法。图像融合阶段论文根据融和信息抽象层次包括数据层(即像素层)、特征层和决策层，按这三个层次将融合分为三级，即像素级融合、特征级融合和决策级融合。提出了在像素级融合、特征级融合的改进型算法。

遥感影像解译有利器 篇3

遥感影像是空间地理信息系统数据的重要组成部分，以它为基本数据源，实现计算机并行化对海量遥感数据进行快速的自动/半自动解译一直是行业中的重大技术难关。

目前全景天地公司倡导的面向对象的工程化影像智能解译技术在实际项目中的切实应用，大大提高了图像解译能力，增加了结果的客观性，避免人机交互式采集时人工判读的主观性和不同人判读时的不一致性，缩短了影像解译周期，提高了工作效率，值得大力推广应用。

据了解，北京全景天地科技有限公司作为专业影像分析公司，积极推动着我国遥感和影像分析技术的发展和应用，已在土地、环境、减灾、农业、林业、国防等领域实现“影像工程化智能快速解译”应用，重点推出了海量图像数据的快速解译流程和技术方案，得到了行业内资深院士和行业专家的充分认可。

遥感技术:遥感影像 篇4

1 卫星遥感技术在土地整理中地形图测绘上的优势

早期的土地整理使用的基础图件为数年前的土地利用现状图, 已经变化的土地利用情况则采用实地调查的方式进行部分变更, 以变更后的土地利用现状图为底图进行土地整理规划和设计。由于土地利用现状图存在精度不足及时效性的限制, 同时受客观条件及主观因素影响, 规划和设计的精度较低。目前的土地整理项目对项目区地形图的精度和现势性要求都较高, 单靠野外数字化采集数据方法可靠、精度也较高, 但外业工作量大, 且在地貌起伏大、植被覆盖好的地段施测困难。应用卫星遥感技术可以充分发挥遥感技术的优越性, 能够快速及时获取土地整理区域的多时相数据, 最大程度地保证监测的及时性及现势性, 有效降低人为因素干扰, 客观反映实际情况, 减少地形、地貌、海拔、气候等自然因素的影响, 最大程度地节省人力、物力和财力。随着高分辨率遥感影像的普遍应用以及遥感数字影像分类技术的发展, 在专业的地理信息系统软件平台下, 通过人机交互解译, 根据影像中各地类、地物的色调、形状、阴影、纹理、位置和大小等特征, 可直接勾绘出土地整理区域内各地类地物边界, 同时赋予所勾绘的地物各种属性, 以便进行下一步的数据统计与汇总工作, 使工作效率大大提高, 这一技术方法具有周期短、精度高、可操作性强、信息提取和更新速度快等特点。

2 研究方法

2.1 总体思路

2.1.1 数据源的选择

首先要根据实际需要购买遥感影像数据源。影像分辨率是决定影像精度的一个重要指标, 影像精度要满足相应比例尺地图对于影像识别能力和成图精度要求, 同时又要考虑成本。冗余的分辨率会增加卫星影像购买成本和加重数据处理的负担;而若分辨率达不到一定要求, 就无法判读细小的地物、降低卫星影像图视觉上形象、逼真的效果, 满足不了成图精度。因此我们在选择数据源时, 并不是分辨率越高就越好, 而是要针对现实情况, 综合考虑成本、数据的可得性、成图比例尺等因素。Quick Bird遥感影像, 重访周期1~6d, 现势性好, 地面分辨率高 (全色波段为0.61m, 多光谱为2.44m) , 空间纹理清晰息。其多光谱波段光谱信息丰富, 进行屏幕矢量化时, 成图比例尺可达1:10 000或1:5 000;全色波段分辨率高达0.61m, 但因影像上地物颜色比较一致, 无法准确分辨地面复杂地物。因此, 有必要进行二者之间的数据融合, 在保留Quick Bird多光谱影像丰富的光谱信息的前提下提高其分辨率, 增强图像的视觉效果, 提高地物判读准确性, 一般来说, 融合后的数据可以满足精度1:2 000比例尺图件成图的需要。图1是部分融合后的Quick Bird影像图。

其次, 遥感影像分辨率的选择除了考虑不同比尺成图对影像分辨率的要求, 还要考虑现有可获的遥感影像产品规格, 在好几种遥感数据都能满足成图比例尺的情况下, 要考虑的是数据源的稳定性、性价比以及选择这种卫星的何种等级的数据产品。再次, 遥感影像的拍摄时间、拍摄时的天气状况也是选择数据源时要考虑的。在土地整理工作中制作项目区地形图, 为保证现势性, 我们要尽量使用最新日期拍摄的数据为保证地面地物不被遮盖, 要尽量选择无云或云量尽可能少的数据源。

2.1.2 遥感数据处理

这里所说的遥感数据处理是指供应商提供的影像到提供给作业员进行影像解译之间的一系列处理, 影像处理的质量也直接影响更新精度。影像提供给用户之前一般都会根据用户的要求进行各种不同级别的处理。作为地形图测绘, 首先是要将影像处理成正射影像, 这时就需要供应商提供IA级的处理 (经过辐射校正、CCD探测器阵列均衡化处理) , 其它校正由用户完成。遥感数据处理是以ERDAS、ENVI等专业图像处理软件、高配置计算机为平台, 通过对卫星数据光谱特性的分析和图像增强处理, 达到有用信息丰富、可解译性强的数字化过程。值得说明的是, 在对遥感影像进行正射校正时, 包括控制点选择、纠正模型选取、几何纠正精度检查等。纠正计算的方法主要有物理模型、多项式和逐微分纠正几种方式。多项式的校正精度与地面控制点 (即GCP) 的精度、分布和数量及校正影像的范围有关, 对于二次多项式来说, 适当地增加GCP的数量可提高几何精校正精度。GCP的均匀分布以及GCP的位置精度高, 均可提高几何校正精度。若GCP太少或其自身的定位误差大, 或分布不均匀, 都会给整个图像校正带来较大影响。在实际工作中, 也可以采用RTK技术野外采集控制点的方法来对遥感影像进行校正。

2.2 实现过程

2.2.1 室内解译

解译标志是遥感图象上能直接反映和判别地物信息的影像特征, 它是室内解译的依据。主要从目标地物的大小、形状、阴影、色调、纹理、图型和位置与周围的关系等推断出目标地物的属性等相关信息。外业调查是内业解译的基础。通过实地调查, 了解研究区的自然、社会、经济状况和水土流失特点、水土保持治理措施等情况, 并建立实际地类与影像的对应关系, 即影像解译标志。对于Quick Bird这样的高分辨率影像的解译标志比较好判断, 从图像上基本可以辨别出地物类别。我们在土地整理工作的实际操作也只需要将居民点、道路、沟渠、林地、园地、旱地等地类特征直接沿影像特征的边缘准确勾划出地类界线, 进行图斑勾绘。如图2所示。

在进行室内解译时主要遵循以下原则: (1) 多尺度宏观原则:在详细解译之前, 首先对影像总体轮廓和研究区生态概况进行研究, 以获取整个研究区宏观生态分布类型。 (2) 先易后难, 循序渐进原则:整个遥感图像目视解译工作往往比较复杂, 反复枯燥, 工作量较大, 需要有足够的耐心, 可遵循先易后难, 循序渐进的原则。

2.2.2 外业调绘

室内解译过程结束后, 要将解译结果带到野外进行实地验证, 验证的主要内容是检查解译图各图斑的划分与实际情况的一致性和范围界限的准确性, 对解译有误的地方重新进行解译与修改;利用GPS先布设好图根控制点, 实测控制点坐标, 采集图斑实地边界和新增线状地物的坐标数据及相关几何数据, 并实地调查该变化图斑的位置、土地利用状况等属性, 将其填写外业记录表上, 并绘制外业调绘图。

2.2.3 地形图的制作

将野外采集的各种数据上传至电脑中, 在GIS平台下利用数字成图系统, 对变化图斑和新增图斑以及新增线状地物进行矢量勾绘, 并建立完整的拓扑关系, 利用软件相关功能计算出图斑变化面积, 再根据外业调查、量测情况, 经过添加高程信息, 进而编绘生成地形图。主要技术流程见图3。

3 应用中要注意的问题

在利用高分辨率遥感影像数据进行土地整理的地形图制作时, 有以下两点问题需要注意: (1) 目前土地利用数据信息或图斑变化主要依靠目视解译方法来判读, 造成了它易受人为因素影响的局限性, 例如:一条干涸的小河流就有可能在卫星遥感图上被误判为一条沙石路;公路两侧的干沟渠被误判为道路等, 这就要求作业人员具有丰富的专业知识和作业经验。 (2) 室内解译完成之后一定要进行外业调绘, 尤其是一些新增的线状地物或零星地物, 决不能主观臆断, 一些在图上难以判断的图斑必须到实地去调查是否变化及测量变化前后的面积, 其位置无法在图上直接标出时必须进行实地的野外测量。

4 结语

随着遥感技术的发展, 遥感技术将成为土地调查的重要手段, 高分辨率遥感影像数据具有现势性好、空间与时间分辨率高等优点, 能及时、准确、快速地反映土地利用变化情况, 将成为获取土地利用变化的重要信息源。与传统的土地调查方法比较, 利用高分辨率遥感影像调查具有快速、省时、省力等特点, 能基本满足现代土地利用调查的需要。

摘要：卫星遥感影像数据具有现势性好、时空分辨率高等优点, 能及时、准确、快速地反映土地利用变化情况。该文基于作者长期从事土地整理工作的相关工作经验, 详细介绍了Quick Bird高分影像在土地整理大中比例尺地形图测绘方面的总体思路和实施过程, 这对新技术条件下土地调查和整理的应用实践提供了重要借鉴。

关键词：高分辨率遥感,土地利用调查,土地整理

参考文献

[1]党安荣, 王晓栋, 陈晓峰, 等.ERDAS IMAGINE遥感影像处理方法[M].北京:清华大学出版社, 2003.

[2]郑兰芬, 王晋年.成像光谱遥感技术及其图像光谱信息提取的分析研究[J].环境遥感, 1992, 7 (1) :49-58.

遥感技术:遥感影像 篇5

[摘要]本文从实际角度出发，以WorldView-2影像数据为例，介绍了利用ERDAS IMAGINE软件对WorldView-2遥感影像进行正射校正的方法，再综合利用EPT等软件，生产标准DOM影像的制作流程和方法。

[关键词]WorldView-2 正射校正 影像融合 地理国情

[中图分类号] P2 [文献码] B [文章编号] 1000-405X（2015）-5-162-1

1引言

地理国情普查是一项重大的国情国力调查，是全面获取地理国情信息、掌握地表自然、生态以及人类活动基本情况的重要手段和基础性工作。DOM数据是地理国情普查中主要的调查数据源，同时也是普查成果数据的重要组成部分。目前，辽宁省正在开展地理国情普查工作，面对大量的遥感数据，对其进行快速高效的影像数据预处理是普查工作的当务之急。本文以WorldView-2影像数据为例，详细阐述了遥感正射影像的制作流程。WorldView-2卫星遥感影像简介

WorldView-2卫星能够提供0.5米全色图像和1.8米分辨率的多光谱图像。星载多光谱遥感器具有4个业内标准谱段（红、绿、蓝、近红外）和四个额外谱段（海岸、黄、红边和近红外）。WorldView-2卫星图像的周转时间（从下达成像指令到接收到图像所需的时间）仅为几个小时而不是几天。

3地理国情普查对遥感软件的选择

针对地理普查情况，合适的遥感软件非常重要，主要要求有如下几点：

（1）同时支持通用图像格式、遥感软件格式、卫星数据格式等多种栅格文件，以及通用的矢量格式，使各种文件格式能方便的进行交换。

（2）具备遥感图像处理的一些基本功能。如：波段组合、大气校正、地形校正、坏线处理、噪声消除、头文件编辑等。

（3）不仅需具备基于航摄高度、焦距等相机参数和利用DEM的正射纠正功能；还应具备专门针对SPOT-

5、WorldView-2或Quick Bird等卫星的RPC有理多项式系数严格轨道物理模型的正射纠正功能。

（4）具备很好的数据融合功能。

（5）具有栅格数据与矢量数据叠加套和功能，能方便的进行人机交互解译。

基于以上要求，经过综合考虑我单位选择了ERDAS IMAGINE软件和航天远景的EPT软件进行遥感正射影像图的生产。

4遥感正射影像图的处理制作

4.1本文使用的是Worldview-2数据，图1为ERDAS软件对Worldview-2数据的处理流程。

4.2利用LPS Core正射校正WorldView-2全色影像

（1）创建LPS工程文件，在这过程中，设置各项参数。并进行金字塔层计算。

（2）由于影像重叠区较小，且Worldview-2卫星定位已较精确，处理中使用连接点无太大意义，故不生成连接点，仅使用控制点完成校正。控制点的选取，分别在参考影像和待纠正影像上选取同名地物点刺点，若是控制点来源是控制点文件，可以首先导入控制点文件，然后点击图标中的自动预测图标，会根据控制点坐标自动计算影像点坐标，自动在影像上刺点。大大提高效率，节省时间。

（3）控制点数量不需太多，一般一景影像十几个控制点即可，主要要求为均匀分布。加完控制点后即可进行空三计算，显示的RMS值小于1可以接收此空三加密成果。至此完成了WorldView-2全色波段影像的正射校正。

4.3多光谱影像正射校正

利用AutoSync模块，以校正好的Worldview-2全色影像为参考，校正Worldview-2多光谱影像。由于地理国情监测的数据量比较大，并且Worldview-2的全色数据已经用LPS正射校正了，所以可以利用IMAGINE AutoSync Georeferencing Wizard进行批处理，提高效率。

4.4图像融合

本项目采用多种融合方法对Worldview-2影像进行了数据融合、自动解译试验。从主观定性和客观定量两个方面来分析，评价了Ehlers变换、Brovey融合、Wavelet融合、PanSharpen变换、Gram-Schimdt变换等融合结果，综合分析后得出：PanSharpen变换融合方法综合效果优于其他方法，融合的图像信息量更加丰富，且光谱特征保留较好。而且通过解译结果对比分析PanSharpen融合影像具有更好的影像解译效果。这对地理国情普查中遥感影像解译、分类精度的提高具有重要作用。

4.5图像的镶嵌及标准分幅

EPT根据影像的*.tfw等坐标信息能自动生成镶嵌线，所见即所得的功能，可以直接看到图幅成果，并且能灵活高效的编辑镶嵌线。

EPT改变了以往一定要先拼接再裁切的成图模式，而是直接针对单个图幅生成，镶嵌过程中直接生成所需的标准图幅。不再需要占用大量的空间来进行影像的处理，在DOM的生产过程中能更为高效、合理地分配磁盘空间。

5结论

高位动态遥感影像可视化算法研究 篇6

摘 要：高位动态遥感影像由于其亮度范围高于普通遥感图像，普通设备无法直接显示。利用基于分段线性变换算法实现了其可视化。 实验证明，此方法是一种快速、有效的可视化算法。

关键词：高位动态影像；分段线性变换（PLT）；可视化

中图分类号：P237文献标识码：A文章编号：1672-1098(2008)01-0006-03

收稿日期：2007-10-09

基金项目：安徽理工大学青年科学研究基金资助项目(QN200603)；福建省青年科技人才创新资助项目（2006F3098）

作者简介：李山山(1979- )，男，湖北襄樊人，硕士，主要从事遥感和地理信息系统方面的教学与科研工作。

Study on Visualization Algorithm for HDR Remote Sensing Image

LI Shan-shan1, PENG Man1,SUN Xiao-fang2, HAO Jun3

（1. School of Earth Science and Environmental Engineering, Anhui University of Science and Technology，Huainan Anhui 232001, China; 2. Department of Geographic Science, Minjiang Institute, Fuzhou Fujian 350108, China; 3. Planning Information Centre of Fuzhou, Fuzhou Zhejiang 325000, China）

Abstract: High Dynamic Range (HDR) remote sensing images are not directly displayed on common display devices for its high brightness level. In the paper a new method of piecewise linear transformation algorithm is proposed to realize visualization of HDR remote sensing image.Experiment results show that the algorithm is a fast and effective visualization method.

Key words:HDR；PLT；visualization

目前，高位动态影像（High Dynamic Range Images，HDR）由于其亮度范围要高于普通遥感图像， 能够更加接近真实景物， 在摄影测量及遥感中有着广泛应用。 其中以12-bit影像的应用尤为广泛， 如IKONOS卫星影像，图像的亮度最高可达4 096级，可获取地物更多纹理细节并达到更高的精度，有利于图像识别和匹配［1］。

但普通显示设备只能显示8位及以内的影像，因此要显示高位动态遥感影像，需要将其从12位区间压缩至8位区间［2］。本文提出一种基于自适应分段线性变换算法，对高位动态影像进行像素灰度重建，实现高位动态遥感影像可视化。

1 高位动态影像可视化

1.1 分段灰度变换基本思想

分段灰度变换是将图像灰度区间分成两段乃至多段分别作灰度变换(见图1)。分段灰度变换法的优点是可以根据需要拉伸特征目标的灰度细节，相对抑制不感兴趣的灰度级［3］。区间边界可以通过键盘交互式输入的方法来确定，因此是一种比较灵活的方法且易于硬件实现。图1 分段线性变换示意图分段线性变换遵循以下规则：

f′(x,y)=

c′-a′c-a(f-a)+a′ a＜f(x,y)＜c

d′-c′d-c(f-c)+c′ c＜f(x,y)＜d

b′-d′b-d(f-d)+d′ d＜f(x,y)＜b（1）

图1中玣(x,y)为图像的灰度变换范围；f′(x,y）为显示输出的灰度范围；c和c′、d和d′为分段线性变换的分段点。

1.2 确定PLT分段点

分段线性变换算法中，分段点的选择是关键问题(见图1)。分段点玞和c′、d和d′的位置控制着整个函数的形状。最简单的方法就是采用固定的区间，对所有图像进行相同的变换。但实际图像的内容复杂多样，其直方图分布也各具特点，要找到一个对所有图像都适用的变换区间是不可能的。因此好的算法必须结合图像的具体特征变化，即算法的自适应性。在对高位动态遥感影像可视化目的的基础上，提出自适应的分段线性变换。

在高位动态影像可视化过程中(见图1)，若满足

｜c′-a′｜＞｜c-a｜

｜d′-c′｜＜｜d-c｜

｜b′-d′｜＞｜b-d｜（2）

则表示扩展第一区间和第三区间，压缩第二区间。即将12-bit遥感影像的可视化目标极暗区域和极亮区域进行扩展。根据图像处理中，影像最佳阶调范围的划分，第二区间过渡段区域占据了图像直方图85%～95%以上像素数目范围，因此选择合理的范围适当压缩过渡区间，能够保证在提高影像可视化质量的同时，获取更多的特征目标的纹理细节信息［4］。

为了进行算法的相关计算，作如下相关定义：①频率为灰度值重复次数与总像素数的比值，即图像出现某灰度值的百分比；②灰度最频值为直方图中具有最大像素频率；③｛玜璱,n璱｝灰度级a璱所对应的频率为n璱；④极暗区域分段点为灰度级变换前后分别表示为玞1,c″1；⑤极亮区域分段点为灰度级变换前后分别表示玞2,c″2。

首先，将12-bit影像的像素灰度归一化，利用公式

f(x,y)=［g(x,y)-玬in］玬ax-min（3）

将影像灰度归一化到［0,1］。 其中玤(x, y)、f(x,y)为变换前后影像灰度值。 min、max为12-bit高位动态影像灰度极小值与极大值。

其次，分别界定两个扩展区域的高位动态影像边界灰度玞1,c2。以灰度最频值为中心分别以“离心”方向同时进行灰度频率累积至总频率达到95%停止。即满足А芻2i=c1n璱=95%，得到玞1,c2。

再次，获得灰度边界玞1,c2在可视范围内对应边界c″1、c″2。分别以c1、c2为起步点， 以灰度最频值为中心分别以“向心”方向同时进行灰度频率累积至灰度总频率达到90%停止。 由于要保证极亮及极暗区域内的像素灰度得到充分拉伸， 所积累总频率应小于95%， 同时不能使中间段区域的纹理信息损失过多， 由经验值得总频率为90%较宜， 即满足А芻′2i=c′1n璱=90%，得到玞′1、c′2；然后将c′1、c′2分别变换到8位空间得到其对应灰度值c″1、c″2。

最后，得到分段点分别为(玞1,c″1)与(c2,c″2)。

玣(x,y)

图2 整个区间内PLT曲线1.3 确定PLT直线

综上所述，整个PLT算法曲线由三部分直线构成(见图2)，变换后函数表达式为

S(x,y)=c″1c1-玬in(f(x,y)-玬in)

f(x,y)∈［玬in,c1)

S(x,y)=(c″2-c″1)c2-c1(f(x,y)-c1)+c″1

f(x,y)∈［c1,c2］

S(x,y)=(255-c″2)玬ax-c2(f(x,y)-玬ax)+255

f(x,y)∈(c2,玬ax］(4)

式（4）中，玣(x,y)、S(x,y)表示处理前后像素的灰度。(c1,c″1)与(c2,c″2)为分段线性变换分段点。通过式（4）建立查找表，对原图像进行像素灰度处理。

2 实验结果及分析

将原12-bit影像直方图与PLT变换后影像直方图进行比较，如图3所示。影像的极暗和极亮区域变换后都得到了有效扩展；中间的过渡段区域内，直方图形状不变，保持了原图像灰度频率。

a 原12-bit影像直方图（极暗区域）b PLT变换后影像直方图（极暗区域）c 原12-bit影像直方图（极亮区域）d PLT变换后影像直方图（极亮区域）

图3 变换前后直方图

根据直接线性变换以及PLT变换进行高位动态影像可视化(见图4)。图4中白色箭头指向暗调层像素建筑物遮蔽区域以及亮调层内由于曝光过强造成反光的屋顶区域，图4a中显示基本无层次感，图4b中层次感明显增强，显示出更多细节信息，同时保持图像中其它区域色调，整体图像质量提高。

3 结论

针对高位动态影像可视化，提出了基于分段线性变换（PLT）的算法。算法根据图像直方图自适应确定PLT分段点， 使极暗区域和极亮区域得到有效扩展，尽量捕获符合原始地物特点的细节纹理。较直接线性变换方法，图像的整体质量得到明显提高。实验证明此方法是一种简单、快速、有效的可视化算法。

a 直接线性变换后b PLT曲线变换后图4 不同变换亮调区间结果

参考文献：

［1］ ERIK REINHARD,PAUL DEBEVEC,GREG WA-

RD. High Dynamic Range Imaging: Theory and Practice［J］.SIGGRAPH,2006,Course(5):21-23.

［2］ 李治江.彩色影像色调重建的理论与实践［D］.武汉：武汉大学,2005.

［3］ 马桃林.彩色图像的输入指标对层次再现的影响［J］.武汉大学学报(信息科学版),2005,30（9）:829-832.

［4］ 贾永红.数字图像处理［M］.武汉：武汉大学出版社,2006：61-63.

遥感技术:遥感影像 篇7

遥感影像技术指的是采用计算机处理遥感图像从而对测绘过程中获得的数字图像进行处理。一般情况下采用摄影的方式所获得的模拟图像是要经过图像扫描进行模和数的转换, 随后再经过扫描的方式获取必须的数字形式的数据存在进算计中, 可以作为可读取输出的CCT等载体上。一般来讲, 计算机图像处理是在图像处理系统中操作的, 而图像处理系统则是由硬件和软件两部分构成的, 其中硬件系统包括计算机、显示器、数字化仪、磁带机等, 软件系统包括数据的输出和输入、数据矫正、变换、以及数据分类等功能。总体来说, 遥感影像技术可以更好的展现工程测绘对工程所在地质的地面分辨率、光谱分辨率、时间分辨率以及辐射分辨率四种。

卫星遥感技术可被用在无人飞行器的摄影测量, 统称为无人飞行器低空遥感系统, 这个系统的目标是为了获得低空高分辨率的遥感影像数据等高科技技术。被广泛应用在土地动态检测、矿产勘测、地质环境勘察等领域。目前在我国, 遥感影像技术已经被应用到很多领域, 比如灾害评测, 遥感影像技术与其他辅助数据结合, 可以有效的检测自然灾害的动态情况, 对沙尘暴、洪涝、旱灾、地震等都可进行有效预警和灾后评估;还可应用在环境监控方面, 科学家利用可见光和红外谱段的遥感器可以观测到地球表面超过百分之七十的资源和环境状况;遥感影像技术也应用在城市规划方面, 利用遥感信息的影响可以轻松获得城市的土地利用状况, 包括交通、道路、建筑等情况。

2 高分辨率遥感技术优势

随着科技的进步, 我国目前也已进入信息化的时代, 传感的信息技术使我国在科研方面发生了巨大的发展。我国的测绘生产技术一直依靠着遥感影像。遥感影像技术在我国仍然存在着很多不足, 例如在测量几何图形时的能力有限, 而且测量范围有限等。卫星的高分辨率遥感技术的出现在很大程度上克服了这些不足, 它足够的精准性在测绘领域有着突出的贡献, 发展前景也十分可观。随着影像技术的不断成熟, 高分辨率遥感影像技术更是上到了一个新的发展高度, 在测绘的领域上得到人们的普遍认可, 有希望取代一切测绘应用技术。

我国遥感系统由最初始的老式中低分辨率遥感影像发展到今天的高分辨率遥感影像, 取得了巨大的成就。高分别率遥感影像系统有着自身独特的优势, 比如它具有高光谱分辨率、周期长、覆盖面广, 而且可以对传统遥感影像对几何测量的范围和精确度上进行了巨大的改善;更重要的是, 其技术可以形成立体的结构图形, 这对地面测绘来说, 三维空间的即视感可以使测量的数据更加准确。其巨大的优势有以下几点:

2.1 高分辨率遥感影像传感器的成像聚焦长达10m, 这会大大提升成像的质量, 在测绘时更加清楚的展现出地形地貌, 这对测量来说可以大大提升精确度。

2.2 立体成像传感器的技术排列采用CCD线的阵列方式, 这使得测量角度增加到三种, 分别是前视角、正视角和后视角, 综合这三个视角所测绘出的结果更加准确。

2.3 高分辨率的相对基高比大于0.6, 这在立体目标的成像中与航空影像技术相比, 和基本的影响水平非常相近。

3 高分辨率遥感影像技术在测绘中的应用

测绘在我国一般比例尺的地图上应用非常广泛, 同时也得到了很大的发展。在测绘领域, 对影像源有着特殊的要求。主要在以下三个方面, 首先影像必须可以提供可大可小相当范围的详细的特征物质, 其次, 影像上必须存在足够的地形信息和地貌信息, 最后, 地面上进行目标定位时, 影像必须能确保足够的精确程度。具体的要求分析如下:

3.1 高分辨率遥感影像有着很高的立体空间分辨率, 所以可以更好地展示出地面上物质的细节和特征。有学者报道, 毫米级的影像分辨率可以满足1:10000到1:50000的比例尺的测绘, 而且能够清楚的看到目标物体的具体特征, 便于识别和提取。但存在的问题就是很难提取一些比如电线、围墙这样的细长形信息。

3.2 高分辨率的遥感影像有很强的高程信息功能, 可以更好的测量高程信息的情况。一般分辨率的遥感影像上只存在起伏形式的地表信息, 高分辨率遥感影像可以提取出更高精确度的高程信息。比如卫星遥感的高度已远远超过航天飞行器的拍摄高度, 因此成像的焦距要求是非常大的。而对于卫星正下方的物体, 投影的差距又很小, 这就要求高分辨率的遥感卫星摄像范围必须足够大。

3.3 由于制图要足够的精确度, 所以影响的立体成像与模型的基高比就是非常重要的参数。航空飞机摄影的基高比在0.8左右, 有时单张成像上的地表地貌信息的高程差也可以用视觉差来表示的。

4 结论

综上所述, 高分辨率的遥感影像技术多被应用在土地动态检测、矿产勘测、地质环境勘察等领域。目前在我国, 遥感影像技术已经被应用到很多领域, 比如灾害评测, 遥感影像技术与其他辅助数据结合, 可以有效的检测自然灾害的动态情况, 对沙尘暴、洪涝、旱灾、地震等都可进行有效预警和灾后评估;再比如环境监控方面, 科学家利用可见光和红外谱段的遥感器可以观测到地球表面超过百分之资源和环境状况;另外还可应用在城市规划方面, 利用遥感信息的影像可以轻松获得城市的土地利用状况, 包括交通、道路、建筑等情况。所以对高分辨率的遥感影像技术的研究具有十分重要的意义。

参考文献

[1]张茂林.遥感影像定位技术在工程测绘中的应用[J].中国科技博览, 2015.

[2]刘庆元, 徐柳华, 沈彩莲等.基于无人飞行器遥感影像的数字摄影测量关键技术研究[J].测绘科学, 2010.

[3]白木.探测地球的“千里眼”——卫星遥感影像技术的应用[J].城市与减灾, 2003.

[4]李小龙.关于高分辨率遥感影像技术在测绘生产中的应用潜力研究[J].科技致富向导, 2015.

遥感技术:遥感影像 篇8

关键词：无人机遥感,图像拼接,SIFI特征

1 国内外研究现状

图像拼接的两个关键技术是图像配准和图像融合。图像配准是图像拼接技术的核心,主要是找出对齐的两幅图像之间的运动情况。图像融合是为了消除由于光照变化、几何校正等引起的相邻图像间的光照强度或图像颜色不连续问题,将配准好的重叠区域融合成一幅无缝图像。

图像拼接的方法层出不穷,国内外已有不少优秀的研究成果,各种方法都有其一定的特点以及应用领域。1998年,张祖勋等提出了采用多级图像概率松弛整体匹配技术。2001年,郭海涛等提出了一种将遗传算法用于图像匹配的算法。

2004年,赵向阳提出了一种全自动稳健的图像拼接融合算法。此算法采用Harris角检测算子进行特征点提取,使提取的精度达到了亚像素级,然后以特征点邻域灰度互相关法进行特征点匹配得到了初步的伪匹配集合。图像拼接技术得到了空前的发展。

2009年,王勇等提出了一种感兴趣区域寻优搜索的全自动图像拼接算法等[4]。目前看来,很多拼接方法都存在各种各样的缺陷,具有其一定的适用范围。另外由于他们拼接的图像非遥感影像,特别是在无人机遥感影像方面还没有较成熟的拼接技术。

2 SIFT算法分析

2.1 算法提出

Lowe D G在2004年总结了现有的基于不变量技术的特征检测方法,并提出了一种基于尺度空间的对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子SIFT(Scale Invariant Feature Transform)算子,即尺度不变特征变换[8]。算法的核心思想是首先在尺度空间进行特征检测,确定关键点(Key points)的位置和所处尺度,然后使用邻域梯度的主方向作为该点的方向特征,以实现算子对尺度和方向的无关性。

2.2 算法的特点

SIFI算法具有以下几个特点:

(1)稳定性强,对尺寸缩放、旋转、光照差异等多种变化保持不变性;

(2)信息量大,能够在海量的特征数据库中获得迅速、准确的匹配;

(3)特征向量多,少许具有明显特征的地物就能够产生大量的SIFT特征向量;

(4)具有高速性,特征向量提取的速度很快;

(5)可扩展性,可以方便地与其他的特征向量进行联合。

2.3 SIFT匹配步骤

(1)建立尺度空间

一副影像图像的尺度空间被定义为:

式(1)中L(x,y,σ)图像尺度空间,G(x,y,σ)为尺度可变的高斯函数。

式(2)中(x,y)为图像的像素坐标,σ为尺度空间因子,其大小与图像被平滑的程度成正比。

影像图像的尺度空间如图一所示。

(2)尺度空间极值点检测

高斯差分金字塔建成之后,需要在图中标有★的图像中计算尺度空间极值。如图二所示,将待检测图像中的每个像素点(图中“叉”点)和与它同尺度的8个相邻点及上下相邻尺度对应的2×9个点共26个点(图中“圆”点)进行比较。如果待检测的点是极大值或极小值,则将该点列入候选特征点队列中。

(3)关键点位置的精确定位及去除不稳定的点

由上一步骤找到的局部极值点并不全是稳定的,需要经过进一步检验提高精度。稳定的关键点应符合两个条件:(1)具有较高的对比度,与周围像素有明显的差异;(2)不是边缘点。关键点的精确定位是通过拟合三维二次函数以精确确定关键点的位置(达到子像素精度)。

在尺度空间函数D(x,y,σ)关键点处用泰勒展开式得到:

令其一阶导数为零,求解出其精确位置,同时去除低对比度的关键点和不稳定的边缘响应点,以增强匹配的稳定性,提高抗噪声能力。

利用特征点周围图像的梯度方向分布统计来确定特征点的特征主方向,使得SIFT算子具有旋转不变的性能。计算时需要对特征点为中心的窗口图像进行采样,根据直方图统计窗口图像内所有像素的梯度方向。梯度直方图统计范围是0~360度,直方图的峰值就代表了该特征点处邻域梯度的主方向,用该数值作为特征点的主方向。在梯度方向直方图中,如果存在另一个峰值,且该峰值相当于主峰值的80%,可以把这个方向看做特征点的辅方向。一个特征点可以提取多个方向(例如一个主方向和一个辅方向),大大增强特征点匹配时的鲁棒性。提取的图像特征点有三个信息:所在的位置、尺度和主方向。

(4)关键点主方向的计算

(5)生成特征描述符

为了使特征点匹配具有旋转不变性,需要将图像的坐标轴旋转至特征点的主方向,然后再以特征点为中心取一定大小的窗口图像。

图三中左部分中央为当前特征点的位置,而每个小方格表示该特征点窗口图像所在尺度空间的一个像素,箭头的方向则代表该像素的梯度方向,箭头的长度代表了梯度的大小,圆圈代表了高斯加权的范围,越靠近特征点,像素梯度方向的贡献也就越大。

在计算时,为增强匹配的稳健性,对每个关键点使用4×4共16个种子点描述,这样对于一个关键点就可以产生16×8共128维数据进行描述,即最终形成128维的SIFT特征向量。此时,SIFT特征向量已经去除了尺度变化、旋转等几何因素的影响,继续将特征向量的长度归一化,以去除光照变化影响。

(6)利用特征描述符进行影像的特征匹配

当两幅图像的SIFT特征向量生成之后,采用关键点特征向量的欧氏距离作为两幅影像中关键点匹配的相似性度量。取立体像对左图中的某个关键点,找出其与右图中欧氏距离最近的前两个关键点。如果最近距离与次最近距离的比值小于某个阈值,则接受这一对匹配点。降低这个阈值,SIFT匹配点数目将会减少,但更加稳定。

3 图像拼接处理流程

首先,根据POS文件显示出图像的航带和影像的排列情况,对航片进行畸变差纠正,在此基础上建立金字塔分层影像,对图像进行SIFI特征匹配;然后是基于RANSAC的相对定向误差匹配剔除,获得相对定向元素,在金字塔各层影像上进行带核线约束的近似一维影像匹配;下一步是在原始影像上进行最小二乘匹配;最后用渐入渐出法进行图像拼接的融合。整个处理流程如表一所示:

4 实验结果及分析

利用SIFT匹配的像素同名点情况如图五所示:

应用SIFT算子进行图形拼接实验结果如图六所示:

SIFT特征算法成功运用于无人机遥感图像的拼接技术,有效地解决了无人机影像的旋偏角过大、影像重叠度不规则等一系列问题,具有一定使用价值。

5 总结展望

如何将SIFT特征算法与灰度匹配等匹配算法相结合,以实现各种复杂地形条件下的图像匹配,更好地完成无人机影像的拼图工作?

将有关的算法采用GPU编程实现,更好地提高工作效率和缩短拼图所用时间,完成重大灾害的突发应急事件的及时灾情报告,以便采取有效的应对措施,将灾情降低到最低程度。

参考文献

[1]赵启兵,王养柱,胡永浩.基于改进SIFT算法的无人机遥感影像匹配[J].电光与控制,2012,(03):36-39.

[2]陈志雄.基于图像配准的SIFT算法研究与实现[D].武汉:武汉理工大学,2008.

[3]程远航.无人机航空遥感图像动态拼接技术的研究[D].沈阳:东北大学,2009.

[4]王勇,何晓川,刘清华,等.一种感兴趣区域寻优搜索的全自动图像拼接算法[J].电子与信息学报,2009,(02):261-264.

[5]金伟,葛宏立,杜华强,等.无人机遥感发展与应用概况[J].遥感信息,2009,(01):88-92.

[6]王国美,陈孝威.SIFT特征匹配算法研究[J].盐城工学院学报(自然科学版),2007,(02):1-5.

[7]纪东升.基于特征点的图像拼接算法研究[D].兰州:兰州理工大学,2011.

遥感技术:遥感影像 篇9

1. 浙江目前农作物对地调查的主要做法。

2002年, 浙江借鉴韩国农作物播种面积调查方法实行对地调查, 在全省抽选23个县调查推算。首先, 建立抽中县级农作物播种面积的大样框。对所有耕地进行摸底画图, 并以面积2公顷左右为基本单元进行划分, 将划分好的所有单元排列按随机抽样原则进行抽选, 确定60个单元作为每年常规调查样本。其次, 以粮食作物的生长期为基础, 每年分7次由调查员实地调查抽中单元的种植情况。再次, 将7次调查结果进行汇总分析, 推算全省农作物种植面积情况。最后, 每年年末根据耕地变动情况对大样框进行维护, 同时对抽中单元进行调整。

2. 浙江现行农作物对地调查方法存在的弊端。

2002年, 浙江农业生产基本上还是以联产承包责任制时的一家一户经营模式为主, 土地田块分割小, 韩国的对地调查方法进行全省推算是科学的, 但随着经济的不断发展, 土地流转步伐加快, 规模化经营所占份额越来越高, 依然严格沿用对地调查方法存在明显不足。主要弊端如下:

(1) 抽中样本单元偏小, 极值样本对推算影响大。伴随土地规模化经营, 种植大户经营耕地土地面积, 动辄就是上百亩甚至上千亩, 以2公顷 (30亩) 为基本单元, 很容易抽中种植同一作物单元的情况, 对全省推算种植结构影响大。

(2) 耕地维护工作越来越难。为及时调整大样框, 浙江每年年末都开展土地耕地维护调查, 以2002年摸底为基数, 根据每年耕地实际变动情况进行维护, 以确保全省数据推算的准确性。但由于耕地面积是极为敏感数据, 从基层起报时, 数据的来源就存在失真现象, 对全省推算造成影响。

(3) 调查成本投入较大。对地调查的摸底工作都是通过调查员实地丈量勾划土地田块信息, 全省耕地面积大, 田块分割小, 田块数量多, 需要耗费大量人力、物力和财力。

二、浙江利用遥感技术开展农作物调查的可行性与局限性

1. 遥感技术应用于农业调查的优势。

(1) 及时性。通过遥感影像数据及时了解农作物种植面积、长势及产量, 特别是种植面积及其不同区域分布的信息。由于遥感影像是空中获取, 不需要通过行政区划层层调查, 能够动态、快速、准确、及时提供各种对地观测数据, 节省人力与时间。

(2) 利用多时相的高光谱数据提取出光谱特征对不同植被和作物进行识别和分类。利用植被指数进行地表覆盖分析或作物长势的动态监测。如利用NOAA-AVHRA数据, 通过归一化植被指数NDVI, 建立地表覆盖指数模型, 反映出地表覆盖的遥感区域分异情况及其随季节变化的规律。

(3) 农作物长势监测。基于遥感生成的巨量数据, 利用先进的计算机及网络技术, 建立服务于多领域的遥感信息系统, 对农作物长势的定期监测和提前预报以及主要影响区域粮食生产的水旱灾害进行快速监测。

(4) 打破统计的区域界限, 在全省范围内对作物分布进行全方位监测与布局研究。

2. 遥感技术应用于农作物调查的局限性。

(1) 遥感影像的获取受限。由于天气因素影响, 无法获取能够满足遥感需要具有合适时相的高分辨率遥感数据。影像资料的获取是通过卫星影像取得, 卫星对于地面有重访周期, 不同卫星重访周期不同。一般情况下, 水稻的最佳时相是移栽后2~5周, 可获取成熟期的时相也只有一周左右时间。浙江属江南亚热带季风气候, 比较多雨、多云, 农作物测量的时间段又比较短, 获取满意的影像资料较难。

(2) 地形地貌与小田块作业影响遥感数据的处理。浙江位于东海之滨, 地理特征丰富, 从浙北地区水网密集的冲积平原到浙东地区的沿海丘陵, 再到浙南地区的山区, 另还有舟山市的海岛地貌, 山河湖海无所不有。浙江地形以丘陵为主, 山区占71%, 平原占23%, 河流和湖泊占6%, 七山一水二分田。同时, 浙江人多地少, 田块分割小, 遥感影像资料处理较困难。

(3) 浙江南北作物种植差异明显, 运行费用高。浙南与浙北同一种作物的种植期、生长期与成熟期均存在较为明显差异, 遥感数据无法在作物生长季同一期内实现全省范围内的数据获取。加之, 高分辨率遥感影像数据费用昂贵, 难以负担, 而且即便是能够保证数据费用支出, 也无法在短期内同时处理完毕。因此, 完全依赖遥感方式不能满足农作物调查的需求。

(4) 在现行土地使用制度下, 土地使用权分散, 农业生产地块破碎, 插花种植现象明显, 间作套作普遍, 如浙江的早、中、晚稻等交错种植。因此, 从遥感监测作物种植面积的能力方面分析, 即使利用合适时相的Landsat TM或CBERS CCD等光学遥感数据, 甚至使用Quick Bird数据也很难高精度地直接提取某一种农作物的种植面积。

三、对遥感影像与对地调查结合的思考

1. 建立农作物调查大样框。

(1) 利用高分辨率的遥感影像资料建立初级大样框。运用5M以下高分辨率遥感影像资料, 进行耕地、山林、水体、建筑等分类, 并对耕地田块勾画, 获取调查县的所有田块资料。在反映耕地田块的影像资料中, 保留主要道、河流的影像资料以便后期调查使用。

(2) 结合国土部门的土地详查资料确定调查大样框。国土部门每年都进行土地详查, 有非常详尽的土地田块资料, 但国土部门的耕地分类标准与统计部门有差异, 以国土部门的耕地田块为底板, 将高分辨率影像资料勾画的县级田块影像进行融合, 对不完全重叠部分进行实地核查, 修正县级田块大样框。确定县级大样框后, 以该县的行政区划图 (村级) 为基准进行图像融合, 对该县田块大样框进行行政分割, 并按乡镇分村进行田块编码。此时, 对全县的耕地资料已经有详尽准确的图版反映, 分乡镇、村、田块的面积数均已获取。

2. 利用空间抽样原理科学抽选调查样本。

为便于调查员调查, 本文拟定100亩 (误差控制在±20亩) 为一个调查单元, 以村为基础划分, 确定每个县抽选60个样本单元。第一步, 确定村级调查样本单元数, 如A村有耕地4020亩, 初步将其划定为40个样本单元。第二步, 根据A村耕地分布情况, 如道路、河流、建筑等, 以100亩为基准, 划定40个样本单元。第三步, 将县级的所有村按地理位置, 原则是先南北, 后东西进行排序, 将所有村中划定的样本单元按同样顺序排列, 采用半距起点、等距抽样原则, 抽选出60个样本单元。

划定样本单元遵循以下原则: (1) 线路的连通性, 以便于进行连续采样和减少线路行程; (2) 尽量选取居民地少和视野比较开阔的地段, 以便于能够充分观察道路沿线的农作物种植结构; (3) 尽量选取低等级公路, 甚至土路, 以避免公路两边的种植结构与其他地区的差异; (4) 线路一经选定就固定下来不变, 每年对选定的线路进行采样, 如果遇到道路施工或其他情况可以采用替代线路, 但下一次采样时如能恢复到原线路, 仍采用原线路。

3. 发挥对地调查的优势, 实地调查抽中样本。

浙江根据主要粮食作物种植与收获期确定调查次数仍然为每年7次, 但与原来的对地调查不同, 调查员的登记方式由纸介制登记台账改为以保存有调查样本单元的GPS进行登记, 而且无须登记田块面积大小, 只需根据GDP要上显示的田块登记种植的作物品种即可。同时, 调查员对于实地查验的抽中样本单元田块发生变化的要及时予以登记, 由县级调查人员及时更新抽中样本单元田块。对于田块数量增加的, 重新增加田块编码;对于田块数量减少或耕地用途发生改变的, 在原有田块编码上标注;对于田块合并的情况, 田块编码用合并田块前实际面积最大田块的编码。

4. 科学推算与估计全省 (县) 农作物面积。

(1) 农作物种植成数的遥感估算。现行土地制度下, 利用遥感数据直接提取各种作物的种植面积是不现实的, 然而遥感图像 (Landsat TM, CBERS CCD) 却能较好反映出植被信息, 可以精确提取耕地上所有作物的总种植面积, 且能在很短的时间内完成大量数据处理工作。利用遥感能够高精度提取作物总的种植面积, 以1∶10万地形图国际标准分幅划定数据单元, 每个单元的面积在1270~1950平方千米之间, 相当于一景Landsat TM影像的1/16 (平均面积约等于1977平方千米) (县级由于占地面积小, 将影像资料与行政区划图相融合后形成需处理影像) 。剔除没有耕地的影像单元, 通过影像处理与分类解译提取作物总种植面积, 并借助土地资源数据库估算出农作物总种植成数。

(2) 农作物分类成数调查。利用以100亩为样本单位区的实地调查数据, 计算公式如下:

式 (1) 中Pi是作物的分类成数, aij是某一种作物在样本单位区中的种植面积, Ai是样本单位的总面积, j是样本单位区个数 (j取值范围内1~60) 。

(3) 农作物种植面积估算。农作物种植面积根据耕地面积与种植成数和分类成数连乘后得到, 即:作物种植面积=耕地面积×种植成数×分类成数。农作物种植面积估算可以按不同行政区划进行计算。

如果开展部分县级农作物抽样调查, 则在此基础上进行测算, 适当扩大样本进行全省农作物播种面积推算。如果所有县均开展调查, 则最后汇总到省级, 得到最终发布的各省作物种植面积。汇总方法采用加权求和方式, 权重是省内各县的耕地面积。即:

其中, Ap是省级农作物种植面积, Ai为县级的农作物种植面积, n为县个数。

值的说明的是:即使无法取得农作物种植成数, 仍然可以沿用韩国对地调查时的推算方法, 利用实地调查的农作物种植结构数乘以总体耕地面积进行推算。

四、其他配套工作

1. 继续做好粮食单产的实割实测调查。

粮食实割实测调查自开展以来, 方法科学、调查数据稳定、质量较高, 利用遥感影像估算粮食产量目前仍存在许多困难和问题, 结合浙江实际, 粮食单产需继续沿用实割实测调查取得。

2. 以国土资源部的耕地图斑数据为基础, 定期更新样本框。

在建立样本框时, 采用的是国土资源部的耕地图斑数据, 对地抽样以国土资源部的耕地数据为基础建立总体框, 每年采用遥感图像进行一次辅助信息更新, 同时采用与实地调查相结合的方法更新样本数据。以此为基础每年轮换部分样本, 每5年进行一次重新抽样, 确保总体框的及时性、准确性, 保证样本的代表性。

摘要：农业是国民经济发展的基础, 农作物调查是掌握农业发展的主要统计手段。21世纪初, 浙江耕地以一家一户的散户种植为主, 为准确统计浙江农作物种植面积, 浙江采用了与其农作物种植规模、性质相似的韩国对地调查方法, 取得较好的社会效果。但随着土地规模化的日益发展, 韩国对地调查方法存在的弊端日益显现出来, 而遥感影像技术的成熟与完善, 已经具备将其应用于农业调查的条件。本文通过剖析浙江现有对地调查方法的弊端, 利用遥感影像的优势, 结合浙江实际提出将遥感影像技术与对地调查相结合应用于浙江农作物调查的思考。

谈地质遥感影像特征 篇10

《中国卫星影像图》 (1:400万) 色彩斑斓, 是中国陆疆全域的真实缩影, 宏观性很强, 所包含的地理、地质、农业、林业、环境、资源等各种信息十分完善, 特别是不同比例尺的遥感图像所包含的地质构造与矿产信息更为丰富。根据这些图像解译出的1:400万《中国陆地遥感影像构造解译图》, 其反映出的大地构造轮廓清晰, 深大断裂带明显, 稳定地块边界显示较好, 造山带的特征展示完善。据此编绘了《中国陆地遥感影像构造解释及分区略图》。

遥感图像上判读出的断裂带共93条, 其中与地质构造图上大致吻合, 相互印证的断裂有50条。

2 环形构造的分布特征

根据环形构造解译标志, 在1:400万《中国卫星影像图》上共判读圈出332个环形构造, 其中直径大于50 km的环形构造90个, 小于50km的环形构造242个。在全国范围内环形构造的分布是不均匀的, 东部地区的密度比西部地区大。这可能反映了滨西太平洋区域的环形构造比较发育的实际情况。另一方面也与所使用的解译图像的精度有关。东部地区主要使用了TM图像, 解像率高;西部地区主要使MSS图像, 解像率低。

现将解译出的环形构造按活动造山带和稳定区分成两大类。

2.1 造山带 (活动区) 环形构造特征

在造山带 (活动区) 内有环形构造310多个。这类环形构造成因主要与岩浆侵入、火山作用、热液蚀变以及混合岩化作用等有关。其规模与形态一般变化较大, 受造山带断裂构造控制明显, 在大断裂的交叉部位往往形成大环套小环的群体环形构造, 呈母子式或宝塔式出现。环形构造的复杂程度反映了岩浆侵入活动的复杂状态, 如安徽铜陵。在大的剪切带上受横向断裂切割, 环形构造呈串珠状分布如内蒙古土默特旗。在造山带 (活动区) 的环形构造上内生金属矿床成矿关系非常密切。有关环形构造的特征及其与成矿关系按构造分区重点说明如下。

2.1.1 东北区 (环形构造共48个)

在大兴安岭南部林西黄岗地区存在大型复杂环形构造, 成矿条件好, 已发现有大型铁、锡矿以及铅锌、银矿, 是寻找内生金属矿的重点地区。

小兴安岭与张广才岭的接合部位佳木斯一依兰一带断裂密度大, 发育有环形构造, 是寻找内生金属矿床与金刚石的重点地带。

2.1.2 华北区 (环形构造共74个)

北部阴山、燕山造山带与内蒙古地轴, 近东西向断裂发育, 与北东、北北东或北西向断裂交叉纵横, 形成多处环形构造, 其中白云鄂博西部的环形构造处于东西向和近南北向大断裂交汇处。应特别注意, 多伦一张家口一带有多个环形构造, 是找金、多金属矿的远景区秦皇岛西北部之环形构造是一个很好的成矿机构;辽东地带有一系列的成矿环形构造发育, 应引起注意。吕梁山、太行山区, 断裂密集与成矿有关的环形构造发育。郯庐断裂带上有三处醒目的环形构造, 是寻找金刚石的重点地段。

2.1.3 扬子一华南区 (环形构造共121个)

华南地区以湖南、江西、福建三个巨大的环形构造最明显, 可能是地幔热柱引起的岩浆热液活动在地表的遗迹, 与内生金属成矿作用关系密切。巨环的内部或边缘伴生有多处次级环形构造如洞庭湖南部的多环状构造与内生金属成矿直接有关。

下扬子的长江中下游黄石、安庆、铜陵、南京等地环形构造密集, 是我国已知的铁、铜、金成矿带, 仍具有良好的成矿远景。

上扬子的川滇黔地区渡口一六盘水一带, 环形构造成串分布, 应予重视。

东南沿海地区有一系列火山机构成因的环形构造, 如浙江的芙蓉山、福建的石牛山等环形构造, 都与成矿作用有关。

海南省解译出与成矿有关的环形构造21个, 特别是西部昌江一白沙一乐东之间的大型菱环状矿田构造, 是找金与多金属矿的重要靶区。

2.1.4 西北区 (环形构造23个)

该区的环形构造主要分布在西准噶尔、阿尔泰山、天山等造山带, 尤其是阿尔泰山与西准噶尔交接部位, 断裂密度大, 环形构造发育, 是内生金属成矿极为有利的地区。

2.1.5 秦祁昆区 (环形构造共10个)

主要分布在中部的南北向活动构造带上和东部的秦岭大别地区。金昌地区分布有多个环形构造, 其中龙首山东端的环形就是与全国著名的金川铜、镍矿床有关的构造, 对其余几个环形构造亦应引起足够的重枧。

2.1.6 特提斯一喜马拉雅区 (环形构造共40个)

集中分布在雅鲁藏布江断裂带和三江地带。

近东西向的雅鲁藏布江深大断裂带与近南北向张性断裂交汇处多发育有环形构造, 地面有超基性岩体分布, 是寻找铬矿的有利地段。金沙江与雅砻江之间, 甘孜一巴塘大断裂东侧, 分布有一串三个环形构造, 是对成矿十分有利的构造带。

川西大金川上游, 阿尼玛卿山东部青海、甘肃、四川三省交界处有一直径约160km的大环形构造, 不同遥感图像上均有显示, 其成因有待查明。

2.2 稳定区环形构造特征

在构造稳定区已解译出22个环形构造, 主要分布在我国东部的中新生代盆地范围内, 其成因机制有待深入探讨。这些环形构造大多与煤、油、气、膏、盐等能源矿和非金属矿产的富集有关。

2.2.1 松辽坳陷区解译出10个环形构造。

其北部齐齐哈尔与哈尔滨之间, 直径300 km的大环与直径120 km的小环相套, 分别是已知的大庆油田的范围和萨尔图油田区;南部西辽河一带有三个环形构造互相切合, 直径分别为140 km、120 km和100km, 是潜在的油气远景开发区。

2.2.2 在满洲里, 呼伦湖南部有两个直径分别为80 km的小环形构造, 是生油盆地的显示。

2.2.3 内蒙古地轴以北之西拉木伦河以东那日图一带的陆相断

陷区, 有一大、两小三个环形构造, 直径分别为240 km、110km和65km, 都是寻找煤、油、气有希望的地区。

2.2.4 华北断陷区, 北部直径100余公里的盘锦环形构造是下辽河与辽东湾油田的范围;

南部直径80km的淮南环形构造, 亦是一个与煤、油、气有关的构造。

2.2.5 鄂尔多斯台坳, 南部的陕北大环直径达340~360 km, 是我

国稳定区内规模最大的环形构造, 对其形成机制说法不一, 从遥感图像分析是一个十分稳定的圆形地块。北部的河套地区还有直径分别为260~280km、120 km的大小两个环形构造相交接。上述地区是我国煤与油、气田的新的特大型能源基地。

2.2.6 在阿拉善台隆的东南部, 有一直径260km的大型稳定的环形构造, 地表为腾格里沙漠所覆盖, 推测其为寻找能源的有利地区。

摘要：《中国卫星影像图》色彩斑斓, 是中国陆疆全域的真实缩影, 宏观性很强, 所包含的地理、地质、农业、林业、环境、资源等各种信息十分完善, 特别是不同比例尺的遥感图像所包含的地质构造与矿产信息更为丰富。

关键词：地质,遥感,影像,特征,环形构造

参考文献

[1]中国科学院青藏高原综合科学考察队, 横断山区锡矿带地球化学[M].北京:地质出版社, 1995.[1]中国科学院青藏高原综合科学考察队, 横断山区锡矿带地球化学[M].北京:地质出版社, 1995.

遥感技术:遥感影像 篇11

关键词：遥感影像;农村宅基地;地籍测量

随着国家不动产登记实施条例的实施，农村宅基地使用权近年越来越受重视，为此需要更快速、更准确、更具动态性的宅基地地籍资料作为证明材料。在这种背景下，传统的地籍测量方法很难负担农村宅基地的测量需求，所以各地开始逐渐引入新技术来优化地籍测量，遥感影像技术正是其中应用性较强的一种。

一、农村宅基地的地籍测量特征

（一）用地特点单一

与城镇地籍调查不同，农村宅基地的地籍测量工作复杂程度相对较低，这是因为农村宅基地在用地方面比较单一。具体来说，农村宅基地基本只有两种用地类型，一种是宅基地本身，另一种是分割宅基地的街巷用地^[1]。这种特点对地籍测量工作有一定的优化作用，由于类型单一，所以对比例尺的需求不高，大部分选择1：1000的比例尺即可，个别独立性较强的农村甚至可以选择1：2000的比例尺。在这种情况下，农村宅基地的测量工作得以简化，具备了追求更高便捷性的前提条件。

（二）调查范围有限

针对农村宅基地进行地籍测量时，实际调查范围基本只局限在村子中，这与城镇地籍测量有一定的区别。城镇地籍测量为了确保有效宗地成果，实际测量范围往往要超出城镇基本面积，农村宅基地的地籍测量则没有这个需求，因为村庄土地的复杂程度低、孤立性强，所以地籍测量只需保证基本图斑即可。因此，单个农村宅基地的实际地籍测量范围往往比城镇的实际地籍测量范围要小，但由于行政区划内农村的数量比城镇要多，所以农村宅基地总的地籍测量范围仍高于城镇。

（三）分布方式零散

不同于集中化程度较高的城镇地籍测量，农村宅基地的地籍测量对象在分布上相当零散而且数量众多，尤其是人口密度大的地区，一个县级区划内的村落可能多达数百个，甚至上千个。这些测量对象虽然每个的面积都不大，但是面积总量远超城镇，而且由于分布过于零散、广泛，所以实际测量工作非常困难，往往需要消耗大量的人力、物力，耗时日久。这也是导致我国农村宅基地地籍测量工作能效低下的最主要原因之一。

二、遥感影像式地籍测量在测量农村宅基地时的优势

（一）遥感影像式地籍测量的高适性优势

应用了遥感影像技术的地籍测量在测量农村宅基地方面具有非常高的适用性，主要体现在两个方面：其一，遥感影像技术能够实现大范围探测，如果使用陆地卫星进行遥感测量，一次测量范围可达数万平方千米，这对总面积大、分布零散的农村宅基地来说非常适合，可以同时对一个行政区域内的全部村落进行地籍测量;其二，受限于技术条件，我国的遥感影像在精度和清晰度方面有一定的不足，而农村宅基地对地籍测量的精度和比例尺要求相对较低，因此遥感影像导致的负面影响比较小。

（二）遥感影像式地籍测量的便捷性优势

遥感影像式地籍测量的最大优势在于其极高的便捷性，这种便捷性体现在三方面：第一方面是这种测量方法大部分依靠陆地卫星、航摄飞机等设备，野外测量作业量大大减少，避免了过多的人力测量负荷;第二方面是这种测量方法在极短的时间内就可以获得测量资料，不必像传统地籍测量一样以年为单位进行;第三方面是遥感影像可以直接联动传输给计算机设备，再利用计算机进行分类、整理、分析等后序作业，传统的资料汇总步骤得到了极大的简化。

（三）遥感影像式地籍测量的综合性优势

传统地籍测量所用的方法具有很强的针对性，获得的测量资料在应用上也较为单一。相比之下，遥感影像式的地籍测量具有较强的泛用性，不仅所获测量资料可以用于多个领域，而且可以和当地其他测量、勘探类工作共同进行，提高各项工作的总体效率。尤其是山区村庄的宅基地测量，这种综合性优势更能体现出来。

三、遥感影像式地籍测量在测量农村宅基地时的问题

（一）遥感影像式地籍测量的数据过多问题

测量数据完善是遥感影像式地籍测量的一大优势，但该优势同样会带来数据量过于繁多的问题。在地籍测量时获取的遥感影像是通用影像，包括了大量数据，这些数据并非全部是地籍测量所需要的，尤其是精度要求与复杂度相对较低的农村宅基地，实际需要的测量数据并不多。因此，相关作业人员一方面需要对数据进行分类、筛选，选取必要的影像数据，另一方面要与其他领域合作，对不需要的数据进行适当的再利用。

（二）遥感影像式地籍测量的测量精度问题

理论上来说，遥感影像技术能达到极高的测量精度，可以进行厘米级的地籍测量，但受限于技术条件、分析方法、自然干扰、人为误差等因素，实际的测量精度只能达到0.5米左右。根据地籍测量的相关规范，这个测量精度刚刚能满足精度要求，所以在测量中稍有不慎，测量精度就会超标^[2]。因此，遥感影像式地籍测量需要采取多重措施来保障测量精度，这一定程度上加大了后续分析负担。

（三）遥感影像式地籍测量的判读误差问题

遥感影像往往存在判读误差，这种误差通常来自于影像清晰度的不足与判读人员对影像现场的不了解。由于农村宅基地的地籍测量结果具有法律效力，所以这种判读误差的危害很大，处理不慎容易引起权属纠纷^[3]。因此，如果遥感影像上出现判读不清之处，地籍测量人员往往需要再度进行外业测量以避免判读错误。这种解决方式费时费力，降低了遥感影像式地籍测量的作业效率。

四、遥感影像式地籍测量在测量农村宅基地时的措施

（一）通过先期处理排除多余数据

为了避免多余数据的干扰，获取的遥感影像资料需要进行先期处理。具体来说，首先要调整影像，将多余的斑点、灰色、超出测量范围的部分去除，该步骤同时有优化影像清晰度的作用。其次要使用正射校正法处理影像数据，该步骤需要选择适当的界址点用于像控，选点要注意均匀^[4]。最后将处理完的影像制作正射影像图。由于该工作的工作量较大，所以目前大多使用电子计算机作业，通过辅助软件完成上述步骤。

（二）通过校正解译保证测量精度

为了保障测量精度，校正完成的正射影像图需要进行解译。对农村宅基地的地籍测量影像来说，解译对象包括宗地、界址线、界址点以及各种地物要素。为了获取必要的解译依据，往往需要野外调绘作业，将获取的地物要素数据和遥感影像数据叠加起来，修正遥感影像不精确的部分。此外，如果地籍测量的农村位于地形条件较为复杂的山区，则还需要使用数字高程模型进行影像校正解译^[5]。

（三）通过多方配合规避判读误差

为了尽可能高效地对判读误差进行规避，有必要与多方配合处理难以判读的影像资料。举例来说，可以邀请熟悉当地环境的管理人员，直接修正影像判读不清的部分;还可以与当地相关机构合作，借阅原有的测绘资料，对影像误差进行修正等^[6]。这些方法可以单独使用也可以选取几种配合使用，但需要注意的是，如果不同方提供的修正方案存在矛盾，或者缺乏必要的指导人员与指导资料，仍要进行现场补测作业。

结语：

遥感影像式地籍测量需要与信息技术相互配合才能发挥出最大的效果，因此在应用该技术对农村宅基地进行地籍测量时，要同步进行信息化测量系统的建设，以满足遥感影像那庞大的数据分析和处理需求。如果过多依靠人工作业，反而有可能降低测量速度，因此该技术的应用不能操之过急。

参考文献：

[1]黄斌.农村宅基地测绘中数字化测绘技术的优势与应用[J].地球，2013（4）.

[2]TD/T1001-2012.地籍调查规程[S].北京：中国标准出版社，2012.

[3]李佳峰，张有智，刘述斌等.遥感技术在城市1：2000多目标地籍图制图方法中的研究[J].黑龙江农业科学，2006（5）.

[4]范明华.农村宅基地地籍调查的基本思路和方法[J].现代测绘，2013（11）.

[5]姚国标，杨化超，张磊.遥感影像支持下地籍图库更新的探索与实践[J].地理空间信息，2012（5）.

遥感影像信息提取方法研究 篇12

1 非监督分类

非监督分类是在没有先验知识的情况下, 仅根据图像自身的统计特征以及自然点群的分布情况来划分地物的类别, 在分类完成后再对分出的地物进行属性确认, 因此, 分类带有一定的盲目性, 这种方法无需选取各类样本, 一般只提供某些阈值对分类过程加以部分控制, 它实际分出的是“谱类”而不是“地类”, 常用非监督分类法有ISODATA, K-MEANS等。

1.1 常见的非监督分类方法

(1) ISODATA分类。ISODATA方法是非监督分类中具有代表性的一种方法。这种方法是先对遥感图像进行初始分类, 得到粗略的分类结果, 然后基于某种原则在分出的类别间重新组合样本, 直到分出比较合理的类别为止。 (2) K-MEANS分类。K-means方法是通过计算数据空间上均匀分布的初始类别值, 然后采取最短距离技术进行迭代, 并将它们聚集到最近的类别中。

1.2 实验结果

对于ISODATA分类, 结合实际情况, 将最小分类数以及最大分类数均设置为7, 迭代次数的最大值设为500, 变化阈值设为5.0, 每一类中的最小像元设为10, 其余值均采用系统默认值。而K-MEANS分类, 则只设置三个参数, 分别是分类数为7, 变化阈值设为5.0, 迭代次数的最大值设为500。采用非监督分类的方法分类, 水体分类比较准确, 但是对于其它的地物类型都没有得到很好的区分, 我们有必要采取更好的方法对图像进行进一步的分析。

2 监督分类

2.1 常见的监督分类方法

监督分类法用于在数据集中根据用户定义的训练样本类别来聚集像元, 它又称为训练场地法或先学习后分类法。在分类过程中, 可以选择ROI训练样本来“训练”计算机, 对未知地区的像元进行处理分类, 各类别之间不应该有重叠, 最后将分类结果分别归入到已知的类别中, 达到自动分类识别的目的。

监督分类主要包含以下两个阶段, 一是训练样本ROI的选取过程;二是执行监督分类的过程, 具体的监督分类只需要选取某一种监督分类方法, 其余的交给计算机自动完成。

2.1.1 平行六面体分类

平行六面体分类法是通过设定在各轴上的一系列分割点, 将多维特征划分成分别对应不同分类类别的互不重叠的特征子空间的分类方法。它用一条简单的判定尺度对多光谱数据进行分类, 来判定边界在图像数据空间中, 形成了一个n维平行六面体。平行六面体的维数由来自每一种选择类别的平均值的标准差的阈值确定。如果像元值位于多个类别中, 则将其归入到最后一个匹配的类别中, 如果未落入到任何一个类别中, 则属于未知类型, 按照这种方法直到完成所有像元的分类。

2.1.2 最小距离分类

最小距离分类法是一种常见的监督分类方法。它的具体分类思想如下:

(1) 利用训练样本数据计算每一类的标准差和均值向量。

(2) 以均值向量为类别在特征空间中的中心位置, 计算影像中每个像元到各种类别中心的距离。在给定的阈值范围内进行距离比较时, 距离越大, 相似度越小;距离越小, 相似度越大。

(3) 假设图像中有n类, 各个类别的中心参考向量分别为:R1, R2, …, Rn。假设未知类别像素的特征向量为:Ri。则所属类别的判定可以通过计算Ri与各个类别的中心参考向量之间的距离来确定。在遥感影像分类处理中, 应用最广的距离函数是欧几里德距离:

由式 (1) 中D值可以得出, 如果D值小于设定的阈值, 则判定为相对应的类别。

2.1.3 最大似然分类

最大似然分类, 是假设每一个波段的每一种类别统计都呈正态均匀分布, 并计算给定像元属于某一种特定类别的似然度的一种分类方法。最大似然分类是一种稳定性、鲁棒性好的分类器。除非选择一个似然度阈值, 所有像元都将被分类。每一个像元被归并到似然度最大的那一类中去的方法。

最大似然分类使用高斯概率密度函数作为它的概率密度函数。

2.1.4 马氏距离分类

马氏距离分类, 它与最大似然分类相似, 是一个应用了每个类别统计信息的方向灵敏的距离分类器。它假定所有类别的协方差都是相等的, 所以是一种较快的分类方法。除非用户限定了一个距离阈值, 这时, 如果一个像元不在阈值内, 就会被划为无类别, 否则所有像元都被归到最邻近的那一类。

2.1.5 支持向量机分类

支持向量机 (SVM) 是一种建立在统计学习理论基础上的分类学习方法。正因为它具有统计学的特点, 因此, 适合有限样本 (小样本) 问题, 在很大程度上解决了传统方法存在的过学习、非线性、局部极小点等问题。支持向量机算法有它独有的优势, 不仅设置参数简单容易, 更重要的是它能够得到全局最优的结果。当它在区别两种光谱均值非常接近的类别时, 能够根据有限的训练样本将它们分开, 得到较好的效果。因此, 将SVM应用到高空间分辨率的遥感影像图中进行分类会能够取得不错的效果。

2.1.6 BP神经网络分类

神经元网络分类在进行监督学习时使用标准的反向技术 (back propagation) 。用户可以根据实际需要选择隐藏层的数量, 也可以选择所需要的函数 (对数或双曲线活化函数) 。由于调整节点中的权重可以使输出节点活化与所需的输出结果间的差异达到最小化, 因此神经网络技术利用该方法对发生的事件进行学习。

2.1.7 波谱角分类 (SAM)

波谱角分类方法是一个基于自身的波谱分类, 这一算法是通过计算波谱间的角度来判定两个波谱间的相似度。样本光谱与待分类图像像元光谱之间的夹角越小, 两条光谱越相似。

2.2 ROI的选取

在进行监督分类前, 必须先进行ROI样本的选取。为了保证监督分类结果有较高的精度, 这里选取ROI训练样本有两个标准, 第一是训练样本的数量足够多, 具体多少要视分类影像的大小而定。一般情况下, 每类至少要有10到100个训练样本数据。其次, 选择ROI训练样本应具有代表性, 即训练样本必须覆盖分类遥感影像图中的所有的类型。但是自然条件、仪器精密程度等因素的影响, 分布在不同位置的同类地物光谱特性往往会有些差异, 因此, 选取ROI训练样本像元尽可能与地类分布相一致, 避免集中在某个局部位置上。

3 分类比较

3.1 分类结果比较

比较两种非监督分类方法所得出的结果以及七种监督分类方法得出的结果, 从中非监督分类结果普遍精度较低, 基本上每一种地物的分类精度都较低, 而监督分类则相对来说除了平行六面体、SAM分类的分类效果较差外, 其余五种分类方法对大部分地物的分类精度都能够达到60%以上, 部分甚至能够达到80%以上。说明这五种分类器的分类效果相对其他几种分类器来说较好。

3.2 优缺点比较

从上面各种子分类器得出的最终分类结果可以得出, 不管是非监督分类还是监督分类方法, 总体分类精度来说都还不是特别理想, 分类精度最高的SVM也只达到了81%, 不能满足用户的生产需求。从非监督分类与监督分类的优缺点比较可以看出, 单独的非监督分类以及监督分类都存在一定的缺陷。如何弥补这种缺陷进而获得更高的分类精度就成为了我们必须解决的问题。

参考文献

[1]V.Vapnik.Statistical learning theory[M].New York:John Wiley and Sons, 1998:57-73.