遥感影像范文精选
遥感影像范文第1篇
当前，空间信息技术发展迅猛，以空间数据为主的空间信息挖掘和应用成为现代人类生产生活的一个重要特征。特别是遥感影像数据，由于其具有获取方便、周期短、信息量大等特点而成为空间数据的重要组成部分。然而，由于遥感数据的数据量十分庞大，特别是对于具有不同来源、不同分辨率与不同时相的数据，其存储与管理均十分困难，且由于其本身具有的稀缺性与机密性，在一定程度上限制了遥感影像数据的充分利用，因此，迫切需要对其进行有效的组织、存储、管理和共享的研究。
研究表明，为实现影像数据的网络服务，可以利用遥感影像元数据，采用流行的数据库技术对遥感影像数据进行组织与管理，并完成基于XML的影像元数据的，实现用户通过网络对遥感影像数据的查询、检索与访问，为影像数据的共享奠定了基础，同时利用本体技术的优势，建立起遥感影像信息本体。
影像数据的存储管理
1.元数据的存储管理
元数据为空间数据的存储管理与共享提供了有效的手段，通过元数据信息，用户可以在没有真实数据的情况下，获取有关数据的信息，从而为数据的共享与利用提供了可能。目前关于矢量空间数据的元数据标准已经制定，并形成了我国的地理信息国家标准，而关于遥感影像方面的元数据标准，尚处在研究之中，未形成一个普遍接受的标准。为此，国家遥感工程中心在ISO 19115.3 遥感影像元数据标准以及我国即将推出的地理信息元数据标准的基础上，结合项目的实际情况，制订了遥感影像元数据草案。该草案包括7个元数据集、6个公共数据类型和15个代码表，从标识信息、数据质量信息、参照系信息、内容信息、覆盖范围、分发信息和遥感信息等方面对遥感影像数据进行了详细的表述。
2.影像数据的存储管理
由于遥感影像的数据量十分庞大，难以直接进行存储，不利于后续的处理、提取、浏览与检索，因此需要对其进行预处理，主要包括降采样、影像压缩与影像分割等内容。
影像分割是将遥感影像按照行列值分割为相同大小的数据块（tile），并以tile作为影像存储的基本单元。每个tile均以一条记录的方式进行存储，不同记录通过编号进行排列。对于不能够平分的，出现多余的行或列时，应将其单独存放。当用户对影像进行调用时，通过映射关系，只调用与用户有关的tile集合即可，从而优化了数据的存储、传输、浏览模式。
为减小影像的传输数据量和优化显示性能，需建立影像金字塔（图1），通过影像降采样方法，建立一系列不同分辨率的影像图层，每个图层分割存储，并建立相应的空间索引机制。常用的影像重采样方法有双线性差值、立方卷积等。
由于影像的数据量比较庞大，为减小影像的存储空间，还需要对影像进行压缩处理后存储。当用户调用数据时，首先对数据进行解压缩处理，然后再返回给用户。常用的图像压缩方法有JPEG、LZ77等。
3.影像数据库结构设计
遥感影像数据库主要可以分为影像元数据库和影像数据库两部分（图2）。影像元数据库用于对遥感影像元数据标准中的数据集进行存储与管理，影像数据库用于对影像数据进行存储和管理。元数据同影像数据通过ID字段进行一对一的关联，保证了元数据与影像数据的一一对应，从而实现通过元数据可以惟一地查找相应的影像数据，而通过影像数据，又可以惟一地查看该影像数据的相关信息，实现了遥感元数据与影像数据的一体化管理。
影像数据网络共享与服务
1.基于元数据的影像数据网络共享
构建遥感影像元数据的主要目的是为了能够实现影像数据的网络与共享。因此元数据的网络是影像数据的前提与基础。
目前元数据的网络大多采用XML技术。XML是一种元语言，是可以用于描述其他语言的语言。用户可以根据需要，利用XML Schema（或者DTD）自行定义标记和属性，从而可以在XML文件中描述并封装数据。XML是数据驱动的，这使得数据内容与显示相分离。XML可以在类似于Netscape Navigator或Microsoft Internet Explorer的浏览器中显示，并通过因特网在应用之间或业务之间交换，存储到数据库中或从数据库中取出。因此，XML是元数据最好的描述方式，能很好地满足元数据在网上传输、交换的需要。
用户通过网络的元数据信息，可以初步了解遥感影像数据的相关信息，然后通过元数据的导航，实现对影像数据的查询、浏览与检索（图3）。
2.基于本体技术的影像数据网络服务
本体（ontology）是从哲学的一个分支――形而上学中的本体论（Ontology）发展来的一个名词。本体论研究客观事物存在的本质，与认识论（Epistemology）相对。即本体论研究客观存在，认识论研究主观认知。而本体的含义是形成现象的根本实体，因而，本体是概念化的明确说明。最早把本体引入计算机领域的是人工智能领域。
地理信息本体与地理信息分类编码、地理信息标准术语表之间有着相似之处，本体论与分类学、术语学也存在一定的交叉。
然而，地理信息本体并不是地理信息标准术语表。地理信息本体提供了一组具有良好结构性的词汇，而且出现在本体中的词汇经过了严格选取，确保所选的词汇是本领域中最基本概念的抽象与界定。概念与概念之间的关系采用相应技术(如谓词、逻辑等)进行了完整的反映，而正是这些关系的反映使得基于本体的系统实现后能够完成语义层面的一些功能。地理信息标准术语表仅仅是地理信息领域中各种词汇的集合，相对本体而言还比较松散。
本体也不单纯是一个词汇的分类体系，即不是地理信息中的分类和编码表。本体和地理信息的分类非常相似，尤其是把本体的理论应用于地理信息分类编码时，这种相似性更为明显。总的说来，地理信息本体比分类编码表中所反映的词与词之间的关系要丰富。
遥感影像范文第2篇
摘要：本文介绍了遥感影像数据融合技术，并给出了融合的一些基本理论、融合处理一般步骤以及常用融合处理方法，最后简要描述了融合评价的方式方法等。
关键词：遥感影像融合融合评价
1、前言
将高分辨率的全色遥感影像和低分辨率的多光谱遥感影像进行融合，获得色彩信息丰富且分辨率高的遥感融合影像的过程，成为遥感影像融合。全色影像一般具有较高空间分辨率，多光谱影像光谱信息较丰富，为提高多光谱影像的空间分辨率，可以将全色影像融合进多光谱影像。通过影像融合既可以提高多光谱影像空间分辨率，又能保留其多光谱特性。
2、遥感影像融合一般步骤
遥感影像信息融合一般流程主要分为两个阶段：图像预处理，图像融合变换。
图像预处理主要包括：几何校正及影像配准。几何校正主要在于去除透视收缩、阴影等地形因素以及卫星扰动、天气变化、大气散射等随机因素对成像结果一致性的影响；影像配准的目的在于消除由不同传感器得到的影像在拍摄角度、时相及分辨率等方面的差异。
3 常用融合方式
3.1 IHS融合
IHS（亮度I、色度H、饱和度S）变换就是将影像从RGB彩色空间变换到IHS空间来实现影像融合的一种方法。由光学、热红外和雷达(微波)等方式得到的不同波段遥感数据，合成的RGB颜色空间是一个对物体颜色属性描述系统，而IHS色度空间提取出物体的亮度、色度、饱和度，它们分别对应每个波段的平均辐射强度、数据向量和的方向及其等量数据的大小。RGB颜色空间和IHS色度空间有着精确的转换关系。IHS变换法只能用三个波段的多光谱影像融合和全色影像融合。
3.2 小波融合
小波变换，基于遥感影像的频域分析进行的，由于同一地区不同类型的影像，低频部分差别不大，而高频部分相差很大，通过小波变换对变换区实现分频，在分频基础上进行遥感影像的融合，常用于雷达影像SAR与TM影像的融合。
3.3 Pansharping融合
Pansharping算法用于高分辨率全色影像和多光谱影像的融合生成高分辨率彩色影像，此方法要求全波段影像和多波段影像同平台、同时间（或间隔很短）获得。Pansharping独具特色的融合方式(目前国际上公认的最好的融合方法)，能最大限度地保留多光谱影像的颜色信息和全色影像的空间信息，融合后的图像更加接近实际。
3.4 融合结果
使用HIS融合方式进行融合结果如下：
图1融合前全色影像图2 融合前多光谱影像 图3融合后结果影像
4融合质量评价
评价融合影像的质量是遥感图像融合的一个重要步骤。评价融合效果主要包括定性和定量评价两种。
定性评价一般选用目视法解释。定量评价选择：均值、标准差、熵、光谱偏差度、均方根差和相关系数等。定量评价分为：融合图像的整体质量、融合图像和低分辨率图像的光谱信息保真度和融合图像与高分辨率图像的高频信息保真度（纹理信息）三个方面。
参考文献：
[1]孙家抦. 遥感原理与应用. 武汉: 武汉大学出版社, 2003.
[2]贾永红. 数字图像处理. 武汉: 武汉大学出版社, 2003.
作者简介：1.王莹（1988-）女，汉族，陕西西安人，长安大学信息工程学院，交通信息工程及控制专业，2011级硕士研究生
遥感影像范文第3篇
[关键词]遥感图像分类 最大似然 面向对象 决策树分类 精度评价
[中图分类号]P217 [文献码] B [文章编号] 1000-405X（2015）-9-164-1
0引言
在当前遥感影像分类应用中，常用基于数理统计的监督分类， 其中的最大似然法在应用最为广泛。但是这种算法会因大量存在的“异物同谱”、“同物异谱”现象以及遥感图像自身的空间分辨率问题从而出现较多的漏分、错分的情况[1] 。随着遥感应用技术的不断发展，人们对遥感影像分类计算方法在分类精度、时间度等方面也不断提地提出了新的需求[2][ 3]，因此各种分类方法不断被研究发现。目前已经出现了多种新型分类方法， 比如模糊法、神经网络、专家系统、面向对象、支撑向量机等分类法。
1分类原理
本文将分别使用最大似然、面向对象、决策树这三种分类方法对美国陆地卫星landsat-5 TM多光谱遥感图像作为主要数据源进行分析和处理。并以分析和处理后的数据结果对这些分类方法在分类时间、分类精度和分类速度方面做出比较。
1.1最大似然分类方法
最大似然（maximum likelihood classifier）是通过算出遥感影像中的每个像元相对于每个地物类别的归属概率，然后把这个像元划分到出现概率最大的类别中。该方法假设训练区地物的特征符合随机现象，服从正态分布，利用训练区特征求出均值、方差和协方差等特征参数，求出总体的先验概率密度函数。最大似然分类方法是最常使用的监督分类方法之一。
1.2面向对象分类方法
面向对象分割原理：按照一定的规则将影像分割成具有不同特性、相互独立像元的集合过程。其分割结果是把影像分解成与实际地物相对应的不同部分， 一个集合即为一个实体。图像分割过程中同时利用影像的光谱信息和空间信息，在影像上识别和划分出合适的类别集合。
1.3决策树分类方法
决策树分类基本[4，5]原理是：参照一定的规则将影像数据集由上至下逐步划分，最终获得含有不同属性的子类别。分类决策数由一个根节点（Root nodes）、多个内部节点（Internal nodes）和终极节点（Terminal nodes）组成，一个内部节点往上只有一个父节点，往下有两个或多个子节点。在每一个内部节点处会按照一定的规则将该处的数据集划分为两个子集，如此往复直到所有的数据集被分为和预期设想的各个子集一致为止。决策树能够处理光谱信息、纹理信息和高程等多源数据。
2结论与分析
通常“同物异谱”与“异物同谱”在影像处理过程中存在，以及在样本选择中人为误差因素的影响，不同的分类方法的分类结果都会存在一定的误差，导致其结果不能完全准确的反应真实的地物。本文也采用误差矩阵总精度和Kappa系数来进行[6，7]。
实验结果进行对比与分析，得出在这三种方法中，最大似然分类法分类精度最高，较好的区分容易错分的地物，能精准的提取出实际地类。决策树分类法、面向对象方法的精度相对也较高，面向对象在对象建立过程中较为复杂，要做到精准还得靠先验知识的积累，最终人为因素导致精度受限。决策树的分类精度也受到一定的限制是因在规则的获取、量化及综合不确定性知识等方面是实验者较难处理的问题，需要时间和经验去验证结果。最大似然法由于分类精度高，且计算时间快，仍是使用较多的分类方法。
3结论
遥感图像分类是其在应用过程中必不可少的部分。在分类过程中，最终选择何种方法主要取决于图像特征、应用的要求，根据实际的需要，合理科学的运用分类方法，必要的时可混合使用两种或多种方法，使影像分类达到预期的目的。
参考文献
[1]杨凯.遥感图像处理原理和方法[M ]. 北京： 测绘出版社，1988.
[2]骆剑承，王钦敏，马江洪，等. 遥感图像最大似然分类方法的EM改进算法[ J ]. 测绘学报， 2002， 31 （3） ： 234 - 239.
[3]杨存建，周成虎. 基于知识的遥感图像分类方法的探讨[ J ]. 地理学与国土研究， 2001， 17 （1） ： 72 - 77.
[4]徐会明，靳小兵，季海，等.决策树法在雷电潜势预报中的应用[J].高原山地气象研究，2008，28（4）：55-58
[5]Friedl M A，Brodley C E，Strahler A H.Maximizing Land Cover Classification Accuracies Produced by Decision Trees at Continental to Global Scales[J].IEEE Transactions on Geoscience and Remote Sensing，1999，37（2）：969-977
遥感影像范文第4篇
关键词：卫星遥感 QuickBird影像 数字正射影像图（DOM） ENVI
1.引言
遥感影像是通过遥感技术获得的地球表面客体或事物的图像，高分辨率的卫星影像是指像素空间分辨率在10m以内的遥感影像，正射影象是指消除了由于传感器倾斜、地形起伏及地物等引起的畸变以后的影响。正射影象图直观、生动，影像所记录的信息量非常丰富，细节表达的也很清楚，同时更新速度非常快。利用高分辨率卫星影像制作的正射影像精度高，时效性好，生产周期短、更新速度快，能够满足很多行业的要求，可以大大地节省生产成本提高生产效率。
2.DOM的特点
数字正射影象图是利用DEM对遥感图像逐像元进行辐射改正、微分纠正和镶嵌，按照规定图幅范围裁剪生产形象数据，同时它带有公里网格、图廓整饰和注记的平面图。DOM具有地图精度和影响特征，精度高、信息量丰富、直观性好、制作周期短、连续性好。
3.正射影像制作原理：数值微分纠正
根据已知影像的参数（内、外方位元素）与数字地面模型，利用相应的构像方程式，或按一定的数学模型用控制点解算，从原始非正射投影的数字影像获取正射影像，这种过程是将影像化为很多微小的区域逐一进行。通过解求像素的位置，然后进行灰度内插与赋值运算，实现像素与相应地面元素的几何变换。
4.正射影像图制作
数字正射影像（Digital Orthophoto Map，简称DOM）是利用数字高程模型（DEM）对经扫描处理的数字化航空影像，经逐像元进行投影差改正、镶嵌，按国家基本比例尺地形图图幅范围裁剪生成的数字正射影像数据集。它是同时具有地图几何精度和影像特征的图像，具有精度高、信息丰富、直观真实等优点。
4.1实验区概况
本文采用的是一幅分辨率为2.4m的快鸟遥感影像图，此图是美国的一个城市城区地图，精度、纬度分别为112.05362548W、33.37717660N。具体如下图所示。
4.2数据预处理
分辨率2.40m的多光谱遥 感影像有1、2、3、4（蓝、绿、红、近红外）4个波段。合成影像时采用了多种合成方式进行对比，经试验最后选择使用1、2、3（蓝、绿、红）波段形成标准假彩色图像，经过ENVI软件的自然色彩变换后输出自然色彩图像，输出后影像色彩效果比较真实。
4.3 影像纠正
数据在使用时，必须具有较高的空间配准精度，这就需要对获取的原始影像进行高精度的几何纠正。本次作业地形起伏较小，地势比较平坦，所以选用了多项式法。
4.3.1控制点输入
为了保证选点的正确性，控制点输入应该采用键盘输入坐标，在进行纠正。GCP的选择对于几何校正的精度有着显著的影响。GCP应是在原始图像上分布均匀并能正确识别和定位、在地形图上可以精确定位的特征点以及特征线的重点。
4.3.2 重采样校正输出
选择的GCP的RSM误差必须小于1个像素，只有满足这个条件，才能保证几何校正的精度。如若选择的GCP的RSM误差大于1个像素，它是不符合要求的，必须将其删除。
在几何校正的控制点位置输入计算完成后，进行重采样输出，计算内插新像素的灰度值。重采样是计算被校正图像的文件值，并生成新文件的处理。有三种重采样方法：最近邻点法、双线性插值、三次卷积法。本试验选择双线性插值输出经校正的卫星影像。
4.3.3精度分析。（图 2误差分析图略）
从图2可以看出，采用多项式方法对原图进行校正，GCP的RSM误差在一个像素左右，基本上满足了校正的精度。在校正的时候，尽量选取易于判读的点可以确保GCP的位置精度，进而基本上可以达到校正的目的。
4.4 影像剪切
数字正射影像图具有地形图垂直投影的特性，地形图直观，内容丰富。数字正射影像可作为影像地图浏览系统的基础数据使用。此类系统可以应用于规划、土地、水利、林业、房管、交通、公安等部门及GPS导航查询、电子地图等领域。如果没有数字正射影像的支持，则无法显示细部，所以应该按照标准制图形式进行制图，每幅图还得加上图名、比例尺、图幅经纬度等信息，以便于以后更好的应用。
4.5图幅整饰
本文运用ENVI软件，采用快速制图方法，在纠正后影像图上加上了图幅名、比例尺以及该影像图的经纬度，最终，制成正射影像图如图3。
5.结束语
随着卫星技术的发展，卫星获得的遥感影像分辨率越来越高，利用专业的遥感图像处理软件对遥感图像进行正射纠正，然后制作正射影像图。不断提高卫星的分辨率，努力开发更好的遥感图像处理软件，从而使DOM更好的为人类生产、生活做贡献。
参考文献：
[1]王利英，宋伟东.基于高分辨率Quick Bird影像的数字正射影像图的制作[J].测绘与空间地理信息，2006，29（4）：69-71.
遥感影像范文第5篇
关键词：遥感；影像；融合
引 言
随着遥感技术的发展，各种各样的传感器也不断出现，对于同一地区，我们可以得到用不同传感器获取的不同尺度、不同时相特别是不同光谱信息的遥感影像数据。不同源的数据反映了区域的不同方面的特征，如何合理的综合利用这些多源数据，对于遥感应用十分关键。显然，影像融合为我们提供了一个很好的途径。影像融合就是将不同源的数据配准后变换到同一尺度、同一坐标系，然后采用一定的融合方法将各种数据的信息充分的结合起来，产生一种更适合应用的影像数据的新技术。
图像融合一般分为三个层次：①像素级融合。像素级融合也称数据级融合，是指对传感器采集来的数据进行采集、分析和处理，生成目标特征而获得融合图像；②特征级融合。是指对预处理和特征提取后获得的景物信息如边缘、形状、轮廓、方向、区域和距离等信息进行综合与处理；③决策级融合。是指根据一定的准则以及每个决策的可信度作出最优决策，数据融合的容错能力即由此而来。
图像融合的算法有很多，传统的算法主要有：HIS变换的融合、小波变换融合、主成分变换融合、高通滤波变换法、比值运算法、Brovey变换法等等，最近也提出了一些新的或改进型的图像融合算法，比如Contourlet变换融合、基于HSV变换与atrous变换的图像融合、一种基于最大区域熵值的图像融合方法、基于小波包的融合等等。下面本文将对其中一些算法进行介绍并分析。
1 目前较为流行的影像融合算法分析
1.1 小波变换法
1.2 Brovey变换法
Brovery变换（Brovery Transform，BT）：是一种用来对来自不同传感器的数据进行融合的较为简单的融合方法，该方法将多光谱各波段进行归一化，然后将高分辨率全色影像与归一化后的各波段相乘得到融合后的影像。其计算公式为：
R=pan×band3/（band1+band2+band3）
G=pan×band2/（band1+band2+band3）
B=pan×band1/（band1+band2+band3）
式中：pan表示高分辨率全色影像，band1、band2、band3表示多光谱的3个波段。
1.3 主成分变换
主成分分析，又称K-L变换法，它的几何意义是把原始特征空间的特征轴旋转到平行于混合集群结构轴的方向去，得到新的特征轴。PCA变换的具体步骤：多光谱波段经过PCA变换后，将全色高分辨率影像进行灰度拉伸，使其均值和方差与PCA变换的第一分量的影像一致；然后用拉伸过的高分辨率全色影像代替第一分量；最后经过PCA逆变换得到融合影像。
实际操作是将原来的各个因素指标（这些指标中部分有相关关系）重新组合，组合后的新指标是互不相关的。在由这些新指标组成的新特征轴中，只用前几个分量图像就能完全表征原始集群的有效信息，图像中彼此相关的数据被压缩，而特征得到了突出，此方法在对于具有相关因子的多源遥感数据进行融合时具有显著优势。该方法的局限性在于：①图像在做主成分分析时，第一分量的信息表达的是原各波段中信息的共同变换部分，其与高分辨率图像中细节变化的含义略有不同。高分辨率图像经过拉伸后虽然与第一分量具有高相似性，但融合后的图像在空间分辨率和光谱分辨率上会有所变化；②由于光谱信息的变化，使融合图像不能用于地物识别和反演工作，但是它可以改进目视判读的效果提高分类制图的精度。
1.4 高通滤波变换法
高通滤波（High-PassFilter，HPF）方法是把高分辨率影像进行傅立叶变换从空间域转换到频率域，然后在频率域内对傅立叶图像进行高通滤波，获取图像的高频分量，将高频部分融合到多光谱图像中，以突出细节部分，获取最后融合图像。此方法虽然有效地保留了原多光谱信息，却在对高分辨率波段影像滤波时滤掉的大部分纹理信息。高通滤波法融合流程如图1所示。
1.5 小波变换
小波变换（Wavelettransform，WT）首先对参与融合的遥感图像数据进行小波正变换，将图像分解为高频信息和低频信息。分别抽取来自高空间分辨率影像分解后的高频信息和低空间分辨率的低频信息进行小波逆变换，生成融合图像。小波变换的图像融合算法流程如图2所示。
遥感影像的信息融合方法，如主成分分析和基于IHS变换等，均存在原有分辨率的影像光谱信息部分丢失的问题。而小波变换可对多个波段的影像信息融合，既能充分利用高分辨率影像的空间信息，又能保持低分辨率影像的光谱信息的最大完整性，这也是当前遥感影像融合技术研究的主要目标。
小波变换应用于影像融合的优势在于它可以将影像分解到不同的频率域，在不同的频率域运用不同的融合规则，得到融合影像的多分辨分解，从而在融合影像中保留原影像在不同频率域的显著特征。但小波变换进行融合也有两个缺点：一是小波变换进行融合容易产生较为明显的分块效应；二是直接用低分辨率影像的低频部分去替代高分辨率影像的低频部分，这样在一定程度上损失了高分辨率影像的细节信息。改进小波变换的缺点，成为现在研究的热点之一。近年来出现了一些改进的小波变换算法。
文献[3]采用了一种基于离散小波变换的新融合算法：首先，采用小波多分辨分析和马拉特快速算法，将原始图像分解成近似图像和细节图像，然后在各层的特征域上进行有针对性的融合，最后通过小波逆变换完成图像重建。
文献[2]提出了一种将小波变换和MNF变换结合的遥感影像融合的方法。
文献[1]提出了一种基于正交小波包的局域方差遥感图像融合新算法.该算法利用正交小波包变换，把图像分解成不同尺度的低频和高频部分，采用小波包局域窗口和子区域窗口统计，把小波包系数分类成边缘和非边缘系数.在融合处理中，把低频图像的小波包系数平均值作为融合后的低频系数，高频细节系数根据不同区域特征选择方法以及对应图像小波包系数的多窗口区域方差，来确定融合后高频小波包系数。
2 影像融合的评价准则
融合影像的整体质量评价指标主要有：平均梯度、熵、相关系数以及UIQI（Universal Image QualityIndex）指标等。
2.1 平均梯度
平均梯度g的大小可敏感地反映影像表达微小细节反差的能力。其计算公式为：
g=■■■2
一般来说，g越大，表明影像越清晰。因此可以用来评价融合影像和原影像在微小细节表达能力上的差异。
2.2 相关系数
相关系数反应了两幅影像的相关程度，也反映了影像融合前后的改变程度，其定义如下：
ρ=■
其中F为融合生成图像的灰度值，f为融合图像的均值；A为源图像灰度值，a为源图像的均值。
2.3 UIQI
Zhou Wang等在文献[4]中提出了一种新的影像质量评价指标UIQI（Universal Image Quality Index）。假设x={xi│i=1，2，…，N}和y={yi│i=1，2，…，N}分别为原始影像和待评价影像的信号。文中定义的图像质量评价指标为：
Q=■
其中：
■=■■x■，■=■■y■，σ■■=■■（x■-■）■，σ■■=■■（y■-■）■
σ■=■■（x■-■）（y■-■）
在实际应用中，采用局部评价的策略。首先选定B×B大小的窗口，从左上角开始逐像素移动，每一步按照上面的方法可以计算得到一个Qj，假设共移动了M步，则按下面的公式就可计算得到一个图像质量评价指标Q：
Q=■■Qj
此即为UIQI。
参考文献
[1]李慧，林克正.基于小波包的遥感图像融合新算法[J].哈尔滨理工大学学报，2009，（14）：68～71.
[2]李海涛，顾海燕，林卉，韩颜顺，杨景辉.基于小波变换和MNF变换的遥感影像融合[J].山东科技大学学报自然科学版，2007，（26）：56～60.
遥感影像范文第6篇
1引言 海滨湿地是指发育在海岸带附近并且受海陆交互作用的湿地，是陆地生态系统和海洋生态系统的交错过渡地带，广泛分布于沿海海陆交界、淡咸水交汇地带，是一个高度动态和复杂的生态系统［1］。江苏盐城海滨湿地属于典型的淤泥质海岸湿地类型，由于海岸的不断淤长，海滨湿地植物覆被类型比较丰富多样，景观格局处于不断演变之中［2］。遥感技术是获取地表覆盖信息的有效技术手段，目前广泛用于湿地研究中并取得了显著的成果［3－5］。采用何种方法对湿地遥感信息进行有效提取，以达到理想精度要求，一直是湿地遥感研究的重要内容。目前，湿地遥感信息提取中难度最大的是对湿地植物覆被类型的有效识别，其方法研究成为湿地遥感信息提取的难点与热点［3－5］。而针对不同的遥感数据源，学者们采取的方法各异。如于欢等［6］选取ALOS遥感影像为数据源，通过对其波段的光谱及纹理特征进行分析，采用非监督、监督及面向对象分类方法，对三江平原湿地信息进行提取。那晓东等［7］以Landsat卫星影像为数据源，利用回归树集中挖掘分类规则对湿地类型进行分类研究。牛明香等［8］利用TM数据，提出了单红外阈值法和改进的监督分类相结合方法对湿地进行分类。从目前的研究进展来看，湿地遥感分类研究采用的数据源大部分都是TM、SPOT等影像，而利用ALOS数据的研究并不多。 本文针对江苏海滨湿地的时空分布特征，选择ALOS影像为数据源，其原因是保护区核心区面积较小，空间分辨率较高的ALOS影像更适合，而不选用波段与之相似的Landsat卫星数据。另外，相比于分辨率相同的SPOT等影像，ALOS影像在图像纹理特征方面，如反映地物类别空间特征的差异性和纹理信息的丰富程度均比SPOT5等影像强，并且小图斑的面积精度也优于SPOT等影像［9］；从时间选择来看，由于11月份海滨湿地的盐蒿呈现红色，与其他湿地植被类型的色差比较明显，是湿地遥感信息提取的较好时机。而选用的ALOS数据在2006年11月9日恰好在海滨湿地过境，故采用分辨率高、性能好、价格低的秋季ALOS影像作为本次研究的数据源最为合适。 为此，针对海滨湿地植物覆被类型遥感信息分类难度大，以及湿地植物覆被类型之间的生态交错带信息难以正确识别的问题，综合考虑光谱信息、空间信息并附加知识规则和GIS规则，对海滨湿地进行遥感分类方法研究，为海滨湿地研究提供重要的科学支撑。 2研究区概况 江苏盐城国家级珍禽自然保护区核心区是目前残留的典型淤泥质海滨湿地代表，具有丰富多样的湿地类型。该区域位于新洋港和斗龙港出海河之间［10］，地理位置位于33°25′0″～33°42′40″N，120°26′40″～120°44′40″E，面积为203．57km2，基本保持自然景观状态。湿地植物覆被类型包括芦苇群落、大米草群落、盐蒿群落等［11］。研究区位置如图1所示。 3数据源 采用的数据为ALOS数据，重访周期为46d，卫星轨道为太阳同步。AVNIR－2传感器可以接收4个波段的数据，分别为蓝波段（0．42～0．50μm）、绿波段（0．52～0．60μm）、红波段（0．61～0．69μm）、近红外波段（0．76～0．89μm）。多光谱分辨率10m，全色波段空间分辨率2．5m。为了更准确地提取信息，还采用了其他相关辅助资料，包括1∶400000江苏省海岸土地利用图以及野外调查时38个点GPS数据。 3．1数据预处理 本文采用ENVI下的FLAASH模块对ALOS影像进行大气校正。FLAASH是基于MODT－RAN4大气校正模块，可以从多光谱遥感影像中复原地物的地表反射率，是多光谱能量影像反射率反演的首选大气校正模型［12］。影像几何校正通常选取图像上有定位识别明显的标志，如道路交叉点、河流岔口等GPS记录点为控制点。采用二次多项式变换和最邻近像元重采样的方法对原始影像进行几何纠正，RMS小于0．5个像元。 3．2湿地分类系统的建立 根据研究区湿地类型的特征，综合考虑遥感影像数据的可解译性，建立湿地土地利用／覆被分类系统，见表1。 4对ALOS影像的非监督分类 针对本研究区特点，海岸带地物在遥感影像上的光谱比较复杂。选择的训练区不可能包括所有的光谱类型，也就是说有一部分像元会出现漏分的现象。所以本文采用人机交互的非监督分类方法，算法是重复自组织数据分析技术（ISODATA）。 4．1分类的过程及结果 海岸带地物的波谱相关性较大，也就是“同物异谱”和“异物同谱”的情况比较多。鉴于这种情况，使用非监督分类时，一般设置分类的数目比最终分类数量多3～4倍，再进行合并，防止错分漏分，以提高分类精度。本次研究初始分类数定为30类，输出分类图像后再对30类地物进行合并，找到最佳的合并方案，然后再对其进行重新合并。把原始影像和分类的结果进行对比，并且参考1∶400000江苏海岸土地利用数据，对30类地物进行同类合并删减。合并时尽量遵循以下规则，尽可能地把地物归为：养殖塘、河流、芦苇、盐蒿、米草和光滩6类。利用上述规则，在ENVI中对非监督分类的图像进行重新归类，结果如图2所示。 4．2分类精度检验 精度检验是遥感分类的必备工作，通过精度分析可以清楚地发现哪些类别的分类精度还有待提高，从而改进分类模式，修改分类结果，提高分类精度。根据所选择的样本，大致为150个样本点，其中包括野外调查时38个点GPS数据，每类样本至少20个，在ENVI4．7软件的分类后处理中选择混淆矩阵法通过地表真实感兴趣区进行精度检验。经检验，总体分类精度为78．8786％，Kappa系数为0．7415，具体参数见表2。#p#分页标题#e# 从非监督分类后的精度验证可以看出，非监督分类的精度一般。地物类型之间尤其在米草、盐蒿、芦苇等草本植被类型间错分、漏分现象比较突出，其中米草错分误差达到33．21％，芦苇漏分误差达到26．47％。分析其原因主要有以下3个方面： （1）由于遥感影像光谱的复杂性，非监督分类这种纯粹的依靠光谱特征的分类方法在地物类型比较复杂的地区很难得到较高的精度［7］。 （2）米草、盐蒿、芦苇3种植被由于光谱比较类似，所以植被分类精度不理想。 （3）保护区北部人为管理区大坝内和养殖塘东界以西的区域部分，芦苇因为光谱的相似性被错分为米草或者盐蒿。因此要提高分类精度，就要对非监督分类后的结果进行改进。 5非监督分类后初始结果的改进 核心区北部人为管理区大坝内和养殖塘东界以西的区域被错分为米草和盐蒿的芦苇可以根据生态学知识和GIS规则进行修改，同理被错分为芦苇和盐蒿的光滩部分也可以用同样的方式修改。而对于3种植被的交错带的部分只能寻找新的特征向量来加以区分，所以根据分区分层分类法的思想可以把研究区化为3个小区域：交错带区、大坝以内养殖塘东界以西以及剩余区域。根据研究区的特殊性把非监督分类结果的修改分为下面两个部分，其流程如图3所示。 5．1基于知识规则的植被覆盖的细分 由于ALOS数据4个波段组成的特征空间有很高的相关性，不足以将核心区的地物很好地划分，导致初始非监督分类的精度不是十分理想。所以必须寻找新的特征向量和特征空间来减少地物之间的相关性，以区分核心区的地物信息，达到提高分类精度的目的。本文通过ALOS四个波段的PCA变换、纹理分析和NDVI进一步构造特征空间，再利用特征空间上的阈值作为知识规则，进而采用密度分割和决策树的方法来区分地物。就研究区的实际情况来看，分类精度不高的地区主要有3个，米草和盐蒿的交错带，芦苇和盐蒿的交错带，以及上下两个芦苇、米草和盐蒿的交错带。所以如何较高精度地划分出3个交错带，对提高遥感影像的解译精度具有非常重要的意义。知识规则阈值的生成有两个途径：第一是根据特征空间上值的分布人工寻找阈值；第二采用数据挖掘算法例如CART树、C4．5树等自动挖掘阈值［13］。数据挖掘的方法适合于大批量阈值的寻找，就本研究的实际情况，由于只要寻找出两种植被或3种植被的阈值，数据量不是很大，故采用观察样本差异人工寻找阈值的方法。 5．1．13种植被交错带的细分 PCA变换又称主成分变换，是一种除去波段之间的多余信息，将多波段的图像信息压缩到比原波段更有效的少数几个转换波段的方法。使得在原光谱空间相关性较大的地物，能在新的PCA特征空间中得到有效区分［14］。本次研究利用PCA变换对3种植被的交错带进行细分：被区分的植被有米草、芦苇和盐蒿。首先对原图进行PCA变换，进而在PCA变换图上绘制3种植被的训练区，尽量选择比较纯净的像元，然后对这些训练样本的主成分变换后的数值进行分析。通过观察这几种植被在主成分变换中各个主成分的差异，找出差异最大的主成分波段，观察PCA中各个主成分的最大值、最小值和平均值，最后发现PC1能够很好地区分这3种植被，如表3所示。 5．1．2芦苇和盐蒿交错带的细分通过观察非监督分类图上芦苇和盐蒿的分布，根据实地考察记录的GPS点，可以看到很多芦苇都被错分为盐蒿，主要分布在分类图左下角养殖塘的周围。对错分为盐蒿的芦苇和正确划分的芦苇以及正确划分的盐蒿进行采样，采样时依旧遵循上面的原则即尽量保证像元纯净，以方便比较。然后在ENVI4．7中绘制光谱图，如图4所示。观察图4可以发现错分为盐蒿的芦苇和芦苇的斜率比较相近，而和盐蒿的斜率有较大的差别，进而计算整个图像的NDVI，然后利用上面的采样区对NDVI进行分析，得到以上3种植被的NDVI数值表，见表4。从表4可以看出，在光谱空间上极易错分为盐蒿的芦苇和正确划分的盐蒿在NDVI值上相差很大，而和正确划分的芦苇的值很接近，所以通过NDVI可以较为准确地划分芦苇和盐蒿。 5．1．3盐蒿和米草交错带的细分 非监督分类后，通过观察分类图上米草和盐蒿的分布，可以发现有较大片的盐蒿属于米草，同理也有较大片的米草属于盐蒿。所以需要把错分为盐蒿的米草从盐蒿中分离出来，然后将其中的米草信息还原。同理错分为米草的盐蒿也是这样。对米草和盐蒿在NDVI和PCI特征空间做采样分析，发现在这两个特征空间不能找到合适的阈值将其区分。考虑到灰度共生矩阵的纹理可以很大程度上改进遥感影像的分类精度，本文采用ENVI4．7软件的二阶概率矩阵方法生成8个基于灰度共生矩阵的纹理特征，即平均值、方差、同质性、反差、差异性、熵、二阶矩和自相关性。生成二阶概率矩阵时选用3×3的滑动窗口，移动步长为1。通过比较这8组数据发现盐蒿和米草在方差和自相关性上差异较大，如表5。自相关上差异很大是因为米草有不少负相关很大的值，比如－8000，因此平均的米草负相关值就会很大，同理盐蒿也是，从米草和盐蒿的自相关值集中的频率来看，两者绝大部分的值都集中在－1和1之间，所以在自相关这个纹理特征空间上不能将米草和盐蒿区分开。而从方差上看，方差的第四波段可以较容易地划出一个阈值来区分米草和盐蒿。方差运算后结果比较小的表示该地物纹理比较细密，方差运算后结果比较大的表示该地物纹理比较粗糙，从遥感影像上来看盐蒿的纹理显得比较平滑、波动性小，而米草的纹理比较粗糙，刚好符合表5统计数据的特征［15］。因此，可以选用方差的第四波段上的阈值来区分米草和盐蒿。 5．1．4河流和养殖塘错分的修改 由于核心区的养殖塘形状较为规则，呈现长方形和正方形，而河流的形状较为弯曲，且分布在核心区的最北和最南，根据这条知识规则对非监督分类图中河流和养殖塘的错分进行修改，还原错分的养殖塘和河流。总结上述知识规则，得到表6。对于3种植被的交错带，采用构建决策树的方法进行细分（图5）。而芦苇和盐蒿两种植被的交错带则采用密度分割的方法划分阈值进行细分。#p#分页标题#e# 5．2基于GIS规则的分类改进 遥感影像特征是基于植物类型与土壤、水体等地物特征及其组分相互消长关系的综合反映，由于“同物异谱”和“异物同谱”的情况比较严重，因此，单纯基于光谱特征识别植被类型会不同程度地产生错分和误分。根据生态学和地学等方面的专家知识，利用GIS，对基于光谱特征的影像分类进行改进是提高分类精度的一个重要方法［16］。利用研究区1∶5万的地形图和江苏省1∶400000海岸土地利用图，可以在影像上目视解译出河道和养殖塘的范围。将非监督分类后所得的栅格数据转为矢量图，并与河道和养殖塘的范围作GIS叠加分析，对于河道和养殖塘叠加后有偏差的少部分区域，借助于地形图和土地利用图予以确认并进行修改。叠加分析后发现部分米草和盐蒿分布在河道和养殖塘的周围。根据生态学的基本知识，米草和盐蒿性喜盐，在淡水区域不可能长出米草和盐蒿，应为喜淡水的芦苇。通过GIS的空间相邻关系特征设置查询选项，执行这一特定区域的误分斑块的筛选，然后进行类代码的重新赋值，提高了分类精度。同理，被误分为芦苇和盐蒿的光滩也可以通过这一原理重新赋值修正。由于保护区具有科学实验的特征，核心区分为人为管理区和自然生长区。以中路港为界上半部分为人为管理区下半部分为自然生长区，在20世纪90年代人为管理区修建堤坝以防止海水的入侵，因此涨潮时海水不会影响堤坝内的植被。所以依照生态学的知识，根据GIS空间叠加分析的功能可以把该区域误分为米草和盐蒿的芦苇进行选定，并进行类别代码的重新赋值，从而纠正该类的误分。 5．3对修改后的非监督分类图进行精度评价 根据上述知识规则对非监督初始分类图进行修改，结果如图6所示。所选择的150个样本点仍然是非监督分类后的检验样本，每大类至少20个样本，其中包括野外考察38个点。在ENVI4．7软件中的分类后处理中选择混淆矩阵法，通过地表真实感兴趣区进行精度检验。经检验，总体精度为92．6829％，Kappa系数为0．9098，见表7。 6结语 通过精度检验表（表7）可以看出，各类地物的用户精度和生产精度都有了不同程度的提高，普遍达到85％以上，总体精度达到了92．68％。其中养殖塘和河流的分类精度都比较高，用户精度和生产精度都达到了95％以上。修改后米草和光滩间相互误分比较明显，因为越靠近光滩，有部分米草是小块、零散分布的，面积通常比较小，10m的空间分辨率无法将其表现出来。这些米草像元被自动归为与之相临近的光滩里面导致了误分错分。芦苇和光滩也存在误分，因为有些区域芦苇长势不是很好，和一些裸地形成了混合像元，从而在表观上显示裸地的光谱特征。米草和芦苇在上下两个三界交错带有部分的混生分布，并且光学特征非常类似，所以也产生了错分现象。非监督分类的方法无需选定感兴趣区，单纯依靠光谱信息聚类，误分错分比较多，具体表现在河流和养殖塘之间、芦苇、米草和盐蒿这两组光谱空间非常相似的地物之间。本文以非监督分类后的结果为模板，运用分区分层分类的思想对非监督分类初始结果进行修改，得到了较高的精度。研究表明融合遥感影像纹理信息、主成分变换等非光谱信息，可以提高地物的可分性，避免单纯利用光谱信息导致的错分漏分。同时基于分类规则以GIS为工具，依据生态学知识、地学等方面的知识对分类结果进行改进是提高分类精度的重要手段。
遥感影像范文第7篇
【关键词】遥感；正射影像；地形图修测
目前，大面积地形图更新的方法有很多种，如，全野外测量、航空摄影测量、正射影像修测、Quick Bird、IKONOS卫星影像修测在我的工作中，这些更新地图的方法也较为常用，根据图幅所在的位置，不的用途目的，各种精度要求，选择不同修测方法。在此主要谈正射影像修测地形图。
一、遥感的概念与特点
1.1 遥感的概念
遥感简单的说，它的含义就是遥远的感知，即通过非直接接触目标的方式，而能获取被探测目标的信息，并能通过识别与分类，了解该目标的质量、数量、空间分布及其动态变化的有关特征。
1.2 遥感的特点
（1）宏观性和综合性
（2）多波段性
（3）多时相性
二、正射影像的概念及应用
2.1 正射影像的概念
在进行航空摄影时，由于无法保证摄影瞬间航摄相机的绝对水平，得到的影像是一个倾斜投影的像片，像片各个部分的比例尺不一致；另外，根据光学成像原理，相机成像时是按照中心投影方式成像的，这样地面上的高低起伏在像片上就会有投影差。要使影像具有地图的特性，需要对影像进行倾斜纠正和投影差改正，经改正消除各种变形后的影像叫做正射影像。
2.2 正射影像产品的应用
正射影像可以加上居民地、道路、水系、地貌等要素的名称数据，配以合适的花边和图名，就可以作为电子版的影像地图使用，也可以彩喷或印刷成纸图。正射影像还可以用来修测地形图，更新DLG和DRG成果。以正射影像图为主要数据源，采集地物信息。参考调绘资料，对建筑物根据高度和距离像主点的远近进行投影差改正。正射影像可作为GIS的数据源，从而丰富地理信息系统的表现形式。
三、遥感影像的地图修测
3.1 基于遥感影像地图修测的主要技术方案
从地图比例尺及地图更新成本考虑，用于地图更新的卫星影像主要有：TM影像（分辨率为18.5M）、SPOT影像（分辨率为2.5M、5M或10M），IKONOS影像（分辨率为1M），QUICKBIRD影像（分辨率为0.65M）。根据城市地图比例尺不同，采用下述两种技术方案：
一是基于SPOT，TM影像的更新方案，主要用于较小比例尺的城市地图，其技术流程见图1
图1 基于SPOT，TM影像的城市地图更新流
二是基于高分辨率遥感影像的更新方案，主要用于较大比例尺的城市地图，其技术流程见图2
图2 基于IKONOS影像的城市地图更新流程
以上两种技术方案工作要点基本相同，区别在于对不同卫星遥感影像的处理。
四、正射影像修测地形图在实际工作中的过程
利用正射影像进行地形图修测的作业流程见图3：
图3 正射影像进行地形图修测的作业流程
4.1 前期准备
原始资料：（1）现有的1：2000地形图dwg 文件（老图）；
（2）分幅的最新正摄影像图及影像框；
（3）可作为平面起算的数据；
（4）可作为修测的高程起算数据
（5）项目设计书
软硬件设备：（1）软件：制图软件AutoCAD 图像处理软件PhotoShop。
（2）硬件：高性能的PC 服务器、大幅面彩色喷墨打印机。
确定工作区面积
4.2 原图dwg文件与正摄影像的叠加
用CAD打一开原图DWG文件，插入相应的影像框，再插入该图所用正摄影像图并新建图层；有时一幅图可能用一个正摄影像，有时用两个，也可能会更多。要新建图层便于管理。
4.3 判图、更新
4.3.1 利用正摄影像修原有地形图
正摄影像确定没有的删掉，影像不清晰的部分不要轻易删掉，有树影的的地方不易绘出，判读影像能力差的更应注意，作业时一定要保正其精度。
作业时以正摄影像为依据对原有的地形图加以修测的主要地物：房屋及房屋附属物的修测：将正摄影像上没有的房屋删掉，要新建层，将正摄影像上新增的房屋绘出，绘时应注意：
（1）要绘房顶，绘出房屋主体及其房屋前后的小房且绘图时绘的是外檐。平房小于50平的单独的可以不修测。楼房、平房、简房、棚房影像不能区分，均于新增房屋层绘出。
（2）建筑物的凹凸的取舍，大于0.4mm必须逐个如实的绘出，廊、建筑物下的通道、台阶、围墙、栅栏、篱笆、院门、门墩要绘完整。
台阶的长度在图上小于6.0mm可不修测。 围墙、栅栏、篱笆影像不能区分的均于新境的围墙层绘出。
（3）在新建图层时，在老图层里加X，如房屋层老图是411层，新建图层时为x411层。如此类推。
道路的修测：将正摄影像上没有的路删掉，要新建图层，将正摄影像上新增的道路绘出，绘时应注意：
（1）小于2米的为小路，2米至3米的为乡村路，3米至4米的为大车路，4米以上的为等外路。
（2）高速公路 、等级公路、等外公路应按其宽度绘出。
大车路应按其是实际宽度依比例尺绘出，如实地宽窄变换频繁，可取等中等宽度绘成平行线 。小路应实测中心位置单线绘出。
管线及附属设施的修测：将正摄影像上没有的管线及附属设施删掉，新建图层，将正摄影像上新增的管线绘出，内业只测绘出杆的位置，外业定性。应注意的有：
（1）绘时要有连续性，单个的可能是树影。
（2）绘时应采好点位，一定要采集影和相的交点，也就是根部，影像不清晰时，跟距走向和像主点的位置，来判别杆的根部和顶部。
（3）主要修测高压。
水系及其附属物的修测：将正摄影像上没有的水系及附属设施删掉，新建图层，将正摄影像上新增的水系绘出，绘时应注意：
（1）河流和池塘分别放层，把狭长的相互贯通的且连续分布的线状水体界定为河流，把相对独立的界定为池塘 。
（2）绘池塘线时，不绘水面的线，绘出池塘坎的上檐线。特别小的不修测，
主要绘大面积变化的。
（3）当渠道与河流贯通时，则将渠道与河流断开，各归各层。
当池塘的形状和房屋不易明确区别时，在池塘中加注“塘”字。
将修测好的地形图进行接边，打印，打图时应注意，老数据为黑色，新增地物用红色，还要打张结合表，以便调绘。
4.4 外业检查
4.4.1 调绘 更新矢量地形图时，影像上无法判读的地物必须由外业调绘进行确定。外业调绘主要作用是：对室内解译成果进行验证，对线状地物宽度实地量测，对新增地物的名称注记进行实地调查。对原有数据不正确的地方进行改正，主要对新增地物进行调绘。外业也要接边。调绘的主要内容和注意事项：
（1）新增房屋，要调绘房檐，楼层，房屋定性，如棚房、简房。房层高度一般默认： 一层为3米、二层7米、三层10米，特殊高度地加以调绘。
（2）新增房屋，内业修测不准确的加以更正，对于围墙，栅栏内业判读错误的要加以更正。还要调绘其门牌号。
（3）对路的名称、等级加以调绘，路宽度有误的加以更正，调绘桥的名称和性质，是公路桥还是人行桥。
（4）调绘河流名称，池塘性质，如“鱼”
（5）调绘企事业单位的名称、村名等。
（6）确定杆的性质和走向，特别是高压杆。
（7）调绘植被类型，地类界不准确的加以更正。
4.4.2 补测、水准
对于实地变化大地物进行补测，如新建小区，新建的高压杆，采用GPS 和全站仪进行了补测，并把所有结果都记录在线划图上。对新增的主要道路新增的小区打水准高程。水准算完后，记录在线划图上。
内业编绘时一定村要认真，将其表示不正确的加以纠正，原始数据在内业编绘时不得轻易改动，对外业调绘的数据，信息，一个不漏的编绘到图上，具体编绘的主要内容和遇到的问题：
编绘时，首先要绘读图，对外业的信息数据，准确不误的编绘。对房屋进行房檐改正，改设影差。改投影差时，一定要用其相应的像主点，用错了像主点，成图的精很难达到。一般一层3米，二层7米、三层10米，外业特殊标明的，要按外业给的房高改投影差。有时外业给的房高不是很准确，为了达到其精度要求，依据正摄影像，判别出房根部的，可适当移动房屋。，移动时，同高程的地物要一起移动，确保地物的相对精度。
道路按照外业调绘的尺寸来判别路的类型，特殊标明的按外业调绘的编绘，编绘时应注意，根据正摄影像将路补其完整，而且路要贯通，对于小的支路可取舍。
按外业调绘，加绘注记。村名、单位名，道路名称、河流名称、桥的名称一定要正确，不清晰的地方外业来解决，内业不能乱猜测，河流表示要正确，电力线连线绘出箭头。加注楼层，二楼以上的房屋均注楼层，适当的加注门牌号，入属性时要注全。
将外业补测的数据加以编绘，加注水准高程。图形数据应分层处理，编绘时同时注意归层处理，将带“X”层归其正确的层码。编绘后仍有问题，要集中再次调绘，再次编辑。编绘后要检查数据，接边。接边时应注意，不能单单的只接线划，其属性一定要一致，还有电力线指向、路名、河名、单位名、楼层也要接边。
4.6 检查验收，提交成果 。
参考文献
[1]江宏军，马永生.地形图更新方法初探[J].测绘通报，2004，（7）：54-56.
遥感影像范文第8篇
关键词：多源遥感；多分辨率；影像融合；像素级
中图分类号：P407文献标识码： A
1引言
随着遥感技术的发展，光学、红外、微波和激光雷达等大量不同卫星传感器的应用，获取同一地区的多源遥感影像数据（多时相、多光谱、多传感器、多平台和多分辨率）越来越多，为环境监测、资源调查、地形测绘和军事应用等领域提供了多层次的遥感影像金字塔。
与单源遥感影像数据相比，多源遥感影像数据所提供的信息具有冗余性、互补性和合作性。通过影像融合可以从不同的遥感影像中获取更多的有用信息，补充单源影像信息的不足。在遥感中，遥感影像融合是将覆盖同一地区的多源影像在统一地理坐标系中，按照一定的算法进行处理产生出比单源影像更精确、更完全、更可靠的影像的过程[1][2]。多源遥感影像融合不仅仅表现在多源遥感影像信息之间的叠加方面，还表现在利用多源遥感影像信息进行目标识别决策上。它能提高影像的空间分解力和清晰度，平面测图精度、分类精度与可靠性，增强解释和动态监测能力，减少影像模糊度，有效提高遥感影像数据的利用率[3][10]。
多源遥感影像融合可以分为像素级、特征级和决策级三个层次。这三个层次上所采用的融合算法各不相同，像素级融合算法主要有代数运算法、高通滤波法、HIS变换法、主分量分析法（PCA）、分量替换法及小波分析融合法；特征和决策级融合算法主要有贝叶斯统计决策理论、D-S证据推理、模糊推理和人工神经网络等[1][4][8-9][11-13]。
像素级融合直接在原始数据层上进行融合，该层次的融合准确性最高，能够提供其它层次上的融合处理所不具有的更丰富、更精确、更可靠的细节信息，有利于图像的进一步分析、处理与理解。它是特征级图像融合和决策级图像融合的基础。但是与其它两个层次的融合相比，像素级融合需要处理的信息量最大，处理时间较长，对设备的要求也比较高。目前在图像融合方面，研究较为成熟，应用较为广泛的方法大多属于像素级图像融合[7]。因此，本文将着重介绍像素级图像融合方法。这类算法大体上可以分为三类：（1）简单图像融合算法，如比值和加权乘法、Brovey 变换法、高通滤波法（2）分量替换图像融合算法，如HIS 变换法[5]、主成分分析法（3）多分辨率图像融合算法，如金字塔融合法、小波变换融合方法[14]。
2遥感影像融合方法
2.1简单图像融合方法
简单图像融合算法不对融合的各个源图像进行任何图像分解或变换，而是直接对各个源图像中对应像素点分别进行选择、平均或加权平均等简单处理，最终融合成一幅新的图像。
2.1.1加权融合方法
为了将高空间分辨率影像的空间信息传递到低空间分辨率的多光谱影像上，获取空间分辨率提高的多光谱影像，基于像元的加权融合对两幅图像，按下式进行：
(1)
权系数，可根据经验对某被融会影像，需强调的程度确定，也可运用相关系数确定融会影像的权重，以减少冗余度。
采用该方法融合的影像包含高分辨率影像的细节，空间分辨率有所提高，可用于TM和SPOT全色影像的融合，但融合后的影像与原多光谱影像的光谱特征有较大的差异。
2.1.2乘积性融合方法
Cliche提出了三种乘积性融合方法对SPOT全色影像和多光谱影像进行融合，表达式为：
(2)
(3)
(4)
式中，为全色影像，为第i波段多光谱影像。式（2）对红、绿波段同全色影像融合效果较好，而对红外波段因与全色影像相关性小，效果并不理想。式（3）会导致融合的影像反差变小。式（4）对红外波段采用加权融合，且权值大，可获得较好的视觉效果。
2.1.3比值融合方法
针对不同影像类型学者们提出了多种比值融合法，如Pradines融合法、Price融合法、Munechicka融合法和Brovey融合法等，其中Brovey融合法是最常用的一种比值融合方法。该方法假设高分辨率全色影像与低分辨率多光谱影像的光谱响应范围相同。
该方法能在增强影像的同时保持或增强原多光谱影像的光谱信息，不仅有利于地物的识别，还能在一定程度上消除太阳光照度、地形起伏、阴影和云影等的影响，可用于SPOT全色与其多光谱影像，SPOT全色与TM多光谱影像的融合[6]，但不能用于波谱范围不一致的全色影像和多光谱影像融合的问题。
2.1.4高通滤波融合方法
高通滤波融合法将高分辨率影像中的几何信息逐像素叠加到低分辨率影像中而进行融合。通过高通滤波滤掉了绝大部分的光谱信息而保留了与空间信息有关的高频成分，再把高通滤波的结果加到各光谱影像数据中，经过这种处理就可把高分辨率影像的空间信息与多光谱影像数据的光谱信息融合了，形成高频信息特征突出的融合图像。
该方法的优点是能提高多光谱影像的空间分辨率，同时保留了原始多光谱影像的光谱信息，能减小阴影的影响，并且对于参与融合的多光谱影像的波段数没有限制。融合的影像对于农作物识别与分类尤其适用。
2.2分量替换图像融合方法
分量替换融合算法将低空间分辨率多光谱影像进行某种变换，然后由高空间分辨率影像代替与其高度相关的分量，最后经逆变换获得空间分辨率增强的多光谱影像。
2.2.1彩色变换融合方法
HIS变换将图像处理常用的RGB彩色空间变换到HIS空间。HIS空间用色调H，亮度I和饱和度S表示，图像融合只在亮度通道上进行即用全色波段影像替换经HIS变换后得到的亮度分量，而图像的色调和饱和度保持不变。
通过正变换、替代和逆变换获得的融合影像既具有全色影像的高分辨率优点，又保持了多光谱影像的色调和饱和度，有利于改善判读、分类和提高制图精度等，适用于城区资源调查和视觉分析等。但是由于两类影像不可能完全相关，因此融合的影像中光谱特性的扭曲是可觉察的，且HIS方法只能同时对三个波段的多光谱影像和全色影像进行融合[5][6]。
2.2.2主分量变换融合方法
主分量变换(PCA)亦称K-L变换，是一种最小均方误差意义上的的多维(多波段)最优正交线性变换，它能够消除模式特征之间的相关性，用若干个分量图像就能完全表征原始集群的有效信息，图像中的彼此相关的数据被压缩而特征得到了突出，在影像数据压缩、特征选择和具有相关因子的多源数据进行融合时具有显著的优势。
采用主分量变换融合法不仅清晰度和空间分辨率比多光谱影像提高了，而且在保留原多光谱影像的光谱特征方面由于HIS融合法，即光谱特征扭曲度小，可增强多光谱影像的判读和量测性，且可以在多个波段上进行融合。该方法可用于融合特征互补性强的源图像，一个典型的应用就是利用PCA方法对SAR和多光谱数据进行融合[6]。
遥感影像范文第9篇
关键词：遥感；影像质量；遥感应用
中图分类号：TP79 文献标识码：A
遥感影像应用分析日益广泛，但其也存在较多的影响因素，这些因素能够对遥感分析结果的精度产生较大的影响。如：(1)遥感影像数据本身包含的误差，即影像数据质量的影响；(2)数据预处理引入的误差(如几何误差和辐射误差)；(3)数据分析过程中的误差（如量化误差、分析方法引入的误差）；(4)数据产品存储方式转换的误差（如栅格与矢量转换误差）。其中，影像数据质量作为影像应用的先天条件，往往对遥感影像的应用领域和精度水平起到决定性作用。
而在遥感影像质量分析中，分辨率是一个至关重要的概念，并表现为多重含义[1]。影像分辨率简单来说就是成像系统对影像细节分辨能力的一种度量，也是影像中目标细微程度的指标，它表示地物信息的详细程度。因此，对遥感数据质量的描述往往利用遥感影像的四种类型的分辨率来进行，包括：时间分辨率、光谱分辨率、辐射分辨率和空间分辨率。
一、时间分辨率的影响
时间分辨率（Temporal Resolution）一般指是指对同一目标的序列影像成像的时间间隔，即对同一地区进行重复观察的频率。从这一含义来讲，多时相影像分析能够提供所需的变化信息。例如，美国国家海洋大气局（NOAA）的地球静止轨道环境业务卫星（GOES）运行于地球同步轨道上，可获取高时间分辨率的影像（如：每半小时），使得气象学家可以每小时更新一次锋系和飓风的位置，并综合其他信息预测风暴的路径。
时间分辨率表达的另一含义是：主动式传感器（如：激光雷达，LIDAR）向地面发射单脉冲后，能记录的回波个数。例如，大多数LIDAR系统发射一个脉冲，并记录该脉冲的多个回波响应。测量多个回波响应之间的时差就可以确定目标的高度和地形特点。主动式传感器发射的一束能量信号所持续的时间长度成为脉冲宽度，采用短脉冲可以获得相当精确的距离测量结果。
对于常规的土地利用动态遥感监测工作而言，时间分辨率一般从属于第一层含义，即利用多时相遥感数据对土地覆盖信息进行变化检测[2]。其一般要求两个重要的时间分辨率保持不变。
第一，影像获取时间应大致在一天中的相同时刻。这样可以有效地消除太阳高度角的影响，使遥感数据中的反射特征不会因太阳高度的不同而产生太大的差异。
第二，针对监测目标内容，选择合适时令和季节的影像进行检测，并尽可能是同一地区不同年份但相同季节的遥感影像。其原因在于，不同时令季节的情况下，地面植被物候、季节性太阳高度角等存在较大差异，这些差异都会导致地物光谱特性的差异，进而对变化检测结果产生负面影响。
二、光谱分辨率的影响
光谱分辨率（Spectral Resolution）是指遥感器所能记录的电磁反射波谱中某一特定的波长范围值。波长范围越宽，则光谱分辨率越粗糙；反之越精细。
遥感影像变化检测的基本假定是：如果IFOV内的生物物理目标在两个时相间发生变化，那么该像元在两景影像中的光谱响应就会有差异。理想情况下，传感器应具有足够的光谱分辨率以记录光谱区内的反射通量，并且该光谱区间能够最好的获取物体最具描述意义的光谱特性。因此，高的光谱分辨率可以保证监测目标能够在影像上有所响应，以提供更为丰富的信息。
但光谱分辨率并不是越高越好，相反由于光谱分辨率过高，往往会造成信息的大量冗余和波段之间相关性太强，进而容易引起数据处理得不到预期的结果[3]。D.Landgrede与B.Shahshahani利用了四种分类算法，通过对训练样本数目与最终分类精度的实验，揭示了光谱分辨率对分类精度的影响[4]。实验结果图如下所示：
图1 训练样本数量、分类器与特征维数对分类精度的影响
从图3-1可以发现，使用传统的统计分析模式分类，随着波段数目增大，训练样本数量相对于特征空间维数的比例减小，分类过程中计算得到的参数估值偏差也逐渐变大，最终会导致分类精度的降低，而这对利用分类后变化检测算法有着相当大的影响。因此，遥感影像变化检测要求确定合适的光谱分辨率影像。
另一方面，遥感影像变化检测还要求选择波段基本一致的影像数据。例如，Landsat MSS的第4 波段（绿光）、第5波段（红光）和第7波段（近红外），Spot的第1波段（绿光）、第3波段（红光）和第4波段（近红外）一起使用。如果各传感器间的波段匹配得不好，变化检测的很多算法都将无法应用，效果很差。
三、辐射分辨率的影响
辐射分辨率（Radiometric Resolution）又称亮度阈值，是指在一个波段中所记录的代表地物反射电磁波的强度（表现为亮度或灰度）的所有可能的数值。在影像中表现为影像的灰度级。例如，在字节长度为8位的文件中，像元点亮度值可以分为256级，则代表地物亮度的数值可为从0～255中的某个值。辐射分辨率与影像灰度级成正比，灰度级越高，其辐射分辨率就越高。在遥感影像直观上来看，灰度级越高，影像的细节表达能力就越强。如下图所示：
(a) (b) (c)
图2 (a)经过处理的辐射分辨率为8bit、1m 空间分辨率的IKONOS图像（IKONOS图像的辐射分辨率为11bit）；(b)经处理的辐射分辨率为4bit的影像；(c)经过处理的辐射分辨率为1bit的影像
从图2可以看出，辐射分辨率的降低使得影像的细节模糊，主要体现在其空间分辨率的相应降低。因此，辐射分辨率对变化检测的影响可以从空间分辨率的角度来分析。
四、空间分辨率的影响
空间分辨率（Spatial Resolution）是指遥感器所能分辨的最小的目标大小，即影像目标的空间细节在影像中可分辨的最小尺寸。空间分辨率越高则目标和面积值越小。
空间分辨率直接影响着像元的纯度。空间分辨率高的遥感影像单位像元对应的地面范围小，纯像元出现的概率大，混合像元的数量相对较少，使得目标地物与背景的灰度反差大，区分度好。但另一方面，高分辨率也带来问题：纯像元的个数越多，噪声就相对越多，使得同一类别地物内部的光谱响应值差异越大，同一地物的识别区分难度也相应加大[12]。
如下图3所示，对一幅空间分辨率为0.69米的QuickBird影像，降低其分辨率依次为2.76米、5.52米，展示其直方图，并利用 Canny算法提取边界。
(a) (b) (c)
(d) (e) (f)
(g) (h) (i)
图3(a)为空间分辨率为0.69米的QUICKBIRD影像；（b）为经过处理的、空间分辨率为2.73米的QUICKBIRD影像；(c) 为经过处理的、空间分辨率为5.52米的QUICKBIRD影像；(d)、(e)、(f)均为其对应的影像直方图；(g)、(h)、(i)为对应的边缘提取结果图
从上述实验可以看出，利用0.69米分辨率的遥感影像提取出来的边缘结果复杂；利用5.52米的遥感影像提取出来的边缘结果有残缺。而利用2.73米分辨率的遥感影像能够较为清晰的提取出边缘结果。这个现象可以解释为：适当的分辨率图像可使具有大面积分布的连续目标地物仍构成单纯像元；同时使小面积同亮度的地物不能构成纯净像元，只能与周围地物构成混合像元，使得整个像元亮度比目标地物的低。
因此，在进行遥感应用分析时，不同分辨率的遥感影像的分析效率是不一样的，存在一个最佳的分辨率，既可以清晰地分割出人工地物，又可以滤除许多噪声。相反，如果分辨率过低会造成人工地物信息提取困难，过高则会造成噪声过多。
五、小结
综上所述，对于常规的遥感应用工作而言，时间分辨率的选取其一般要求两个重要的时间分辨率保持不变。而光谱分辨率则存在一个最佳值得选取问题，光谱分辨越高往往会造成信息的大量冗余和波段之间相关性太强，进而容易引起数据处理得不到预期的结果。辐射分辨率对遥感应用的影响可以从空间分辨率的角度来分析。空间分辨的选择也存在一个最佳的分辨率，既可以清晰地分割出人工地物，又可以滤除许多噪声。相反，如果分辨率过低会造成人工地物信息提取困难，过高则会造成噪声过多。
参考文献
[1] 杜永明，不同分辨率对遥感影像中识别人造地物的影响。遥感技术与应用，2001,16(4):214～217
[2] 2006年度土地利用动态遥感监测项目技术方案. 国土资源地籍管理司2006年
遥感影像范文第10篇
【关键词】摄影测量与遥感；遥感影像；变化检测
1.研究背景和意义
就目前来看，遥感技术无论从应用范围还是效果上都已经取得了较大的发展，尤其是对于一些大型规划类工程建筑项目来说，遥感技术通过其特有的非接触式测量功能，对土地的利用和覆盖情况有着较为准确的信息反馈。这使得其被广泛的应用于各种工程的资料和信息搜集的活动中。随着遥感技术和卫星技术的不断发展，现代遥感技术在发展过程中也面临着一系列的挑战。尤其是自动化检测分析方面，如果不能更好的配合摄影测量，将会严重的影响遥感技术的测量结果。并且随着遥感技术的应用范围越来越广泛，已经从原先的工程测量发展到农业调查、林业监测、城市管理规划等各个领域，并且开始有迹象发展到海洋和内陆水体监测、湿地监测管理、自然灾害监测以及军事侦察和打击效果评估等重大工程中，所以从应用前景上看，遥感技术也应该进一步的自我完善。
最初的遥感影像变化监测技术由于受到当时的设备和技术条件的限制，通常要在信息传输的过程中通过人工来完成翻译内容，但是这种人工翻译不仅效率较低，准确率也得不到保证，并且对于翻译人员的专业素质的要求非常之高，所以其应用效果并不理想。
2.变化检测的研究现状
目前，在国际上对于遥感技术的研究方面的共同努力下，现代遥感技术已经可以提供全球性的数据观测了，但是由于获取的数据较为驳杂，所以，要想获得所需要的专门性的工程信息，还是要通过一定的技术对所得信息进行处理，而变化监测技术就是这样一项技术。
一般来说，变化监测技术就是根据多次观测来确定某一待测物体的具体的状态，对于一些处理动态过程的物体来说，变化监测就是一个其变化发展的全过程的实时记录。而对于遥感技术来书，变化监测技术的应用不仅是指的是以上内容，还包括这样几个方面：首先，要能够帮助判断待测物体的位置是否发生了变化，即是否在监测的过程中发生了位移；其次，要能够判断待测物体的发生变化的位置区域；再次，要能够根据物体的变化的具体情形来判断物体的变化性质；最后，要能够根据物体的变化参数判断其时间和空间分布模式。
在上述功能中，前两项指的是变化检测的最基本的目标，也是其技术指标的基本要求，后两项的具体应用情况，要根据监测的物体的不同重新选择和定义。
变化检测存在的困难:
虽然变化监测的基本方式和方法已经在遥感技术的很多监测领域得到了落实和应用，但是从某种程度上看，遥感影像的变化监测的技术还并不是十分完善，还有很大的发展空间。笔者在认真的分析了其技术特点后，认为其缺陷和不足主要表现为以下几个方面，下面笔者将逐一进行简要论述：
2.1理论上的欠缺
所谓理论上的欠缺，就是指遥感影像变化检测技术从目前来看，还没有一个强有力的技术理论体系，其众多支撑技术也相对的不够完善。建立在这种理论和技术基础上的遥感影像技术难免在应用的过程中，会产生各种各样的缺点，理论的进一步完善是技术发展的重要前提条件之一。
2.2变化检测方法自身的不足
所谓变化监测方法的不足，就是指在具体的操作过程中，对该技术的应用存在缺陷，一般来说，在使用该技术对待监测的物体进行位置判断的过程中，通常会出现两时相影像分类错误的状况，这种现象不仅严重的影响了监测结果的精度，也给变化闽值的确定带来了困难。同时，这种方式在具体的操作过程中，其监测结果业容易受到各方面的因素的影响，尤其是具体的操作员的技术。
与此同时，一旦在测量的过程中出现常多光谱遥感影像的测量需求，就目前的变化检测的方式来看，并不能很好的处理多个影响之间的位置和顺序关系，严重的制约了测量结果的准确性。
2.3对数据质量要求严格
绝大多数变化检测方法对数据的统计分布要求比较严格，方法实施的时候需要事先知道数据的统计分布模型 如高斯分布等。同时，大多数变化检测方法对输入影像之间的辐射度差别、噪声等因素的影响比较敏感，对数据预处理的要求较高。
2.4适用数据源有限
传统变化检测方法通常要求不同时相的两幅影像来自同一传感器，而对于来自于不同传感器的影像，如一个时相为MSS，另一时相来自TM或者SPOT，除了分类后比较法以外就基本上无能为力了。同时，现有的方法绝大多数都是针对光学遥感影像设计的，直接应用于诸如雷达影像等新型传感器获取的遥感数据通常比较困难。
针对上述问题，本文力图在总结归纳现有变化检测方法的基础上，针对中分辨率星载多光谱遥感影像变化检测的特点和要求，引入一些新的数学模型和分析方法，重点解决时相间变化信息 自动高效提取的问题，在一定程度上克服现有方法存在的缺陷，力求提高变化检测的精度和效率。
3.变化检测研究内容
变化检测的理论和技术方法主要由数据选取和预处理、变化检测、检测结果精度评估三大部分组成。数据选取和预处理包括了遥感影像及辅助数据的选择获取，多时相影像数据的几何配准和辐射校正等，变化检测就是选用行之有效的方法手段从影像中提取变化信息，检测结果精度评估是指采用定量指标评价变化检测结果的精度水平。如前所述，变化检测方法可归结为分类后 比较和直接比较像元光谱两大类，其中后者是目前实际应用中常用的方法和技术路线。
3.1从多时相多光谱遥感影像构造差异影像
多时相多光谱遥感影像包含多个光谱通道，通道数太多对于变化分析解译会带来较大的困难，同时各通道上均包含了部分变化信息，这些信息之间存在着一定程度的相关和冗余，也会影响到变化分析的效率。要全面地检测不同时相之间发生的变化，就必须首先将这些变化信息通过变换有效地集中到少数几个变量中，构造出不同时相之间的差异影像。
针对光谱通道间的相关性对多光谱遥感影像变化检测存在影响的问题，引入多元统计中的典型相关分析方法，应用基于典型相关分析的多元变化检测方法（MAD），实现最大限度地消除各光谱通道之间的相关性，以便有效地集中和突出不同时相之间的差异信息。
3.2从差异影像中提取变化区域
对于变化检测而言，仅仅构造出两时相之间的差异影像是不够的，还需要从差异影像中将发生了变化的区域鉴别提取出来。传统方法是根据经验，通过人工或半 自动地选定变化闽值来提取变化区域的，这样做通常效率不高，可靠性也难以保证，因此急需寻求能够自动确定变化闽值的方法。变化区域提取方法在应用于光学影像变化检测时，利用了差异影像中各类像元服从高斯密度分布这一基本假设。
由于对多时相的单通道SAR影像采用比值对数拉伸所构造的差异影像中的各类像元也近似服从高斯分布，这些方法同样可以应用到了SAR影像变化检测研究中，其变化检测也是适用和有效的。
4.结论
综上所述，随着遥感技术已经越来越广泛的被应用于工程测量和生产建设的各个领域中，遥感技术中的各种具体技术的控制也引起了有关部门的重视。上文中笔者结合自己的工作经验，对该问题进行了浅析，诸多不足，还望批评指正。 [科]
【参考文献】