遥感影像

遥感影像（精选8篇）

遥感影像 篇1

遥感影像分类方法研究进展

摘要：遥感影像分类是遥感信息提取的重要手段,是目前遥感技术中的热点研究内容.分类方法是遥感影像分类的重要内容,有效地选择合适的分类方法是提高分类精度的关键.随着遥感技术的发展,传统的非参数分类方法已经难以满足分类精度需求,基于智能算法的非参数分类方法得到了迅速发展,并在遥感影像分类中发挥着重要作用.近年来,组合分类器由于能够利用单一分类器的互补信息,成为了遥感影像分类的.一个新热点.本文综合分析了各种分类方法的特点和优势,及分类方法的发展趋势,为遥感影像分类技术的发展提供科学的参考依据. 作者： 贾坤[1]李强子[2]田亦陈[2]吴炳方[2] Author： JIA Kun[1]LI Qiang-zi[2]TIAN Yi-chen[2]WU Bing-fang[2] 作者单位： 中国科学院遥感应用研究所,北京100101;中国科学院研究生院,北京100049中国科学院遥感应用研究所,北京,100101 期 刊： 光谱学与光谱分析 ISTICEISCIPKU Journal： Spectroscopy and Spectral Analysis 年，卷(期)： ,31(10) 分类号： S127 关键词： 遥感 分类 分类器 机标分类号： TP7 P20 机标关键词： 遥感影像分类分类方法研究进展Remote SensingMethods of遥感技术分类精度影像分类技术遥感信息提取组合分类器非参数特点和优势综合分析智能算法研究内容新热点互补信息发展趋势参考依据需求 基金项目： 中国科学院知识创新工程重大项目，国家自然科学基金，国家高技术研究发展(863计划)项目 遥感影像分类方法研究进展[期刊论文]光谱学与光谱分析 --2011,31(10)贾坤李强子田亦陈吴炳方遥感影像分类是遥感信息提取的重要手段,是目前遥感技术中的热点研究内容.分类方法是遥感影像分类的重要内容,有效地选择合适的分类方法是提高分类精度的关键.随着遥感技术的发展,传统的非参数分类方法已经难以满足分类...

遥感影像 篇2

随着遥感技术的提高,卫星能够获多时相、多波段、多源传感器、多平台、空间分辨率的不断提高,使遥感影像分类技术更为突出,取代了传统分类方法,成为测量与地球空间信息科学技术。以云南省富民县TM数据为例,利用ENVI遥感影像处理软件,监督分类研究。

2 遥感影像分类原理

光学遥感分类根据地物表现的光谱特征,电磁波辐射的多波段测量值确定。即“同物同谱”的特征,同类地物表现出相同的光谱物征,利用不同地物表现不同的光谱物征来分区分地物信息。在特殊情况下,将不同的多波段信息进行组合处理,以更好反应地物信息光谱特征如比值运算法等。

3 遥感图像计算机分类

光学遥感影像图计算机分类根据像素相似程度,其中包括相像素的相似或相近的程度。利用计算机统计各类地物的光谱和空间信息进行分析,遥感影像的计算机分类方法分为监督分类和非监督分类[1]。分类流程如图1所示。

3.1 非监督分类方法

非监督分类法:不需要有先验类别(训练场地)作为样本的条件下,根据像元间相似度的大小进行归类合并提取具有相同特征,将相似度大的像元归为一类的方法。把像素按照相似性归成若干类别也可称为聚类分析或点群分类法。在光谱特征中有着“同物同谱”的特性,少数特殊情况下存在“同物异谱”。常见的分类方法是ISODAT、K-mean。ISODATA(Iterative Orgnizing Data Analysize Technique)是一种典型的非监督分类方法,按照一定原则选择初始聚类中心,计算像素中心距离,像素分配到最近的类别中,待分像元在特征空间中的距离说明互相之间的相似度,距离越近,相似性程度越大;将像元进行迭代聚合计算并重复组合数据分析。分类流程,如图2所示。

3.2 监督分类方法

在研究区范围选择具有代表性的训练场地作为样本的分类方法,依据训练区样本特征参数建立判别函数,分类前可以查询一些资料,依照样本像元进行分类认别非样本像元归属类别。对于训练场的选择有一定的要求,训练场的样本在种类上与待分类别一致,训练场在各类目标地物中心选取要具有代表性,样本间比较。其中分类器包括:最大似然,最小距离、马氏距离、神经网络、支持向量机(VMS)等,如图3所示。

3.3 监督分类和非监督分类方法比较

监督分类和非监督分类两者的区别于是否需要建立训练场类别知识,监督分类是根据训练场提供的样本选择特征参数如纹理特征,利用多光谱和全色融合而成,色彩丰富,纹理清晰,建立判别函数,对需要分类点进行分类。训练场的选择是监督分类的关键,所选择的训练场要具有代表性,从光谱的特征上区分。

然而,非监督分类而言不需要先验知识,只需要根据地物的光谱统计特征进行分类处理,结构简单,分类方法单一,并且有一定的精度,同谱异物的情况较少,对分类有一定的可用性。

4 ENVI软件监督分类

4.1 研究区数据提起

(1)在ArcGIS软件下,基于行政区数据提取研究区域范围的矢量图(罗免.shp),并将数据进行导出(export date)保存,如图4所示。

4.2 裁剪研究区范围的影像(启动ENVI软件)

打开图像:通过File———Open Image打开富民县TM;打开矢量数据:通过File———Open Vector;将矢量数据转为ROI:选择需要裁减的栅格数据,再在Export EVF Layers to ROI中选择Convert all records of an EVF layer to one ROI,点击OK。

4.3 实现研究区土地覆盖分类

采用最大似然法,按照农地、建筑用地、水域、针叶林、阔叶林、裸地6个类别的分类系统,对裁剪出的实验区影像进行分类。

依据二类调查的小班数据(依据class字段)进行勾画。对二类调查的小班数据合并成以上6个类别:农地、建筑用地、水域、针叶林、疏林地、阔叶林、裸地。

4.3.1 定义训练样本

打开TM图像,Band 5、4、3合成RGB显示在Display中。在显示的RGB图像中是模拟真彩色,色彩饱和,目视可以解译出来。通过分析图像,定义6类地物样本。

4.3.2 创建感兴趣区

在主图像窗口中,选择overlay下选择Region of Interest打开ROI TOOL工具,点New Region创建。

4.3.3 采用最大似然分类(maximum likelihood)

依据ROI样本,采用最大似然的分类方法,对影像做监督分类。在Classfication菜单下Supervised选择maximum likelihood(图5)。

4.3.4 分类后处理

分类结果中,不可避免会产生一些面积很小的图斑,需要对这些小图斑进行处理。在主菜单Classification->Post Classification中,选择Majority/Minority工具将小图斑合,如图6所示。

4.3.5 结果验证

精度验证的方法有:混淆矩阵和ROC曲线法。文中选用混淆矩阵法,将前面提取出来的小班数据转换成ROI感兴趣区,作为地表真实兴趣区,用来检验分类结果的精度。

在ENVI下打开前面用于分类的影像数据和提取出的小班数据。在Available Vectors List下选择File->Export Layers to ROI。在弹出的对话框中选择影像数据OK,然后选择Covert each record of an EVF layer to a new ROI。将小班转化成ROI兴趣区。采用混淆矩阵法检验,在混淆矩阵输出窗口的Output Confusion Matrix中,选择像素(pixels)和百分比(Percent)验证结果如图7所示。

4.4 专题图制作

在ARCGIS下启动ARC TOOL BOX工具对罗免乡图提起选择输入图片,输入矢量图片、输出路径。在layout view下插入标题、指北针、比例尺、图例等。打开file菜单下export map导出地图保存为jpg格式,如图8所示。

5 结语

监督分类后和非监督分类方法各有其优缺点,当光谱特征和地类物对应的光谱特征类差异很小时,非监督分类实无法有效地区分大多地物,存在同物异谱及异物同谱现象。监督分类法需要一定的先验知识来定义训练场样本,需要不断修改检验样本达到一定的分类结果,弥补了非监督分类中的一些不足,如同物异物等光谱特征,从而纠正提高了分类精度。

参考文献

[1]孙家柄,舒宁,关泽群.遥感原理与方法与应用[M].北京:测绘出版社,1997:324~333.

[2]查勇,倪绍祥,杨山.一种利用TM图像自动提取城镇用地信息的有效方法[J].遥感学报,2003,7(1):38~39.

[3]陈姝,居为民.遥感图像分类方法及研究进展[J].河北农业科学,2009,13(1):143~146

[4]王碧辉,吴运超,黄晓春.基于高分辨率遥感影像的城市用地分类研究[J].遥感信息,2011,27(4):111~45.

[5]王一达,沈熙玲,谢炯.遥感图像分类方法综述遥感信息[J].遥感信息,2006(5).

[6]赵春霞,钱乐祥.遥感影像监督分类与非监督分类的比较[J].河南大学学报,2004(9).

浅析卫星遥感影像处理技术 篇3

关键词：卫星遥感 影像处理 纠正 融合

中图分类号：TP751 文献标识码：A 文章编号：1672-3791（2014）11（b）-0037-01

遥感即遥远的感知，卫星遥感技术指的是研究利用星载的各种不同类型的非接触传感器，获取模拟的或数字的影像，然后通过解析和数字化方式提取所需要的信息，在空间信息系统中数字地加以存储、管理、分析和表达，再通过可视化和符号化技术形成所需要的产品供各领域应用，具有周期短、覆盖范围大、费用低等特点。我国最近发射了一系列如高分二号、天绘一号、资源三号等高分辨卫星。该文从卫星遥感影像纠正、融合、镶嵌裁切等多方面的处理技术进行研究和探讨。

1 卫星遥感影像处理技术流程

卫星遥感影像分为全色和多光谱两种数据，全色影像即常说的黑白影像，多光谱影像即常说的彩色影像，一般三个波段以上不等。目前大多数遥感卫星都有全色和多光谱数据，可采用两种处理流程：一是全色与多光谱数据配准精度高者，先融合再纠正；二是全色与多光谱数据配准精度差者，先纠正全色数据，然后多光谱数据与全色进行配准，再进行融合处理。最后对融合后的影像进行影像镶嵌、调色和成果裁切。

2 卫星遥感影像处理

2.1 卫星遥感影像纠正处理

为了降低对用户专业水平的需求，扩大用户范围，同时保护卫星的核心技术参数不被泄漏，绝大部分卫星数据向用户提供一种与传感器无关的通用型成像几何模型—有理函数（RPC）模型，替代以共线条件为基础的严格几何模型。RPC模型的建立采用“独立于地形”的方式，即首先利用星载GPS测定的卫星轨道参数及恒星相机、惯性测量单元测定的姿态参数建立严格几何模型；之后，利用严格模型生成大量均匀分布的虚拟地面控制点，再利用这些控制点计算RPC模型参数，其实质是利用RPC模型拟合严格几何成像模型。

RPC模型纠正具有多个特点，它对任何卫星类型的遥感影像数据都是有效的，处理时需要高精度的DEM，采用复杂的多项式进行拟合，一般2～3阶，需要的控制点较多。

纠正控制资料一般有外业控制点、DOM、DLG或者DRG数据，纠正前一定要明确控制资料的坐标系统，通过RPC参数与控制资料的相关投影关系，可实现控制点的快速准确定位，中误差需控制在2～3个像素以内，若较大，则需调整，具体根据参考资料及地形差异确定。若为全色与多光谱配准精度，则控制在0.5～1个像素内为宜，才能保证融合后影像不会有重影、模糊的现象，重采样方法一般选择双立方或者三次卷积，避免和减少线性地物锯齿现象的发生。

卫星遥感影像纠正质量把关严不严，关系到后续工作处理和成果的精度，最后才发现纠正有问题的话再去返工处理、极大降低效率，一定要对纠正质量进行严格检查。纠正质量检查主要从以下几个方面去检查，一是控制点定位是否准确，分布是否均匀；二是纠正控制点单点最大误差是否超限；三是纠正控制点残差中误差是否超限；四是纠正影像精度是否超限。

2.2 卫星遥感影像融合处理

遥感影像融合是将同一环境或对象的遥感影像数据综合处理的方法和工具，产生比单一影像更精确、更完全、更可靠的估计和判决，以提供满足某种应用的高质量信息，作用主要有：（1）锐化影像、提高空间分辨率；（2）克服目标提取与识别中数据不完整性，提高解译能力；（3）提高光谱分辨率，用于改善分类精度；（4）利用光学、热红外和微波等成像传感器的互补性，提高监测能力。

遥感影像融合一般可分为：像素级、特征级和决策级融合。像素级融合是指将配准后的影像对像素点直接进行融合。优点是保留了尽可能多的信息，具有较高精度。缺点是处理信息量大、费时、实时性差。由于像素级融合是基于最原始的图像数据，能更多地保留图像原有的真实感，提供其它融合层次所不能提供的细微信息，因而应用广泛，推荐使用Pansharping融合算法，它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實际。

对于缺失蓝波段的卫星遥感影像来说，一般可用近红外波段来替代蓝波段，同时对绿波段进行处理。通过RGB={B2，（B1 +B2 +B3）/3，B3}的方式进行假彩色合成，可合成接近自然的颜色。

对于四波段并具有RGB的影像，由于秋冬季节、制图需要或植被识别等需对绿色进行增强，而简单的通过RGB颜色不能满足需求的时候，因近红外对绿色等植被反应灵敏，可在绿波段加入近红外波段，RGB={B3，（B2*x+B4*y），B1；x（0～1），y（0～1），X，Y则根据影像成像时间或需要进行调节}，从而达到增强绿色的目的。

对遥感影像融合质量检查的内容主要有：一是融合影像是否有重影、模糊等现象；二是融合影像是否色调均匀、反差适中；三是融合影像纹理是否清楚；四是波段组合后图像色彩是否接近自然真彩色或所需要的色彩。

2.3 卫星遥感影像镶嵌和裁切

卫星遥感影像镶嵌是把不同景纠正融合后的成果合并，镶嵌前要保证镶嵌前各景影像接边精度符合要求，一般两个像素以内，镶嵌线应尽量沿线状地物、地块边界，空旷处及山谷地带选取，避免切割完整的地物，并尽量舍弃云雾及其它质量相对较差区域的影像，镶嵌线羽化时，需保证镶嵌处无裂缝、模糊、重影现象，镶嵌影像整体纹理、色彩自然过渡、色调均一，镶嵌调色完成后按裁切范围将成果进行输出。

3 结语

目前卫星遥感技术向着更高时间分辨率、空间分辨率、光谱分辨率的“三高”发展，并可实现多角度、全天候的观测，广泛应用于资源调查、环境保护、灾害监测、重大工程等许多领域，随着应用深入将进一步推动卫星遥感处理技术的发展。

参考文献

[1]张力.航空数字摄影测量传感器系统新进展[J].地理信息世界，2009，67（3）：37-49.

遥感影像 篇4

基于遥感影像研究宁波地区断裂活动性

利用遥感影像多分辨率、多光谱以及多传感器相结合的方法,对浙江宁波地区约1 900km2范围的断裂活动性进行分析判读.根据断裂的影像特征,将所判读的`断裂分为晚更新世活动,早、中更新世活动及第四纪活动不明显3类,同时对主要断裂的活动性进行了详细分析.宁波地区主要发育NNE向、NE向和NW向三组活动构造.其中NNE向育王山山前断裂,在TM、MSS和SPOT影像上都表现出清晰的断层形迹,切过三处冲积洪积扇,晚更新世有活动.走向20°的老鹰山与走向55°的清凉山截然相接显示的线性影像反映出NE向算山-曹隘断裂的形迹,断裂向宁波盆地延伸,为宁波盆地规模最大的隐伏断裂.多时相MSS影像上,显示出NW向新乐-宝幢和宁波-莫枝活动断层的形迹,它是深部构造活动在地表的反映,与走向45°的算山-曹隘断裂,可能是一组地壳破裂网络.

作 者：陈国浒 单新建 李建华 CHEN Guo-hu SHAN Xin-jian LI Jian-hua 作者单位：中国地震局地质研究所地震动力学国家重点实验室,北京,100029刊 名：地震 ISTIC PKU英文刊名：EARTHQUAKE年，卷(期)：200727(2)分类号：P315.2关键词：遥感影像 多分辨率 多光谱 活动断裂

遥感影像 篇5

基于高分辨率遥感影像的农村聚落信息的提取

传统的房屋提取方法一般基于像素的提取,无法利用影像的空间信息.本文提出了一种面向对象的卫星影像房屋提取方法.利用影像对象的光谱特征、几何特征和空间关系建立知识库.利用知识库中的则来提取影像中的`房屋.

作 者：罗震 杨存建 李小文 LUO Zhen YANG Cunjian Li Xiaowen  作者单位：电子科技大学地表空间信息技术研究所,四川成都,610054 刊 名：地理空间信息 英文刊名：GEOSPATIAL INFORMATION 年，卷(期)：2009 7(2) 分类号：P237.9 关键词：遥感   面向对象   聚落提取   影像分割   eCognition   VC  

遥感影像 篇6

通过经小波压缩降噪后的`遥感影像,结合BP神经网络进行遥感影像模式识别,与未经小波变换的BP神经网络进行遥感影像模式识别结果对比,总结出影像经小波变换后对于提高神经网络识别效率有很好效果.

作 者：王翔 曾建潮  作者单位：太原科技大学计算机学院,山西,太原,030024 刊 名：华北国土资源 英文刊名：HUABEI LAND AND RESOURCES 年，卷(期)：2009 “”(1) 分类号：P27 关键词：小波变换   BP神经网络   遥感  

★ SIFT特征算子在低空遥感影像全自动匹配中的应用

★ 卫星遥感影像目视解译在森林资源调查中的应用分析

★ 探讨循环经济发展预警模型体系及其应用论文

★ 湖州市生态资产遥感测量及其在社会经济中的应用

★ 水文网络模型在分布式流域水文模拟中的应用

★ 影像学临床实践在医学影像学教学中的价值

★ Gash模型在热带季节雨林林冠截留研究中的应用

★ 一种在线神经网络在补偿飞机模型不确定性误差中的应用

★ 遥感图像在师范地理教学中的应用论文

农业遥感影像目视解译技术要点 篇7

1 目视解译的基本程序

目视解译是许多遥感应用项目的先遣工作, 是遥感应用的基础。目视解译的顺序是:从已知到未知, 先易后难, 先山区后平原, 先整体后局部, 先宏观后微观。主要方法有直判法、对比法、邻比法、动态对比法、逻辑推理法等。目视解译的基本程序如下

1.1解译准备

首先要熟悉获取影像的平台、遥感器、成像方式、成像日期、季节, 所包括的地区范围, 影像的比例尺, 空间分辨率, 彩色合成方案等, 了解可解译的程度, 然后分析已知专业资料。目视解译的最基本方法是从“已知”到“未知”, 所谓“已知”就是已有相关资料或者解译者已掌握的地面实况。将这些地面实况资料与影像对应分析, 以确认二者之间的关系。根据所掌握的材料和熟悉的情况制定出工作计划。

1.2 建立解译标志

通过图像资料的对比分析、与实地的对比验证, 建立各种地物在不同遥感图像上的解译标志。具体根据影像特征, 即形状、大小、阴影、色调、颜色、纹理、图案、位置和布局建立起影像和实地目标物之间的对应关系。运用相关分析方法, 根据解译标志对影像进行解译, 选定典型的样片, 供解译时借鉴。

1.3 地面实况调查

在室内预备解译的图件不可避免地存在错误或者难以确定的类型, 就需要野外实地调查与验证。将解译草图带到现场, 进行抽样调查, 采集标本、样品, 补充修改解译标志, 验证各类物体的界线, 核实疑点, 修改和完善解译草图。根据野外实地调查结果, 修正预解译图中的错误, 确定未知类型, 细化预解译图, 形成正式的解译原图。

1.4 类型转绘与制图

将解译原图上的类型界线转绘到地理底图上, 根据需要, 可以对各种类型着色, 进行图面整饰, 形成正式的专题地图。将遥感影像目视判读成果转绘成专题图, 可以采用两种方法, 一种是手工转绘成图, 另一种是在精确几何基础的地理地图上采用转绘仪进行转绘成图。完成专题图的转绘后, 再绘制专题图的图框、图例和比例尺等, 对专题图进行整饰加工, 形成可供出版的专题图。

2 遥感目视解译技术要点

2.1 影像目视解译标志的建立

解译标志又称为判读要素, 它是遥感图像上能直接反映和判别地物信息的影像特征, 包括形状、大小、阴影、色调、颜色、纹理、图案、位置和布局。解译者通过其中某些标志能直接在图像上识别地物或现象的性质、类型和状况;或者通过已识别出的地物或现象, 进行相互关系的推理分析, 进一步弄清楚其它不易在遥感影像上直接解译的目标。解译标志的建立一方面靠多年的解译经验, 另一方面还要靠实际的样方验证。在样方布设中, 要选取一些有代表的地方, 范围要适中, 以便反映该类地貌的典型特征, 尽可能多地包含该类地貌中的各种基础地理信息要素类且影像质量好, 同时要使样方之间保持一定的距离, 作物的种类也不能过于单一。

2.2 色调和颜色解译

色调是指影像上黑白深浅的程度, 是地物电磁辐射能量大小或地物波谱特征的综合反映。色调用灰阶 (灰度) 表示, 同一地物在不同波段的图像上会有很大差别;同一波段的影像上, 由于成像时间和季节的差异, 即使同一地区同一地物的色调也会因成分的不同而不同。例如, 排水性良好、干燥的、有机质成分低的土壤, 中酸性岩浆岩、松散堆积物、大理岩、石英岩等一般具有浅色调;潮湿的、有机质成分高的土壤, 煤层, 基性、超基性岩浆具有较深色调。颜色是指彩色图像上色别和色阶, 如同黑白影像上的色调, 它也是地物电磁辐射能量大小的综合反映, 用彩色摄影方法获得真彩色影像, 地物颜色与天然彩色一致;用光学合成方法获得的假彩色影像, 根据需要可以突出某些地物, 更便于识别特定目标。中国东北地区陆地卫星TM假彩色数据土地资源信息提取标志中, 水田影像深绿色、浅蓝色 (春) 、粉红色 (夏) 、绿色与橙色相间 (收割后) ;旱田影像色调多样, 浅灰色或浅黄色 (春) 、褐色 (收割后) 、红色或浅红色 (夏) ;有林地影像深红色、暗红色, 色调均匀;灌木林地影像浅红色, 色调均匀;河流影像深蓝、蓝、浅蓝色;城镇用地影像青灰色, 杂有白色或杂色栅格状斑点。

2.3 纹理解译

一般很小的物体, 在图像上是很难个别地详细表达的, 但是一群很小的物体可以给图像上的影像色调造成有规律的重复, 即影像的纹理特征。影像的纹理也叫影像结构, 是指与色调配合看上去平滑或粗糙的纹理的粗细程度, 即图像上目标物表面的质感。草原看上去平滑;长大的老树林看上去很粗糙;中国东北地区陆地卫星TM假彩色数据土地资源信息提取标志中水田影像纹理较均一;有林地有绒状纹理;灌木林影像结构较粗糙;沼泽地影像结构细腻。

2.4 大小和形状解译

大小是指地物在像片上的尺寸, 如长、宽、面积、体积等。地物的大小特征主要取决于影像比例尺。有了影像的比例尺, 就能够建立物体和影像的大小联系。形状是指地物外部轮廓的形状在影像上的反映。不同类型的地面目标有其特定的形状, 因此地物影像的形状是目标识别的重要依据。在遥感影像上能看到的是目标物的顶部或平面形状。例如飞机场、盐田、工厂等都可以通过其形状判读出其功能地物在影像上的形状受空间分辨率、比例尺、投影性质等的影响。如中国东北地区陆地卫星TM假彩色数据土地资源信息提取标志中水田几何特征较为明显, 田块呈条带状分布;主要分布在丘陵缓坡地带的旱田几何特征不规则, 田块界线不清楚, 但易于与别的地类相区别;主要分布在平原及山区沟谷的河流几何特征明显, 自然弯曲或局部明显平直, 边界明显;主要分布于平原、沿海及山间谷地城镇用地几何形状特征明显, 边界清晰;主要分布于湖积平原及西部风沙区的沙地, 逐渐过渡, 边界不清晰。

3 解译速度和精度的提高

在遥感解译过程中, 既要注意解译的速度, 也要注意解译的精度。为了提高解译速度, 应该借助于计算机自动分类, 但是由于大量同谱异物和同物异谱的存在, 不能完全依赖于计算机自动分类, 在实际工作中应当将自动分类、人机交互解译、外业调绘有机结合起来, 最好能建立遥感信息解译模型。下面就介绍一下如何提高解译的速度和精度。

3.1 高光谱遥感数据最佳波段的选择

根据自己对具体影像解译的要求进行波段的选择, 以提高解译的速度和精度。若要获得丰富的地质信息和地表环境信息, 可以选择TM (7、4、1) 波段的组合, TM (7、4、1) 波段组合后的影像清晰度高, 干扰信息少, 地质可解译程度高, 各种构造形迹 (褶皱及断裂) 显示清楚;若要获得监测火灾前后变化分析的影像, 可以选择TM (7、4、3) 波段的组合, 它们组合后的影像接近自然彩色, 所以可通过TM (7、43) 彩色合成图的分析来掌握林火蔓延与控制及灾后林木的恢复状况;若要获得砂石矿遥感调查情况, 可以选择TM (5、4、1) 波段组合;用TM影像编制洲地芦苇资源图时, 宜用TM (3、4、5) 波段组合的影像, 分辨率最高, 信息最丰富;用MSS图像编制土地利用地图, 通常采用MSS (4、5、7) 波段的合成影像;若要再区分林、灌、草, 则需要选用MSS (5、6、7) 波段的组合影像。

3.2 遥感影像时相的选择

遥感影像的成像季节直接影响专题内容的解译质量。对其时相的选择, 既要根据地物本身的属性特征, 又要考虑同一地物不同地域间的差异。例如解译农作物的种植面积最好选在8、9月份, 因为这时作物成熟了, 但还没有收割, 方便各种作物的区别;解译海滨地区的芦苇地及其面积宜用5、6月份的影像;解译黄淮海地区盐碱土分布图宜用3、4月份的影像。

3.3 高分辨率影像的选择

分辨率的选择要符合自己的实际需要, 分辨率高对解译速度和精度都有很大帮助。随着科技的不断发展, 已经有了15~30m分辨率的ETM/TM影像、2.5~5.0m分辨率的SPORT影像、2m分辨率的福卫二号、1m分辨率的ORBVIEW-3/IKONOS0.6m分辨率的QUICK BIRD等。法国SPOT-5卫星影像分辨率可达到2.5m, 并可获得立体像对, 进行立体观测。SPOT-5卫星上的主要遥感设备是2台高分辨率几何成像仪 (HRVIR) , 其工作谱段有4个, 主要任务是监测自然资源分布, 特别是监测农业、林业和矿产资源, 观测植被生长状态与农田含水量等项, 对农作物进行估产, 了解城市建设与城市土地利用状况等。卫星遥感传感器和遥感数据处理技术发展很快, 一些传感器的立体观测, 各类遥感数据分辨率的提高, 为遥感影像解译标志和遥感影像信息模型的开发、研究提供了有利条件, 为快速和精确地进行解译提供了便利。

3.4 遥感信息解译模型的建立

利用计算机建立较为完善的遥感信息解译模型, 实现计算机对遥感数据的自动处理并解译和提取基础地理信息数据, 从而大大提高遥感数据的提取和判读技术, 增加数据采集的客观性, 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, 缩短数据采集周期, 减少工作量, 提高工作效率。

摘要：介绍了遥感影像目视解译的基本程序, 从建立解译标志、色调和颜色解译、纹理解译、大小和形状解译4个方面介绍了常见遥感影像目视解译过程中的技术要点, 同时探讨分析了如何提高解译速度和解译精度, 包括高光谱遥感数据最佳波段的选择、遥感影像时相的选择和高分辨率影像的选择等。

关键词：遥感影像,目视解译,技术要点

参考文献

[1]李德仁.摄影测量与遥感的现状及发展趋势[J].武汉测绘科技大学学报, 2000 (4) :1-5.

[2]濮静娟.遥感图像目视解译原理与方法[M].北京:中国科学技术出版社, 1992.

高分辨率遥感影像分割方法综述 篇8

关键词：影像分割；面向对象；高空间分辨率

1. 引言

高分辨率遥感影像包括高空间分辨率、高时间分辨率和高光谱分辨率。其中，高空间分辨率影像能够为我们提供丰富的地物形状、纹理等信息，因此对于提升地物识别的精度有很大帮助，如今，多颗卫星都可以有偿提供空间分辨率高达米級和亚米级的遥感影像数据，本文的高分辨率遥感影像主要是指高空间分辨率的遥感影像。

近年来，面向对象的遥感影像分析和处理方法得到广泛应用，这种方法与传统的基于像元的分析方法不同，它是将若干像元按照一定的规则合并为“对象”，再对对象进行分类的方法。显然，如何合理地把像元合并为对象，是面向对象方法成败的关键。把像元合并为对象这一过程，在遥感中，称为影像分割。影像分割是指将影像分割为若干对象区域，每个对象区域内的像元之间具有较好的相似性，同时保证对象区域之间有较大的异质性。这种相似性通常是指灰度、色彩、形状和纹理等特征。在计算机视觉领域，已经产生了很多种图像分割算法，但是这些算法往往难以直接应用到遥感影像上，这是因为遥感影像的成像方式具有特殊性。对于高分辨率遥感影像而言，其空间分辨率高、纹理信息非常丰富，但是其光谱信息相对不足，再加上遥感影像的分析通常要从不同的尺度着手，因此如何更好地对高分辨率遥感影像进行分割是亟待解决的问题。本文主要总结了适合高分辨率遥感影像的分割方法，并在此基础上提出了未来的热点和发展趋势。

2. 高分辨率遥感影像分割方法

遥感影像的分割方法大体上可以分为两类：自上而下型和自下而上型。自上而下型又称为知识驱动型，是根据知识规则和先验模型来直接指导分割过程。自下而上型又称为数据驱动型，是根据影像数据自身的特征直接对影像进行分割，通常所说的遥感影像分割多属于这一类型。

然而，更多学者倾向于从分割原理入手对分割算法进行分类。按照分割原理来分，可将遥感影像分割方法分为四类：一是传统的基于像元的分割方法，包括阈值法、最近邻法、聚类法等；二是基于边缘检测的分割方法，包括Canny算子，Sobel算子等；三是基于对象或区域的分割方法，包括像元合并等；四是基于物理模型的分割方法，这类方法由于原理复杂，通常较少采用。除此之外，在这些方法的基础上，又衍生出一些新的数学方法，也获得了广泛的应用。由于遥感影像通常是多波段的灰度图像，因此灰度图像分割方法扩展到彩色空间即可应用于遥感影像[1]。

2.1 基于像元的分割方法

阈值法是最简单的图像分割算法，一般单波段影像是由不同灰度级的像元所组成的，这一点可以从图像的直方图上明确看出，不同的灰度级都有对应的像元数量，选择合理的阈值就可以将图像分割为若干对象区域[2]。这种方法原理简单，不需要先验知识，设计容易且速度快，特别是当影像上感兴趣目标所在区域的灰度值与周围相差很大时，能有效地执行分割。但是当影像中像元间的灰度差异较小，或者灰度范围重叠较大时，这种方法的结果往往不够理想。根本原因，就是阈值法只考虑了像元灰度这一单一属性，忽略了其他诸多信息，所以这种方法在对高分辨率遥感影像进行分割时，难以扩展到多波段彩色空间，因此较少被采用[3]。

2.2 基于边缘检测的分割方法

基于边缘检测的分割方法通常是寻找影像中灰度值突变的地方来确定局部区域的边缘。这种突变可以通过对影像灰度变化求导来检测到边缘位置，例如一阶导数的峰值点和二阶导数的零点位置。常用的一阶算子有Roberts， Prewitts， Sobel算子等，二阶算子有Laplacian，Canny等。由于这些算子对噪声异常敏感，因此在对图像进行边缘检测前要先进行影像滤波，但实际上滤波会在一定程度上降低边缘检测的精度。边缘检测法的另一个难点是在于生成一个封闭边界，特别是在边界模糊或者边界过多时，很难获得一个理想的闭合边界。

2.3 基于区域的分割方法

基于区域的分割方法主要是依据像素之间的相似性来形成局部区域，从而获取分割结果。这类方法按照分割方向可分为两类，一类是区域生长，另一类是区域分裂（与合并）。区域生长是从影像中选取若干像元作为种子，然后从这些种子出发，选取适当的相似性度量，来对种子邻域的像元进行判断，将相似的邻域像元与对应种子连接，如此重复，直到所有像元被归并到相应的种子区域中。而区域分裂是从整幅影像出发，将同质性较差、异质性较强的区域分裂开，形成子区域，然后继续对子区域进行区域分裂，如此重复，直至所有子区域都被视为满足条件的同质区域，则分裂停止，在分裂的基础上，也可以结合区域合并共同应用。基于区域的方法对噪声不敏感，而且容易扩展到多波段的遥感影像上，因此，这类方法在遥感中常常被采用。

该类方法随着德国Definiens Imaging公司商业化遥感影像处理软件易康（eCognition）的诞生，而引起了广泛的关注。易康软件中基于面向对象的思想提出了一种分形网络演化算法（FNEA），结合模糊分类的理论，通过多参数的调节来不断的优化多尺度分割的结果，是目前该类算法中效果最好的。

2.4 基于物理模型的分割方法

影像的物理模型是从影像的成像过程得来的，物理模型描述了影像数据与真实地表特征、大气作用、光照条件及成像硬件设备等因素之间的关系。对于高分辨率影像而言，由于其丰富的地表细节信息，使得外界条件变化，包括太阳光照射、阴影等因素，对其成像过程产生较大影响，加之“同物异谱”和“异物同谱”现象的存在，使得获取较好的影像分割结果变得异常困难。因此，通常的基于物理模型的方法，都要求满足一定的约束和条件，因此在应用中受到很大局限。但是，由于物理模型具有严格的解析意义，因此仍然是一个值得研究的方向。

2.5 其他方法

数字影像在实际处理中，往往被视作一幅影像矩阵，因此，可以结合矩阵论的思想来对基本分割方法进行扩展，以此提升分割结果的准确性。

基于数学形态学运算的分割方法已经被广泛应用到遥感影像中，包括腐蚀运算、膨胀运算、开运算和闭运算等。但是这种方法显然只能应用于单波段图像处理，因此往往要对多波段遥感影像获取主成分，然后对包含所需信息最多的主成分进行形态学运算。形态学最著名的分割方法就是分水岭算法[4]，其实质就是一个对二值图像进行连续腐蚀的过程，速度快但是容易产生过分割现象[5]。

基于马尔科夫随机场的分割方法，从统计学角度对原始影像进行重建，例如提取影像的纹理特征参数等[6]。

基于小波变换的分割方法，可以将数字信号转换为频率进行运算处理，可以较好地保持影像数据的结构信息。

深度学习的方法近来也被应用到影像分割中。深度学习是基于神经网络的方法，神经网络很早以前就被应用到图像处理和模式识别中。深度学习是将影像分割转化为其他问题，例如分类和能量极化等。但是深度学习方法需要大量的训练样本，而且训练时间较长，对于数据量较大的遥感影像，其效率会很低。

3. 结论与展望

遥感影像分割一直是遥感预处理过程中重要的一环，尤其是在进行影像分类时，如何提高分割精度始终是个难点。本文在调研了国内外诸多遥感影像分割方法的基础上，对其进行了归纳总结。事实上，对于高分辨率遥感影像而言，一个好的分割算法应该具有如下特点：首先，依据不同的应用目的，能够获得准确的地物边界；其次，在不同的尺度上，都能获得相对一致的邊界；第三，能够利用遥感影像的多维特征，例如空间、光谱、时间特征等；第四，算法效率较高，毕竟遥感影像的数据量较为庞大。

近年来，遥感技术的不断发展，使得遥感影像的空间分辨率已经进入亚米级时代，很多传统的分割方法已经无法满足高分辨率影像信息提取的要求。因此，遥感影像分割的未来发展方向应集中于以下几点：第一是在像元基础上，形成多尺度以及多层次的对象或区域，利用多尺度和多层次来丰富可用的影像特征；第二是将不同数据源的分割结果利用数据融合方法有机统一起来，形成更准确的分割结果体系；第三是将单波段的方法较好的扩展到多波段的彩色空间，甚至到高光谱数据中。

参考文献：

[1] V. Dey， Y. Zhang， and M. Zhong， A review on image segmentation techniques with remote sensing perspective： na， 2010.

[2] J. Jiang， Z. Zhang， and H. Wang， "A new segmentation algorithm to stock time series based on PIP approach，" in Wireless Communications， Networking and Mobile Computing， 2007. WiCom 2007. International Conference on， 2007， pp. 5609—5612.

[3] Y. Tarabalka， J. Chanussot， and J. A. Benediktsson， "Segmentation and classification of hyperspectral images using minimum spanning forest grown from automatically selected markers，" Systems， Man， and Cybernetics， Part B： Cybernetics， IEEE Transactions on， vol. 40， pp. 1267—1279， 2010.

[4] Y. Tarabalka， J. Chanussot， and J. A. Benediktsson， "Segmentation and classification of hyperspectral images using watershed transformation，" Pattern Recognition， vol. 43， pp. 2367—2379， 2010.

[5] M. Pesaresi and J. A. Benediktsson， "A new approach for the morphological segmentation of high—resolution satellite imagery，" IEEE transactions on Geoscience and Remote Sensing， vol. 39， pp. 309—320， 2001.