遥感图像目标地物识别特征
遥感图像目标地物识别特征：
（1）色调：全色遥感图像中从白到黑的密度比例叫色调（也叫灰度）。
如海滩的砂砾色调标志是识别目标地物的基本依据，依据色调标志，可以区分出目标地物。
（2）颜色：是彩色遥感图像中目标地物识别的基本标志。日常生活中目标地物的颜色:遥感图像中目标地物的颜色:地物在不同波段中反射或发
射电磁辐射能量差异的综合反映。彩色遥感图像上的颜色:真\假彩色。真彩色图像上地物颜色能真实反映实际地物颜色特征，符合人的认知习惯。
目视判读前, 需了解图像采用哪些波段合成，每个波段分别被赋予何种颜色。
（3）阴影：遥感图像上光束被地物遮挡而产生的地物的影子。根据阴影形状、大小可判读物体的性质或高度。不同遥感影像中阴影的解译是不同的。（4）形状：目标地物在遥感图像上呈现的外部轮廓。遥感图像上目标地物形状:顶视平面图。解译时须考虑遥感图像的成像方式。
（5）纹理（texture）：内部结构，指遥感图像中目标地物内部色调有规则变化造成的影像结构。如航空像片上农田呈现的条带状纹理。纹理可以作为区别地物属性的重要依据。
（6）大小：指遥感图像上目标物体的形状、面积与体积的度量。判读地物大小时必须考虑图像的比例尺。影响图像上物体大小的因素有地面分辨
率，物体本身亮度与周围亮度的对比关系。
（7）位置：只目标地物分布的地点。位置分为地理位置、相对位置。依据遥感图像周框注记的地理经纬度位置，可以推断出区域所处的温度带，依据相对位置，可以为具体目标地物解译提供重要判据。
（8）图型：目标地物有规律的排列而成的图形结构。
（9）相关布局：多个目标地物只讲的空间配置关系。可以推断目标地物的属性。
6-遥感图像特征和解译标志
上次课主要内容 4.4简单自然地物可识别性分析 4.5复杂地物识别概率(重点理解) ①要素t 的价值②要素总和（t 1，t 2，…，t m ）t 的价值 K -K E ∑ = ③复杂地物识别概率的计算理解p70~71例子
第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 5.2 遥感图像特征与解译标志的关系 5.3 遥感图像的时空特性 5.4 遥感图像中的独立变量 5.5 地物统计特征的构造
第五章遥感图像特征和解译标志 地物特征 电磁波特性 影像特征 遥感图像记录过程 n 图像解译就是建立在研究地物性质、电磁波性质 及影像特征三者的关系之上 n 图像要素或特征，分“色”和“形”两大类：?色：色调、颜色、阴影、反差； ?形：形状、大小、空间分布、纹理等。“形”只有依靠“色”来解译才有意义。
第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 n两个定义： ?解译标志定义：遥感图像光谱、辐射、空间和时间特征决定 图像的视觉效果、表现形式和计算特点，并导致物体在图像上 的差别。 l给出了区分遥感图像中物体或现象的可能性； l解译标志包括：色调与色彩、形状、尺寸、阴影、细部（图 案）、以及结构（纹理）等； l解译标志是以遥感图像的形式传递的揭示标志； ?揭示标志定义：在目视观察时借以将物体彼此分开的被感知 对象的典型特征。 l揭示标志包括：形状、尺寸、细部、光谱辐射特性、物体的阴 影、位置、相互关系和人类活动的痕迹； l揭示标志的等级决定于物体的性质、他们的相对位置及与周围 环境的相互作用等；
第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 n解译标志和揭示标志的关系： ?解译标志是以遥感图像的形式传递的揭示标志； ?虽然我们是通过遥感图像识别地物目标的，但是大多数情况 下，基于遥感图像识别地物并作出决定时，似乎并不是利用解 译标志，而是利用揭示标志。 例如，很多解译人员刚看到图像就差不多在脑海中形成地物的形象， 然后仅仅分析这个形象就能作出一定的决定。实际上，有经验的解译人 员，在研究图像的解译标志并估计到传递信息的传感系统的影响以后， 思想中就建立起地物的揭示标志，并在这些标志的基础上识别被感知物 体。解译人员在实地或图像上都没见过的地物或现象是例外。 n解译标志和揭示标志可以按两种方式进行划分：?直接标志和间接标志； ?永久标志和临时标志；
遥感典型地物提取综述
考虑地物光谱多样性的遥感影像典型地物 提取方法综述 摘要 光谱信息是遥感影像用于分类、地物提取和目标识别的最主要信息，然而在遥感高精度分类研究中，特别面对大区域（全国或全球尺度）地表分类时，由于地表情况复杂，地物光谱多样性问题突出，在对遥感影像进行具体处理时往往难以实现高精度的地物识别。例如对于水体而言，海洋水体和内陆水体会由于水体成分的不同而使得其具有不同的光谱特征。植被由于其具有物候特征，光谱往往会随着季节的变化而变化，城市不透水层由于建筑物材料的差异以及大量的建筑物阴影使得地物光谱之间具有较大的差异。这些由于空间或时间引起的地物光谱多样性特征会随着研究范围的增大而变得更加突出。本文从基于像元级与基于亚像元级两个方面对地物提取研究进行综述，系统的介绍了当前国内外在考虑地物光谱多样性典型地物提取的研究进展，为后续的研究提供参考。 关键词：遥感，光谱多样性，水体，植被，建筑物，像元级，亚像元级 1.引言： 光谱信息是遥感影像用于分类、地物提取和目标识别的最主要信息，然而在遥感高精度分类研究中，特别面对大区域（全国或全球尺度）地表分类时，由于地表情况复杂，地物光谱多样性问题突出，在对遥感影像进行具体处理时往往难以实现高精度的地物识别。例如对于水体而言，海洋水体和内陆水体会由于水体成分的不同而使得其具有不同的光谱特征。植被由于其具有物候特征，光谱往往会随着季节的变化而变化，城市不透水层由于建筑物材料的差异以及大量的建筑物阴影使得地物光谱之间具有较大的差异。这些由于空间或时间引起的地物光谱多样性特征会随着研究范围的增大而变得更加突出。
制约遥感影像上地物信息准确提取的最主要因素之一便是遥感影像上广泛存在的“同物异谱”现象，该现象产生的原因主要有：（1）地物自身属性随着空间-时间的变化而发生变化，即是该课题所研究的地物光谱多样性特征；（2）地物由于临近效应，大气散射等使得遥感影像上地物所表现出来的光谱特征相对于其原有光谱特征发生变化。原因（1）是导致“同物异谱”现象最主要的原因，因此在对遥感影像进行处理中如果能够解决地物光谱多样性问题，其实也就很大程度上解决了遥感影像上的“同物异谱”问题。 地物光谱多样性并不是毫无规律的，以落叶植被为例，在一年的周期里，落叶植被的叶绿素含量呈现出先增加后减少的自然规律，反映在遥感影像上为植被在绿光波段的反射率会先增加后减小。对于水体而言，无论是清澈水体还是浑浊水体，其在中红外波段区间的反射率都趋近于0。除此之外，对于不同地物的光谱多样性特征还有很多有待探索的规律。随着空间科学技术，信息技术以及传感器技术的发展，现已经能够获取到一些具有三高特性（高空间分辨率、高光谱分辨率和高时间分辨率）的遥感影像。这为我们深入分析地物光谱多样性特征随着地物时空分布的不同所呈现出来的变与不变的内在规律提供基础。 同时，由于光谱可变会严重影响混合像元分解中地物丰度估计的结果，因此关于光谱多样性问题在软分类领域已有较多研究，如近年来提出的CoB、EAR、IES等最有代表性端元光谱选取方法，能够从地物光谱库中找到地物光谱在某些波段区间的不变规律，以此筛选出最具有地物代表性的端元光谱。除此之外，软分类领域涉及解决地物光谱多样性问题的具体方法还有很多，这都为遥感影像上地物光谱多样性问题的解决提供了思路和参考。 2.典型地物光谱规律探索 地物光谱多样性特征是指同一种地物在时空中往往呈现出多样化的光谱特征，地物光谱多样性体现在遥感影像上即为“同物异谱”、“端元可变(endmember variability)”、“光谱可变(spectral variability)”等现象。地物光谱的多样化并不是毫无规律的，其与时间、空间之间一定存在着某些变与不变规律。 对于水体而言，传感器接受到的水体辐射包括了水面反射、水体底部物质反
遥感数字图像处理要点
遥感数字图像处理-要点 1．概论 遥感、遥感过程 遥感图像、遥感数字图像、遥感图像的数据量 遥感图像的数字化、采样和量化 通用遥感数据格式（BSQ、BIL、BIP） 遥感图像的模型：多光谱空间 遥感图像的信息内容： 遥感数字图像处理、遥感数字图像处理的内容 遥感图像的获取方式主要有哪几种? 如何估计一幅遥感图像的存储空间大小? 遥感图像的信息内容包括哪几个方面？ 多光谱空间中，像元点的坐标值的含义是什么？ 与通用图像处理技术比较，遥感数字图像处理有何特点？ 遥感数字图像处理包括那几个环节？各环节的处理目的是什么？ 2.遥感图像的统计特征 2.1图像空间的统计量 灰度直方图：概念、类型、性质、应用 最大值、最小值、均值、方差的意义 2.2多光谱空间的统计特征 均值向量、协方差矩阵、相关系数、相关矩阵的概念及意义 波段散点图概念及分析 主要遥感图像的统计特征量的意义 两个重要的图像分析工具：直方图、散点图 3.遥感数字图像增强处理 图像增强：概念、方法 空间域增强、频率域增强
3.1辐射增强：概念、实现原理 直方图修正，线性变换、分段线性变换算法原理 直方图均衡化、直方图匹配的应用 3.2空间增强 邻域、邻域运算、模板、模板运算 空间增强的概念 平滑（均值滤波、中值滤波）原理、特点、应用 锐化、边缘增强概念 方向模板、罗伯特算子、索伯尔算子、拉普拉斯算子的算法和特点 ?计算图像经过下列操作后，其中心象元的值： –3×3中值滤波 –采用3×3平滑图像的减平滑边缘增强 –域值为2的3×1平滑模板 –Sobel边缘检测 –Roberts边缘检测 –模板 3.3频率域处理 高频和低频的意义 图像的傅里叶频谱 频率域增强的一般过程 频率域低通滤波 频率域高通滤波 同态滤波的应用
遥感图像分析与处理试题答案
遥感图像处理与分析作业 一、名词解释 1.辐射亮度：辐射源在某一方向的单位投影表面在单位立体角内的辐射通量。 2.光谱反射率：被物体反射的光通量与入射到物体的光通量之比。 3.合成孔径雷达：合成孔径雷达就是利用雷达与目标的相对运动把尺寸较小的真实天线孔径用数据处理的方法合成一较大的等效天线孔径的雷达。利用遥感平台的移动，将一个小孔径的天线安装在平台侧方，以代替大孔径的天线，提高方位分辨率的雷达。 4.假彩色遥感图像：根据加色法合成原理，选择遥感影像的某三个波段分别赋予红、绿、蓝三种原色，就可以合成彩色影像。 5.大气窗口：由于大气层的反射、散射和吸收作用，使得太阳辐射的各波段受到衰减的作用轻重不同，因而各波段的透射率也各不相同。把受到大气衰减作用较轻、透射率较高的波段叫大气窗口 6.图像空间分辨率：指像素所代表的地面范围的大小，即扫描仪的瞬时视场，或地面物体能分辨的最小单元。 7.NDVI: (Normal Differential Vegetation Index)归一化植被指数。被定义为近红外波与可见光红波段图像灰度值之差和这两个波段图像灰度值之和的比值。 8.像点位移：地形的起伏和投影面的倾斜会引起航片上像点的位置的变化，叫像点位移。 9.后向散射：在两个均匀介质的分界面上，当电磁波从一个介质中入射时，会在分界面上产生散射，这种散射叫做表面散射。在表面散射中，散射面的粗糙度是非常重要的，所以在不是镜面的情况下必须使用能够计算的量来衡量。通常散射截面积是入射方向和散射方向的函数，而在合成孔径雷达及散射计等遥感器中，所观测的散射波的方向是入射方向，这个方向上的散射就称作后向散射。 10.大气校正：大气校正就是指消除由大气散射引起的辐射误差的处理过程。 11.漫反射：当一束平行的入射光线射到粗糙的表面时，表面会把光线向着四面八方反射，所以入射线虽然互相平行，由于各点的法线方向不一致，造成反射光线向不同的方向无规则地反射，这种反射称之为“漫反射”或“漫射”。 12.中心投影：把光由一点向外散射形成的投影，叫做中心投影。 13.瞬时视场角：扫描镜在一瞬时时间可以视为静止状态，此时接收到的目标地物的电磁波辐射，限制在一个很小的角度之内，这个角度称为瞬时视场角。 14.亮度温度：若实际物体在某一波长下的光辐射度 (即光谱辐射亮度) 与绝对黑体在同一波长下的光谱辐射度相等,则黑体的温度被称为实际物体在该波长下的亮度温度。 15.红外遥感：（infrared remote sensing）是指传感器工作波段限于红外波段范围之内的遥感。探测波段一般在0.76——1000微米之间。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。 二、简述题
遥感图像目视解译
嘉应学院地科院 《遥感导论》课程 实验报告 班级：1603 学号：161080142 姓名：郑秋彦 指导教师：朱长柏 成绩：
****** 遥感图像目视解译 一、实验目的 1. 学习影像判读的基本原理和方法 2. 掌握影像判读中判读标志的建立方法 3. 解译判读各土地覆盖类型在图像上的影像特征 4. 了解和认识影像对地物的表现 5. 掌握GIS软件的数字化功能、基本统计功能、空间分析功能。 二、实验数据和软件 1、实验数据：栅格数据（aaa1.tif、嘉应学院.jpg）、地图文档（无标题.mxd） 2、软件：ArcGis10.2 三、实验过程及结果 1、打开并显示图像 1）打开arcgis的arcmap点击文件，新建地图文档文档 （2）点击工具栏的【窗口】，选择【目录】，在目录连接到数据所在文件加，添加
3）再将aaa1.tif图拉进空白窗口，（如果内容列表出现红色感叹号，点击感叹号，选择放置aaa1.tif栅格数据路径，点击添加） 得到下图：
2、创建面要素 1）在目录连接到的文件夹上右键新建【个人地理数据库】，在这个数据库右键新建【要素数据集】 2）在【下一步】，点击【添加坐标系】导入
4）添加aaa.tif，后面两步默认选择，点击【完成】 5）在创建好的【要素数据集】上右键新建【要素类】,然后填写名称，要素类型选择【面要素】 6）下一步，在【新建要素类】对话框添加TYPE,NAME字段名，数据类型都选择文本，在【字段属性】的长度都填上10，点击完成
7）在内容列表的面要素上右键【编辑要素】，点击【开始编辑】，在编辑工具栏，点击【编辑器】的编辑窗口，选择【创建要素】，然后出现【创建要素】对话框，点击你的面要素，在【构造工具】下选择【矩形】，在编辑窗口鼠标光标变成一个十字右下角带矩形的光标
典型地物反射波谱测量与特征分析
典型地物反射波谱测量与特征分析 一、实验目的与要求 1.实验意义： （1）对光谱测量仪器的认识：ASD野外光谱分析仪FieldSpecPro是一种测量可见光到近红外波段地物波谱的有效工具，它能够快速扫描地物，光线探头在毫秒内得到地物的单一光谱。FieldSpec分光仪主要由附属手提电脑，观测仪器，手枪式把手，光线光学探头以及连接数据线组成。通过连接电脑，可实时持续显示测量光谱，使得测量者可以即时获取需要的测量数据。 （2）对课堂内容的认识：地物反射光谱是指某种物体的反射率或反射辐射能随波长变化的规律，以波长为横坐标，反射率为纵坐标所得到的曲线即为反射波谱特性曲线。影响地物波谱变化的因素：太阳位置（太阳高度角和方位角）。不同的地理位置，海拔高度不同。时间、季节的变化。地物本身差异、土壤含水量、植被病虫害。 2.实验目的： （1）地物波谱数据获取需要使用地面光谱仪，通过该实验学会地面光谱仪的原理与使用方法。 （2）通过对地物光谱曲线分析，比较相异与相似地物反射光谱特征。认识并掌握典型地物反射光谱特征。
二、实验内容与方法 1.实验内容 （1）典型地物反射波谱测量 选择典型地物类型，使用地物光谱仪，开展地物光谱测量，获得典型地物可见光近红外 波段（0.4-2.5微米）的反射光谱曲线。 地物类型：植被（草地、灌丛），水体（不同水深，有无植被），土壤（裸土、有少量植 被覆盖土壤），不透水地面（水泥地面、沥青路面、大理石地面）。 （2）地物波谱特征分析 a)标准波谱库浏览 b)波谱库创建 c)高光谱地物识别 ●从标准波谱库选择端元进行地物识别 ●自定义端元进行地物识别 2.实验方法 （1）ASD光谱仪简介 FieldSpec Pro型光谱仪是美国分析光谱设备(ASD)公司主要的野外用高光谱测量设备。整台仪器重量7.2公斤，可以获取350~2500nm 波长范围内地物的光谱曲线，探测器包括一个用于350-1000nm的512像元NMOS硅光电二极管阵列, 以及两个用于1000-2500nm的单独的热电制冷的铟-镓-砷光电探测器。便携式光谱仪是“我国典型地物标准波谱数据库”获取光谱数据的主要设备。 基本技术参数： 线性度：+/-1%
遥感专题讲座——影像信息提取(四、面向对象特征提取)
面向对象的影像分类技术 “同物异谱，同谱异物”会对影像分类产生的影响，加上高分辨率影像的光谱信息不是很丰富，还有经常伴有光谱相互影响的现象，这对基于像素的分类方法提出了一种挑战，面向对象的影像分类技术可以一定程度减少上述影响。 本小节以ENVI中的面向对象的特征提取FX模块为例，对这种技术和处理流程做一个简单的介绍。 本专题包括以下内容： ??●面向对象分类技术概述 ??●ENVI FX简介 ??●ENVI FX操作说明 1、面向对象分类技术概述 面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。它主要分成两部分过程：影像对象构建和对象的分类。
影像对象构建主要用了影像分割技术，常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。比较常用的就是多尺度分割算法，这种方法综合遥感图像的光谱特征和形状特征，计算图像中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值，当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。 影像对象的分类，目前常用的方法是“监督分类”和“基于知识分类”。这里的监督分类和我们常说的监督分类是有区别的，它分类时和样本的对比参数更多，不仅仅是光谱信息，还包括空间、纹理等信息。基于知识分类也是根据影像对象的熟悉来设定规则进行分类。 目前很多遥感软件都具有这个功能，如ENVI的FX扩展模块、易康（现在叫Definiens）、ERDAS的Objective模块、PCI的FeatureObjeX（新收购）等。 表1为三大类分类方法的一个大概的对比。
遥感原理实验报告3目视解译与制图
《遥感原理》 实验报告 实验名称：遥感图像目视解译 与制图 专业：地理信息科学 学号： 姓名： 指导老师：
1、实验目的 （1）学习航空像片判读的基本原理和方法；掌握航空像片判读中判读标志的建立方法；解译判读各土地覆盖类型在彩红外航片上的影响特征； （2）认识和了解热红外影像对地物的表现； （3）认识和掌握TM图像各波段的光谱效应；学习和掌握陆地卫星遥感图像的判读方法。 2、实验材料 ArcGIS10.2、ENVI5.1 3、实验内容与过程 3.1航空像片的判读 说明：与黑白像片相比。真彩色像片基本反映了地物的天然色彩，地物类型之间的细微差异可以通过色彩的变化表现出来，彩色像片上的丰富色彩提供了比可见光黑白像片更多的信息。由于受到大气散射与吸收的影响，在航空摄影高度相同的条件下，彩色摄影信息损失量远大于红外摄影，因此航空遥感中广泛使用彩色红外摄影。由于绿色植物在近红外波段具有很强的反射特性，在彩色红外像片上呈红色，使彩红外航片比普通彩色航片在植被的判读和识别方面具有较大的 优势，同时也使其在识别伪装方面有突出的功用。
判读彩色红外像片，可以按照以下步骤进行：认真了解彩红外摄影感光材料的特性和成像原理；熟悉各种地物在可见光和近红外波段的反射光谱特性；建立地物的反射光谱特性与像片假彩色的对应关系（如下表）；建立彩红外像片与其他判读标志；遵循遥感解译步骤与方法对彩红外像片进行解译。 在解译时应注意：在彩红外像片上，植物的叶子因反射红外线而呈现为红色。但不同植被类型或处于不同生长阶段，受不同环境影响的植物，其光谱特性不同，因而在彩红外相片上，红色的深浅程度不同。如正常生长的针叶林，颜色为红色到品红色，枯萎的植被则呈现暗红色，即将枯死的制备则呈现青色。
遥感图像处理方法
遥感图像处理方法 随着遥感技术的快速发展，人们已经从遥感集市中获得了大量的遥感影像数据，如何从这些影像中提取人们感兴趣的对象已成为人们越来越关注的问题。但是传统的方法不能满足人们已有获取手段的需要，另外GIS的快速发展为人们提供了强大的地理数据管理平台，GIS数据库包括了大量空间数据和属性数据，以及未被人们发现的存在于这些数据中的知识。将GIS技术引入遥感图像的分类过程，用来辅助进行遥感图像分类，可进一步提高了图像处理的精度和效率。如何从GIS数据库中挖掘这些数据并加以充分利用是人们最关心的问题。GIS支持下的遥感图像分析特别强调RS和GIS的集成，引进空间数据挖掘和知识发现（SDM&KDD）技术，支持遥感影像的分类，达到较好的结果，专家系统表明了该方法是高效的手段。 遥感图像的边缘特征提取观察一幅图像首先感受到的是图像的总体边缘特征，它是构成图像形状的基本要素，是图像性质的重要表现形式之一，是图像特征的重要组成部分。提取和检测边缘特征是图像特征提取的重要一环，也是解决图像处理中许多复杂问题的一条重要的途径。遥感图像的边缘特征提取是对遥感图像上的明显地物边缘特征进行提取与识别的处理过程。目前解决图像特征检测/定位问题的技术还不是很完善，从图像结构的观点来看，主要是要解决三个问题:①要找出重要的图像灰度特征；②要抑制不必要的细节和噪声；③要保证定位精度图。遥感图像的边缘特征提取的算子很多，最常用的算子如Sobel算子、Log算子、Canny算子等。 1）图像精校正 由于卫星成像时受采样角度、成像高度及卫星姿态等客观因素的影响，造成原始图像非线性变形，必须经过几何精校正，才能满足工作精度要求一般采用几何模型配合常规控制点法对进行几何校正。 在校正时利用地面控制点(GCP)，通过坐标转换函数，把各控制点从地理空间投影到图像空间上去。几何校正的精度直接取决于地面控制点选取的精度、分布和数量。因此，地面控制点的选择必须满足一定的条件，即：地面控制点应当均匀地分布在图像内；地面控制点应当在图像上有明显的、精确的定位识别标志，如公路、铁路交叉点、河流叉口、农田界线等，以保证空间配准的精度；地面控制点要有一定的数量保证。地面控制点选好后，再选择不同的校正算子和插值法进行计算，同时，还对地面控制点(GCPS)进行误差分析，使得其精度满足要求为止。最后将校正好的图像与地形图进行对比，考察校正效果。 2）波段组合及融合 对卫星数据的全色及多光谱波段进行融合。包括选取最佳波段，从多种分辨率融合方法中选取最佳方法进行全色波段和多光谱波段融合，使得图像既有高的空间分辨率和纹理特性，又有丰富的光谱信息，从而达到影像地图信息丰富、视觉效果好、质量高的目的。 3）图像镶嵌 如果工作区跨多景图像，还必须在计算机上进行图像镶嵌，才能获取整体图像。镶嵌时，除了对各景图像各自进行几何校正外，还需要在接边上进行局部的高精度几何配准处理，并且使用直方图匹配的方法对重叠区内的色调进行调整。
第四章 遥感图像的特征
第四章遥感图像的特征 一空间分辨率 二光谱分辨率 三时间分辨率 四辐射分辨率 五遥感系统的信息容量 一空间分辨率 空间分辨率(s p a t i a l r e s o l u t i o n)，又称地面分辨率 ●前者是针对传感器或图像而言的，指图像上能够详细区分的最小单元的尺寸 或大小； ●后者是针对地面而言，指可以识别的最小地面距离或最小目标物的大小。 空间分辨率的三种表示法： (1)象元(p i x e l) (2)线对数 (3)瞬时视场 空间分辨率的三种表示法： (1)象元(p i x e l)，指瞬时视域内所对应的地面面积，即与一个象元大小相当的地面尺寸，单位为米(m)。 如L a n d s a t T M一个象元相当地面28.5×28.5m的范围，简称空间分辨率30m……。 象元是扫描影像的基本单元，是成像过程中或用计算机处理时的基本采样点。 (2)线对数(L i n e P a i r s)，对于摄影系统而言，影像最小单元的确定往往通过l毫米间隔内包含的线对数，单位为线对／毫米(1／m m)。 所谓线对指一对同等大小的明暗条纹或规则间隔的明暗条对 (3)瞬时视场(I F O V)，指遥感器内单个探测元件的受光角度或观测视野，单位为毫弧度(m r a d)。
I F O V越小，最小可分辨单元(可分像素)越小，空间分辨率越高。 一个瞬时视场内的信息，表示一个象元 遥感数据的概括能力 地面目标是个多维的真实模型，是个无限、连续的信息源(时空尺度上)；遥感数据是对地面信息源有限化、离散化的二维平面记录。 像元的大小反映了离散化程度。 从地面原型到遥感信息，即把地面信息有限化、离散化过程必然要损失部分信息，这本身就是一种概括能力。其概括程度是随着空间分辨率的增大而增加的。这种概括能力对于宏观概念的建立是有意义的 几何特性 每张遥感图像与所表示的地表景观特征之间有特定的几何关系。这种几何关系是由遥感仪器的设计、特定的观测条件、地形起伏和其它因素决定的。 地面目标均有其一定的空间分布特征(位置、形状、大小、相互关系)。 从地面原型经遥感过程转为遥感信息后，受大气传输效应和传感器成像特征的影响，这些地面目标的空间特征被部分歪曲，发生变形 全景摄影图像的几何畸变 常规象片（A）与扫描图象（B）几何畸变比较 二光谱分辨率 光谱分辨率——指传感器在接收目标辐射的波谱时能分辨的最小波长间隔。 ●决定了传感器所选用的波段数量的多少、各波段的波长位置、及波 长间隔的大小 光谱分辨率越高，专题研究的针对性越强，对物体的识别精度越高，遥感应用分析的效果也就越好。 但是，多波段信息直接地综合解译是较困难的，而多波段的数据分析，可以改善识别和提取信息特征的概率和精度
关于不同地物各类特征的探究(武大遥感)
目录 一. 实习意义 (2) 二. 实习数据 (2) 三. 各类地物特征概述 (2) 3.1光谱特征概述 (2) 3. 2空间及纹理特征概述 (3) 四. 不同地物的各类特征 (3) 4.1 建筑物 (3) 4.1.1光谱特征 (3) 4.1.2空间特征 (4) 4.1.3纹理特征 (5) 4.2道路 (5) 4.2.1光谱特征 (5) 4.2.2空间特征 (6) 4.2.3 纹理特性 (6) 4.3 湖水 (7) 4.3.1光谱特征： (7) 4.3.2空间特征 (7) 4.3.3纹理特性 (7) 4.4 植被 (8) 4.4.1光谱特征 (8) 4.4.2空间特征 (8) 4.4.3纹理特征 (9) 五. 实习总结 (10)
一. 实习意义 影像专题信息提取是一个影像分割、分类、分类后处理及专题信息输出的过程。但是在专题信息提取过程中，由于“同谱异物”、“同物异谱”等情况的普遍存在，加上遥感数据空间分辨率的限制，“混合像元”现象不可避免，因此基于常规像元灰度值的图像分类存在很多问题。 在此基础上，人们开始对多源信息复合的信息提取方法进行探索，主要是从光谱特征，图像特征、纹理特征等方面等方面出发。本次实习，我将基于武汉市的资源卫星影像，分析城区各种地物的各项属性特征。 二. 实习数据 资源卫星高分辨率影像（下图为在Erdas软件中显示结果） 三. 各类地物特征概述 3.1光谱特征概述 光谱特征分析法是遥感信息提取的常用方法之一，在相关研究中得到了广泛应用。不同地物的波谱特性，是遥感影像分析解译的理论基础，也就是说多光谱影像的计算机自动分类识别必须建立在全面了解掌握分类对象不同波段光谱特性的基础上。一般而言，同一地物在不同波段的光谱值不同，在同一波段不同地
遥感图像处理实例分析05a(空间滤波、公式)
空间滤波（spatial filters） 空间滤波（又称local operation） 空间滤波是一种通用的光栅图像处理操作。是根据某像素周围像素的数值，修改图像中的该像素值。它能增强或抑制图像的空间细节信号，提高图像的可视化解释。如应用滤波增强图像的边界信息，去除或减少图像中的噪音图案。突出结构特征等。 空间频率（Spatial frequency） 空间频率是所有类型的光栅数据共有的特性，它的定义是指图像中的任何一特定部分，每单位距离内数据值的变化数量。对图像上数据变化小、或渐进变化的区域称为低频区域（如平滑的湖面），对图像上数据变化大、或迅速变化的区域称为高频区域（如布满密集公路网的城区）。 空间滤波分为三大类： 低通滤波（Low pass filters）：强调的是低频信息，平滑了图像的噪音、减少了数据的菱角。因为它不在重视图像的细节部分，所以低通滤波有时又称为平滑或均值滤波。 高通滤波（High pass filters）：强调的是高频信息，增强或锐化线性特征，象公路、断层、水陆边界。因为它没有图像的低频部分，增强了图像的细节信息，所以高通滤波有时又称为锐化滤波。 边界检测滤波（Edge detection filters）：强调的是图像中目标或特征的边界，以便更容易分析。边界检测滤波通常建立一个灰色背景图和围绕图像目标或特征边界的黑白色线。 卷积核（convolution kernels） 卷积核是指二维矩形滤波距阵（或窗口），包含着与图像像素值有关的权值。滤波距阵（或窗口）在图像上从左向右，自上而下，进行平移滑动，窗口中心的像素值是根据其周围像素值与窗口中对应的每个像素的权值乘积就和而计算出来的。 ER Mapper滤波对话框如图1-1。包含着滤波文件名、滤波距阵和滤波编辑等项。 图1-1 ER Mapper滤波对话框 实习目的： 建立和删除滤波，应用不同的滤波距阵，查看结果。 实习步骤： （一）增加滤波 1．打开和显示一个已存在的算法文件
遥感图像信息提取方法综述
遥感图像信息提取方法综述 遥感图像分析 遥感实际上是通过接收（包括主动接收和被动接收方式）探测目标物电磁辐射信息的强弱来表征的，它可以转化为图像的形式以相片或数字图像表现。多波段影像是用多波段遥感器对同一目标（或地区）一次同步摄影或扫描获得的若干幅波段不同的影像。 在遥感影像处理分析过程中，可供利用的影像特征包括：光谱特征、空间特征、极化特征和时间特性。在影像要素中，除色调/彩色与物体的波谱特征有直接的关系外，其余大多与物体的空间特征有关。像元的色调/彩色或波谱特征是最基本的影像要素，如果物体之间或物体与背景之间没有色调/彩色上的差异的话，他们的鉴别就无从说起。其次的影像要素有大小、形状和纹理，它们是构成某种物体或现象的元色调/彩色在空间（即影像）上分布的产物。物体的大小与影像比例尺密切相关；物体影像的形状是物体固有的属性；而纹理则是一组影像中的色调/彩色变化重复出现的产物，一般会给人以影像粗糙或平滑的视觉印象，在区分不同物体和现象时起重要作用。第三级影像要素包括图形、高度和阴影三者，图形往往是一些人工和自然现象所特有的影像特征。 1、遥感信息提取方法分类 常用的遥感信息提取的方法有两大类：一是目视解译，二是计算机信息提取。 1.1目视解译 目视解译是指利用图像的影像特征（色调或色彩，即波谱特征）和空间特征（形状、大小、阴影、纹理、图形、位置和布局），与多种非遥感信息资料（如地形图、各种专题图）组合，运用其相关规律，进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程。早期的目视解译多是纯人工在相片上解译，后来发展为人机交互方式，并应用一系列图像处理方法进行影像的增强，提高影像的视觉效果后在计算机屏幕上解译。 1）遥感影像目视解译原则 遥感影像目视解译的原则是先“宏观”后“微观”；先“整体”后“局部”；先“已知”后“未知”；先“易”后“难”等。一般判读顺序为，在中小比例尺像片上通常首先判读水系，确定水系的位置和流向，再根据水系确定分水岭的位置，区分流域范围，然后再判读大片农田的位置、居民点的分布和交通道路。在此基础上，再进行地质、地貌等专门要素的判读。 2）遥感影像目视解译方法 （1）总体观察 观察图像特征，分析图像对判读目的任务的可判读性和各判读目标间的内在联系。观察各种直接判读标志在图像上的反映，从而可以把图像分成大类别以及其他易于识别的地面特征。（2）对比分析 对比分析包括多波段、多时域图像、多类型图像的对比分析和各判读标志的对比分析。多波段图像对比有利于识别在某一波段图像上灰度相近但在其它波段图像上灰度差别较大的物体；多时域图像对比分析主要用于物体的变化繁衍情况监测；而多各个类型图像对比分析则包括不同成像方式、不同光源成像、不同比例尺图像等之间的对比。 各种直接判读标志之间的对比分析，可以识别标志相同（如色调、形状），而另一些标识不同（纹理、结构）的物体。对比分析可以增加不同物体在图像上的差别，以达到识别目的。（3）综合分析 综合分析主要应用间接判读标志、已有的判读资料、统计资料，对图像上表现得很不明显，或毫无表现的物体、现象进行判读。间接判读标志之间相互制约、相互依存。根据这一特点，可作更加深入细致的判读。如对已知判读为农作物的影像范围，按农作物与气候、地貌、土质的依赖关系，可以进一步区别出作物的种属；河口泥沙沉积的速度、数量与河流汇水区域
遥感图像处理在汶川地震中的应用分析
遥感图像处理在汶川地震中的应用分析 摘要 随着卫星技术的快速发展，遥感技术被越来越广泛的应用于国民经济的各个方面。本文结合汶川地震中遥感技术的应用实例，系统阐述了遥感应用于应急系统中需要解决的一系列关键技术问题。并就数据获取、薄云去除、图像镶嵌、图像解译，以及灾后重建中的若干关键技术问题展开了分析。关键词：遥感；地震；应用；关键技术 1 引言 长期以来，人们不断遭受到各种自然灾害的侵害，如地震、火山、洪水等，同时，由人为因素导致的灾难也不断发生，如火灾、恐怖袭击等。这些灾害具备破坏性、突发性、连锁性、难预报性等特点，往往容易造成重大的人员伤亡和巨大的财产损失。为了有效的应对突发事件，产生了各类应急系统。 灾区数据的实时获取足所有应急系统的基础。对于区域性的灾害，传统的地面调查方式，由于速度慢、面积小、需要人员现场勘查等无法避免的特点，很难满足应急系统的需要。相对而言，遥感技术有其得天独厚的优势：遥感传感器能实时的、大面积的、无接触的获取灾区数据，因此成为绝大多数应急系统中数据获取的主要手段。为了使遥感数据能满足应急系统中基础数据的要求，需要经过数据获取、数据预处理、图像解译等阶段的处理，最终提取出准确的遥感信息。下面将根据这三个阶段的处理技术展开阐述与分析，并以汶川地震为例，介绍遥感技术在应急救灾及灾后重建中的应用。 2 数据获取 灾害发生后，由于地形、气象等客观因素的影响，通过单一的遥感传感器往往很难获得灾区所有数据，需要充分发挥多种传感器的优势，获取灾区的各种类型数据，主要包括光学与SAR卫星遥感影像、光学与SAR航空遥感影像两大类。 2.1 光学与SAR卫星遥感影像的获取 此类数据包括国内外的众多高分辨率光学与SAR卫星遥感影像。从时间上说，重点是灾害发生前后数据的获取，以快速确定灾区的位置和前后的变化。 2.2 光学与SAR航空遥感影像的获取 此类数据是利用高空遥感琶机、无人机和卣升机等高、低空遥感平台，搭载遥感传感器，快速
常见的遥感扫描影像类型与主要特点
常见的遥感扫描影像类型与主要特点 MSS影像 MSS影像为多光谱扫描仪(MultiSpectral Scanner)获取的影像，它具有四个波段，两个波段为可见光波段，两个波段为近红外波段，第一颗至第三颗地球卫星(Landset)上，反束光导管(RBV)摄像机获取的三个波段摄影像片分别称为第1、2、3波段，多光谱扫描仪获取的扫描影像按顺序分别被命名为4、5、6、7波段，此外，第三颗地球卫星(Landset)上还提供热红外波段影像，这个波段被称为第8波段，热红外波段使用不久，就因仪器操作上的问题而关闭了，因此，Landset提供的热红外波段影像并不多。第4、5颗地球卫星上多光谱扫描仪获取的四个波段扫描影像重新被分别命名为1、2、3、4波段。在MSS影像中，灰度又按照一定的区间归并为16级灰阶，同时每幅遥感影像下部也曝光产生一个灰阶尺，灰阶尺由白－灰白－淡灰...浅灰-灰-暗灰...浅黑-黑等多个灰阶组成。像元的亮度值为0时，影像上像元的灰阶为黑色，像元的亮度值为63时，影像上像元灰阶为白色，像元值从0向63增加时，其灰阶也按照一定分级规则由黑转白。由于影像复制时像元灰阶与灰度尺受到同样因素的影响，这样解译者可以利用灰度尺来衡量像元的灰阶。 MSS各个波段的应用范围 MSS第4波段为绿色波段，对水体有一定透射能力，在清洁的水体中透射深度可达10-20米，可以判读浅水地形和近海海水泥沙。由于植被波谱在绿色波段有一个次反射峰，可以探测健康植被在绿色波段的反射率。 第5波段为红色波段，该波段可反映河口区海水团涌入淡水的情况，对海水中的泥沙流、河流中的悬浮物质与河水浑浊度有明显反映，可区分沼泽地和沙地，可以利用植物绿色素吸收率进行植物分类。此外该波段可用于城市研究，对道路、大型建筑工地、砂砾场和采矿区反映明显，在红色波段各类岩石反射更容易穿过大气层为传感器接收，也可用于地质研究。 第6波段为近红外波段，植被在此波段有强烈反射峰，可区分健康与病虫害植被，水体在此波段上具有强烈吸收作用，水体呈暗黑色，含水量大的土壤为深色调，含水量少的土壤色调较浅，水体与湿地反映明显。 第7波段也为近红外波段，植被在此波段有强烈反射峰，可用来测定生物量和监测作物长势，水体吸收率高，水体和湿地色调更深，海陆界线清晰，第7波段可用于地质研究，划出大型地质体的边界，区分规模较大的构造形迹或岩体。 第8波段，为热红外波段，该波段可以监测地物热辐射与水体的热污染，根据岩石与矿物的热辐射特性可以区分一些岩石与矿物，并可用于热制图。 TM图像 TM影像为专题绘图仪(Thematic Mapper，TM)获取的遥感图像。从Landsat－4起，陆地卫星增加了专题绘图仪（TM）。TM在光谱分辨率、辐射分辨率和地面分辨率方面都比MSS有较大改进。在光谱分辨率方面，它采用7个波段来记录目标地物信息，与MSS相比，它增加了三个新波段，一个为蓝色(蓝绿)波段，一个为短波红外波段，一个为热红外波段，根据MSS数据使用的经验与光谱适用范围研究结果，TM在波长范围(wavelength)与光谱位置(Nominal spectral location)上都作了调整。在辐射分辨率方面，TM 采用双向扫描，改进了辐射测量精度，目标地物模拟信号经过模/数转换，以256级辐射亮度来描述不同地物的光谱特性，一些在MSS中无法探测出的地物电磁辐射的细小变化，现在可以在TM波段内观测到。在
遥感图像的格式和分类
遥感图像的分类和格式 目录 一遥感图像的分类 (1) 1.监督分类的主要方法 (1) 2.非监督分类的主要方法 (2) 二遥感图像的格式 (3) 1 TIFF图像格式 (3) 2 GeoTIFF图像格式 (3) 三结语 (4)
一遥感图像的分类 遥感图像分类是图像分析的一个重要内容,它是利用计算机通过对图像中不同地物的空间信息和光谱信息进行分析,选择特征,并将特征空间划分为互不重叠的子空间,然后将图像中各个像元划归到子空间去.目前国内国际上对图像分类的研究主要集中在应用具体的物理的、数学的方法等对图像进行的分类研究方面[1 - 8 ] ,对于图像分类方法的研究,从不同的方面可以划分为不同的类型. 按照利用图像要素的不同,图像分类大体可以分为三种:一是基于图像灰度值的分类,二是基于图像纹理的分类,三是基于多源信息融合的分类[9 ] . 用计算机对图像进行分类应用的主要是模式识别技术,根据具体应用的数学方法不同又可分为:统计法(决策分类法) 、语言结构法(句法方法) 、模糊法以及神经网络法. 在图像分类过程中,根据是否已知训练样本的分类数据,图像分类方法又可以分为监督分类和非监督分类. 本文主要从分类原理、分类过程、分类方法等方面来探讨这两种分类方法的区别与联系. 1.监督分类的主要方法 最大似然判别法. 也称为贝叶斯(Bayes) 分类,是基于图像统计的监督分类法,也是典型的和应用最广的监督分类方法. 它建立在Bayes 准则的基础上,偏重于集群分布的统计特性,分类原理是假定训练样本数据在光谱空间的分布是服从高斯正态分布规律的,做出样本的概率密度等值线,确定分类,然后通过计算标本(像元) 属于各组(类) 的概率,将标本归属于概率最大的一组. 用最大似然法分类,具体分为三步:首先确定各类的训练样本,再根据训练样本计算各类的统计特征值,建立分类判别函数,最后逐点扫描图像各像元,将像元特征向量代入判别函数,求出其属于各类的概率,将待判断像元归属于最大判别函数值的一组. Bayes 判别分类是建立在Bayes 决策规则基础上的模式识别,它的分类错误最小精度最高,是一种最好的分类方法.但是传统的人工采样方法由于工作量大,效率低,加上人为误差的干扰,使得分类结果的精度较差. 利用GIS数据来辅助Bayes 分类,可以提高分类精度,再通过建立知识库,以知识来指导分类的进行,可以减少分类错误的发生[1 ] ,这正是Bayes 分类的发展趋势和提高其分类精度的有效途径. 神经元网络分类法. 是最近发展起来的一种具有人工智能的分类方法,包括BP 神经网络、Kohonen 神经网络、径向基神经网络、模糊神经网络、小波神经网络等各种神经网络分类法.BP 神经网络模型(前馈网络模型) 是神经网络的重要模型之一,也是目前应用最广的神经网络模型,它由输入层、隐含层、输出层三部分组成,所采取的学习过程由正向传播过程和反向传播过程组成. 传统的BP 网络模型把一组样本的输入/ 输出问题作为一个非线性优化问题,它虽然比一般统计方法要好,但是却存在学习速度慢,不易收敛,效率不高等缺点. 采用动量法和学习率自适应调整的策略,可以提高学习效率并增加算法的可靠性[3 ] . 模糊分类法. 由于现实世界中众多的自然或半自然现象很难明确划分种类,反映在遥感图像上,也存在一些混合像素问题,并有大量的同谱异物或者同物异谱现象发生,使得像元的类别难以明确确定. 模糊分类方法忽略了监督分类的训练过程所存在的模糊性,沿用传统的方法,假定训练样本由一组可明确定义、归类,并且具有代表性的目标(像素) 构成. 监督分类中的模糊分类可以利用神经元网络所具有的良好学习归纳机制、抗差能力和易于扩展成为动态系统等特点,设计一个基于神经元网络技术的模糊分类法来实现. 模糊神经网络模型由ART 发展
对TM遥感图像特征选取分析
对TM遥感图像特征选取分析 摘要：支持向量机算法（SVM）是以统计学习理论（SLT）为基础的一种模式分类算法。由于其成功的解决了小样本，高维和局部极值问题，近年来获得较快的发展，被广泛应用于模式分类的很多领域。本文对TM多光谱图像特征进行分类研究，探讨参数取值对分类精度的影响。 关键词：光谱特征；纹理特征；分类精度 Abstract: the algorithm of support vector machine (SVM) is based on statistical learning theory (SLT) as the foundation of a pattern classification algorithm. Because of its success in solving the small sample, high peacekeeping local extremum problems, in recent years the development of rapidly, which has been widely used in many areas of pattern classification. In this paper, the TM image feature classification spectrum, and discuss the parameter selection on the influence of the classification accuracy. Keywords: spectral features; The texture characteristics; Classification accuracy 根据特定的问题领域的性质，选择有明显区分意义的特征，是模式分类设计过程中非常关键的步骤。在很多情况下，一个好的分类特征的选择在分类中效果要优于一个好的分类算法的选择。在遥感图像的分类问题中，地物的构成、光谱特征、空间结构与信息等都可以作为分类特征被选择[19]。常用的遥感分类方法是基于遥感图像的光谱特征的，有时为了提高分类精度，也会结合纹理信息进行分类。 1TM影像光谱特征选择 地物的光谱特性曲线，可以通过量测多光谱图像的亮度值得到地物的波普相应曲线。地物的波普响应曲线与其光谱特性曲线的变化趋势是一致的。地物在多波段图像上特有的这种波普响应就是地物的光谱特征的判读标志。而波普响应曲线是用亮度值与波段的关系表示的，所以在进行光谱特征的SVM分类时，分类特征就是像素的亮度值。 TM图像的辐射分辨率为8bits（0~255），是分波段记录的遥感图像。不同的灰度段代表不同的地物类别。TM多光谱影像分类中，将像元不同波段的对应的