基于彩色模型的遥感影像阴影检测
基于彩色模型的遥感影像阴影检测
基于彩色模型的遥感影像阴影检测
摘要：遥感影像是利用空间传感器对地面目标电磁波辐射信息进行探测，它包含了十分丰富的地理信息，是获取地面信息的主要来源。本文主要根据遥感影像阴影的属性，对基于彩色模型的遥感影像阴影检测方法进行了分析。
关键词：彩色模型；遥感影像；阴影检测
中图分类号： P283.8 文献标识码： A
引言
遥感指的是在20世纪60年代发展起来的以航空摄影技术为基础的一门新兴技术。起初主要是航空遥感技术，自从美国于1972年发射了第一颗陆地卫星以后，就标志着航天遥感时代的到来。随着计算机技术和数字图像处理技术的发展
，再加上空间技术的突飞猛进，遥感已经渐渐成为采集地球数据以及其变化信息的一项重要技术手段。在遥感领域中，遥感影像主要指的是航空像片和卫星像片，它主要是用缩小的影像对地表信息进行真实再现，可以让人们超越自身的感官限制，以不同的感知方式和空间尺度快速的对地球环境的动态变化情况进行监测，
成为获取地球资源与环境信息的一种重要手段。遥感影像能够将失误直观、逼真的反映出来，便于目视定性解译，是较为常用的遥感方法。因为可以通过遥感影像提取很多详细的信息，尤其是近些年来，随着高分辨率遥感影像的发展，遥感影像的应用也开始变得广泛，目前在土地资源、土地利用资源以及动态监测方面得到了十分广泛的应用，比如主要农作物的遥感估产，城市发展和规划的遥感监测植树造林及退耕还林评估，森林资源调查，重要自然灾害的遥感监测与评估等。
但是，随着遥感影像空间分辨率的不断提高，遥感影像中的阴影
对遥感影像的应用也带了很多问题。
遥感影像中阴影的特点
遥感影像中的阴影主要指的是因为较高的建筑物或者树木等地物遮挡了太阳光，使得太阳光不能直射而形成的区域。阴影区域包含着地物的微弱信息，比如几何结构、颜色、纹理、亮度等等。
从最早的空中摄影测量算起，阴影在地面地物应用上的影响相对比较突出，尤其是考古学和军事目标识别方面。随着高分辨率遥感影响的广泛应用，遥感影像中的阴影给影像的应用带来了很多不利的影响，特别是在影像处理和工程应用方面，阴影对其操作进程产生的影响非常大，严重的甚至会导致结果错误。所以，阴影处理成了遥感影像处理技术中无法避免的问题。因为对影像的要求存在不同研究领域和不同的应用目的，影像上的阴影在数字图像处理中，既存在有利之处，也存在不利之处。
阴影的类型
阴影常被分为本影(Self shadow)和投影(Cast shadow)两种类型，本影指的是遮挡物本身没有被光线照射到的一部分地方，投影指的是照射光线被遮挡物遮挡的背景区域。本影和投影产生的亮度值可能会不同，影像中阴影的亮度值主要凭借周围间接光源的发射率，因为本影所接触到的周围的间接光源多一些，所以本影的亮度值就会比投影的亮度值大。如果光源是面光源的情况下，它所产生的投影又能分为全影(Umbra)和半影(Penumbra)两大类，全影指的是光线被全部遮挡的背景区域，而半影指的是光线被部分遮挡的背景区域。其中具体的含义可以通过图1反映出来。
（图1 阴影的类型）
阴影的几何特性
阴影的边缘主要能分为四大类，即阴影形成线(Shadow marking lines)、
阴影线(Shadow lines)、分隔线(Occluding lines)、隐阴影线(Hidden shadow lines)。阴影形成线指的是被光源直接照射的物体表面部分与不被光源照射部分的分界线；阴影线指的是阴影形成线
的投影线的可见部分；分割线指的是物体和它的投影的分隔线；隐藏阴影线指的是阴影形成线的投影线不可见部分。具体用图2来表示。
（图2阴影边缘类型图）
在对航空相片或者卫星影像进行处理时，不管是本影还是全影和半影之间的区别都已经不重要了，因为遥感领域中所提到的阴影检测的方法，只仅仅针对投影即影像图中遮挡物的投影。
阴影检测
因为受到遮挡物的遮挡，阴影区域内地物的信息量就会变少，所以判读起来有很大的困难。在实际的应用过程中，阴影在很大程度都对影像的处理结果有所影响。而怎样消除阴影的带来影响，一直是遥感影像阴影处理的难题。本文主要结合实验从以下三个方面对其进行分析：
4.1、基于HSV彩色空间的阴影检测
HSV也就是我们通常所说的色调、饱和度、亮度，供人们调色或者挑选颜色所用，是人们用视觉观察色彩的一种方式，HSV彩色系统与人们对彩色的感知和了解是十分接近的。基于柱坐标系，RGB(笛片尔坐标系)映射至HSV(柱坐标系)的方程如下：
在HSV彩色空间中，将遥感影像阴影区域与非阴影区域进行比较，总结出以下三点：
通过分析Phong光照模型可以得出，阴影区的色调值比非阴影区的色
调值大。
因为阴影区域的太阳光线被阻挡，所以亮度值也就偏低一些。
因为受到大气瑞利散射的影响，阴影区域的散射光线主要来自波长更
短的蓝紫色光，所以它的饱和度相对比较大一些。
（图3HSV彩色空间光谱图）
算法原理：依据上文阐述的阴影区的特点，对阴影区进行检测。此种方法首先要对彩色影像进行从RGB到HSV色彩空间变换，然后再
根据阴影区的色调、亮度、饱和度的值，定义M=(S-V)/(H=S=V)，运用光谱比技术得出比值图像。利用Otsu方法对比值图像的阈值进行确定，然后再将图像进行分割，确定出备选的阴影区域。
4.2、基于C1C2C3彩色空间的阴影检测
彩色不变特征指的是在照明或者环境发生改变的情况下，机器视觉系统利用彩色的参数模型仍然对目标进行识别的能力，大量实验表明，人类的视觉系统具有某种程度上的彩色不变特征。实践证明，在某些彩色空间中，阴影区的颜色特征并不会跟随成像的条件产生变化，因此，提出了彩色特征不变的C1C2C3 空间，把RGB空间转换到C1C2C3 空间的定义为：
算法原理：通过对Phong光照模型的分析得出，阴影区在RGB空间的像素值会变得比较低低，而且ΔIR＞ΔIG＞ΔIR,R和G下降的比重比较大，然而蓝光却十分特别，由于用太阳光作为光源的时候，蓝光在拍摄过程中会受到很大的环境散射影响，因此，阴影区的蓝光值会变的比较低，这相当于给阴影下降区的蓝光增加了份量，所以能够在RGB彩色空间的蓝色区域中提取阴影区。因为在C1C2C3彩色空间中，色彩特征不变量只对反射光的影响较为敏感，再加上B份量相对比较特殊，所以选择C3分量提取遥感影像的阴影区。
这一部分阐述的算法主要是先对彩色影像进行RGB到C1C2C3彩色空间的变换，因为B区域在阴影区的灰度下降的最低，因此，在
C1C2C3彩色空间给C2进行分量时，阴影区所占的是像素值较高的那端，采用阈值分割法对C3分量图得到初步的阴影区，然而最初的影像中，偏蓝色地物在C3分量中的像素值就非常高，一定得从阴影区把这些区域去除掉。所以，必须得把C3分量图和B分量图结合起来，运用双阈值来对阴影进行检测。如果C3分量比某一个阈值高，同时在B分量中比某一个阈值高的区域，才能被检测并确定为阴影区。
4.3、基于彩色模型的遥感影像阴影检测
算法原理：基于HSV彩色空间的阴影检测，主要是依据阴影区域影响的色调、亮度、饱和度的特性；基于C1C2C3彩色空间的阴影检
测，主要是根据阴影区与飞阴影区的区别的特点。而基于彩色模型的遥感影像阴影检测算法跟以上两种算法相结合，使得阈值选择的主观性和片面性降低了，但却使阴影检测的精度得以提高。也就是对HSV 彩色空间检测区以及C1C2C3彩色空间的检测区进行与运算，要是某一个区域在这两种检测方法中都被确定为阴影区，那么就会对这一区域进行标记，不然就会否认其是阴影区。在初步得出阴影分割的结果之后，就应该对每个独立阴影区的面积的大小进行统计，如果其面积比给定的面积阈值小，那么就会被确定为非阴影区内部亮度比较低的地物。这样的出来的去处小区域的结果，可能还会因为阴影区内部有一定的亮度比较高的地物而留有一定的空洞，所以，对于被分割出来的阴影区还应该进行数学形态学的与运算处理，也就是先进行一次膨胀，然后再用同样的幅度对其进行腐蚀处理，这样一来得出的阴影区就会比较精准，具体侧操作过程如下：
（1）把图像从RGB空间转换到HSV空间，得出色调份量H、亮度份量V、
饱和度份量S；
（2）运用光谱比技术，对M=(S-V)/(H=S=V)进行定义，得出比值图像，将阴影区的高色调值、低亮度值和高饱和度增强的特性；
（3）运用Otsu方法对比值图像的分割阈值进行确定，并且对其进行分割，得出初步的阴影区；
（4）把分割后图像的噪声消除，并进行中值滤波，把备选的阴影区确定出来；
（5）把图像从从RGB空间转换到C1C2C3彩色空间得出C3分量图，并且从RGB空间得到B分量图；
（6）对B分量图和C3分量图的阈值进行分析，从而得出双阈值检测结果图；
（7）对第四步和第六步的结果进行与运算的叠合处理。
（8）对第七步的结果中的小区域去除掉，并进行形态学的闭运算处理，从而得出最终的阴影检测图像。
（图4 算法流程图）
实验结果与分析
5.1、实验结果
本文运用以上所阐述的集中方法，对阴影区进行了多种检测实验，因为条
件限制，本文将主要列出其中三幅图的结果（如图5所示），为了方便对检测结果进行观察和分析，用白色表示检测出来的非阴影区，黑色表示检测出
（原图）（直方图阈值检测）
（形态学检测）（彩色模型检测）
（图5图3 检测结果）
5.2、统计分析
对以上所进行的三个实验结果进行统计和分析，具体运用Shufelt（）提出的评价方法来评估上文的检测结果中所得出的阴影区。提出两个评价指标，主要是准确率和精度。阴影区检测准确率C1，阴影区检测总体精度A1。
以上公式中MFP指的是非阴影被检测为阴影的像素数，MFN指的是阴影被检测为非阴影的像素数，MTP指的是被正确检测的阴影像素数。
依据上文中所阐述的阴影检测的评价指标，把处理之后的影响按照其准确率和精度分别进行统计，其结果如下表所示：
（阴影检测之后的图像统计数据）
检测方法影像准确度指标精度指标
直方阈值法图3
图4
图5 63.12%
65.34%
68.26% 61.45%
83.37%
66.21%
形态学检测法图3
图4
图5 80.21%
81.34%
81.78% 78.53%
79.46%
80.23%
彩色模型检测法图3
图4
图5 91.28%
92.01%
92.37% 90.11%
90.98%
91.23%
（原图）（直方图阈值检测）
（形态学检测）（彩色模型检测）
（图6图4检测结果）
结束语
根据遥感影像阴影区域的一些特征，包括高色调值、高饱和度值、低亮度值、
彩色不变以及蓝光值波动比率小特点，把RGB空间转换成HSV空间和C1C2C3彩色空间，同时还结合了，光谱比技术、双阈值检测和数学形态学原理，提出了一种基于遥感影像色彩模型的阴影检测算法，通过实验得出了所提出的方法的有效性，同时还跟其它的检测方法进行了分析和比较，其结果表明直方图阈值法和形态学检测法很容易把影响中跟阴影区的颜色、亮度或者色调值比较接近的建筑物或者道路误以为是阴影；并且通过统计和分析得出，用彩色模型检测法对隐性进行检测，其准确度和精度比传统的阴影检测方法要好很多，检测效果也非常好。然而，根据以上实验也可以看出来，本文所阐述的
方法在一些场地中也是会产生误差的，而怎样改进或者提升这方面的效果，还有待更进一步的研究。
参考文献：
[1]赵显富,胡晓雯. 基于彩色模型的遥感影像阴影检测[J]. 科学技术与工程，2013
[2]柳稼航,杨建峰,方涛. 彩色遥感影像阴影颜色特性分析[J]. 光子学报，2009
[3]刘慧明,张峰,宋创业. 基于NDVI假彩色合成法的土地覆被变化监测[J]. 生态科学,2013
------------最新【精品】范文
行人视频检测中阴影检测与去除方法设计
行人视频检测中阴影检测与去除方法设计 行人是城市交通系统的主要参与者，保障行人安全和减少其对机动车的干扰是城市交通系统建设的重要目标，因此对行人交通的研究也越来越受到重视。行人交通研究的主要问题［1-2］包括行人检测、目标跟踪和行为分析。基于视频的行人检测与传统的红外检测、GPS检测、激光检测等方法相比，具有不破坏路面、维护方便、实时性好、可检测的参数多等优点，成为实时交通信息采集和处理技术的发展方向。视频图像中的阴影会影响行人的检测与跟踪［2-4］，因为阴影的存在会造成检测目标的变形、合并、甚至丢失，使得目标定位及计数不准确。近年来，科研工作者对图像中的阴影去除问题进行了大量研究，在这些研究方法中，考察的图像特征主要有三种：光谱特征、空间特征和时间特征［5］。光谱特征针对像素点，如灰度值、颜色信息等［6］，根据当前图与背景图的色差、亮度差值等判断像素点是否为阴影，或者对图像进行变换得到光照无关图［7］进而去除阴影；空间特征是针对某一区域或某一 帧图像，根据检测到的图像的轮廓、纹理、边缘等信息判断是否为阴影，如利用图像的轮廓特征［8-9］，找到目标与阴影的边界线，对本体和阴影粗分，再建立阴影像素的高斯模板进行细分，既减少了计算量又能达到较好效果；时间特征一般都是与前两种特征结合使用，可以用于对阴影方向或运动速度的估算等，以进一步提高阴影去除效果。 本文提出一种新的基于YUV颜色空间的阴影去除算法，因为很多摄像 头的输出信号采用YUV颜色空间，与基于RGB颜色空间的处理方法相比，省去了图像颜色空间转换的步骤，能提高处理速度。在图像特征上，本文结合像素点的光谱特征与图像整体的空间特征，首先通过亮度差和色差对像素点进行判断，再利用目标本体与阴影只相接不相交的空间特征，对去除结果进行修正，
遥感变化监测 流程
多时相土地利用/覆盖变化监测研究 方法及数据选取 土地是一个综合的自然地理概念，它处于地圈-生物圈-大气圈相互作用的界面，是各种自然过程和人类活动最为活跃的场所。地球表层系统最突出的景观标志就是土地利用和土地覆盖( Land Use and Land Cover)。由于土地利用和土地覆盖与人类的生活、生产息息相关，而人类活动正以空前的速度、幅度和空前规模改变着陆地环境。人类对土地资源的利用引起的土地利用和土地覆盖的变化是全球环境变化的重要因素之一，也是地球表面科学研究领域中的一个重要分支。因此，土地利用和土地覆盖的动态监测（Land Use and Land Cover Monitoring）是国内外研究的热点，也是当前全球变化研究计划的重要组成部分。 由多时相遥感数据分析地表变化过程需要进行一系列图像处理工作，大致包括：一、数据源选择，二、几何配准处理，三、辐射处理与归一化，四、变化监测算法及应用等。 一、遥感数据源的选取 不同遥感系统的时间分辨率、空间分辨率、光谱分辨率和辐射分辨率不同，选择合适的遥感数据是变化监测能否成功的前提。因此，在变化监测之前需要对监测区域内的主要问题进行调查，分析监测对象的空间分布特点、光谱特性及时相变化的情况，目的是为分析任务选择合适的遥感数据。同时，考虑到环境因素的影响，用于变化监测的图像最好是由同一个遥感系统获得，如果由于某种原因无法获得同一种遥感系统在不同时段的数据，则需要选择俯视角与光谱波段相近的遥感系统数据。 1时间分辨率 这里需要根据监测对象的时相变化特点来确定遥感监测的频率，如需要一年一次、一季度一次还是一月一次等。同时，在选择多时相遥感数据进行变化监测时需要考虑两个时间条件。首先，应当尽可能选择用每天同一时刻或者相近时间的遥感图像，以消除因太阳高度角不同引起的图像反射特性差异；其次，应尽可能选用年间同一季节，甚至同一日期的遥感数据，以消除因季节性太阳高度角不同和植物物候差异的影响。 2空间分辨率 首先要考虑监测对象的空间尺度及空间变异的情况，以确定其对于遥感数据的空间分辨率的要求。变化监测还要求保证不同时段遥感图像之间的精确配准。因此，最好是采用具有相同瞬时视场（IFOV）的遥感数据，如具有同样空间分辨率的TM图像之间就比较容易配准在一起。当然也可以使用不同瞬时视场遥感系统获取的数据，如某一日期的TM图像（30m ×30m）与另一日期的SPOT图像（20m×20m），来进行变化监测，在这种情况下需要确定一个最小制图单元20m×20m，并对这两个图像数据重采样使之具有一致的像元大小。 一些遥感系统按不同的视场角拍摄地面图像，如SPOT的视场角能达到±27°，在变化监测中如果简单采用俯视角明显不同的两幅遥感图像，就有可能导致错误的分析结果。例如，对一个林区，不均匀地分布着一些大树，以观测天顶角0°拍摄的SPOT图像是直接从上向下观测到树冠顶，而对于一幅以20°观测角拍摄的SPOT图像所记录的是树冠侧面的光谱反射信息。因此，在变化监测分析中必须考虑到所用遥感图像观测角度的影响，而且应当尽可能采用具有相同或相近的俯视角的数据。 3光谱分辨率 应当根据监测对象的类型与相应的光谱特性选择合适的遥感数据类型及相应波段。变化监测分析的一个基本假设是，如果在两个不同时段之间瞬时视场内地面物质发生了变化，则不同时段图像对应像元的光谱响应也就会存在差别。所选择的遥感系统的光谱分辨率应当足
ENVI遥感影像变化检测
1.森林开采监测 打开实习数据0-森林开采监测下的实习数据。 ?Compute Difference Map 选择basic tools/change detection/ Compute Difference Map，分别选择原始的影像july_06与july_00，在弹出的Compute Difference Map input parameters窗口下，查看define class thresholds，no change表示没有变化， change（-1）表示减少，change（+1）表示增加；其他默认选项不变， 勾选normalize data range[0-1]，选择输出路径与文件名为com_diff。 选择classification/post classification/classification to vector，在输入图层中选择上一步生成的结果，弹出窗口中选择全部，保存路径生成结果， 转化为矢量。（由于耗时过多，故可以不做） ?Image Difference 打开ENVI Zoom 4.8，将原始的影像导入到其中，在ENVI Zoom窗口下的toolbox 中选择image change，弹出image change detection的对话框，将time 1classification image file选择为00年影像，点击OK，time2 classification image file中选择06年影像数据，点击OK，选择下一步，保持默认设置，选择下一步，选择image difference，选择下一步，选择difference of
遥感影像变化检测
遥感影像变化检测报告 学院： 专业： 指导老师： 小组成员： 2013年5月
1、遥感影像变化检测的概念 遥感影像变化检测指利用多时相获取的覆盖同一地表区域的遥感影像及其它辅助数据 来确定和分析地表变化。它利用计算机图像处理系统，对不同时段目标或现象状态的变化进行识别、分析；它能确定一定时间间隔内地物或现象的变化，并提供地物的空间分布及其变化的定性与定量信息。 由此可知，遥感影像变化检测是从不同时期的遥感图像中，定量地分析和确定地物变化的特征和过程。它涉及到变化的类型、分布状况及变化信息的描述，即需要确定变化前后的地物类型、界限和分析变化的属性。变化检测的研究对象为地物，包括自然地物和人造地物，其中人造地物在军事上常被称为目标。描述地物的特性包括：空间分布特性、波谱反射与辐射特性、时相变化特性。遥感影像的变化检测在土地覆盖变化监测、环境变迁动态监测、自然灾害监测、违章建筑物查处、军事目标打击效果分析以及国土资源调查等方面拥有广泛的应用价值和商业价值。 变化检测通常包括以下4个方面的内容： (1)判断是否发生了变化，即确定研究区域内地物是否发生了变化； (2)标定变化发生的区域，即确定在何处发生了变化，将变化像元与未变化像元区分开来； (3)鉴别变化的性质，给出在每个变化像元上所发生变化的类型，即确定变化前后该像元处的地物类型； (4)评估变化的时间和空间分布模式。 其中，前两个方面是变化检测所要解决的基本问题，而后两个方面则根据应用要求决定是否需要做。 2、遥感影像变化检测的三个层次 遥感图像分析过程中通常包括数据层处理、特征层处理和目标层处理三个过程。依据这三个层次划分，可将变化检测分为：像元级变化检测、特征级变化检测和目标级变化检测。 (1)像元级变化检测是指直接在采集的原始图像上进行变化检测。尽管基于像元的变化检测有它一定的局限性，但由于它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，提供其它变化检测层次所不能提供的细微信息，因而目前绝大多数的变化检测方法都是像元级变化检测。 (2)特征级变化检测是采用一定的算法先从原始图像中提取特征信息，如边缘、形状、轮廓、纹理等，然后对这些特征信息进行综合分析与变化检测。由于特征级的变化检测对特征进行关联处理，把特征分类成有意义的组合，因而它对特征属性的判断具有更高的可信度和准确性。但它不是基于原始数据而是特征，所以在特征提取过程中不可避免地会出现信息的部分丢失，难以提供细微信息。 (3)目标级变化检测主要检测某些特定对象(比如道路、房屋等具有明确含义的目标)，是在图像理解和图像识别的基础上进行的变化检测，它是一种基于目标模型的高层分析方法。 变化检测的三个层次在实现上各有优缺点，在具体的变化检测中究竟检测到哪个层次是根据任务的需要确定的。像元级的变化检测保持了尽可能多的原始信息，具有特征级和目标级层次上所不具备的细节信息，但像元级变化检测仅考虑像素属性的变化，而未考虑其空间等特征属性的变化；特征级变化检测不仅考虑到空间形状的变化，而且还要考虑特征属性的变化，但特征级的变化检测依赖于特征提取的结果，但特征提取本身比较困难；目标级的变化检测最大的优点是它接近用户的需求，检测的结果可直接应用，但它的不足之处在于目标提取的困难性。
生态环境遥感监测方案
生态环境遥感监测方案 遥感技术作为目前一种先进的信息采集方式，具有信息量大、成本低和快速的特点，是生态环境监测中非常重要的技术手段。遥感集市运用遥感技术进行矿区生态环境动态监测，为合理开发矿产资源提供基础性数据资料，实现矿产资源的可持续发展，是生态环境领域研究的重要课题。 矿区生态环境问题包括：对地表的破坏、对土地的占用和破坏，对自然景观的影响和破坏，造成“三废”污染，破坏水资源、造成水土流失，诱发或孕育滑坡、泥石流、冲击地压、矿震等动力地质、环境地质问题，噪声和振动污染，热污染等。目前，国内外已有许多科学工作者利用遥感技术对矿区生态环境监测做了研究：一方面，是利用不同时相的波段组合图、指数变化图和土地覆盖类型变化图来体现地表信息的变化，从而进行矿区生态环境动态监测，但往往是定性或半定量分析，并且多是单个大面积的矿区，对于大范围分布零散的矿区研究甚少；另一方面，是将遥感信息与其他调查数据（如土质、水质等数据）相结合，具体研究采矿引起的土质变化、水质变化、地表变形等，虽然细致、透彻，但费时、费力。 针对湖北大冶矿区分布零散的特点，应该采用多时相陆地卫星遥感数据，首选遥感集市高分数据，在不同波段组合和各种指数运算应用的基础上，分析各类地表地物具体光谱特征和空间特征，用基于知识的决策树的方法进行分类，得到具有高精度的分类结果图，然后基于不同时相分类结果的变化检测，通过对研究区水体污染、矿区复垦、耕地变化等的定量分析，进行了湖北大冶矿区生态环境监测的研究。 遥感数据的获取和预处理 湖北大冶面积为1400km2，属亚热带季风气候区。由于20世纪的 80年代到90年代是矿区开采的相对高峰期，并且由此引起的生态环境问题有一定滞后效应，同时为了减少季节上产生的误差，而夏季植被丰富，易于区分矿区和植被类型，本文从现有的资料中选取有代表性的1986年7月底、1994年11月的TM 影像和2002年 9月初的ETM 影像进行处理和分析比较（其中1994年 TM影像因季节差异仅作矿区的比较）。 由于地面站在接收信号时根据遥感平台、地球、传感器的各种参数进行的几何校正，还不能满足专业解译和综合分析的需要，本文以 !,- 万比例尺的地形图作为参考坐标，对湖北大冶矿区的遥感影像进行几何精校正。纠正时在图像和地形图上分别均匀
遥感变化检测实验报告
遥感影像变化检测实验报告 目录 1 遥感影像变化检测概述 (2) 1.1 遥感影像变化检测的内容 (2) 1.2 影响变化检测的因素 (2) 1.3 遥感影像变化检测步骤 (3) 1.4 评判遥感影像检测方法优劣的标准 (3) 2 实验过程（基于ERDAS软件） (3) 2.1 影像数据 (3) 2.2 处理步骤 (3) 2.3 ERDAS操作步骤 (3) 2.3.1 2003年影像配准 (3) 2.3.2 2005年影像配准 (10) 2.3.3 相对大气校正 (11) 2.3.4 差分检测 (15) 3 结语 (16)
1 遥感影像变化检测概述 遥感影像变化检测就是对目标或现象在不同时间观测到的状态的差异的识别过程。常用用于遥感影像变化检测的领域有：土地利用/土地覆被变化；森林或植被变化；森林死亡、落叶和灾害评价；森林采伐、再生和选择性砍伐；湿地变化；森林火灾以及林火影响区域检测；地表景观变化；城市变化；环境变化；如农作物检测、轮垦检测、道路分段、冰川总量平衡和表面变化等。 1.1 遥感影像变化检测的内容 遥感影像变化检测的内容为： （1）检测并判断某一研究区域内感兴趣的目标或现象在所研究的时间段内是否发生了变化； （2）确定发生变化区域的位置； （3）遥感影像变化检测结果精度评估； （4）分析、鉴别变化类型，确定变化前后地物类型； （5）分析、评估变化在时间和空间上的分布模式，对其变化规律进行描述和解释； （6）对未来的变化进行预测，为科学决策提供依据。 1.2 影响变化检测的因素 一般来说，影像遥感影像变化检测的因素主要有： （1）多时相影像间的精确几何配准； （2）多时相影像间的定标或规一化； （3）高质量地面真实数据的获取； （4）研究区地面景观和环境的复杂度； （5）变化检测的方法和算法； （6）分类和变化检测的主题（目标）； （7）分析人员的技术水平和经验； （8）对研究区的认知和熟悉程度； （9）时间和成本限制。 为此，数据选择时，尽量选择同一传感器、相同辐射和光谱分辨率，并在时间周期上相同或相近的数据，目的是为了能消除外部环境的影响，如太阳高度角、季节和物侯的差异等。在进行变化检测前我们应进行的准备工作主要有： （1）多时相影像必须精确配准； （2）多时相影像间必须精确辐射定标和大气校正或规一化； （3）多时相影像间要有相似的物候状态；
遥感图像的分类与变化监测最终版
遥感图像的分类与变化监测 1.数据准备 1.1研究区域概况 向10度至30度长有210公里，东西宽有15公里至20公里，是川西断陷带和川东隆起带 泉驿区总面积的39.07%、3.86%、57.07%。2009年，龙泉驿区土地总面积5.5698万公顷，其中耕地7367.83公顷，占土地总面积的13.23%;园地2.5295万公顷，占土地总面积的45.42%;林地7628.2公顷，占土地总面积的13.70 %;其他农用地3295.85公顷，占土地总面积的5.92%;居民点及工矿用地1.0742万公顷，占土地总面积的19.29%;交通运输用地539.83公顷，占土地总面积的0. 97%;水利设施用地553.30公顷，占土地总面积的0.99 %;未利用地274.93公顷，占土地总面积的0.49%。 1.2数据下载 在地理空间数据云中先搜索2000年---2005年的数据，选择云量较少，图像 质量高的进行下载；搜索2009年---2015年图像选择质量高的下载，最终选定2001年和2009年龙泉驿区的图像（landsat4--5）。 两期影像的像元信息： 影像 数据 类型 卫星名称 传感 器 条带 号 太阳 高度角 太阳 方位角 平均 云量 数据标示 2001 TM landsat4--5 TM 129 37.5708 141.1516 5.45 LT5129039200104 2009 TM landsat4--5 TM 129 51.3982 133.2621 0 LT5129039200908 2001年影像
2009年图像 2.数据处理 2.1图像格式的转换 2.1.1格式转换 利用Import工具，将下载的TIFF影像转换为后缀为img图像，并选择存储的路径。 2.1.2多波段图像的融合 在interpreter工具中利用image interpreter中的layer stack进行1--7图像的融合， 为后面的处理提供基础。
多时相遥感影像变化检测技术的研究
龙源期刊网 https://www.360docs.net/doc/6712858117.html, 多时相遥感影像变化检测技术的研究 作者：张德慧杨勇宋凯 来源：《科技创新与应用》2014年第34期 摘要：针对多时相遥感影像的变化检测技术进行研究，根据图像的变化推出研究目标的 变化信息，完成对研究目标的动态监测，该技术无论在理论上还是在各个领域的应用中都具有重要的研究意义和广泛的应用前景。文章根据多时相遥感影像变化检测流程对遥感影像的预处理、遥感影像变化信息的提取和精度评价等关键技术展开一些积极的探索和研究，旨在经过创新和改进，在一定程度上克服现有方法存在的困难，提高变化检测的精度和效率。 关键词：多时相遥感影像；变化检测；精度评价 遥感是通过遥感器“遥远”地采集目标对象的数据，并通过对数据的分析来获取有关地物目标、或地区、或现象的信息的一门科学和技术[1]。随着卫星技术的发展，通过将各种传感器 搭载至卫星平台，对地遥感观测累积了海量的地表对时间变化的数据，如何加快对这些遥感数据的充分处理和利用，促进其转化为更有价值的知识，为有关部门做出相应的、准确的、快速的决策提供丰富且有益的辅助信息，促使了多时相遥感影像变化检测技术的产生和发展。 1 多时相遥感影像变化检测的技术路线 多时相的遥感影像变化检测技术是指给定同一个地区的多个时相的单波段或多波段遥感图像，采用图像处理的方法快速而高效地检测出该地区的地物是否发生变化，若发生变化则进一步分析变化的特点和原因，从而实现对遥感图像的分析与理解。 首先选择同一地区的多时相遥感影像作为数据源，然后通过对遥感影像的辐射校正和图像配准实现数据的预处理，接着通过变化检测算法得到变化结果生成图或生成表实现变化信息的提取，再次通过分析变化检出率和检测虚警率对变化检测结果做出科学的精度分析实现精度评价。 2 关键技术分析 2.1 多时相遥感影像的预处理 辐射校正和图像配准是变化检测中两项关键的预处理过程，处理精度将直接影响变化检测的精度。 2.1.1 辐射校正 由于遥感器本身的光电系统特征、太阳高度、地形以及大气条件使得通过遥感器得到的测量值与目标物的光谱反射率或光谱辐射亮度等物理量是不一致的，也就是说通过变化检测算法
遥感图像变化检测
遥感图像变化检测方法(简称变化检测)根据处理目标要求可以分为三类:特定类目标的变化检测,如机场、桥梁、港口、导弹基地等目标的变化检测;线性体目标的变化检测,如道路、机场、桥梁和一般建筑物等目标的变化检测;大面积目标的变化检测,如某地域的植被变化、城市的发展、洪水灾害评估等。本文系统地研究了基于模式识别知识检测特定类目标、线性体目标和大面积目标变化的变化检测方法。 为了实现对特定类目标的变化检测,本文提出了一种基于目标检测的变化检测方法。该变化检测法的工作流程为:多时相图像配准、特定类目标建模、检测特定类目标、确定特定类目标的位置、比较特定类目标在参考图像和检测图像中的位置、报告变化情况。本文提到的特定类目标建模,是对某类特定目标的共同属性进行建模,即一般模型,而不是针对某个具体目标进行详细的状态描述。本论文提出的机场检测法在试验中达到了100%的正确检测率。确定了检测图像中的机场位置后,就可以将检测结果与参考图像中的机场位置进行比较,从而实现机场位置变化的检测。 对于检测线性体目标的变化,本论文提出了一种基于边缘检测的变化检测方法。该变化检测法的工作流程为:多时相图像配准、图像标准化、提取参考图像及检测图像的边缘、匹配边缘图像中的边缘并获得边缘差分图像、标注变化情况。边缘检测算子的性能直接影响变化检测结果。本论文提出了一种全新的边缘检测算子—正弦算子。本论文详细分析了边缘算子的三个性能准则:检测性能、定位性能和响应唯一性,在此基础上提出了正弦算子。正弦算子不但具有较好的容噪能力,并且能够检测到灰度变化较小的边缘。理论结果和试验结果都证明正弦算子是一个性能卓越的边缘检测算子。 本文提出了一种中高分辨率遥感图像的聚类方法。该聚类方法的过程分为两部分:学习过程和识别过程。学习过程为:选取图像特征、使用已知类别的特征训练BPC网络;识别过程为:输入待分类图像、预处理滑动窗口中图像、计算滑动窗口的图像特征、使用BPC网络判断滑动窗口中心像素的类别、在图像中逐点移动滑动窗口、完成整个图像的分类。试验结果表明,本文的特征提取法和图像聚类法能获得较好的图像聚类精度。 遥感图像数据获取系统近期发展的主要方向是提高空间和时间分辨率,这使遥感图像数据量有了巨大的增加。大量的数据和有限的人工分析员必将导致有很多图像无法被浏览。而在实际中,我们却非常需要分析员浏览相关图像。如果我们知道需要浏览的具体图像和图像中的具体目标,这个问题就很容易解决了。然而,大多数情况下,我们并不知道哪个图像中包含了我们需要寻找的信息。但是,我们可以利用数字图像的许多性质,通过计算机浏览所有的图像并把我们的注意力引导至相关的图像。实现这一目的主要有两个方法:使用计算机对图
遥感_变化监测实习报告
变化监测实习报告 实习名称变化监测 实习课程遥感图像处理姓名班级 实习时间学号得分 实习原理：非监督分类运用1SODATA算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时。原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。 实习数据： 遥感影像：LS5_TM_20100725_023435_023501_121040_FASTB_L2 LS5_TM_20081210_022812_022837_121040_FASTB_L2 简析：影像为江西省鄱阳湖地区，在影像生成时间内。时值夏/冬季，但江西地区植被多常绿。 实习内容：就所下载遥感影像，采用非监督分类的方法，对影像中所放映的信息进行分类。 实习目的：掌握非监督分类的方法与过程，加深对非监督分类方法的理解。 实习步骤：
第一步：调出非监督分类对话框 在ERDAS 图标面板工具条中点击Classifier 图标 →C1assification →Unsupervised Classification →Unsupervised classification。对话框如下： 第二步：进行非监督分类 在Unsupervised classification对话框输入数据（如上图右所示）。 确定输出文件（Input Raster File）:caijianhou_40.img（要被分类的图像）→确定输出文件（Output File）:非监督分类_caijianhou 4001.img即将产生的分类图像）
遥感影像基于像素的变化检测方法简介
表2 基于像素得变化检测方法简介 方法 简介 图像差值 使用两个精确配准得图像来产生表示变化得差值图像。可以直接从像素得辐射值或 者在提取得/导出得/变换得图像(如纹理或植被指数)上测量差异。在数学上,差异图像 得表示就是:12(,)(,)(,)d I x y I x y I x y =-,其中I 1与I 2就是时间t 1与t 2得图 像,(x,y )就是坐标,I d 就是差分图像。没有辐射变化得像素分布在均值周围(Lu 等,2005), 而变化得像素分布在分布曲线得尾部(Singh,1989)。 由于变化可能出现在两个方向 上,因此决定由那个图像减去那个图像(Gao,2009)。 图像比值 计算两个共同配准得图像之间得比率。数学上:12(,)(,) r I x y I I x y =,与图像差值不同,图像得顺序并不重要,因为变化结果以比率表示,未变化得区域在理论上应该为1。 回归分析 假定从时间(t 2)开始得图像I 2就是从时间(t 1)开始得图像I 1得线性函数。 图像I 2被视 为“参考”图像。 然后调整I 1图像以匹配参考图像得辐射测量条件。回归分析(如最小 二乘回归)可以通过对I 1图像进行辐射度量归一化以匹配参考图像来帮助识别增益与 偏移量(Lunetta,1999)。 变化(I d )图像由检测到从第一次日期图像中减去回归图像。 数学上:?(,)(,)d d I x y aI x y b =+; ?(,)(,)(,)d d d I x y I x y I x y =- 植被指数差值 植被在红光与近红外波段光谱反射率间得显著差异,通过波段组合,形成植被指数。通 常,对于变化检测,两个图像分别产生植被指数,然后应用基于标准像素得变化检测(例 如差值或比值)。 现有得植被指数有:基于比值得植被指数(RVI ),归一化植被指数(NDVI )与土壤调整植 被指数(SAVI )等。 变化向量分析(CVA ) 可以同时分析变化检测得多个图像波段。 CVA 背后得想法就是,随着时间得推移,具 有不同值得特定像素位于特征空间中基本不同得位置(Jensen,2005)。像素值被视为光 谱波段得矢量,通过减去不同日期所有像素得矢量(Malila,1980)计算变化矢量(CV )。 CV 得方向描绘了变化得类型,而变化得大小对应于CV 得长度。 也可以对转换后得 数据执行CVA (例如,Kauth-ThomasTransformation,KTT )。 主成分分析(PCA ) PCA ,数学上就是基于“主轴转换”,就是将多元数据转换为一组新得成分,从而减少了数 据冗余(Lillesand et al 、,2008)。 PCA 使用协方差矩阵或相关矩阵将数据转换为独立 不相关得数据。结果矩阵得特征向量按降序排序,其中第一主成分(PC)表示大部分数 据变化。随后得分量定义下一个最大得变化量,并且与前面得主分量就是独立得(正交 得)。在PCA 中,假定没有变化得区域就是高度相关得,而变化得区域则不就是。在多 时相图像分析中,PC1与PC2倾向于代表未改变得区域,而PC3与后来得PCs 包含改 变信息(Byrne 等,1980; Ingebritsen 与Lyon,1985; Richards,1984)。使用两种基于PCA 得变化检测方法。第一个,单独得旋转,就是分别从图像获取PC ,然后使用其她变化检 测技术(如图像差值)。第二种就是合并方法,其中双时间图像被合并为一个集合并且 PC 被应用。与双时间数据具有负相关性得PCs 对应于变化。 Coppin 与Bauer(1996)