改进CV模型在高分辨率遥感影像分割中的应用
改进CV模型在高分辨率遥感影像分割中的应用
许文宁;梅树立;王鹏新;杨勇
【期刊名称】《农业机械学报》
【年(卷),期】2011(042)003
【摘要】An improved CV model was presented according to the characters and the segmentation requirements of the remote sensing images. The correctness of the improved model was validated by the experiment. The results show that the new method can improve calculation efficiency effectively. Beside this, a continuous and closed boundary curve of the target objects can be obtained at the same time. Therefore, the land cover can be identified precisely with the help of the geometrical characteristic of the segmentation boundary.%针对遥感图像的特点及分割要求给出了一种CV简化模型,并对改进模型的正确性进行了实验验证.实验结果表明,该方法不但提高了运算速度,而且能够得到连续封闭的目标地物矢量数据,因此可方便地利用分割边界的几何特征实现地物目标的精确识别.【总页数】4页(180-183)
【关键词】遥感图像;区域分割;CV模型;应用
【作者】许文宁;梅树立;王鹏新;杨勇
【作者单位】中国农业大学信息与电气工程学院,北京,100083;中国农业大学信息与电气工程学院,北京,100083;中国农业大学信息与电气工程学院,北京,100083;中国农业机械化科学研究院,北京,100083
【正文语种】中文
遥感影像的分类处理
摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程
高分辨率遥感卫星介绍
北京揽宇方圆信息技术有限公司 高分辨率遥感卫星有哪些 高分辨率遥感可以以米级甚至亚米级空间分辨率精细观测地球，所获取的高空间分辨率遥感影像可以清楚地表达地物目标的空间结构与表层纹理特征，分辨出地物内部更为精细的组成，地物边缘信息也更加清晰，为有效的地学解译分析提供了条件和基础。随着高分辨率遥感影像资源日益丰富，高分辨率遥感在测绘制图、城市规划、交通、水利、农业、林业、环境资源监测等领域得到了飞速发展。 北京揽宇方圆信息技术有限公司是国内的领先遥感卫星数据机构，而且是整合全球的遥感卫星数据资源，分发不同性能、技术应用上可以互补的多种卫星影像，包括光学、雷达卫星影像、历史遥感影像等各种卫星数据服务，各种专业应用目的的图像处理、解译、顾问服务以及基于卫星影像的各种解决方案等。遥感卫星影像数据贯穿中国1960年至今的所有卫星影像数据，是中国遥感卫星数据资源最多的专业遥感卫星数据服务机构，提供多尺度、多分辨率、全覆盖的遥感卫星影像数据服务，最大限度的保证了遥感影像数据获取的及时性和完整性。 一、卫星类型 (1)光学卫星：worldview1、worldview2、worldview3、worldview4、quickbird、geoeye、ikonos、pleiades、deimos、spot1、kompsat系例、spot2、spot3、spot4、spot5、spot6、spot7、landsat5(tm)、Sentinel-卫星、landsat(etm)、rapideye、alos、kompsat系例卫星、planet卫星、北京二号、高景一号、资源三号、高分一号、高分二号、环境卫星。 (2)雷达卫星：terrasar-x、radarsat-2、alos雷达卫星、高分三号卫星、哨兵卫星 (3)侦查卫星：美国锁眼卫星全系例(1960-1980) 二、卫星分辨率 (1)0.3米：worldview3、worldview4 (2)0.4米：worldview3、worldview2、geoeye、kompsat-3A (3)0.5米：worldview3、worldview2、geoeye、worldview1、pleiades
遥感影像分类实验报告
面向对象分类实验报告 姓名： 学号： 指导老师： 地球科学与环境工程学院
一、实验目的 面向对象法模拟人类大脑认知过程，将图像分割为不同均质的对象，充分利用对象所包含的信息，将知识库转换为规则特征，从而提取影像信息。因为分析的是对象而不是像元，因此我们可以利用对象丰富的语义信息，结合各种地学概念，如面积、距离、光谱、尺度、纹理等进行分析。 面向对象的遥感影像分析方法与传统的面向像元的影像分析方法不同。首先我们要用一定方法对遥感影像进行分割，在提取分割单元（图像分割后所得到的内部属性相对一致或均质程度较高的图像区域）的各种特征后，在特征空间中进行对象识别和标识，从而最终完成信息的分类与提取。 二、实验意义 1、使用eCognition进行面向对象的影像分类的流程； 2、体会面向对象思想的内涵，学会将大脑认知过程转变为机器语言； 三、实验内容 3.1、影像的预处理 利用ERDAS软件将所给的全色影像和多光谱遥感影像进行融合，达到既满足高空间分辨率，又保留光谱信息。Image interperter-> spatial enhancement-> resolution merge.输入融合前的两幅影像，完成影像的预处理过程。 图 1 图像融合步骤
图 2 融合后的图像 3.2、使用eCongition 创建工程 a、使用规则集模式创建工程 图 3 模式选择 b、file->new projection ，打开Create Project和Import Image Layers两个
对话框，将上面的实验数据导入。（注意，数据以及工程文件保存路径不要有中文） 图 4 导入数据 c、选择数据修改波段名称,并设置Nodata选项。
高空间分辨率遥感影像分割方法研究综述
高空间分辨率遥感影像分割方法研究综述 高空间分辨率遥感影像分割方法研究综述 刘建华毛政元 （福州大学,空间数据挖掘与信息共享教育部重点实验室，福建省空间信息工程研究中心，福州350002） 摘要:遥感影像分割是指把一幅影像划分为互不重叠的一组区域的过程，它要求得到的每个区域的内部具有某种一致性或相似性，而任意两个相邻的区域则不具有此种相似性。遥感影像分割是面向对象的遥感影像数据挖掘与应用中的一项关键技术,对于影像目标信息自动化提取与智能识别尤为重要，在面向对象的遥感影像处理工程中具有重要意义。本文对常见的高空间分辨率遥感影像分割方法与应用策略进行了分析，比较了各种分割方法的应用范围、优缺点及目前存在的改进措施。建立了面向对象的遥感影像分割方法的分类体系，最后指出了面向对象的遥感影像分割方法目前所存在的问题及应用前景。 关键词:高空间分辨率遥感影像影像分割方法应用策略进展 A Survey on High Spatial Resolution Remotely Sensed Imagery Segmentation Techniques and Application Strategy Liu Jian hua Mao zheng yuan (Fuzhou University, Spatial Information Research center, Fuzhou, 350002) Abstract: Remotely sensed imagery segmentation is a process of dividing an image into different regions such that each region is, but the union of any two adjacent regions is not, homogeneous. It is one of key techniques in the object-oriented remotely sensed imagery data mining and its application, also quite essential in remote sensing image processing engineering. In this paper, we have a rough survey on different methods of high spatial resolution remotely sensed imagery segmentation, categorizing them into four groups according to the gray or color information they are exploiting. The disadvantage of current methods and the proper progress which can be attained in the near future are pointed out at the end of this essay. Keywords: High Spatial Resolution Imagery, Segmentation methods, application strategy, advances and prospects 1 引言 高空间分辨率遥感影像(如GeoEye、WorldView、QuickBird、IKONOS等，本文简称高分影像)在诸多领域（地形图更新、地籍调查、城市规划、交通及道路设施、环境评价、精细农业、林业测量、军事目标识别和灾害评估等）得以广泛应用[1]。目前，影像信息提取自动化程度低是高分影像应用潜力得不到充分发挥的主要限制因素，是理论和应用研究中必须突破的瓶颈。 遥感影像分割是面向对象的遥感影像分析方法[2]的基础和关键，在遥感影像工程中处于影像处理与影像理解的中间环节，是面向对象的影像分析理论研究的突破口。按照一般的影像分割定义[3],分割出的影像对象区域需同时满足相似性和不连续性两个基本特性；其中相似性指该影像对象内的所有像元点都满足基于灰度、色彩、纹理等特征的某种相似性准则，不连续性是指影像对象的特征在区域边界处的不连续性。迄今为止,将计算机视觉领域的图像分割算法应用于图像分割过程中,已开展了较多的研究[4-7],并提出了大量的算法；但针对遥感影像尤其是高分影像的分割方法较少[8],仍不成熟。这是由于与其它类型图像的分割相比，高分影像分割难度更大,也更具挑战性。具体体现在高分影像其空间分辨率高、纹理信息丰富而光 基金项目: 国家重点基础研究发展计划项目（973）子课题“高空间分辨率遥感影像自适应数据挖掘方法研[2006CB708306]”，国家自然科学基金项目“基于场模型的自适应空间聚类方法研究[40871206]”。 作者简介: 刘建华，男，博士研究生,曾从事GIS与RS教学工作。目前主要研究方向为空间数据挖掘、遥感图像处理以及GIS与RS集成等。E-mail：sirc.liujh@https://www.360docs.net/doc/7a526780.html,。
高分辨率遥感影像数据一体化测图系统PixelGrid
高分辨率遥感影像数据一体化测图系统PixelGrid 北京四维空间数码科技有限公司 一、概况介绍 高分辨率遥感影像数据一体化测图系统PixelGrid（以下简称“PixelGrid”）是由中国测绘科学研究院自主研发的“十一五”重大科技成果，获得2009年度国家测绘科技进步一等奖。 为将这一重大科技成果实现产业化，2008年开始，由中国测绘科学研究院参股单位北京四维空间数码科技有限公司进行成果转化和产品化，并开展销售。 该软件是我国西部1:5万地形图空白区测图工程以及第二次全国土地调查工程的主力软件， 被誉为国产的“像素工厂”。 PixelGrid以其先进的摄影测量算法、集群分布式并行处理技术、强大的自动化业务化处理能力、高效可靠的作业调度管理方法、友好灵活的用户界面和操作方式，全面实现了对卫星影像数据、航空影像数据以及低空无人机影像数据的快速自动处理，可以完成遥感影像从空中三角测量到各种比例尺的DEM/DSM、DOM等测绘产品的生产任务。 PixelGrid软件主界面。 二、主要特点 PixelGrid系统以现代摄影测量与遥感科学技术理论为基础，融合计算机技术和网络通讯技术，采用基于RFM通用成像模型的大范围遥感影像稀少或无控制区域网平差、基于旋转/缩放不变性特征多影像匹配的高精度航空影像自动空三、基于多基线/多重特征的高精度DEM/DSM自动提取、等高线数据半自动采集及网络分布式编辑、基于地理信息数据库等多源控制信息的高效影像地图制作、基于松散耦合并行服务中间件的集群分布式并行计算等一系列核心关键技术，是中国测绘科学研究院研制的一款类似“像素工厂”（ISTAR PixelFactoryTM）的新一代多源航空航 天遥感数据一体化高效能处理系统。
改进CV模型在高分辨率遥感影像分割中的应用
改进CV模型在高分辨率遥感影像分割中的应用 许文宁;梅树立;王鹏新;杨勇 【期刊名称】《农业机械学报》 【年(卷),期】2011(042)003 【摘要】An improved CV model was presented according to the characters and the segmentation requirements of the remote sensing images. The correctness of the improved model was validated by the experiment. The results show that the new method can improve calculation efficiency effectively. Beside this, a continuous and closed boundary curve of the target objects can be obtained at the same time. Therefore, the land cover can be identified precisely with the help of the geometrical characteristic of the segmentation boundary.%针对遥感图像的特点及分割要求给出了一种CV简化模型,并对改进模型的正确性进行了实验验证.实验结果表明,该方法不但提高了运算速度,而且能够得到连续封闭的目标地物矢量数据,因此可方便地利用分割边界的几何特征实现地物目标的精确识别.【总页数】4页(180-183) 【关键词】遥感图像;区域分割;CV模型;应用 【作者】许文宁;梅树立;王鹏新;杨勇 【作者单位】中国农业大学信息与电气工程学院,北京,100083;中国农业大学信息与电气工程学院,北京,100083;中国农业大学信息与电气工程学院,北京,100083;中国农业机械化科学研究院,北京,100083 【正文语种】中文
一种改进的高分辨率遥感影像分割方法
第35卷第3期 地球科学———中国地质大学学报 Vol.35 No.32010年5月 Earth Science —Journal of China University of G eosciences May 2010 doi :10.3799/dqkx.2010.050 基金项目:教育部新世纪优秀人才计划资助项目(No.NCET 20720772);国家重点“863”项目(No.2007AA120503). 作者简介:高伟(1980-),男,博士生,主要从事遥感数据处理与信息提取的科研和教学工作.E 2mail :cuggaowei @hot https://www.360docs.net/doc/7a526780.html, 一种改进的高分辨率遥感影像分割方法 高 伟1,2,刘修国1,2,彭 攀1,2,陈启浩1,2 1.中国地质大学信息工程学院,湖北武汉430074 2.地理信息系统软件及其应用教育部工程中心,湖北武汉430074 摘要:分形网络演化算法是面向对象的遥感影像分类中比较成熟的一种构建对象的算法,但在分割效率上有待进一步提高, 而四叉树分割是一种高效的图像分割方法.提出了一种基于四叉树预分割的分形网络演化构建对象的方法.实验证明,该方法基本不影响影像分割的效果,而且提高了形成初始对象的效率,较大程度上提高了整体的分割效率.关键词:影像分割;分形网络演化;高空间分辨率;四叉树;地理信息系统.中图分类号:TP311 文章编号:1000-2383(2010)03-0421-05 收稿日期:2010-01-15 An Improved Method of High 2R esolution R emote Sense Image Segmentation GAO Wei 1,2,L IU Xiu 2guo 1,2,PEN G Pan 1,2,CH EN Qi 2hao 1,2 1.Facult y of I nf ormation Engineering ,China Uni versit y of Geosciences ,W uhan 430074,China 2.Engineering Research Center f or GIS S of t w are and A p plications ,Minist ry of Education ,W uhan 430074,China Abstract :Fractal net evolution approach (FN EA )is a relatively mature one among the object 2oriented image segmentation algo 2rithms ,but its efficiency is to be improved.Quad 2Tree segmentation is a kind of effective image segmentation method.In this paper ,an improved object oriented multi 2scale image segmentation method based on the quad 2tree pre 2segmentation and FN EA is introduced.The experiment shows that the effect of its segmentation result is almost the same as that of traditional FN EA method.Moreover ,It saves time. K ey w ords :image segmentation ;f ractal net evolution approach ;high 2nesolution remote sense ;quad 2tree ;geographic informa 2tion system (GIS ). 0 引言 近年来,以I KONOS 和Quick 2Bird 为代表的高空间分辨率遥感影像得到广泛应用(高伟,2006).高分辨率遥感影像具有丰富的空间信息,地物几何结构和纹理信息,便于认识地物目标的属性特征,如地物的图层值、形状、纹理、层次和专题属性,有助于提高地物定位和判读精度,使得在较小的空间尺度上观察地表细节变化,进行大比例尺遥感制图,以及监测人为活动对环境的影响成为可能.为土地利用、城市规划、环境监测等民用方面提供了更便利、更详细的数据源.高分辨率影像的广泛应用迫切要求人们对高分辨率遥感信息提取进行研究,以满足高分辨 率影像信息不断增长的应用和研究需要(Chen et al .,2009). 面向对象的高分辨率遥感影像的分类方法不仅利用地物的光谱信息,而且更多地利用几何信息和结构信息,可以结合其他空间知识和上下文信息来进行更为深入的分类,使得对高分辨率影像的分类更为合理和有效,这成为高分辨率影像信息提取的重要方法之一(Blaschke and Hay ,2001;陆关祥等,2002).在面向对象高分辨率影像的信息提取中,对遥感图像进行分割,形成具有一定特征相似性的影像区域,是实现从影像上进行地物目标计算机自动提取的第一步. 目前分形网络演化算法(Baatz and Schape ,
遥感图像分割和ENVI软件介绍实习报告
遥感图像处理 实训指导书 单位：测绘学院测绘工程1102班 姓名：王文兵 学号：1110020213 指导教师：陈晓宁、黄远程、竞霞、席晶、史晓亮 测绘科学与技术学院
2013 年12 月 实习一遥感图像处理实训概述与ENVI软件介绍 一、实验内容： 随着遥感技术日新月异的发展，伴随近年来我国高分辨率传感器的发展，在地物识别方面取得了巨大的成就和进步。根据陕西省地理国情白皮书的内容，发现我省各城市城区面积呈连年扩大之势，本次实验利用ZY-3卫星获取的2012年7月28日西安地区的高分辨影像为主要的数据源，通过对图像的光谱、空间和纹理信息的分析，采用多尺度分析和面向对象的分析方法，运用遥感影像自动分类方法，包括SVM、knn算法实现城市地物高精度的分类为主要目标。 本次试验加强深入了解ENVI软件的基本操作步骤以及各部分功能的使用方法，并对ZY-3卫星获取的西安市高分辨率影像图加以剪切，即剪切生成图名为g042016的实验图区，其覆盖范围为108°56’15”~109°00’ 00”； 34°15’ 00”~34°17’ 30”；之后对图区地物进行简单描述。 二、实验目的： 1.深入了解ENVI软件的各部分功能以及基本操作步骤，加深理解，增强动手能力； 2.学会对所需图区进行符合要求的剪切操作； 3.学会在高分辨影像图上识别地物并做简单描述；
三、实验步骤： 1.打开ENVI软件，打开File--Open Image File ,加载正视影像图ZY3_01a_mynnavp_017139_20120728_113641_0007_SASMAC_CHN_sec_ rel_001_1208096324.tif； 2.进行所需图区的截取；打开Basic Tools--Resize data(Spatial/Spectral)，之后选中此图像进行截取； 3.单击Spatial Subset--map，之后在空格内输入所需图区的两个对角（左上和右下）经纬度坐标，即（108.9375,3 4.29）；（109,34.25），单击OK确定后点Choose并建立文件夹进行保存，截取图区操作完成； 4.重新加载正视影像图区g042016,肉眼对图像进行简单的地物判别描述； 四、实验结果： 1.截取的全色影像图区g042016结果：
遥感图像的分割技术
遥感图像的主要分割技术 摘要：遥感图像都是一个地区自然与人文景观全貌的综合反映。每一幅遥感图像的覆盖面积是有限的，其包含的内容是多方面的、综合的。在对图像的应用中，多数情况下可能只对其中的某些部分感兴趣。例如，一幅遥感图像，从军事的角度看，可能只对机场、导弹基地、兵工厂的军事目标比较关心。这些目标在图像中具有独特性质，为了对此进行识别和分析，需要将其分离出来，提取其所具有的特征，进而进行识别分类。本文主要系统分析介绍了各种常用图像分割算法和技术，并简单评论了这些方法和技术的优势和不足之处。之后，对图像分割的发展趋势进行了展望。 关键词：图像分割；阈值法；分水岭算法；边缘检测；区域生长法；数学形态学。 引言： 图像分割就是指把图像分成互不重叠的区域并提取出感兴趣的目标的技术和过程。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记的过程，即将属于同一区域的像素赋予相同编号的过程。图像分割的目的是将一幅图像分为几个区域，这几个区域之间具有不同的属性，同一区域中各像素具有某些相同的性质，这里的特性可以是灰度、颜色、纹理等。 遥感图像以其良好的时相性和丰富的信息量和逐步提高的分辨率等特点逐步在国民生活的各个领域发挥了极大作用，例如，震灾评估中对建筑物和生命线工程受损情况的了解，洪水检测中对洪水的淹
没范围的评估。为了识别和分析目标，需要将这些区域从整幅图像中分离并提取出来，然后做进一步的分析与处理，如进行特征提取、测量描述等。图像分割可以把原始图像转化为更抽象、更紧凑的形式，使得更高层次的图像分析与理解成为可能。因此，我们利用图像分割技术对其进行深入的研究、发掘其中隐含的信息具有非常重要的意义。分割的好坏直接影响到后续分析、识别和解译等的精度，由于遥感图像的复杂性和图像分割自身的不确定性，遥感图像的准确分割成为遥感图像处理研究的热点和难点之一。 以下内容主要分析图像分割的各种方法和技术。 一、图像分割的方法和技术 图像分割有4种不同的常用方法：阈值法、边界法、区域法、混合法，但没有唯一标准的方法。我们根据所获得的数据和所要达到目的，选择比较适合的一种分割方法进行分割。 1、阈值法 阈值分割法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。阈值分割法是通过设定不同的特征阈值，把图像像素点分为具有不同灰度级的目标区域和背景区域的若干类。阈值分割法主要有全局阈值法、自适应阈值法。 阈值法的分割描述：设（x,y）是二维数字图像的平面坐标，图像灰度级的取值范围是G{0,1,2，…L-1}（习惯上0代表最暗的像素点，L-1代表最亮的像素点），位于坐标点（x,y）上
国外几种高分辨率遥感卫星对比
国外几种高分辨率遥感卫星对比 摘要：通过高分辨率遥感卫星应用这门课程的学习，我对高分辨率遥感卫星产生了很大的兴趣，其重要的两个影响因素就是大气辐射和波段选择。各国送上太空的高分辨率遥感卫星也是不计其数，我想搜集一下现在世界上流行的高分辨率遥感卫星对我们的学习和提升自身水平是很有帮助的。以下就是我所搜集到有关各种高分辨率遥感卫星的详细信息。 关键词：高分辨率卫星大气辐射波段选择 GeoEyeGeoEye-1 高分辨率卫星 世界上规模最大的商业卫星遥感公司美国 GeoEye，已于 2008 年 9 月 6 日成功发射了迄今技术最先进、分辨率最高的商业对地成像卫星——GeoEye-1。该卫星具有分辨率最高、测图能力极强、重访周期极短的特点，已为全球广大用户所关注。GeoEye-1 高分辨率卫星影像应用前景广阔，在实现大面积成图项目、细微地物的解译与判读等方面优势突出。 GeoEyeGeoEye-1 卫星特点 ?真正的半米卫星：全色影像分辨率 0.41 米，多光谱影像分辨率 1.65 米，定位精度 达到 3 米?大规模测图能力：每天采集近 70 万平方公里的全色影像数据或近 35 万平方公里的全色融合影像数据?重访周期短：3 天（或更短）时间内重访地球任一点进行观测 GeoEye-1 影像参数 eoEye全色和多光谱同时（全色融合）相机
模式单全色单多光谱分辨率星下点全色：0.41 m ；侧视 28°全色：0.5m；星下点多光谱：1.65 m 全色：450 nm---800 nm 蓝： 450 nm ---510 nm 波长多光谱红： 655 nm ---690 nm 近红外： 780 nm ---920 nm 立体 CE90: 4m；LE90：6m 定位精度（无控制点）定位精度（无控制点）单片 CE90：5m 幅宽成像角度重访周期星下点 15.2 km ；单景 225 k ㎡(15×15 km) 可任意角度成像 2-3 天绿： 510 nm ---580 nm 全色：近 700,000 k ㎡ / 天 (相当于青海省的面积) 单片影像日获取能力全色融合：近 350,000 k ㎡ / 天 (相当于湖南、湖北两个省的面积) GeoEyeGeoEye-1 技术参数运载火箭发射地点卫星重量星载存储器数据下传速度运行寿命 Delta II 加利福尼亚范登堡空军基地 1955 kg 1T bit X-band 下载，740 mb/sec 设计寿命 7 年，燃料充足可达 15 年储存并转送数据传输模式实时下传直接上传和实时下传轨道高度轨道速度轨道倾角/ 轨道倾角/过境时间轨道类型/ 轨道类型/轨道周期 684 km 约 7.5 km/sec 98°/10:30am 太阳同步/98min CartosatCartosat-1 号卫星又名 IRS-P5 ，是印度政府于 2005 年 5 月 5 日发射的遥感制图卫星，它搭载有两个分辨率为 2.5 米的全色传感器，连续推扫，形成同轨立体像对，数据主要用于地形图制图、高程建模、地籍制图以及资源调查等。Cartosat-1 设计寿命 5 年，目前卫星运行等各项指标正处于最好的时期，数据质量稳定可靠。 P5 卫星轨道参数 轨道轨道高度总轨道数长半轴偏心率倾角降交点时间相邻
3-遥感影像切割与合并
遥感影像切割与合并 一、打开Erdas imagine 8.5软件 注意：为保证切割与合并的顺利进行，矢量格式的边界图层必须与img格式的遥感图像保持投影的一致性。 如果不一致，可以用ArcMap进行转换。 二、影像切割 1、把矢量格式的边界图层（如*.cov格式、*.shp格式）转变为栅格图层（如*.img 格式），即victor to raster。 命令如下：Erdas－interpreter－utilities－victor to raster ：见图中红圈所示。
2、生成mask文件。按图中红圈所示输入相应的内容。 以连云港市为例，输入矢量文件lygs.shp，生成的mask文件命名为：lyg_mask.ing。其余按红圈所示进行修改。点击“ok”即可。 3、图像切割： 命令如下：Erdas－interpreter－utilities－mask：见图中红圈所示。
按图中红圈进行设置：先输入被切割文件如js_lat_bount_2003.img，然后输入切割边界文件如lyg_mask.img；最后输出切割下来的文件名如lygs.img。 其余配置见图。点击“ok”即可。
三、影像合并 （一）一般图像合并 1、运行Erdas-Dataprep-mosaic images，如下图中红圈所示。 2、运行Edit-Add images，如下图所示。 3、输入images图像，其余选择如下图所示。点击“Add”
4、在下图窗口中再加入另一副图像。如图中鼠标所示。原来加入的图像为1。 5、输入images图像，其余选择如下图所示。点击“Add”
高分辨率遥感卫星影像图购买参数介绍
卫星数据方案
一、光学卫星介绍 1.分辨率优于0.5米的光学卫星
（1）WorldView-3卫星 WorldView-3卫星是美国GigitalGlobe公司于2014年8月发射并开始运行的一颗遥感卫星，它是第一颗多负载、超高光谱、高分率的商业卫星，最高可提供0.31米全色分辨率、1.24米多光谱分辨率，此外WorldView-3大大提高了卫星的光谱分辨率，在WorldView-2的八波段多光谱的基础上加入了3.7m分辨率的短波红外波段，并且首次在高分辨率卫星中使用了CAVIS波段用于大气校正。 WorldView-3卫星平均回访时间不到1天，每天可采集多达68万平方公里的数据。以下是WorldView-3卫星的部分技术参数。
WorldView-2在2009年发射，该卫星的运行轨道高度770km。能够提供0.5米的分辨率的全色和1.8米分辨率的多光谱影像。星载多光谱传感器不仅具有4个标准波段（红、绿、蓝和近红外1），还将包括4个新的波段（海岸监测、黄、红波段的边缘和近红外2）。增加的波段信息，为用户提供进行精确变化检测和制图的能力。
B．WorldView-2卫星拍摄能力分析 WorldView-2卫星是全球第一批使用了控制力矩陀螺（CMGs）的商业卫星。这项高性能技术可以提供多达10倍以上的加速度的姿态控制操作，从而可以更精确的瞄准和扫描目标。卫星的旋转速度可从60秒减少至9秒，覆盖面积达300公里。所以，WorldView-2卫星能够更快速、更准确的从一个目标转向另一个目标，同时也能进行多个目标地点的拍摄。卫星具有更灵活的运转、更高容量更快回访、更精确的拍摄、多波段高清晰影像四个特点： ●更灵活的运转 WorldView-2卫星能非常灵活运转，它在太空中的角色就像一个神奇的画笔，能灵活的前后扫描、拍摄大面积的区域，能在单次操作中完成多频谱影像的扫描。WorldView-2卫星独有的大容量系统，能达到每日采集一百万平方公里的数据采集量。而卫星集群可以保证每日近二百万平方公里的数据采集量。WorldView-2卫星无与伦比的灵活性能在1.1天内二次访问同一地点。如果算上卫星集群，甚至能实现在一天之内二次访问同一地点。由此可以为用户提供同一地点，同一天内的高清晰商业卫星集群影像。 ●更高容量、更快回访 WorldView-2卫星能非常灵活运转，它在太空中的角色就像一个神奇的画笔，能灵活的前后扫描、拍摄大面积的区域，能在单次操作中完成多频谱影像的扫描。WorldView-2卫星独有的大容量系统，能达到每日采集一百万平方公里的数据采集量。而卫星集群可以保证每
一种多尺度无监督遥感图像分割方法
一种多尺度无监督遥感图像分割方法 郭小卫,官小平 (北京东方泰坦科技有限公司,北京100083) 摘要:提出了一种多尺度无监督遥感图像分割方法。通过对多尺度图像数据在每个尺度上进行G auss 子集聚类,并将每个像素的邻域内的G auss 子集类别标记作为特征向量,利用Markov 四叉树模型进行二次聚类,从而实现无监督图像分割。与其他基于多尺度Markov 模型的无监督分割方法和传统动态聚类方法相比,该方法既无需假定每类的分布形式,又能较好地反映数据的概率结构。合成图像与SAR 图像的实验结果表明,该方法的分割精度接近于有监督的H 2MPM 和H 2SMAP 方法。 关键词:多尺度;四叉树;MPM (maximum posterior marginals );EM (expectation maximization )算法;无监督分割中图分类号:P237.3 文献标识码:A 文章编号:1000-3177(2006)88-0020-03 收稿日期:2006-04-06 作者简介:郭小卫,男(1971)～,博士,主要从事图像处理、模式识别和多尺度统计建模等方面的研究。 1 引 言 基于多尺度Markov 模型的图像分割方法[1～4],是近年来基于统计模型的图像分割方法的研究热点。多尺度 Markov 模型分割算法通常采用Bayes 估计。Bayes 估计的前 提条件是每类的概率密度已知。在无监督图像分割问题中,由于训练样本的类别未知,为估计每类的概率密度,需要假定每类的分布形式已知(通常假定每类服从G auss 分布或其他简单分布),从而,利用一些如EM (expectation 2maximiza 2 tion )、SEM (stochastic expectation 2maximization )或ICE (iter 2ative conditional estimation )等混合密度的估计方法,就可以 得到每类的分布参数。但在很多情况下,各类的分布可能无法用某种简单的分布形式来表示,甚至无法用参数化的方法来表示,因而也就不能应用这类方法来估计每类的概率密度。一种替代方法是将图像数据离散化,并应用EM 等算法来估计离散形式的混合分布。但直接对图像数据离散化一方面会造成分布参数过多,并带来计算量增加、EM 算法初始化困难等问题;另一方面,由于缺少足够的约束条件,导致离散形式混合密度的估计结果有很大的不确定性,典型的例子是在各类分布的交叠区,分布参数的估计严重甚至完全依赖于初值的选取。 针对此问题,本文提出一种基于Markov 四叉树模型的无监督图像分割方法。该方法通过对多尺度图像数据在每一尺度上进行G auss 子集聚类,并将聚类的结果(G auss 子集类标记)作为多尺度特征数据,进而应用Markov 四叉树模型和MPM (maximum posterior marginals )估计进行二次聚类,实现无监督图像分割。该方法无需假定每类的分布形式已知;与离散形式的多尺度Markov 模型方法相比,离散值的数目(G auss 子集数)通常很小,使得EM 算法的初值选择比较容易,并减小了参数估计的不确定性。 2 Markov 四叉树模型 本文采用的Markov 四叉树模型,其结构如图1所示。记树上的节点集为S ,根节点为r ,黑节点(隐节点)代表像素的未知类别,白节点(观测节点)代表像素值或像素的某种特征数据,在特定假设条件下[1,3],所有隐节点的集合与观测节点的集合构成一(隐)马尔可夫树。将该模型应用于图像分割,实际上就是根据观测值估计隐节点状态的问题。解决该问题的方法通常有两种,MAP 估计和MPM 估计,本文采用MPM 估计,其具体算法见文献[3] 。 图1 Markov 四叉树模型 要将上述模型应用于图像分割,需要首先估计模型参数。记πm =p (X r =m ),并对Πs ∈S (n ) ,记a m ,k ,n =p (X s =m |X s +=k ),f m ,n (l )=p (Y s =l |X s =m ),Markov 四叉 树模型参数可记为θ=(πm ,(a m ,k ,n )k =1…M ,n =0…N ,(f m ,n (l )) l ∈R ,n =0…N )m =1…M 。若假定转移概率和条件分布仅与尺 度有关,与具体节点无关,并进一步假定每类数据服从G auss 分布,此时,模型参数简化为θ=( πm ,(a m ,k ,n )k =1…M ,n =0…N ,(μm ,n ) n =0,…,N ,(∑m ,n )n =0,…,N )m =1…M 。利用EM 算法,可 得到θ的估计[7]。 3 基于Markov 四叉树模型的无监督分割 上述多尺度Markov 模型的无监督图像分割方法需要假定每类数据服从G auss 等简单分布形式,这种假定在很多情
高分辨率遥感卫星影像有哪些世界高分辨率卫星排名
高分辨率遥感卫星影像有哪些世界高分辨率卫星排名 北京揽宇方圆信息技术有限公司是美国DigitalGlobe公司、法国SPOT公司在中国的合作伙伴，代理销售其全球数据。资源三号高分二号高分一号北京揽宇方圆优惠提供。 一、卫星类型 （1）光学卫星：worldview1、worldview2、worldview3、quickbird、geoeye、ikonos、pleiades、spot1、spot2、spot3、spot4、spot5、spot6、landsat5(tm)、landsat(etm)、rapideye、alos、资源三号、高分一号、高分二号。 （2）雷达卫星：terrasar-x、radarsat-2 （3）侦查卫星：美国锁眼卫星全系例（1960－1980） 二、卫星分辨率 （1）0.3米：worldview3 （2）0.4米：worldview3、worldview2、geoeye （3）0.5米：worldview3、worldview2、geoeye、worldview1、pleiades （4）0.6米：quickbird、锁眼卫星 （5）1米：ikonos、高分二号。 (6)1.5米：spot6、锁眼卫星 (7)2.5米：spot5、alos、资源三号、高分一号、锁眼卫星
（8）5米:spot5、rapideye、锁眼卫星 (9)10米:spot5、spot4、spot3、spot2、spot1 (10)15米:landsat5(tm)、landsat(etm) 三、卫星国籍 (1)美国：worldview1、worldview2、worldview3、quickbird、geoeye、ikonos、landsat5(tm)、landsat(etm)、锁眼卫星 (2)法国：pleiades、spot1、spot2、spot3、spot4、spot5、spot6 (3)中国：资源三号、高分一号、锁眼卫星、高分二号。 (4)德国：terrasar-x、rapideye (5)加拿大：radarsat-2 四、卫星发射年代 （1）1960－1980年：锁眼卫星（0.6米分辨率至10米） （2）1980－1990年：landsat5(tm)、spot1 （3）1990－2000年：spot2、spot3、spot4、landsat(etm)、ikonos （4）2000－2010年：quickbird、worldview1、worldview2、spot5、rapideye、radarsat-2 （5）2010－：spot6、资源三号、高分一号、worldview3、pleiades、高分二号。
面向对象的高分辨率遥感影像分类
二○一一届毕业设计 面向对象的高分辨率遥感影像分类Object-oriented Classification of high Resolution Remote Sensing images 学院：地质工程与测绘学院 专业：遥感科学与技术 姓名： 学号： 指导教师： 完成时间：2011年6月17日 二〇一一年七月
摘要 高空间分辨率遥感影像使得在较小的空间尺度上观察地表细节变化，进行大比例尺遥感制图，以及监测人为活动对环境的影响成为可能。随着高分辨率影像的应用越来越普及，迫切要求人们对高分辨率遥感信息提取进行研究，以满足高分辨率影像信息不断增长的应用和研究需要 高分辨率遥感影像光谱信息有限，空间信息丰富，地物的尺寸、形状及相邻地物间的关系都得到很好的反映。面向对象的分类方法与传统的基于像素的分类相比，不仅仅是依靠光谱信息，而且还充分利用影像的空间信息，分类时也克服了基于像元的逐点分类无法对相同语义特征的像素集合进行识别的缺点，是一种目前最适合于高分辨率遥感影像的分类方法。 本文采用面向对象的分类方法对高分辨率影像进行分类，该方法首先对影像进行多尺度分割获得同质区域对象，在此基础上利用模糊分类思想对分割后的对象进行分类。该方法不仅充分利用了高分辨率影像的空间信息，还将基于像素的分类提升到了基于对象的分类。 多尺度分割采用的是区域生长合并算法，通过对尺度阈值、光谱因子及形状因子等参数的控制，可以获得不同尺度下有意义的对象。分割后的对象不仅包含了原始的光谱信息，还可以提供大量辅助特征，如纹理、形状、拓扑等特征。综合利用这些特征以及模糊分类的思想，使得高分辨率影像分类在减少分类不确定性的同时，还提高了分类的精度。 最后将面向对象分类结果与传统的基于像素分类结果进行对比分析，发现其分类精度要明显高于传统法，且具有较强的抗噪声的功能，分类所得的地物结果相对较为完整，具有更丰富的语义信息，更加符合客观现实情形。 关键词：高分辨率遥感影像，面向对象的分类，影像分割，多尺度，最近邻分类