(完整版)卫星图像处理流程
测绘技术中的卫星遥感图像处理方法
测绘技术中的卫星遥感图像处理方法近年来，随着卫星遥感技术的不断发展，图像处理方法在测绘技术中的应用越来越广泛。
卫星遥感图像处理方法在三维地理信息系统、地形分析、环境监测等领域发挥着重要作用。
本文将探讨测绘技术中的卫星遥感图像处理方法及其应用。
一、卫星遥感图像处理概述卫星遥感图像处理是通过遥感卫星获取的图像进行预处理、分类、分割等处理方法。
这些处理方法可以提取出图像中的地理信息，用于地理空间分析和决策支持。
图像处理方法包括预处理、特征提取和分类等步骤。
1. 预处理预处理是指在进行图像处理前对卫星遥感图像进行去噪、辐射定标、大气校正等处理。
首先，去噪是为了去除图像中的噪声干扰，提高图像质量。
辐射定标是将图像的数字值转换为对应地面反射率或辐射亮度值，确保图像数据的准确性。
而大气校正则是通过模型来去除大气散射和吸收对图像的干扰。
2. 特征提取特征提取是指对卫星遥感图像中的地理特征进行提取，如水体、森林、建筑等。
常见的特征提取方法有阈值法、纹理分析、形状分析等。
阈值法是根据图像亮度信息将图像进行二值化，提取出感兴趣的特定对象。
纹理分析是用于描述不同区域的纹理差异，辅助进行土地利用分类和目标检测。
形状分析则是用于提取对象的形状属性，如面积、周长等。
3. 分类分类是将卫星遥感图像中的像素进行分类，将图像分成若干类别，如水域、植被、建筑等。
分类方法包括有监督分类和无监督分类两种。
有监督分类是需要人工提供一些样本，以训练分类器进行分类。
无监督分类则是根据像素之间的相似性进行分类。
此外，还有基于决策树、人工神经网络等方法的分类。
二、卫星遥感图像处理方法的应用卫星遥感图像处理方法在测绘技术中有着广泛的应用。
1. 地表覆盖分类通过卫星遥感图像处理方法，可以对地表覆盖进行分类，如森林、草地、湖泊等。
这对于土地利用规划、生态环境保护等具有重要的意义。
通过分类信息可以更好地了解自然资源的分布情况，并进行目标区域的保护和管理。
卫星遥感影像数据的处理流程
北京揽宇方圆信息技术有限公司技术能力说明北京揽宇方圆拥有大型正版遥感处理软件，遥感数据处理工程师有10年以上遥感处理工作经验，并有国家大型项目工作经验自主卫星数据处理软件著作权，最大限度保持遥感卫星影像处理的真实度。
目录1目的 (5)2范围 (5)3职责 (5)4引用文件 (5)5成果主要技术指标和规格 (5)5.1成果的种类 (5)5.2坐标系统及高程基准 (5)5.3成果主要规格 (5)6设计方案 (5)6.1软件和硬件配置要求 (6)6.1.1软件 (6)6.1.2硬件 (6)6.2技术路线及工艺流程 (6)6.2.1技术路线 (6)6.2.2工艺流程 (6)6.3技术规定 (6)6.3.1主要技术指标 (6)6.3.2作业准备 (7)6.3.2.1资料收集 (7)6.3.2.2资料分析 (7)6.3.3控制点的布设和获取 (7)6.3.4影像控制点的精度要求 (8)6.3.5影像融合与处理 (8)6.3.5.1影像融合的技术要求 (8)6.3.5.2融合后影像处理 (8)6.3.5.3影像匀色 (8)6.3.6影像的正射纠正 (8)6.3.6.1纠正控制点采集 (8)6.3.6.2纠正方法 (9)6.3.7影像镶嵌 (10)6.3.7.1镶嵌原则 (10)6.3.7.2重叠精度检查 (10)6.3.8图幅裁切 (10)6.3.9超限分析与处理 (10)6.3.9.1客观原因 (10)6.3.9.2人为原因 (10)6.3.10相关文件制作 (10)6.3.11提交资料 (11)6.4质量控制 (11)6.4.1检查内容 (11)6.4.1.1关键工序检查要点 (11)6.4.1.2外业控制测量 (11)6.4.1.3正射纠正的质量检查 (11)6.4.1.4镶嵌、接边质量检查 (11)6.4.1.5DOM精度评定 (11)6.5安全生产及数据安全 (12)II6.5.1安全生产 (12)6.5.2数据安全 (12)6.6上交和归档成果及其资料内容和要求 ·····································错误！未定义书签。
(完整版)卫星图像处理流程
卫星图像处理流程一．图像预处理1．降噪处理由于传感器的因素，一些获取的遥感图像中，会出现周期性的噪声，我们必须对其进行消除或减弱方可使用。
（1）除周期性噪声和尖锐性噪声周期性噪声一般重叠在原图像上，成为周期性的干涉图形，具有不同的幅度、频率、和相位。
它形成一系列的尖峰或者亮斑，代表在某些空间频率位置最为突出。
一般可以用带通或者槽形滤波的方法来消除。
消除尖峰噪声，特别是与扫描方向不平行的，一般用傅立叶变换进行滤波处理的方法比较方便。
图1 消除噪声前图2 消除噪声后（2）除坏线和条带去除遥感图像中的坏线。
遥感图像中通常会出现与扫描方向平行的条带，还有一些与辐射信号无关的条带噪声，一般称为坏线。
一般采用傅里叶变换和低通滤波进行消除或减弱。
图3 去条纹前图4 去条纹后图5 去条带前图6 去条带后2．薄云处理由于天气原因，对于有些遥感图形中出现的薄云可以进行减弱处理。
3．阴影处理由于太阳高度角的原因，有些图像会出现山体阴影，可以采用比值法对其进行消除。
二．几何纠正通常我们获取的遥感影像一般都是Level2级产品，为使其定位准确，我们在使用遥感图像前，必须对其进行几何精纠正，在地形起伏较大地区，还必须对其进行正射纠正。
特殊情况下还须对遥感图像进行大气纠正，此处不做阐述。
1．图像配准为同一地区的两种数据源能在同一个地理坐标系中进行叠加显示和数学运算，必须先将其中一种数据源的地理坐标配准到另一种数据源的地理坐标上,这个过程叫做配准。
（1）影像对栅格图像的配准将一幅遥感影像配准到相同地区另一幅影像或栅格地图中，使其在空间位置能重合叠加显示。
图7 图像配准前图8 图像配准后（2）影像对矢量图形的配准将一幅遥感影像配准到相同地区一幅矢量图形中，使其在空间位置上能进行重合叠加显示。
2．几何粗纠正这种校正是针对引起几何畸变的原因进行的，地面接收站在提供给用户资料前，已按常规处理方案与图像同时接收到的有关运行姿态、传感器性能指标、大气状态、太阳高度角对该幅图像几何畸变进行了校正.3．几何精纠正为准确对遥感数据进行地理定位，需要将遥感数据准确定位到特定的地理坐标系的，这个过程称为几何精纠正。
卫星测图中的卫星数据处理流程与技巧
卫星测图中的卫星数据处理流程与技巧导语：随着科技的不断发展，卫星测图逐渐成为了地理信息系统（GIS）领域中不可或缺的重要工具。
卫星数据处理是卫星测图的基础，对于结果的准确性和可靠性起着至关重要的作用。
本文将主要介绍卫星数据处理的流程与技巧，帮助读者更好地理解和应用卫星测图技术。
一、卫星数据的获取与收集卫星数据的获取是卫星测图的第一步，而数据的收集则是获取数据的重要方式之一。
目前，卫星数据的获取主要有两种方式：直接下载和购买。
直接下载是指通过卫星数据共享平台，如美国地质调查局（USGS）提供的EarthExplorer，从互联网上直接下载卫星数据。
而购买方式则是通过商业卫星数据提供商购买特定区域的卫星影像和产品。
二、卫星数据的预处理卫星数据的预处理是卫星数据处理的重要环节，通过对原始数据进行校正和增强，可以提高数据的质量和可用性。
预处理的主要步骤包括：几何校正、辐射校正和大气校正。
1.几何校正几何校正是将原始卫星影像矫正为地理参考图像的过程，主要包括地球表面形状校正、图像配准和图像变形纠正等操作。
几何校正的目的是消除由卫星姿态、运动和大气影响等因素导致的图像形变，以达到真实地表形状的正确显示。
2.辐射校正辐射校正是将原始卫星影像转换为可比较的辐射能量值，以便进行不同时间、不同卫星和不同传感器影像的定量比较。
辐射校正主要通过测定辐射敏感区域的大气透过率和太阳辐射能量来完成。
3.大气校正大气校正是为了减小大气散射和吸收对卫星影像质量的影响而进行的处理。
主要目的是消除不同高度或角度视场内大气吸收和散射对亮度的影响，使卫星影像能够更真实地反映地表的特征。
三、卫星数据的处理与分析卫星数据经过预处理后，就可以进行接下来的数据处理与分析。
卫星数据的处理与分析主要有以下几个方面：1.图像融合图像融合是将具有不同空间分辨率和光谱特性的多幅卫星影像融合到一起，以获得具有更高分辨率和更丰富信息的图像。
常见的图像融合方法包括基于波尔塔定理的多光谱和全色波段融合、小波变换融合和人工神经网络融合等。
PLANETSCOPE卫星影像处理流程图
PLANETSCOPE 数据 购买
中景视图
Planet 卫星处理流程
第 2 页·共 2 页
பைடு நூலகம்
Planet 样例 Planet 卫星产品说明 产品级别 1B 说明 经过传感器和辐射定标的基础数据级数据产品
第 1 页·共 2 页
北京中景视图科技有限公司 zj-view Inc.
3B
经过传感器、 辐射定标和正射校正的正射级数据 产品
3A
3B 级别数据基础上经过条带拼接、网格裁切和 重采样的数据产品
北京中景视图科技有限公司 zj-view Inc.
PLANETSCOPE 卫星介绍 Planet 是世界上在轨卫星最多的公司，共有 149 颗在轨卫星。每个 PLANETSCOPE 卫星成员都是一颗 3U 立方体小卫星 （10cm*10cm*30cm） ， 整个卫星星座有 32 颗小卫星在国际空间站轨道（ISS）上，100 颗小 卫星在太阳同步轨道（SSO）上，全部 132 颗卫星在太空环绕地球可 每日获取整个中国区的卫星影像。
(完整版)影像处理工作流程
影像处理工作流程1、影像初检由各组分别完成，主要对影像下发文件是否齐全，影像质量和云雪覆盖是否一致进行检查。
作业人员在影像生产过程中如果发现有质量问题，如图像的光谱信息很差，纹理不明显，雾气很重影响大片区域的情况，要及时汇报。
2、精纠正卫星数据处理流程（1）影像轨道拼接，根据落图文件，查看同轨数据分布情况，分别汇总到不同的轨道文件夹内，对同轨的数据用PHOTOSHOP进行拼接。
注意轨道拼接过程中不要采用拉色阶调色，只能够局部调整。
（2）对领轨数据考虑轨间直拼。
即卫星轨道号一样，但是CCD 镜头数字不一样的相邻影像，如果侧视角相同，可以考虑是否能实现轨间拼接。
（3）影像配准纠正，采用ARCGIS“校正”模式进行配准纠正。
纠正中注意事项：A、关于影像控制的方法：对于山区影像，刚开始不要急于在图像外的四角布点，而是在中间去找沟谷、农田区、城镇区进行布点控制，到中间范围都纠正得差不多后，再到山区的四角找准位置布边界控制；而相反，如果是平坝地区的影像，最好是先从四角找准位置对整张影像进行大控制后，再进行中间纠正。
B、为防止影像边缘出现拉花现象，在配准过程中，一定要记得沿影像四周图外区域，横向要布设4～6个不动点，纵向每景范围大概要布设3～5个不动点，布设不要离图像太远以免失效。
C、关于配准点布设方法：影像的配准点分布，其实是基于对整张影像的总体认知上来决定的。
首先拿到一张影像，要初步判定其所处地区的总体地貌特征和大的地貌类型的分布，再来决定其点位的布控方法和点位分布。
山区配准点布设方法，对于布控，前期已经讲到。
其实对于采用橡皮拉伸进行配准，都是一个从全局到局部，由大至小的过布设过程，山区首先要从整张影像上对其上的河流进行一个初步分级，先纠大河，再纠小河，再到切沟与冲沟，千万不要首先就到象素移位最大的山顶去布点，这样会导致整张影像越来越乱。
平坝农业区的布点方法，采用典型的四方形布点法，对同张影像进行网格划分，针对网格分布找到足够的点即可。
卫星影像数据处理DOM制作流程图
卫星影像数据处理DOM制作流程图主要技术流程为正射纠正、调色、镶嵌及分幅。
技术流程如图6-6：图3-41：1万调查底图制作流程图DOM制作1.基础资料检查及处理主要对影像数据、DEM、外业实测GPS控制点及其它基础资料做相应的检查和处理，为DOM制作生产提供完整的基础资料。
（1）影像数据取得影像数据后，首先要对数据源的纹理细节、光谱丰富程度、多光谱波段间匹配程度以及云雾量等方面进行全面检查。
具体检查内容参见本方案“2.2.1航天影像”相关影像质量要求部分。
（2）DEM数据选用最新的1：1万或1：5万DEM。
其精度应满足GB/T1015.2-2007的有关规定。
数学基础要求为1980西安坐标系，1985国家高程基准。
不同情况处理如下：a.若所提供的DEM数据为其他坐标系时，则将DEM数据转换到1980西安坐标系中。
b.若所提供的DEM数据为1：5万比例尺，则需做投影变换，将6度带改算为3度带。
c.若工作区跨多个投影带，则根据生产需要将DEM统一到相应的投影带中。
d.以工作区为单元进行DEM拼接，相邻分幅数字高程模型应有重叠区域，拼接后不出现裂隙现象(如图6-7，6-8)，重叠区域的高程值应保持一致。
若工作区太大，可分块进行拼接，但要使各分区范围大于所包含景的范围。
e.将拼接好的DEM数据转换为遥感影像所需要的格式。
图3-5DEM拼接合格图3-6DEM拼接不合格（3）实测GPS控制点数据对所提供的外业实测GPS控制点位置的合理性、坐标的正确性进行检查。
如控制点不能满足内业生产要求，则需进行外业补测或重测。
2.正射纠正快鸟卫星遥感影像的正射纠正是指利用基础控制资料（外业GPS控制点测量成果）和数字高程模型（DEM）,通过使用有理函数模型或物理模型对遥感图像进行投影差改正和地理编码。
（1）单景纠正以外业实测GPS控制点成果为基础，采用有理函数模型，结合处理后的DEM 数据对遥感影像进行正射纠正。
基本要求及处理方法如下：图3-7单景纠正控制点选取示意图a.纠正模型：有理函数模型。
遥感卫星影像数据预处理一般流程介绍
镶嵌
当研究区超出单幅遥感图像所覆盖的范围时，通常需要将两幅或多幅图像拼接起来形 成一幅或一系列覆盖全区的较大的图像。
在进行图像的镶嵌时，需要确定一幅参考图像，参考图像将作为输出镶嵌图像的基 准，决定镶嵌图像的对比度匹配、以及输出图像的像元大小和数据类型等。镶嵌得两幅或 多幅图像选择相同或相近的成像时间，使得图像的色调保持一致。但接边色调相差太大 时，可以利用直方图均衡、色彩平滑等使得接边尽量一致，但用于变化信息提取时，相邻 图像的色调不允许平滑，避免信息变异。
1、GCP 在图像上有明显的、清晰的点位标志，如道路交叉点、河流交叉点等； 2、地面控制点上的地物不随时间而变化。
GCP 均匀分布在整幅图像内，且要有一定的数量保证，不同纠正模型对控制点个数的 需求不相同。卫星提供的辅助数据可建立严密的物理模型，该模型只需 9 个控制点即可； 对于有理多项式模型，一般每景要求不少于 30 个控制点，困难地区适当增加点位；几何 多项式模型将根据地形情况确定，它要求控制点个数多于上述几种模型，通常每景要求在 30-50 个左右，尤其对于山区应适当增加控制点。
的辐射值在不同时相遥感图像上一致，从而完成地物动态变化的遥感动态监测。
北京揽宇方圆信息技术有限公司
（3）图像重采样 重新定位后的像元在原图像中分布是不均匀的,即输出图像像元点在输入图像中的行 列号不是或不全是正数关系。因此需要根据输出图像上的各像元在输入图像中的位置，对 原始图像按一定规则重新采样，进行亮度值的插值计算，建立新的图像矩阵。常用的内插 方法包括： 1、最邻近法是将最邻近的像元值赋予新像元。该方法的优点是输出图像仍然保持原 来的像元值，简单，处理速度快。但这种方法最大可产生半个像元的位置偏移，可能造成 输出图像中某些地物的不连贯。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
卫星图像处理流程
一．图像预处理
1．降噪处理
由于传感器的因素，一些获取的遥感图像中，会出现周期性的噪声，我们必须对其进行消除或减弱方可使用。
（1）除周期性噪声和尖锐性噪声
周期性噪声一般重叠在原图像上，成为周期性的干涉图形，具有不同的幅度、频率、和相位。
它形成一系列的尖峰或者亮斑，代表在某些空间频率位置最为突出。
一般可以用带通或者槽形滤波的方法来消除。
消除尖峰噪声，特别是与扫描方向不平行的，一般用傅立叶变换进行滤波处理的方法比较方便。
图1 消除噪声前
图2 消除噪声后
（2）除坏线和条带
去除遥感图像中的坏线。
遥感图像中通常会出现与扫描方向平行的条带，还有一些与辐射信号无关的条带噪声，一般称为坏线。
一般采用傅里叶变换和低通滤波进行消除或减弱。
图3 去条纹前
图4 去条纹后
图5 去条带前
图6 去条带后
2．薄云处理
由于天气原因，对于有些遥感图形中出现的薄云可以进行减弱处理。
3．阴影处理
由于太阳高度角的原因，有些图像会出现山体阴影，可以采用比值法对其进行消除。
二．几何纠正
通常我们获取的遥感影像一般都是Level2级产品，为使其定位准确，我们在使用遥感图像前，必须对其进行几何精纠正，在地形起伏较大地区，还必须对其进行正射纠正。
特殊情况下还须对遥感图像进行大气纠正，此处不做阐述。
1．图像配准
为同一地区的两种数据源能在同一个地理坐标系中进行叠加显示和数学运算，必须先将其中一种数据源的地理坐标配准到另一种数据源的地理坐标上,这个过程叫做配准。
（1）影像对栅格图像的配准
将一幅遥感影像配准到相同地区另一幅影像或栅格地图中，使其在空间位置能重合叠加显示。
图7 图像配准前
图8 图像配准后
（2）影像对矢量图形的配准
将一幅遥感影像配准到相同地区一幅矢量图形中，使其在空间位置上能进行重合叠加显示。
2．几何粗纠正
这种校正是针对引起几何畸变的原因进行的，地面接收站在提供给用户资料前，已按常规处理方案与图像同时接收到的有关运行姿态、传感器性能指标、大气状态、太阳高度角对该幅图像几何畸变进行了校正.
3．几何精纠正
为准确对遥感数据进行地理定位，需要将遥感数据准确定位到特定的地理坐标系的，这个过程称为几何精纠正。
（1）图像对图像的纠正
利用已有准确地理坐标和投影信息的遥感影像，对原始遥感影像进行纠正，使其具有准确的地理坐标和投影信息。
（2）图像对地图（栅格或矢量）
利用已有准确地理坐标和投影信息的扫描地形图或矢量地形图，对原始遥感影像进行纠正，使其具有准确的地理坐标和投影信息。
图9 参考地形图
图10 待纠正影像
图11 纠正后影像和地形图套和效果
（3）图像对已知坐标点（地面控制点）
利用已有准确地理坐标和投影信息的已知坐标点或地面控制点，对原始遥感影像进行纠正，使其具有准确的地理坐标和投影信息。
4．正射纠正
利用已有地理参考数据（影像、地形图和控制点等）和数字高程模型数据（DEM、GDEM），对原始遥感影像进行纠正，可消除或减弱地形起伏带来的影像变形，使得遥感影像具有准确的地面坐标和投影信息。
图12 数字正射影像图
三．图像增强
为使遥感图像所包含的地物信息可读性更强，感兴趣目标更突出，需要对遥感图像进行增强处理。
1．彩色合成
为了充分利用色彩在遥感图像判读和信息提取中的优势，常常利用彩色合成的方法对多光谱图像进行处理，以得到彩色图像。
彩色图像可以分为真彩色图像和假彩色图像。
图13真彩色合成( TM321)
图14 假彩色合成(TM432)
2．直方图变换
统计每幅图像的各亮度的像元数而得到的随机分布图，即为该幅图像的直方图。
一般来说，包含大量像元的图像，像元的亮度随机分布应是正态分布。
直方图为非正态分布，说明图像的亮度分布偏亮、偏暗或亮度过于集中，图像的对比度小，需要调整该直方图到正态分布，以改善图像的质量。
图15 直方图拉伸前（原图偏暗）
图16 直方图拉伸后
图17 直方图拉伸前（原图对比度不强）
图18 直方图拉伸后（线性拉伸）
3．密度分割
将灰度图像按照像元的灰度值进行分级，再分级赋以不同的颜色，使原有灰度图像变成伪彩色图像，达到图像增强的目的。
图19 原始图像
图20 密度分割图像
4．灰度颠倒
灰度颠倒是将图像的灰度范围先拉伸到显示设备的动态范围(如0～255)到饱和状态，然后再进行颠倒，使正像和负像互换。
图21 灰度颠倒前
图22 灰度颠倒后
5．图像间运算
两幅或多幅单波段图像，空间配准后可进行算术运算，实现图像的增强。
常见的有加法运算、减法运算、比值运算和综合运算。
例如：
减法运算：可突现出两波段差值大的地物，如红外-红，可突现植被信息。
比值运算：常用于计算植被指数、消除地形阴影等。
植被指数：NDVI=（IR-R）/（IR+R）
图23 原始图像
图24 NDVI植被指数图像
6．邻域增强
又叫滤波处理，是在被处理像元周围的像元参与下进行的运算处理，邻域的范围取决于滤波器的大小，如3×3或5×5等。
邻区法处理用于去噪声、图像平滑、锐化和相关运算。
图25 原始图像
图26 拉普拉斯滤波图像（5×5）
7．主成分分析
也叫PCA变换，可以用来消除特征向量中各特征之间的相关性，并进行特征选择。
主成分分析算法还可以用来进行高光谱图像数据的压缩和信息融合。
例如：对LandsatTM的6个波段的多光谱图像(热红外波段除外)进行主成分分析，然后把得到的第1，2，3主分量图像进行彩色合成，可以获得信息量非常丰富的彩色图像。
图27 第一主成分
图28 第二主成分
图29 第三主成分
图30 第四主成分
图31第五主成分
图32 第六主成分
8．K-T变换
即Kauth-Thomas变换，又称为“缨帽变换”。
这种变换着眼点在于农作物生长过程而区别于其他植被覆盖，力争抓住地面景物在多光谱空间中的特征。
目前对这个变换的研究主要集中在MSS与TM两种遥感数据的应用分析方面。
图33 第一主分量（亮度）
图34 第二主分量（绿度）
图35第三主分量
9．图像融合
遥感图像信息融合是将多源遥感数据在统一的地理坐标系中，采用一定的算法生成一组新的信息或合成图像的过程。
不同的遥感数据具有不同的空间分辨率、波谱分辨率和时相分辨率，如果能将它们各自的优势综合起来，可以弥补单一图像上信息的不足，这样不仅扩大了各自信息的应用范围，而且大大提高了遥感影像分析的精度。
图36 多光谱影像
图37高分辨率影像
图38 融合影像（HSV融合）
四．图像裁剪
在日常遥感应用中，常常只对遥感影像中的一个特定的范围内的信息感兴趣，这就需要将遥感影像裁减成研究范围的大小。
图39 原始影像
1．按ROI裁剪
根据ROI（感兴趣区域）范围大小对被裁减影像进行裁剪。
图40 按ROI（行政区）域裁剪
2．按文件裁剪
按照指定影像文件的范围大小对被裁减影像进行裁剪。
3．按地图裁剪
根据地图的地理坐标或经纬度的范围对被裁减影像进行裁剪。
图41 按地图坐标范围裁剪
五．图像镶嵌和匀色
1．图像镶嵌
也叫图像拼接，是将两幅或多幅数字影像(它们有可能是在不同的摄影条件下获取的)拼在一起，构成一幅整体图像的技术过程。
通常是先对每幅图像进行几何校正，将它们规划到统一的坐标系中，然后对它们进行裁剪，去掉重叠的部分，再将裁剪后的多幅影像装配起来形成一幅大幅面的影像。
图42镶嵌左影像
图43 镶嵌右影像
图44 镶嵌结果影像
2．影像匀色
在实际应用中，我们用来进行图像镶嵌的遥感影像，经常来源于不同传感器、不同时相的遥感数据，在做图象镶嵌时经常会出现色调不一致，这时就需要结合实际情况和整体协调性对参与镶嵌的影像进行匀色。
图45 匀色前影像
图46 匀色后影像
六．遥感信息提取
遥感图像中目标地物的特征是地物电磁波的辐射差异在遥感影像上的反映。
依据遥感图像上的地物特征，识别地物类型、性质、空间位置、形状、大小等属性的过程即为遥感信息提取。
目前信息提取的方法有：目视判读法和计算机分类法。
其中目视判读是最常用的方法。
1．目视判读
也叫人工解译，即用人工的方法判读遥感影像，对遥感影像上目标地物的范围进行手工勾绘，达到信息提取的目的。
图47 人工解译水系
2．图像分类
是依据是地物的光谱特征，确定判别函数和相应的判别准则，将图像所有的像元按性质分为若干类别的过程。
（1）监督分类
在研究区域选有代表性的训练场地作为样本，通过选择特征参数（如亮度的均值、方差等），建立判别函数，对样本进行分类，依据样本的分类特征来识别样本像元的归属类别的方法。
图48 原图像
图49 监督分类图像
（2）非监督分类
没有先验的样本类别，根据像元间的相似度大小进行归类，将相似度大的归为一类的方法。
（3）其他分类方法
包括神经网络分类、分形分类、模糊分类等分类方法，以及他数据挖掘方法如模式识别、人工智能等，在这里不做进一步阐述。