遥感影像信息提取与解译流程及方法
如何进行遥感影像处理和地物解译的准备和操作
如何进行遥感影像处理和地物解译的准备和操作遥感是指通过航空器或卫星等远距离拍摄地球表面的图像，并利用影像处理技术进行解读和分析。
遥感影像处理和地物解译是遥感技术的重要应用领域，对于环境监测、资源调查、灾害评估等具有重要意义。
本文将介绍如何进行遥感影像处理和地物解译的准备和操作。
一、准备工作在进行遥感影像处理和地物解译之前，需要进行一些准备工作，包括获取合适的遥感影像数据、了解地区的地理背景和特征、选择合适的处理软件等。
1. 数据获取遥感影像数据可以通过多种渠道获取，包括商业遥感卫星、政府遥感机构、学术研究机构等。
选择合适的数据源是进行影像处理和解译的第一步。
需根据研究目的选择合适的数据集，考虑影像分辨率、时相、数据格式等因素。
2. 地理背景和特征的了解在进行地物解译之前，了解地区的地理背景和特征对于准确解译很关键。
包括了解地形地貌、植被类型和分布、土壤类型、水体分布等信息，可通过地图、相关文献和实地勘察等方式获取。
3. 处理软件的选择遥感影像处理和地物解译需要使用相应的软件工具。
常用的遥感影像处理软件包括ENVI、Erdas Imagine、ArcGIS等，可根据实际需求选择合适的软件进行处理和解译。
二、遥感影像处理在进行地物解译之前，通常需要对遥感影像进行一系列的处理，以提高影像质量和减少噪声。
1. 影像预处理影像预处理是指对原始影像进行几何校正、辐射校正和大气校正等处理，以纠正影像的空间分辨率、辐射定标和大气效应等问题。
通过预处理可以提高影像的准确性和可解释性。
2. 影像增强影像增强是指对原始影像进行对比度增强、滤波和色彩增强等操作，以提高影像的可视化效果和信息提取能力。
常用的影像增强方法包括直方图均衡化、拉伸变换和滤波处理等。
3. 影像分类影像分类是指将影像像素划分为不同类别，常用于地物分类和变化检测等分析。
常见的分类方法包括有监督分类和无监督分类等。
通过影像分类可以获取地物类别信息，为后续的地物解译提供基础数据。
遥感影像的解译方法和处理流程
遥感影像的解译方法和处理流程遥感技术是指利用卫星、航空器等探测装置获取地球表面特征信息的一种手段。
遥感影像的解译方法和处理流程对于地质勘探、农业、城市规划等领域都具有重要的应用价值。
本文将探讨遥感影像的解译方法和处理流程，并探讨其在环境保护、灾害监测等方面的应用。
一、解译方法1.目视解译法目视解译法是最早也是最常用的遥感影像解译方法之一。
通过肉眼观察遥感影像的色彩和纹理等特征来识别地物。
对于经验丰富的解译员来说，目视解译法可以得出较为准确的解译结果。
然而，由于人眼的主观因素和解译员的经验水平不同，目视解译法存在一定的主观性和局限性。
2.计算机辅助解译法计算机辅助解译法是指利用计算机软件对遥感影像进行处理和分析。
通过图像处理、分类、目标检测等技术，可以快速、准确地提取和识别地物。
计算机辅助解译法具有时间效率高、结果可重复性好等优点，使得遥感影像的解译工作更为高效和精确。
二、处理流程1.遥感影像预处理遥感影像预处理是将原始的遥感影像数据进行校正、去噪和增强等处理，以提高图像质量和准确性。
常用的遥感影像预处理方法包括辐射校正（校正影像的亮度和对比度）、大气校正（去除大气光对影像的影响）、几何校正（纠正图像的畸变和扭曲）、噪声去除和影像增强等。
2.遥感影像分类遥感影像分类是指将遥感影像的像素根据其反射率、纹理和几何结构等特征进行分类，以获得各类地物或地物类型的分布和面积信息。
常用的遥感影像分类方法包括基于阈值的分类、基于规则的分类、基于统计学的分类和基于机器学习的分类等。
其中，基于机器学习的分类方法由于其较好的准确性和泛化能力，成为当前遥感影像分类的主流方法。
3.遥感影像解译遥感影像解译是指根据已经分类好的遥感影像，对不同地物进行解译，以获得地物的具体信息和分布。
遥感影像解译可以通过目视解译、计算机辅助解译和专家解译等方法进行。
同时，遥感影像解译还可以结合地面调查和其他信息，以提高解译的准确性和可靠性。
遥感图像解译的基本步骤与技巧
遥感图像解译的基本步骤与技巧遥感图像解译是利用卫星或航空平台获取的图像数据，通过对图像进行分析和解释，以提取地物信息和研究地表特征的一种技术手段。
在现代科学研究和资源管理中，遥感图像解译具有广泛的应用价值，特别是在环境保护、农业生产和城市规划等领域。
遥感图像解译的基本步骤可以分为六个方面：数据获取、图像预处理、特征提取、分类与判读、验证与评价以及结果应用。
下面我们将依次介绍每个步骤所涉及的技巧和注意事项。
首先是数据获取。
遥感图像解译的第一步是选择适当的遥感数据。
常见的遥感数据类型包括多光谱影像、高光谱影像和合成孔径雷达(SAR)等。
在选择数据时，需要根据具体的研究目的和地理特征来确定最合适的数据。
此外，在数据获取过程中还需要注意数据的准确性和时效性。
第二个步骤是图像预处理。
在进行图像解译之前，需要对图像进行预处理以去除或减少噪声、增强图像的对比度和细节。
常见的图像预处理技术包括辐射定标、几何校正、大气校正和影像融合等。
在实际操作中，需要根据实际情况选择合适的预处理方法，并进行适当的参数调整。
第三个步骤是特征提取。
特征提取是遥感图像解译的核心步骤，其目的是找到与地物分类相关的特征。
常用的特征提取方法包括直方图分析、主成分分析(PCA)和模糊集方法等。
在进行特征提取时，需要了解地物类别的特征分布规律，并选择合适的特征提取方法来提取地物的表观特征。
接下来是分类与判读。
分类与判读是将图像上的像元划分到不同的类别中的过程。
目前，常用的分类方法包括最大似然法、支持向量机(SVM)和人工神经网络(ANN)等。
在进行分类与判读时，需要依据遥感数据和特征提取的结果，选择合适的分类方法并进行参数调整，以获得较为准确的分类结果。
第五个步骤是验证与评价。
验证与评价是对分类结果进行准确性和可靠性评价的过程。
常见的验证与评价方法包括误差矩阵分析、Kappa系数和精确度评价等。
在进行验证与评价时，需要参考地面调查数据以及其他可靠的参考数据，分析分类结果的准确性和偏差情况，并对分类结果进行合理的解释和说明。
遥感图像解译的常见方法和技巧
遥感图像解译的常见方法和技巧遥感图像解译是指通过对遥感图像进行分析和解读，获取地物和环境信息的过程。
在当今社会中，遥感技术在农业、城市规划、环境监测以及资源调查等领域中发挥着重要作用。
然而，由于图像复杂性和解译难度的增加，如何有效地进行遥感图像解译成为了一个亟待解决的问题。
本文将介绍遥感图像解译的常见方法和技巧，希望能给读者在实际应用中带来一些启发。
一、多光谱图像解译多光谱图像是指通过多波段的遥感数据获取的图像，其中每个波段对应一种特定的光谱信息。
多光谱图像解译是最常用的遥感图像解译方法之一。
它基于光谱特征来识别和分析地物，通过比较不同波段的反射率和亮度值，可以获得不同地物的光谱特征，并进行分类判别。
在多光谱图像解译中，常用的技巧包括：光谱特征提取、光谱段的组合以及光谱变换。
光谱特征提取是指从多光谱图像中提取能够反映地物特征的光谱信息，例如反射率、亮度值等。
通过提取不同波段的光谱特征，可以实现对地物的分类和判别。
光谱段的组合是指将不同波段的光谱信息进行组合，以突出地物的特征。
例如，在植被遥感图像中，将近红外波段和红光波段进行组合，可以更好地区分植被和非植被地区。
光谱变换是指通过对光谱数据进行数学变换，以改变光谱分布和强度，从而获得更明显的地物信息。
常用的光谱变换方法包括主成分分析和单波段反射率之间的比率。
二、纹理特征分析除了光谱特征，纹理特征也是进行遥感图像解译的重要指标之一。
纹理特征通过对图像像素间的空间关系分析，反映了地物的空间分布和结构特征。
在遥感图像解译中，纹理特征分析可以用于识别和判别不同地物的纹理特征，提高分类的准确性。
在纹理特征分析中，常用的方法包括：灰度共生矩阵（GLCM）、纹理特征值和基于波谱变换的纹理分析。
灰度共生矩阵是一种常用的纹理特征计算方法，它通过计算像素间的灰度级对出现的频率来描述图像的纹理特征。
纹理特征值是一种通过计算图像像素间的像素差异和空间关系来描述地物纹理特征的方法。
遥感影像的解译与测绘数据提取方法
遥感影像的解译与测绘数据提取方法遥感技术是一种通过航空器或卫星获取地表信息的技术手段。
遥感影像可以提供大范围、高分辨率的地表信息，因此在测绘与地理信息系统领域有着广泛的应用。
而解译遥感影像和提取测绘数据是遥感技术的重要组成部分。
解译遥感影像是将影像中的物体和地貌进行分类并提取出有用信息的过程。
这是一项复杂而繁琐的工作，需要深入理解遥感影像的特点和不同对象的影像表现。
首先，解译遥感影像需要熟悉不同光谱波段的反射特性。
遥感影像包含红外、可见光等波段的信息，这些波段对不同物体有不同的反射率。
因此，在解译过程中，需要根据不同波段的反射率以及物体的光谱特征来判断影像中的物体类型。
其次，解译遥感影像还需要考虑地表物体的空间分布特征。
地表物体的大小、形状和空间分布都会对遥感影像的解译产生影响。
因此，解译遥感影像需要将影像上的物体与实地观测进行对比，并结合地形、植被等因素进行分析。
此外，数据源的呈现方式也是解译遥感影像的关键。
遥感影像可以以栅格或矢量的形式呈现。
栅格影像以像元为单位，每个像元代表一定的空间范围，而矢量数据以点、线、面的形式表示地物。
对于栅格影像，可以通过像元间的空间关系进行解译；而对于矢量数据，可以通过矢量对象的属性进行分类和解译。
在提取测绘数据方面，遥感影像可以提供大范围地物信息。
常见的测绘数据提取方法包括：1. 目视解译法：通过人眼观察遥感影像，根据直觉判断地物类型。
这种方法简单直观，但受到主观因素的影响较大，准确性有限。
2. 物体识别法：通过建立物体特征库，利用计算机自动提取遥感影像中与库中特征相匹配的物体。
这种方法可以提高提取的自动化程度，但需要精确的物体特征库和准确的算法。
3. 分割法：将遥感影像划分为多个区域，通过划定不同区域的边界来提取地物。
这种方法能够考虑到地物的形状和大小，并且可以通过像元间的灰度差异来提取。
4. 监督分类法：通过样本训练和监督来提取地物。
首先选择一定数量的样本并进行分类，然后使用机器学习算法将这些样本推广到整个遥感影像中，从而提取地物信息。
遥感影像信息提取方法
遥感影像信息提取方法遥感影像就像是地球的超级照片，从太空或者高空给我们展示地球的模样。
那怎么从这复杂的影像里提取有用的信息呢？有一种方法是目视解译。
这就像是我们看一幅画，用自己的眼睛去识别里面的东西。
比如说，在遥感影像里看到一大片绿色，形状像树，那可能就是森林啦。
有经验的解译者就像厉害的侦探，能从影像的颜色、形状、纹理这些蛛丝马迹里判断出是城市、农田还是山脉。
不过呢，这个方法比较依赖人的经验，而且要是影像特别复杂，就很容易出错，眼睛也会看累的，就像看一幅超级复杂的拼图看久了一样。
还有基于像元的分类方法。
影像都是由一个个像元组成的呀，每个像元都有自己的数值。
我们可以根据像元的数值特征来分类。
就好比把一群小朋友按照身高、体重这些数值来分成不同的小组。
像监督分类，我们得先找一些已知类型的样本，就像先认识几个有代表性的小朋友，然后根据这些样本的特征去给其他像元分类。
非监督分类呢，就像是让像元们自己抱团，根据它们数值的相似性自动分成不同的类别。
但是这种方法也有小缺点，有时候像元的数值会受到很多因素影响，可能就分错类了。
决策树分类法也很有趣。
它就像一棵大树，有很多分支。
每个分支都是一个判断条件。
比如说，先判断影像里这个地方的植被指数，如果植被指数高，再判断别的特征。
这样一层一层判断下去，就像走迷宫一样，最后确定这个地方是什么类型的地物。
这种方法很直观，不过要是树的结构没设计好，就像迷宫的路线画错了，那结果也会不对。
还有面向对象的分类方法。
它不是只看像元，而是把影像里相似的像元组合成一个个对象。
这就好比把一群志同道合的小朋友组成一个小团队。
然后根据这些对象的特征来分类。
这样能更好地利用影像里地物的形状、大小等信息，比只看像元要聪明一些。
但是它的计算量可能比较大，就像要组织很多小团队，比较费精力。
遥感影像信息提取的方法各有各的优缺点，就像不同的小工具，我们要根据具体的任务和影像的特点来选择合适的方法，这样才能从遥感影像这个大宝藏里挖到最有用的信息呢。
使用人工智能进行遥感影像解译的步骤和技巧
使用人工智能进行遥感影像解译的步骤和技巧遥感影像解译是利用人工智能技术对遥感影像进行分类和分析的过程，它在各个领域都有着广泛的应用。
本文将探讨使用人工智能进行遥感影像解译的步骤和技巧，帮助读者更好地理解和运用这一技术。
遥感影像解译的步骤可以分为数据预处理、特征提取、分类器选择和精度评价等多个环节。
首先，进行数据预处理是为了纠正影像中的各种因素，例如大气、几何和辐射校正等，从而确保影像质量的准确性和可靠性。
接下来，特征提取是遥感影像解译的关键一步。
人工智能技术通过提取影像中的特征信息，来判断和分类不同的地物类型。
这些特征可以是形状、纹理、光谱等多种多样的属性。
其中，光谱特征是最常用的一种，通过提取不同波段上的数据，并利用光谱反射率的差异，可以有效地判断出不同类型的地物。
分类器选择是指从众多的分类器中选择一个最适合解析任务的分类算法。
常见的分类器包括支持向量机（SVM）、人工神经网络（ANN）以及深度学习方法等。
这些分类器各有特殊的优势和适用范围，需要根据具体的解释需求和数据特征来选择合适的算法。
最后，精度评价是对遥感影像解译结果进行评估和验证的过程。
通过对比解译结果与实际情况进行对照，可以对解译的准确性和可靠性进行客观评价。
常用的评价指标包括生产者准确性、用户准确性、总体精度和Kappa系数等。
除了以上的步骤外，还有一些技巧可以帮助提高遥感影像解译的准确性和效率。
首先是合理选择合适的训练样本，样本的选择应该兼顾各个类别的特点，有代表性和一定的数量。
其次是合理选择合适的波段组合，通过选择适当的波段组合，可以突出地物类型的差异特点，提高解译的准确性。
此外，引入其他数据源，如地形、土壤等辅助信息，也可以对解译结果进行修正和补充。
人工智能技术的发展为遥感影像解译提供了强大的支撑，但同时也存在一些挑战和限制。
一方面，如何处理遥感影像中的大数据和高维信息是一个挑战。
另一方面，人工智能技术需要优化和改进，以提高解译结果的准确性和鲁棒性。
详解测绘技术中的遥感影像解译技术
详解测绘技术中的遥感影像解译技术遥感影像解译技术是现代测绘技术中的重要组成部分，它在国土资源调查、环境监测、灾害防治等领域起着不可替代的作用。
本文将详细探讨遥感影像解译技术的原理、应用以及未来发展方向。
一、遥感影像解译技术的原理遥感影像解译技术是通过获取并分析地球表面的遥感影像数据，提取出有用的地物信息。
它基于遥感技术，通过感知地球表面的辐射能量反射、发射和传输情况，利用光谱、空间和时间特征来解读地物的属性、分布和变化。
1. 光谱解译技术：利用遥感影像中不同波段的反射率或发射率差异，分析物体的光谱特性，判断其类型和性质。
例如，在红外波段中，不同植被的反射率差异较大，可以通过光谱解译技术来识别不同植被类型。
2. 空间解译技术：通过观察和分析遥感影像中地物的空间分布模式，判断其形状、大小和相互关系。
例如，在城市遥感影像中，通过分析建筑物的空间分布，可以推测出城市的发展规模和方向。
3. 时间解译技术：利用多时相的遥感影像数据，观察和分析地物的动态变化。
例如，通过对不同季节的植被遥感影像进行比对，可以监测植被的生长和衰退状况。
二、遥感影像解译技术的应用遥感影像解译技术在各个领域都有广泛的应用，以下列举几个典型的例子。
1. 土地利用/覆盖分类：利用遥感影像解译技术，可以实现对土地利用/覆盖类型的快速分类和监测。
通过分析遥感影像中不同地物的光谱特征和空间分布，可以判断土地的植被类型、建筑物分布、水体分布等信息，为城市规划、农业管理、生态保护等提供可靠的数据支持。
2. 灾害监测与评估：遥感影像解译技术可以帮助监测和评估各类自然灾害，例如地震、洪水、森林火灾等。
通过对遥感影像中灾害相关地物的分析，可以获得灾害范围、破坏程度等信息，为灾害应急和恢复提供科学依据。
3. 环境监测与评估：借助遥感影像解译技术，可以实现对环境资源的监测和评估，例如水体污染、土壤退化、大气污染等。
通过分析遥感影像中各种污染指标的反映，可以监测环境质量的变化，并提供决策支持。
- 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)。
资料，充分利用高分辨率的遥感影像，开展以下工作：
DEM数据精细化处理
地理国情普查信息采集
• •
地表覆盖分类 地理要素信息提取
图例 草地 耕地 林地 道路 裸地 水体 建筑物
参考资料：
《地理国情普查试点方案(征求意见稿)》-20121115
一、概述
地表覆盖分类
主要任务：利用高分辨率的影像资料，对地表覆盖据《地理国情信息内容体 系和指标》中地表覆盖分类体系中的一、二级类开展全国地表覆盖分类 主要成果：完整的地表覆盖数据
矢量数据
图斑编辑
二、主要问题
缺乏统一有效平台支撑项目建设，难以保证质量进度
试点单位 陕西局 地表覆盖分类 ERDAS 2011、PCI 10.0、 eCognition8 ENVI EX、 eCognition Envi EX、GLC_Info、 eCognition GLC_Info ArcGIS9.3 ArcGIS9.3 Titan、GLC_Info eCognition ENVI、ERDAS ArcGIS ArcGIS GeoWay3.6 GeoWay3.6、ArcGIS 10 后期编辑 ArcGIS9.3、 AUTOCAD2004 ArcGIS 基本要素提取 ArcGIS9.3、4D Mapper V1.0、 GeoWay V3.6、 AUTOCAD2004
三、主要技术方法
面向对象分割技术
面向对象分割技术
多尺度分割 均值漂移分割 分水岭分割
第3层 尺度=100
统计区域增长分割
第2层 尺度=50
第1 层
尺度=20
第0 层
象元
分割技术
分割精度
分割结果破碎程度较小； 可利用专题数据进行分割；
分割效率
采用并行处理方式进行分割， 分割的速度更快； 可以针对TB级影像的分割。
数据质量检查
影像分割
多种分割算法
系统提供多尺度分割、统计区域增长、均值漂移三种分割算法
二、主要问题
数据处理量大，效率受到影响，急需高性能处理技术
数据 处理步骤
影像融合
数据大小
1G-3G
处理耗时
5-10小时 FeatureStation：0.3-3小时
高分辨率数据 （WorldView-2、 ZY-3）
影像分割
DLG整合
1G-10G
500M-1G 1万-10万图斑
eCognition Server：1-10小时 约1-5个工作日 约5-20个工作日
优点：充分利用 人的经验和认知 能力； 缺点：费时费力、 效率低；
基本要素采集——半自动提取技术
面状和带状要素可以实现半自动提取，比如水域、草地、房屋、道路 等，充分利用人的认知能力和计算机的量算能力。
DLG数据辅助——分割技术
利用已有DLG数据辅助分割，可充分利用已有资源成果， 分割边界准确度高。目前，eCognition和FeatureStation GeoEX
利用解译标志，通过 人工判读的手段，对
人工构造规则集 eCognition Envi_EX 自动构造规则集 FeatureStation
地表覆盖要素进行人
工解译。
GeoEX
基于像素自动分类
基于对象自动分类
面向对象分类技术
构建规则集
eCognition、ENVI EX中，各种图像分析算法的设计可以通过对规则集的设计实现。规则 集包含任意数量的子规则和很多不同类型算法，一个单一的规则能使一个具体的算法应 用到一个具体特定的区域，它们所显示的结果是影像分析所定义的结构和流量控制图。
缺点 样本采集需作业员具备影像判读 解译经验； 样本采集需耗费一定时间。
针对分割后的对象，采用 训练样本的模式，自动构 建分类规则，实现遥感影
FeatureStation GeoEX
像面向对象自动分类。 类别逐级细分策略； 信息提取难度大，难以满足技术规定要求 操作简单，无需专业培训； 专题矢量批量赋属性。 利用多尺度分割技术，利 用光谱、形状、纹理等特 利用影像特征知识，建立规 则，对于单景特定对象分类的 不同数据源、不同时相、不同地 区的规则集普适性较差；
图形要素采编—道路半自动提取
属性信息采编
属性采集
支持地类批量赋值属性 支持选择集批量赋值属性 支持字段运算赋值 支持字段查找与替换
数据库（表格） 字段（Field） 记录 （Record）
R1 R2 F 1 F 2
…
Fm
…
Rn
数据质量检查
两线相交
线重复
伪节点
自相交 220.00 线打折 200.00 240.00 点线矛盾 面缝隙
二、主要问题
信息自动提取难度大，难以满足技术规定要求
eCognition 的规则集分类，对不同影像时相、数据源、区域的高分
辨率数据分类，很难普适，而且技术门槛很高，因而不适合工程化 项目实施。
GLC_Info提供的GLC分类技术，通过训练样本，进行自动规则集构 建，具有技术门槛低、便于操作员作业，适合工程的特点，但是采 集样不需要作业员有一定的影像解译经验。
FeatureStation_ 可以利用专题数据控制地物边界，控制多 GeoEX 级分类的级别，避免过度分割；
分割边界基本正确，复杂地物分割需结合 矢量数据。
分割结果破碎程度较大；
可利用专题数据进行分割； 可以利用专题数据控制地物边界，不能控 制多级分类的级别； 分割边界基本正确，复杂地物分割需结合 矢量数据。
分割速度较慢；
不能处理整景影像分割，只能 进行分块分割。
eCognition
ENVI_Feature Extraction
分割结果破碎程度最大；
不能利用专题数据进行分割； 对于复杂地物，分割边界错误严重。
分割速度较易康快； 可以进行整景数据的分割。
面向对象分类技术
监督分类 最小距离法 最大似然法 平行六面体 非监督分类 K-均值 ISODATA 决策树分类 人工目视解译
对于大片水域 有时需要多次 提取，然后将 这些提取结果 合并，构成一 个完整的水域。
图形要素采编—道路半自动提取
道路纹理稳定，与周围地物相比具有较大对比度。 通过计算角度纹理特征提取道路，加入道路模型修正提取结果。
图形要素采编—道路半自动提取
道路提取需要指定三个初始点，计算道路的起点、前进方向、宽度， 根据这些初始条件由计算机自动追踪道路。当追踪停止或偏出时，由 用户引导下一步进点，继续追踪。
黑龙江局 四川局 海南局 河南局 江西局 浙江局
二、主要问题
ቤተ መጻሕፍቲ ባይዱ
其他技术问题
数据整合需要统一转换工具 DLG与DOM数据配准问题 如何利用已有基础地理信息数据(DLG、DEM等） 缺乏基于航摄资料的自动分类软件
目录
一、概述 二、主要问题 三、主要技术方法 四、地理要素提取与解译技术流程
地理要素信息提取
主要任务：按照“应采尽采”的原则，对《地理国情信息内容体系和指标》 中到达规定尺度要求的重要河流湖泊、交通道路、、构筑物、地理单元进行 要素和属性信息采集，补充、更新和细化。 主要成果：河流湖泊、交通道路、构筑物和地理单元为主的地理要素信息数 据。
普 查 试 点 的 技 术 流 程
目录
一、概述 二、主要问题 三、主要技术方法 四、地理要素提取与解译技术流程
数据准备与预处理
对1：1万和1：5万的基础测绘数据进行处理，为基本要素采集和地表覆盖分类做准备， 由于影像的现势性不同和地形的变化，有很多地物已经不能与影像准确的套合，需要方 便、实用的平台对已有DLG数据进行处理，包括整合数据、新测、修测等。
支持全色、多光谱影像虚拟融
合进行分割
基本要素采集——半自动提取技术
地理要素解译是对遥感影像上的各种特征进行综合分析、比较、推理 和判断，最后提取出地物信息的过程。
目视解译 人机交互解译 优点：结合人的 认知能力和计算 机的数据处理能 力，提高效率； 缺点：需要人工 干预； 全自动解译 优点：可大大节 省人力及生产时 间； 缺点：算法精度 不高、鲁棒性低、 后处理复杂；
eCognition
征建立规则，对目标信息
进行提取。
精度较高；
规则集建立耗时耗力，需专业人
作业；
可以利用专题矢量参与分类。 员完成，技术门槛高，不利于工程
针对分割后对象，利用选 Envi_EX 择样本或使用规则的方式 进行面向对象的分类。
操作简单，便于操作； 提供分割分类预览功能。
提供的影像特征较少，不能满足 分类要求； 受硬件配置影响较大。
目录
一、概述 二、主要问题 三、主要技术方法 四、地理要素提取与解译技术流程
二、主要问题
信息自动提取难度大，难以满足技术规定要求
信息提取后期编辑工作量大，难以保证项目进度 数据处理量大，效率受到影响，急需高性能处理技术 缺乏统一有效平台支撑项目建设，难以保证质量进度 其他技术问题
二、主要问题
信息提取后期编辑工作量大，难以保证项目进度
0.2米分辨率航摄影像1幅1：5万满幅，人工采集地表覆盖1人平均 需30天完成（加班情况下）。
地表覆盖分类软件并不能够达到分类标准的要求，人工参与工作
量大，一幅1：1万图幅需要15天以上。
单景WorldView-2 多光谱 行x列：10656x11424 影像大小：929MB 软件：FeatureStation GeoEX 分割尺度:100 生成图斑个数：49142