(完整word版)ERDAS遥感影像处理
ERDAS遥感影像处理
1、图像导入
在erdas的Import/Export模块中，分别导入TM图像的第1、2、3、4、5、7波段，具体操作步骤为
①点击import模块，打开对话框
②选择type类型为TIFF
③media为file；
④然后选择输入、输出文件名路径和文件名
⑤分别对123457波段进行导入；
⑥在此之前可以选择session－>preference，选择输入、输出主目录，方便以后操作。
2、图像波段合成
在erdas的interpreter模块中将单波段影像进行合成，生成多波段文件，具体操作步骤为：interpreter－>utilities－>layer stack，
①在出现的对话框中import框中依次选择需要合成的波段，每选择输入一个波段用Add 添加一次；
② output file选择导出文件路径及命名文件。
③Data type 设为Unsigned 8 bit；
④Output option 设置为Union （另一个是做波段分离的），选中ignore zero stats；
⑤进行操作。
3、图像预览
在开始进行分类之前，需要先仔细查看合成后的图像，确定卫片所覆盖的地理区域及海拔范围，确定主要的地标性元素。由于卫片原始数据的差异，同样的地表覆盖物斑块在不同时期
的卫片中或不同地区的卫片中显示的颜色都可能不同，所以在预览中，还要熟悉整个范围内的地表覆盖类型和不同地物之间的变化。
①打开显示窗口，加载裁切后的6通道的图像（4，3，2）或者（4、5、3）、（7，4，2）；
②把图像缩小至适合窗口，浏览图像，注意河流、城镇、植被、水体、土壤的分布；
③选择特定区域放大，查看各种不同的地表覆盖物类型的分布及色调变化；
根据经验，在4，3，2（RGB）的波段组合下，各种地表覆盖物类型的特点如下：
a．森林——森林显示出棕色、红色、褐色等一系列多变的色调。在高海拔地区，成熟针叶林为很浓的棕色或暗红色；在中低海拔地区，森林的颜色多变，从棕色到红色到暗绿色都有，部分落叶林在冬季呈现出锈黄色；
b．灌丛和草甸——相对于临近的森林斑块，灌丛和草甸呈现出明亮许多的红色到浅红色。在高海拔地区，大片的草地在夏季可能为浅红或锈红色，而冬季则呈现青绿色；
c．湖泊、河流——湖泊通常为边界清晰的黑色斑块，河流则显示为黑色或深蓝色。在冬季，水面结冰或覆盖有雪则显示出不同深浅的紫红色；
d．城镇——很明显的比较亮的灰色或青灰色斑块，通常可见有规则的灰色线条（公路）穿过；
e．农田——颜色多变的绿色、灰色、淡紫色、浅红色斑块，通常沿河谷两侧不规则分布，在平原区则大片分布。河道边的水田往往显示出富含水分的青灰色。
4、图像分类
5.1 进行非监督分类
步骤：
第1步：启动非监督分类
在ERDAS图标面板工具条中单击Classifier图标，打开Classification 对话框，单击
Unsupervised Classification 按钮，打开Unsupervised Classification对话框
第2步：进行非监督分类
在Unsupervised Classification对话框中进行下列设置：
①确定输入文件（Input Raster File）(要进行分类的文件)；
②确定输出文件（Output File）（产生的分类文件），文件名定为ppprrr_YYYYMMDD_123457_unsupervised_15.img；
③选择生成分类模板文件Output Signature Set，确定模板文件名称,命名同上；
④确定聚类参数（Clustering Options），需要确定初始聚类方法与分类数：
⑤默认选择Initialize from Statistics（按照图像的统计值产生自由聚类）；
⑥确定初始分类（Number of classes）为15（分为15类）；
⑦单击Initializing Options按钮，打开File Statistics Options对话框，设置一些统计参数，一般采用默认值；
⑧单击Color Scheme Options按钮，打开Output Color Scheme Options对话框，设置分类图像彩色属性，此处单击Approximate True Color，采用RGB对应453波段合成。
⑨其他参数采用默认值。
⑩单击OK按钮（关闭Unsupervised Classification对话框，执行非监督分类）。
4.2 定义分类模板
（1）步骤：
Main－>Image Classification－>Classification－>Signature Editor，打开分类模板编辑器。在Viewer窗口下的Raster下打开Tools图标，选择多边形AOI绘制。
（2）定义模板原则
①必须在分类之前就知道研究区域的森林类型、覆盖范围以及图像的叠和现象，以保证输出
分类的连续性。
②当创建训练区时，对于每一个类别都有一些子类，每个子类选择的AOI区域应该不少于5个，并且每个AOI区域内象素的颜色类型一致，跳跃不能很大，即不出现杂色。
4.3 执行监督分类
①依次选择：Main－>Image Classification－>Classification－>Supervised Classification，打开监督分类对话框。
②输入原始文件
③定义输出文件
④确定分类模板文件
⑤选择输出分类距离文件为Distance File
⑥定义分类距离文件
⑦选择非参数规则（Non-Parametric Rule）为Feature Space
⑧选择叠加规则（Overlay Rule）为Parametric Rule
⑨选择未分类规则（Unclassified Rule）为Parametric Rule
⑩选择参数规则为Maximum Likelihood（即最大似然法）
?取消选中Classify zeros复选框
?OK执行监督分类。
4.4 后期检查修正
打开两个viewer窗口，进行链接（选择link工具）。并可以选择aoi的显示功能检查子类选择的正确性。反复验证、修改模板。
4.5 重新分类
重复以上步骤，重新分类，达到最佳分类结果
5、分类重编码
将分类结果图像进行分类重编码，减少分类数量。判断每个分类的专题属性，对相近或类似的分类通过图像重编码进行合并，并定义分类名称和颜色。
①Main->Image Interpreter->GIS Analysis->Recode
②确定输入、输出文件；
③设置新的分类编码(Setup Recode)，打开Thematic Recode表格，根据需要改变“New Value”字段取值(直接输入)；
④单击OK；
⑤单击OK
6、滤波
①Image Interpreter | GIS Analysis... | Eliminate...；
②输入文件为“.._ clp4.img”，输出文件为“..._ elim25.img”；
③“Minimum”选择“25”；(因为象素分辨率为28.5M，25个象素接近于2公顷；这样最小图斑为2公顷)
④“Output”选择“8bit”
7.erdas配准步骤
配准步骤：要求
1 在viewer模块里打开你的正确的影像。
2 点击dataprep模块，打开他下面得image geometric correction子模块，
3 选择from image file，选择你要配得图像，打开
4，在出现得set geometric model里
选择polyonial
5 在下面的对话框里有个polynomial order 一般选2就可以
6 然后应用，在close那个对话框
7 在下面的对话框里，选第一个
8 出现一个小的对话框，不用管它，点击你第一步打开得准确的图像界面，就可以配准了
9 在你的准确图像里面点击一个点，然后转到你的需要配的图象里面找与它相似的点，点击，选够6个点后，在gcp tool那个界面里面将出现误差参数，可以看你得点是不是准确。这6个点是控制点，所以你选择时应该分散开，尽量在全图范围里找。
10 然后选择其它点越多越好
11 如果你不想那样麻烦的找，你可以在任何一幅图像上点击鼠标右键，然后选择geo。link/unlink选项，那样子的话，你只需要在一个图象里点点，机器自动给你在另一个里面找，不过头六个点不会出现误差参数，从第七个点开始会出现误差参数，如果误差太大，你必须在修改。
12，在你配完后，在geo correction tools里面点击第3个图标就ok
13，如果你配准到中间要休息，需要保存gcp tools对话框，
下次在匹配直接打开就行。
14。配准完后得总误差也就是那个rms误差必须在0.5个像元以里。
工作完毕，你的图就ok
ArcGIS10.0操作之三——影像配准方法之一
地图配准可分为影像配准和空间配准。影像配准的对象是raster图，譬如TIFF图。配准后的图可以保存为ESRI GRID, TIFF,或ERDAS IMAGINE格式。空间配准（Spatial Adjustment)是对矢量数据配准。下面简单的介绍影像配准的第一种方法：
1、加载地形图；
2、在工具栏处右键单击，调出Georeferencing(影像配准）工具条
3、单击Add Control Point ,选择控制点（控制点选取要尽量均匀、对称）并右键单击，弹出输入x,y坐标对话框，如下；
4、输入控制点，并依次在选择多个控制点；
5、如下图，单击下拉菜单中的update display即可实现配准；
6、单击Rectify,并进行存储路径设置，单击确定即可得到配准之后的影像。
ArcGIS中影像图配准方法研究
数据准备：1:2000影像数据55.2-38.0.tif 55.2-39.0.tif
配准前：加载上述两幅影像图，在ArcMap中显示效果如下：
第1步地形图的配准－加载数据和影像配准工具
所有图件扫描后都必须经过扫描配准，对扫描后的栅格图进行检查，以确保矢量化工作顺利进行。
打开ArcMap，添加“影像配准”工具栏。
把需要进行配准的影像—55.2-38.0.tif增加到ArcMap中，会发现“影像配准”工具栏中的
工具被激活。
第2步输入控制点
在配准中我们需要知道一些特殊点的坐标。一般为控制点――公里网格的交点。在这里将选取影像图的四个角点，根据影像图的图幅号算出它的每个角点的坐标点。
在“影像配准”工具栏上，点击“添加控制点”按钮。
使用该工具在扫描图上精确到找一个控制点点击，然后鼠标右击输入该点实际的坐标位置，如下图所示：
用相同的方法，在影像上增加多个控制点（大于7个），输入它们的实际坐标。点击“影像配准”工具栏上的“查看链接表”按钮。
检查控制点的残差和RMS，删除残差特别大的控制点并重新选取控制点。转换方式设定为“二次多项式”
注意：在连接表对话框中点击“保存”按钮，可以将当前的控制点保存为磁盘上的文件，以备
使用。
第3步设定数据框的属性
增加所有控制点，并检查均方差（RMS）后，在”影像配准”菜单下，点击“更新显示”。执行菜单命令“视图”－“数据框属性”，设定数据框属性
在“常规”选项页中，将地图显示单位设置为“米”
在“坐标系统”选项页中，设定数据框的坐标系统为“Xian_1980_Degree_GK_CM_102E”（西安80投影坐标系，3度分带，东经102度中央经线），与扫描地图的坐标系一致
更新后，就变成真实的坐标。
第4步矫正并重采样栅格生成新的栅格文件
在”影像配准”菜单下，点击“矫正”，对配准的影像根据设定的变换公式重新采样，另存为一个新的影像文件。
根据上面的方法配准图：55.2-39.0.tif。
加载重新采样后得到的栅格文件，并将原始的栅格文件从数据框中删除。显示如下：
遥感影像处理步骤
3.2.3 遥感影像数据的获取 目前世界上用于民用的卫星很多，最常用于作物长势监测的是美国发射的一系列陆地卫星。本文使用的是2013年2月11日，NASA发射的Landsat 8卫星数据，Landsat 8上携带有两个主要载荷：OLI（陆地成像仪）和TIRS（热红外传感器）。OLI包括9个波段，空间分辨率为30米，其中包括一个15米的全色波段，成像宽幅为185×185 km。OLI包括了ETM+传感器所有的波段，为了避免大气吸收特征，OLI对波段进行了重新调整，比较大的调整是OLI Band5（0.845–0.885 μm），排除了0.825 μm处水汽吸收特征；OLI全色波段Band8波段范围较窄，这种方式可以在全色图像上更好区分植被和无植被特征；此外，还有两个新增的波段：蓝色波段（band1：0.433–0.453 μm）主要应用海岸带观测，短波红外波段(band9：1.360–1.390 μm) 包括水汽强吸收特征可用于云检测；近红外band5和短波红外band9与MODIS对应的波段接近。 表3-2 Landsat8各波段的名称与用途 Table 3-2 The name and purpose of each band of Landsat8 （引自：张玉君，国土资源遥感，2013） 波段No 波段名称波长范围/nm 数据用途GSD地面 采样距离 /nm 辐射率/ （W·m-2sr-1u m-1）典型 SNR （典型） 1 NewDeep Blue 433-453 海岸区气溶胶30 40 130 2 Blue 450-515 基色/散射/海岸30 40 130 3 Green 525-600 基色/海岸30 30 100 4 Red 630-680 基色/海岸30 22 90 5 NIR 845-885 植物/海岸30 14 90 6 SWIR2 1560-1660 植物30 4.0 100 7 SWIR3 2100-2300 矿物/干草/无散射30 1.7 100 8 PAN 500-680 图像锐化15 23 80 9 SWIR 1360-1390 卷云测定30 6.0 130 10 TIR 10300-11300 地表温度100 11 TIR 11500-12500 地表温度100 本实验获取条带号和行编号为143/029，选取棉花蕾期、花铃期、吐絮期内无云、质量较好的影像数据，过境时间分别为2013年6月25日，8月5日，8月29日。 3.2.4 卫星影像处理 地面目标是个复杂的多维模型，具有一定的空间位置、形状、大小和相互关
遥感影像图像处理流程
遥感影像图像处理(processing of remote sensing image data)是对遥感图像进行辐射校正和几何纠正、图像整饰、投影变换、镶嵌、特征提取、分类以及各种专题处理等一系列操作，以求达到预期目的的技术。 一．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。 （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。
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。 （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
ERDAS遥感图像处理教程 绝对给力
《遥感数字图象处理实验指导书》 实习须知 实验室资源： 1 硬件设备： 局域网系统； 高级PC 计算机（每人一台，在规定时间使用）； 2 软件系统 Windows 2000 或Windows XP ERDAS IMAGINE 8.6 ArcToolbox ArcMap Microsoft Word Microsoft Excel Zip program 3 数据资源 数据源： ERDAS IMAGINE 8.6软件附带的examples； XX地区TM、ETM、Spot遥感数据 区部分矿山企业基础数据XX． 实习目的与内容 1 实习目的 本实习为已具有RS的基本概念和理论基础的学生设计，目的是帮助学生在了解RS基本组成与数据结构模型的基础上，重点学习使用ERDAS IMAGINE8.6软件进行视窗操作、数据数据预处理、图像解译、图像分类和矢量功能；了解地图投影系统的使用；学习多种数据输入的方法，不同数据格式转换，数据库模式的定义等多种前后期处理工作；掌握遥感图像前后处理和解译、分类地理的技术流程和方法，数据库建设以及地理数据的编辑和管理；配合具体实例运用GIS空间分析工具。通过系列实习过程，重点培养学习者掌握RS提取信息的基本过程和技巧，并可初步用来解决运用遥感提取信息的问题。 2 实习内容 实习1：ERDAS IMAGINE 8.6系统简介与入门；包括：软件概述，视窗操作中的菜单工具条的介绍，数据的输入输出。 实习2：数据预处理；包括：图像分幅剪裁，图像几何校正，图像拼接处理，图像投影变换；实习3：图像解译；包括功能简介，辐射增强处理（去霾处理）、常用的光谱增强处理（假彩色合成与指数计算）、空间增强处理（分辨率融合）。
中国地质大学遥感图像处理上机实习报告
遥感图像处理课程实习报告 学生姓名：王蜀越 班学号： 学号： 指导教师：王红平、许凯 中国地质大学信息工程学院 2017年7月1日
目录 目录 ............................................................................................................................................... - 1 - 实习一：影像融合........................................................................................................................ - 2 - 1.1【实习目的】 (2) 1.2【实习步骤】 (2) 1.3【实习过程】 (2) 实习二：几何校正........................................................................................................................ - 6 - 2.1【实习内容】 (6) 2.2【实习步骤】 (6) 2.3【实习过程】 (6) 实习三：影像分类（一）.......................................................................................................... - 10 - 3.1【实习内容】 (10) 3.2【实习步骤】 (10) 3.3【实习过程】 (10) 实习四：影像分类（二）.......................................................................................................... - 14 - 4.1【实习内容】 (14) 4.2【实习步骤】 (14) 4.3【实习过程】 (14) 心得与感想 ................................................................................................................................. - 18 -
遥感地图处理步骤
一、正射矫正 首先打开envi然后找到索要校对的地图，首先把多光谱（MSS）的直接拖到界面中，然后把高程模型里（DEM）的hebei.tif拖入。高分模型的正射矫正是根据RPC和DEM进行矫正的。拖入之后选择在ToolBox中→选择Geometric Correction→Orthorectification→RPC Orthorectification. 选择完之后就会出现
intput file是你从哪里取得文件，不用在改变了。下面的dem file 选择dem中的一个波段，一般选择band1
然后选择ok。进行下一步，点击next。 然后选择advanced，output pixel size（输出的像素密度）因为MSS的像素密度为8故写上8（pan全色影像的像素密度为2）然后image Resampling（图像重采样）输出bilinear（双线性）。下一步选择Export 在选择out file中的tiff格式。输出地址在进行选择如下图， 应该保存在正射矫正。在选择地址时，直接从文家家的地址复制到所填框的地址，选择一下文件名，省的以后写就是绿色的MSS文件，然后文件名就会出现其对应的名字，在进入正射矫正，文件名就不用改了，然后点打开，就完成了，最后在点击finish就结束等待期运行完。 多光谱跟全色的操作一样。就是像素密度由8改为2
二、配准 同一区域里一幅图像（基准图像）对另一幅图像的校准，以使两幅图像中的同名像元配准，两幅影像经过校正后，达到了更好的精度要求。同时打开2米全色和8米多光谱影像，以2米全色影像作为基准图像，通过从两幅图像上选择同名点（控制点）来配准8米多光谱影像，使得相同地物出现在校正后的图像相同位置。 打开envi classic 从File→open image file→从正射矫正中选择全色（PAN）的图 然后 选择load band会加载出来
遥感图像分类
实验四遥感图像分类 一、背景知识 图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。 非监督分类运用ISODATA（Iterative Self-Organizing Data Analysis Technique)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。 监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模板(训练样本)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。 二、实验目的 理解并掌握图像分类的原理，学会图像分类的常用方法：人工分类（目视解译）、计算机分类（监督分类、非监督分类）。能够针对不同情况，区别使用监督分类、非监督分类。理解计算机分类的常用算法实现过程。熟练掌握遥感图像分类精度评价方法、评价指标、评价原理，并能对分类结果进行后期处理。 三、实验内容（6课时） 1.非监督分类（Unsupervised Classification)； 2.监督分类（Supervised Classification)； 3.分类精度评价（evaluate classification）； 4.分类后处理（Post-Classification Process）； 四、实验准备 实验数据： 非监督分类文件：germtm.img 监督分类文件：tm_860516.img 监督模板文件：tm_860516.sig 五、实验步骤、方法 1、非监督分类（Unsupervised Classification)
遥感卫星图像处理方法
北京揽宇方圆信息技术有限公司 遥感卫星图像处理方法 随着遥感技术的快速发展，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
遥感影像处理步骤
一．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。 （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。
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。 （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
遥感数字图像处理
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 3.4彩色增强 彩色影像的类型：真彩色、假彩色、伪彩色
ERDAS IMAGINE遥感图像处理教程.
《ERDAS IMAGINE遥感图像处理教程》根据作者多年遥感应用研究和ERDAS IMAGINE软件应用经验编著而成，系统地介绍了ERDAS IMAGINE 9.3的软件功能及遥感图像处理方法。全书分基础篇和扩展篇两部分，共25章。基础篇涵盖了视窗操作、数据转换、几何校正、图像拼接、图像增强、图像解译、图像分类、子像元分类、矢量功能、雷达图像、虚拟GIS、空间建模、命令工具、批处理工具、图像库管理、专题制图等ERDAS IMAGINE Professional级的所有功能，以及扩展模块Subpixel、Vector、OrthoRadar、VirtualGIS等；扩展篇则主要针对ERDAS IMAGINE 9.3的新增扩展模块进行介绍，包括图像大气校正（ATCOR）、图像自动配准（AutoSync）、高级图像镶嵌（MosaicPro）、数字摄影测量（LPS）、三维立体分析（Stereo Analyst）、自动地形提取（Automatic Terrain Extraction）、面向对象信息提取（Objective）、智能变化检测（DeltaCue）、智能矢量化（Easytrace）、二次开发（EML）等十个扩展模块的功能。 《ERDAS IMAGINE遥感图像处理教程》将遥感图像处理的理论和方法与ERDAS IMAGINE软件功能融为一体，可以作为ERDAS IMAGINE软件用户的使用教程，对其他从事遥感技术应用研究的科技人员和高校师生也有参考价值。 目录 基础篇 第1章概述2 1.1 遥感技术基础2
1.1.1 遥感的基本概念2 1.1.2 遥感的主要特点2 1.1.3 遥感的常用分类3 1.1.4 遥感的物理基础3 1.2 ERDAS IMAGINE软件系统6 1. 2.1 ERDAS IMAGINE概述6 1.2.2 ERDAS IMAGINE安装7 1.3 ERDAS IMAGINE图标面板11 1. 3.1 菜单命令及其功能11 1.3.2 工具图标及其功能14 1.4 ERDAS IMAGINE功能体系14 第2章视窗操作16 2.1 视窗功能概述16 2.1.1 视窗菜单功能17 2.1.2 视窗工具功能17 2.1.3 快捷菜单功能18 2.1.4 常用热键功能18 2.2 文件菜单操作19 2.2.1 图像显示操作20 2.2.2 图形显示操作22 2.3 实用菜单操作23
(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。
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
遥感影像成图步骤—以ETM为例
理塘-德巫断裂卫星影像地图制作（1:10万） ——以ETM数据为例 一、主流处理软件对比介绍 ENVI，ERDAS，PCI 软件功能不作具体说明，ENVI和ERDAS较为主流，各个软件各有自己的优缺点，比如ENVI中提供的数据融合方法就没有ERDAS中的多，ERDAS(破解版)中无法做DEM提取工作；ENVI的影像波段显示和数据操作较为简便，菜单功能有很多重复；PCI破解版本较低。另外，每个软件对不同类型的卫星遥感影像可能有各自的处理模块，所以也不能绝对就以某一类软件为主，如果遇到一些问题，一类软件解决不了，可以尝试用另一类软件。如在中科院网站下载的ＥＯＳ原始卫星数据打不开，用ＰＣＩ就能打开，然后转换成ENVI STANDSRD格式或者ERDAS IMAGINE格式，即可处理了。最后，哪种能免费下载，哪种版本功能多，就用哪种吧，没的讲究。 二、数据准备（建议查看百度文库：《遥感影像的获取及处理sky》） （1）介绍 （2）来源 A https://www.360docs.net/doc/6010842988.html,/cs_cn/ https://www.360docs.net/doc/6010842988.html,/cs_cn/中科院对地中心 B https://www.360docs.net/doc/6010842988.html,/EarthExplorer/ USGS网站 C Ftp://https://www.360docs.net/doc/6010842988.html,马里兰大学FTP（Landsat 4-7数据存放于WRS2下，建议用360浏览器浏览，） 说明：A, B注册后，方可下载。USGS上的数据比对地中心要新一些，格式种类要多，有许多是经过正射矫正（Orthorectified）的数据，做图可以直接拿来用，另外，landsat 7在2003年以后的数据（SLC-off）由于卫星故障，有条带，虽然修复过，最好不用，具体说明见中科院对地中心数据下载网站。C里面数据类型丰富，包括ASTER，QUICKBIRD，EOS等等，可以作为练习数据使用。 D 下载前准备：查询数据行列号（Path/Row）以下是Landsat 7 影像行列号
遥感卫星影像图查询购买流程介绍
北京揽宇方圆信息技术有限公司 遥感卫星影像图查询购买流程介绍 丰富的数据源 北京揽宇方圆拥有先进的国产业务卫星与商业卫星、国际业务卫星与商业卫星、灵活机动的低空飞行等遥感数据，可实现多空间、时间分辨率的不同数据的整合，向客户提供满足个性化需求的影像数据服务。 先进的生产技术 北京揽宇方圆遥感卫星数据处理严格质量控制的半自动高性能集群计算，数据迭代更新的系统级海量处理，有效无云的光学影像处理体系。 科学的生产流程 A、原始卫星影像数据：整合国内外遥感卫星数据源； B、自主产权遥感数据软件：高效、稳定的影像数据生产线； C、有效数据像元：全色、多光谱影像；无云有效数据碎片； D、合成卫星影像：多源卫星合成镶嵌影像 系列化影像产品 北京揽宇方圆在科学、严格的标准化生产管理和质量控制体系基础上，已构建多条成熟的影像数据生产线，可满足规模化海量影像数据生产，可提供融合影像、镶嵌影像产品，形成高质量规格的DEM与影像地图服务，同时可实现影像资源的持续、快速、稳定更新。 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。 优势： 1：北京揽宇方圆国内老牌卫星数据公司，经营时间久，行业口碑相传，1800个行业用户选择的实力见证。 2：北京揽宇方圆遥感数据购买专人数据查询一对一服务，数据查询网址是卫星公司网。 3：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。 4：北京揽宇方圆国家高新技术企业，通过ISO900认证的国际质量管理操作体系，无论是遥感卫星品质和遥感数据处理质量，都能得到保障。 5：影像数据官方渠道：所有的卫星数据都是卫星公司授权的原始数据，全球公众数据查询网址公开查询，影像数据质量一目了然，数据反应客观公正实事求是，数据处理技术团队国标规范操作，提供的是行业优质的专业化服务。 6：签定正规合同：影像数据服务付款前，买卖双方须签订服务合同，提供合同相应的正规发票，发票国家税网可以详细查询，有增值税普通发票和增值税专用发票两种发票类型可供选择。以最有效的法律手段来保障您的权益。 7：对公帐号转款：合同约定的对公帐号，与合同主体名发票上面的帐号名称一致，是由工商行政管理部门核准的公司银行账户，所有交易记录均能查询，保障资金安全。
遥感图像处理步骤及经验
遥感图像处理步骤及经验 1、图像导入 在erdas的Import/Export模块中，分别导入TM图像的第1、2、3、4、5、7 波段，具体操作步骤为 ① 点击import模块，打开对话框 ② 选择type类型为TIFF ③ media为file； ④ 然后选择输入、输出文件名路径和文件名 ⑤ 分别对123457波段进行导入； ⑥ 在此之前可以选择session－>preference，选择输入、输出主目录。 2、图像波段合成 在erdas的interpreter模块中将单波段影像进行合成，生成多波段文件，具体操作步骤为： interpreter－>utilities－>layer stack， ① 在出现的对话框中import框中依次选择需要合成的波段，每选择输入一个波段用Add添加一次； ② output file选择导出文件路径及命名文件。 ③ Data type 设为 Unsigned 8 bit； ④ Output option 设置为Union ，选中 ignore zero stats； ⑤ 进行操作。 3、用shape文件进行图像切割 3.1 Shape文件制作AOI文件： ① 在ERDAS中点击Import图标，出现Import/Export对话框 ② 选中Imput，Type栏选择Shapefile，Media栏选择File，在Input File （*.shp）中确定要转换的shape文件，在Output File（*.arcinfo）中确定输出路径及名称，单击OK按钮，出现Import Shapefile对话框，单击Import Shapefile Now。 ③ 注意此步骤中输出路径及输出名称均为英文字母 ④ 建立拓扑多边形 ⑤ 在Arcgis中打开ArcToolbox，Data Management Tools—>Topology—>Build，双击Build，出现Build对话框，在Input 中填入*.arcinfo文件的路径，Feature 选择Poly ⑥ 单击OK按钮。 ⑦ 在ERDAS中打开一个viewer窗口，打开arc coverage文件，新建一个aoi 层（New—>AOI Layer） ⑧ View—>Arrange Layers Viewer打开Arrange Layers Viewer对话框，在Vector图层上单击右键，选择Show Properties，打开Properties对话框，选中Polygon，点击Apply按钮。
ERDAS图像分类
背景知识 图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。 非监督分类运用ISODATA（Iterative Self-Organizing Data Analysis Technique)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。监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。 监督分类一般要经过以下几个步骤：建立模板(训练样本)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。 非监督分类（Unsupervised Classification) 打开非监督分类对话框 DataPrep图标/Data Preparation/Unsupervised Classification菜单项； 如下图输入相应参数后，OK完成非监督分类；
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以记录光谱区内反射的辐射通量,从而最有效地描述有关对象的光谱属性。但实际上不同的
遥感实习2卫星数据的预处理流程
数据预处理的一般过程包括几何校正、图像镶嵌与裁剪、辐射定标与大气校正等环节。
图1 数据预处理一般流程 通常我们直接从数据提供商获取未定标的DN 图像，然后定标为辐射亮度图像，对辐射率亮度图像进行大气校正得到地表反射率图像。 一、辐射定标与大气校正 1、辐射定标Radiometric calibration ：将记录的原始DN 值转换为大气外层表面反射率（或称为辐射亮度值）。 目的：消除传感器本身的误差，确定传感器入口处的准确辐射值 方法：实验室定标、机上/星上定标、场地定标 不同的传感器，其辐射定标公式不同。L=gain*DN+Bias 在ENVI 中，定标模块：Basic Tools>Preprocessing>Calibration Utilities>模块 2、大气校正Atmospheric correction ：将辐射亮度或者表面反射率转换为地表实际反射率 目的：消除大气散射、吸收、反射引起的误差。 分类：统计型和物理型 目前遥感图像的大气校正方法按照校正后的结果可以分为2种： 1) 绝对大气校正方法：将遥感图像的DN(Digital Number)值转换为地表反射率、地表辐射率、地表温度等的方法。包括：基于辐射传输模型、基于简化辐射传输模型的黑暗像元法、基于统计学模型的反射率反演 2) 相对大气校正方法：校正后得到的图像，相同的DN 值表示相同的地物反射率，其结果不考虑地物的实际反射率。包括：基于统计的不变目标法、直方图匹配法等。 方法的选择问题，一般而言： 1) 如果是精细定量研究，那么选择基于辐射传输模型的大气校正方法。 2) 如果是做动态监测，那么可选择相对大气校正或者较简单的方法。 3) 如果参数缺少，没办法了只能选择较简单的方法了。 在ENVI 中，Basic tools>preprocessing>calibration utilities>FLAASH 二、数字图像镶嵌与裁剪 1、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，需要确定一幅参考影像，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 Digital Numbers Radiance TOA Reflectance Geometric correction Step 1 Step 2 Surface Reflectance Step 3 Step 4 Analysis
数字图像处理技术在遥感等领域的现状和未来发展趋势
综述数字图像处理技术在遥感领域的现状和未来发展趋势 崔云腾 【摘要】阐述了遥感技术目前在国内外的发展现状，以及数字图像处理技术在遥感技术上起到的重大作用。随着数字图像处理技术的发展，让遥感技术有了翻天覆地的变化。并且详细的描述了图像处理技术在遥感领域的关键技术，对这些技术在遥感中起的作用进行解释。最后对图像处理技术在遥感领域未来的发展趋势进行分析。 【关键词】遥感；图像处理；技术发展 Digital image processing technology in the current situation and future development trend in the field of remote sensing Cui Yunteng A bstract this paper expounds the remote sensing technology in the domestic and foreign development present situation, and the digital image processing technology to play a major role in the remote sensing technology. With the development of digital image processing technology, remote sensing technology have changed dramatically. And a detailed description of the key technologies in the field of remote sensing image processing technology, plays the role of these techniques in remote sensing for explanation. Finally, the image processing technology in the field of remote sensing in the future development trend of the analysis. 0.引言 几十年来，随着卫星技术的不断成熟，遥感技术也不断地发展，通过卫星收集大量的影像资料，随之而来对图像的处理分析有了更高的要求，以前需要雇佣几千人，现在运用图像处理系统仅仅需要一台高级计算机，与之前相比分析识别速度有了显著的提高[1]，同时减少了大量的人员工作，并且还可以从照片中发现通过人力所不容易发现不能找到的有用情报。