高空间分辨率遥感影像的解译
使用遥感图像解译进行土地利用类型分类的技巧与方法
使用遥感图像解译进行土地利用类型分类的技巧与方法引言：遥感图像解译是通过获取地面及其有关信息的各种图像，并分析图像来识别及提取地物特征的过程。
在土地利用规划、环境保护、农业和城市规划等领域，遥感图像解译在确定土地利用类型及其空间分布方面发挥着关键作用。
本文将介绍一些使用遥感图像解译进行土地利用类型分类的技巧与方法。
一、选取合适的遥感数据选择合适的遥感数据是进行土地利用类型分类的关键步骤。
常见的遥感数据包括航空摄影、卫星影像和激光雷达数据等。
这些数据具有不同的空间分辨率、光谱分辨率和时间分辨率等特点，因此需根据研究目的和数据可用性选择合适的遥感数据。
通常情况下，高分辨率的卫星影像可以提供更详细的地物信息，而中分辨率的遥感数据可以实现更大范围的土地利用类型分类。
二、预处理遥感图像数据在进行土地利用类型分类之前，通常需要对遥感图像数据进行预处理。
预处理包括影像辐射校正、大气校正和几何纠正等步骤。
通过这些预处理步骤，可以消除由于传感器和大气条件等因素引起的影像噪声和畸变，提高土地利用类型分类的准确性。
三、提取分类特征提取合适的分类特征是进行土地利用类型分类的关键。
常见的分类特征包括光谱特征、纹理特征和形状特征等。
光谱特征通常是基于遥感图像中地物的光谱反射率或辐射亮度进行分类，通过分析地物的光谱特征可以判断其土地利用类型。
纹理特征是指地物的纹理信息，通过纹理特征可以获得地物的空间分布信息，从而实现土地利用类型分类。
形状特征是指地物的形状信息，通过分析地物的形状特征可以判别其土地利用类型。
四、选择合适的分类算法选择合适的分类算法是进行土地利用类型分类的关键。
常见的分类算法包括最大似然分类法、支持向量机、随机森林和人工神经网络等。
最大似然分类法是一种常用的基于统计理论的分类算法，它通过计算每个地物类别的最大似然估计来判断其土地利用类型。
支持向量机是一种常用的机器学习算法，它通过构建一个高维空间中的超平面来实现土地利用类型分类。
高低分辨率影像解译对比
不同分辨率影像解译效果分析根据地物的成像规律，在遥感影像上识别出它的性质和数量指标的过程，称为遥感影像的解译，也称为判读。
遥感影像上不同地物有其不同的影像特征，这些特征是解译时识别各种地物的依据，这种依据叫做遥感影像的解译标志，也叫做识别特征。
直接解译标志如色调、颜色、阴影、形状、大小、纹理、图形。
间接解译标志如相关位置、相互关系等。
随着遥感技术的发展，人们得到的遥感影像的质量越来越好，空间分辨率越来越高。
目前商用卫星可提供0.6米左右空间分辨率的卫星图像（如Quick bird，Worldview等），在这种具有高空间分辨率特性的图像上，大型建筑物、道路、飞机场和其它人造地物形状特征和纹理特征清晰可辨，这为从遥感影像中提取空间结构信息提供了物质基础。
影像分辨率不同，在辨别地物上有很大的影响。
主要地物有如下特征：（一）低分辨率影像低分辨率遥感适合进行一些宏观的地物监测，因为分辨率低，每个像元代表的面积很大，所以能覆盖地面较大的范围。
另外，低分辨率遥感通常光谱分辨率会比较好，包含除可见光以外的近红外等波段，可以用来监测大面积的植被，区分植被和非植被。
低分辨率影像对于一些较小的图斑，很容易被遗漏，对于这些零星小地块的补测只有通过外业调查的方式对研究区展开全面覆盖调查，这不仅大大增加了外业调绘工作量，而且一定程度上否定了3S方法能够快速获取土地利用信息的这一特点。
低分辨率的一大优点是经济实惠，购置成本低。
（二）高分辨率影像高分辨率卫星影像具有以下特点：具有丰富的空间信息、地物几何结构和纹理信息明显。
例如本项目使用的Quickbird影像上人工地物、水体和植被之间的光谱差异明显，建筑物和道路形状结构特征突出，耕地和林地纹理信息丰富。
高分辨率卫星遥感影像，可以在较小的空间尺度上观察地表的细节变化、进行大比例尺遥感制图以及监测人为活动对环境的影响。
影像纹理清晰，能够很清楚的分辨出道路、沟渠等水利设施。
具有广阔的应用前景。
遥感卫星影像仪的高效图像处理与智能解译技术
遥感卫星影像仪的高效图像处理与智能解译技术遥感卫星影像仪在现代地球观测和环境监测中扮演着重要角色。
它们能够获取地球表面的高分辨率图像，为各个领域的研究和决策提供了宝贵的数据支持。
然而，由于获取到的遥感数据庞大且复杂，需要进行高效的图像处理和智能解译，才能更好地发挥其价值。
本文将介绍一些相关的高效图像处理和智能解译技术。
一、遥感卫星影像仪的图像处理技术1. 图像增强图像增强是提高遥感影像视觉效果和信息可提取性的重要步骤。
通过调整图像的亮度、对比度和色彩平衡等参数，可以增强图像的细节和辨识度。
常用的图像增强技术包括直方图均衡化、滤波和锐化等。
2. 图像拼接由于遥感卫星影像仪的视场有限，通常需要多幅影像进行拼接，以获取更大范围的地表信息。
图像拼接技术可以将多幅影像无缝拼接成一幅大图像，保持图像的连续性。
常用的图像拼接算法包括特征点匹配和块匹配法等。
3. 压缩与存储由于遥感数据量庞大，为了有效地传输和存储，需要进行数据压缩。
常见的遥感数据压缩算法有有损压缩（如JPEG）和无损压缩（如LZW）等。
压缩后的数据可以节约存储空间，并且有利于后续处理和分析。
二、遥感卫星影像仪的智能解译技术1. 自动分类遥感影像中的特征信息非常丰富，通过使用机器学习和人工智能等技术，可以实现对地物的自动分类。
常见的自动分类算法包括支持向量机（SVM）、神经网络和决策树等。
这些算法可以根据遥感影像的特征，自动将地物分成不同的类别，提高分类的准确性和效率。
2. 目标检测目标检测是在遥感影像中寻找并识别感兴趣的目标物体。
借助深度学习等技术，可以实现对遥感影像中的建筑物、道路和水体等目标的快速检测。
目标检测技术有助于地理信息系统（GIS）的建设和城市规划等领域的决策支持。
3. 变化检测利用不同时期的遥感影像，可以进行地表变化的检测。
通过比较两幅或多幅影像之间的差异，可以判断出地表的变化情况。
变化检测技术在环境监测、灾害评估和资源管理等方面具有重要的应用价值。
生态学中的遥感影像解译技术使用教程
生态学中的遥感影像解译技术使用教程遥感影像是生态学研究中不可或缺的工具之一，它可以提供大范围、高空间分辨率、多时相的地表信息，帮助科学家们监测和分析地球表面的生态系统。
遥感影像解译技术是利用遥感影像数据，通过对图像进行解译，提取和分析信息来获取关于地表特征和变化的有用信息。
本文将简要介绍生态学中常用的遥感影像解译技术，包括图像预处理、分类算法和应用实例。
首先，图像预处理是遥感影像解译的重要步骤。
预处理可以消除图像中的噪声，增强图像的对比度和目标物体的边缘，提供更清晰、可靠的数据。
图像预处理包括辐射校正、大气校正、几何校正和噪声滤波等步骤。
辐射校正旨在将原始图像转换为反射率表征，以消除光照条件的影响。
大气校正是为了消除大气散射的影响，以便更准确地获取地表信息。
几何校正是为了纠正图像几何失真，使地物位置与实际地理位置一致。
噪声滤波可以去除图像中的随机噪声，提高图像质量。
其次，分类算法是遥感影像解译的核心内容。
分类算法是根据图像上的像素值，将其划分为不同的类别，以描述地物类别和分布情况。
常用的分类算法包括监督分类和非监督分类。
监督分类是事先需要提供训练样本，通过对样本进行训练，然后将训练得到的分类器应用到整个图像中。
常用的监督分类算法有支持向量机（SVM）、人工神经网络（ANN）和决策树等。
非监督分类是无需提供训练样本，通过对图像上的像素值进行相似性度量和聚类分析，将图像划分为不同的类别。
常用的非监督分类算法有K-means聚类、最大似然分类和谱聚类等。
最后，生态学中的遥感影像解译技术在许多领域有广泛的应用。
例如，在陆地生态学中，可以利用遥感影像解译技术对植被覆盖和类型进行监测和评估，分析植被变化和演替过程，研究人类活动对生态系统的影响。
在水生生态学中，可以利用遥感影像解译技术监测水体质量，分析水体蓝藻水华的发生与分布规律，评估湖泊和河流的健康状况。
在动物生态学中，可以利用遥感影像解译技术研究动物栖息地的变化，分析迁徙和分布模式，评估威胁和保护策略。
高分辨率遥感数据的处理与分析方法
高分辨率遥感数据的处理与分析方法遥感技术的发展日益成熟，高分辨率遥感数据的获取量逐渐增加。
如何处理和分析这些海量数据成为遥感领域的重要研究课题。
本文将介绍高分辨率遥感数据的处理与分析方法，并探讨其在不同领域的应用。
一、数据预处理高分辨率遥感数据的预处理是数据处理的重要步骤，它包括数据去噪、辐射校正、几何校正等内容。
1. 数据去噪：高分辨率遥感数据中常常存在各种噪声，如椒盐噪声、斑点噪声等。
为了减少噪声对后续分析的影响，可以采用滤波算法对数据进行去噪处理，如中值滤波、均值滤波等。
2. 辐射校正：高分辨率遥感数据的辐射校正是将原始数据转换为物理度量的一个过程。
通过影像的辐射校正，可以消除大气、地表反射率等因素对遥感影像的影响，得到准确的反射率信息。
3. 几何校正：高分辨率遥感数据的几何校正是将影像的像素空间坐标与实际地理坐标之间建立映射关系的过程。
通过准确的几何校正，可以保证影像的空间精度，提高后续分析的可靠性。
二、数据分类与特征提取高分辨率遥感数据的分类和特征提取是将遥感影像转化为语义信息的重要工作。
1. 数据分类：数据分类是指将遥感影像中的像素根据其反射率或其他属性进行分类，以获得具有不同意义的地物信息。
常用的分类方法包括基于像元的分类、基于对象的分类和基于深度学习的分类等。
2. 特征提取：特征提取是将遥感影像中不同地物的特征进行提取和描述的过程。
常用的特征提取方法包括纹理特征提取、形状特征提取、光谱特征提取等。
通过特征提取，可以获得地物的几何、纹理和光谱等多维信息，为后续的应用提供基础。
三、数据融合与信息提取高分辨率遥感数据融合与信息提取是将多源数据融合，获取更丰富的地物信息的关键环节。
1. 数据融合：高分辨率遥感数据融合是指将不同源、不同分辨率的遥感数据进行融合，以获取更全面、更准确的地物信息。
常见的数据融合方法包括基于智能算法的融合、基于模型的融合等。
2. 信息提取：通过数据融合，可以获取到更丰富的地物信息。
如何利用高分辨率遥感影像进行城市建筑物高度估算与三维重建
如何利用高分辨率遥感影像进行城市建筑物高度估算与三维重建高分辨率遥感影像已经成为城市规划和建设中不可或缺的工具。
利用这些影像可以进行城市建筑物高度估算和三维重建，为城市设计、交通规划、环境评估等提供重要参考。
本文将介绍如何利用高分辨率遥感影像进行城市建筑物高度估算与三维重建。
一、城市建筑物高度估算利用高分辨率遥感影像进行城市建筑物高度估算，是通过对影像中的建筑物进行几何解译和空间分析来实现的。
首先，我们需要获取高分辨率的遥感影像数据，这可以通过航空摄影或卫星遥感来实现。
然后，利用计算机视觉和图像处理技术，对影像中的建筑物进行边缘检测、分割和识别，获取建筑物的几何外形信息。
在获取了建筑物的几何外形信息后，我们可以利用建筑物的外形与影像中的空间信息进行关联，从而估算建筑物的高度。
一种常用的方法是利用图像的立体几何关系，通过计算建筑物在影像中的投影面积与实际地面面积之比，来估算建筑物的高度。
这种方法需要考虑影像的纵向扩展和建筑物的倾斜度，以获得更准确的估算结果。
此外，还可以利用建筑物影像中的纹理信息来进行高度估算。
建筑物的纹理信息与建筑物的高度存在一定的关系，通过分析纹理在影像中的空间分布和频率特征，可以对建筑物的高度进行估算。
这种方法主要适用于建筑物表面具有明显纹理的情况，如玻璃幕墙、装饰物等。
二、城市建筑物三维重建利用高分辨率遥感影像进行城市建筑物三维重建，是通过将影像信息转化为三维模型来实现的。
首先，我们需要获取高分辨率的遥感影像数据，包括正射影像和倾斜摄影影像。
正射影像可以提供建筑物的平面信息，倾斜摄影影像可以提供建筑物的高程信息。
在获取了影像数据后，我们可以利用计算机视觉和摄影测量技术，对影像进行几何校正和配准，获取精确的建筑物位置和姿态信息。
然后，利用三维重建算法，将影像信息转化为三维点云或三维模型。
常用的三维重建算法包括立体视觉、结构光扫描和激光扫描等。
三维重建算法主要有基于特征匹配和基于点云配准两种方法。
高分辨率遥感影像的处理与分析
高分辨率遥感影像的处理与分析在当今科技飞速发展的时代，高分辨率遥感影像已经成为了获取地球表面信息的重要手段。
它就像我们观察地球的“超级眼睛”，能够以极高的清晰度和精度呈现出地球上的各种地貌、植被、建筑物等。
然而，要想从这些海量的影像数据中提取出有价值的信息，就需要进行一系列复杂的处理和分析工作。
高分辨率遥感影像的特点十分显著。
首先，它具有极高的空间分辨率，这意味着我们能够看到更加精细的地物细节，比如建筑物的门窗、道路上的标线等。
其次，它包含丰富的光谱信息，能够让我们更好地区分不同类型的地物。
但与此同时，高分辨率遥感影像也带来了一些挑战。
比如，数据量巨大，处理起来需要耗费大量的时间和计算资源；由于成像条件的影响，可能存在几何变形、噪声等问题。
在对高分辨率遥感影像进行处理时，几何校正至关重要。
由于卫星在拍摄过程中可能会受到各种因素的影响，导致影像存在几何变形，使得影像中的地物位置与实际位置产生偏差。
为了纠正这种偏差，我们需要通过选取地面控制点，并利用相应的数学模型来进行几何校正，从而使影像能够准确地反映地物的真实位置和形状。
辐射校正也是必不可少的一步。
由于传感器的性能差异、大气散射等原因，影像的辐射亮度值可能会存在偏差。
通过辐射校正，我们可以消除这些偏差，使得不同时间、不同传感器获取的影像具有可比性，从而更准确地进行地物信息的提取和分析。
图像增强是为了突出影像中的有用信息，提高影像的可读性和可解译性。
常见的图像增强方法包括对比度拉伸、直方图均衡化等。
对比度拉伸可以加大影像中灰度值的差异，使得地物的轮廓更加清晰；直方图均衡化则是通过重新分布影像的灰度值，来增强影像的整体对比度。
影像融合则是将不同分辨率、不同光谱特性的影像进行整合，以获取更全面、更准确的信息。
例如，将高分辨率的全色影像与低分辨率的多光谱影像融合，可以在保持高空间分辨率的同时，又具有丰富的光谱信息。
在完成了影像的处理之后，接下来就是对其进行分析。
测绘技术遥感影像解译方法介绍
测绘技术遥感影像解译方法介绍近年来，随着遥感技术的快速发展和普及，其在测绘领域的应用也越来越广泛。
遥感影像解译作为一种重要的测绘技术手段，扮演着不可或缺的角色。
本文将介绍几种常用的遥感影像解译方法，帮助读者更好地了解和应用这一技术。
一、目视解译法目视解译法是最基础也是最常用的解译方法之一。
通过对遥感影像进行仔细观察，将不同的地物、特征和目标识别并进行分类。
这种解译方法需要解译员具备较高的专业知识和经验，并且对影像细节有较强的观察和辨别能力。
虽然目视解译法存在主观性和时间成本高等问题，但在一些小范围和特定场景的解译中仍然具有重要意义。
二、分类器解译法分类器解译法是利用计算机和数学方法对影像进行解译的一种常用方法。
其依靠事先建立的各类地物的光谱、纹理和形状特征等参数，通过计算和比对来确定影像中的地物类型和分布。
常见的分类器包括最大似然法、人工神经网络、支持向量机等，在实际应用中根据需要选择合适的分类器。
分类器解译法具有自动化程度高、效率高等优点，但也存在一定的误差和精度问题需注意。
三、特征提取法特征提取法是从遥感影像中筛选出有用的地物特征，然后对这些特征进行分类和解译。
这种方法基于对地物特征的深入研究和理解，结合遥感影像的优势，能够更精准地提取出相应地物的特征信息。
特征提取法可分为光谱特征提取、形状特征提取、纹理特征提取等，根据不同地物和任务需选择合适数学模型和算法进行特征提取和解译，从而得到更为准确的结果。
四、多源数据融合法多源数据融合法是将不同类型、不同分辨率、不同时间的遥感影像进行综合利用，以提高解译精度和信息获取能力。
通过多源数据的融合，可以更全面地展现地物的空间分布和时序变化，减少遥感影像解译的盲区和误差。
常见的多源数据包括多光谱影像、高光谱影像、雷达影像等，通过适当的数据融合方法和技术，可以获取更为全面和准确的地理信息。
综上所述，测绘技术遥感影像解译方法多种多样，每种方法都有其适用的场景和优势。
- 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)。
2 HRVIR
6060
5年 2250
SPOT-5
2002.5
822
5年 2250 600120
全色波段高达10米的分辨率，使SPOT 数据可以用作地形底图、正射图。
SPOT全色波段同TM band3 的比 较（Charleston, SC）
遥感影像空间分辨率与成图比例尺的关系
成图比例 尺 图像空间 分辨率
GeoEye首张卫星照片
IKONOS 卫 星 多 光 谱 影 像 （ 4 米）（排队参观毛主 席纪念堂的队伍隐约可见， 花坛信息没有，背景草坪 不清晰）
IKONOS 卫星融合影像（ 1 米）（排队参观毛主席纪 念堂的队伍清晰可见，花 坛和背景草坪显示出来， 色调自然逼真，连纪念堂 柱子的阴影都很清楚）
SPOT-4
1998.3
822
0.50-0.59 0.61-0.68 0.78-0.89 1.58-1.75(SWIR) 0.61-0.68(Pan) VEGETATION 0.45-0.52 0.61-0.68 0.78-0.89 1.58-1.75 0.50-0.59 0.61-0.68 0.78-0.89 1.58-1.75(SWIR) 0.48-0.71(Pan) VEGETATION 同 SPOT-4 1 HRS 0.49-0.69 2 HRG
•
GEOEYE
TECSAR-以
Worldview
Quickbird
COSMO-SkyMed-意 IKONOS-1.0m
GEOEYE—目前空间分
辨率最高的民用卫星
分辨率(星下点): 全色：0.41 m ； 全色： 0.5m； 多光谱：1.65 m; 侧视28° 卫星重量: 1955Kg 轨道高度: 684 Km 幅宽: 星下点15.2 km ； 单景225 k㎡ (15×15 km)
• 中巴地球资源卫星-2B，高分辨率相机HR， 分辨率达2.36m。 • 中巴、环境星 • 印度（2.5m）
在轨运行SPOT卫星
SPOT 1
SPOT 2
服务中断
SPOT 3 失效
SPOT 4
SPOT 5
法国SPOT卫星及其传感器概况
卫星 SPOT-1 SPOT-2 SPOT-3 发射时间 1986.2 1990.1 1993.9 轨道高度/km 822 822 822 传感器 2 HRV 谱段/ m 0.50-0.59 0.61-0.68 0.78-0.89 0.50-0.73(Pan) 空间分辨率/m 寿命 扫描宽度/km 20 20 20 10 20 20 20 20 10 1000 1000 1000 1000 10 10 10 20 52.5 1000 105 6060 3年
• • • • • • • • •
•
• eCognition提供的专业分类工具： • 1.多数据源融合可以用来融合不同分辨率的对地观测数据和GIS数 据，如QuickBird、Landsat、SPOT、IKONOS、SAR、LIDAR、航片等， 不同类型的影像数据和矢量数据同时参与对象分割与分类。 • 2. 多尺度分割 用来将任何类型的全色或多光谱数据以选定尺度 （粗、中、细）分割为均匀影像对象，形成影像对象层次网络。 • 3.基于样本的监督分类 小尺度分割图像 一个简单、快速强大的分 类工具，影像对象是通过点击训练样本来定义，形象的称为“一点就 分（Click and Classify）”。 • 4.基于知识的模糊分类 中尺度分割图像用户运用继承机制、模糊 逻辑概念和方法以及语义模型，可以建立用于分类的知识库。 • 5. 人工分类 大尺度分割图像 • 6. 自动分类 eCognition允许用户定制宏，进行自动影像分析。 • 7.基于样本的监督分类 • 8. 基于知识的模糊分类 • 9.面向对象的特征描述 • 10. 面向对象的遥感信息提取过程 • 11. 面向对象的遥感信息提取过程
1：5 000
不低于1m
1：10 000 不低于 2.5m
1：50 000 不低于 10.0m
由于可以调整平面镜的角度，因此可能获得研究区域的立体像对，平面精 度可以达到12米，高程精度可以达到30米
分辨率高 波段少 数据量大 副宽窄 价格高
同物异谱、异物同谱现象比较突出
微波成像 全天时、 全天候 高分辨率 信号处理复杂 解译不直接
“北京—1”小卫星
优良的性能
～ 686km 卫星质量： ～166.4kg 载荷 -1： GSD 32m多光谱 地面遥感带宽: 600km 光谱: 520-620 nm 630-690nm 760-900 nm 载荷 -2： GSD： 4m 扫描带宽： 24km 谱段： 全色
轨道高度：
北京一号融合影像（合肥市开发区，4m全色＋20m多光谱）
• • • •
聚类 区域增长与合并 马尔科夫随机模型（GMRF） 小波变换
• ecognition
• eCognition是由全景天地代理的德国Definiens Imaging公司开发的智能化影 像分析软件。eCognition是目前所有商用遥感软件中第一个基于目标信息的遥 感信息提取软件，它采用决策专家系统支持的模糊分类算法，突破了传统商 业遥感软件单纯基于光谱信息进行影像分类的局限性，提出了革命性的分类 技术——面向对象的分类方法，大大提高了高空间分辨率数据的自动识别精 度，有效地满足了科研和工程应用的需求。eCognitions所采用的面向对象的 信息提取方法，针对的是对象而不是传统意义上的像素，充分利用了对象信 息（色调、形状、纹理、层次），类间信息（与邻近对象、子对象、父对象 的相关特征）。 eCognition的主要特点： 1 独特的面向对象分类方法； 2 模拟人类大脑的认知过程； 3 将计算机自动分类和人工信息提取相结合； 4 可以分析纹理和低对比度数据； 5 针对不同的影像数据和分类任务，进行不同尺度的影像分割； 6 快速简单的监督分类； 7 容易表达和分析复杂的语义任务； 8 模糊逻辑分类算法 eCognition可以进行基于样本的监督分类或基于知识 的模糊分类、二者结合分类及人工分类，影像对象和分类结果易于导出成常 用GIS数据格式，可以用于集成或GIS数据库更新。
面积摄影
b 旁向重叠
•
• 高空间分辨率遥感影像解译的特点：
• 色、形、位 空间特征 基于空间特征
•
《高分辨率卫星遥感影像地学计算》（周成虎）
• 高分辨遥感影像分割：
• 按影像特征，分灰度影像分割和纹理影像分割，或者 直方图阈值、特征空间聚类、区域提取、边缘检测。 • 按分割方法分，统计学方法、模糊集方法、人工神经 网络方法和物理方法。
• 以“快、好、省”为标志的小卫星技术发展使得空间技术成本大为 降低，为商业化的盈利目标提供了实现的可能。最为先进的商用对地观 测 卫 星 的 空 间 分 辨 率 已 达 0.41 米 （ 美 国 GeoEye) ， 和 0.5 米 分 辨 率 的 “ WorldView”卫星）。 GeoEye 新型卫星于 2008 年 4 月发射和运行标志着 民用卫星的空间分辨率已有较大的突破。除此而外，德国和意大利发展 的高分辨率雷达卫星（ TerraSarCosmo 、 SkyMed ），特别是组成星座方 面走在了前列。 这类现代高分辨率卫星系统的一个共同特点大多是小卫星系统，他 们的性价比都相对较高；他们总是作为国家安全的重要组成部分也同时 为军用提供信息，在关键时期甚至为军方所征用！
• TARIES（高分辨率遥感影像处理与分析系统） • 中科院 • 自主产权
高分辨率卫星影像应用
• • • • • • • • 国防安全 政府管理 环境管理 林业 农业 油气行业 可视化和仿真 Google Earth
伊 拉 克 首 都 巴 格 达
底格里斯河
阿兹米亚宫
广播电视大楼
伊政 府办 工楼
• 代表当今最为先进的卫星系统如美国高级军事侦察卫星 “锁眼”系列（KH-11\12）其最高的空间分辨率已达0.1米；而 他的雷达侦察卫星“长曲棍球”（Lacrosse）的空间分辨率最 高也达到0.3米。
KH系列－大鸟
key hole
KH-11
DSP
LACROSSE —长曲棍球
• 商业化对地观测系统—以商业应用为主要目标
巴格达总统府
撒拉姆宫
苏吉得宫
高空间分辨率遥感当前发展的主要方向
高分辨率遥感对地观测的发展是近十余年来对地观 测，特别是卫星对地观测最重要的突破。。 高分辨率遥感对地观测全面体现在空间分辨率、光 谱分辨率、时间分辨率和辐射分辨率四个方面。
目前说高分辨率多数指的是空间分辨率。
•
高分辨率的卫星影像通常是指像素的空间分辨率在 10 m以 内的遥感影像，目前一般指空间分辨率优于5m。 卫星遥感空 间分辨率已逼近亚米级，极限为厘米级。 • 早期高分辨率传感器的研制与应用主要是在军事领域，以 大比例尺遥感制图和对地物的分析和人类活动的监测为目的， 20世纪90年代以后才逐渐进入商业和民用领域的范围，并迅速 地发展起来。1993年1月，美国 Space Imaging公司首先领到了 制造和经营 3 m分辨率传感器的许可证，随后1m分辨率的许可 证陆续发给了洛克希德公司、Earth- View公司、Ball公司。
航空影像
中心投影
对于航线摄影和面积摄影而言，象片之间存在着一定的重叠，包括： 航向重叠：在同一条航线上相邻两张象片间的重叠。 重叠度为53%～60%。 目的是用于相邻象片地物的互相衔接和立体观察。 旁向重叠：相邻航线间相邻象片的重叠。 重叠度为15%～30%。 用于象片镶嵌等。
a 航向重叠