遥感图像处理方法论文
存档日期：存档编号：
——大学——学院
本科生论文
设计题目：遥感图像处理方法论文
院系：
年级：
学号：
姓名：
指导教师：
摘要：遥感图像处理(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的方法。
常用的遥感图像处理方法有光学的和数字的两种。
引言：数字图像处理最早出现于20世纪50年代，当时的电子计算机已经
发展到一定水平，人们开始利用计算机来处理图形和图像信息。
数字图像处理作为一门学科大约形成于20世纪60年代初期。
早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。
图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。
首次获得实际成功应用的是美国喷气推进实验室（JPL）。
他们对航天探测器徘徊者7号在1964年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响，由计算机成功地绘制出月球表面地图，获得了巨大的成功。
随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，以致获得了月球的地形图、彩色图及全景镶嵌图，获得了非凡的成果，为人类登月创举奠定了坚实的基础，也推动了数字图像处理这门学科的诞生。
在以后的数字图像处理技术宇航空间技术，如对火星、土星等星球的探测研究中，数字图像处理技术都发挥了巨大的作用。
数字图像处理取得的另一个巨大成就是在医学上获得的成果。
参考文献：《ERDAS IMAGINE遥感图像处理方法》
我所用的图是徐州地区的图包括了云龙湖,山地，农田，建筑等。
遥感图像几何校正处理流程
几何校正就是从具有几何变形的图像中消除变形的过程。
而将地图投影系统赋予图像数据的过程，称为地理参考（Geo-referencing）。
由于几何校正的遥感影像都需要遵循一定的地图坐标系统，因此几何校正的过程包含了地理参考过程。
多项式纠正法，利用已知象元在影像上的位置（行列坐标）及其相应地理坐标（可利用地图获取）建立校正变换多项式，进而对整幅图像进行校正，是最常用的几何校正方法。
基于多项式的几何校正关键是控制点的选取。
多项式纠正法的精度与地面控制点（GCP）的精度、分布、数量及纠正范围有关，GCP的位置精度越高，则几何纠正的精度越高；GCP分布应尽可能在整幅图像内均匀分布，否则在GCP密集区精度较高，在GCP分布稀疏区出现较大误差。
具体步骤：
1.打开参考图像和要校正的图像。
2.查看地图投影信息：投影Projection、椭球体参数Datum、分辨率。
3.显示图像： Available Bands List窗口Now Display→New Display，利用要校正的图像合成彩色图像（R-5、G-4、B-3波段合成）Display #1→New Display，利用参考图像合成彩色图像（R-5、G-4、B-3波段合成）
4.选择控制点
1）Ground Controls Points Selection窗口：Map→ Registration→Select GCPs: Image to MapImage to Map Registration设置 Input display (要校正的图像窗)elect Registration Projection与参考图像一致
2）打开参考图像Pixel Locator：Tools→ Pixel Locator…（能够显示该点的行列数）
3）选择控制点：选点需要选取具有特征的点，所谓特征提取即是计算机视觉和图像处理中的一个概念。
它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。
特征提取的结果是把图像上的点分为不同的子集，
这些子集往往属于孤立的点、连续的曲线或者连续的区域。
基于MTFC的遥感图像复原方法
基于MTFC的遥感图像复原方法基于MTFC的遥感图像复原方法的论文摘要：本文提出了一种基于MTFC（Multi-Task Fully Convolutional）的遥感图像复原方法。
该方法使用MTFC网络进行图像去噪、去模糊和超分辨率重建等任务，以提高遥感图像质量。
该方法在模拟实验中展示了其出色的去噪、去模糊和超分辨率重建效果。
介绍：遥感图像在军事、民用和商业等领域中发挥着重要的作用。
然而，由于遥感图像数据受到许多因素的干扰，如噪声、模糊和低分辨率等，导致图像质量下降。
因此，遥感图像复原是一项重要的任务。
本文提出了一种基于MTFC的遥感图像复原方法，以提高遥感图像的质量和准确性。
方法：MTFC网络是一种多任务全卷积网络，可以同时执行多个任务。
MTFC网络由一系列卷积层、池化层和上采样层组成，以有效地处理不同的任务。
在该方法中，我们使用MTFC网络进行图像去噪、去模糊和超分辨率重建等任务。
通过将MTFC网络与遥感图像复原任务相结合，我们可以有效地提高图像的质量和准确性。
实验：我们对该方法进行了模拟实验，并评估了其对遥感图像进行去噪、去模糊和超分辨率重建的效果。
实验结果表明，该方法能够显著地提高遥感图像的图像质量和准确性。
例如，当我们在噪声密集的情况下复原图像时，所得到的图像质量与原始图像相比得到了显著的提升。
此外，当我们在低分辨率图像上进行超分辨率重建时，所得到的图像质量也得到了显著的提升。
结论：本文提出了一种基于MTFC的遥感图像复原方法。
该方法可应用于遥感图像去噪、去模糊和超分辨率重建等任务，以提高图像的质量和准确性。
该方法的实验表明，MTFC网络可以有效地处理这些任务，并显著地提高图像的质量和准确性。
因此，该方法有望在遥感图像处理中得到广泛应用。
进一步探究：本文提出的基于MTFC的遥感图像复原方法具有优秀的性能，而MTFC网络在这些任务上已经被证明优于其他网络。
MTFC 网络通过对多任务训练，可以学习与图像复原任务相关的特征，并在处理相似任务时共享这些特征。
遥感超分重建技术
遥感超分辨率重建技术是一种通过对低分辨率遥感图像进行处理，从而获得高分辨率遥感图像的技术。
在具体操作中，可以将低分辨率遥感图像送入训练好的深度模型中，以得到重建后的超分辨率遥感图像。
这种技术基于深度学习的方法，可以分成三大类：单幅遥感图像超分重建、多幅遥感图像超分重建和多/高光谱遥感图像超分重建。
在单幅遥感图像超分重建方面，基于GAN的方法被证明是最有效的。
此外，还有基于多尺度特征提取的方法、结合小波变换的方法、沙漏状生成网络的方法、边缘增强网络的方法等。
对于多幅遥感图像超分重建，虽然超分效果不佳，但可以通过配准融合和多源信息融合等方法来提高重建质量。
此外，多/高光谱遥感图像超分重建也存在类似的问题。
为了进一步提高遥感超分辨率重建技术的效果，未来的研究可以关注以下几个方面：构建针对遥感图像特点的神经网络结构、无监督学习的遥感图像超分重建方法、以及多源遥感图像的超分重建方法。
以上内容仅供参考，如需获取更多信息，建议查阅相关论文或咨询专业人士。
基于遥感技术的湿地分类与评价研究
基于遥感技术的湿地分类与评价研究湿地是地球上一种生态系统的重要组成部分，它们在维持生态平衡和提供生物多样性方面起着重要的作用。
因此，湿地的分类与评价对于环境保护和生态管理具有重要意义。
遥感技术的发展为湿地分类与评价研究提供了新的途径和工具。
本论文将介绍遥感技术在湿地分类与评价中的应用，并探讨其优势和研究存在的问题。
一、遥感技术在湿地分类中的应用湿地的分类是湿地监测与管理的基础，传统的湿地分类方法主要基于实地调查和制图，费时费力且缺乏时效性。
而遥感技术则可以通过获取卫星、航空和无人机遥感数据，结合数学模型和分类算法，对湿地进行快速、自动、定量的分类。
1. 遥感图像预处理遥感图像预处理是湿地分类的第一步，主要包括辐射校正、大气校正和几何校正。
辐射校正用于保证图像的灰度值和目标微量讯息的一致性，大气校正通过剔除大气散射影响提高地物信息的获取精度，几何校正则通过重投影使得实地信息能够与图像信息相对应。
2. 特征提取特征提取是湿地分类的关键步骤。
遥感数据中包含了大量信息，不同波段和多光谱影像所提供的特征具有不同的分类能力，常用的包括反射率、光谱特征、纹理特征和形状特征等。
特征提取通过对遥感数据进行数学和统计分析，提取代表湿地类型的特征参数。
3. 分类算法由于湿地具有多样性和复杂性，分类算法的选择对于湿地分类结果至关重要。
常用的分类算法包括支持向量机（SVM）、随机森林（RF），最大似然法等。
这些算法通过对提取的特征进行聚类和判定，将湿地图像进行分类。
二、遥感技术在湿地评价中的应用湿地评价主要是针对湿地健康状况和生态功能进行评估，通过遥感技术可以实现对湿地面积、植被覆盖度、水体面积等参数的获取与分析。
1. 湿地健康状况评估湿地健康状况评估是湿地保护和恢复的基础。
遥感技术可以通过获取不同时间点的湿地遥感数据，利用面积变化、植被指数等参数，评估湿地的健康状况和湿地面积的变化趋势。
2. 生态功能评估湿地是生态系统的重要组成部分，对生态功能的评估是湿地管理的重要课题。
基于第二代Curvelet变换的遥感图像融合算法研究的开题报告
基于第二代Curvelet变换的遥感图像融合算法研究的开题报告一、选题背景随着遥感技术的不断发展和应用，人们对于遥感图像的要求也越来越高。
目前，遥感图像融合技术已经成为了提高遥感图像分析和应用水平的重要手段。
遥感图像融合旨在将多个不同分辨率或传感器的遥感图像集成成一个更具信息含量和完整性的新图像，以便更好地满足使用需求。
目前，遥感图像融合主要采用多分辨率分析技术和小波变换技术等方法。
然而，这些方法在处理一些特殊情况下存在一定的局限性和不足。
为此，本文提出了基于第二代Curvelet变换的遥感图像融合算法。
二、研究意义基于第二代Curvelet变换的遥感图像融合算法在处理多分辨率图像时，具有更好的形态表达能力和更好的局部性能。
相比于传统的小波变换、多分辨率分析等方法，该算法在多分辨率图像的边缘和轮廓上的表现更为优异。
在图像融合应用中，对于边缘和轮廓的保护尤为重要，因此该算法有望在遥感图像融合领域得到广泛应用。
三、研究内容本文将首先对遥感图像融合相关技术进行分析，然后介绍第二代Curvelet变换的原理及其在图像处理中的应用。
进一步，基于第二代Curvelet变换，我们将提出一种新的遥感图像融合算法，包括以下步骤：1. 将原始遥感图像通过第二代Curvelet变换，得到低频和高频部分。
2. 对低频部分采用平均算法进行融合。
3. 对高频部分进行加权平均算法融合。
4. 将融合后的低频部分和高频部分通过逆Curvelet变换，得到最终的融合图像。
四、预期成果本文研究的基于第二代Curvelet变换的遥感图像融合算法，将在多种图像融合任务上进行测试，并与传统的小波变换、多分辨率分析等方法进行比较。
通过实验结果，我们将证明该算法具有更好的图像融合效果和更高的图像质量。
五、研究方法本文的研究方法将包括文献调研、理论分析、算法设计、实验测试和结果分析等步骤。
我们将通过收集、分析和归纳相关文献，对遥感图像融合和Curvelet变换等技术进行详细的介绍和分析。
遥感实验报告 毕业论文
遥感实习报告实验课程名称：＿＿___＿________实验时间:实验指导老师：＿＿＿＿＿ ______学号：＿ _班级：姓名：_目录实习1ERDAS IMAGINE 8.6系统简介与入门 (3)练习2数据的输入/输出简介 (7)实习2ERDAS IMAGINE 8。
6系统的数据预处理 (10)练习2图像几何校正(G EOMETRIC C ORRECTION) (12)练习3卫星图像拼接（S ATELLITE I MAGE M OSAIC） (18)练习4图像投影变换（R EPROJECT I MAGES) (20)实习总结： (22)实习1ERDAS IMAGINE 8。
6系统简介与入门、1遥感的应用领域和ERDAS IMAGINE系统的基本概念和功能: 遥感技术作为对地观测,提取地表最现势状况的最有利工具，被广泛应用在各行各业，包括测绘,自然资源管理,林业,水利，交通，环境保护，电力电信、防震减灾、城市规划、国防军事等,ERDAS IMAGINE作为遥感界的排头兵,为大家提供了不仅仅是增强,滤波，纠正，融合等简单的基本应用,而是提供了强大的工具，使你在定量化的分析方面，系统功能的可扩充性方面使您更加得心应手,如专家分类，子象元分类（混合象元），三维可视化分析,数字摄影测量等，同时,还给您带来与GIS一化集成的解决方案，如查询检索编辑ArcInfo的地理信息,建立矢量层后的人工解译，直接得到目标的矢量数椐，还可将分好类的专题影像转换成ArcInfo的矢量数据（Coverage，Shape File）,使分析的结果可以直接为地理信息系统管理与应用，从而发挥更大的作用。
ERDAS IMAGINE是美国ERDAS公司开发的专业遥感图像处理与地理信息系统软件。
ERDAS IMAGINE是以模块化的方式提供给用户的，可使用户根据自己的应用要求、资金情况合理地选择不同功能模块及其不同组合,对系统进行剪裁，充分利用软硬件资源,并最大限度地满足用户的专业应用要求.ERDAS IMAGINE面向不同需求的用户,对于系统的扩展功能采用开放的体系结构，以IMAGINE Essentials、IMAGINE Advamage、IMAGINE Professional的形式为用户提供了低、中、高三档产品架构，并有丰富的功能扩展模块供用户选择，使产品模块的组合具有极大的灵活性,1.1 IMAGINE Essentials级是一个花费极少的，包括制图和可视化核心功能的图像工具软件．无论您是独立地从事工作或是处在企业协同计算的环境下，都可以借助IMAGINE Essentials完成二维／三维显示、数据输入,排序与管理、地图配准，专题制图以及简单的分析.可以集成使用多种数据类型，井在保持相同的易于使用和易于剪裁的界面下升级到其它的ERDAS公司产品.1。
计科论文总结范文
摘要：随着计算机技术的飞速发展，图像识别技术在各个领域得到了广泛应用。
本文针对当前图像识别技术的研究现状，综述了基于深度学习的图像识别技术的研究方法，并对其在各个领域的应用进行了探讨。
一、引言图像识别技术在计算机视觉领域具有重要的研究价值和实际应用价值。
近年来，随着深度学习技术的快速发展，基于深度学习的图像识别技术取得了显著成果。
本文旨在对基于深度学习的图像识别技术进行综述，并对其在各个领域的应用进行探讨。
二、基于深度学习的图像识别技术1.卷积神经网络（CNN）卷积神经网络是深度学习领域中一种重要的神经网络结构，广泛应用于图像识别、目标检测、图像分割等领域。
CNN通过卷积层、池化层、全连接层等结构，对图像进行特征提取和分类。
2.循环神经网络（RNN）循环神经网络是一种能够处理序列数据的神经网络，适用于图像识别、自然语言处理等领域。
RNN通过循环层，对序列数据进行记忆和学习。
3.生成对抗网络（GAN）生成对抗网络由生成器和判别器组成，通过对抗训练，生成器能够生成逼真的图像。
GAN在图像生成、图像修复等领域具有广泛的应用。
三、基于深度学习的图像识别技术应用1.人脸识别人脸识别技术是图像识别技术在安全领域的重要应用。
基于深度学习的人脸识别技术具有更高的识别准确率和鲁棒性。
2.自动驾驶自动驾驶技术是智能交通领域的关键技术。
基于深度学习的图像识别技术在自动驾驶中应用于车道线检测、障碍物识别、车辆检测等领域。
3.医疗影像分析医疗影像分析是医学领域的重要应用。
基于深度学习的图像识别技术在医学影像分析中，可以辅助医生进行疾病诊断、肿瘤检测等。
4.遥感图像处理遥感图像处理是地理信息系统（GIS）领域的重要应用。
基于深度学习的图像识别技术在遥感图像处理中，可以实现对地物分类、目标检测等。
四、结论本文对基于深度学习的图像识别技术进行了综述，分析了其研究方法及其在各个领域的应用。
随着深度学习技术的不断发展，基于深度学习的图像识别技术将在更多领域得到应用，为人类生活带来更多便利。
遥感论文——精选推荐
基于面向对象的多光谱数据的地表信息提取应用摘要随着计算机技术和遥感技术的发展，遥感技术在社会的各个方面得到了广泛应用，如对资源、环境、灾害、城市等进行调查、监督、分析和预测、预报等方面的工作。
所以分类作为遥感技术中的一项最基本的研究，也是遥感技术运用最为广泛的一项技术，也相应的提出了更高的要求。
然而目前主要的分类方法是监督分类和非监督分类，这两种方法是基于像元的分类方法，不能有效的利用影像的空间纹理信息。
而且基于像元的分类方法还存在着分类结果出现椒盐现象的问题，从而导致大量无效破碎图斑的产生，最终导致分类精度不高。
随后又提出了在此两种方法的基础上该进的方法，如模糊分类法、基于神经网络的分类方法和基于决策树的分类方法等。
虽然后述这些方法在一定的程度上提高了分类的精度，但是他们依旧是建立在像元的基础上，也没有考虑到对象的空间纹理信息。
所以也会出现上述的一些问题（如：椒盐现象等）。
所以传统的分类方法已不能满足分类的需求。
所以基于以上这些问题，面向对象的分类方法应运而生，面向对象的分类方法充分利用影像的光谱信息、空间几何信息、纹理信息来进行分类。
采用多尺度分割算法，采用不同的分割尺度，能够较好的提取各种尺寸大小的地物。
所以运用面向对象的分类方法提取地表信息是，能够细致的提取出地表所覆盖的地物种类，并且能够达到更高的提取精度，能够更加准确的为相关部门提供数据资料，为相关部门作出决策判断提供依据。
本文中采用面向对象的分类方法与传统的基于像元的分类方法相比有一下有点：基于影像多尺度分割得到同质像元组成的影像对象，对象内部的光谱差异值很小可以忽略其内部的信息，从而避免了椒盐现象的出现，对象之间的区分同时考虑了光谱和形状两种因子，为分类提供了更多的特征，有效地克服了基于像元分类的一些局限性；多尺度的空间分析，可以满足不同尺度地物的信息提取要求；模拟人脑的思维方式充分利用影像对象的各种特征，以达到尽可能高的精度提取地物信息的目的。
摄影测量与遥感技术发展论文
摄影测量与遥感技术发展论文摄影测量与遥感技术发展论文摄影测量与遥感技术发展论文主要通过对摄影技术与遥感技术的发展进行了研究，并对其在各个方面的运用进行了论述。
摄影测量与遥感技术发展论文【1】摘要：随着经济的不断发展，科学的不断进步，摄影测量与遥感技术因其运用范围广、作用大而走上了逐渐发展的道路，并且对国民经济生活起着重要的影响。
关键词：摄影测量;遥感技术;发展;应用摄影测量与遥感技术被划分在地球空间信息科学的范畴内，它在获取地球表面、环境等信息时是通过非接触成像传感器来实现的，并对其进行分析、记录、表达以及测量的科学与技术。
3S技术的应用、运用遥感技术以及数字摄影测量是其主要研究方向。
在多个领域内都可以运用遥感技术与摄影测量，比如：自然灾害、勘查土木工程、监测环境以及国土资源调查等。
随着我国经济的不断发展，运用到遥感技术与摄影测量的领域也在逐渐的增多。
在人类认识宇宙方面，遥感技术与摄影测量为人类提供了新的方式与方法，也为人类对地球的认知以及和谐共处提供了新的方向。
遥感技术和摄影测量可以提供比例不同的地形图以服务于各种工作，并且还能实现基础地理信息数据库的建立;遥感技术与摄影测量与地图制图、大地测量、工程测量以及卫星定位等构成了一整套技术系统，是测绘行业的支柱。
一、摄影测量与遥感技术的发展从摄影测量与遥感技术的发展来看，摄影测量与遥感技术在近30年的时间里已经涉及到城市建设、水利、测绘、海洋、农业、气象、林业等各个领域，在我国的经济发展中起着至关重要的作用。
摄影测量从20世纪70年代后期从模拟摄影中分离出来，并逐渐步入数字摄影阶段，摄影测量正在逐渐的转变为数字化测绘技术体系。
(一)摄影测量与遥感技术有利于推动测绘技术的进步我国的摄影测量从上世纪70年代后期经历一个系统的转变。
在经历了模拟摄影测量以及解析摄影测量阶段之后，摄影测量终于步入了数字摄影测量的阶段，这也成为我国传统测绘体系解体，测绘技术新体系兴起的标志。
（论文）基于不同分辨率遥感影像的...
第３８卷第３期２０１５年３月测绘与空间地理信息ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹＶｏｌ．３８，Ｎｏ．３Ｍａｒ．，２０１５收稿日期：２０１４－０９－０３，修订日期：２０１５－０１－１２基金项目：国家自然科学基金（５１２１３８１１）资助作者简介：孔令婷（１９９１－），女，江苏南京人，摄影测量与遥感专业硕士研究生，主要研究方向为遥感图像处理与应用。
基于不同分辨率遥感影像的分类方法对比研究孔令婷，杨英宝，章 勇（河海大学地球科学与工程学院，江苏南京２１００９８）摘要：基于４种不同分辨率的遥感影像数据，分别为３０ｍ分辨率的Ｌａｎｄｓａｔ－８数据，融合Ｌａｎｄｓａｔ－８多光谱波段和全色波段的１５ｍ分辨率数据，５．８ｍ分辨率的资源３号卫星数据以及融合后２．１ｍ分辨率的资源３号卫星数据。
采用ＩＳＯ－ＤＡＴＡ、最大似然分类法和面向对象分类法对影像进行分类，对分类方法的效果以及分辨率变化对面向对象分类方法的精度影响进行分析。
结果显示在低分辨率影像中，面向对象方法受到限制，分类效果相比传统方法没有太大改善；而在高分辨率影像中，面向对象方法分类效果很好，并且随着分辨率提高分类精度也相应的提高。
关键词：高分辨率影像；分类；面向对象中图分类号：Ｐ２３７ 文献标识码：Ａ 文章编号：１６７２－５８６７（２０１５）０３－００４０－０４ＳｔｕｄｙｏｎＣｌａｓｓｉｆｉｃａｔｉｏｎＭｅｔｈｏｄｓＢａｓｅｄｏｎＤｉｆｆｅｒｅｎｔＲｅｓｏｌｕｔｉｏｎＲｅｍｏｔｅＳｅｎｓｉｎｇＩｍａｇｅＫＯＮＧＬｉｎｇ－ｔｉｎｇ，ＹＡＮＧＹｉｎｇ－ｂａｏ，ＺＨＡＮＧＹｏｎｇ（ＳｃｈｏｏｌｏｆＥａｒｔｈＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＨｏｈａｉＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００９８，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｉｓｂａｓｅｄｏｎｆｏｕｒｄｉｆｆｅｒｅｎｔｒｅｓｏｌｕｔｉｏｎｓｒｅｍｏｔｅ－ｓｅｎｓｉｎｇｉｍａｇｅｓ．３０ｍｒｅｓｏｌｕｔｉｏｎＬａｎｄｓａｔ－８ｉｍａｇｅｄａｔａ，１５ｍｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｆｕｓｅｄｂｙｍｕｌｔｉｓｐｅｃｔｒａｌｂａｎｄｓａｎｄｐａｎｃｈｒｏｍａｔｉｃｂａｎｄｏｆｌａｎｄｓａｔ－８ｄａｔａ，５．８ｍｒｅｓｏｌｕｔｉｏｎＺＹ－３ｉｍａｇｅｄａｔａａｎｄ１５ｍｒｅｓｏｌｕｔｉｏｎｆｕｓｉｏｎｉｍａｇｅ．ＩＳＯ－ＤＡＴＡ，ｍａｘｉｍｕｍｌｉｋｅｌｉｈｏｏｄｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｗｅｒｅｕｓｅｄ．Ｔｈｅｅｆｆｅｃｔｓｏｆｄｉｆｆｅｒｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓａｎｄｉｍｐａｃｔｏｆｒｅｓｏｌｕｔｉｏｎｃｈａｎｇｅｓｏｎｔｈｅａｃｃｕｒａｃｙｏｆｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｍｅｔｈｏｄｗｅｒｅａｎａｌｙｚｅｄ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄａｐｐｒｏａｃｈｉｓｌｉｍｉｔｅｄｉｎｌｏｗｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓ，ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｉｓｎｏｔｍｕｃｈｉｍ－ｐｒｏｖｅｄｃｏｍｐａｒｅｄｔｏｔｈｅｔｒａｄｉｔｉｏｎａｌｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄ．Ｗｈｉｌｅｉｎｔｈｅｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓｔｈｅｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｗｏｒｋｓｗｅｌｌ，ａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｉｓｉｍｐｒｏｖｅｄａｌｏｎｇｗｉｔｈｒｅｓｏｌｕｔｉｏｎｉｎｃｒｅａｓｅ．Ｋｅｙｗｏｒｄｓ：ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓ；ｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄ０ 引 言在传统的遥感影像分类中，基于像元的分类较多，包括监督和非监督分类法。
遥感影像配准方法探讨
科技信息2010年第7期SCIENCE&TECHNOLOGY INFORMATION遥感是目前为止能够提供全球范围的动态对地观测数据的惟一手段,其成像模式多种多样。
多源传感器影像的数据融合,可以产生出比单一信息源更精确、更完整、更可靠的影像信息。
在融合这些多源遥感影像数据时,必须先进行影像配准，经过适当配准的多传感器图像可以在像素级直接融合形成融合图像，然后在此基础上完成目标探测、特征提取和目标识别等处理。
图像配准广泛应用于航空航天技术、地理信息系统、图像镶嵌、图像融合、目标识别、虚拟现实等领域。
1图像配准的基本概念图像配准是指同一目标的两幅（或者两幅以上）图像在空间位置上的对准，图像配准的技术过程称为图像匹配。
影像匹配实质上是在两幅(或多幅)影像之间识别同名点,是计算机视觉及遥感数字图像制图的核心问题[1]。
对影像匹配可作如下数学描述[2]:若影像I1与I2中的像点O1与O2具有坐标P1=(x1,y1)、P2=(x2,y2)及特征属性f1与f2，即O1=(P1,f1)、O2=(P2,f2)。
其中f1与f2可以是P1与P2为中心的小影像窗口的灰度矩阵g1与g2,也可以是其他能够描述O1与O2的特征。
基于f1与f2定义某种测度m(f1,f2)。
所谓影像匹配就是建立一个映射函数M满足：P2=M(P1,T)、M(f1,f2)=max或min(O1∈I1,O2∈I2)。
其中T为描述映射M的参数矢量,测度m表示O1与O2的匹配程度,称为匹配测度。
基于不同的理论或不同的思想可以定义各种不同的匹配测度,因而形成了各种影像匹配方法及相应的实现算法。
2图像匹配的一般算法2.1基于图像灰度的匹配方法基于图像灰度的匹配方法的基本思想是：首先对待匹配图像做几何变换；然后根据灰度信息的统计特性定义一个目标函数，作为参考图像与变换图像之间的相似性度量，使得匹配参数在目标函数的极值处取得，并以此为匹配的判决准则和匹配参数最优化的目标函数，从而将匹配问题转化为多元函数的极值问题；最后通过一定的最优化方法求得正确的几何变换参数。