遥感图像的几何校正配准
遥感图像几何校正较易 ppt课件
地球自转的影响
2020/10/24
遥感图像几何校正较易
左图显示了地球 静止的图像(oncba) 与地球自转的图像 (oncba)在地面上 投影的情况。由图 可见，由于地球自 转的影响，产生了 图像底边中点的坐 标位移x和y，以 及平均航偏角。
19
第二部分 遥感图像的几何校正
一、几何校正的分类 二、几何校正的一般过程 三、几何校正的方案 四、几何校正的算法
图像、地图或数据中的相同地物元素精确地彼此匹配、叠加在 一起的过程。
2020/10/24
遥感图像几何校正较易
22
几何精校正
几何精校正是以基础数据集作为参照，选取控制点进行几何校 正。此校正不考虑引起畸变的原因。
3、利用遥感图像进行地形图测图或更新时，要求图像具有较高 的地理坐标精
21
一、几何校正的分类
几何校正一般在遥感信息提取之前进行。 几何校正就是校正成像过程中造成的各种几何畸变，分为2类： 1、 几何粗校正:针对引起遥感系统畸变的原因而进行的校正. 2、 几何精校正（几何配准）：把不同传感器具有几何精度的
斜距投影的变形误差为：
dyypy'pf(co1stg)
2020/10/24
遥感图像几何校正较易
斜距变形
12
无变形
全景变形
斜距变形
2、传感器外方位元素变化的影响
传感器成像时的位置和姿态角
航高
航速
俯仰
翻滚
航偏
3、地形起伏的影响
地形起伏对中心投影造成的像 点位移是远离原点向外变动， 在雷达影像上是向内变动的。
R
4、地球表面曲率的影响
R
5、大气折射的影响
大气对辐射的传播产生折射。由于大气的密度分布从下到上 越来越小，折射率不断变化，折射后的辐射传播不再是直线而是 一条曲线，从而导致传感器接收的像点发射位移。
Envi遥感图像几何校正
遥感数字图像处理——几何精校正1.实验原理、目的和内容1.1.实验原理遥感图像纠正是通过计算机对图像每个像素逐个地解析纠正处理完成的，所以能够较清晰地改正线性和非线性变形误差。
几何精纠正的基本原理是回避成像的空间几何过程，直接利用地面的控制点数据对遥感图像的几何畸变本身进行数学模拟，并且认为遥感图像的总体畸变可以看做是挤压、扭曲、缩放、偏移以及更高次的基本变形的综合作用的结果。
因此，校正前后的图像相应点的坐标关系可以用一个适当的数学模型来表示。
1.2.实验目的采用图像-地图纠正法，对TM遥感图像进行几何精纠正，即把不同传感器具有几何精度的图像和地图中的相同地物元素精确地彼此匹配、叠加在一起，以满足集成的需要。
1.3.实验内容对南京市TM图像AA进行几何精纠正。
2.实验过程2.1.地图投影信息的获取进行精校正之前，应该获取标准图像的投影信息，利用ArcGIS或MapInfo软件即可查看投影类型为：GK Zone 20(Pulkovo 1942)2.2.显示需要校正的图像利用Envi导入图像，RGB合成，选择4，3，2波段即可2.3.选择控制点本实验中采用图像-地图纠正，在图像窗口中选择地面控制点（GCP），然后在地图窗口中找到同名地物点，记录点位的坐标信息（见图1）。
首先，进行图像-地图纠正，Map——Registration——Select GCPs：Image to Map。
再在Image to Map Registration窗口中，根据参照的矢量地图选择Gk Zone 20(Pulkova 1942)，确定后，弹出Ground Control Points Selection窗口。
在添加地面控制点：在图像窗口中移动光标，确定GCP的位置，然后在矢量地图窗口中确定同名地物点，并将其坐标拷贝到本窗口中的地图坐标文本框中。
确认合适后，单击Add Point产生一个同名地物点。
（见图2）依次进行下去，直到数量复合要求，一般需要6个以上，并且分布均衡（图3）选取控制点完毕后进行纠正，由于选取控制点数量较少，因此使用一阶多项式的方法，重采样方法为最临近采样。
遥感数字图像的几何处理
几何精校正
• 又称为几何配准
– 是把不同传感器具有几何精度的图像、地图或数据集 中的相同地物元素精确地彼此匹配、叠加在一起的过 程。
– 由用户进行。 –重要性
• 第一，对遥感原始图像进行几何变形改正后，才能对图像信息 进行各种分析，制作满足量测和定位要求的各类地球资源及环 境的遥感专题图。
• 第二，当应用不同传感方式、不同光谱范围以及不同成像时间 的各种同一地域复合图像数据来进行计算机自动分类、地物特 征的变化监测或其他应用处理时，必须进行图像间的几何配准， 保证各不同图像间的几何一致性。
–对于第一种情况，只需要进行单片解析就可以了；对 于第二种情况，还需要立体模型的解算。
• 实际工作中所拍摄的相片有倾斜和旋转，因此必 须建立物体与相片之间的数学关系。
• 二 空间直角变换
–要建立物体与相片上相应影像的关系，
• 首先要确定摄影瞬间摄影中心与相片在地面设定的空间坐标系 中的位置与姿态，描述这些位置和姿态的参数称为相片的方位 元素。
• 由于摄影像机安装造成的误 差，像主点与像平面坐标系 原点并不重合；
– 像主点在像平面坐标系中 的坐标为xo,yo，
• 摄影中心到相片的垂距(主 距)f构成了内方位元素的三 个参数，内方位元素一般为 已知值，由摄影机鉴定单位 提供。
• 像点在像空间坐标系和像空间辅助坐标系 之间的变换关系式由传感器的方位元素得 来，内方位元素和外方位元素6个参数得出 构像方程解决像点的恢复，然后得出像点 与物点之间的构像方程以纠正影像。
–外部变形误差指的是传感器本身处在正常工作的条件下，由传感 器以外的各因素所造成的误差。
• 例如传感器的外方位(位置、姿态)变化、传感介质的不均匀、 地球曲率、地形起伏、地球旋转等因素所引起的变形误差等。
8遥感图像处理3
3
河南农业大学资源与环境学院 河南农业大学资源与环境学院 冯新伟
河南农业大学资源与环境学院 河南农业大学资源与环境学院 冯新伟
校正前的图像和地形图套合叠加
冯新伟
校正后的图像与地形图套合叠加
河南农业大学资源与环境学院 河南农业大学资源与环境学院 冯新伟
冯新伟
2、配准
影像配准 (Matching) 是将同一地区的 不同特性的相关影像(如不同传感器，不同 日期，不同波段或传感器在不同位置获取的 同一地区地物)在几何上互相匹配，即实现 影像与影像间地理坐标及像元空间分辨率上 的统一。
河南农业大学资源与环境学院 河南农业大学资源与环境学院 冯新伟
冯新伟
用于变化信息提取融合
河南农业大学资源与环境学院 河南农业大学资源与环境学院 冯新伟
冯新伟
土地覆盖变化
2006年TM与SPOT融合影像
2007年TM与SPOT融合影像
冯新伟
河南农业大学资源与环境学院 河南农业大学资源与环境学院 冯新伟
河南农业大学资源与环境学院 河南农业大学资源与环境学院 冯新伟
冯新伟
选择控制点
选取原则 选取方法
① ②
①
均匀分布 ② 特征明显 ③ 足够数量
固定的地形地物交叉点 对角线选取 -> 棋盘方式加密 -> 蛇形加密(主城区和山区)
控制点的数量
每景宜在20-30个。
河南农业大学资源与环境学院 河南农业大学资源与环境学院 冯新伟
几何错位改正后的影像
冯新伟
河南农业大学资源与环境学院 河南农业大学资源与环境学院 冯新伟
4、融合
将不同类型传感器获得的同一地区的数据进行 空间配准后，将各数据中的优势或互补性有机 结合起来产生新数据的技术过程。
遥感影像纠正的方法与技巧
遥感影像纠正的方法与技巧随着科技的不断发展，遥感技术在各个领域得到了广泛的应用。
遥感影像是通过卫星、飞机等远距离获取地面信息的一种重要手段。
然而，在获取遥感影像后，由于各种原因导致的图像扭曲、色差等问题是不可避免的。
因此，进行遥感影像纠正是必要的。
本文将介绍遥感影像纠正的常用方法与技巧。
一、几何校正方法几何校正是对遥感影像进行坐标、尺度和旋转方位的校正。
常见的几何校正方法有影像配准、地标匹配、插值等。
1. 影像配准影像配准是将待纠正影像与参考影像进行对比，通过匹配相同地物或地点的像素点，从而进行坐标转换。
常用的影像配准方法有基于特征点匹配和基于相位相关匹配两种。
基于特征点匹配的方法是通过提取影像中的特征点，并将其与参考影像中的特征点进行匹配，从而获得坐标转换模型。
OpenCV是一种常用的用于特征点匹配的开源库。
基于相位相关匹配的方法是通过计算两幅影像之间的相关性，确定它们之间的几何转换关系。
这种方法通常用于具有相位重建能力的传感器。
2. 地标匹配地标匹配是通过识别影像中的已知地标（如道路交叉口、建筑物等）并与参考影像中的地标进行匹配来进行校正的一种方法。
这种方法适用于城市建筑等具有明显特征的区域。
3. 插值插值是指通过对图像中间的像素值进行估算，从而使整个图像变得平滑过渡的过程。
常用的插值方法有双线性插值、双三次插值等。
这些方法可以使得图像在进行几何校正后仍保持较好的视觉效果。
二、辐射校正方法辐射校正是指对遥感影像中的亮度进行校正，以保证影像反映地物的真实辐射亮度。
常用的辐射校正方法有直方图匹配、大气校正、辐射转换等。
1. 直方图匹配直方图匹配是指通过将原始图像的灰度值映射到目标图像的灰度值范围来进行校正的方法。
这可以使得影像在亮度上看起来更加准确，同时保证地物的色彩还原度。
2. 大气校正大气校正是指通过估计大气光照对地面目标反射率的影响，将地表反射率从观测影像中恢复出来的一种方法。
这种方法适用于去除由大气散射引起的云、雾等干扰。
基于多源遥感数据的图像配准与融合技术指南
基于多源遥感数据的图像配准与融合技术指南引言遥感技术已经在各个领域得到广泛应用，尤其是在地理信息系统、环境监测、农业和城市规划等方面。
然而，不同数据源的遥感图像通常存在不同的误差和变换，这给图像配准和融合带来了一定的挑战。
本文旨在介绍基于多源遥感数据的图像配准与融合技术，并提供一些实用的指南和建议。
一、图像配准图像配准是指将不同数据源的遥感图像进行几何、空间和光谱变换，使其能够在同一坐标系和分辨率下比较或融合。
在进行图像配准之前，首先需要选择合适的参考影像和待配准影像。
然后，通过以下几个步骤进行图像配准:1. 特征提取首先对参考影像和待配准影像进行特征提取，常用的特征包括角点、线特征和纹理特征等。
可以使用SIFT（尺度不变特征变换）或SURF（速度增强的尺度不变特征变换）等算法进行特征提取。
2. 特征匹配将参考影像和待配准影像的特征进行匹配。
通常采用RANSAC（随机抽样一致性）算法去除误差匹配，得到更准确的对应关系。
3. 几何变换根据特征匹配的结果，通过几何变换方法对待配准影像进行几何校正，常用的方法有相似性变换和仿射变换。
相似性变换可以处理平移、旋转和比例变换，仿射变换可以处理更复杂的几何变换。
4. 像素插值在进行几何变换后，需要对待配准影像进行像素插值处理，以保证像素点之间的连续性。
二、图像融合图像融合是指将多源遥感图像的信息融合到同一幅图像中，以增强图像的视觉效果和信息提取能力。
常用的图像融合方法包括以下几种：1. 基于像素的融合将多源图像的像素按照一定的权重进行组合，常用的方法有加权平均法、最大像素法和PCA（主成分分析）等。
2. 基于变换的融合将多源图像进行频域或时域变换，然后将变换域的系数进行线性或非线性组合，还原成多源图像。
常用的方法有小波变换、多分辨率分析和拉普拉斯金字塔等。
3. 基于特征的融合提取多源图像的特征，然后将特征进行组合，构建融合图像。
特征可以是几何特征、光谱特征或纹理特征等。
测绘技术中的遥感影像配准方法
测绘技术中的遥感影像配准方法引言遥感技术在测绘领域中扮演着重要的角色，它可以通过卫星、飞机等传感器获取地球表面的数据。
然而，由于不同传感器、不同时间获取的数据存在空间和时间上的差异，需要进行影像配准来融合和比较这些数据。
本文将介绍测绘技术中常用的遥感影像配准方法。
一、特征点匹配法特征点匹配法是一种常用的配准方法，也是最直观和简单的方法之一。
该方法基于图像中的特征点，通过将两幅影像中的对应特征点进行匹配，来实现影像的配准。
在这个过程中，可以采用特征描述子来提取特征点的信息，如SIFT（尺度不变特征变换）和SURF（加速稳健特征）等算法。
二、直接法直接法是一种比较常见的配准方法，它通过像素级的匹配来将两幅影像对齐。
这种方法的优点是简单直接，可以在不考虑图像特征的情况下完成配准，但由于像素匹配的计算量较大，所以在处理大尺寸影像时效率较低。
三、控制点法控制点法是一种基于地面控制点的配准方法。
它首先在待配准影像和参考影像中选择具有较好识别度的标志物作为控制点，然后通过测量这些控制点在两幅影像中的坐标，建立空间转换模型，进而实现影像的配准。
这种方法精度较高，适用于对地物变化较大的区域进行配准。
四、基于影像几何校正模型的配准方法利用影像几何校正模型进行配准是一种比较常见的方法，它主要根据空间变换模型进行配准。
常用的几何校正模型有平移、旋转、仿射和投影等。
通过对影像进行几何校正，可以将其与参考影像进行对比和融合，以获得更加准确和具有空间一致性的结果。
五、基于图像配准质量评估的方法在影像配准过程中，如何评估配准结果的质量是一个重要的问题。
一种常用的方法是计算影像配准后的残差误差，该误差越小，表示配准效果越好。
另外，可以利用图像质量评价指标，如峰值信噪比（PSNR）和结构相似性（SSIM）等指标来评估配准结果的质量。
六、配准精度与应用影像配准的精度对于后续的测绘应用具有重要影响。
在地图制图、城市规划、资源调查和环境监测等领域，高精度的影像配准可以提供准确的地理信息，为决策和规划提供支持。
测绘技术中的遥感影像匹配与配准方法
测绘技术中的遥感影像匹配与配准方法遥感影像匹配与配准方法是测绘技术中的重要研究内容。
遥感影像匹配是指将不同时间或不同传感器获取的遥感影像进行比对，找出它们之间的相似性和差异性。
而遥感影像配准则是将不同时间或不同传感器获取的遥感影像进行几何校正，使它们在空间上具有一致的坐标和尺度。
在测绘应用中，遥感影像匹配与配准是非常关键的。
首先，它们能够帮助提取地表特征和地物信息。
通过匹配不同时间的遥感影像，我们可以观测到地表的变化情况，例如城市的扩张、农田的变化等。
通过配准不同传感器获取的遥感影像，我们可以获得一致的地物几何信息，从而进行更精确的测量和分析。
其次，遥感影像匹配与配准还可以用于制作地图和更新地理信息数据库。
通过将不同时间或不同传感器获取的遥感影像进行匹配和配准，可以实现地图的更新和变化监测，为城市规划、土地管理等提供决策支持。
遥感影像匹配与配准的方法有很多种。
其中，基于特征点的方法是最常用的一种。
该方法通过提取影像中的特征点，比如角点、边缘等，然后利用特征点之间的相互关系进行匹配和配准。
这种方法具有计算速度快、适用范围广的特点，但对于存在大量相似的地物和复杂的地形条件，其匹配结果可能存在误差。
为了解决这个问题，研究人员还提出了基于区域的匹配与配准方法。
该方法首先将影像划分为若干个区域，然后对每个区域进行特征提取和匹配，最后将各个区域的匹配结果进行整合。
这种方法能够更好地处理影像中存在的局部匹配问题，但对于区域划分和整合过程的准确性要求较高。
除了基于特征点和区域的方法外，还有一些其他的遥感影像匹配与配准方法。
例如，基于模型的方法利用地物的几何特征和变换模型进行匹配和配准。
这种方法适用于具有明显几何特征的地物，如建筑物、道路等。
另一种方法是基于图像配准校正点的方法，该方法通过选取几个具有已知准确坐标的地物作为控制点，利用它们在遥感影像中的位置信息进行匹配和配准。
这种方法能够提高配准的精度，但需要事先获取控制点的准确坐标。
- 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)。
遥感图像的几何校正（配准）
1.实验目的与任务：
（1）了解几何校正的原理；
（2）学习使用ENVI软件进行几何校正；
2.实验设备与数据：
设备：遥感图像处理系统ENVI
数据：TM数据
3 几何校正的过程：
注意：几何校正一种是影像对影像，一种是影像对地图，下面介绍的是影像对影像的配
准或几何校正。
1.打开参考影像（base）和待校正影像：分别打开，即在display#1,display#2中打开；
2．在主菜单上选择map->Registration->select GCPs：image to image
3 .出现窗口Image to Image Registration，分别在两边选中DISPLAY 1（左）,和
DISPLAY 2（右）。 BASE图像指参考图像而warp则指待校正影像。 选择OK!
4. 现在就可以加点了：将两边的影像十字线焦点对准到自己认为是同一地物的地方，
就可以选择ADD POINT添加点了。（PS：看不清出别忘记放大） 如果要放弃该点选择
右下脚的delete last point，或者点show point弹出image to image gcp list窗口，从中选择
你要删除的点，也可以进行其他很多操作，自己慢慢研究，呵呵。选好4个点后就可以
预测：把十字叉放在参考影像某个地物，点选predict则待校正影像就会自动跳转到与参
考影像相对应的位置，而后再进行适当的调整并选点。
5.选点结束后，首先把点保存了 ：ground control points->file->save gcp as ASCII..
当然你没有选完点也可以保存，下次就直接启用就可以：ground control
points->file->restore gcps from ASCII...
6.接下来就是进行校正了：在ground control points.对话框中选择：
options->warp file(as image to map)
在出现的imput warp image中选中你要校正的影像，点ok进入registration parameters
对话框：
首先点change proj按钮，选择坐标系
然后更改象素的大小，如果本身就是你所需要大小则不用改了
最后选择重采样方法（resampling）,一般都是选择双线性的（bilinear），最后的最后选择保
存路径就OK了
遥感图像的监督分类
1 实验的目的和任务
1）理解遥感图像计算机分类的原理和方法；
2） 掌握监督分类的步骤和方法。
2.实验设备与数据：
设备：遥感图像处理系统ENVI
数据：ENVI自带的数据
3 实验内容：遥感图像监督分类。
监督分类（Supervised Classification）用于在数据集中根据用户定义的训练样本
类别（Training Classes）聚类像元。训练样本类别是像元的集合或者单一波谱，
通常的训练区采用ROI来选择，而且应该尽可能的选择纯净的感兴趣区域。
具体的操作参考以下图和步骤：
1）、类别定义/特征判别
根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特
征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查
看的过程，为后面样本的选择打下基础。
本例是以ENVI自带Landsat tm5数据Can_tmr.img为数据源，类别分为：林地、草地/灌木、
耕地、裸地、沙地、其他六类。
2）、样本选择
为了建立分类函数，需要对每一类别选取一定数目的样本，在ENVI中是通过感兴趣区
（ROIs）来确定，也可以将矢量文件转化为ROIs文件来获得，或者利用终端像元收集器
（Endmember Collection）获得。
本例中使用ROIs方法，打开分类图像，在Display->Overlay->Region of Interest，默认ROIs为
多边形，按照默认设置在影像上定义训练样本。如图18所示，设置好颜色和类别名称（支
持中文名称）。
在ROIs面板中，选择Option->Compute ROI Separability,计算样本的可分离性。如图19所示，
表示各个样本类型之间的可分离性，用Jeffries-Matusita, Transformed Divergence参数表示，
这两个参数的值在0~2.0之间，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，
需要重新选择样本；小于1，考虑将两类样本合成一类样本。
训
练样本的选择
样本可分离性计算报表
3）、分类器选择
根据分类的复杂度、精度需求等确定哪一种分类器。目前监督分类可分为基于传统统计
分析学的，包括平行六面体、最小距离、马氏距离、最大似然，基于神经网络的，基于模式
识别，包括支持向量机、模糊分类等，针对高光谱有波谱角（SAM），光谱信息散度，二进
制编码。
4）、影像分类
基于传统统计分析的分类方法参数设置比较简单，这里选择支持向量机分类方法。主
菜单下选择Classification > Supervised > Support Vector Machine。按照默认设置参数输出分类
结果，如图21所示。
支持向量机分类器参数设置
支持向量机分类结果
5）、分类后处理
分类后处理包括的很多的过程，都是些可选项，包括更改类别颜色、分类统计分析、小
斑点处理（类后处理）、栅矢转换等操作。
（1)更改类别颜色
可以在Interactive Class Tool面板中，选择Option->Edit class colors/names更改，也可以在
Display->Color Mapping->Class Color Mapping。如下图所示，直接可以在对应的类别中修改颜
色。
也可以根据一个显示的RGB影像来自动分配类别颜色，打开主菜单->Classification->Post
Classification->Assign Class Colors。
类别颜色的更改
类别颜色更改后的效果
自动颜色更改的效果图
（2)分类统计分析
主菜单->Classification->Post Classification->Class Statistics。如图11所示，包括基本统计：
类别的像元数、最大最小值、平均值等，直方图，协方差等信息。
分类结果统计
（3)小斑点处理（类后处理）
运用遥感影像分类结果中，不可避免地会产生一些面积很小的图斑。无论从专题制图的
角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除和重新分类，目前常用的方
法有Majority/Minority分析、聚类（clump）和过滤（Sieve）。这些工具都可以在主菜单
->Classification->Post Classification中找到。Majority/Minority分析和聚类（clump）是将周围
的“小斑点”合并到大类当中，过滤（Sieve）是将不符合的“小斑点”直接剔除。
如下图为Majority分析的结果。
类后处理结果图
4)栅矢转换
打开主菜单->Classification->Post Classification->Classification to Vector，可以将分类后得到
的结果转化为矢量格式，或者主菜单->Vector->Raster to Vector，在选择输出参数时候，可以
选择特定的类别，也可以把类别单独输出为矢量文件或者一个矢量文件.
栅矢转换面板