遥感图像预处理的意义
遥感图像预处理的意义
遥感是利用地物电磁波辐射水平的灰度信息，通过处理、分析、解译，达到地物识别和专题研究的目的。但是，影像的成像过程受到很多因素的影响，如卫星速度变化、电磁波与大气的相互作用、随机噪声等，实际的图像灰度值并不完全是地物辐射电磁波能量大小的反映，造成影像的辐射失真和几何畸变。因此，在进行遥感图像处理前，还需要进行校正处理，包括图像的辐射量校正和几何校正。
遥感图像处理(processing of remote sensing image data)是对遥感集市中的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。遥感图像处理可分为两类：一是利用光学、照相和电子学的方法对遥感模拟图像(照片、底片)进行处理，简称为光学处理；二是利用计算机对遥感数字图像进行一系列操作，从而获得某种预期结果的技术，称为遥感数字图像处理遥感图像预处理又被称作图像纠正和重建，包括辐射校正、几何纠正等。目的是纠正原始图像中的几何与辐射变形，即通过对图像获取过程中产生的变形、扭曲，模糊和噪音的纠正，以得到一个尽可以在几何和辐射上真实的图像。
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
这种校正是针对引起几何畸变的原因进行的，地面接收站在提供给用户资料前，已按常规处理方案与图像同时接收到的有关运行姿态、传感器性能指标、大气状态、太阳高度角对该幅图像几何畸变进行了校正.
3．几何精纠正
为准确对遥感数据进行地理定位，需要将遥感数据准确定位到特定的地理坐标系的，这个过程称为几何精纠正。
（1）图像对图像的纠正
利用已有准确地理坐标和投影信息的遥感影像，对原始遥感影像进行纠正，使其具有准确的地理坐标和投影信息。
（2）图像对地图（栅格或矢量）
利用已有准确地理坐标和投影信息的扫描地形图或矢量地形图，对原始遥感影像进行纠正，使其具有准确的地理坐标和投影信息。
由于遥感系统空间、波谱、时间以及辐射分辨率的限制，很难精确地记录复杂地表的信息，因而会在数据获取的过程中产生误差。这些误差降低了遥感数据的质量，从而影响了图像分析的精度。因此在图像分析和处理之前需要进行遥感原始影像的预处理。
第四章__遥感图像处理
第四章遥感图像处理 授课科目：遥感原理与方法 授课内容：遥感图像处理 授课对象：地信专业 授课时数：2学时 授课地点：成信航空港校区 授课时间： 教案作者：仙巍 目的与要求：熟悉光学遥感图像处理的原理；掌握数字图像处理的工作原理、工作流程；掌握几何校正、辐射校正的原理 重点及难点：遥感图像的几何纠正、辐射校正。 教学法：讲授法、演示法 教学过程： 第一节遥感数字图像的校正 一、数字图像及其直方图 1 数字图像 数字图像：遥感数据有光学图像和数字图像之分。数字图像是能被计算机存储、处理和使用的用数字表示的图像。 数字化：将连续的图像变化，作等间距的抽样和量化。通常是以像元的亮度值表示。数字量和模拟量的本质区别：连续变量，离散变量。 数字图像的表示：矩阵函数 2 数字图像直方图 数字图像直方图：以每个像元为单位，表示图像中各亮度值或亮度值区间像元出现的频率的分布图。 直方图的作用：直观地了解图像的亮度值分布范围、峰值的位置、均值以及亮度值分布的离散程度。直方图的曲线可以反映图像的质量差异。 正态分布：反差适中，亮度分布均匀，层次丰富，图像质量高。 偏态分布：图像偏亮或偏暗，层次少，质量较差。 二、辐射校正 1、遥感图像的辐射误差主要有三个因素 传感器的光电变换 大气的影响 光照条件 2、大气散射校正 2.1大气影响的定量分析 2.2大气影响的粗略校正 通过简单的方法去掉程辐射度（散射光直接进入传感器的那部分），从而改善
图像质量。 直方图最小值去除法 回归分析法 三几何校正 1、遥感图像的几何变形有两层含义 卫星在运行过程中，由于姿态、地球曲率、地形起伏、地球旋转、大气折射、以及传感器自身性能所引起的几何位置偏差。 图像上像元的坐标与地图坐标系统中相应坐标之间的差异。 2、卫星姿态引起的图像变形 3、地形起伏的影响 4、地球曲率 5、大气折射 6、地球自转的影响 7、遥感图像几何校正方法 几何粗校正：这种校正是针对引起几何畸变的原因进行的，地面接收站在提供给用户资料前，已按常规处理方案与图像同时接收到的有关运行姿态、传感器性能指标、大气状态、太阳高度角对该幅图像几何畸变进行了校正。 几何精校正：利用地面控制点进行的几何校正称为几何精校正。 2.1、基本思路：把存在几何畸变的图像，纠正成符合某种地图投影的图像，且要找到新图像中每一像元的亮度值。 2.2、具体步骤 步骤一：选取控制点 (1)地面控制点在图像上有明显的、清晰的定位识别标志，如道路交叉点、河流叉口、建筑 边界等。 (2)地面控制点上的地物不随时间而变化地面控制点应当均匀地分布在整幅图像内，且要有一定的数量保证。地面控制点的数量、分布和精度直接影响几何纠正的效果。 步骤二：数据的空间变换 （1）二元多项式近似的基本原理 设两幅图像坐标系统间几何畸变关系可描述为： x’=h1(x,y) y’=h2(x,y) 在未知情况下， h1(x,y)和h2(x,y)可用二元多项式来近似 （2）空间坐标的计算问题 向前映射法（直接法） 向后映射法（间接法） 两种映射方法的对比 对于向前映射：每个输出象素的灰度要经过多次运算； 对于向后映射：每个输出象素的灰度只要经过一次运算。 步骤三：像元灰度插值 插值方法 （1）最近邻插值 在待求像素的四个邻近像素中，输出象素的灰度等于离它所映射位置最近的输入象素的灰度值。
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
遥感影像预处理
遥感影像预处理 预处理是遥感应用的第一步，也是非常重要的一步。目前的技术也非常成熟，大多数的商业化软件都具备这方面的功能。预处理的大致流程在各个行业中有点差异，而且注重点也各有不同。 本小节包括以下内容： ? ? ●数据预处理一般流程介绍 ? ? ●预处理常见名词解释 ? ? ●ENVI中的数据预处理 1、数据预处理一般流程 数据预处理的过程包括几何精校正、配准、图像镶嵌与裁剪、去云及阴影处理和光谱归一化几个环节，具体流程图如图所示。 图1数据预处理一般流程 各个行业应用会有所不同，比如在精细农业方面，在大气校正方面要求会高点，因为它需要反演；在测绘方面，对几何校正的精度要求会很高。 2、数据预处理的各个流程介绍
（一）几何精校正与影像配准 引起影像几何变形一般分为两大类：系统性和非系统性。系统性一般有传感器本身引起的，有规律可循和可预测性，可以用传感器模型来校正；非系统性几何变形是不规律的，它可以是传感器平台本身的高度、姿态等不稳定，也可以是地球曲率及空气折射的变化以及地形的变化等。 在做几何校正前，先要知道几个概念： 地理编码：把图像矫正到一种统一标准的坐标系。 地理参照：借助一组控制点，对一幅图像进行地理坐标的校正。 图像配准：同一区域里一幅图像（基准图像）对另一幅图像校准 影像几何精校正，一般步骤如下， （1）GCP（地面控制点）的选取 这是几何校正中最重要的一步。可以从地形图（DRG）为参考进行控制选点，也可以野外GPS测量获得，或者从校正好的影像中获取。选取得控制点有以下特征： 1、GCP在图像上有明显的、清晰的点位标志，如道路交叉点、河流交叉点等； 2、地面控制点上的地物不随时间而变化。 GCP均匀分布在整幅影像内，且要有一定的数量保证，不同纠正模型对控制点个数的需求不相同。卫星提供的辅助数据可建立严密的物理模型，该模型只需9个控制点即可；对于有理多项式模型，一般每景要求不少于30个控制点，困难地区适当增加点位；几何多项式模型将根据地形情况确定，它要求控制点个数多于上述几种模型，通常每景要求在30-50个左右，尤其对于山区应适当增加控制点。
进行识别前图像预处理
进行识别前图像预处理 //BP神经网络字符识别函数定义 #include "dibapi.h" #include <iostream> #include <deque> #include <math.h> using namespace std; typedef deque<CRect> CRectLink; typedef deque<HDIB> HDIBLink; //声明一些必要的全局变量 int w_sample=8; int h_sample=16; bool fileloaded; bool gyhinfoinput; bool gyhfinished; int digicount; int m_lianXuShu; CRectLink m_charRectCopy; CRectLink m_charRect; HDIBLink m_dibRect; HDIBLink m_dibRectCopy;
HDIB m_hDIB; CString strPathName; CString strPathNameSave; /********************************function declaration*************************************/ //清楚屏幕 void ClearAll(CDC* pDC); //在屏幕上显示位图 void DisplayDIB(CDC* pDC,HDIB hDIB); //对分割后的位图进行尺寸标准归一化 void StdDIBbyRect(HDIB hDIB, int tarWidth, int tarHeight); //整体斜率调整 void SlopeAdjust(HDIB hDIB); //去除离散噪声点 void RemoveScatterNoise(HDIB hDIB); //梯度锐化 void GradientSharp(HDIB hDIB); //画框 void DrawFrame(CDC* pDC,HDIB hDIB, CRectLink charRect,unsigned int linewidth,COLORREF color); //将灰度图二值化 void ConvertGrayToWhiteBlack(HDIB hDIB);
图像分割技术的原理及方法
浅析图像分割的原理及方法 一．研究背景及意义 研究背景： 随着人工智能的发展，机器人技术不断地应用到各个领域。信息技术的加入是智能机器人出现的必要前提。信息技术泛指包括通信技术、电子技术、信号处理技术等相关信息化技术的一大类技术。它的应用使得人们今天的生活发生了巨大变化。从手机到高清电视等家用电器设备出现使我们的生活越来越丰富多彩。在一些军用及民用领域近几年出现了一些诸如:图像制导、无人飞机、无人巡逻车、人脸识别、指纹识别、语音识别、车辆牌照识别、汉字识别、医学图像识别等高新技术。实现它们的核心就是图像处理、机器视觉、模式识别、智能控制、及机器人学等相关知识。其中图像处理具有重要地位。而图像分割技术是图像分析环节的关键技术。 研究图像分割技术的意义： 人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，同时视觉信息是人类从自然界中获得信息的主要来源，约占人类获得外部世界信息量的80%以上。图像以视觉为基础通过观测系统直接获得客观世界的状态，它直接或间接地作用于人眼，反映的信息与人眼获得的信息一致，这决定了它和客观外界都是人类最主要的信息来源，图像处理也因此成为了人们研究的热点之一。人眼获得的信息是连续的图像，在实际应用中，为便于计算机等对图像进行处理，人们对连续图像进行采样和量化等处理，得到了计算机能够识别的数字图像。数字图像具有信息量大、精度高、内容丰富、可进行复杂的非线性处理等优点，成为计算机视觉和图像处理的重要研究对象。在一幅图像中，人们往往只对其中的某些区域感兴趣，称之为前景，这些区域内的某些空间信息特性(如灰度、颜色、轮廓、纹理等)通常与周围背景之间存在差别。图像分割就是根据这些差异把图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。在数字图像处理中，图像分割作为早期处理是一个非常重要的步骤。为便于研究图像分割，使其在实
遥感图像预处理实验报告
实验前准备：遥感图像处理软件认识 1、实验目的与任务： ①熟悉ENVI软件，主要是对主菜单包含内容的熟悉； ②练习影像的打开、显示、保存；数据的显示，矢量的叠加等。 2、实验设备与数据 设备：遥感图像处理系统ENVI4.4软件； 数据：软件自带数据和河南焦作市影响数据。 3、实验内容与步骤： ⑴ENVA软件的认识 如上图所示，该软件共有12个菜单，每个菜单都附有下拉功能，里面分别包含了一些操作功能。 ⑵打开一幅遥感数据 选择File菜单下的第一个命令，通过该软件自带的数据打开遥感图像，可知，打开一幅遥感影像有两种显示方式。一种是灰度显示，另一种是RGB显示。 Gray（灰度显示）RGB显示 ⑶保存数据 ①选择图像显示上的File菜单进行保存； ②通过主菜单上的Save file as进行保存
⑷光谱库数据显示 选择Spectral > Spectral Libraries > Spectral Library Viewer。将出现Spectral Library Input File 对话框，允许选择一个波谱库进行浏览。点 击“Open Spectral Library”，选择某一所需的 波谱库。该波谱库将被导入到Spectral Library Input File 对话框中。点击一个波谱库的名称， 然后点击“OK”。将出现Spectral Library Viewer 对话框，供选择并绘制波谱库中的波谱曲线。 ⑸矢量化数据 点选显示菜单下的Tools工具栏，接着选择下面的第四个命令，之后选择第一个命令，对遥感图像进行矢量化。点击鼠标左键进行区域选择，选好之后双击鼠标右键，选中矢量化区域。 ⑹矢量数据与遥感影像的叠加与切割 选择显示菜单下的Tools工具，之后点选第一个 Link命令，再选择其下面的第一个命令，之后 OK，结束程序。 选择主菜单下的Basic Tools 菜单，之后选择 其中的第二个命令，在文件选择对话框中，选择 输入的文件（可以根据需要构建任意子集），将 出现Spatial Subset via ROI Parameters 对 话框通过点击矢量数据名，选择输入的矢量数 据。使用箭头切换按钮来选择是否遮蔽不包含在 矢量数据中的像元。 遥感图像的辐射定标 1、实验目的与任务： ①了解辐射定标的原理； ②使用ENVI软件自带的定标工具定标； ③学习使用波段运算进行辐射定标。 2、实验内容与步骤： ⑴辐射定标的原理 辐射定标就是将图像的数字量化值（DN）转化为辐射亮度值或者反射率或者表面温度等
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
图像预处理的一般方法
图像预处理的一般方法 （一）空域图像增强技术 1．灰度线性变换 addpath('C:\'); I = imread('C:\lzs.jpeg'); imshow(I); I = double(I); [M,N] = size(I); for i = 1:M for j = 1:N if I(i,j)<=30 I(i,j)=I(i,j); else if I(i,j)<=150 I(i,j)=(210-30)/(160-30)*(I(i,j)-30)+30; else I(i,j)=(256-210)/(256-160)*(I(i,j)-160)+210; end end end end figure(2); imshow(uint8(I)); 2.直方图均衡化 addpath('C:\'); I=imread('C:\lzs.jpeg'); figure subplot(221); imshow(I);
subplot(222); imhist(I); I1=histeq(I); figure; subplot(221); imshow(I1); subplot(222); imhist(I1) 3.均值滤波 function test1 I = imread('C:\lzs.jpeg'); [M,N]=size(I); II1=zeros(M,N); for i=1:16; II(:,:,i)=imnoise(I,'gaussian',0,0.01); II1=II1+double(II(:,:,i)); if or(or(i==1,i==4),or(i==8,i==16)); figure;imshow(uint8(II1/i)); end end 4.梯度锐化操作 addpath('C:\'); I = imread('C:\lzs.jpeg'); subplot(131); imshow(I); H=fspecial('Sobel'); H=H'; TH=filter2(H,I); subplot(132)； imshow(TH,[]);
高空间分辨率遥感影像分割方法研究综述
高空间分辨率遥感影像分割方法研究综述 高空间分辨率遥感影像分割方法研究综述 刘建华毛政元 （福州大学,空间数据挖掘与信息共享教育部重点实验室，福建省空间信息工程研究中心，福州350002） 摘要:遥感影像分割是指把一幅影像划分为互不重叠的一组区域的过程，它要求得到的每个区域的内部具有某种一致性或相似性，而任意两个相邻的区域则不具有此种相似性。遥感影像分割是面向对象的遥感影像数据挖掘与应用中的一项关键技术,对于影像目标信息自动化提取与智能识别尤为重要，在面向对象的遥感影像处理工程中具有重要意义。本文对常见的高空间分辨率遥感影像分割方法与应用策略进行了分析，比较了各种分割方法的应用范围、优缺点及目前存在的改进措施。建立了面向对象的遥感影像分割方法的分类体系，最后指出了面向对象的遥感影像分割方法目前所存在的问题及应用前景。 关键词:高空间分辨率遥感影像影像分割方法应用策略进展 A Survey on High Spatial Resolution Remotely Sensed Imagery Segmentation Techniques and Application Strategy Liu Jian hua Mao zheng yuan (Fuzhou University, Spatial Information Research center, Fuzhou, 350002) Abstract: Remotely sensed imagery segmentation is a process of dividing an image into different regions such that each region is, but the union of any two adjacent regions is not, homogeneous. It is one of key techniques in the object-oriented remotely sensed imagery data mining and its application, also quite essential in remote sensing image processing engineering. In this paper, we have a rough survey on different methods of high spatial resolution remotely sensed imagery segmentation, categorizing them into four groups according to the gray or color information they are exploiting. The disadvantage of current methods and the proper progress which can be attained in the near future are pointed out at the end of this essay. Keywords: High Spatial Resolution Imagery, Segmentation methods, application strategy, advances and prospects 1 引言 高空间分辨率遥感影像(如GeoEye、WorldView、QuickBird、IKONOS等，本文简称高分影像)在诸多领域（地形图更新、地籍调查、城市规划、交通及道路设施、环境评价、精细农业、林业测量、军事目标识别和灾害评估等）得以广泛应用[1]。目前，影像信息提取自动化程度低是高分影像应用潜力得不到充分发挥的主要限制因素，是理论和应用研究中必须突破的瓶颈。 遥感影像分割是面向对象的遥感影像分析方法[2]的基础和关键，在遥感影像工程中处于影像处理与影像理解的中间环节，是面向对象的影像分析理论研究的突破口。按照一般的影像分割定义[3],分割出的影像对象区域需同时满足相似性和不连续性两个基本特性；其中相似性指该影像对象内的所有像元点都满足基于灰度、色彩、纹理等特征的某种相似性准则，不连续性是指影像对象的特征在区域边界处的不连续性。迄今为止,将计算机视觉领域的图像分割算法应用于图像分割过程中,已开展了较多的研究[4-7],并提出了大量的算法；但针对遥感影像尤其是高分影像的分割方法较少[8],仍不成熟。这是由于与其它类型图像的分割相比，高分影像分割难度更大,也更具挑战性。具体体现在高分影像其空间分辨率高、纹理信息丰富而光 基金项目: 国家重点基础研究发展计划项目（973）子课题“高空间分辨率遥感影像自适应数据挖掘方法研[2006CB708306]”，国家自然科学基金项目“基于场模型的自适应空间聚类方法研究[40871206]”。 作者简介: 刘建华，男，博士研究生,曾从事GIS与RS教学工作。目前主要研究方向为空间数据挖掘、遥感图像处理以及GIS与RS集成等。E-mail：sirc.liujh@https://www.360docs.net/doc/c916898586.html,。
遥感卫星影像预处理做哪些
北京揽宇方圆信息技术有限公司热线：4006019091 遥感影像数据预处理 影像融合不同传感器的数据具有不同的时间、空间和光谱分辨率以及不同的极 化方式。单一传感器获取的影像信息量有限，往往难以满足应用需要， 通过影像融合可以从不同的遥感影像中获得更多的有用信息，补充单一 传感器的不足。全色图影像一般具有较高空间分辨率，多光谱影像光谱 信息较丰富。为提高多光谱影像的空间分辨率，可以将全色影像融合进 多光谱图像，通过融合既提高多光谱影像空间分辨率，又保留其多光谱 特性。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。 影像匀色相邻的遥感图像，由于成像日期、季节、天气、环境等因素可能有差异， 不仅存在几何畸变问题，而且还存在辐射水平差异导致同名地物在相 邻图像上的色彩亮度值不一致。如不进行色调调整就把这种图像镶嵌起 来，即使几何配准的精度很高，重叠区复合得很好，但镶嵌后两边的影 像色调差异明显，接缝线十分突出，既不美观，也影响对地物影像与专 业信息的分析与识别，降低应用效果。要求镶嵌完的数据色调基本无差 异，美观。遥感影像匀色后保证影像整体色彩一致性。 影像镶嵌将不同的图像文件合在一起形成一幅完整的包含感兴趣区域的图像，通 过镶嵌处理，可以获得更大范围的地面图像。参与镶嵌的图像可以是不 同时间同一传感器获取的，也可以是不同时间不同传感器获取的图像， 但同时要求镶嵌的图像之间要有一定的重叠度。 影像去云雾影像数据常常有云雾覆盖，针对有云雾覆盖的影像，可以通过后期技术 处理去除薄云雾，达到影像最佳效果。 影像纠正依据控制点，利用相应软件模块对数据进行几何精校正，这一步骤包括 利用地面控制点（GCPs）找出实际地形，计算配准中控制点的误差，利 用DEM消除地形起伏引起的位移，然后对图像进行重采样等。形成符合 某种地图投影或图形表达要求的新影像。 即插即用无使用门槛，可与各类GIS软件系统无缝衔接 第 1 页
遥感图像处理复习
第一章 图像(image)是对客观对象的一种相似性的描述或写真，它包含了被描述或写真对象的信息，是人们最主要的信息源 按图像的明暗程度和空间坐标的连续性划分： 图像可：数字图像，模拟图像 根据波段的多少，图像可分为：单波段图像，多波段图像，超波断图像 遥感数字图像（digital image）是指以数字形式表述的遥感影像。最基本的单位是像素，每个像素具有其空间位置特征和属性特征。 遥感数字图像处理是利用计算机图像处理系统对遥感图像中的像素进行系列操作的过程。 数字图像处理极大地提高了图像处理的精度和信息提取的效率。 遥感数字图像处理的主要内容： 图像增强：着重强调特定的图像特征，在特征提取、图像分析和视觉信息的显示中很有用。增强过程本身不会增加数据中原有的信息内容，仅仅是突出了特定的图像特征，使得图像更易于可视化的解释和理解。 图像校正：也称图像复原、图像恢复。主要是对传感器或环境造成的退化图像进行模糊消除、噪声滤除、几何失真或非线性校正。 信息提取：根据地物光谱特征和几何特征，确定不同地物信息的提取规则，利用该规则从校正后的遥感数据中提取各种有用的地物信息。 遥感数字图像处理系统包括：硬件系统，软件系统， 第二章 遥感是遥感信息的获取、传输、处理以及分析判读和应用的过程。遥感的实施依赖于遥感系统。 遥感系统是一个从地面到空中乃至整个空间，从信息收集、存储、传输、处理到分析、判读、应用的技术体系，主要包括遥感试验、信息获取(传感器、遥感平台)、信息传输、信息处理、信息应用等5个部分。 传感器的分辨率指传感器区分自然特征相似或光谱特征相似的相邻地物的能力。 传感器分辨率指标主要有：辐射分辨率，光谱分辨率，空间分辨率，时间分辨率 辐射分辨率是传感器区分反射或发射的电磁波辐射强度差异的能力。 光谱分辨率是传感器记录的电磁光谱中特定波长的范围和数量。波长范围越窄，光谱分辨率越高；波段数越多，光谱分辨率越高。 时间分辨率：对同一目标进行重复探测时，相邻两次探测的时间间隔称为时间分辨率。 数字化包括两个过程：采样和量化。 采样：将空间上连续的图像变换成离散点(即像素)的操作称为采样。采样间隔的大小，影响着图像表示地物的真实性。量化是将像素灰度值转换成整数灰度级的过程。 根据传感器选用的波长范围不同，遥感图像可以划分为下面两种类型：不相干图像，相干图像 元数据是关于图像数据特征的表述，是关于数据的数据。 普通遥感图像数据格式：BSQ格式，BIL格式，BIP格式 特殊遥感图像数据格式：陆地资源卫星L5的数据格式，HDF数据格式，TIFF图像格式，GeoTIFF图像格式 图像文件的大小=图像行数*图像列数*每个像素的字节数*波段数*辅助参数（辅助参数一般为1） 第三章 图像类别表示方法说明
一种改进的高分辨率遥感影像分割方法
第35卷第3期 地球科学———中国地质大学学报 Vol.35 No.32010年5月 Earth Science —Journal of China University of G eosciences May 2010 doi :10.3799/dqkx.2010.050 基金项目:教育部新世纪优秀人才计划资助项目(No.NCET 20720772);国家重点“863”项目(No.2007AA120503). 作者简介:高伟(1980-),男,博士生,主要从事遥感数据处理与信息提取的科研和教学工作.E 2mail :cuggaowei @hot https://www.360docs.net/doc/c916898586.html, 一种改进的高分辨率遥感影像分割方法 高 伟1,2,刘修国1,2,彭 攀1,2,陈启浩1,2 1.中国地质大学信息工程学院,湖北武汉430074 2.地理信息系统软件及其应用教育部工程中心,湖北武汉430074 摘要:分形网络演化算法是面向对象的遥感影像分类中比较成熟的一种构建对象的算法,但在分割效率上有待进一步提高, 而四叉树分割是一种高效的图像分割方法.提出了一种基于四叉树预分割的分形网络演化构建对象的方法.实验证明,该方法基本不影响影像分割的效果,而且提高了形成初始对象的效率,较大程度上提高了整体的分割效率.关键词:影像分割;分形网络演化;高空间分辨率;四叉树;地理信息系统.中图分类号:TP311 文章编号:1000-2383(2010)03-0421-05 收稿日期:2010-01-15 An Improved Method of High 2R esolution R emote Sense Image Segmentation GAO Wei 1,2,L IU Xiu 2guo 1,2,PEN G Pan 1,2,CH EN Qi 2hao 1,2 1.Facult y of I nf ormation Engineering ,China Uni versit y of Geosciences ,W uhan 430074,China 2.Engineering Research Center f or GIS S of t w are and A p plications ,Minist ry of Education ,W uhan 430074,China Abstract :Fractal net evolution approach (FN EA )is a relatively mature one among the object 2oriented image segmentation algo 2rithms ,but its efficiency is to be improved.Quad 2Tree segmentation is a kind of effective image segmentation method.In this paper ,an improved object oriented multi 2scale image segmentation method based on the quad 2tree pre 2segmentation and FN EA is introduced.The experiment shows that the effect of its segmentation result is almost the same as that of traditional FN EA method.Moreover ,It saves time. K ey w ords :image segmentation ;f ractal net evolution approach ;high 2nesolution remote sense ;quad 2tree ;geographic informa 2tion system (GIS ). 0 引言 近年来,以I KONOS 和Quick 2Bird 为代表的高空间分辨率遥感影像得到广泛应用(高伟,2006).高分辨率遥感影像具有丰富的空间信息,地物几何结构和纹理信息,便于认识地物目标的属性特征,如地物的图层值、形状、纹理、层次和专题属性,有助于提高地物定位和判读精度,使得在较小的空间尺度上观察地表细节变化,进行大比例尺遥感制图,以及监测人为活动对环境的影响成为可能.为土地利用、城市规划、环境监测等民用方面提供了更便利、更详细的数据源.高分辨率影像的广泛应用迫切要求人们对高分辨率遥感信息提取进行研究,以满足高分辨 率影像信息不断增长的应用和研究需要(Chen et al .,2009). 面向对象的高分辨率遥感影像的分类方法不仅利用地物的光谱信息,而且更多地利用几何信息和结构信息,可以结合其他空间知识和上下文信息来进行更为深入的分类,使得对高分辨率影像的分类更为合理和有效,这成为高分辨率影像信息提取的重要方法之一(Blaschke and Hay ,2001;陆关祥等,2002).在面向对象高分辨率影像的信息提取中,对遥感图像进行分割,形成具有一定特征相似性的影像区域,是实现从影像上进行地物目标计算机自动提取的第一步. 目前分形网络演化算法(Baatz and Schape ,
遥感数据预处理
遥感讲座——遥感影像预处理 据预处理是遥感应用的第一步，也是非常重要的一步。目前的技术也非常成熟，大多数的商业化软件都具备这方面的功能。预处理的大致流程在各个行业中有点差异，而且注重点也各有不同。下面是预处理中比较常见的流程。 1、数据预处理一般流程 数据预处理的过程包括几何精校正、配准、图像镶嵌与裁剪、去云及阴影处理和光谱归一化几个环节，具体流程图如图所示。 各个行业应用会有所不同，比如在精细农业方面，在大气校正方面要求会高点，因为它需要反演；在测绘方面，对几何校正的精度要求会很高。 2、数据预处理的各个流程介绍 （一）几何精校正与影像配准 引起影像几何变形一般分为两大类：系统性和非系统性。系统性一般有传感器本身引起的，有规律可循和可预测性，可以用传感器模型来校正；非系统性几何变形是不规律的，它可以是传感器平台本身的高度、姿态等不稳定，也可以是地球曲率及空气折射的变化以及地形的变化等。 在做几何校正前，先要知道几个概念： 地理编码：把图像矫正到一种统一标准的坐标系。 地理参照：借助一组控制点，对一幅图像进行地理坐标的校正。 图像配准：同一区域里一幅图像（基准图像）对另一幅图像校准
影像几何精校正，一般步骤如下， （1）GCP（地面控制点）的选取 这是几何校正中最重要的一步。可以从地形图（DRG）为参考进行控制选点，也可以野外GPS测量获得，或者从校正好的影像中获取。选取得控制点有以下特征： 1、GCP在图像上有明显的、清晰的点位标志，如道路交叉点、河流交叉点等； 2、地面控制点上的地物不随时间而变化。 GCP均匀分布在整幅影像内，且要有一定的数量保证，不同纠正模型对控制点个数的需求不相同。卫星提供的辅助数据可建立严密的物理模型，该模型只需9个控制点即可；对于有理多项式模型，一般每景要求不少于30个控制点，困难地区适当增加点位；几何多项式模型将根据地形情况确定，它要求控制点个数多于上述几种模型，通常每景要求在30-50个左右，尤其对于山区应适当增加控制点。 （2）建立几何校正模型 地面点确定之后，要在图像与图像或地图上分别读出各个控制点在图像上的像元坐标（x，y）及其参考图像或地图上的坐标（X，Y），这叫需要选择一个合理的坐标变换函数式（即数据校正模型），然后用公式计算每个地面控制点的均方根误差（RMS）根据公式计算出每个控制点几何校正的精度，计算出累积的总体均方差误差，也叫残余误差，一般控制在一个像元之内，即RMS<1。 （3）图像重采样 重新定位后的像元在原图像中分布是不均匀的,即输出图像像元点在输入图像中的行列号不是或不全是正数关系。因此需要根据输出图像上的各像元在输入图像中的位置，对原始图像按一定规则重新采样，进行亮度值的插值计算，建立新的图像矩阵。常用的内插方法包括： 1、最邻近法是将最邻近的像元值赋予新像元。该方法的优点是输出图像仍然保持原来的像元值，简单，处理速度快。但这种方法最大可产生半个像元的位置偏移，可能造成输出图像中某些地物的不连贯。 2、双线性内插法是使用邻近4个点的像元值，按照其距内插点的距离赋予不同的权重，进行线性内插。该方法具有平均化的滤波效果，边缘受到平滑作用，而产生一个比较连贯的输出图像，其缺点是破坏了原来的像元值。 3、三次卷积内插法较为复杂，它使用内插点周围的16个像元值，用三次卷积函数进行内插。这种方法对边缘有所增强，并具有均衡化和清晰化的效果，当它仍然破坏了原来的像元值，且计算量大。 一般认为最邻近法有利于保持原始图像中的灰级，但对图像中的几何结构损坏较大。后两种方法虽然对像元值有所近似，但也在很大程度上保留图像原有的几何结构，如道路网、水系、地物边界等。
图像预处理流程
图像预处理流程： 系统功能的实现方法 系统功能的实现主要依靠图像处理技术，按照上面的流程一一实现，每一部分的具体步骤如下： 1原始图像：由数码相机或其它扫描装置拍摄到的图像； 2预处理：对采集到的图像进行灰度化、图像增强，滤波、二值化等处理以克服图像干扰； 3字轮定位：用图像剪切的方法获取仪表字轮； 4字符分割：利用字符轮廓凹凸检测定位分割方法得到单个的字符； 5字符识别：利用模板匹配的方法与数据库中的字符进行匹配从而确认出字符，得到最后的仪表示数。 2.3.1 MATLA B简介 MATLAB是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB 和Simulink两大部分。 MATLAB是矩阵实验室（Matrix Laboratory）的简称，和Mathematica、Maple 并称为三大数学软件。它在数学类科技应用软件中在数值计算方面首屈一指。MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。 MATLAB的基本数据单位是矩阵，它的指令表达式与数学、工程中常用的形式十分相似，故用MATLAB来解算问题要比用C，FORTRAN等语言完相同的事情简捷得多，并且mathwork也吸收了像Maple等软件的优点,使MATLAB成为一个强大的数学软件。在新的版本中也加入了对C，FORTRAN，C++ ，JAVA的支持。可以
直接调用,用户也可以将自己编写的实用程序导入到MATLAB函数库中方便自己以后调用，此外许多的MATLAB爱好者都编写了一些经典的程序，用户可以直接进行下载就可以用。 2.3.2 MATLAB的优势和特点 1、MATLAB的优势 (1)友好的工作平台和编程环境 MATLAB由一系列工具组成。这些工具方便用户使用MATLAB的函数和文件，其中许多工具采用的是图形用户界面。包括MATLAB桌面和命令窗口、历史命令窗口、编辑器和调试器、路径搜索和用于用户浏览帮助、工作空间、文件的浏览器。随着MATLAB的商业化以及软件本身的不断升级，MATLAB的用户界面也越来越精致，更加接近Windows的标准界面，人机交互性更强，操作更简单。而且新版本的MATLAB提供了完整的联机查询、帮助系统，极大的方便了用户的使用。简单的编程环境提供了比较完备的调试系统，程序不必经过编译就可以直接运行，而且能够及时地报告出现的错误及进行出错原因分析。 (2)简单易用的程序语言 MATLAB是一种高级的矩阵/阵列语言，它包含控制语句、函数、数据结构、输入和输出和面向对象编程特点。用户可以在命令窗口中将输入语句与执行命令同步，也可以先编写好一个较大的复杂的应用程序（M文件）后再一起运行。新版本的MATLAB语言是基于最为流行的C＋＋语言基础上的，因此语法特征与C＋＋语言极为相似，而且更加简单，更加符合科技人员对数学表达式的书写格式。使之更利于非计算机专业的科技人员使用。而且这种语言可移植性好、可拓展性极强，这也是MATLAB能够深入到科学研究及工程计算各个领域的重要原因。 (3)强大的科学计算机数据处理能力 MATLAB是一个包含大量计算算法的集合。其拥有600多个工程中要用到的数学运算函数，可以方便的实现用户所需的各种计算功能。函数中所使用的算法都是科研和工程计算中的最新研究成果，而前经过了各种优化和容错处理。在通常情况下，可以用它来代替底层编程语言，如C和C++ 。在计算要求相同的情况下，使用MATLAB的编程工作量会大大减少。MATLAB的这些函数集包括从最简单最基本的函数到诸如矩阵，特征向量、快速傅立叶变换的复杂函数。函数所能解决的问题其大致包括矩阵运算和线性方程组的求解、微分方程及偏微分方程的组的求解、符号运算、
一种多尺度无监督遥感图像分割方法
一种多尺度无监督遥感图像分割方法 郭小卫,官小平 (北京东方泰坦科技有限公司,北京100083) 摘要:提出了一种多尺度无监督遥感图像分割方法。通过对多尺度图像数据在每个尺度上进行G auss 子集聚类,并将每个像素的邻域内的G auss 子集类别标记作为特征向量,利用Markov 四叉树模型进行二次聚类,从而实现无监督图像分割。与其他基于多尺度Markov 模型的无监督分割方法和传统动态聚类方法相比,该方法既无需假定每类的分布形式,又能较好地反映数据的概率结构。合成图像与SAR 图像的实验结果表明,该方法的分割精度接近于有监督的H 2MPM 和H 2SMAP 方法。 关键词:多尺度;四叉树;MPM (maximum posterior marginals );EM (expectation maximization )算法;无监督分割中图分类号:P237.3 文献标识码:A 文章编号:1000-3177(2006)88-0020-03 收稿日期:2006-04-06 作者简介:郭小卫,男(1971)～,博士,主要从事图像处理、模式识别和多尺度统计建模等方面的研究。 1 引 言 基于多尺度Markov 模型的图像分割方法[1～4],是近年来基于统计模型的图像分割方法的研究热点。多尺度 Markov 模型分割算法通常采用Bayes 估计。Bayes 估计的前 提条件是每类的概率密度已知。在无监督图像分割问题中,由于训练样本的类别未知,为估计每类的概率密度,需要假定每类的分布形式已知(通常假定每类服从G auss 分布或其他简单分布),从而,利用一些如EM (expectation 2maximiza 2 tion )、SEM (stochastic expectation 2maximization )或ICE (iter 2ative conditional estimation )等混合密度的估计方法,就可以 得到每类的分布参数。但在很多情况下,各类的分布可能无法用某种简单的分布形式来表示,甚至无法用参数化的方法来表示,因而也就不能应用这类方法来估计每类的概率密度。一种替代方法是将图像数据离散化,并应用EM 等算法来估计离散形式的混合分布。但直接对图像数据离散化一方面会造成分布参数过多,并带来计算量增加、EM 算法初始化困难等问题;另一方面,由于缺少足够的约束条件,导致离散形式混合密度的估计结果有很大的不确定性,典型的例子是在各类分布的交叠区,分布参数的估计严重甚至完全依赖于初值的选取。 针对此问题,本文提出一种基于Markov 四叉树模型的无监督图像分割方法。该方法通过对多尺度图像数据在每一尺度上进行G auss 子集聚类,并将聚类的结果(G auss 子集类标记)作为多尺度特征数据,进而应用Markov 四叉树模型和MPM (maximum posterior marginals )估计进行二次聚类,实现无监督图像分割。该方法无需假定每类的分布形式已知;与离散形式的多尺度Markov 模型方法相比,离散值的数目(G auss 子集数)通常很小,使得EM 算法的初值选择比较容易,并减小了参数估计的不确定性。 2 Markov 四叉树模型 本文采用的Markov 四叉树模型,其结构如图1所示。记树上的节点集为S ,根节点为r ,黑节点(隐节点)代表像素的未知类别,白节点(观测节点)代表像素值或像素的某种特征数据,在特定假设条件下[1,3],所有隐节点的集合与观测节点的集合构成一(隐)马尔可夫树。将该模型应用于图像分割,实际上就是根据观测值估计隐节点状态的问题。解决该问题的方法通常有两种,MAP 估计和MPM 估计,本文采用MPM 估计,其具体算法见文献[3] 。 图1 Markov 四叉树模型 要将上述模型应用于图像分割,需要首先估计模型参数。记πm =p (X r =m ),并对Πs ∈S (n ) ,记a m ,k ,n =p (X s =m |X s +=k ),f m ,n (l )=p (Y s =l |X s =m ),Markov 四叉 树模型参数可记为θ=(πm ,(a m ,k ,n )k =1…M ,n =0…N ,(f m ,n (l )) l ∈R ,n =0…N )m =1…M 。若假定转移概率和条件分布仅与尺 度有关,与具体节点无关,并进一步假定每类数据服从G auss 分布,此时,模型参数简化为θ=( πm ,(a m ,k ,n )k =1…M ,n =0…N ,(μm ,n ) n =0,…,N ,(∑m ,n )n =0,…,N )m =1…M 。利用EM 算法,可 得到θ的估计[7]。 3 基于Markov 四叉树模型的无监督分割 上述多尺度Markov 模型的无监督图像分割方法需要假定每类数据服从G auss 等简单分布形式,这种假定在很多情