遥感测绘图像特征智能识别技术
遥感技术在测绘领域的应用
遥感技术在测绘领域的应用遥感技术是指利用卫星、飞机、无人机等遥感平台获取地球表面的信息，并借助图像处理和数据分析方法对这些信息进行解释、分析和利用的技术。
在测绘领域，遥感技术具有广泛应用，主要包括以下几个方面：一、地表覆盖分类与变化监测。
遥感影像可以通过图像解译和分类方法，对地表进行分类，确定不同地物类型的分布范围和空间变化。
可以利用遥感技术进行土地利用/覆盖分类，监测农田、林地、水域等地物的变化情况，为土地规划和资源管理提供依据。
二、地形地貌测绘。
遥感技术可以获取地表高程信息，实现数字高程模型（DEM）的制作和更新。
利用DEM可以进行数字地形分析，获得地形地貌特征，如山地、平原、河流等地形类型，帮助地质和地貌学研究。
三、地理空间数据的获取与更新。
遥感技术可以获取大范围的地理空间数据，如土地利用分类、NDVI（归一化植被指数）等，这些数据可以用于制作、更新地理信息系统（GIS）数据库。
通过数据的获取和更新，可以提高地理信息系统的准确性和时效性，为城市规划、环境监测等提供支持。
四、灾害监测与评估。
遥感技术可以实时监测自然灾害，如洪水、地震、火灾等。
通过遥感影像的获取和解译，可以对灾害的范围、程度进行评估，提供有关灾害损失和救援需求的信息，为灾害反应和管理提供决策支持。
五、基础地理数据的更新。
遥感技术可以快速、经济地获取基础地理数据，如道路、河流、湖泊等。
这些数据可以用于制图和地理信息系统的更新，提高地图准确性和可用性。
六、测量数据的辅助。
在进行测量过程中，可以利用遥感影像对目标进行定位和测量，辅助测绘工作。
利用遥感影像可以实现道路、建筑物等特征的智能提取，从而减少实地测量的工作量和成本。
遥感技术在测绘领域有着广泛的应用，可以实现地表覆盖分类与变化监测、地形地貌测绘、地理空间数据的获取与更新、灾害监测与评估、基础地理数据的更新以及测量数据的辅助等多个方面的应用。
这些应用不仅提高了测绘工作的效率和准确性，还为城市规划、资源管理、环境保护等提供了可靠的科学依据。
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。
遥感图像解译的常见方法和技巧
遥感图像解译的常见方法和技巧遥感图像解译是指通过对遥感图像进行分析和解读，获取地物和环境信息的过程。
在当今社会中，遥感技术在农业、城市规划、环境监测以及资源调查等领域中发挥着重要作用。
然而，由于图像复杂性和解译难度的增加，如何有效地进行遥感图像解译成为了一个亟待解决的问题。
本文将介绍遥感图像解译的常见方法和技巧，希望能给读者在实际应用中带来一些启发。
一、多光谱图像解译多光谱图像是指通过多波段的遥感数据获取的图像，其中每个波段对应一种特定的光谱信息。
多光谱图像解译是最常用的遥感图像解译方法之一。
它基于光谱特征来识别和分析地物，通过比较不同波段的反射率和亮度值，可以获得不同地物的光谱特征，并进行分类判别。
在多光谱图像解译中，常用的技巧包括：光谱特征提取、光谱段的组合以及光谱变换。
光谱特征提取是指从多光谱图像中提取能够反映地物特征的光谱信息，例如反射率、亮度值等。
通过提取不同波段的光谱特征，可以实现对地物的分类和判别。
光谱段的组合是指将不同波段的光谱信息进行组合，以突出地物的特征。
例如，在植被遥感图像中，将近红外波段和红光波段进行组合，可以更好地区分植被和非植被地区。
光谱变换是指通过对光谱数据进行数学变换，以改变光谱分布和强度，从而获得更明显的地物信息。
常用的光谱变换方法包括主成分分析和单波段反射率之间的比率。
二、纹理特征分析除了光谱特征，纹理特征也是进行遥感图像解译的重要指标之一。
纹理特征通过对图像像素间的空间关系分析，反映了地物的空间分布和结构特征。
在遥感图像解译中，纹理特征分析可以用于识别和判别不同地物的纹理特征，提高分类的准确性。
在纹理特征分析中，常用的方法包括：灰度共生矩阵（GLCM）、纹理特征值和基于波谱变换的纹理分析。
灰度共生矩阵是一种常用的纹理特征计算方法，它通过计算像素间的灰度级对出现的频率来描述图像的纹理特征。
纹理特征值是一种通过计算图像像素间的像素差异和空间关系来描述地物纹理特征的方法。
测绘技术中的遥感影像的采集与处理方法
测绘技术中的遥感影像的采集与处理方法遥感影像在测绘领域中起着至关重要的作用。
随着技术的不断发展，遥感影像的采集与处理方法也在不断进步。
本文将围绕这一主题展开讨论。
一、遥感影像的采集方法遥感影像的采集主要有两种方法：主动遥感和被动遥感。
主动遥感是指通过设备主动向地面发射电磁波并接收反射回来的电磁波来获取影像信息。
典型的主动遥感设备是雷达。
雷达通过发射电磁波并接收反射回来的微波，可以获取地面的高程、形态等信息。
主动遥感适用于测绘平原、山区等地形起伏较大的地区。
被动遥感是指通过接收地面发出的热能、辐射能等电磁波来获取影像信息。
被动遥感设备包括光学相机、红外相机等。
其中，光学相机主要用于获取可见光波段的影像，而红外相机则用于获取红外波段的影像。
被动遥感适用于获取地表覆盖、环境变化等信息。
二、遥感影像的处理方法遥感影像的处理主要包括预处理、解译和后处理三个环节。
预处理是指对原始遥感影像进行去噪、镶嵌、几何校正等操作，以提高影像质量和几何精度。
去噪会去除遥感影像中的椒盐噪声、高斯噪声等，从而提高图像的清晰度。
镶嵌是指将多个遥感影像拼接成一个整体，以获得更大范围的覆盖面积。
几何校正是指将遥感影像与地理坐标系统进行对应，以实现地物位置的准确定位。
解译是指通过人工或计算机算法，对遥感影像中的地物进行分类、提取、识别等操作，以获得有用的地理信息。
分类是将遥感影像中的像素分成若干个类别，如水体、植被、建筑等。
提取是指从遥感影像中提取出特定的地物，如道路、河流等。
识别是指对遥感影像中的地物进行识别和标注，从而实现对地物的智能分析和管理。
后处理是指对解译后的结果进行验证、整合、分析等操作，以获得更精确的结果。
验证是指对解译结果进行实地考察，验证其准确性。
整合是指将解译结果与其他地理信息进行融合，以构建更完整的地理信息数据库。
分析是指对解译结果进行各种计算和模型分析，以挖掘地理信息中的数据关联和规律性。
结语随着遥感技术的快速发展，遥感影像的采集与处理方法也在不断创新与改进。
使用遥感技术进行遥感测绘的基本流程和方法
使用遥感技术进行遥感测绘的基本流程和方法遥感技术是一种通过获取和分析从遥远距离获得的信息的方法。
在遥感测绘中，遥感技术被广泛应用于地表特征的观测和测量。
本文将介绍遥感测绘的基本流程和方法，包括数据获取、数据处理和数据分析等。
数据获取是遥感测绘的第一步，主要包括数据源的选择和数据的获取。
在现代遥感测绘中，常见的数据源有航拍影像、卫星遥感数据和无人机遥感数据等。
根据具体应用需求，选择适合的数据源对于获得准确的地表信息至关重要。
数据获取的方法包括航空摄影、卫星遥感和无人机遥感等。
这些方法都能够提供高分辨率的遥感影像，以满足不同需求的测绘任务。
数据处理是遥感测绘中的关键步骤，主要包括遥感影像的预处理和特征提取。
预处理包括影像的几何校正、辐射校正和大气校正等。
几何校正是将影像与地理坐标系统对应起来，使得影像上的地物位置能够与地球表面上的实际位置对应。
辐射校正是消除影像中辐射度的变化，以确保测绘结果的准确性。
大气校正是校正空气中的颗粒物影响，通常通过模型对空气参数进行估计，进而修正影像中的大气影响。
特征提取是从影像中提取地表特征的过程。
常见的特征包括土地利用/土地覆盖类型、地形高程和水体分布等。
特征提取一般采用图像分类技术和遥感影像分析方法，如最大似然分类、支持向量机和人工神经网络等。
数据分析是遥感测绘的最后一步，主要是对提取的特征进行分析和解释。
数据分析可以揭示地表特征的变化趋势和空间分布规律。
例如，通过对时间序列影像数据进行分析，可以监测农作物的生长情况和病虫害的变化。
还可以借助地理信息系统（GIS）对遥感数据进行空间分析，实现对地表特征的叠加和综合分析。
这样的分析可以为城市规划、环境保护和资源管理等决策提供科学依据。
此外，遥感测绘还可以与其他地理信息技术相结合，扩展其应用范围。
例如，地面调查可以为遥感数据提供验证和修正，以提高遥感测绘结果的准确性。
地理信息系统的基础数据，如地理编码和地图数据，可以为遥感数据的处理和分析提供必要的背景信息。
遥感图像解译技术概述 (2)
0引言自20世纪60年代以来，特别是80年代以后，航天技术、传感器技术、控制技术、电子技术、计算机技术及通讯技术的发展，大大地推动了遥感技术的发展。
各种运行于太空中的遥感平台多尺度、多层次、多角度、多谱段地对地球进行着连续观测，各种先进的对地观测系统源源不断地向地面提供着丰富的数据源[1-2]。
如何从海量遥感数据中及时、准确地获取所需信息并加以利用，一直是我们急需而又难以解决的问题之一。
遥感影像解译技术是随着遥感技术的产生而诞生的，传感器获取的数据必须经过处理和解译才能成为有用的信息。
所谓遥感影像解译就是对遥感图像上的各种特征进行综合分析、比较、推理和判断，最后提取出各种地物目标信息的过程。
遥感影像解译包括目视解译、人机交互解译、基于知识的遥感影像解译、影像智能解译(即自动解译)等[3]。
遥感解译经历了从人工解译到半自动解译，正在向全智能化解译的方向发展。
1遥感图像解译的基本概念1.1遥感图像解译的定义遥感图像解译，是通过遥感图像所提供的各种目标特征信息进行分析、推理与判断，最终达到识别、量测目标或现象的目的。
遥感图像的解译过程，可以说是遥感成像的逆过程。
即从遥感对地面实况的模拟影像中提取遥感信息、反演地面原型的过程。
遥感图像解译分为：图像识别、图像量测和图像分析。
1.2遥感影像解译方法遥感影像解译方法分为：遥感影像目视解译、人机交互式解译方法、应用多种技术的遥感图像半自动解译[4]。
⑴在目视解译中，解译者的知识和经验起主要作用，难以实现对海量空间信息的定量化分析。
长期以来,目视解译是地学专家获得区域地学信息的主要手段。
陈述彭先生曾肯定了目视解译方法,认为目视解译不是遥感应用的初级阶段,或者是可有可无的,相反,它是遥感应用中无可替代的组成部分,它将与地学分析方法长期共存、相辅相成[5-6]。
⑵人机交互式解译方法，随着遥感手段不断地更新,遥感数据大量增加，这对遥感信息的处理和解译提出了挑战，如何更充分地利用这些数据是遥感界急需解决的问题。
遥感图像处理中的目标检测方法探索
遥感图像处理中的目标检测方法探索目标检测在遥感图像处理领域中具有重要的应用价值。
通过利用遥感图像中的目标信息，可以实现对地表、城市、农田等各种物体和区域的自动识别和检测。
目标检测技术在环境监测、农业、城市规划等领域发挥着重要作用。
本文将探索遥感图像处理中的一些常见目标检测方法。
一、基于传统特征的目标检测方法传统的目标检测方法通常采用图像特征提取和机器学习算法相结合的方式。
在遥感图像处理中，常用的特征包括颜色、纹理、形状等。
其中，颜色特征是最常用的特征之一，通过提取目标物体在图像中的颜色信息，可以实现目标的初步检测和分类。
纹理特征可以反映目标物体在图像中的纹理变化情况，从而实现对物体的更精确的检测和分类。
形状特征可以描述目标物体在图像中的形状特点，通过比较目标物体的形状特征和已知模型的形状特征，可以实现对目标的识别和检测。
二、基于机器学习的目标检测方法随着机器学习算法的发展，越来越多的目标检测方法开始采用基于机器学习的方式进行。
常见的机器学习算法包括支持向量机（SVM）、人工神经网络（ANN）、随机森林等。
这些算法可以利用大量的标注数据进行训练，通过学习已知目标的特征和背景信息，实现对未知目标的检测和分类。
机器学习方法的优点在于可以根据数据的特点进行自动分析和学习，相对于传统的方法更加灵活和准确。
同时，机器学习算法还可以结合上述传统特征进行联合处理，提供更为准确和可靠的目标检测结果。
三、基于深度学习的目标检测方法近年来，深度学习技术取得了巨大的进展，被广泛应用于目标检测和图像处理领域。
基于深度学习的目标检测方法采用深度神经网络模型，通过多层次、多尺度的特征提取和联合处理，实现对目标的快速、准确的检测和分类。
常见的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）等。
这些模型可以通过大规模遥感图像进行训练，并通过学习图像中的特征和模式来实现对目标的检测和识别。
相对于传统方法和机器学习方法，基于深度学习的目标检测方法具有更高的准确性和自适应性，能够处理复杂的遥感图像数据并提供更为精确和可靠的目标信息。
使用卫星图像进行测绘的方法
使用卫星图像进行测绘的方法绝佳的测绘工具：卫星图像技术随着科技的不断发展，卫星图像技术在测绘领域扮演着越来越重要的角色。
卫星图像可以提供高分辨率、全球范围的地球表面信息，成为测绘专业人士的有力工具。
本文将探讨使用卫星图像进行测绘的方法与应用。
一、遥感测绘简介遥感是指利用卫星、飞机或无人机等遥感平台，通过接收、记录、处理和解释远离观测目标的电磁辐射，以了解地球或其他天体的状况和特征的技术。
遥感测绘是利用卫星图像进行测绘的一种方法，通过对卫星图像进行数字影像处理，提取出地物的空间位置和特征信息。
二、卫星图像获取与处理卫星图像获取是遥感测绘工作的重要环节。
目前，有许多卫星项目运行，并提供高分辨率的卫星图像数据，如美国的Landsat、欧洲的Sentinel和中国的高分系列等。
这些卫星每天都在不同的时间和角度拍摄地球各个地区。
卫星图像处理是指将原始的卫星图像转化为可用于测绘工作的数据。
这个过程包括图像去噪、几何校正、辐射校正等步骤，以消除图像中的噪声，提高图像的质量和准确性。
处理后的卫星图像通常以栅格数据格式呈现，方便测绘专业人士进行后续分析和应用。
三、基于卫星图像的地物识别与分类利用卫星图像进行地物识别与分类是测绘工作的核心内容之一。
地物识别是指通过分析卫星图像中的特征，确定图像中的不同地物，如建筑物、道路、植被等。
而地物分类是将这些不同地物根据特征分类成不同的类别，以进一步了解地表特征。
卫星图像地物识别与分类的方法主要有两种：基于特征的方法和基于机器学习的方法。
基于特征的方法是通过自定义一系列特征描述符，如纹理、形状、颜色等，然后使用这些特征对地物进行识别和分类。
而基于机器学习的方法是先对一部分图像进行标注，然后采用分类算法，训练一个分类模型，再用这个模型对其他图像进行分类。
四、卫星图像变化监测卫星图像变化监测是指利用卫星图像对地表进行连续观测，以检测地表的变化情况。
这种方法可以用于监测城市的扩张、农田的变化、森林的退化等。
- 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)。
遥感测绘图像特征智能识别技术
摘要：随着科技的进步，智能识别技术的应用越来越广泛。
为提高遥感测绘
图像特征智能识别的平均识别率，研究一种遥感测绘图像特征智能识别技术。
首
先采用Malcov随机场模型描述纹理特征，选取有代表性的特征提取图像特征点，对特征向量进行降序，得到一个全新的特征向量集合，然后对特征向量进行归一化，提出一种基于大数据集域的快速自适应图像特征计算识别方法，实现智能系
统对遥感测绘图像特征识别。
关键词：遥感测绘图像；特征智能；识别技术
引言
利用遥感测绘技术获取遥感测绘图像，在地质勘察、交通规划等领域发挥重
要作用。
然而由于分辨率或气象等因素，导致遥感测绘图像的清晰度大多达不到
要求，因此需要研究一种能够将其进行细节增强的方法。
1遥感测绘图像融合概述
测绘图像融合简单的来说就是不同数据之间的相互融合，不同遥感数据之间
的融合方式也会有所不同，然而多源遥感数据融合可以通过多种传感器获取不同
的信息数据处理之后，严格依照规定的算法对这些图像当中蕴含的信息进行有效
的获取和融合，新数据也就是在这个基础之上建立起来的，这样能够保证对同一
事物进行更加客观和本质的了解，而且还能够让图像内部的信息含量进行大幅度
的提高，图像能够在提取、分类等各项工作当中取得更好的效果，对后期各项工
作的正常进行起到一定的促进作用。
通过实际的调查发现，现阶段数据抽象可以
分为三个层次，数据抽象经过融合之后可以分为像素级融合、特征级融合和决策
级融合三个。
首先，像素级融合简单的来说就是指图像经过配准之后将各个像素
点进行有效的融合，在通常的情况下，融合之后得到的结果是一副信息含量较大
且比较丰富的图像信息，对之后的图像分析和理解工作来说奠定良好的基础。
这
种融合方式对传感器的要求比较高，收集到的信息含量较多，自身具备的精度也
比较高。
其次，特征级融合就是对一些经过配准之后的数据进行特征提取工作，
在关联处理之后能够保证传感器获取到的特征向量是来自一个目标的，之后在对
这些特征向量进行融合可以对图像信息进行分类和识别工作。
这种融合方式能够
对信息进行有效的压缩，工作人员可以依据实际情况对信息进行实时的处理。
最后，决策级融合是各个传感器能够对配准的数据进行识别，结合分析得到的结果
对不同的图像进行科学分类，从而得到的层态势评估程度也是比较高的，该方式
有着较好的容错性和开放性，短时间内可以对信息进行有效的处理。
2遥感测绘图像特征智能识别技术
2.1遥感测绘图像变化信息获取
整个遥感测绘图像预处理中最重要的问题就是解决变化信息的获取问题。
一
般情况下，在整个变化测算检测中也会涉及到变化信息的获取问题。
要在整个变
化检测中提取出所需要的变化特征量，所需要的特征量一般都包含光的组成结构
和光线变化特征；在获取光线变化特征时，有一部分数据可以直接进行分析，分
析得到的结果称为可预料性变化特征；而另一部分数据则不能直接进行分析，要
和辅助数据相结合在进行推算。
比如，在监测目标图像变化层次时，要根据目标
监测模型的功能数据来推算，这种变化特征就称为不可预料的变化特征。
对变化
信息进一步分析检测就可以得到直观的变化特征，从而实现变化检测。
一般在对
图像进行检测时都会采用图像植入法，图像植入法是适用范围最广的，操作最简单，最容易让人理解的图像检测方法。
它的基本操作原理就是把两幅在不同时间
做出的不同图画进行图像对比，值得注意的是，因为图像都具有灰度值，所以一
定要减去。
就目前的情况来看，可以知道图像差点法的理论比其他的方法更加简单，同时也可以实现快速操作，但是其只能检测到在固定区域发生的变化，不能
进一步了解变化的特征性质等。
为了进一步了解掌握变化的性质，就要以图像差
点法为基础再结合其他方法对图像进行检测分析从而得到图像的变化性质。
但是，图像的变化性质会根据光线的变化而产生变化，因此，应根据实际情况选择相应
的变量。
图像结果代表两幅图像的变化，图像差点法适用范围也很广，可以用于
单变量图像差点，也可以用于n个变量图像差点。
2.2图像细节增强
为了对比四种图像细节增强方法的效果，将四种方法分别应用于四类初始图像中，在滤波器的作用下对这四类图像进行处理，并得到遥感测绘图像增强处理结果。
通过遥感测绘图像增强处理效果，引导滤波自适应图像增强方法在处理遥感影像时经常会出现图像整体模糊的情况，这是因为图像在增强过程中细节区域相对平滑，难以清晰区分图像单位像素之间的边界；基于NSST多尺度自适应图像增强方法则是因为对比度较小导致成图的色彩过于简单，难以区分不同色块之间边界的问题；基于细节特征融合的图像增强方法大多颜色较深，对细节的处理能力较强，但是其在阴影区域或深色色块区域的色彩区分效果较差，如林地遥感测绘图像左边深色阴影区域内，细节特征融合方法就没有对其进行有效的细节增强；基于迁移学习的图像增强方法则有效地避免了上述问题，在色彩平滑区域以及深色阴影部分均做出了鲜明的对比，使四幅图像中模糊的区域变得清晰。
基于以上实验结果可知，本文基于迁移学习的遥感测绘图像细节增强方法较其他细节增强算法更优越，以此方法得到的图像效果更清晰。
2.3遥感测绘图像特征识别模型构建
遥感图像特征提取后，为保证识别结果的正确率和识别率，还需对特征进行标准化处理。
所提取的遥感图像特征均假定特征包含像素，对特征向量进行归一化之前，对特征向量进行降序，得到一个全新的特征向量集合。
随后，每个元素的特征值被设置为一个规格化的特征序列，表达式如下：
（1）
式(1)中，ai表示为第i个像素点带有的特征性质；x表示像素点的总数，f(ai)以特征性质为基础的层次函数。
在进行实际计算时，当有多个特征性质层次函数时，都要把特征层次函数的值进行整理，以便求出序列的均值。
通过对图像特征进行归一化处理，根据在识别图像特征时出现的不连续、模糊等问题，采用了一种新的以大数据为基础的智能图像特征识别推理演算方法，从而保证检测到的图像特征信息具有良好的清晰度和完整性。
图1是整个流程的示意图。
图1图像特征智能识别流程
当进行智能识别时，不同像素的可选范围只能是一组4邻域和8邻域的集合。
用下列公式表示：
（2）
式(2)中，(t)代表经过t次循环计算得到的(m,n)信息素含量各不相同的像
素点，进行多次循环计算之后，要把像素点按照信息素含量的多少排列起来；
ηmn代表具有初始爆发性的信息，在本文的公式中把ηmn作为像素点(m,n)灰色
梯度值，Gk表示k特征计算公式得到的整个数据表格，大数据表格的作用就是把
所有像素节点罗列出来，防止在进行计算时采用到相同的像素节点；α代表在进
行像素数据转换计算时用于表示像素残留量的影响参数。
至此，通过上述过程完
成图像特征的识别。
结语
遥感测绘图像融合技术对于我国各领域的发展来说有着十分重要的影响，为
了能够让该技术的效果可以在实际的运用过程当中充分的发挥出来，相关企业和
单位首先要结合实际的情况进行分析，根据不同的情况而采用不同的遥感测绘图
像融合技术，并且在运用的过程当中还要对其进行不断的改进和完善，对企业的发展起到一定的促进作用。
参考文献
[1]郑战辉,朱述龙,许敏,朱宝山.图像融合在遥感中的应用[J].海洋测
绘,2020(02):10-14.
[2]王保国,苏小霞,吴连喜.遥感图像融合效果评价方法的探讨[J].江西测绘,2021(01):35-37.
[3]瞿战伟.基于改进经验模式分解的遥感图像融合[D].浙江工商大学,2021.。