遥感影像范文

遥感影像范文第1篇

当前，空间信息技术发展迅猛，以空间数据为主的空间信息挖掘和应用成为现代人类生产生活的一个重要特征。特别是遥感影像数据，由于其具有获取方便、周期短、信息量大等特点而成为空间数据的重要组成部分。然而，由于遥感数据的数据量十分庞大，特别是对于具有不同来源、不同分辨率与不同时相的数据，其存储与管理均十分困难，且由于其本身具有的稀缺性与机密性，在一定程度上限制了遥感影像数据的充分利用，因此，迫切需要对其进行有效的组织、存储、管理和共享的研究。

研究表明，为实现影像数据的网络服务，可以利用遥感影像元数据，采用流行的数据库技术对遥感影像数据进行组织与管理，并完成基于XML的影像元数据的，实现用户通过网络对遥感影像数据的查询、检索与访问，为影像数据的共享奠定了基础，同时利用本体技术的优势，建立起遥感影像信息本体。

影像数据的存储管理

1.元数据的存储管理

元数据为空间数据的存储管理与共享提供了有效的手段，通过元数据信息，用户可以在没有真实数据的情况下，获取有关数据的信息，从而为数据的共享与利用提供了可能。目前关于矢量空间数据的元数据标准已经制定，并形成了我国的地理信息国家标准，而关于遥感影像方面的元数据标准，尚处在研究之中，未形成一个普遍接受的标准。为此，国家遥感工程中心在ISO 19115.3 遥感影像元数据标准以及我国即将推出的地理信息元数据标准的基础上，结合项目的实际情况，制订了遥感影像元数据草案。该草案包括7个元数据集、6个公共数据类型和15个代码表，从标识信息、数据质量信息、参照系信息、内容信息、覆盖范围、分发信息和遥感信息等方面对遥感影像数据进行了详细的表述。

2.影像数据的存储管理

由于遥感影像的数据量十分庞大，难以直接进行存储，不利于后续的处理、提取、浏览与检索，因此需要对其进行预处理，主要包括降采样、影像压缩与影像分割等内容。

影像分割是将遥感影像按照行列值分割为相同大小的数据块（tile），并以tile作为影像存储的基本单元。每个tile均以一条记录的方式进行存储，不同记录通过编号进行排列。对于不能够平分的，出现多余的行或列时，应将其单独存放。当用户对影像进行调用时，通过映射关系，只调用与用户有关的tile集合即可，从而优化了数据的存储、传输、浏览模式。

为减小影像的传输数据量和优化显示性能，需建立影像金字塔（图1），通过影像降采样方法，建立一系列不同分辨率的影像图层，每个图层分割存储，并建立相应的空间索引机制。常用的影像重采样方法有双线性差值、立方卷积等。

由于影像的数据量比较庞大，为减小影像的存储空间，还需要对影像进行压缩处理后存储。当用户调用数据时，首先对数据进行解压缩处理，然后再返回给用户。常用的图像压缩方法有JPEG、LZ77等。

3.影像数据库结构设计

遥感影像数据库主要可以分为影像元数据库和影像数据库两部分（图2）。影像元数据库用于对遥感影像元数据标准中的数据集进行存储与管理，影像数据库用于对影像数据进行存储和管理。元数据同影像数据通过ID字段进行一对一的关联，保证了元数据与影像数据的一一对应，从而实现通过元数据可以惟一地查找相应的影像数据，而通过影像数据，又可以惟一地查看该影像数据的相关信息，实现了遥感元数据与影像数据的一体化管理。

影像数据网络共享与服务

1.基于元数据的影像数据网络共享

构建遥感影像元数据的主要目的是为了能够实现影像数据的网络与共享。因此元数据的网络是影像数据的前提与基础。

目前元数据的网络大多采用XML技术。XML是一种元语言，是可以用于描述其他语言的语言。用户可以根据需要，利用XML Schema（或者DTD）自行定义标记和属性，从而可以在XML文件中描述并封装数据。XML是数据驱动的，这使得数据内容与显示相分离。XML可以在类似于Netscape Navigator或Microsoft Internet Explorer的浏览器中显示，并通过因特网在应用之间或业务之间交换，存储到数据库中或从数据库中取出。因此，XML是元数据最好的描述方式，能很好地满足元数据在网上传输、交换的需要。

用户通过网络的元数据信息，可以初步了解遥感影像数据的相关信息，然后通过元数据的导航，实现对影像数据的查询、浏览与检索（图3）。

2.基于本体技术的影像数据网络服务

本体（ontology）是从哲学的一个分支――形而上学中的本体论（Ontology）发展来的一个名词。本体论研究客观事物存在的本质，与认识论（Epistemology）相对。即本体论研究客观存在，认识论研究主观认知。而本体的含义是形成现象的根本实体，因而，本体是概念化的明确说明。最早把本体引入计算机领域的是人工智能领域。

地理信息本体与地理信息分类编码、地理信息标准术语表之间有着相似之处，本体论与分类学、术语学也存在一定的交叉。

然而，地理信息本体并不是地理信息标准术语表。地理信息本体提供了一组具有良好结构性的词汇，而且出现在本体中的词汇经过了严格选取，确保所选的词汇是本领域中最基本概念的抽象与界定。概念与概念之间的关系采用相应技术(如谓词、逻辑等)进行了完整的反映，而正是这些关系的反映使得基于本体的系统实现后能够完成语义层面的一些功能。地理信息标准术语表仅仅是地理信息领域中各种词汇的集合，相对本体而言还比较松散。

本体也不单纯是一个词汇的分类体系，即不是地理信息中的分类和编码表。本体和地理信息的分类非常相似，尤其是把本体的理论应用于地理信息分类编码时，这种相似性更为明显。总的说来，地理信息本体比分类编码表中所反映的词与词之间的关系要丰富。

通俗地说，本体一开始就致力于实现计算机可理解，所以它在表现形式上要有更为特殊，如本体是要用精确的形式语言、句法和明确定义的语义来阐述的。如何在现有基础上做这些特殊的处理，就是我们结合计算机技术所要研究的内容。

遥感影像范文第2篇

【关键词】卫星遥感影像；影像处理；石油物探测量；测量草图

随着遥感技术的不断进步，遥感影像的分辨率越来越高，并可以从地面操控遥感卫星拍摄最新的影像图，现势性强，能够在施工前几个月甚至几星期获得。这些特点启发我们考虑使用卫星遥感影像取代传统地形图，在施工前购买各个工区范围内的遥感影像资料，经过技术处理后应用于地震生产。

一、遥感及遥感影像

1 遥感

遥感是通过遥感器这类对电磁波敏感的仪器，在远离目标和非接触目标物体条件下探测目标地物，获取其反射、辐射或散射的电磁波信息（如电场、磁场、电磁波、地震波等信息），并进行提取、判定、加工处理、分析与应用的一门科学和技术。

遥感是以航空摄影技术为基础，在20世纪60年代初发展起来的一门新兴技术。开始为航空遥感，自1972年美国发射了第一颗陆地卫星后，这就标志着航天遥感时代的开始。经过几十年的迅速发展，目前遥感技术已广泛应用于资源环境、水文、气象，地质地理等领域，成为一门实用的，先进的空间探测技术。

2 遥感影像及其精度

遥感影像主要是指航空像片和卫星像片，它可以较为真实地展现地球表面物体的形状、大小、颜色等信息。这比传统的地图更容易被大众接受，影像地图已经成为重要的地图种类之一。

遥感影像上具有丰富的信息，多光谱数据的波谱分辨率越来越高，可以获取红边波段、黄边波段等。高光谱传感器也发展迅速，我国的环境小卫星也搭载了高光谱传感器。从遥感影像上可以获取包括植被信息、土壤墒情、水质参数、地表温度、海水温度等丰富的信息。这些地球资源信息能在农业、林业、水利、海洋、生态环境等领域发挥重要作用。

遥感影像的分辨率是用于记录数据的最小度量单位，一般是用来描述在显示设备上所能够显示的点的数量（行、列），或在影像中一个像元点所表示的面积。像元相当于电视屏幕上的一个点，相当于计算机显示屏幕上的一个像素。当分辨率为1km时，一个像元代表地面1km×1km的面积；当分辨率为1m时，图像上的一个像元相当于地面1m×1m的面积。随着高空间分辨力新型传感器的应用，遥感影像的空间分辨率已经从1km、500m、250m、80m、30m、20m、10m、5m发展到1m以内。

3 GoogleEarth中的遥感影像

3.1 Google Earth

Google Earth是全球最大的搜索引擎公司Google投资300多亿美元于2005年6月推出的以网络为平台的地图服务系统。Google EARTH的卫星影像，并非单一数据来源，而是卫星影像与航拍的数据整合。其卫星影像部分来自于美国DigitalGlobe公司的QuickBird（快鸟）商业卫星与EarthSat公司，航拍部分的来源有BlueSky公司、Sanborn公司、美国DigitalGlobe公司的QuickBird（快鸟）、美国IKONOS及法国SPOT5。

Google Earth提供的遥感影像有如下特点：（1）解析度高，可以清楚看到公路上的斑马线；（2）遥感影像图片完整，可实现全球任何区域的无缝拼接；（3）使用方便，操作简单；（4）可免费使用。

3.2 利用TBC将物理点展在Google Earth中 TBC，即Trimble Business Center，是美国Trimble（天宝）公司的新一代后处理软件。TBC不仅能够处理GNSS（包含GPS和GLONASS）数据，还可以处理全站仪、水准仪、3D扫描仪数据。

TBC软件支持导出叠加到Google Earth里的图像，可以实现将TBC软件里的测量数据直接导入Google Earth展现。

二、遥感影像在物探测量中的应用

1 遥感影像预处理

为保证所使用的遥感影像的精度，首先要对获得的遥感影像进行影像预处理。遥感影像预处理最重要的一步是几何精校正。由于许多现有地形图的比例达不到影像的空间分辨率要求，所以采用实地进行GPS定位的方法来帮助校正。在图上均匀布设一定数量的地面控制点，然后组织经验丰富的内外业技术人员进行现场测量，保证控制点的精确度，最后由内业人员完成遥感影像的校正工作，从而确保遥感影像的精度。

2遥感影像的应用

2.1辅助工区踏勘

以往对物探新工区的了解只是通过地形图上描绘的地形、地貌进行简单地实地踏勘，由于受工区范围、地形与地物交通等条件的影响，不能做到完全、详细地了解。现在采用遥感影像后，地形、地物的现势性增强了，对新工区的踏勘可以根据卫星遥感照片有重点、有目标地进行。

2.2辅助测量草图的绘制

利用高分辨率、高精度的遥感影像作为底图，在AutoCAD制图软件中进行电子草图的绘制，将高分辨率卫星影像上的河流、湖泊、居民房、公路、油井等特殊地物的轮廓精确的绘制出来，然后通过外业测量人员记录的原始草图加以补充（管线、高压线的位置）和修正，这样可以为测量草图的绘制工作节约大量的时间，并且可以极大的提高草图绘制的效率和准确度。

2.3辅助物理点点位偏移设计

高精度遥感影像能够精确地表示出各种地物的位置信息，因此可以根据这些特殊地物的位置来设计激发点的点位偏移。在施工之前，首先利用遥感影像对激发点进行室内设计，然后交给外业测量人员进行实地放样，从而可以有效地提高激发点的一次测量成功率。

2.4指导物探测量施工

在物探测量工作中，利用高精度的遥感影像，可以知道工区内外较大范围的地形、地貌情况，为项目运作、指挥提供精确的信息和帮助。利用AutoCAD、TGO等软件，把整个工区的测线或物理点匹配到遥感影像上，进行测线附近的遥感影像的判读，分析出测线所经过的地形、地物、障碍物的大小和分布特点，便于精心组织生产和后勤转运。

在高精度遥感影像的辅助以及原始测量草图的帮助下，工区内道路信息越来越精确详细，由此绘制出工区内道路分布图，对照此图安排每日工作任务，既能减少每天出工时车辆在找路上花去的时间，也可以根据工区内的道路分布制定出合理的工作计划，如每天提前安排好车辆接送测量员的路段，尽量保证各个测量小组的上下车的地点相距不会太远，从而减少车辆在接送人时花费的时间。

三、应用效果小节

1遥感影像应用于物探施工中能够为施工人员提供准确的地形、地貌、道路信息。

2高精度的遥感影像辅助测量草图成图，不但可以使测量草图更加精确，还大大缩短了测量草图的出图时间。

3遥感影像的应用使点位偏移更加合理，既节省了时间，又保证了施工质量，提高了一次测量成功率。

4利用遥感影像绘制工区交通图，节省了作业时间，提高了劳动效率。

四、结束语

随着科学技术的不断进步，物探测量工作数字化和信息化的步伐势必会越来越快。高分辨率遥感影像如今的应用已经越来越广，相信快速发展的遥感技术将会给物探测量带来更大的促进和发展。

参考文献：

[1]孙家柄.遥感原理与应用.武汉：武汉大学出版社.2009

[2]党安荣等.erdas imagine遥感图像处理方法.北京：清华大学出版社，2005

遥感影像范文第3篇

随着遥感技术的发展，高分辨率遥感影像数据急剧增加，如何能够从海量的遥感影像数据中获取到用户感兴趣的信息成为了当前的主要研究目标。对于大数据量遥感影像数据的快速浏览问题，本文提出基于IDL实现分块读取数据，构建影像金字塔结构，存储到GeoTiff格式影像文件中。利用IDL函数获取当前窗体范围的影像分块信息，实现快速加载显示影像数据。

【关键词】ENVI/IDL 影像金字塔 数据分块 快速浏览

1 引言

随着“高分一号”高分辨率对地观测系统遥感卫星的升空，搭载的高分辨率多光谱相机用于采集高分辨率遥感影像数据。它能够提供大区域范围的海量的、动态的基础地理空间信息数据，成为数字城市数据采集与更新的主要来源之一。目前，ENVI、Erdas等几个主要的遥感软件能够对高分辨率遥感影像数据进行读取，但花费的时间较长，无法满足能够快速浏览影像的现实工作需求。因此寻找一种能够快速读取和显示高分辨率遥感影像的方法，成为高分辨率遥感影像应用面临的首要问题。

对于遥感影像数据的存储格式、读写和显示处理操作，已有学者进行了多方面的论述。刘修国等分析了GeoTiff文件格式的基本结构，并探讨了GeoTag标识域具体含义和影像存储组织的方法；卜坤等讨论了对于大数据遥感影像数据采用分块处理，减少对内存的需求；查东平等研究了利用GDAL处理Tiff格式文件，实现快速读取和显示遥感影像的方法；王淼等讨论了IDL实现遥感影像漫游缩放技术的可行性。

本文针对直接读取海量影像数据容易造成内存不足、整幅影像加载显示缓慢等问题，在分析GeoTiff文件格式的基础之上，结合构建影像瓦片金字塔，研究了基于ENVI/IDL开发语言实现分层分块读取影像数据，多分辨率快速显示影像的方法。

2 技术路线

本文高分辨率遥感影像快速浏览功能设计的基本思想是利用构建瓦片金字塔、GeoTiff影像存储文件等关键技术实现遥感影像数据的分层分块存储，记录遥感影像的地理空间信息和影像分块的图像特性。基于IDL/ENVI开发语言，构建具有图像视窗创建、影像分层分块存储、重采样提取分块影像数据、加载显示影像图像的影像快速浏览技术。总体技术路线如图1所示。

3 关键技术

3.1 影像金字塔模型

遥感影像处理软件显示图像的一般做法是把影像数据读入到内存中，通过读取内存中遥感影像相关数据来实现。在图像数据量比较小的情况下，可以快速显示遥感影像。对于高分辨率遥感影像来说，由于影像数据量是巨大的，有限的内存空间无法读取全部的影像数据。高分辨率影像数据的读取显示是采用构建影像金字塔结构来实现的。

影像金字塔是以原始影像为基础通过重采样技术生成不同比例尺的各层的影像数据，并且各层划分为多个尺寸大小相同的图像块。原始影像数据作为金字塔的底层，分辨率最高，数据量最大。随着金字塔层数的增加，影像分辨率降低，数据量减少，表示的范围不变，如图2。

3.2 影像分块技术

读取的影像数据太大，超过内存的大小的时候，IDL会显示无法分配内存的错误，尤其是处理高分辨率的海量影像数据的时候，对内存的需求就更大了。图像分块技术，是将图像按照一定的矩形大小，把图像分成几块，然后分块进行处理。使用图像分块技术，可以在计算过程中有效减少对内存的需求，从而实现快速读取图像数据。

影像分块的大小通常采用2的幂次方，影像块太大或太小都会影响系统的有效性能。因此，根据遥感影像数据情况，选择数据块大小是影像数据存储管理必须考虑的因素。目前，常采用的数据块大小为256*256像素，这样可以减少硬盘磁头定位时间。

3.3 GeoTiff格式图像文件

GeoTiff图像文件是一个Tiff6.0文件，继承了Tiff6.0规范中的文件结构，将GeoTiff信息编码在一些未使用的TIFF保留标签中[8]。Tiff图像文件的结构包括文件头（Image File Header，IFH）、图像文件目录（Image File Directory，IFD）和图像数据区。每个文件只能有一个文件头，但允许有多个文件目录和多个图像数据区。GeoTiff文件利用6个“地理标签”（GeoTag）保存图像的地理信息，如图3。

3.4 IDL语言

美国ITT VIS（ITT Visual Information System）公司推出了第四代可视化交互数据语言IDL（Interactive Data Language）是新一代交互式、跨平台，面向对象的应用程序开发语言，具有较强的数据分析和可视化功能。IDL将内存的栅格数据均视为二维数组，IDL对数组计算进行了优化，将数组作为整体进行操作，其速度远远快于对数组元素的循环操作。

IDL提供了内置的处理图像数组的类和函数，简化了影像处理流程，降低了开发难度。类IDLgrWindow用于创建显示窗口，类IDLgrView用于创建显示视图对象，类IDLgrModel创建显示模式对象，类IDLgrImage创建图像对象。TV或TVSCL命令用于显示图像，WINDOW命令创建显示窗口。

4 技术实现

为了实现大数据遥感影像的读取和显示功能，按照以下五个步骤完成：

（1）读取原始影像的元数据，包括左上角坐标值，影像宽度和高度，影像波段数，像素类型等参数。这个步骤得到影像基本信息，为后面的分块存储影像数据作准备。

（2）对原始影像进行分块处理，并按照GeoTiff格式定义保存。根据步骤（1）中的影像信息，确定影像分块的行数和列数，创建GeoTiff文件结构数组。

（3） 根据GeoTiff文件结构数组，创建GeoTiff文件结构，并在GeoTiff文件中填充图像文件目录IFD和图像数据内容。

（4）动态创建金字塔文件。根据分辨率的不同，设置数据分块大小参数不同。依据数据分块大小，从原始影像数据文件中读取分块数据，写入目标金字塔文件中。

（5）根据当前窗体视图范围，从金字塔文件中读取数据，并显示到窗体中。

5 结语

由于海量高分辨率遥感影像数据的获取周期的缩短，构建合理的遥感影像文件存储结构以及寻找快速调度显示清晰遥感影像的方法有着明显的意义。本文基于IDL对高分辨率影像构建影像金字塔和创建GeoTiff格式图像文件，实现了通过分块读取影像以快速显示影像数据的功能。

参考文献

[1]刘修国，花卫华.GeoTiff中GeoTag域解析[J].地球科学―中国地质大学学报，2002，27（3）：246-249.

[2]卜坤，张树文，张宇博.基于IDL的栅格地图代数实现与应用[J].计算机工程与应用，2008，44（9）：174-177.

[3]查东平，林辉，孙华等.基于GDAL的遥感影像数据快速读取与显示方法的研究[J].中南林业科技大学学报，2013，33（1）：58-62.

[4]王淼，熊显名，腾惠忠等.基于IDL的遥感图像漫游和缩放技术的实现[J].微型机与应用，2014，33（6）：37-39，43.

[5]谭庆全，毕建涛，池天河.一种灵活高效的遥感影像金字塔构建算法[J].计算机系统应用，2008，4：124-127.

[6]余粉香，王光霞，万刚.大数据量遥感影像的快速调度与显示[J].海洋测绘，2006，26（2）：27-30.

[7]张涵斐，黄忠红，孟永军.海量遥感影像的存储与快速调度显示方法[J].测绘与空间地理信息，2011，34（3）：36-39，43.

[8]牛芩涛，盛业华.GeoTIFF图像文件的数据存储格式及读写[J].四川测绘，2004，27（3）：105-108.

[9]闫殿武.IDL可视化工具―入门与提高[M].北京：机械工业出版社，2003.

作者简介

徐超（1982-），男，辽宁省鞍山市人，硕士学位。现为浙江省测绘大队工程师。从事遥感技术和地理信息系统的应用开发工作。

作者单位

遥感影像范文第4篇

【关键词】地震;遥感影像;遥感技术现状;信息提取

众所周知，中国由于历史原因，大多数的建筑物抗震性不够好，抗震级别不高，一旦地震发生，灾害性非常严重，如汶川地震，破坏性非常大，在十几秒内就造成严重的财产和人身伤害。遥感影像技术的产生和今年的发展为地震的预报与防御以及灾后的救援重建工作都带来了极大的方便。

1.地震灾害

地震是一种自然现象，又可以成为地动，地振动，是由于地壳快速释放能量的过程中造成了振动，在这期间会产生地震波。而引起地面震动（即地震）的主要原因就是觉得地球上板块与板块之间相互挤压碰撞，使得板块边沿及板块内部产生错动和破裂，从而造成地震现象。

地震会带来严重的灾害，造成严重的人身财产损失。地震最直接的灾害是地震的原生现象，比如因为地震断层错动和地震波引起地面振动而引起的灾害。主要表现为：地面被破坏，普通城镇容易造成建筑物与构筑物的倒塌损坏，靠近山区可能引起山体等自然物的破坏（比如泥石流、滑坡等），若是海底地震，沿海区可能引起海啸等，后果破坏程度大，后果严重。并且，地震往往带来的除了直接破坏外还伴有次生灾害。比如房屋倒塌后火源失控引起火灾;灾区水源、供水系统破坏或者被污染，使得灾区生活环境恶化，造成瘟疫等等。

地震往往瞬时成灾，让人措手不及，并由于地震使得大量房屋倒塌，造成大量人员伤亡。所以如何能够准确勘探地震，并能够在地震发生后及时有效的获取灾情信息成为重点研发方向。

2.遥感影像

遥感，[remote sensing]，从中文解释上来看，可以简单理解为遥远的感知，泛指一切无接触的远距离的探测;从科技层面上来看，遥感就是通过人造地球卫星上的遥测仪器对地球表面及资源（如树木、草地、土壤、水、矿物、农家作物、鱼类和野生动物等的资源管理）进行感应遥测以及监视管理的一种科学技术手段。遥感是20世纪60年代初发展起来的以航空摄影技术为基础的一门新兴技术。1972年美国发射了第一颗陆地卫星，这就标志着航天遥感时代的来临。经过几十年的迅速发展，成为一门实用的，先进的空间探测技术。

遥感影像（Remote Sensing Image）是指纪录各种地物电磁波大小的胶片（或相片），在遥感中主要是指航空像片和卫星相片。一般遥感影像，数据类型比较多，需要通过金字塔加速、帧缓存技术、多种数据格式等方法进行图像处理，方便遥感影像的显示。

3.遥感信息提取技术

遥感信息提取是遥感成像过程的一个逆过程，是从遥感对地面实况的模拟影像中提取相关的信息，反演地面原型的一个过程。遥感信息提取需要根据专业的要求，运用物理模型、解译特征标志和实践经验与知识，定性、定量的提取出物理量、时刻分布、功能结构等有关信息。

3.1遥感信息提取方法

常用的遥感信息提取方法主要是两大类的：一是目视解译;二是计算机信息提取。

3.1.1目视解译

目视解译主要是利用图形的影像特征和空间特征以及多种非遥感信息资料相组合，用过运用相关的规律，进行综合分析和逻辑推理的思维过程。现在多通过人机交互，应用图像处理方法增强影像，提高影像的视觉效果，使之能够翻译到计算机屏幕上。

3.1.2计算机信息处理

计算机信息处理就是利用计算机进行遥感信息的自动提取，这就必须使用数字图像了。这种处理方式原理是由于不同地物在同一波段、同一地物在不同波段都会呈现出不同的波谱这一特征，通过对某种地物在各个波段呈现的波谱曲线进行分析，然后根据其特点进行了相应的增强的处理之后，在遥感影像上就能够识别并且提取同类的目标物。

4.遥感影像震害信息提取技术研究

遥感影像震害信息提取技术是通过对某一地区的卫星图像或者航空照片进行对比分析，比较同一地区在不同的时期所拍摄到的建筑物的遥感影像来判断该地区地表的变化。由于今年来科学技术的不断发展和创新，遥感影像的分辨率和震害信息提取技术也得到了相应的发展，改善了以往遥感震害信息提取技术存在的结果精度低，震害识别对象单一，遥感地震应急软件平台不都完备的问题，并产生了新的提取方案。

4.1提出基于面向对象分类的震害信息提取技术

面对对象分类方法需要充分考虑地物的大小，结构，形状等基本几何特点，利用对象和周围的环境之间的联系，借助于对象特征知识库以此来完成信息的提取。这种信息提取技术有利于提高分类的精准度。

这一信息提取技术主要涉及三个方面的关键技术即影像分割、影像对象特征的定量描述以及影像分类。对于影像分割，常用的方法是多尺度分割技术，能够精准的分辨出地物目标的分类。而影像对象特征主要是通过利用影像对象的光谱、形状和纹理特征制作相应的数学模型，从而进行表达描述。对于影像分类的方法最常用的就是模糊数学分类的方法。

4.2基于震害知识库的震害信息提取技术

建立震害知识库，这体现的是遥感影像分析技术通过对人类思维方式的模拟来提取遥感信息。在模糊分类推理机制的分类系统中，引入越多的专家知识，越能够丰富分类系统，使得推理更加的合理，能够更加符合人类的思维方式，这样产生的分类结果也就更加精确。由于知识库是人工智能和数据库系统相结合的产物，知识库中的知识数据越丰富，推理规则也就越完善，这样计算机系统的智能化程度就越高，为遥感震害影像信息提取分析人员提供的数据就更加完善，为影像分类是提供的特征参数依据就更加精准，从而能够提高遥感影像震害信息提取的准确性。

4.3通过高分辨率的卫星提取震害信息

随着科技的发展，安装有高分辨率遥感器的人造卫星普遍投入使用，以及雷达遥感无人飞机等高科技产品的飞速发展，遥感影像震害信息的提取技术所得到信息本身的精确度就得到了很大的提升，提取到的信息也必然更为准确迅速而有效，

结语

随着社会的进步，科学的不断发展，遥感影像震害信息提取技术必将不断发展，其信息的精确度、及时性都将得到很大的提高，对地震等灾害的预防以及灾后的救助都能提供极大的便利。

参考文献：

[1] 赵福军.遥感影像震害信息提取技术研究[D].中国地震局工程力学研究所，2010.

[2] 殷亚秋.遥感影像震害信息提取技术研究[J].科技传播，2011，（16）：228，234.

[3] 刘明众，张景发，李成龙等.高分辨率遥感影像道路震害信息提取[J].测绘通报，2014，（1）：63-66.

遥感影像范文第5篇

关键词：多源遥感；多分辨率；影像融合；像素级

中图分类号：P407文献标识码： A

1引言

随着遥感技术的发展，光学、红外、微波和激光雷达等大量不同卫星传感器的应用，获取同一地区的多源遥感影像数据（多时相、多光谱、多传感器、多平台和多分辨率）越来越多，为环境监测、资源调查、地形测绘和军事应用等领域提供了多层次的遥感影像金字塔。

与单源遥感影像数据相比，多源遥感影像数据所提供的信息具有冗余性、互补性和合作性。通过影像融合可以从不同的遥感影像中获取更多的有用信息，补充单源影像信息的不足。在遥感中，遥感影像融合是将覆盖同一地区的多源影像在统一地理坐标系中，按照一定的算法进行处理产生出比单源影像更精确、更完全、更可靠的影像的过程[1][2]。多源遥感影像融合不仅仅表现在多源遥感影像信息之间的叠加方面，还表现在利用多源遥感影像信息进行目标识别决策上。它能提高影像的空间分解力和清晰度，平面测图精度、分类精度与可靠性，增强解释和动态监测能力，减少影像模糊度，有效提高遥感影像数据的利用率[3][10]。

多源遥感影像融合可以分为像素级、特征级和决策级三个层次。这三个层次上所采用的融合算法各不相同，像素级融合算法主要有代数运算法、高通滤波法、HIS变换法、主分量分析法（PCA）、分量替换法及小波分析融合法；特征和决策级融合算法主要有贝叶斯统计决策理论、D-S证据推理、模糊推理和人工神经网络等[1][4][8-9][11-13]。

像素级融合直接在原始数据层上进行融合，该层次的融合准确性最高，能够提供其它层次上的融合处理所不具有的更丰富、更精确、更可靠的细节信息，有利于图像的进一步分析、处理与理解。它是特征级图像融合和决策级图像融合的基础。但是与其它两个层次的融合相比，像素级融合需要处理的信息量最大，处理时间较长，对设备的要求也比较高。目前在图像融合方面，研究较为成熟，应用较为广泛的方法大多属于像素级图像融合[7]。因此，本文将着重介绍像素级图像融合方法。这类算法大体上可以分为三类：（1）简单图像融合算法，如比值和加权乘法、Brovey 变换法、高通滤波法（2）分量替换图像融合算法，如HIS 变换法[5]、主成分分析法（3）多分辨率图像融合算法，如金字塔融合法、小波变换融合方法[14]。

2遥感影像融合方法

2.1简单图像融合方法

简单图像融合算法不对融合的各个源图像进行任何图像分解或变换，而是直接对各个源图像中对应像素点分别进行选择、平均或加权平均等简单处理，最终融合成一幅新的图像。

2.1.1加权融合方法

为了将高空间分辨率影像的空间信息传递到低空间分辨率的多光谱影像上，获取空间分辨率提高的多光谱影像，基于像元的加权融合对两幅图像，按下式进行：

(1)

权系数，可根据经验对某被融会影像，需强调的程度确定，也可运用相关系数确定融会影像的权重，以减少冗余度。

采用该方法融合的影像包含高分辨率影像的细节，空间分辨率有所提高，可用于TM和SPOT全色影像的融合，但融合后的影像与原多光谱影像的光谱特征有较大的差异。

2.1.2乘积性融合方法

Cliche提出了三种乘积性融合方法对SPOT全色影像和多光谱影像进行融合，表达式为：

(2)

(3)

(4)

式中，为全色影像，为第i波段多光谱影像。式（2）对红、绿波段同全色影像融合效果较好，而对红外波段因与全色影像相关性小，效果并不理想。式（3）会导致融合的影像反差变小。式（4）对红外波段采用加权融合，且权值大，可获得较好的视觉效果。

2.1.3比值融合方法

针对不同影像类型学者们提出了多种比值融合法，如Pradines融合法、Price融合法、Munechicka融合法和Brovey融合法等，其中Brovey融合法是最常用的一种比值融合方法。该方法假设高分辨率全色影像与低分辨率多光谱影像的光谱响应范围相同。

该方法能在增强影像的同时保持或增强原多光谱影像的光谱信息，不仅有利于地物的识别，还能在一定程度上消除太阳光照度、地形起伏、阴影和云影等的影响，可用于SPOT全色与其多光谱影像，SPOT全色与TM多光谱影像的融合[6]，但不能用于波谱范围不一致的全色影像和多光谱影像融合的问题。

2.1.4高通滤波融合方法

高通滤波融合法将高分辨率影像中的几何信息逐像素叠加到低分辨率影像中而进行融合。通过高通滤波滤掉了绝大部分的光谱信息而保留了与空间信息有关的高频成分，再把高通滤波的结果加到各光谱影像数据中，经过这种处理就可把高分辨率影像的空间信息与多光谱影像数据的光谱信息融合了，形成高频信息特征突出的融合图像。

该方法的优点是能提高多光谱影像的空间分辨率，同时保留了原始多光谱影像的光谱信息，能减小阴影的影响，并且对于参与融合的多光谱影像的波段数没有限制。融合的影像对于农作物识别与分类尤其适用。

2.2分量替换图像融合方法

分量替换融合算法将低空间分辨率多光谱影像进行某种变换，然后由高空间分辨率影像代替与其高度相关的分量，最后经逆变换获得空间分辨率增强的多光谱影像。

2.2.1彩色变换融合方法

HIS变换将图像处理常用的RGB彩色空间变换到HIS空间。HIS空间用色调H，亮度I和饱和度S表示，图像融合只在亮度通道上进行即用全色波段影像替换经HIS变换后得到的亮度分量，而图像的色调和饱和度保持不变。

通过正变换、替代和逆变换获得的融合影像既具有全色影像的高分辨率优点，又保持了多光谱影像的色调和饱和度，有利于改善判读、分类和提高制图精度等，适用于城区资源调查和视觉分析等。但是由于两类影像不可能完全相关，因此融合的影像中光谱特性的扭曲是可觉察的，且HIS方法只能同时对三个波段的多光谱影像和全色影像进行融合[5][6]。

2.2.2主分量变换融合方法

主分量变换(PCA)亦称K-L变换，是一种最小均方误差意义上的的多维(多波段)最优正交线性变换，它能够消除模式特征之间的相关性，用若干个分量图像就能完全表征原始集群的有效信息，图像中的彼此相关的数据被压缩而特征得到了突出，在影像数据压缩、特征选择和具有相关因子的多源数据进行融合时具有显著的优势。

采用主分量变换融合法不仅清晰度和空间分辨率比多光谱影像提高了，而且在保留原多光谱影像的光谱特征方面由于HIS融合法，即光谱特征扭曲度小，可增强多光谱影像的判读和量测性，且可以在多个波段上进行融合。该方法可用于融合特征互补性强的源图像，一个典型的应用就是利用PCA方法对SAR和多光谱数据进行融合[6]。

2.3多分辨率图像融合方法

遥感影像范文第6篇

近年来，一系列高分辨率卫星的相继上天，高分辨率卫星遥感的应用也因此成为可能，也凸现出遥感影像数据处理的重要性日益显现。遥感影像数据处理的主要内容就是对遥感数据（主要是高分辨率遥感影像数据）进行自动（半自动）图像处理分析，从而获取人们需要的信息。

Taries软件是具有自主知识产权的软件产品，由中科院遥感所国家遥感应用工程技术研究中心下属的空间信息关键技术研发部开发。Taries软件主要应用于对高分辨率遥感影像的各种信息的处理、提取与分析，其功能包括影像的预处理、影像分割、影像分类、特征提取与表达、特征分析、目标识别等。它是集矢量和栅格于一体化的软件系统。

Taries主要功能

1. 影像处理

（1）采用几何精纠正方法：建立基于空间投影理论与有限控制点的全局自适应方法，并建立基于控制点、线、面特征的局部自适应相结合的影像几何精纠正模型。

（2）实现多源遥感影像信息的特征级融合: 在像元级、高精度的多源遥感信息分析技术基础上，发展了各种特征估计器和融合评判规则，建立特征级的多源遥感信息融合的方法以及相应的算法。

2. 影像信息提取

（1）在复杂环境中的目标信息增强: 采用具有空间自适应能力的目标特征的信息增强模型与方法，特别是弱目标信息的增强方法，并对无关背景信息进行抑制。

（2）高分辨率影像分割: 基于空间特征（包括纹理特征、形状特征和动态特征）以及高维统计特征，采用面向特征的高分辨率影像分割技术（如基于模糊集理论、EM模型、Markov模型、MCMC模型、小波分析等）。

（3）基于智能计算模型的目标特征提取: 基于神经网络、支撑向量机等智能计算模型，研究和发展针对目标的纹理特征、结构特征的提取方法，并实现相应算法。

（4）目标识别与提取系统原型: 采用组件技术，研制开发目标识别与提取软件系统原型，包括影像精处理、目标单元分割与特征提取、目标识别等模块。

3. 矢量数据显示、处理与分析

（1）兼容ArcGIS SHP等矢量数据存储格式，能够采用系统的矢栅一体化数据模型对相应的矢量数据进行读取与显示。

（2）基于底层数据模型，能够实现基于Taries软件的矢量数据的修改功能，包括基本对象（点、线、面）的增、删、改等操作。

（3）基于相应的矢量数据建立拓扑关系，并在此基础上进行相应的空间分析功能（如最优路径查询分析等）。

（4）具有常规的矢量数据显示软件的基本功能，并可在此基础开发进一步的应用（如移动目标定位与车辆跟踪系统等）。

关键技术

1. 高分辨率影像的高精度几何纠正技术

考虑到高分辨率影像的特点，首先应对高分辨率影像进行包括如下两项技术的精处理:

（1）基于重叠影像的高精度影像配准技术: 采用既满足一定精度要求、又保证一定运算速度与适应性的子像素匹配技术，从而确定具有一定重叠的两幅图像间的几何对应关系，获得对应的控制点对，采用整体匹配技术使配准精度达到一个像元。

（2）空间自适应高精度几何纠正: 针对高空间分辨率影像的特征，采用具有局部自适应的高精度几何纠正方法，消除常规最小二乘法平面拟合纠正方法对图像局部纠正误差较大的问题。

2. 复杂自然环境下的信息增强

针对地形复杂、植被茂密的复杂自然环境，采用针对特征的统计信息增强技术，对具有重要意义的地面信息进行初步的检测性增强，特别是弱目标信息的增强，并对其他背景信息进行抑制。建立基于多种影像以及已有目标信息与判别知识的潜在目标快速检测技术，使用方法包括微观特征提取、动态变化检测等。

3. 高分辨率影像分割技术

以影像理解研究为基础，建立融遥感图像信息、地理时/空信息与地学知识为一体的目标空间认知结构模型。该模型为对中高分辨率遥感图像目标单元群体的处理和分析，提供面向纹理特征和结构特征，并能够最大限度地利用地学分类知识与时/空推理模型的智能化识别与提取方法。目前软件包括十余种不同的遥感影像分割算法。

基于目标空间认知结构模型和空间特征（包括纹理特征、形状特征、动态特征和轮廓特征）以及高维统计特征，研究面向特征的高分辨率影像分割技术，并采用稳健统计机制来保证分割算法具有较强的稳健性，将分割后的特征按照其几何关系、属性关系、统计关系和操纵方式，以面向对象的模式进行统一化管理，从而将连续的图像形式转化为离散的、便于操作的特征群体，便于目标特征的快速提取。

4. 智能计算模型的目标特征提取技术

针对遥感信息特征的提取问题，在传统统计和人工神经网络方法基础上，发展新型针对高分辨率遥感影像的目标特征提取模型，主要包括: 基于知识的神经网络模型来处理混合密度分布的特征提取和分类; ARTMAP神经网络作为低维空间结构特征的联想记忆模型; 基于统计学习理论的支撑向量机（SVM）。SVM是近几年最新提出的机器学习算法，它可以作为高维有限特征的记忆单元来实现对高分辨率遥感影像目标特征信息的提取。应用SVM模型进行特征提取，需要重点解决的问题有: 高维映射函数定义、领域知识融合、支撑向量集极小优化和高维信息压缩。

在以上有关特征提取的智能计算模型基础上，针对不同复杂程度的目标特征提取问题，可分别采用MCMC统计模型、RBF/EBF神经网络、ARTMAP神经网络、支撑向量机来对目标库中的目标特征进行提取和表达。

5. 视觉尺度空间变化的特征表达与目标识别技术

针对空间数据的多尺度特征，引进尺度空间视觉聚类方法，对空间数据的尺度特征变化进行描述（图1）。基本原理是: 模拟人眼对目标特征从近到远逐步综合的视觉过程，来定量化地划分不同尺度上的空间单元。在目标识别过程中，将采用视觉空间尺度变换理论和方法，对遥感影像空间特征集采用逐步综合的特征多尺度聚类，从而在尺度空间转换上实现对影像特征集的树状方式管理，以满足不同尺度上的特征组合与表达。

图2 Taries软件处理矢量数据界面

6. 目标识别与提取的RS与GIS集成化处理技术

遥感图像给出了地面目标的栅格化波谱表达，突出并准确地再现了地物的大小、形状（包括点、线、面）和纹理变化; 而GIS则有着对地物边界的精细刻画能力，并能够对地物间的空间关系进行拓扑变换与推理分析。因此，从空间单元数据处理的粒度入手，并将GIS的空间关系拓扑变换与时空推理分析引入到对遥感图像信息的智能化处理中，极大地提高了目标群体的识别精度与提取的一致性，为基于矢栅一体化数据模型的分析提供重要支撑技术。

7.矢量数据显示、处理与分析技术

除具有矢量数据的显示与基本操作外（如电子地图缩放、漫游等），系统还对矢量数据的编辑功能进行了实现，包括: 特征点显示、点选、矩选、圆选、分裂、合并、增加控制点、删除控制点、移动控制点、增加对象、删除对象、移动对象等功能，并实现了相应的空间分析功能（如拓扑关系建立，最优路径选取等）。

作者简介

遥感影像范文第7篇

【关键词】工程地质测绘；地质条件；遥感影像

地质测绘是岩土工程勘察的基础工作，在勘察中最先进行。工程地质测绘是运用地质、工程地质理论，对与工程建设有关的各种地质现象进行观察和描述，初步查明已建成地段或各建筑地段的工程地质条件。将工程地质条件某要素采用不同的颜色、符号，按照精度要求标绘在一定比例尺的地形图上，并结合勘探、测试和其他勘察工作的资料，编制成工程地质图。

1地质测绘的主要内容

在设计之前，工程地质工作者要详细查明测区工程地质条件的空间分布规律。工程地质测绘中，要查明各种性质不同的岩石分布变化规律、地质构造、地貌、水文地质条件、自然地质现象、工程地质现象等。通过观察区内的地质条件、查阅以往勘察资料、施工编录或通过访问，按一定比例尺如实地把它们反映在地形地图上，作为工程地质预测的基础提供设计部门使用，并编制工程地质图。

2遥感影像技术及其特征

2.1 遥感技术的应用

遥感(Remote Sensing)简称 RS，遥感技术主要是通过遥感平台上设置的传感器远距离不与目标接触，接收目标反射线或发射的各种不同波段的电磁波信息, 经过对这些信息的处理和解译, 达到对远距离目标的探测和识别的手段。应用遥感资料，可获取工程地质实时、动态、综合的信息源，对工程地质环境进行监测，为工程地质环境保护提供决策支持。遥感技术在找矿、工程地质条件研究、煤层顶底板研究等方面都已得到应用。

2.2 遥感影像特征

⑴ 遥感影像上某个像素的值因传感器不同，获取的波段数不同，其值由不同波段的相应位置点的值来共同表示。

⑵ 遥感影像都不进行有损压缩。有损压缩会带来图像信息损失，而普通图像为了节省空间常常进行压缩。

⑶传感器种类不一，产生的文件组织方式也各不相同。遥感软件生产公司众多，所组织的影像数据格式也各不相同，难以用一种方式来读取、解译影像信息。

3 遥感图像三维可视化及影像动态在地质测绘中的应用

与传统方法比较，应用遥感图像三维可视化及影像动态分析方法选择野外地质观测路线有诸多优势，可达事半功倍之效果。

⑴通过遥感影像的宏观和微观分析，选择和布置的观测路线能完全控制测区主要地质体和构造形迹的空间展布，研究、分析测区不同地质体和地质构造的影像特征及其相互关系，确定地质体划分原则及其特征解译标志。

⑵ 通过三维影像分析并根据测区建立的遥感地质解译标志，地质观测路线可布置在通行条件最好、穿越的影像岩石单位最多的地区。

⑶ 地质观测路线一般以垂直于区域构造线方向的穿越路线为主，适当辅以追索路线。如果岩性岩相变化较大，地质体走向延伸关系不清，为了解某些重要接触关系、矿化带及重要构造现象的空间延伸情况等，穿越路线又不能达到目的，可布置专门追索路线加以控制。以上工作，利用遥感图像三维可视化与影像动态分析方法都容易实施。

4应用实例

4.1地震灾害中的应用

地震的发生受地质构造控制，因而，研究地震与构造的关系、建立活动构造与地震响应关系、划分不同地震构造类型是地震构造环境研究的主要内容。利用震前、震后，不同时效的卫星影像信息，结合地震构造，尤其是活动构造研究，地震地质工作者寻求卫星影像动态变化与孕震过程的关系，对地震预报研究作出了有益的尝试。利用卫星遥感技术提供的宏观、快速、动态的信息源，可为地震预报工作做好充分的准备条件。

4.2 在水文地质勘查中的应用

在水文地质勘查的各个阶段, 充分运用航空像片、卫星图像的解译和其它遥感手段,使我们能更准确地掌握该地区地下水形成、贮存、运动特征、水质、水量的变化规律, 为地下水利用和排除措施的制订, 提供水文地质依据。

⑴水文地质测绘。水文地质测绘是一项综合性较强的工作，利用遥感图像解译地貌、水体和含水岩体, 具有效果明显的特点。通过对遥感图像的解译, 能够迅速地总结出该地区的水文地质规律。

⑵地下水资源的调查。用遥感地质方法寻找地下水及估算地下水资源,由于遥感图像解译得到的含水层和含水构造的边界相当准确, 所以用遥感技术进行地下水资源调查, 可以取得非常好的效果。

⑶矿区水文地质勘查。利用遥感图像的解译,就可以有效地查明含水层的分布和地质构造, 能够做到合理布置矿井，进行有计划开采。这对于有效地减少矿井透水事故的发生, 减少人员伤亡和财产损失具有重大意义。

⑷ 水利工程的水文地质勘查。在我国三峡水利枢纽、二滩水电站、飞来峡水利枢纽等许多大型工程都应用了遥感技术, 并取得重要成果。

5地质测绘发展的趋势

⑴ 测绘产品多元化。社会的需求，将促使测绘产品形成多元化。

⑵产品的多样化。多样化包括形式的多样化、比例尺的系列化、精度等级化、表达内容的实用化。

⑶产品的集成化。以“3S”为代表的测绘行业技术集成化产品，如全球定位技术与地理信息技术集成的车载导航系统技术与其它技术集成化的产品。

⑷ 产品的可视化。测绘信息的表达形式将更加直观、形象，软件界面将更加友好。

⑸ 产品的实用化。既能够方便日常工作、生活对地理信息咨询之需，又便于出行携带。上述多元化需求对测绘的发展将产生深远的影响，推动测绘技术的进步，促使测绘资料使用的思维方式、观念的更新。

6 结语

地质测绘是地质矿产勘查开发的基础性工作，在经济社会快速发展的今天，正面临着众多的挑战和机遇。现代测绘技术不仅是高技术发展的重要代表，也是国家综合实力的代表。发展空间技术，建立卫星导航定位系统和卫星遥感系统，实施自主卫星对地观测，不仅需要先进的技术支持，也需要雄厚的经济实力支撑。高精度、高分辨率的遥感卫星系统是测绘领域的一门高科技技术，在地质测量中提高了作业效率，优化了制图方案，保证精度的同时，减少了外业作业，达到事半功倍的效果。

参考文献

遥感影像范文第8篇

【关键词】摄影测量与遥感；遥感影像；变化检测

1.研究背景和意义

就目前来看，遥感技术无论从应用范围还是效果上都已经取得了较大的发展，尤其是对于一些大型规划类工程建筑项目来说，遥感技术通过其特有的非接触式测量功能，对土地的利用和覆盖情况有着较为准确的信息反馈。这使得其被广泛的应用于各种工程的资料和信息搜集的活动中。随着遥感技术和卫星技术的不断发展，现代遥感技术在发展过程中也面临着一系列的挑战。尤其是自动化检测分析方面，如果不能更好的配合摄影测量，将会严重的影响遥感技术的测量结果。并且随着遥感技术的应用范围越来越广泛，已经从原先的工程测量发展到农业调查、林业监测、城市管理规划等各个领域，并且开始有迹象发展到海洋和内陆水体监测、湿地监测管理、自然灾害监测以及军事侦察和打击效果评估等重大工程中，所以从应用前景上看，遥感技术也应该进一步的自我完善。

最初的遥感影像变化监测技术由于受到当时的设备和技术条件的限制，通常要在信息传输的过程中通过人工来完成翻译内容，但是这种人工翻译不仅效率较低，准确率也得不到保证，并且对于翻译人员的专业素质的要求非常之高，所以其应用效果并不理想。

2.变化检测的研究现状

目前，在国际上对于遥感技术的研究方面的共同努力下，现代遥感技术已经可以提供全球性的数据观测了，但是由于获取的数据较为驳杂，所以，要想获得所需要的专门性的工程信息，还是要通过一定的技术对所得信息进行处理，而变化监测技术就是这样一项技术。

一般来说，变化监测技术就是根据多次观测来确定某一待测物体的具体的状态，对于一些处理动态过程的物体来说，变化监测就是一个其变化发展的全过程的实时记录。而对于遥感技术来书，变化监测技术的应用不仅是指的是以上内容，还包括这样几个方面：首先，要能够帮助判断待测物体的位置是否发生了变化，即是否在监测的过程中发生了位移；其次，要能够判断待测物体的发生变化的位置区域；再次，要能够根据物体的变化的具体情形来判断物体的变化性质；最后，要能够根据物体的变化参数判断其时间和空间分布模式。

在上述功能中，前两项指的是变化检测的最基本的目标，也是其技术指标的基本要求，后两项的具体应用情况，要根据监测的物体的不同重新选择和定义。

变化检测存在的困难:

虽然变化监测的基本方式和方法已经在遥感技术的很多监测领域得到了落实和应用，但是从某种程度上看，遥感影像的变化监测的技术还并不是十分完善，还有很大的发展空间。笔者在认真的分析了其技术特点后，认为其缺陷和不足主要表现为以下几个方面，下面笔者将逐一进行简要论述：

2.1理论上的欠缺

所谓理论上的欠缺，就是指遥感影像变化检测技术从目前来看，还没有一个强有力的技术理论体系，其众多支撑技术也相对的不够完善。建立在这种理论和技术基础上的遥感影像技术难免在应用的过程中，会产生各种各样的缺点，理论的进一步完善是技术发展的重要前提条件之一。

2.2变化检测方法自身的不足

所谓变化监测方法的不足，就是指在具体的操作过程中，对该技术的应用存在缺陷，一般来说，在使用该技术对待监测的物体进行位置判断的过程中，通常会出现两时相影像分类错误的状况，这种现象不仅严重的影响了监测结果的精度，也给变化闽值的确定带来了困难。同时，这种方式在具体的操作过程中，其监测结果业容易受到各方面的因素的影响，尤其是具体的操作员的技术。

与此同时，一旦在测量的过程中出现常多光谱遥感影像的测量需求，就目前的变化检测的方式来看，并不能很好的处理多个影响之间的位置和顺序关系，严重的制约了测量结果的准确性。

2.3对数据质量要求严格

绝大多数变化检测方法对数据的统计分布要求比较严格，方法实施的时候需要事先知道数据的统计分布模型 如高斯分布等。同时，大多数变化检测方法对输入影像之间的辐射度差别、噪声等因素的影响比较敏感，对数据预处理的要求较高。

2.4适用数据源有限

传统变化检测方法通常要求不同时相的两幅影像来自同一传感器，而对于来自于不同传感器的影像，如一个时相为MSS，另一时相来自TM或者SPOT，除了分类后比较法以外就基本上无能为力了。同时，现有的方法绝大多数都是针对光学遥感影像设计的，直接应用于诸如雷达影像等新型传感器获取的遥感数据通常比较困难。

针对上述问题，本文力图在总结归纳现有变化检测方法的基础上，针对中分辨率星载多光谱遥感影像变化检测的特点和要求，引入一些新的数学模型和分析方法，重点解决时相间变化信息 自动高效提取的问题，在一定程度上克服现有方法存在的缺陷，力求提高变化检测的精度和效率。

3.变化检测研究内容

变化检测的理论和技术方法主要由数据选取和预处理、变化检测、检测结果精度评估三大部分组成。数据选取和预处理包括了遥感影像及辅助数据的选择获取，多时相影像数据的几何配准和辐射校正等，变化检测就是选用行之有效的方法手段从影像中提取变化信息，检测结果精度评估是指采用定量指标评价变化检测结果的精度水平。如前所述，变化检测方法可归结为分类后 比较和直接比较像元光谱两大类，其中后者是目前实际应用中常用的方法和技术路线。

3.1从多时相多光谱遥感影像构造差异影像

多时相多光谱遥感影像包含多个光谱通道，通道数太多对于变化分析解译会带来较大的困难，同时各通道上均包含了部分变化信息，这些信息之间存在着一定程度的相关和冗余，也会影响到变化分析的效率。要全面地检测不同时相之间发生的变化，就必须首先将这些变化信息通过变换有效地集中到少数几个变量中，构造出不同时相之间的差异影像。

针对光谱通道间的相关性对多光谱遥感影像变化检测存在影响的问题，引入多元统计中的典型相关分析方法，应用基于典型相关分析的多元变化检测方法（MAD），实现最大限度地消除各光谱通道之间的相关性，以便有效地集中和突出不同时相之间的差异信息。

3.2从差异影像中提取变化区域

对于变化检测而言，仅仅构造出两时相之间的差异影像是不够的，还需要从差异影像中将发生了变化的区域鉴别提取出来。传统方法是根据经验，通过人工或半 自动地选定变化闽值来提取变化区域的，这样做通常效率不高，可靠性也难以保证，因此急需寻求能够自动确定变化闽值的方法。变化区域提取方法在应用于光学影像变化检测时，利用了差异影像中各类像元服从高斯密度分布这一基本假设。

由于对多时相的单通道SAR影像采用比值对数拉伸所构造的差异影像中的各类像元也近似服从高斯分布，这些方法同样可以应用到了SAR影像变化检测研究中，其变化检测也是适用和有效的。

4.结论

综上所述，随着遥感技术已经越来越广泛的被应用于工程测量和生产建设的各个领域中，遥感技术中的各种具体技术的控制也引起了有关部门的重视。上文中笔者结合自己的工作经验，对该问题进行了浅析，诸多不足，还望批评指正。　[科]

【参考文献】

［1］刘直芳，张继平.变化检测方法及其在城市中的应用.测绘通报，2010,(9).

遥感影像范文第9篇

[关键词]遥感图像分类 最大似然 面向对象 决策树分类 精度评价

[中图分类号]P217 [文献码] B [文章编号] 1000-405X（2015）-9-164-1

0引言

在当前遥感影像分类应用中，常用基于数理统计的监督分类， 其中的最大似然法在应用最为广泛。但是这种算法会因大量存在的“异物同谱”、“同物异谱”现象以及遥感图像自身的空间分辨率问题从而出现较多的漏分、错分的情况[1] 。随着遥感应用技术的不断发展，人们对遥感影像分类计算方法在分类精度、时间度等方面也不断提地提出了新的需求[2][ 3]，因此各种分类方法不断被研究发现。目前已经出现了多种新型分类方法， 比如模糊法、神经网络、专家系统、面向对象、支撑向量机等分类法。

1分类原理

本文将分别使用最大似然、面向对象、决策树这三种分类方法对美国陆地卫星landsat-5 TM多光谱遥感图像作为主要数据源进行分析和处理。并以分析和处理后的数据结果对这些分类方法在分类时间、分类精度和分类速度方面做出比较。

1.1最大似然分类方法

最大似然（maximum likelihood classifier）是通过算出遥感影像中的每个像元相对于每个地物类别的归属概率，然后把这个像元划分到出现概率最大的类别中。该方法假设训练区地物的特征符合随机现象，服从正态分布，利用训练区特征求出均值、方差和协方差等特征参数，求出总体的先验概率密度函数。最大似然分类方法是最常使用的监督分类方法之一。

1.2面向对象分类方法

面向对象分割原理：按照一定的规则将影像分割成具有不同特性、相互独立像元的集合过程。其分割结果是把影像分解成与实际地物相对应的不同部分， 一个集合即为一个实体。图像分割过程中同时利用影像的光谱信息和空间信息，在影像上识别和划分出合适的类别集合。

1.3决策树分类方法

决策树分类基本[4，5]原理是：参照一定的规则将影像数据集由上至下逐步划分，最终获得含有不同属性的子类别。分类决策数由一个根节点（Root nodes）、多个内部节点（Internal nodes）和终极节点（Terminal nodes）组成，一个内部节点往上只有一个父节点，往下有两个或多个子节点。在每一个内部节点处会按照一定的规则将该处的数据集划分为两个子集，如此往复直到所有的数据集被分为和预期设想的各个子集一致为止。决策树能够处理光谱信息、纹理信息和高程等多源数据。

2结论与分析

通常“同物异谱”与“异物同谱”在影像处理过程中存在，以及在样本选择中人为误差因素的影响，不同的分类方法的分类结果都会存在一定的误差，导致其结果不能完全准确的反应真实的地物。本文也采用误差矩阵总精度和Kappa系数来进行[6，7]。

实验结果进行对比与分析，得出在这三种方法中，最大似然分类法分类精度最高，较好的区分容易错分的地物，能精准的提取出实际地类。决策树分类法、面向对象方法的精度相对也较高，面向对象在对象建立过程中较为复杂，要做到精准还得靠先验知识的积累，最终人为因素导致精度受限。决策树的分类精度也受到一定的限制是因在规则的获取、量化及综合不确定性知识等方面是实验者较难处理的问题，需要时间和经验去验证结果。最大似然法由于分类精度高，且计算时间快，仍是使用较多的分类方法。

3结论

遥感图像分类是其在应用过程中必不可少的部分。在分类过程中，最终选择何种方法主要取决于图像特征、应用的要求，根据实际的需要，合理科学的运用分类方法，必要的时可混合使用两种或多种方法，使影像分类达到预期的目的。

参考文献

[1]杨凯.遥感图像处理原理和方法[M ]. 北京： 测绘出版社，1988.

[2]骆剑承，王钦敏，马江洪，等. 遥感图像最大似然分类方法的EM改进算法[ J ]. 测绘学报， 2002， 31 （3） ： 234 - 239.

[3]杨存建，周成虎. 基于知识的遥感图像分类方法的探讨[ J ]. 地理学与国土研究， 2001， 17 （1） ： 72 - 77.

[4]徐会明，靳小兵，季海，等.决策树法在雷电潜势预报中的应用[J].高原山地气象研究，2008，28（4）：55-58

[5]Friedl M A，Brodley C E，Strahler A H.Maximizing Land Cover Classification Accuracies Produced by Decision Trees at Continental to Global Scales[J].IEEE Transactions on Geoscience and Remote Sensing，1999，37（2）：969-977

[6]吴健平，杨星卫.遥感数据分类结果的精度分析[J].遥感技术与应用1995，10（1）：17-24.

遥感影像范文第10篇

关键词：遥感；影像；融合

引 言

随着遥感技术的发展，各种各样的传感器也不断出现，对于同一地区，我们可以得到用不同传感器获取的不同尺度、不同时相特别是不同光谱信息的遥感影像数据。不同源的数据反映了区域的不同方面的特征，如何合理的综合利用这些多源数据，对于遥感应用十分关键。显然，影像融合为我们提供了一个很好的途径。影像融合就是将不同源的数据配准后变换到同一尺度、同一坐标系，然后采用一定的融合方法将各种数据的信息充分的结合起来，产生一种更适合应用的影像数据的新技术。

图像融合一般分为三个层次：①像素级融合。像素级融合也称数据级融合，是指对传感器采集来的数据进行采集、分析和处理，生成目标特征而获得融合图像；②特征级融合。是指对预处理和特征提取后获得的景物信息如边缘、形状、轮廓、方向、区域和距离等信息进行综合与处理；③决策级融合。是指根据一定的准则以及每个决策的可信度作出最优决策，数据融合的容错能力即由此而来。

图像融合的算法有很多，传统的算法主要有：HIS变换的融合、小波变换融合、主成分变换融合、高通滤波变换法、比值运算法、Brovey变换法等等，最近也提出了一些新的或改进型的图像融合算法，比如Contourlet变换融合、基于HSV变换与atrous变换的图像融合、一种基于最大区域熵值的图像融合方法、基于小波包的融合等等。下面本文将对其中一些算法进行介绍并分析。

1 目前较为流行的影像融合算法分析

1.1 小波变换法

1.2 Brovey变换法

Brovery变换（Brovery Transform，BT）：是一种用来对来自不同传感器的数据进行融合的较为简单的融合方法，该方法将多光谱各波段进行归一化，然后将高分辨率全色影像与归一化后的各波段相乘得到融合后的影像。其计算公式为：

R=pan×band3/（band1+band2+band3）

G=pan×band2/（band1+band2+band3）

B=pan×band1/（band1+band2+band3）

式中：pan表示高分辨率全色影像，band1、band2、band3表示多光谱的3个波段。

1.3 主成分变换

主成分分析，又称K-L变换法，它的几何意义是把原始特征空间的特征轴旋转到平行于混合集群结构轴的方向去，得到新的特征轴。PCA变换的具体步骤：多光谱波段经过PCA变换后，将全色高分辨率影像进行灰度拉伸，使其均值和方差与PCA变换的第一分量的影像一致；然后用拉伸过的高分辨率全色影像代替第一分量；最后经过PCA逆变换得到融合影像。

实际操作是将原来的各个因素指标（这些指标中部分有相关关系）重新组合，组合后的新指标是互不相关的。在由这些新指标组成的新特征轴中，只用前几个分量图像就能完全表征原始集群的有效信息，图像中彼此相关的数据被压缩，而特征得到了突出，此方法在对于具有相关因子的多源遥感数据进行融合时具有显著优势。该方法的局限性在于：①图像在做主成分分析时，第一分量的信息表达的是原各波段中信息的共同变换部分，其与高分辨率图像中细节变化的含义略有不同。高分辨率图像经过拉伸后虽然与第一分量具有高相似性，但融合后的图像在空间分辨率和光谱分辨率上会有所变化；②由于光谱信息的变化，使融合图像不能用于地物识别和反演工作，但是它可以改进目视判读的效果提高分类制图的精度。

1.4 高通滤波变换法

高通滤波（High-PassFilter，HPF）方法是把高分辨率影像进行傅立叶变换从空间域转换到频率域，然后在频率域内对傅立叶图像进行高通滤波，获取图像的高频分量，将高频部分融合到多光谱图像中，以突出细节部分，获取最后融合图像。此方法虽然有效地保留了原多光谱信息，却在对高分辨率波段影像滤波时滤掉的大部分纹理信息。高通滤波法融合流程如图1所示。

1.5 小波变换

小波变换（Wavelettransform，WT）首先对参与融合的遥感图像数据进行小波正变换，将图像分解为高频信息和低频信息。分别抽取来自高空间分辨率影像分解后的高频信息和低空间分辨率的低频信息进行小波逆变换，生成融合图像。小波变换的图像融合算法流程如图2所示。

遥感影像的信息融合方法，如主成分分析和基于IHS变换等，均存在原有分辨率的影像光谱信息部分丢失的问题。而小波变换可对多个波段的影像信息融合，既能充分利用高分辨率影像的空间信息，又能保持低分辨率影像的光谱信息的最大完整性，这也是当前遥感影像融合技术研究的主要目标。

小波变换应用于影像融合的优势在于它可以将影像分解到不同的频率域，在不同的频率域运用不同的融合规则，得到融合影像的多分辨分解，从而在融合影像中保留原影像在不同频率域的显著特征。但小波变换进行融合也有两个缺点：一是小波变换进行融合容易产生较为明显的分块效应；二是直接用低分辨率影像的低频部分去替代高分辨率影像的低频部分，这样在一定程度上损失了高分辨率影像的细节信息。改进小波变换的缺点，成为现在研究的热点之一。近年来出现了一些改进的小波变换算法。

文献[3]采用了一种基于离散小波变换的新融合算法：首先，采用小波多分辨分析和马拉特快速算法，将原始图像分解成近似图像和细节图像，然后在各层的特征域上进行有针对性的融合，最后通过小波逆变换完成图像重建。

文献[2]提出了一种将小波变换和MNF变换结合的遥感影像融合的方法。

文献[1]提出了一种基于正交小波包的局域方差遥感图像融合新算法.该算法利用正交小波包变换，把图像分解成不同尺度的低频和高频部分，采用小波包局域窗口和子区域窗口统计，把小波包系数分类成边缘和非边缘系数.在融合处理中，把低频图像的小波包系数平均值作为融合后的低频系数，高频细节系数根据不同区域特征选择方法以及对应图像小波包系数的多窗口区域方差，来确定融合后高频小波包系数。

2 影像融合的评价准则

融合影像的整体质量评价指标主要有：平均梯度、熵、相关系数以及UIQI（Universal Image QualityIndex）指标等。

2.1 平均梯度

平均梯度g的大小可敏感地反映影像表达微小细节反差的能力。其计算公式为：

g=■■■2

一般来说，g越大，表明影像越清晰。因此可以用来评价融合影像和原影像在微小细节表达能力上的差异。

2.2 相关系数

相关系数反应了两幅影像的相关程度，也反映了影像融合前后的改变程度，其定义如下：

ρ=■

其中F为融合生成图像的灰度值，f为融合图像的均值；A为源图像灰度值，a为源图像的均值。

2.3 UIQI

Zhou Wang等在文献[4]中提出了一种新的影像质量评价指标UIQI（Universal Image Quality Index）。假设x={xi│i=1，2，…，N}和y={yi│i=1，2，…，N}分别为原始影像和待评价影像的信号。文中定义的图像质量评价指标为：

Q=■

其中：

■=■■x■，■=■■y■，σ■■=■■（x■-■）■，σ■■=■■（y■-■）■

σ■=■■（x■-■）（y■-■）

在实际应用中，采用局部评价的策略。首先选定B×B大小的窗口，从左上角开始逐像素移动，每一步按照上面的方法可以计算得到一个Qj，假设共移动了M步，则按下面的公式就可计算得到一个图像质量评价指标Q：

Q=■■Qj

此即为UIQI。

参考文献

[1]李慧，林克正.基于小波包的遥感图像融合新算法[J].哈尔滨理工大学学报，2009，（14）：68～71.

[2]李海涛，顾海燕，林卉，韩颜顺，杨景辉.基于小波变换和MNF变换的遥感影像融合[J].山东科技大学学报自然科学版，2007，（26）：56～60.

[3]许建平，张长江.一种基于离散小波变换的遥感图像融合新算法[J].ComputerEra，2009，（5）：40～42.