遥感影像十篇

遥感影像篇1

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。

遥感影像篇2

关键词：彩色模型；遥感影像；阴影检测

中图分类号： P283.8 文献标识码： A

引言

遥感指的是在20世纪60年展起来的以航空摄影技术为基础的一门新兴技术。起初主要是航空遥感技术，自从美国于1972年发射了第一颗陆地卫星以后，就标志着航天遥感时代的到来。随着计算机技术和数字图像处理技术的发展

，再加上空间技术的突飞猛进，遥感已经渐渐成为采集地球数据以及其变化信息的一项重要技术手段。在遥感领域中，遥感影像主要指的是航空像片和卫星像片，它主要是用缩小的影像对地表信息进行真实再现，可以让人们超越自身的感官限制，以不同的感知方式和空间尺度快速的对地球环境的动态变化情况进行监测，

成为获取地球资源与环境信息的一种重要手段。遥感影像能够将失误直观、逼真的反映出来，便于目视定性解译，是较为常用的遥感方法。因为可以通过遥感影像提取很多详细的信息，尤其是近些年来，随着高分辨率遥感影像的发展，遥感影像的应用也开始变得广泛，目前在土地资源、土地利用资源以及动态监测方面得到了十分广泛的应用，比如主要农作物的遥感估产，城市发展和规划的遥感监测植树造林及退耕还林评估，森林资源调查，重要自然灾害的遥感监测与评估等。

但是，随着遥感影像空间分辨率的不断提高，遥感影像中的阴影对遥感影像的应用也带了很多问题。

遥感影像中阴影的特点

遥感影像中的阴影主要指的是因为较高的建筑物或者树木等地物遮挡了太阳光，使得太阳光不能直射而形成的区域。阴影区域包含着地物的微弱信息，比如几何结构、颜色、纹理、亮度等等。

从最早的空中摄影测量算起，阴影在地面地物应用上的影响相对比较突出，尤其是考古学和军事目标识别方面。随着高分辨率遥感影响的广泛应用，遥感影像中的阴影给影像的应用带来了很多不利的影响，特别是在影像处理和工程应用方面，阴影对其操作进程产生的影响非常大，严重的甚至会导致结果错误。所以，阴影处理成了遥感影像处理技术中无法避免的问题。因为对影像的要求存在不同研究领域和不同的应用目的，影像上的阴影在数字图像处理中，既存在有利之处，也存在不利之处。

阴影的类型

阴影常被分为本影(Self shadow)和投影(Cast shadow)两种类型，本影指的是遮挡物本身没有被光线照射到的一部分地方，投影指的是照射光线被遮挡物遮挡的背景区域。本影和投影产生的亮度值可能会不同，影像中阴影的亮度值主要凭借周围间接光源的发射率，因为本影所接触到的周围的间接光源多一些，所以本影的亮度值就会比投影的亮度值大。如果光源是面光源的情况下，它所产生的投影又能分为全影(Umbra)和半影(Penumbra)两大类，全影指的是光线被全部遮挡的背景区域，而半影指的是光线被部分遮挡的背景区域。其中具体的含义可以通过图1反映出来。

（图1 阴影的类型）

阴影的几何特性

阴影的边缘主要能分为四大类，即阴影形成线(Shadow marking lines)、

阴影线(Shadow lines)、分隔线(Occluding lines)、隐阴影线(Hidden shadow lines)。阴影形成线指的是被光源直接照射的物体表面部分与不被光源照射部分 的分界线；阴影线指的是阴影形成线的投影线的可见部分；分割线指的是物体和它的投影的分隔线；隐藏阴影线指的是阴影形成线的投影线不可见部分。具体用图2来表示。

（图2阴影边缘类型图）

在对航空相片或者卫星影像进行处理时，不管是本影还是全影和半影之间的区别都已经不重要了，因为遥感领域中所提到的阴影检测的方法，只仅仅针对投影即影像图中遮挡物的投影。

阴影检测

因为受到遮挡物的遮挡，阴影区域内地物的信息量就会变少，所以判读起来有很大的困难。在实际的应用过程中，阴影在很大程度都对影像的处理结果有所影响。而怎样消除阴影的带来影响，一直是遥感影像阴影处理的难题。本文主要结合实验从以下三个方面对其进行分析：

4.1、基于HSV彩色空间的阴影检测

HSV也就是我们通常所说的色调、饱和度、亮度，供人们调色或者挑选颜色所用，是人们用视觉观察色彩的一种方式，HSV彩色系统与人们对彩色的感知和了解是十分接近的。基于柱坐标系，RGB(笛片尔坐标系)映射至HSV(柱坐标系)的方程如下：

在HSV彩色空间中，将遥感影像阴影区域与非阴影区域进行比较，总结出以下三点：

通过分析Phong光照模型可以得出，阴影区的色调值比非阴影区的色

调值大。

因为阴影区域的太阳光线被阻挡，所以亮度值也就偏低一些。

因为受到大气瑞利散射的影响，阴影区域的散射光线主要来自波长更

短的蓝紫色光，所以它的饱和度相对比较大一些。

（图3HSV彩色空间光谱图）

算法原理：依据上文阐述的阴影区的特点，对阴影区进行检测。此种方法首先要对彩色影像进行从RGB到HSV色彩空间变换，然后再根据阴影区的色调、亮度、饱和度的值，定义M=(S-V)/(H=S=V)，运用光谱比技术得出比值图像。利用Otsu方法对比值图像的阈值进行确定，然后再将图像进行分割，确定出备选的阴影区域。

4.2、基于C1C2C3彩色空间的阴影检测

彩色不变特征指的是在照明或者环境发生改变的情况下，机器视觉系统利用彩色的参数模型仍然对目标进行识别的能力，大量实验表明，人类的视觉系统具有某种程度上的彩色不变特征。实践证明，在某些彩色空间中，阴影区的颜色特征并不会跟随成像的条件产生变化，因此，提出了彩色特征不变的C1C2C3 空间，把RGB空间转换到C1C2C3 空间的定义为：

算法原理：通过对Phong光照模型的分析得出，阴影区在RGB空间的像素值会变得比较低低，而且ΔIR＞ΔIG＞ΔIR,R和G下降的比重比较大，然而蓝光却十分特别，由于用太阳光作为光源的时候，蓝光在拍摄过程中会受到很大的环境散射影响，因此，阴影区的蓝光值会变的比较低，这相当于给阴影下降区的蓝光增加了份量，所以能够在RGB彩色空间的蓝色区域中提取阴影区。因为在C1C2C3彩色空间中，色彩特征不变量只对反射光的影响较为敏感，再加上B份量相对比较特殊，所以选择C3分量提取遥感影像的阴影区。

这一部分阐述的算法主要是先对彩色影像进行RGB到C1C2C3彩色空间的变换，因为B区域在阴影区的灰度下降的最低，因此，在C1C2C3彩色空间给C2进行分量时，阴影区所占的是像素值较高的那端，采用阈值分割法对C3分量图得到初步的阴影区，然而最初的影像中，偏蓝色地物在C3分量中的像素值就非常高，一定得从阴影区把这些区域去除掉。所以，必须得把C3分量图和B分量图结合起来，运用双阈值来对阴影进行检测。如果C3分量比某一个阈值高，同时在B分量中比某一个阈值高的区域，才能被检测并确定为阴影区。

4.3、基于彩色模型的遥感影像阴影检测

算法原理：基于HSV彩色空间的阴影检测，主要是依据阴影区域影响的色调、亮度、饱和度的特性；基于C1C2C3彩色空间的阴影检测，主要是根据阴影区与飞阴影区的区别的特点。而基于彩色模型的遥感影像阴影检测算法跟以上两种算法相结合，使得阈值选择的主观性和片面性降低了，但却使阴影检测的精度得以提高。也就是对HSV彩色空间检测区以及C1C2C3彩色空间的检测区进行与运算，要是某一个区域在这两种检测方法中都被确定为阴影区，那么就会对这一区域进行标记，不然就会否认其是阴影区。在初步得出阴影分割的结果之后，就应该对每个独立阴影区的面积的大小进行统计，如果其面积比给定的面积阈值小，那么就会被确定为非阴影区内部亮度比较低的地物。这样的出来的去处小区域的结果，可能还会因为阴影区内部有一定的亮度比较高的地物而留有一定的空洞，所以，对于被分割出来的阴影区还应该进行数学形态学的与运算处理，也就是先进行一次膨胀，然后再用同样的幅度对其进行腐蚀处理，这样一来得出的阴影区就会比较精准，具体侧操作过程如下：

（1）把图像从RGB空间转换到HSV空间，得出色调份量H、亮度份量V、

饱和度份量S；

（2）运用光谱比技术，对M=(S-V)/(H=S=V)进行定义，得出比值图像，将阴影区的高色调值、低亮度值和高饱和度增强的特性；

（3）运用Otsu方法对比值图像的分割阈值进行确定，并且对其进行分割，得出初步的阴影区；

（4）把分割后图像的噪声消除，并进行中值滤波，把备选的阴影区确定出来；

（5）把图像从从RGB空间转换到C1C2C3彩色空间得出C3分量图，并且从RGB空间得到B分量图；

（6）对B分量图和C3分量图的阈值进行分析，从而得出双阈值检测结果图；

（7）对第四步和第六步的结果进行与运算的叠合处理。

（8）对第七步的结果中的小区域去除掉，并进行形态学的闭运算处理，从而得出最终的阴影检测图像。

（图4 算法流程图）

实验结果与分析

5.1、实验结果

本文运用以上所阐述的集中方法，对阴影区进行了多种检测实验，因为条

件限制，本文将主要列出其中三幅图的结果（如图5所示），为了方便对检测结果进行观察和分析，用白色表示检测出来的非阴影区，黑色表示检测出

（原图）（直方图阈值检测）

（形态学检测） （彩色模型检测）

（图5图3 检测结果）

5.2、统计分析

对以上所进行的三个实验结果进行统计和分析，具体运用Shufelt（）提出的评价方法来评估上文的检测结果中所得出的阴影区。提出两个评价指标，主要是准确率和精度。阴影区检测准确率C1，阴影区检测总体精度A1。

以上公式中MFP指的是非阴影被检测为阴影的像素数，MFN指的是阴影被检测为非阴影的像素数，MTP指的是被正确检测的阴影像素数。

依据上文中所阐述的阴影检测的评价指标，把处理之后的影响按照其准确率和精度分别进行统计，其结果如下表所示：

（阴影检测之后的图像统计数据）

检测方法 影像 准确度指标 精度指标

直方阈值法 图3

图4

图5 63.12%

65.34%

68.26% 61.45%

83.37%

66.21%

形态学检测法 图3

图4

图5 80.21%

81.34%

81.78% 78.53%

79.46%

80.23%

彩色模型检测法 图3

图4

图5 91.28%

92.01%

92.37% 90.11%

90.98%

91.23%

（原图） （直方图阈值检测）

（形态学检测） （彩色模型检测）

（图6图4检测结果）

结束语

根据遥感影像阴影区域的一些特征，包括高色调值、高饱和度值、低亮度值、

彩色不变以及蓝光值波动比率小特点，把RGB空间转换成HSV空间和C1C2C3彩色空间，同时还结合了，光谱比技术、双阈值检测和数学形态学原理，提出了一种基于遥感影像色彩模型的阴影检测算法，通过实验得出了所提出的方法的有效性，同时还跟其它的检测方法进行了分析和比较，其结果表明直方图阈值法和形态学检测法很容易把影响中跟阴影区的颜色、亮度或者色调值比较接近的建筑物或者道路误以为是阴影；并且通过统计和分析得出，用彩色模型检测法对隐性进行检测，其准确度和精度比传统的阴影检测方法要好很多，检测效果也非常好。然而，根据以上实验也可以看出来，本文所阐述的方法在一些场地中也是会产生误差的，而怎样改进或者提升这方面的效果，还有待更进一步的研究。

参考文献：

[1]赵显富,胡晓雯. 基于彩色模型的遥感影像阴影检测[J]. 科学技术与工程，2013

遥感影像篇3

关键词：遥感；信息提取；数据源

中图分类号：C93文献标志码：A文章编号：1673-291X（2011）12-0305-03

引言

遥感是20世纪60年展起来的综合性对地观测技术，它的产生和发展是人们认识和探索自然界的客观需要[1]。它拓展了人眼观察的光谱范围，大大提高了数据获取的空间详细程度，可应用于军事、农业、林业、地矿、水利和环保等领域。但通过遥感器观测的遥感数据，由于受到太阳和大气等条件的影响，必须经过人工判读或计算机处理，才能最终应用于各种领域。本文综述了基于遥感影像提取地物信息的方法，并列举一些应用实例。

一、多源遥感数据概述

遥感技术作为一种准确、客观、及时获取宏观信息的手段，在城市规划、土地利用监测、农业、林业以及自然灾害预报等方面越来越得到广泛的重视和应用[2]。准确选取适当的遥感数据是快速、精确地发现并提取遥感图像中所需信息的前提[3]。地物信息提取常用的遥感图像可以分为以下几类。

1.多光谱和全色影像。全色影像具有较高的空间分辨率，而多光谱图像可以更精细地描述目标光谱。全色图像与多光谱图像融合，既可以利用全色图像的高分辨改善多光谱图像分辨率，又可以充分利用多光谱图像有的对目标某些独特特征的精细描述，使融合图像包含更丰富的信息[4]。多光谱影像及融合影像是目前地物信息提取研究的主要信息源。

2.SAR影像。合成孔径雷达（synthetic aperture radar，SAR）是一种主动遥感方式，与光学遥感相比，具有全天时、全天候、多波段、多极化工作方式、可变侧视角穿透能力强和高分辨率等特点[5]。SAR影像在水体覆盖区域具有反射值低的特征，能够与其他地物形成明显的反差，在研究水体覆盖变化方面具有独特的优势。SAR图像中还含有丰富的纹理结构信息，不同的地表粗糙度呈现出不同的纹理特征。原始的光谱信息加上纹理信息可以提高影像的精确性，建立和充分应用基于纹理特征的地物分类及信息提取方法，将是今后研究高分辨率遥感影像信息提取的方向之一 [6~8]。

3.高光谱影像。高光谱遥感是在电磁波谱的可见光、近红外、中红外和热红外波段范围内，利用成像光谱仪获取许多非常窄的光谱连续的影像数据的技术。高光谱遥感数据有更多的波段，更高的波谱分辨率，使得高光谱数据在生态领域有更广泛的应用[9~10]。对高光谱数据特征的研究和分析对于准确地获得目标地物的有用信息是极其重要的。

4.航片。航空影像数据以其直观、信息量丰富、可读性强等诸多优点，使它既是基础地理数据产品的重要组成部分，又是生产或合成其他基础地理数据产品的信息来源与基础。许多学者在城市防震减灾、沟谷侵蚀定量监测以及测绘中都进行了成功应用[11~12]。

二、遥感影像提取地物信息的方法

1.目视解译。卫星影像的解译是应用遥感技术的一个关键环节，目视解译基于专家经验和智能，是遥感应用的一项很重要的基本功，它是根据样本的图像特征和空间特征（形状、大小、阴影、图形、纹理、位置和布局），并与多种非遥感信息资料相结合，运用生物、地学等相关规律，采用对照分析的方法，由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程[13~15]。目视解译的方法目前在遥感解译中的应用非常普遍。赵兴实等[14]在土壤侵蚀现状调查中，张芳等[15]在森林资源调查中都运用了遥感影像目视解译的方法。

2.非监督分类法。遥感影像的非监督分类也称为聚类或点群分析，是在多光谱图像中搜寻、定义其自然相似光谱集群组的过程。非监督算法是按照某种相似性准则对样本进行合并或分类，不需要人工选择训练样本，仅需极少的人工初始输入，计算机按一定规则自动地根据像元光谱或空间特征组成集群组，然后分析者将每个组和参考数据比较，将其划分到每一类中 [16~17]。但由于“同物异谱、异物同谱”等现象的存在，其结果一般不能令人满意。

3.监督分类法。监督分类是在已知类别的训练场地上提取各类别训练样本，通过选择特征变量、确定判别函数或判别式把影像中的各个像元点划归到各个给定类的分类[17]。监督分类方法由于引入了部分先验知识，故其分类精度相对于非监督分类算法往往较高，同时，算法的稳健性也能得到较大程度地提高[18]。

4.最大似然法。最大似然方法通过对研究区域的统计和计算，得到各个类别的均值和方差等参数，从而确定一个分类函数，然后将待分类图像中的每一个像元代入各个类别的分类函数，将函数返回值最大的类别作为被扫描像元的归属类别，从而达到分类的效果[19]。最大似然法分类一直受到许多学者的关注，张亮等[20]将光谱角以概率因子的形式加入到判别函数中构造一种新的判别函数，有机地将光谱角这一特征信息加入影像分类；吴连喜等[21]将一种改进的最大似然法用于地物识别；陈敬柱等[22]提出了“先主要后次要，层次化推进原则”，应用最大似然方法进行植被信息识别提取，降低了“异质同像”的误判率，较大程度上避免了“混合像元”的不确定因素，同时将“混合像元”作为进一步区分不同植被类型的参考依据，使可解译的植被信息量增加，取得良好的效果。

三、实例分析

1.植被信息提取。遥感技术提取植被信息已经有很长的历史，遥感可以快速有效地监测大面积植被的种类、特性、长势等各类信息。由于植被在不同波段内表现出不同的吸收反射特征，这些特征可以有效地监测出植被的各类信息[23]。丁丽霞等[24]利用TM和SPOT遥感影像，采用目视解译和图像勾绘的方法，得出天目山部级自然保护区毛竹林信息；官凤英等[25]以TM影像为数据源，应用ERDAS提供的非监督分类、最大似然分类和子象元分类三种方法，对典型地物进行了分类和精度评价；李敏等[26]讨论了面向对象的高分辨率遥感信息提取的技术，并从IKONOS影像中提取耕地信息与传统分类方法提取的结果进行了对比。

2.水体信息提取。水资源分布的调查与监测是控制水污染和生态保护的前提，而遥感影像具有监测范围广、获取周期短、地物信息丰富的特点，对调查与监测水资源分布起着重要的作用[27]。黄海波等应用ASTER遥感影像研究了水体信息提取的方法；遥感影像上陆地和水体的边界线被定义为水边线，郑宗生等[28]利用遥感信息提取水边线，可以监测海岸带潮滩的动态变化，也可以利用不同时相的水边线信息构建潮滩的三维地形模型，为淤泥质潮滩剖面的研究提供重要的数据保证。

3.道路信息提取。从遥感数字影像中自动提取道路之类的线性地物信息是遥感信息提取的难点，影像上的道路比其他地物更突出，而且道路成网，关系明晰，但实际提取效果并不理想。如何快速、准确地从遥感影像中提取所需信息已成为研究方向[29~30]。

4.居民地信息提取。居民地是人类从事生产和生活需要而集聚定居的各种形式的居住场所，是自然景观和人造景观的综合体[31]。利用遥感影像快速准确地提取居民地信息可以为灾害评估、城镇扩展和环境变化等相关研究提供必要的基础信息[31~34]。查勇等[32]运用归一化建筑指数，从TM图像成功提取了无锡市城镇用地信息；杨存建等[33]从对居民地的遥感信息机理分析入手，分析了居民地在Landsat TM2、TM3、TM4、TM5、TM7等各个波段上与其他地类的可分性；安如等[34]基于光谱特征分析，建立决策树模型，进行了居民地信息的自动提取。

5.其他地物信息提取。随着遥感技术的不断提高，人们开始考虑使用高分辨率遥感影像对区域人文信息进行提取[35]。遥感在人口估计统计模型中的使用始于20世纪50年代中期，由于与人口信息相关的地表信息在影像上的表达纹理、形状各异，利用某种方法从高分辨率遥感影像中提取人口信息是今后研究的一个突破点[35~36]。

结论与展望

随着遥感技术的迅猛发展，光学、热红外、微波、多光谱、高光谱等大量功能各异的遥感器不断更新换代，遥感已经越来越多地用作提取局域、区域以及全球尺度土地利用、地面覆盖变化特征以及人文特征的信息源。准确选取适当的遥感数据是快速、精确地发现并提取遥感图像中所需信息的前提。全色与多光谱融合影像由于成本较低是目前地物信息提取的主要数据源，不同的研究尺度及研究内容在遥感数据选择上各有侧重。

遥感数据的解译是遥感应用的基本方法，目前采用的解译方法有很多，各有优势，但单一方法得到的解译结果往往不能达到满意的效果。因此许多学者同时使用多种方法进行遥感数据解译。戴昌达等[37]利用Landsat TM数据，采用了图像自动识别分类与目视判读相结合的方法获得城市的面积；陈超等[38]采用目视修改的方法来对监督分类进行补充。

多源遥感数据已经在很多方面有了很大的应用，为人们宏观分类识别地物提供了基础。关于多源遥感数据的处理与信息提取的技术，虽然取得了一些进展，但仍存在一些不足，因此，基于多源遥感数据提取地物信息还有很大的空间值得去研究。

参考文献：

[1]李治洪，段玉山，等.地理信息技术基础教程[M].北京：高等教育出版社，2005.

[2]彭望碌，白振平，刘湘南，等.遥感概论[M].北京：高等教育出版社，2002.

[3]陈永慧，李小娟，胡德勇.遥感图像土地覆被专题信息提取方法综述[J].首都师范大学学报：自然科学版，2009，(1)：59-69.

[4]种占学，杨玉静，焦荣恩.多源全色影像与多光谱影像融合技术研究[J].河北师范大学学报：自然科学版，2009，(2)：267-270.

[5]申邵洪，谭德宝，梁东业.基于马尔科夫随机场的多时相SAR影像变化检测研究[J].长江科学院院报，2010，(1)：49-51.

[6]梁国军，彭明春，王崇云.遥感影像纹理分析方法研究[J].云南地理环境研究，2009，(1)：93-98.

[7]裴亮，谭阳.基于变差函数的遥感影像纹理特征提取[J].地理空间信息，2008，(5)：15-17.

[8]李林宜，李德仁.基于免疫粒子群优化算法的影像纹理分类[J].测绘学报，2008，(2)：185-189.

[9]温兴平，胡光道，杨晓峰.从高光谱遥感影像提取植被信息[J].测绘科学，2008，(3)：66-68.

[10]Kempeneers P，et a1.Generic wavelet―based hyperspectral classification app]ied to vegetation stress detection[J].IEEE Transactions on Geoscience and Remote Sensing，2005，(3).

[11]刘月英，李万辉.利用航片和GIS分析影响滑坡的因素[J].水土保持应用技术，2008，(4)：14-15.

[12]王辉，王天明，杨明博，等.基于航片的黄土高原丘陵沟壑区沟谷侵蚀定量监测[J].应用生态学报，2008，(1)：127-132.

[13]沈璐璐，蔡丽娜.基于非监督分类的遥感信息提取方法尝试[J].科技创新论坛，2010，(14)：162-163.

[14]赵兴实，田中雨，刘岩.卫片目视解译在土壤侵蚀现状调查中的应用[J].水土保持通报，1996，(1)：149-152.

[15]张芳，李鑫，陈佳楠.卫星遥感影像目视解译在森林资源调查中的应用分析[J].内蒙古林业调查设计，2009，(4).

[16]陈富龙，王超，张红.改进最大似然遥感影像分类方法――以SAR影像为例[J].国土资源遥感，2008，(1)：75-78.

[17]薛廉，周春兰.基于监督分类分区域的特征因子提取[J].地理空间信息，2009，(2)：100-102.

[18]郭艳芬，刘志红，谢明元.基于植被物候特征与监督分类的青南高原信息提取[J].遥感技术与应用，2009，(2)：223-229.

[19]刘涛，孙忠林，孙林.基于最大似然法的遥感图像分类技术研究[J].福建电脑，2010，(1)：7-8.

[20]陈亮，刘希，张元.结合光谱角的最大似然法遥感影像分类[J].测绘工程，2007，(3)：40-47.

[21]吴连喜，王茂新.一种改进的最大似然法用于地物识别[J].农业工程学报，2003，(4)：54-57.

[22]陈敬柱，贺瑞霞，郭恒亮.最大似然法在植被信息识别提取中的应用[J].水文地质工程地质，2004，(2)：94-96.

[23]温兴平，胡光道，杨晓峰.从高光谱遥感影像提取植被信息[J].测绘科学，2008，(3)：66-68.

[24]丁丽霞.天目山部级自然保护区毛竹林扩张遥感监测[J].浙江林学院学报，2006，(3)：297-300.

[25]官凤英，范少辉，蔡华利，等.竹林遥感信息提取方法比较研究[J].安徽农业科学，2010，(8).

[26]李敏，崔世勇，李成名，等.面向对象的高分辨率遥感影像信息提取――以耕地提取为例[J].遥感应用，2008，(6)：63-89.

[27]黄海波，赵萍，陈志英，等.ASTER遥感影像水体信息提取方法研究[J].遥感技术与应用，2008，(5).

[28]郑宗生，周云轩，沈芳.基于DTM的水边线遥感信息提取方法[J].国土资源遥感，2007，(2)：56-59.

[29]孙晓霞，等.利用面向对象的分类方法从IKONOS全色影像中提取河流和道路[J].测绘科学，2006，(1)：62-63.

[30]林宗坚，刘政荣.从遥感影像提取道路信息的方法评述[J].武汉大学学报：信息科学版，2003，(1)：90-93.

[31]张源，王仰麟，彭建，等.基于空间概率面的山区居民地遥感信息提取[J].地理与地理信息科学，2006，(4)：6-10.

[32]查勇，倪绍祥，杨山.一种利用图像自动提取城镇用地信息的有效方法[J].遥感学报，2003，(1)：38-39.

[33]杨存建，周成虎.TM影像的居民地信息提取方法研究[J].遥感学报，2000，(2)：146-150.

[34]安如，赵萍，王慧麟，等.遥感影像中居民地信息的自动提取与制图[J].地理科学，2005，(1)：74-80.

[35]韩春峰，米晓飞.基于高分辨率遥感影像的人口信息的提取综述[J].科技资讯，2010，(4)：111.

[36]杜国明，张树文.基于遥感的城乡人口分布模拟――以松原市为例[J].遥感学报，2007，(2)：252-256.

遥感影像篇4

关键词：多源遥感影像；数据融合；融合方法

1 引言

自20世纪50年代末，航天遥感技术经历了半个世纪的发展和应用，为人类提供了从多维和宏观角度去认识地球乃至宇宙世界的新方法，新手段。地球观测数据量迅猛增长，海量数据的存储，管理，处理，传输，应用等问题成为影响遥感技术发展及应用的一大重要因素，多源遥感影像融合技术是解决这些问题的一个重要方法。

贾永红等（2000）根据大量实验和实际工作总结提出了多源遥感影像数据融合的定义：多源遥感影像数据融合是将同一环境或对象的多源遥感影响数据综合的方法和工具的框架，以获得满足某种应用的高质量信息，产生比单一信息源更精确、更安全、更可靠的估计和判决。

研究遥感影像融合的方法可以从三个方面着手，分别为影响融合所使用的数据类型，融合过程中信息的抽象程度及应用层次，以及融合的最终效果。根据遥感影像融合所使用的数据类型的不同，可以将该技术分为多波段遥感影像数据融合、多时相遥感影像数据融合、多类型遥感影像数据融合、RS信息与地学信息的融合；根据融合过程中信息的抽象程度及应用层次的不同，遥感影像融合分为像素级影像融合、特征级影像融合、决策级影像融合；根据融合的最终效果的不同可将遥感影像融合分为光谱增强型遥感影像融合和几何增强型遥感影像融合。本文主要从这三面入手论述遥感影像融合的方法，阐述了其特点和作用。

2 不同数据类型的遥感影像融合

2.1 多波段遥感数据融合

地物波谱也称地物光谱，地物波谱特性是指各种地物自身所具有的电磁波特性（发射辐射或反射辐射）。不同地物在同一波段的光谱反射率一般不相同，同一地物在不同波段的光谱反射率也有较大差别，因此，遥感上通常分波段记录地物波谱的差异，以便更加准确和有效地识别物体。但是，多波段数据之间往往存在较大相关性，这种数据的冗余在多波段数据融合中必须予以考虑。此外，人们习惯于用彩色来显示一幅图像，彩色显示是由红、绿、蓝三原色组成，它限制了波段选取的数量，即仅能用三个波段组合。为了达到满意的融合效果，融合前必须进行最佳波段组合方案的选择。在选择融合方法的时候，应主要取决于应用目的以及数据的质量特点，对于不同的应用目的，各个波段的分析方法及组成方式各不相同。

2.2 多时相遥感数据数据融合

同一地区的地貌特征随着时间不断变化，多时相遥感图像就是在同一地区在不同时间段拍摄的遥感图像，同一地区不同时间的遥感图像若通过多幅遥感图像来判读，会给解译工作带来很多不便，因此，有必要将多时相遥感数据融合，融合后通过相关算法更有利于判读及解译地区内地貌随时间变化的情况。

2.3 多类型遥感数据融合

遥感数据的来源多种多样，不同类型的遥感器、不同平台都会收集大量的遥感数据，但是任何一个单一类型的遥感数据都不能全面反映目标对象的特征，都有一定的应用范围和局限性。只有将它们结合起来才能在最大程度上发挥它们各自的作用。根据遥感数据类型，可以将遥感数据融合技术分为三大类，分别是多光谱遥感数据与雷达数据的融合，高低分辨率遥感数据的融合，以及不同多光谱数据间的融合。

多光谱遥感系统光谱分辨率高，有助于识别不同地物类型，但易受大气层干扰；成像雷达属于主动遥感系统，不受大气层干扰，雷达波束可以穿透云层，提供地表物理和几何特征信息。将多光谱遥感数据与雷达数据融合，既可以弥补各自的不足，又可以丰富各自的信息内容，应用范围大大扩大。低空间分辨率图像一般用于经过较为简单的区域，或者气象观测等，有利于从宏观上把握地区概况，高空间分辨率图像对地物的细节表达更为突出，有利于局部范围内对重点区域进行研究，二者各有利弊。将高、低分辨率遥感数据融合，有利于在大范围内寻找目标并进行细部研究。根据应用目的，也可进行不同多光谱数据的融合，如多光谱数据与全色影像数据的融合，高光谱与多光谱数据的融合等。

2.4 遥感信息与地学信息的融合

遥感信息只能定性表示研究区域的地表情况，无法读出高程等定量信息，而地学信息最根本特点是每一个数据都按统一的地理坐标进行编码，实现对其定位、定性和定量的描述。将地学信息与遥感信息按照一定算法，有效地融合起来可以使遥感信息更加丰富，表达出更多定量的信息，更全面地表达出地面目标的真实情况，有利于进一步分析研究。

3 不同抽象程度及应用层次的遥感影像融合

3.1 像素级影像融合

像素级影像融合直接在采集到的原始数据层上进行，即在可见光、红外及SAR影像等原始数据基础上进行的数据综合分析，主要方法有：基于IHS变换、主成分变换、比值变换、乘法变换及小波变换。像素级融合可以更多的保留原始图像信息，提供其他融合层次所不能提供的细微信息，但是有一定局限性。

3.2 特征级影像融合

特征级影像融合属于中间层次，其处理方法是首先对来自同传感器的原始信息进行特征提取，然后再对从多传感器获得的多个特征信息进行综合处理和分析，以实现对多传感器数据的分类、汇集和综合。与像素级融合不同，特征级融合强调空间上的一一对应而非一个个像元对应。特征级融合实现了可观的信息压缩，有利于实时处理，且提供的特征直接与决策分析相关，但其融合的精度要低于像素级[5]。

3.3 决策级影像融合

决策级融合是“特征提取”和“特征识别”过程后的融合，是一种高层次的信息融合，其结果将为各种控制或决策提供依据，为此，必须结合具体的应用目标有选择地利用特征信息。决策级融合具有很强的容错性和良好的开放性，仍不成熟。

4 不同融合效果的影像融合

4.1 光谱增强型影像融合

影像的光谱分辨率与所用传感器的波谱段成正相关关系，光谱分辨率越高，波普段越窄，要保持获取影像的信噪比，必须逐渐增大瞬时视场IFOV以采集更多的光，这将导致获取的影像空间分辨率下降。在很多应用场合中，对影像的光谱分辨率和空间分辨率同时有较高要求，这就要求将高空间分辨率的影像与高光谱分辨率的影像进行融合，获得高空间分辨率的多光谱影像，用来满足军事目标判读、植被研究、农业详查等应用需求。

4.2 几何增强型影像融合

增强图像几何信息的数据融合就是从一系列低分辨率图像复原（或重建）出更高分辨率的图像（或图像序列），以增强图像的空间分辨率，这种技术也称之为超分辨率图像重建技术。重建后的图像由于空间分辨率更高，可以显示更多关于地面目标的细部信息。提高空间分辨率的措施较多，最直接的措施就是采用传感器制造工艺减少像元尺寸，但由于该办法超出一定极限后图像质量将下降而使其的发展受到限制。目前较好的办法是超分辨率图像重建技术，成本低而且可以利用现有高分辨率成像传感器。

5 结语

本文从不同角度对多源遥感影像数据融合方法进行了探讨，不同的融合方法具有不同的特点，会产生不同的效果，但均发挥出了多源遥感数据的优势，实现了多源信息的互补，一定程度上消除了冗余和矛盾，提高了数据利用率，使得影像质量得到了很大改善，在进行选择的时候应该充分结合应用目的，根据不同的需求及条件选择相应的融合方法。

参考文献：

[1]贾永红、李德仁、孙家炳，2000，多源遥感影像数据融合，遥感应用与技术，15（1）：41-44.

[2]周荫清、洪信镇，1996，多传感器信息融合技术，遥测遥控，17（1）：16-22.

[3]赵英时，2003，遥感应用分析原理与方法，北京，科学出版社：263-277.

遥感影像篇5

关键词：遥感影像 1：5000 地形图 地形图修测 调绘

中图分类号：G255.4 文献标识码：A 文章编号：

0引言

地形图是国家各个部门、各项工程建设中必需的基础资料，通过地形图可以获取多种、大量的信息。随着改革的进一步深入，国家加大了基础设施建设的力度，用于城市规划、工程设计、施工放样等的地形图需求量增多，且现势性要求高。为了满足城乡发展建设的需要,提高地形图现势性，地形图更新问题就显得尤为重要；然而地形图的更新情况不很乐观。

1 遥感的概念与分类

1.1 遥感的概念

遥感简单的说，它的含义就是遥远的感知，即通过非直接接触目标的方式，而能获取被探测目标的信息，并能通过识别与分类，了解该目标的质量、数量、空间分布及其动态变化的有关特征。

1.2 遥感的分类

按遥感仪器搭载的工作平台不同分为：航天遥感、航空遥感和近地面遥感；

按传感器的工作波段不同分为：可见光与近红外遥感、热红外遥感、微波遥感；

按具体应用目的不同分为：环境遥感、地质遥感、农业遥感、林业遥感、城市遥感等。

2 遥感的特点及应用

2.1 遥感特点

（1）宏观性和综合性

（2）多波段性

（3）多时相性

2.2 遥感应用系统组成

（1）信息源 信息源是遥感需要对其进行探测的目标物。任何目标物都具有反射、吸收、透射及辐射电磁波的特性，当目标物与电磁波发生相互作用时会形成目标物的电磁波特性，这就为遥感探测提供了获取信息的依据。

（2）信息获取 信息获取是指运用遥感技术装备接受、记录目标物电磁波特性的探测过程。信息获取所采用的遥感技术装备主要包括遥感平台和传感器。其中遥感平台是用来搭载传感器的运载工具，常用的有气球、飞机和人造卫星等; 传感器是用来探测目标物电磁波特性的仪器设备，常用的有照相机、扫描仪和成像雷达等。

（3）信息处理 信息处理是指运用光学仪器和计算机设备对所获取的遥感信息进行校正、分析和解译处理的技术过程。信息处理的作用是通过对遥感信息的校正、分析和解译处理，掌握或清除遥感原始信息的误差，梳理、归纳出被探测目标物的影像特征，然后依据特征从遥感信息中识别并提取所需的有用信息。

（4）信息应用 信息应用是指专业人员按不同的目的将遥感信息应用于各业务领域的使用过程。信息应用的基本方法是将遥感信息作为地理信息系统的数据源，供人们对其进行查询、统计和分析利用。遥感的应用领域十分广泛，最主要的应用有: 军事、地质矿产勘探、自然资源调查、地图测绘、环境监测以及城市建设和管理等。

3 基于遥感影像的地图修测简介

3.1 应用概述

自1972年美国发射第一颗陆地资源卫星，经过近30年的发展，卫星遥感技术已进入了能够获取动态、快速、准确、多手段对地观测数据的新阶段。传感器从过去单一的发展到现在的多种类型，能够获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像，具有现势性强的特点，能满足于城市地图更新的动态数据源。进入21世纪，卫星遥感影像种类增多，影像分辨率提高，1M分辨率的卫星影像已实现商业化。因此应用卫星遥感影像更新城市地图具有广阔的发展空间。

3.2 基于遥感影像地图修测的主要技术方案

从地图比例尺及地图更新成本考虑，用于地图更新的卫星影像主要有：TM影像（分辨率为18.5M）、SPOT影像（分辨率为2.5M、5M或10M），IKONOS影像（分辨率为1M），QUICKBIRD影像（分辨率为0.65M）。根据城市地图比例尺不同，采用下述两种技术方案：

一是基于SPOT，TM影像的更新方案，主要用于较小比例尺的城市地图，其技术流程见图1。

图1 基于SPOT，TM影像的城市地图更新流程

二是基于高分辨率遥感影像的更新方案，主要用于较大比例尺的城市地图，其技术流程见图2。

图2 基于IKONOS影像的城市地图更新流程

以上两种技术方案工作要点基本相同，区别在于对不同卫星遥感影像的处理。所以本文主要对图2技术方案加以阐述，此方案主要针对大比例尺地形图的更新工作。

3.3 技术流程

3.3.1 前期准备

前期准备包括：

(1) 收集相关最新的地形图资料，作业时要认真分析资料的现势性、可靠性及权威性。

(2) 购买该城市范围内最新的IKONOS卫星影像。

(3) 系统软件准备：

3.3.2 地形图纠正

地形图纠正包括：

(1) 地图扫描。

(2) 控制点坐标换算。

(3) 地形图纠正

3.3.3 卫星遥感影像处理

3.3.4 IKONOS影像与地图的叠合

3.3.5 地图更新

4 地图修测设计与实施

地形图是国家各个部门、各项工程建设中必需的基础资料，通过地形图可以获取多种、大量的信息。随着改革的进一步深入，国家加大了基础设施建设的力度，用于城市规划、工程设计、施工放样等的地形图需求量增多，且现势性要求高。为了满足城乡发展建设的需要,提高地形图现势性，地形图更新问题就显得尤为重要；然而地形图的更新情况不很乐观。本文结合某矿区1：5000 地形图更新工程，探讨利用IKONOS卫星影像更新1：5000 比例尺地形图的方法、流程和其间遇到的问题。

4.1 前期准备

4.1.1 资料

(1)工作区面积：包括该矿区生产矿井以及矿井所占地，共约400 平方公里。

(2)原有地形图：1992 年航测的1：5000 地形图以及1：500 的矿区工业图若干。

(3)购买的矿区IKONOS影像参数：成像时间(2005 年10 月)，分辨率(1 米)，影像倾角(12°)。

4.1.2 软硬件设备

(1)软件：遥感图像处理软件Erdas Imagine ，制图软件AutoCAD2000， 图像处理软件PhotoShop。

(2)硬件：用于处理影像的高性能的PC 服务器、大幅面彩色喷墨打印机。

4.2 数据预处理

4.2.1 IKONOS 卫星影像处理

(1)遥感影像处理的工作流程：影像数据的处理是整个更新工作的关键，因此，确定影像处理的工作流程是十分重要的。影像处理的工作流程如下：

图1 遥感影像处理流程图

(2)纠正精度的控制：遥感影响的纠正过程中，X 残差、Y 残差、以及RMS(Root MeanSquare 即均方根中误差)都控制在1 个像素之内，很好的满足了技术规范的要求；如果纠正的精度超过标准，则回到纠正模式下，调整GCP (控制点)的输入重新进行几何纠正，直至达到需要的精度为止。

4.2.2 纸制地形图的矢量化

扫描纸质地形图时，要确保地形图的完整无损、无折皱；矢量化的过程中要按照地理信息系统的标准做好分层矢量化，以及属性数据的录入。具体流程如下：

图2 地形图矢量化流程图

4.2.3 遥感影像和数字线划图的叠加配准

将分幅后的遥感影像和数字化完毕的数字线划图导入测图软件或地理信息系统软件进行叠加配准。

4.3 地形图的更新

在更新系统中，经影像与矢量图叠加配准后，便可以采用屏幕数字化的方式进行变化地物(主要是居民地、道路、水系、植被等)的更新(增、删、减等)。

4.3.1 建筑物的更新建筑物是大比例尺地形图中的主要地物，因此，对于建筑物的更新是地形图更新工程中一个相当重要的部分。由于工作区范围内的建筑物多为农村的四点平房，并不存在太多的边界线遮掩问题；所以在遥感影像上对建筑物的识别比较简单。但是，由于楼房以及工厂棚房与平房在遥感影像中并没有很明显的区别，所以，对于这些地物的判读必须由外业调绘人员到实地调查完成。

4.3.2 道路的更新

由于铁路以及高速公路的形状规则、特征明显，所以通过遥感影像很容易进行判读。但是对于等级公路、等外公路、大车路等，只能做大概的判断，由外业人员进行调绘处理时再做必要的补充。

4.3.3 水系的更新

按形状划分，水系大致可分为两种类型：线型水系(如河流、沟渠)非线型水系(如湖泊、池塘)。

(1)线型水系的更新：根据水与河岸在影像上呈现的色调不同，可以容易地确定水涯线的位置，然后利用屏幕数字化的方式直接进行更新。

(2)非线型水系的更新：工作区范围内存在大量的池塘，对于池塘的更新也是我们这次更新的一个重要环节。根据了解到的当地情况，集中分布的池塘多为鱼塘，而零星分布的池塘多为普通的池塘。依据这个经验，我们对工作区范围内的池塘进行了分类；经过后续的外业调绘发现，对于池塘的判读准确率是相当高的。

4.3.4 植被的更新

植被主要包括耕地、林地、草地等。由于工作区范围内多为农村，因此，对于耕地类型的更新是植被更新的关键。由于采用的QuickBird 影像成像于2005 年11 月，此时正值该地区的农闲时节，所以不能从影像中判读植被的类型。在实际的操作中我们基于以下两原则对植被类型进行了判读：

(1)由于水田具有比较大的田埂，因此在影像上水田表现为具有明显的边界。

(2)水田土壤的含水量高于旱地土壤的含水量，所以在影像上呈现的色调较深。经过后续的调绘发现，通过以上两点原则较好地区分了耕地的类型。

4.3.5 外业调绘及补测

(1)调绘：更新矢量地形图时，影像上无法判读的地物必须借助外业调绘进行确定。外业调绘主要作用是：对室内解译成果进行验证，对线状地物宽度实地量测，对新增地物的名称注记进行实地调查。调绘过程中主要进行了以下两部分的工作：

①不确定地物的调绘。很多相似的地物仅通过影像图是很难判读的，例如：平房与棚房、围墙具体界限、果园与林地等。对于这部分内容一定要到现场亲自调查以确定其类型，尤其是对于植被类型，要以地类界进行详细的划分。

②注记数据的调绘补充。其调查内容可分为以下几种：楼房的层数、企事业单位的名称、村名、公路名称及等级、河渠名称及走向等。

(2)补测：补测是地形图更新中相当重要的部分，起着数据补充的重要作用。在实际操作过程中我们针对以下两种情况进行了补测：

①用户未提供矢量化地形图的地区。

②地物变更范围比较大的地区。对所有需要补测的地区均采用GPS 和全站仪进行了补测，并把所有结果都记录在线划图上。将外业调绘和补测的修改、新增、和变化地物的信息添加到地形图中，通过编辑处理形成用户需要的最终成果。

5总结

通过以上对基于IKONOS遥感影像的地图修测应用事例的探讨，可以看出遥感影像在地图修测中具有非常广阔的应用前景：

⑴作为更新数据源的IKONOS 影像，其质量的好坏直接影响成果的精度。工程中采用的该矿区IKONOS影像清晰度好，分辨率高，倾角小，为工程的成功开展提供了良好的前提。

⑵使用本方法更新了该矿区约400 平方公里1：5000 地形图，作业时间短；精确度高（遥感影像的空间分辨率达到1m,用RTK 进行GPS 定位测量影像纠正后的点位绝对误差只在0.6m 左右）。满足了用户的需要，为地形图的更新提供了新的经验。

⑶实际操作中发现，仅凭影像图的目视解译判读地物是不可靠的，必须要亲自调查才能确定地物类型及其属性。因此，在地形图的更新中要加大调绘在整个更新工程中所占的比重。

参考文献：

[1].江宏军，马永生.地形图更新方法初探[J].测绘通报，2004，(7)：54-56.

[2].康家银，利用QuickBird 高分辨率遥感影像更新城市大比例尺地形图的研究[D].辽宁省阜新：辽宁工程技术大学测绘与地理科学学院、2004.

[3].陈瑞霖.利用快鸟卫星影像进行1：5000 地形图更新技术探讨[J]. 福建建设科技,2006,(1)：34-35.

[4] 李德仁，等.1996～2000年中国摄影测量与遥感进展[J].测绘学报，2001，30,(1).

遥感影像篇6

Abstract： This paper introduces a way to process remote sense image（RS） based on GPU. Firstly， it introduces the common concept of GPU computing based on OpenCL， finds out the impact of GPU on RS image process algorithms； Secondly， it uses a real RS image as experiment data， finds out how to accommodate this impact when using GPU. Thirdly， according the experiment result， it gives the experiences of RS image process based on GPU. At the end， it summarizes the method of using GPU to process RS image.

关键词： OpenCL；GPU；遥感影像；算法设计

Key words： OpenCL；GPU；remote sensing；algorithm design

中图分类号：TP302 文献标识码：A 文章编号：1006-4311（2014）29-0236-02

1 简介

随着机载和星载设备的发展，遥感影像的分辨率和数据量会逐步提高。随着这些需要处理的任务数量和复杂度的增加，其对计算机的处理能力提出了更高的要求。向量架构的GPU比CPU更适合进行图像处理的任务。本文探讨使用OpenCL作为工具对遥感影像进行处理。OpenCL是一个为异构平台编写程序的框架。利用OpenCL可以让GPU来完成特定的运算任务。本文介绍并总结利用OpenCL使用GPU进行遥感影像处理的一般性原理和

方法。

2 OpenCL与遥感影像处理

首先介绍给出以OpenCL使用GPU进行数值运算的一般性框架。接着以GPU计算NDVI，并于基于CPU的算法进行性能上的对比。

2.1 OpenCL基本使用及与CPU计算的差别 传统的CPU计算中，待处理的数据装载到内存中，然后由CPU进行运算，运算结果也会返回到内存中。最后在内存中的数据就是处理结果。而在GPU运算中，待处理的数据首先装载在内存中，接着需要将其打包装载到GPU的显存中，GPU只对显存中的数据进行处理。处理的结果也会存在显存中，为了得到处理结果，必须将数据从显存转到内存中。由于这种特殊的处理方式，所以传统的算法编写要进行一些调整。本文中使用NDVI作为测试算法。NDVI是遥感影像处理中常见的处理方式。首先以传统的CPU计算同一幅图的NDVI，接着以GPU计算这幅图的NDVI。为了方便比较，以CPU和GPU运算的代码会尽量消除无关的代码差异。以便尽可能的显示出CPU和GPU运算上的区别。因此，两段代码中，实验影像的近红外波段和可见光的红色波段都已经储存在red和infrared这两个数组中，并且有一个数组ndvi用于存储计算结果，3个数组的长度均为n。NDVI CPU和GPU版的差别仅限于对这些数组的运算方式。同时，测试计算机上使用核心显卡为屏幕提供显示工作，独立显卡只承担测试代码的运算任务，以消除无关因素的影响。

2.2 CPU和GPU运算代码 由于使用GPU运算会比CPU运算多出一些额外的初始化、数据传输、清理及还原操作。因此需要讨论在不同情况下这些操作对运算效率的影响。两者差异可见表1。

表2是以昆明-玉溪附近30米分辨率的Landsat 7 ETM SLC-off数据作为测试样例，对CPU和GPU的NDVI计算程序进行测试的耗时结果。在表格中，由于GPU平台、设备、环境的初始化代码是个常量过程，所以不予以考虑。从表2中的数据可以看出，在本实验中，即使算上数据传输的时间，使用GPU处理的耗时远远低于使用CPU运算的耗时。不过也可以从中看出，在GPU运算中，数据在显存和内存之间的传输耗时在GPU任务计算的总时间的比例相对来说比较高。因此在设计遥感影像处理算法时需要考虑数据的优化问题。

3 实验分析

从前面的实验可以看出，GPU运算中，参与计算的数据在内存和显存的传输占用了相当的比例。因此需要考虑如何让数据的传输最优化。

3.1 分块对处理效率的影响 对于数据集无法一次性装入显存的影像，必须先对其进行分块。假设在显存可以承受的情况下，相比较多的传输次数与每次相对较少的数据传输量来说，减少数据传输次数并增加每次传输的数据量更加有利。同时在显存允许的情况下，应尽量将数据计算的中间结果驻留在显存中，直到得到最终结果时再一并取出转移至内存。因此，在GPU运算中，数据分块越大，则会降低数据传输在整个GPU处理流程中的比例，这样能充分利用GPU性能提升的优势。

从上面的分析可以得出，虽然显存的大小对实际运算并没有直接的影响。但由于越大的显存能容纳更多的数据，而遥感影像相对来说数据量较大。因此即使显存大小对GPU运算没有直接影像，但更大的显存能为GPU运算提供更高的收益。

3.2 GPU遥感处理算法设计 对于遥感影像，多波段和大容量数据是必须要考虑的。对于无法一次性放入显存的遥感影像数据，应以切分成尽量大的数据块，减少GPU和CPU之间的IO次数。同时如果GPU自带的数据格式通常不能满足处理需要，因此在处理数据之前，需要在CPU中将遥感影像数据剖分成熵值较低的一维数组。

4 讨论

通过对GPU对遥感影像处理的实验，这里总结出一般性处理方法。在使用GPU对遥感影像处理中，主要应有3部分：

①环境（context）相关部分。

这一部分有两个阶段，分别用于GPU环境的初始化及清理。

②驱动部分。

这一部分负责对遥感影像的数据进行预处理，以适应GPU的运算需要。同时也负责处理GPU返回的数据。

③GPU运算部分。

GPU运算部分负责进行运算，这一部分不应了解外部图像的复杂性，而只进行特定的矩阵运算。

在实际处理中，首先对GPU环境进行初始化。接着待处理的图像数据传入驱动部分。由驱动部分负责进行预处理（如分块、分离波段）。预处理完成的数据传入GPU运算部分。GPU运算部分进行运算，并将运算结果返回给驱动部分。返回的依然是抽象的数据集，驱动部分会对其进行处理及合并，最后得到完整的结果。当数据集已经返回给驱动部分后，环境相关部分进行相关的清理工作。示意图如图2。

5 结论

本文运用GPU以NDVI为例进行遥感影像处理。从实验的分析中可以看出，较大的显存容量可降低数据存储和读取次数，进而提高运算效率。同时在数据分块中，大数据块可减少数据IO次数，可提高GPU利用率。实现结果证明与CPU运算相比，GPU拥有非常大的优势。最后总结出以OpenCL为开发平台处理遥感影像的一般性方法。

参考文献：

[1]y John D. Owens， Mike Houston， David Luebke， Simon Green， John E. Stone， and James C. Phillips. [J].Proceedings of the IEEE. May 2008. （Volume：96 ， Issue： 5 ）： 879-899.

[2]Plaza， A.， Du， Q.， Chang， Y.-L.， King， R.L.， 2011. High performance computing forhyperspectral remote sensing. [J].IEEE Journal of Selected Topics in Applied EarthObservations and Remote Sensing 4 （3）： 528-544.

[3]Erhan Guvena， Anna L. Buczaka. An OpenCL Framework for Fuzzy Associative Classification and Its Application to Disease Prediction[C]. Conference Organized by Missouri University of Science and Technology，2013.

[4]Marcus Huntemanna， Georg Heygstera， Gang Hongb. Discrete dipole approximation simulations on GPUs using OpenCL―Application on cloud ice particles. Journal of Computational Science 2 （2011）.[J]：262-271.

遥感影像篇7

植被对于我们来说扮演着重要的角色。它不仅影响地球的各种平衡，在生化循环中还有重要作用。因此。地球植被及其变化一直被各国科学家和政府所关注。[2]

城市植被是地球植被中的一部分，对于保护城市生态环境具有不可忽视的作用。另外，城市绿地是城市生态系统不可缺少的部分，是多种因素作用的结果，更是居民生活水平和城市环境的重要标志。因此开展城市植被生态研究具有重要现实的意义。

遥感主要是根据不同的物体会产生不同的电磁波的响应，从而识别地面上各类地物。具有视域范围广、图像清晰逼真、宏观性强、重复周期短、信息量多、资料收集方便的优点。[1]因此，卫星遥感是监测植被的有效手段。

本文主要针对城市植被信息的提取，从城市遥感的原理和数据源、城市植被信息的提取方法和遥感技术等几方面对基于遥感影像对城市植被信息提取的研究的进展进行论述，并讨论了这些研究的特点和各自存在的一些不足，以及发展的趋势。

1 城市植被及遥感影像光谱特征

1.1 城市植被

城市植被指的是城市里覆盖着的生活植物，即城市内一切自然正常生长以及人工种植的各类植物类型的总称。

1.2 植被遥感影像光谱特征

在蓝色和红色波段，能量很低；在绿色波段附近，会形成一个小的峰值。而在近红外波段，叶肉海绵组织结构有很大的反射表面。

2 城市植被信息提取数据源、遥感影像预处理

2.1 信息提取数据源及其选择

1）Landsat TM影像及ETM+遥感数据。空间分辨率不是很高。

2）MODIS数据，很高的信噪比。

3）美国商业遥感卫星Quick Bird影像，能较清晰的从遥感图像判读出城市绿地。[4]

4）IKONOS遥感数据，全色波段的分辨率为1m，多光谱数据分辨率为4m。[5]

5）此外，遥感数据还有很多类型，比如SPOT影像等。

2.2 卫星影像预处理

研究中遥感影像的预处理包括：几何校正、遥感影像图像增强、截取研究区域、相关性分析等一系列处理，在处理中需根据不同类型不同特点的遥感图像进行不同的预处理。

3 城市植被信息提取的方法

3.1 人机交互方式进行植被信息提取

3.1.1 基于波段的选择进行分类法提取

步骤：

1）实验波段的选择及彩色合成

结合波段的波谱物理特征优先选择几个波段，K-L变换后的第一、第二、第三主成分波段，NDVI植被指数段和K-L变换后的第一主分量加影像的三个波段进行波段间的相关性分析，对该3种波段数据进行假彩色合成，反复比较，选出植被景观目视效果最好的合成的图像。

2）遥感影像的分类及后处理

利用非监督确定图像的最佳类别数；进行监督分类；在计算机分类的基础上，通过目视解译对错分加以纠正；进行空间滤波，消除出现频数过少的像元图斑，得出解译精度。[3]

特点：在信息提取的时候不仅考虑了7个原始的波段数据，而且还包括各主分量、NDVI比值型指数在内的 “衍生”波段数据。也可以采用波段数据组合这样的方法，提高判读和分类的精度。

不足：同物异谱和异物同谱的现象导致了分类精度的下降，所以分类的时各种客观或者主观因素会影响到分类的精度。另外，植被信息的多少随着分类数目的多少而定，也会影响准确度。

3.1.2 高分辨率影像的城市植被提取

步骤：

1）NDVI提取。首先要设NDVI的阈值，大于此阈值为绿地。将提取出来的部分绿地同原图像进行一定的逻辑运算，从原始图像中剔除绿地像元。

2）基于地物光谱响应知识及ISODATA绿地提取

根据非植被的特征，将该类信息提取并剔除，将此时的图像作为新原始图像，通过灰度拉伸后，再进行分类提取。目视解译然后选择绿地样本点，利用非监督ISODATA聚类技术，最后一次提取出绿地信息。[6]

特点：混分现象少，信息提取的精确度高。该方法针对各类地物的特点分别进行处理，当提取出一层信息后，要把它剔除，从而避免对其它信息提取的影响。该方法比较方便，能够在不考虑其他已分出来地物的光谱特征的情况下分辨出具有细微光谱差异的地物。

不足：只对于高分辨率影像效果较好。

3.2 计算机自动提取方式

3.2.1 像元信息分解和神经网络分类相结合的分类模型进行信息提取

步骤：设计出像元信息分解和神经网络分类相结合的分类模型。该模型先考虑通过像元信息分解法（像元信息分解模型认为各种典型地物在空间上是可以重叠的）把绿地从遥感影像中分离出来，再作为分类掩膜，采用BP神经网络分类对其进行分类。此模型在进行初级分类时采用像元信息分解法，在只有少数几类地物分类，有效地排除和避免了提取绿地信息时其它多余信息的干扰和影响。[7]

特点：是一种新的基于像元信息分解和神经网络分类相结合的城市绿地遥感信息自动提取方法。可开展野外遥感调查以提高和验证分类精度。保证了分类时绿地的纯洁度，提高了分类的精度。

不足：NDVI、DEM数据的精确程度会影响信息提取的精度。在进行像元信息分解时，各种典型地物的反射率采用的是标准反射率，所以如果能够测出各典型地物的实际反射率，则分类精度会得到进一步的提高。

3.2.2 基于See5的遥感影像决策树分类

步骤：

1）选择训练和检验样区，并提取图像的植被指数。

2）应用ENVI软件的Decision Tree模块实现影像分类。

遥感影像篇8

关键词：空间信息服务；遥感影像数据；海量影像数据；几何级数；影像数据库

Abstract: The continuous development of modern surveying and mapping, mass emergence of remote sensing image data, made the production management more difficult, it is the imperative to create an image database.Key words: spatial information services; remote sensing data; massive image data; geometric progression; Image Database

中图分类号：P237 文献标识码：A文章编号：2095-2104（2012）02-

随着数字城市建设的发展，测绘生产中影像数据日渐增多，分布式空间信息服务将发挥越来越大的作用。空间数据包括遥感影像数据、电子地图数据等。特别是遥感影像数据，由于具体丰富的纹理信息，同时具有获取方便、经济、快捷等特点，已成为空间数据的主要载体，在数字城市的建设中占有重要的地位。随着各类遥感信息的社会需求日益增强，遥感信息应该能够被很好的管理和为社会生产和生活服务。同时随着遥感技术的不断发展，采集的影像数据量正呈几何级数增长。而现在有的地理信息系统大多是基于矢量的，具有比较成熟的管理和建立矢量数据库的能力，但对栅格数据的处理能力较弱，尤其难以组织、调度、存储与管理海量栅格数据，更没有考虑多数据源、多比例尺、多时想影像数据的统一管理、集成与服务问题。目前测绘生产中有迫切需要高效、快捷地存储、管理与分发海量的影像数据。以我们单位存档数据为例：沈阳地区就有四种原始影像资料，分别是1997年1:1万黑白航片、2000年1:3.5万黑白航片、2003年1：2.5万黑白航片、2004年1:8000彩色航片，以及该地区影像图成果数据、DLG数据、DEM数据、衍生的其他影像数据。各种数据多品种、多时期，储存管理难度大，因此空间信息服务特别是影像信息的管理与建库在测绘生产中的应用显得格外重要。

1、影像数据包括的内容

影像数据所管理的信息包括：（a）不同分辨率和不同时期的原始影像（卫片、黑白机彩色航片、彩红外航片等）；(b)不同时期、不用比例尺的成果影像数据（DOM影像、成果影像图等）；(c)DLG数据；(d)DEM数据；(e)控制的数据；(f)地名数据元数据；(g)与上述数据相关的其他属性信息。

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，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。

3、影像数据库的功能

多源数据的管理：主要包括各种影像数据库、数字栅格图形数据库、数字高程模型、地形数据库、地名数据库。图像工程、子工程、图像工作区的组织与调度；时态数据的管理；数据产品的快速分发；快速实时的漫游和任意开窗放大缩小与快速浏览；影像空间数据交换与共享等，能够支持各类图像数据文件，如GIF、JPEG、PNG、BMP、TIFF等。对海量影像数据库进行管理、分析、显示、查询；快速存取影像数据；图像的实时裁剪；能够解决多幅图像实时显示、实时融合和实时镶嵌，基于地理坐标的无缝实时拼接，无需对多个文件进行镶嵌处理；Internet上的数据分析、显示、查询、处理。

4、影像数据库的结构设计及技术关键

4.1多尺度数字影像的金字塔结构

影像数据库的组织是影像数据库效率的关键，为了获得高效率的存取速度，在数据的组织上应使用金字塔数据结构和网格分块数据结构。该技术主导思想是：（1）将数据库中使用到的纹理处理成为大小一致的纹理块；（2）为每块纹理生成5个细节等级的纹理，分别为0、1、2、3、4，其中1级纹理通过0级纹理1/4压缩得到，2级纹理通过1级纹理1/4压缩得到，……，以此类推；（3）在显示每个块数据之前，根据显示比例的大小，并以此决定该使用哪一级的纹理；（4）在内存中建立纹理缓冲池，可使用LRU算法进行纹理块的调度，确保使用频率高的纹理高度次数尽可能少。

4.2影像数据压缩

影像数据的无损压缩（压缩比1/2）和高压缩比的有损压缩（1/10~1/20）。影像数据的压缩可大大提高数据库的实际容量。

4.3快速实时的漫游

基于金字塔结构的影像存储和影像快速检索和调度技术，可实现影像库的快速实时漫游，快速实时放大，缩小等操作。

4.4对海量影像数据进行分析、显示、查询

按地理区域查询数据：输入地理坐标，可快速得到要查找的图像。利用适普公司国际领先的匹配技术，可提供基于内容得影像检索功能。利用常规字段方法进行检索：如影像名称，时间等。

4.5图像的实时裁剪

解决多幅图像实时显示、实时融合和实时镶嵌，基于地理坐标的无缝实时拼接，无需对多个文件进行镶嵌处理。

4.6使用HDF数据结构实现多源数据的综合处理

HDF文件格式是一种超文本文件格式，是由美国伊利诺伊大学的NCSA组织开发的。HDF数据结构综合管理2D、3D、矢量、属性、文本等多种信息，能够帮助我们摆脱不同数据格式之间相互转换的繁琐，而将更多的时间和精力用于数据分析。HDF能够存储不同种类的科学数据，包括图像、多维数组、指针及文本数据。HDF格式还提供命令方式，分析现存HDF文件的结构，并即时显示图像内容。科学家可以用这种标准数据格式快速熟悉文件结构，并能立即着手对数据文件进行管理和分析。HDF文件格式的优势在于：可移植性强（独立于操作平台）：属于超文本文件；可以存储并处理大数据量；一个文件集可以管理多种类型的数据结构；具有可扩展性。由于HDF的诸多优点，这种格式已经被广泛用于目前国外各种卫星传感器的标准数据格式。在影像数据库多源数据管理中，HDF格式发挥了很好的作用，利用HDF数据结构建立远程图像工程，并与数据库进行交互，可以进行远程图像处理：远程影像解译、统计分析：影像运算、信息挖掘、影像分类，综合处理影像、矢量、高程数据，三维可视显示等。

使用HDF文件结构的优势：

用户或应用系统可通过一个统一的数据结构来访问不同的数据库，避免了数据库访问时的数据混乱；应用系统是直接对HDF进行操作，可避免对数据库的直接操作，提高效率和系统安全性。应用系统或用户也可直接对HDF进行修改操作，在一定的授权情况下，可进行更新数据库操作。HDF包含了多种格式的信息，前端用户使用起来比较容易管理。

5、影像数据库结构

6、结束语

影像数据库的建立涉及众多技术问题。由于遥感影像数据量庞大，种类繁多结构复杂，系统设计是系统成功的关键。对各类遥感影像数据的格式、数据量大小、影像元数据的分析研究是系统设计中最为重要的工作，只要做好了各类数据型的分析研究，才能在系统设计中全面考虑各种遥感图像，从而建立一套稳定的图像数据库管理系统，大大提高测绘生产的管理效率。

参考文献：

（1）李德仁.RS、GLS与GPS集成的意义.理论与关键技术[j]，遥感学报.1997

遥感影像篇9

针对遥感影像目标特性随分辨率变化的问题，提出了目标识别的多尺度分析方法。首先，基于混合像元分析了多尺度影像中地面目标形状结构产生变化的原因，这种变化主要是由混合像元在目标中所占的比例决定的；然后，根据多尺度影像中的目标提取实验，分析并验证了目标提取误差随着尺度变化的规律；最后，基于遥感影像目标的多尺度特性分析，进一步提出了优势类别的概念。从遥感目标的多尺度分析与实验结果来看，目标的形状结构特征随着尺度的变化而发生改变，而且尺度越大改变越大。通过研究遥感影像目标的多尺度特征，揭示了目标特征随尺度变化规律，对多尺度遥感影像自动目标识别具有指导意义。

关键词：

多尺度；混合像元；结构；目标识别；遥感

0引言

目标识别是图像处理和分析领域中核心的研究课题，在军事领域有着重要应用[1-4]，如制导武器、无人机等对目标进行检测、跟踪、识别和选择攻击点等。由于战场环境的复杂性和目标类型的不断增加，以及应用要求的不断提高，使自动目标识别技术面临很大的挑战。目标识别是基于图像目标的特征，根据识别算法进行分析和决策，输出目标识别结果。由于图像本身的复杂性和目标的多样性，图像目标自动识别仍不能完全应用于生产作业中。

目标识别方法按照所提取的特征不同，可以分为基于颜色（光谱）的方法、基于形状和结构特征的方法、基于纹理的方法、基于上下文的方法、基于小波分解的方法、基于不变矩特征的方法。其中，基于小波分解的目标识别方法主要利用小波的多尺度特性，提取目标在不同尺度上的特征，进行目标的判别[5]。尺度在目标的检测和识别中起着重要作用，任何目标特征的提取都是在一定的尺度上进行的，不同的尺度产生不同的结果。目标识别中多尺度方法大都是基于一幅原始图像，通过各种方法导出一系列不同尺度的图像，利用多尺度特征进行目标的识别[6-8]。直接利用传感器获得的多种分辨率图像，研究多尺度识别的文献较少。随着传感器自动变焦能力的增强，各种传感设备获取不同分辨率图像变得更加容易，因此利用实际获取的多尺度（多分辨率）图像能够得到更真实的信息，也是自动检测、识别目标的必然要求。

在同一场景的不同分辨率图像中，可提取的图像目标特征类型是不同的，即使同样的特征，不同的分辨率得到的目标特征值也不相同。例如，在多分辨率的遥感图像中，提取的机场目标的形状特征存在显著的差异。在图像目标识别中，用得最多的特征是光谱（颜色）、形状和结构以及纹理特征[9-10]。本文基于同一场景的多分辨率图像，研究图像中目标的形状结构特征随分辨率变化情况，分析这种变化对目标识别的影响。

1遥感科学中的尺度问题

从遥感的角度，尺度是从天空测量地球的空间量度范围和时间量度间隔，因此尺度更多地作为观测的维数，而不是被观测现象的维数。空间尺度可直接看作为有效分辨率单元，对于同一地物类别，不同的空间分辨率，它的光谱响应值并非与像元大小线性相关[11]。由于辐射测量值随传感器分辨率变化的非线性性，同一目标表现的特征在不同尺度的图像中不是平均或平分对应关系，会随着尺度的变化产生差异，这就是遥感中的尺度问题[12]，也是多尺度目标识别中有待于解决的关键问题。另一个尺度问题是不同尺度之间的转换，即同一地物不同观测尺度的参数估计结果是否要求一致，如何提高参数估计精度。如专题制图仪（Thematic Mapper， TM）影像得到广泛应用后，人们发现用TM影像估算的农田面积显著不同于过去用甚高分辨率辐射仪（Advanced Very High Resolution Radiometer， AVHRR）图像估算的农田面积；这种差别随地区不同而不同，缺乏规律性。分析这种差异的产生，主要是由于田块边缘的混合像元造成的，而田块边界的长度正比于混合像元的数量[13]

2遥感影像目标识别中的尺度问题

在目标识别中，混合像元出现在目标和背景的边缘，不同尺度的影像中，混合像元表现出不同的特征，对目标识别结果产生影响。例如，地面目标的形状结构特征在不同尺度中有显著变化。一般情况下，目标提取的误差主要发生在边缘，随着分辨率的提高，目标边缘变得更加清晰，因此，误差变小；而在低分辨率的图像中，目标边缘占的比例较大，尤其是线状目标，从而影响到目标的结构变化。如图1所示的机场目标，在低分辨率图像中，每条跑道与中间地带宽度的比例几乎相等，而随着分辨率的提高，中间地带比例逐渐增大，以至于接近跑道宽度的2倍。在各个分辨率图像中的跑道中间地带和跑道的宽度比例如表1所示，单位为像素。这种结构特征的变化在多分辨率图像中是非常明显的，因此，在目标识别和信息提取中，目标特征随尺度的变化是一个关键问题。

3目标识别中的多尺度分析

3.1多尺度影像中的混合像元分析

目标识别中，不同尺度目标的形状结构差异，主要是由于边缘的混合像元造成的。地面目标，特别是线状目标，其边缘的混合像元占目标本身的比例随着尺度的增大而增加，因此，目标所表现出特征的误差也相应增大。如图2所示的模型，目标识别中的混合像元表现的形式有3种：第1种是混合像元在目标两侧，中间是单一目标类；第2种情况是随着尺度的增大，目标本身小于图像的空间分辨率，目标被包含在一个混合像元之中；第3种是介于前两种之间的情况，虽然目标大于一个像元的面积，但是会分布在两个混合像元之中。

图片

图2目标识别中混合像元的3种形式

第1种情况，影像中目标的大小会随着尺度的变化而变化，如果混合像元特征接近目标类别，则和目标分到一起，从而目标比实际面积增大，反之如果混合像元与背景分到一起，目标就会比实际减小，而且，增大或者减小的比例为一个像元。假设目标和混合像元的总宽度为n个像元，则目标变化的比例为1/n，因此，误差会随着n的减小而增大。第2种情况n为1，目标小于一个像元的宽度，这时目标会随着混合像元的特征出现或者消失，如果混合像元能从背景中分辨出来，按照影像分辨率计算，目标就会增大，如果和背景混合在一起，目标就在该尺度上消失。第3种情况具有和第2种情况相似的特征，此时n为2，因此误差所占的比例为1/2。总之n的值越小，混合像元所占的比例越大，从而目标识别中的误差越大，以至在大尺度场景中，目标识别的结果由混合像元所决定。因此，图像目标识别中的误差与其所占的像素数目密切相关，当像素数n很小的时候，意味着目标特征的量化值是不可靠的，只能提供定性的信息。

3.2地面目标的多尺度特征分析

在实际遥感影像目标识别中，目标的特征随着尺度的变化而变化，而且具有一定的规律性。如图3所示的桥梁目标，通过在高分辨率影像中测量其宽度约为35m。在由小到大的多尺度影像中，测量并计算的桥面宽度与像素数目如表2所示，表中数据是在多次测量基础上取得的平均值。

从以上实验和分析中可以看出，目标边缘的混合像元要么被分为目标类别，要么被分为背景类别，因此，混合像元所占的比例决定了目标测量的误差，从而引起目标的形状结构变化。其中一个重要问题是，误差发生的方向，本实验中误差都作为目标的一部分，不论是亮度较大的桥梁，还是亮度较暗的船坞目标，其边缘的混合像元都向它们“靠拢”，被分成目标类别。因此，混合像元与哪个类别相近，与各个类别的辐射测量值的高低无关，而是在于目标与背景的关系。例如：在如图3（g）所示的影像中，桥梁目标延伸到陆地后，其亮度和宽度没有明显变化，但是在此影像中却不能分辨，说明混合像元“融合”到背景之中了，可见，相同的目标，随着背景的不同，混合像元表现出的特征差别明显。

3.3多尺度中影像中的优势类别

在多尺度目标识别中，随着尺度的变化，混合像元被划分为目标或者背景，与特定目标及其周围地物类别相关。即使是同一地物目标，周围地物类别不同，混合像元的分类倾向也不同。例如图3所示，同样是道路（桥梁），在海面上随着尺度增大，仍能很好地识别；而在延伸到植被中间后，随着尺度增大逐渐消失了。由于同一目标表现的特征在不同尺度的图像中不是平均或平分对应关系，混合像元的辐射测量值难以由各个端元计算得出，因此也不能提前判断混合像元被划分为目标或者背景，目标识别中的误差方向也不能确定。

在目标识别中，目标和背景边界的混合像元总是被划分为两者之一，这里将混合像元所归属的那个类别称为“优势类别”，即与混合像元特征相近的类别。因此，在目标识别中，目标边缘的混合像元总是被分到优势类别。优势类别在混合像元中并不是占的面积大，也不是辐射值高的类别。从前面的实验结果中分析，在一个尺度上的优势类别，在其他尺度上同样是优势类别，以此作为多尺度影像中混合像元引起误差的判断依据。

另一方面，在大尺度场景中，目标识别往往是在背景中发现“异常”，如前面实验中，即使海面桥梁目标宽度所占像元的比例不足30%，也能发现目标的存在。这是由于海面桥梁在大尺度影像中小于一个像元，作为混合像元，它的特征并不一定是接近桥梁目标，只是在海面背景上面显现的“异常”。而这种“异常”是由于桥梁目标产生的，这里桥梁目标就是优势类别。

4结语

多分辨率图像可以从多个尺度上提取和分析目标特征，有利于图像目标的识别。本文针对同一场景的多个分辨率图像，研究了图像目标的形状结构特征。从结果中看出，形状特征作为目标识别的主要特征，在多尺度图像上并不能保持严格的比例关系或一致性。这种目标结构的显著变化，是由于图像目标边缘处的误差产生的，而且这种误差具有和尺度相关的规律性。本文揭示了这些尺度相关的特性及其规律，有利于提高目标识别和信息提取精度。

参考文献：

[1]

李新德，杨伟东，DEZERT J.一种飞机图像目标多特征信息融合识别方法[J].自动化学报，2012，38（8）：1298-1307.

[2]

刘振，姜晖，王粒宾.基于加权两向二维线性鉴别分析的SAR目标识别方法[J].计算机应用，2013，33（2）：534-538.

[3]

何强，蔡洪，韩壮志，等.基于非线性流形学习的ISAR目标识别研究[J].电子学报，2010，38（3）：585-590.

[4]

刘婧，孙继银，朱俊林，等.基于模板匹配的前视红外目标识别方法[J].弹箭与制导学报，2010，30（1）：17-20.

[5]

陈方涵，苗华，陈宇，等.基于小波多尺度积的目标识别[J].光学学报，2009，29（5）：1223-1226.

[6]

汪西莉，刘芳，焦李成.融合上下文信息的多尺度贝叶斯图像分割[J].计算机学报，2005，28（3）：386-391.

[7]

李博，曹鹏，栗伟，等.基于尺度空间中多特征融合的医学影像分类[J].计算机应用，2013，33（4）：1108-1111，1114.

[8]

李朝晖，王冰，陈明.基于小波多尺度和最大似然法的红外目标探测[J].光学学报，2009，29（12）：3404-3408.

[9]

明冬萍，骆剑承，沈占锋，等.高分辨率遥感影像信息提取与目标识别技术研究[J].测绘科学，2005，30（3）：18-20.

[10]

PERMUTER H， FRANCOS J， JERMYN I. A study of Gaussian mixture models of color and texture features for image classification and segmentation [J]. Pattern Recognition， 2006， 39（4）： 695-706.

[11]

苏理宏.遥感尺度问题研究进展[J].地球科学进展，2001，21（8）：544-548.

[12]

宫鹏.遥感科学与技术中的一些前沿问题[J].遥感学报，2009，13（1）：16-27.

遥感影像篇10

【关键词】PM2.5;气溶胶;遥感数据;关系

1.研究背景

随着社会经济的发展、工业建设和城市化进程加快，大气污染日渐严重，危害人类生产生活，PM2.5也成为关注的焦点。PM2.5是指大气中直径小于或等于2.5微米的颗粒物，能直接进入人体肺部，其自身及其携带的有害物质有了侵入人体的机会，严重危害人们健康[1]。

目前国内对PM2.5的监测方法主要包括重量法、β射线法和微量振荡天平法[2]。这些方法与样本点的数量、密度、分布息息相关，难以精确反应PM2.5浓度分布随时间和空间的变化。由于遥感数据有区域性强、分布范围广、时效性强的特点，近年来专家学者纷纷利用遥感反演方法研究PM2.5分布情况。如李倩等[3]对香港元朗地区中等分辨率成像光谱仪影像进行气溶胶反演，为PM2.5浓度反演提供了可行参考。

2.研究概述

2.1 研究内容

探索大气气溶胶厚度与PM2.5关系模型，定量分析PM2.5的浓度分布。首先，获取气溶胶光学厚度，并记录对应时段PM2.5实际质量浓度。然后，对反演得到的AOD产品进行垂直分布订正和湿度影响的订正。最后，对订正后的MODIS气溶胶光学厚度与地面PM2.5浓度进行相关分析，探索建立关系模型。对模型进行评估，对存在问题提出改进方案，实现基于遥感影像的PM2.5的监测。

2.2 研究方法

通过对中等分辨率成像光谱仪（moderate-resolution imaging spectroradiometer，MODIS）提供的L1B级基础数据进行反演，得到1km分辨率气溶胶光学厚度。首先利用Kaufman等人提出的暗目标法[4]计算地区下垫面地表反射率，并通过气象资料，利用6S传输模型（太阳光谱卫星信号的二次模拟）推算本地气溶胶模型;然后利用辐射传输模型计算出气溶胶光学厚度。反演过程包括MODIS影像的辐射校正、几何校正、云检测、气溶胶反演等。在测定PM2.5浓度时一般会有一个干燥处理的过程，也考虑到AOD是消光系数在垂直方向上的积分，必需先将反演生成气溶胶光学厚度进行湿度订正和高度订正。

3.实验部分

3.1 数据

本次实验以武汉、宜昌两地为例进行分析。PM2.5数据湖北省环境质量综合平台的2013年9月1日至2013年10月30日的每日监测数据。气象数据来源于湖北省气象台地面观测站，主要有以下几种要素：日平均气温、日相对湿度、日平均风速、日降水量。根据2.2中的反演方法，用MODIS影像反演出地表对应时间内的1km分辨率的AOD产品。

3.2 模型建立

遥感反演气溶胶光学厚度是在自然背景下进行的，气溶胶颗粒物的消光系数受相对湿度影响较大，在相对湿度较高的情况下，水溶性气溶胶颗粒吸湿膨胀，消光系数可增大数倍，这一湿度影响因子与相对湿度的关系[5]可以表示为：

f（RH）=l/（l-RH/100）

图3.1 武汉线性函数建模

图3.2 武汉二次函数建模

图3.4 宜昌二次函数建模

图3.3 宜昌线性函数建模

表3-1 湿度订正后模型对照表

故建立AOD值与PM2.5*f（RH）的关系模型，对武汉市、宜昌市分别建立线性函数和二次函数模型，如图3.1、图3.2、图3.3、图3.4所示。拟合的函数模型表达式，见表3-1。

3.3 结果分析

以武汉市和宜昌市建模，容易发现数据拟合效果不佳。利用函数模型表3-1，对武汉市和宜昌市数据进行检校，误差较大，函数模型的准确性和可靠性不高。

分析产生的原因，主要有以下几方面：① MODIS影像生成AOD精度不够，6S传输模型不能完全模拟存在诸多不定因素的实际大气，不可避免地导致误差的增大，需要使用更加精确的算法提高AOD反演的精度。②由于PM2.5数据和相对湿度数据都是日均值，这些日均值数据与瞬间获取的遥感卫星获取影像数据存在差异较大。③若获得地面水平能见度数据进行标高订正，模型拟合散点效果会变好。④遥感数据相对缺乏。由于云层过厚、数据质量等问题，导致采样点有限。

4.总结展望

由于大气气溶胶光学厚度描述的是气溶胶对光的衰减作用，与大气浑浊系数密切相关，因而与大气污染的重要因子PM2.5有一定相关性。但在实际研究中，由于实际环境中多种因子的综合影响，这种相关性并不高。

若更为深刻的探索遥感数据产品与可入肺颗粒PM2.5相关性，此方法存在诸多需要改进之处，例如采用陶金花等[6]估算近地面颗粒物浓度的新方法，精度大幅提高;获取更多高质量的遥感影像数据;构建更加密集的散点图分析相关性;采用更为精细的函数模型进行拟合等等。本研究中大气气溶胶光学厚度与PM2.5的相关性较低，提高大气气溶胶光学厚度与PM2.5的相关性是这方面研究亟待克服的难题。

参考文献

[1]Yang Liu.New Directions：Satellite driven PM2.5 exposure models to support targeted particle pollution health effects research[J].Atmospheric Environment，2013，68（4）：52-53.

[2]孙亮.灰霾天气成因危害及控制治理[J].环境科学与管理，2012，37（10）：71-75.

[3]李倩，李成才，王烨芳等.利用激光雷达和卫星遥感获得城市地面大气悬浮颗粒物浓度分布[J].北京大学学报（自然科学版），2012，10（1）：1-10.

[4]Kaufman Y J，Tanre?Didier， Boucher O.A satellite view of aerosols.

in the climate system[J].Nature，2002，419，215-223.

[5]石勇.武汉市MODIS气溶胶光学厚度与空气PM10浓度的关系研究[D].武汉：华中农业大学，2012.