基于landsat-TM影像的专题信息提取摘要:本文以沈阳地区为研究区,利用光谱信息提取水体、植被,采用基于灰度共生矩阵的纹理量的分类法,通过TM5波段提取灰度共生矩阵和灰度联合矩阵,计算并提取最能反映类别差异的纹理量值将光谱信息混淆的水田、旱田、居民地用分离,得到最终的分类结果。结果表明:将纹理特征应用于图像分类中可区分光谱混淆的地类,光谱与纹理特征结合得到的分类精度要高于单纯光谱的分类精度。
关键词:遥感影像;光谱特征;纹理特征;灰度共生矩阵;分层提取;土地利用
Abstract:Based on the study of shenyang area for using spectral information extraction,water,vegetation,based on gray symbiotic matrix of the texture classification,through the TM5 band extraction graylevel co-occurrence matrix and gray,and joint matrix extraction can reflect the differences between vector-valued texture category will confuse the paddy fields,spectral information structure,separation,with residents of the final results of the classification.Results show that: the texture characteristics will be applied to image classification can distinguish the confusion of spectral spectrum and texture feature combination,the classification accuracy than pure spectral classification accuracy.
Key words:remote sensing image;spectrum feature;texture feature;text gray-level co-occurrence matrix;layered extraction;land-use
引言
遥感图像信息专题特征的提取,需要对TM图像的光谱信息和纹理信息进行综合分析,以达到提高影像分类精度的目的[1]。在自然资源调查中,遥感图像已成为重要的空间数据源,其中TM图像信息是进行土地利用/覆盖变化动态监测的重要依据。常规提取TM图像信息主要是利用影像的光谱分辨率进行的,难以正确区分光谱易混淆的地物,例如菜地与其他耕地类型。
提取TM图像中易混淆地物信息,可以充分利用影像的空间分辨率及影像上丰富的纹理信为了息来完成信息提取。纹理分析方法在许多领域都有重要的应用,吴高洪等[2]为了提高纹理图像分割的边缘准确性和区域一致性以及降低分割错误
率,提出了一种基于小波变换进行纹理分割的方法。因此,研究地物在影像上的纹理特征,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[3]。图像分析需要用到影像的灰度和纹理信息,灰度即波谱信息,是最基本的信息,纹理反映了灰度的空间变化情况,它由纹理基元按某种确定的规律或者某种统计规律排列组成。为了能用计算机进行纹理分析和形成统一的尺度,需将纹理量化,以定量反映纹理信息,形成纹理变量和纹理图像以便分析[4]。
1 研究区概况
苏家屯是沈阳市的九个市辖区之一,位于沈阳南部,距沈阳市中心15公里,与抚顺、本溪、辽阳三市毗邻。这里气候适宜,雨量适中,年均气温8度,年均降水量700毫米。物产丰富,蕴藏着丰富的煤石油天然气铁矿石和优质矿泉水等自然资源。苏家屯农业发达,盛产水稻、玉米,是国家确定的现代化农业示范区。本文选择数据源所选取的数据是沈阳地区2001年8月11日TM影像区的子区域。根据沈阳地区的农事历,选择10月上旬的遥感资料为宜。
2 光谱信息
地物的光谱一般是指像素的亮度值,地表的各种地物由于物质组成和结构不同而具有独特的波谱反射和辐射特性,在图像上反映为各类地物在各波段上灰度值的差异。地物光谱响应特征是多光谱遥感影像地物识别最直接,也是最重要的解译元素。
3 纹理特征
纹理也是遥感影像的重要信息,它通过色调或颜色的变化表现细纹或细小的纹案,这种细纹或细小的纹案在某一确定的图像区域中以一定的规律重复出现。
目标地物的纹理特征与航空相片的比例尺和太阳高度角有关。另外,它反映了影像的灰度统计信息、地物本身的结构特征和地物空间排列的关系,是进行目视判读和计算机自动解译的重要基础[5]。许多研究表明,除了原始影像光谱信息以外,加上纹理信息就可以使分析准确性和精度提高[6]。遥感图像中多为无规则纹理,一般采用统计方法进行纹理分析,目前用得较多的统计方法有共生矩阵法、分形维法和马尔可夫随机场法。
所谓灰度共生矩阵是由影像灰度级之间二阶联合条件概率密度所构成的矩
阵,反映了影像中任意两点间灰度的空间相关性。其方法是先依据影像的灰度级数和灰度变化情况计算出4个方向(右、下、右上和左下)任意两个灰度级相邻出现的概率矩阵,它能提供多个纹理量,可以从多个侧面描述影像的纹理特征,因而在纹理分类中得到广泛的应用[7]。
4 提取方法
4.1 数据预处理
本文对沈阳地区遥感影像进行光学增强处理,并采用高通滤波来进行滤波处理对影像进行融合将融合后的影像进行几何校正。本文以1∶5万比例尺地形图为底图,选取均匀地分别在整幅图像内的60个控制点,采用二次多项式纠正模型建立两幅影像的对应关系。配准精度在0.3个像元以内,
4.2 土地利用分类体系的确定
参考国家土地利用分类体系,结合研究区土地资源的实际情况,TM影像波谱特征及其分辨率等,把研究区土地利用现状分类系统按二级进行分类,一级类型5个,分别为水体、水田、旱地、居民地、植被。
4.3 遥感信息提取
遥感图像的某些波段往往存在异物同谱和同物异谱现象,如果把多种地物放到一起考虑,由于这些波段的加入,会使信息提取变得非常复杂,这也正是传统上基于统计特征的监督和非监督分类遇到的难题。而对地物进行分层处理,就可以充分利用各类地物在不同波段的特征,收到较好效果[8,9]。对某一地物进行提取,获得该信息层,与原图像进行逻辑与运算,做掩膜处理,从而将该地物像元从原始图像中去除,以避免它对其他地物提取的影响,从而为以后的信息提取创造了纯净的环境。
4.3.1基于地物光谱模型的遥感影像分类
为获得光谱知识,在原始图像上进行采样。在采样过程中考虑到同类地物颜色的差异,如水域的深浅等,每一地类进行了多个样本值的合并,得到地物的综合光谱特征值(如图1)。
图1 地物光谱特征
水体的提取:太阳光照射到水面少部分被反射到空中大部分被入射到水体,入射到水体的光,部分被水体吸收,部分被水中的悬浮物反射,少部分透射到水底。被水底吸收和反射。被悬浮物反射和被水体反射的辐射,部分返回水面,折回到空中。因此,遥感器所接收到的辐射就包括水面反射光,悬浮物反射光,水底反射光和天空反射光(如图2)。由于不同水体的水面性质和水体特性的不同,从而形成传感器上接收到的反射光谱就存在差异,为遥感探测水体提供了基础。在可见光范围内,水体的反射率总体比较低,不超过10%,一般为4%~5%,并随着波长的增大逐渐降低,到0.6μm处约2%~3%,过了0.75μm,水体几乎成为全吸收体。因此,在近红外的遥感影像上清澈的水体成黑色。因此在提取水体时图面上黑色部分即为水体。
图2 传感器接收到的光谱
植被的提取:健康植物的波谱曲线有明显的特点(如图3),在可见光的0.55μm附近有一个反射率为10%~20%的小反射峰。在0.45μm和0.65μm附近有两个明显的吸收谷。在0.7~0.8μm是一个陡坡,反射率急剧增高。在近红外波段
0.8~1.3μm之间形成一个高的,反射率可达40%或更大的反射峰。在1.45μm、
1.95μm和
2.6~2.7μm处有三个吸收谷。它们分别受叶子色素,细胞构造,含水量等的影响。因此,在对TM影像上的植被进行提取时,要考虑以上因素。
图3 健康植被的光谱特征
4.3.2基于纹理信息的分类
在图1中容易看到水田、旱地、居民地有很大的光谱相似度,因此需要根据纹理特征进行提取。
本文用水体和植被信息分别对原始影像做掩膜,再结合纹理信息作监督分类提取居民地、水田和旱地。为了突出图像的纹理,提高对图像的解译和分析能力,在对图像进行纹理分析之前,利用ErdasImagine软件对掩膜后的影像进行了增强处理。
为了进行纹理分类,首先必须提取各类的纹理特征。试验中先提取各类样本,统计各种类纹理特征,再找出最大差异的纹理量,作为分类特征量进行分类(如图4)。纹理特征的提取需考虑到窗口的大小、方向和步长。本文利用TM第5波段的纹理特征,采用了3X3大小的窗口、四个方向的均值[10]、步长为1来对纹理值(包括角二阶距、对比度、熵、相关)进行特征统计。
图4 纹理样本图
本文所有的纹理分析均在Matlab7.0上进行,主要目标是实现对输入遥感影像进行纹理分析,输出纹理分析的结果,以便通过使用结果,以不同的结合方式辅助分类作对比研究。从图5中我们可以看到,3种地类在ASM纹理特征量上差异最大,COR上次之,因此取用ASM、COR特征值,对3种地物加以提取。
图5 3种纹理特征曲线
旱田的提取:从纹理曲线中可以看出旱田的ASM量与水田、居民地有很大的差异,因此通过实验对ASM进行阈值设定来提取旱田。
居民地和水田的区分:采用基于纹理特征和光谱特征相结合的方法,对居民地进行提取。水田和居民地在ASM特征量上,有着较大的差异,但仔细观察可以发现,在去除了旱田的干扰后,水田和居民地在COR特征量上也有着很大的差异。
同时一些研究提出了(归一化建筑指数)[11]:NDVI=(TM 5- TM 4)/(TM 5+ TM 4)来对居民地进行提取(见表1)。从表2中可以看出,这种方法并不适合本文的研究区,但是对原始的光谱特征信息进行分析可以发现,在只存有水田和居民地的图像上,两者在TM5上的亮度值差距很大。综上所述,可以对COR和TM5的亮度值进行阈值设定提取居民地,将其与水田相分离。
表1 5种地物的NDVI指数
指标水体水田旱地居民地植被
NDVI 0.24271 0.218619 0.380397 0.231489 0.166337
5 精度评价
衡量分类精度最广泛的方法是由Congalton提出的误差矩阵法(error matrix),为了评价分类试验精度,本文采用随机抽样方法抽取400个点作正确率评价,通过对原图的目视判读结合实地考察对结果进行正确率评价,建立混淆矩阵,计算其Kappa系数(见表2),在ERDAS监督分类中总正确率为85.4 %(见表3),两者相比较可以看出,基于光谱和纹理特征的信息分层提取方法能够很好的对研究区影象进行分类。
表2 光谱纹理信息分类精度%
居民地水田旱地` 水体植被
居民地
水田
旱地
水体
植被
总合
正确率/%
82
4
2
1
1
92
90.2
7
99
2
1
1
109
90.8
5
3
113
1
1
123
91.8
1
35
1
37
94.6
1
1
1
1
36
39
92.3 总正确率=91.5% Kappa系数=0.87
表3 EARDS监督分类精度
居民地水田旱地` 水体植被
居民地
水田
旱地
水体
植被
总合
正确率/% 3123
240
107
24
63
3577
88
39
7481
569
176
6
1363
78
81
112
1477
99
32
8723
86
51
39
202
1067
4
1801
82
7
2
3
379
379
97
总正确率=85.4 %
6 结语
(1)试验表明,对地物进行分层处理,就可以充分利用各类地物在不同波段的特征。避免已提取地物对其他地物提取的干扰,为后续信息提取创造了纯净的环境;同时还可以有效地减少了漏分和误分,提高分类正确率。本文采用此方法对建设用地信息提取,获得较为满意的效果。
(2)综合运用光谱知识、纹理信息对于仅基于遥感多光谱信息的传统分类方法,能够更有效地提取出土地利用类型信息,精度有了一定提高。
(3)本文在进行纹理分析时,仅使用了单波段的影象数据,对于多波段影象数据未能充分利用; TM全色波段纹理清晰,如能加以利用,会对分类精度的提高有一定的帮助。
参考文献
[1] 梅安新,彭望琭,秦其明.遥感导论[M].北京,高等教育出版社,2003.
[2] 吴高洪,章毓晋,林行刚等.利用小波变换和特征加权进行纹理分割[J].中国图像图形学报,2001,6(4):333-337.
[3] 张禾.基于纹理特征的遥感影像居民地自动提取方法[J].江汉石油职工大学学报,2007,(4):93-96
[4] 黄桂兰,郑肇葆,杨敏.一种基于共生矩阵法的影像纹理分类方法[J].测绘通报,1996,(3):28-31.
[5] 周廷刚,郭达志,盛业华.灰度矢量多波段遥感影像纹理特征及其描述[J].西
安科技学院学报,2000,2(4):336-338.
[6] 舒宁.关于多光谱和高光谱影像的纹理问题[J].武汉大学学报,2004,29(4):292-295.
[7] 武文波,陈静基于ETM+的遥感影像信息提取研究[J]甘肃农业大学学报2007,43(4).
[8] 李四海,恽才兴.土地覆盖遥感专题信息的分层提取方法及其应用[J].遥感技术与应用,1999,(4):
[9] 柴芸.甘肃省沙化土地监测研究[J].甘肃农业大学学报,2003,38(3):296~301.
[10] Treitz P,Howarth P.Integrating spectral spatial andTerrain variables for forest ecosystem classification[J].Photogrammetric Engineering Remote Sensing,2000,66(3):305-317.
[11] 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):38-391.
遥感专题信息提取与专题图制作设计报告 1.课程设计的目的和意义 本次课程设计的目的主要是为了加深理解和巩固遥感原理与应用的有关理论知识;熟悉遥感图像处理的方法和步骤,学习运用ERDAS软件对遥感图像进行几何纠正、图像镶嵌、图像融合、自动分类以及专题图制作等处理。锻炼独立分析问题和解决问题的能力,培养良好的工作习惯和科学素养,为今后工作打下良好的基础。 2.课程设计的原理和方法 2.1课程设计原理 2.1.1 图像预处理 ERDAS软件默认的文件格式是img格式,因此首先需要将实习数据由TIFF 格式转换为img格式图像。 多波段影像包含的信息量较大,实习中将6个单波段影像合成多波段影像进行处理。 Spot影像需具有地理信息,要将影像头文件信息添加进去。 2.1.2几何纠正 遥感所获取的数据,均存在几何畸变。因此需要对图像进行几何纠正。几何纠正的原理是将图像数据投影到平面上,使其符合地图投影系统。而将地图投影系统赋予图像数据的过程,称为地理参考。由于所有地图投影系统都遵循一定的地图坐标系统,因此几何纠正的过程包含了地理参考过程。在实习过程中,采用了一次多项式法进行几何纠正。 2.1.3图像镶嵌 因研究范围的要求,需要在几何上将左右两幅图像连接在一起,并且保证拼接后的图像反差一致,色调相近,没有明显的接缝。遥感影像在镶嵌之前,必
须包含投影信息、地理坐标信息,还要有相同的波段数。当然,在挑选遥感数据时,要尽可能选择成像时间和成像条件相近的遥感图像,要求相邻影像的色调一致。 2.1.4图像裁剪 在实际工作中,经常需要根据研究工作范围对图像进行裁剪,按照ERDAS 实际图像分幅裁剪的过程,可以将图像分幅裁剪分为两种类型:规则分幅裁剪和不规则分幅裁剪。 规则分幅裁剪是指裁剪图像的边界范围是一个矩形,通过左上角和右下角两点的坐标,就可以确定图像的裁剪位置,整个裁剪过程比较简单。 不规则分幅裁剪是指裁剪图像的边界范围是任意多边形,无法通过左上角和右下角两点的坐标确定裁减位置,而必须事先生成一个完整的闭合多边形区域,可以是一个AOI多边形,也可以是ArcInfo的一个Polygon Coverage,针对不同的情况采用不同的裁剪过程。 2.1.5图像融合 图像融合是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等,最大限度的提取各自信道中的有利信息,最后综合成高质量的图像,以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率,利于监测。 2.1.6图像分类 图像分类就是基于图像像元的数据文件值,将像元归并成有限的几种类型、等级或数据集的过程。常规图像分类主要有两种方法:监督分类与非监督分类。 2.2课程设计方案
第五章数字影像与特征提取 1.什么是数字影像?其频域表达有什么作用? 答:①数字影像是以数字形式保存数字化航空、胶片影像的扫描影像 ②频域表达对数字影像处理是很重要的。因为变换后矩阵中元素的数目与原像中的相同。但其中很多是零值或数值很小,这就意味着通过变换、数据可以被压缩,使其能更有效的存储和传递;其次是影像分解力的分析以及许多影像处理过程。例如滤波、卷积以及在有些情况下的相关运算,在频域内可以更为有利的进行。其中所利用的一条重要关系就是在空间域内的一个卷积,相当于在频率域内其卷积函数的相乘,反之亦然。在摄影测量中所使用的影像的傅立叶谱可以有很大的变化,例如在任何一张航摄影像上总可以找到有些地方只含有很低的频率信息,而有些地方则主要包含高频信息,偶然的有些地区主要是有一个狭窄范围的带频率信息。 2.怎样根据已知的数字影像离散灰度值,精确计算其任意一点上的灰度值? 答::当欲知不位于矩阵(采样)点上的原始函数g(x,y)的数值时就需要内插,此时称为重采样 3.常用的影像重采样方法有哪些?试比较他们的优缺点 答:①常用的影像重采样方法有最邻近像元法、双线性插值、双三次卷积法 ②最邻近像元法最简单、计算速度快、且能不破坏原始影像的灰度信息,但几何精度较差; 双线性插值法虽破坏原始影像的灰度信息,但精度较高,较为适宜;
双三次卷积法其重采样中误差约为双线性插值的1/3,但较费时; 4.已知/4,4,为采 样间隔,用双线性插值计算gk,l 答:g(k,l)=W(i,j) g(i,j)+W(i+1,j) g(i+1,j)+W(i,j+1) g(i,j+1)+W(i+1,j+1) =(1- /4)(/4)*102+(/4/4*112+ 4(1- 4) *118+( /4)* ( /4)*126 =102+13/-1 5.什么是线特征?有哪些梯度算子可用于线特征的提取? 答:①线特征指影像的边缘与线,边缘可定义影响局部区域特征不相同的那些区域间的分界线,而线则可以认为是具有很小宽度的其中间区域具有相同影响特征的边缘对 ②常用方法有差分算子、拉普拉斯算子、LOG算子等
呵呵,看了半天,原来你只不过要求进行边缘检测就可以,然后再做阈值化而已,太简单了。按照下面做即可: void RobelEdgeDetect(LPBYTE lpDibTemp, LPBYTE lpDibSave,int width,int height) { int i,j; float R; float RCos,RSin; for(j=1;j
遥感信息智能化提取方法 目前,大部分遥感信息的分类和提取,主要是利用数理统计与人工解译相结合的方法。这种方法不仅精度相对较低,效率不高,劳动强度大,而且依赖参与解译分析的人,在很大程度上不具备重复性。尤其对多时相、多传感器、多平台、多光谱波段遥感数据的复合处理,问题更为突出。在遥感影像相互校正方面,一些商业化的遥感图像处理软件,虽然提供了简单的影像相互校正和融合功能,但均是基于纯交互式的人工识别选取同名点,不仅效率非常低,而且精度也难于达到实用要求。因此,研究遥感信息的智能化提取方法对于提高遥感信息的提取精度和效率具有重要意义。 1.遥感图像分类 遥感图像分类是遥感图像处理系统的核心功能之一,它实现了基于遥感数据的地理信息提取,主要包括监督分类,非监督分类,以及分类后的处理功能。非监督分类包括等混合距离法分类(Isodata)等。监督分类包括最小距离(Minimum Distance)分类、最大似然(Maximum Likehood)分类、贝叶斯(Bayesian)分类、以及波谱角分类、二进制编码分类、AIRSAR散射机理分类等。 自动分类是计算机图像处理的初期便涉及的问题。但作为专题信息提取的一种方法,则有其完全不同的意义,是从应用的角度赋予其新的内容和方法。传统的遥感自动分类,主要依赖地物的光谱特性,采用数理统计的方法,基于单个像元进行,如监督分类和非监督分类方法,对于早期的MSS这样较低分辨率的遥感图像在分类中较为有效。后来人们在信息提取中引入了空间信息,直接从图像上提取各种空间特征,如纹理、形状特征等。其次是各种数学方法的引进,典型的有模糊聚类方法、神经网络方法及小波和分形。 近年来对于神经网络分类方法的研究相当活跃。它区别于传统的分类方法在于:在处理模式分类问题时,并不基于某个假定的概率分布,在无监督分类中,从特征空间到模式空间的映射是通过网络自组织完成的,在监督分类中,网络通过对训练样本的学习,获得权值,形成分类器,且具备容错性。人工神经网络 (ANN) 分类方法一般可获得更高精度的分类结果,因此 ANN方法在遥感分类中被广泛应用,特别是对于复杂类型的地物类型分类,ANN 方法显示了其优越性。如 Howald(1989)、McClellad(1989)、 Hepner(1990)、T.Yosh ida(1994)、K.S.Chen(1995)、J.D.Paola(1997) 等利用 ANN 分类方法对 TM 图像进行土地覆盖分类,在不同程度上提高了分类精度;Kanellopoulos(1992) 利用 ANN方法对 SPOT 影像进行了多达20类的分类,取得比统计方法更精确的结果;G.M.Foody(1996)用ANN对混合像元现象进行了分解;L.Bruzzone 等 (1997) 在 TM-5 遥感数据、空间结构信息数据、辅助数据(包括高程、坡度等)等空间数据基础下,用 ANN 方法对复杂土地利用进行了分类,比最大似然分类法提高了 9% 的精度。与统计分类方法相比较,ANN 方法具有更强的非线性映射能力,因此,能处理和分析复杂空间分布的遥感信息。2.基于知识发现的遥感信息提取
面向对象的影像分类技术 “同物异谱,同谱异物”会对影像分类产生的影响,加上高分辨率影像的光谱信息不是很丰富,还有经常伴有光谱相互影响的现象,这对基于像素的分类方法提出了一种挑战,面向对象的影像分类技术可以一定程度减少上述影响。 本小节以ENVI中的面向对象的特征提取FX模块为例,对这种技术和处理流程做一个简单的介绍。 本专题包括以下内容: ??●面向对象分类技术概述 ??●ENVI FX简介 ??●ENVI FX操作说明 1、面向对象分类技术概述 面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素,充分利用高分辨率的全色和多光谱数据的空间,纹理,和光谱信息来分割和分类的特点,以高精度的分类结果或者矢量输出。它主要分成两部分过程:影像对象构建和对象的分类。
影像对象构建主要用了影像分割技术,常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。比较常用的就是多尺度分割算法,这种方法综合遥感图像的光谱特征和形状特征,计算图像中每个波段的光谱异质性与形状异质性的综合特征值,然后根据各个波段所占的权重,计算图像所有波段的加权值,当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时,进行重复迭代运算,直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。 影像对象的分类,目前常用的方法是“监督分类”和“基于知识分类”。这里的监督分类和我们常说的监督分类是有区别的,它分类时和样本的对比参数更多,不仅仅是光谱信息,还包括空间、纹理等信息。基于知识分类也是根据影像对象的熟悉来设定规则进行分类。 目前很多遥感软件都具有这个功能,如ENVI的FX扩展模块、易康(现在叫Definiens)、ERDAS的Objective模块、PCI的FeatureObjeX(新收购)等。 表1为三大类分类方法的一个大概的对比。 类型基本原理影像的最小单元适用数据源缺陷 传统基于光谱的分类方 法地物的光谱信息 特征 单个的影像像元 中低分辨率多光谱 和高光谱影像 丰富的空间信息利 用率几乎为零 基于专家知识决策树根据光谱特征、空 间关系和其他上 下文关系归类像 元 单个的影像像元多源数据知识获取比较复杂 面向对象的分类方法几何信息、结构信 息以及光谱信息 一个个影像对象 中高分辨率多光谱 和全色影像 速度比较慢
北京揽宇方圆信息技术有限公司 、 遥感卫星影像数据信息提取 北京揽宇方圆信息技术有限公司中科院企业,卫星影像数据服务全国领先。业务包括遥感数据获取与分发、遥感数据产品深加工与处理。按照遥感卫星数据一星多用、多星组网、多网协同的发展思路,根据观测任务的技术特征和用户需求特征,重点发展光学卫星影像、雷达卫星影像、历史卫星影像三个系列,构建由 26个星座及三类专题卫星组成的遥感卫星系统,逐步形成高、中、低空间分辨率合理配置、多种观测技术优化组合的综合高效全球观测和数据获取能力形成卫星遥感数据全球接收与全球服务能力。 (1光学卫星影像系列。 面向国土资源、环境保护、防灾减灾、水利、农业、林业、统计、地震、测绘、交通、住房城乡建设、卫生等行业以及市场应用对中、高空间分辨率遥感数据的需求,提供 worldview1、worldview2、worldview3、worldview4、quickbird、geoeye、 ikonos、pleiades、spot1、spot2、spot3、spot4、spot5、spot6、spot7、landsat5(tm、 landsat(etm、 rapideye、alos、Kompsat 卫星、北京二号、资源三 号、高分一号、高分二号等高分辨率光学观测星座。围绕行业及市场应用对基础地理信息、土地利用、植被覆盖、矿产开发、精细农业、城镇建设、交通运输、水利设施、生态建设、环境保护、水土保持、灾害评估以及热点区域应急等高精度、高重访观测业务需求,发展极轨高分辨率光学卫星星座,实现全球范围内精细化观测的数据获取能力。像国产的中分辨率光学观测星座。围绕资源调查、环境监测、防灾减灾、碳源碳汇调查、地质调查、水资源管理、农情监测等对大幅宽、快速覆盖和综合观测需求,建设高、低轨道合理配置的中分辨率光学卫星星座,实现全球范围天级快速动态观测以及全国范围小时级观测。
遥感专题信息提取与专题图制作设计报告 1、课程设计的目的与意义 本次课程设计的目的主要就是为了加深理解与巩固遥感原理与应用的有关理论知识;熟悉遥感图像处理的方法与步骤,学习运用ERDAS软件对遥感图像进行几何纠正、图像镶嵌、图像融合、自动分类以及专题图制作等处理。锻炼独立分析问题与解决问题的能力,培养良好的工作习惯与科学素养,为今后工作打下良好的基础。 2、课程设计的原理与方法 2、1课程设计原理 2、1、1 图像预处理 ERDAS软件默认的文件格式就是img格式,因此首先需要将实习数据由TIFF 格式转换为img格式图像。 多波段影像包含的信息量较大,实习中将6个单波段影像合成多波段影像进行处理。 Spot影像需具有地理信息,要将影像头文件信息添加进去。 2、1、2几何纠正 遥感所获取的数据,均存在几何畸变。因此需要对图像进行几何纠正。几何纠正的原理就是将图像数据投影到平面上,使其符合地图投影系统。而将地图投影系统赋予图像数据的过程,称为地理参考。由于所有地图投影系统都遵循一定的地图坐标系统,因此几何纠正的过程包含了地理参考过程。在实习过程中,采用了一次多项式法进行几何纠正。 2、1、3图像镶嵌 因研究范围的要求,需要在几何上将左右两幅图像连接在一起,并且保证拼接后的图像反差一致,色调相近,没有明显的接缝。遥感影像在镶嵌之前,必须包含投影信息、地理坐标信息,还要有相同的波段数。当然,在挑选遥感数据时,要尽可能选择成像时间与成像条件相近的遥感图像,要求相邻影像的色调一致。 2、1、4图像裁剪 在实际工作中,经常需要根据研究工作范围对图像进行裁剪,按照ERDAS实际图像分幅裁剪的过程,可以将图像分幅裁剪分为两种类型:规则分幅裁剪与不规则分幅裁剪。 规则分幅裁剪就是指裁剪图像的边界范围就是一个矩形,通过左上角与右下角两点的坐标,就可以确定图像的裁剪位置,整个裁剪过程比较简单。 不规则分幅裁剪就是指裁剪图像的边界范围就是任意多边形,无法通过左上角与右下角两点的坐标确定裁减位置,而必须事先生成一个完整的闭合多边形区域,可以就是一个AOI多边形,也可以就是ArcInfo的一个Polygon Coverage,针对不同的情况采用不同的裁剪过程。
数字摄影测量复习要点(2016.5) 1、摄影测量发展历程 模拟摄影测量(1851-1970) 模拟摄影测量主要是根据摄影过程的几何反转,反求地面点的空间位置。它所采用的仪器为光学投影器、机械投影器或光学-机械投影器模拟摄影过程,用光线交会被摄物体的空间位置。 解析摄影测量(1950-1980) 1957年,Helava提出用“数字投影代替”物理投影,数字投影就是利用电子计算机实时的进行共线方程的解算,从而交会出被摄物体的空间位置。 数字摄影测量(1970-现在) 利用数字影像相关技术,实现真正的自动化测图。 数字摄影测量与模拟、解析摄影测量的最大区别: 1)处理的原始信息主要是数字影像; 2)以计算机视觉代替人眼的立体观测。 2、数字摄影测量的任务、特点 主要任务:使用星载(机载)传感器所获取的可见光影像对地球陆地区域进行信息提取,具体包括:目标量测、影像解译、地形图测绘、正射影像图制作、数字高程模型生成。 特点:数据量大、计算机运算速度快、技术精度高。 3、数字摄影测量 定义:数字摄影测量是利用影像相关技术来代替人眼的目视观测,自动识别同名点,实现几何信息的自动提取。 主要内容:影像及特征点的识别、同名像点的自动相关和匹配、数字影像纠正技术、数字高程模型(DEM)的制作、数字摄影测量系统的完整操作和测绘产品的生产。 4、计算机辅助测图 计算机辅助测图(又称数字测图)是利用解析测图仪或具有机助系统的模拟测图仪,进行数据采集和数据处理,测绘数字地图,制作数字高程模型,建立测量数据库。计算机辅助测图系统所处理的依旧是传统像片,且对影像的处理仍然需要人眼的立体量测,计算机则起数据记录与辅助处理的作用,是一种半自动化的方式。计算机辅助测图是摄影测量从解析化向数字化的过渡阶段。
遥感图像信息提取方法综述 0、遥感图像分析 遥感实际上是通过接收(包括主动接收和被动接收方式)探测目标物电磁辐射信息的强弱来表征的,它可以转化为图像的形式以相片或数字图像表现。多波段影像是用多波段遥感器对同一目标(或地区)一次同步摄影或扫描获得的若干幅波段不同的影像。 在遥感影像处理分析过程中,可供利用的影像特征包括:光谱特征、空间特征、极化特征和时间特性。在影像要素中,除色调/彩色与物体的波谱特征有直接的关系外,其余大多与物体的空间特征有关。像元的色调/彩色或波谱特征是最基本的影像要素,如果物体之间或物体与背景之间没有色调/彩色上的差异的话,他们的鉴别就无从说起。其次的影像要素有大小、形状和纹理,它们是构成某种物体或现象的元色调/彩色在空间(即影像)上分布的产物。物体的大小与影像比例尺密切相关;物体影像的形状是物体固有的属性;而纹理则是一组影像中的色调/彩色变化重复出现的产物,一般会给人以影像粗糙或平滑的视觉印象,在区分不同物体和现象时起重要作用。第三级影像要素包括图形、高度和阴影三者,图形往往是一些人工和自然现象所特有的影像特征。 1、遥感信息提取方法分类 常用的遥感信息提取的方法有两大类:一是目视解译,二是计算机信息提取。 1.1目视解译 目视解译是指利用图像的影像特征(色调或色彩,即波谱特征)和空间特征(形状、大小、阴影、纹理、图形、位置和布局),与多种非
遥感信息资料(如地形图、各种专题图)组合,运用其相关规律,进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程。早期的目视解译多是纯人工在相片上解译,后来发展为人机交互方式,并应用一系列图像处理方法进行影像的增强,提高影像的视觉效果后在计算机屏幕上解译。 1)遥感影像目视解译原则 遥感影像目视解译的原则是先“宏观”后“微观”;先“整体”后“局部”;先“已知”后“未知”;先“易”后“难”等。一般判读顺序为,在中小比例尺像片上通常首先判读水系,确定水系的位置和流向,再根据水系确定分水岭的位置,区分流域范围,然后再判读大片农田的位置、居民点的分布和交通道路。在此基础上,再进行地质、地貌等专门要素的判读。 2)遥感影像目视解译方法 (1)总体观察 观察图像特征,分析图像对判读目的任务的可判读性和各判读目标间的内在联系。观察各种直接判读标志在图像上的反映,从而可以把图像分成大类别以及其他易于识别的地面特征。 (2)对比分析 对比分析包括多波段、多时域图像、多类型图像的对比分析和各判读标志的对比分析。多波段图像对比有利于识别在某一波段图像上灰度相近但在其它波段图像上灰度差别较大的物体;多时域图像对比分析主要用于物体的变化繁衍情况监测;而多各个类型图像对比分析则包括不同成像方式、不同光源成像、不同比例尺图像等之间的对比。
一、基本题目 1. 加色图像的三基色是指:红 、 绿 、 蓝 2. HSI 模型中,H 表示色调(Hue),S 表示饱和度(Saturation), I 表示亮度(Intensity) 3. CMYK 模式的原色为青色(Cyan)、品红色(Magenta)、黄色(Yellow)和黑色 (Black )。 4. 常见的数字图像文件格式有:BMP 、JPEG 、GIF 、TIFF 、PNG 等 5. 图像按其亮度等级的不同,可以分成二值图像(只有黑白两种亮度等级)和灰度图像(有多种亮度等级)两种。 6. 数字图像对图像进行采集、量化后得到的。图像在空间上的离散化过程称为取样或抽样。被选取的点成为取样点、抽样点或样点,这些点也称为像素。 7. 数字图像显示质量的主要由空间分辨率和灰度分辨率两个因素决定。 8. 存储一幅大小为M ×N ,灰度级为2g 级的图像需要M ×N ×g (bit )大小的 存储空间。 9. 图像退化是图像形成、传输和记录的过程中,由于成像系统、传输介质和设备的不完善,而引起图像质量的下降。图像退化的典型表现为图像模糊、失真、噪声等。 10. 图像边缘是指图像中象素灰度值有阶跃变化或屋顶状变化的那些象素的集 合。我们常常利用灰度变换曲线的导数在边缘 取极值和零交叉的特点来进行图像的边缘检测。 11. 用函数b kr s +=来对图像象素进行拉伸变换,其中r 表示待变换图像象素灰 度值,若系数0,1>>b k ,则输出图像的象素灰度值范围被 拉伸 (拉伸或压缩),图像变 暗 (暗或者亮)。 12. 广义的图像处理包含三个层次:图像变换处理,图像分析,图像理解。 13. 图像按其色调不同,可分为无色调的灰度(黑白)图像和有色调的彩色图像 两种。 14. 图像的一般可以用多变量函数来表示(,,,,)I f x y z t λ= 15. 对每个取样点灰度值的离散化过程称为量化。量化等级越多(多 少),所得图像层次越丰富,灰度分辨率越高(高 低),质量越好,但数据量越大。 16. 频率域法是在图像的变换域(或频率域)上进行处理,增强我们感兴趣的频率分量,然后进行反变换,便得到增强了的图像。 17. 图像退化的典型表现为图像模糊、失真、噪声等,我们针对退化进行图像复 原的一般过程是:分析退化原因->建立退化模型->反向推演->恢复图像 18. 灰度直方图反映一幅图像中各灰度级象素出现的频率之间的关系,以灰度级
遥感图像信息提取方法综述 遥感图像分析 遥感实际上是通过接收(包括主动接收和被动接收方式)探测目标物电磁辐射信息的强弱来表征的,它可以转化为图像的形式以相片或数字图像表现。多波段影像是用多波段遥感器对同一目标(或地区)一次同步摄影或扫描获得的若干幅波段不同的影像。 在遥感影像处理分析过程中,可供利用的影像特征包括:光谱特征、空间特征、极化特征和时间特性。在影像要素中,除色调/彩色与物体的波谱特征有直接的关系外,其余大多与物体的空间特征有关。像元的色调/彩色或波谱特征是最基本的影像要素,如果物体之间或物体与背景之间没有色调/彩色上的差异的话,他们的鉴别就无从说起。其次的影像要素有大小、形状和纹理,它们是构成某种物体或现象的元色调/彩色在空间(即影像)上分布的产物。物体的大小与影像比例尺密切相关;物体影像的形状是物体固有的属性;而纹理则是一组影像中的色调/彩色变化重复出现的产物,一般会给人以影像粗糙或平滑的视觉印象,在区分不同物体和现象时起重要作用。第三级影像要素包括图形、高度和阴影三者,图形往往是一些人工和自然现象所特有的影像特征。 1、遥感信息提取方法分类 常用的遥感信息提取的方法有两大类:一是目视解译,二是计算机信息提取。 1.1目视解译 目视解译是指利用图像的影像特征(色调或色彩,即波谱特征)和空间特征(形状、大小、阴影、纹理、图形、位置和布局),与多种非遥感信息资料(如地形图、各种专题图)组合,运用其相关规律,进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程。早期的目视解译多是纯人工在相片上解译,后来发展为人机交互方式,并应用一系列图像处理方法进行影像的增强,提高影像的视觉效果后在计算机屏幕上解译。 1)遥感影像目视解译原则 遥感影像目视解译的原则是先“宏观”后“微观”;先“整体”后“局部”;先“已知”后“未知”;先“易”后“难”等。一般判读顺序为,在中小比例尺像片上通常首先判读水系,确定水系的位置和流向,再根据水系确定分水岭的位置,区分流域范围,然后再判读大片农田的位置、居民点的分布和交通道路。在此基础上,再进行地质、地貌等专门要素的判读。 2)遥感影像目视解译方法 (1)总体观察 观察图像特征,分析图像对判读目的任务的可判读性和各判读目标间的内在联系。观察各种直接判读标志在图像上的反映,从而可以把图像分成大类别以及其他易于识别的地面特征。(2)对比分析 对比分析包括多波段、多时域图像、多类型图像的对比分析和各判读标志的对比分析。多波段图像对比有利于识别在某一波段图像上灰度相近但在其它波段图像上灰度差别较大的物体;多时域图像对比分析主要用于物体的变化繁衍情况监测;而多各个类型图像对比分析则包括不同成像方式、不同光源成像、不同比例尺图像等之间的对比。 各种直接判读标志之间的对比分析,可以识别标志相同(如色调、形状),而另一些标识不同(纹理、结构)的物体。对比分析可以增加不同物体在图像上的差别,以达到识别目的。(3)综合分析 综合分析主要应用间接判读标志、已有的判读资料、统计资料,对图像上表现得很不明显,或毫无表现的物体、现象进行判读。间接判读标志之间相互制约、相互依存。根据这一特点,可作更加深入细致的判读。如对已知判读为农作物的影像范围,按农作物与气候、地貌、土质的依赖关系,可以进一步区别出作物的种属;河口泥沙沉积的速度、数量与河流汇水区域
计算机世界/2006年/7月/31日/第B15版 技术专题 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,是具有自主知识产权的软件产品。 遥感影像信息提取与分析 沈占锋 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
遥感原理与应用课程设计—“遥感专题信息提取与专题图制作”设计报告 学院遥感信息工程学院 班级 学号 姓名 日期2012年2月21日
一、课程设计的目的和意义 本次课程设计的目的主要是为了加深理解和巩固遥感原理与应用的有关理论知识;要求我们会运用专业遥感软件,通过对遥感影像进行各种处理以及专题信息提取等综合应用,培养独立分析问题和解决问题的能力。本次实习的意义在于锻炼我们的独立自主能力,培养良好的工作习惯和科学素养,为今后工作打下良好的基础。 二、课程设计方案和流程 1、实验数据介绍 地点:XX地区 传感器类型:TM1、3、4、5、6、7波段影像;空间分辨率:30米、120米; SPOT影像,分辨率10米。 说明文件:Readme.txt,SPOT影像投影信息、大地坐标、分辨率。 2、硬软件介绍 本次实习使用的软件主要为ERDAS软件。ERDAS IMAGINE是美国ERDAS 公司开发的专业遥感图像处理与地理信息系统软件。在图像处理方面,直观的操作步骤使用户操作起来非常灵活方便。IMAGINE的窗口提供了卷帘、闪烁、设置透明度以及根据坐标进行窗口关联功能,方便多个相关图像的比较。ERDAS IMAGINE 为不同的应用提供了250多种地图投影系统,还有非常方便的坐标转换工具。新开发的专家分类器,为高光谱、高分辨率图像的快速高精度分类提供了可能。此工具突破了传统分类只能利用光谱信息的局限,可以利用空间信息辅助分类。 3、总体方案 本次实习给定的是XX地区的相关波段的TM图,我想采用分类融合技术,利用各个波段的TM图像进行影像融合,分别提取该区域的水系、植被、居民地,以这三种地类的面积或周长等要素作为研究对象,进而制作出XX地区的土地利用专题图。 详细步骤如下: (1)、确定专题要素:XX地区水系、植被、居民地这三中地类的面积以及分布情况。 (2)、格式转换:先将源图像.tif格式的文件转换成.img格式的文件,便于软件进行处理。
摘要 对图像进行研究和应用时,人们往往对图像中的某些部分感兴趣,这些部分常被称为目标或对象 目标或对象特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集,这些子集往往属于孤立的点、连续的曲线或者连续的区域。 本课设需要解决的问题是,利用阈值分割方法,对该图像进行分割,得到提取那个目标后的二值图像,计算该目标的面积、周长、中心坐标等三个参数。阈值分割采用的是全局阈值分割方法,而面积、周长的计算则是先通过将图像转换成二值图像,在通过计算二值图像像素点的方式求取。 关键词:阈值分割,边缘检测,像素点
1 绪论 目标的特征提取是图像处理和自动目标识别(ATR)中的一个重要的研究课题,是解决图像识别问题的难点和关键。 特征提取是图象处理中的一个初级运算,也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分,那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算,输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 有时,假如特征提取需要许多的计算时间,而可以使用的时间有限制,一个高层次算法可以用来控制特征提取阶层,这样仅图像的部分被用来寻找特征。 由于许多计算机图像算法使用特征提取作为其初级计算步骤,因此有大量特征提取算法被发展,其提取的特征各种各样,它们的计算复杂性和可重复性也非常不同。
2 设计原理 2.1 常用的特征提取的方法 提取图像空间关系特征可以有两种方法:一种方法是首先对图像进行自动分割,划分出图像中所包含的对象或颜色区域,然后根据这些区域提取图像特征,并建立索引;另一种方法则简单地将图像均匀地划分为若干规则子块,然后对每个图像子块提取特征,并建立索引。 本课程设计是采用的第一种方法,即先对该图像进行分割,得到提取那个目标后的二值图像,计算该目标的面积、周长、中心坐标等三个参数。阈值分割采用的是全局阈值分割方法,而面积、周长的计算则是先通过将图像转换成二值图像,在通过计算二值图像像素点的方式求取。其中计算周长时,先需要对二值图像进行边缘检测,然后再统计其像素点。 2.2 阈值分割原理 图像阈值化分割是一种最常用,同时也是最简单的图像分割方法,它特别适用于目标和背景占据不同灰度级范围的图像[1]。它不仅可以极大的压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级,对像素集合进行一个划分,得到的每个子集形成一个与现实景物相对应的区域,各个区域内部具有一致的属性,而相邻区域布局有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。 2.2.1 阈值分割思想和原理 阈值分割法是一种基于区域的图像分割技术,其基本原理是:通过设定不同的特征阈值,把图像象素点分为若干类。常用的特征包括:直接来自原始图像的灰度或彩色特征;由原始灰度或彩色值变换得到的特征。设原始图像为f(x,y),按照一定的准则f(x,y)中找到特征值T,将图像分割为两个部分,分割后的图
华南师范大学实验报告 一、实验目的 1、.掌握边缘检测的Matlab实现方法 2、了解Matlab区域操作函数的使用方法 3、了解图像分析和理解的基本方法 4、了解纹理特征提取的matlab实现方法 二、实验平台 计算机和Matlab软件环境 三、实验内容 1、图像边缘检测 2、图像纹理特征提取 四、实验原理 1、图像边缘检测 图像理解是图像处理的一个重要分支,它研究的是为完成某一任务需要从图像中提取哪些有用的信息,以及如何利用这些信息解释图像。边缘检测技术对于处理数字图像非常重要,因为边缘是所要提取目标和背景的分界线,提取出边缘才能将目标和背景区分开来。在图像中,边界表明一个特征区域的终结和另一个特征区域的开始,边界所分开区域的内部特征或属性是一致的,而不同的区域内部的特征或属性是不同的,边缘检测正是利用物体和背景在某种图像特性上的差异来实现的,这些差异包括灰度,颜色或者纹理特征。边缘检测实际上就是检测图像特征发生变化的位置。 由于噪声和模糊的存在,检测到的边界可能会变宽或在某些点处发生间断,因此,边界检测包括两个基本内容:首先抽取出反映灰度变化的边缘点,然后剔除某些边界点或填补边界间断点,并将这些边缘连接成完整的线。边缘检测的方法大多数是基于方向导数掩模求卷积的方法。 导数算子具有突出灰度变化的作用,对图像运用导数算子,灰度变化较大的点处算得的值比较高,因此可将这些导数值作为相应点的边界强度,通过设置门限的方法,提取边界点集。 一阶导数 f x ? ? 与 f y ? ? 是最简单的导数算子,它们分别求出了灰度在x和y方向上的变化率, 而方向α上的灰度变化率可以用下面式子计算:
影像信息提取 ——目视解译 遥感影像通过亮度值或像元值的高低差异(反映地物的光谱信息)及空间变化(反映地物的空间信息)来表示不同地物的差异,这是区分不同影像地物的物 理基础。 目前影像都是基于数字,影像信息的提取方法的发展历程可分为如图1所示, 目前这四类方法共存。 图1 影像信息提取发展阶段 这一专题讲解的是人工解译,也是目前国内使用最多的一种影像提取方法,如土地调查、地质调查等。这类方法非常灵活,但需要一定的经验,特别是像地 质解译等,对业务专业要求比较多。 本专题分以下内容: ??●遥感图像解译基本概念 ??●遥感图像解译预处理 ??●解译标志的建立 ??●解译关键问题
遥感图像解译 人们对地表物体的有关领域,如土地利用存在一种先验知识,在遥感图像寻找对应关系。然后,根据遥感图像的影像特征推论地表物体的属性。这一过程就称之为遥感图像的解译,也叫遥感图像的判读。 解译的任务就是从图像上认识,辨别影像与地物的对应关系、判断、归类、地物目标,并用轮廓线圈定它们和赋予属性代码,或用符号、颜色表示属性。 进行图像解译时,把图像中目标物的大小、形状、阴影、颜色、纹理、图案,位置及周围的系统称之为解译的八要素。 (1)大小:拿到图像时必须根据判读目的选定需要的比例尺。根据比例尺的大小,可以预先知道图像上多少毫米的物,在实际距离中为多少米。 (2)形状:由于目标物不同,在图像中会呈现出特殊的形状。用于图像判读的图像通常是垂直拍摄的,所以必须记住目标的成像方式。因为即使同样为树木,针叶林的树冠呈现为圆形,而阔叶树则形状不同,从而可以识别出二者。此外,飞机场,港口设施、工厂等都可以通过它们的形状判读出其功能。 (3)阴影:由于判读存在于山脉等阴影中的树木及建筑时,阴影的存在会给判读者造成麻烦,信往往会使目标丢失。但另一方面,在单像片判读时,利用阴影可以了解铁塔及桥、高层建筑物等的高度及结构。 (4)颜色:黑白像片从白到黑的密度比例叫色调(也叫灰度)。用全色胶片拍摄的像片中,目标物按照其反射率而呈现出白一灰一黑的密度变化。例如,同样为海滩的沙子,干的沙子拍出来发白,而湿沙则发黑。在红外图像上,水域 拍出来是黑色的,而植被则发白。 (5)纹理:也叫结构,是指与色调配合看上去平滑或粗糙的纹理的粗细程度,即图像上目标物表面的质感。草场及牧场看上去平滑,造林后的幼树看上去像铺了天鹅绒,针叶树林看上去很粗糙。这种纹理也是判读的线索。 (6)图案:根据目标物的有规律的排列而形成的图案。例如,住宅区的建筑群,农田的垄、高尔春球场的路线和绿地,果树林的树冠等。以这种图案为线 索可以容易判别出目标物。 (7)位置及与周围的关系:在(1)-(6)上加上各区域的地理特色及判读者的专业知识等,就可以确定解释的结果。 解译的操作步骤: (1)影像预处理 (2)初步判读,建立判读标志 (3)野外调查或资料验证 (4)详细判读及其更新目标的定性、定位
【遥感专题系列】影像信息提取之——DEM提取 (2013-04-23 08:47:35) 转载▼ 标签: 分类:遥感技术 dem提取 立体像对 insar 立体成像 杂谈 DEM除了包括地面高程信息外,还可以派生地貌特性,包括坡度、坡向等,还可以计算地形特征参数,包括山峰、山脊、平原、位面、河道和沟谷等。在测绘中用于制作正射影像图以及地图的修测。在遥感应用中可作为分类的辅助数据。它还是地理信息系统的基础数据,作为三维GIS的基础地形数据。在军事上可用于导航及导弹制导、作战电子沙盘等。 本文主要包括: ?几个概念 ?表示模型 ?DEM获取途径 ?立体像对DEM提取 数字高程模型(Digital Elevation Model),简称DEM,它是用一组有序数值阵列形式表示地面高程的一种实体地面模型。 1.几个概念 数字地形模型(DTM, Digital Terrain Model)
DTM利用一个任意坐标系中大量选择的已知x、y、z的坐标点对连续地面的一个简单 的统计表示,或者说,DTM就是地形表面形态属性信息的数字表达,是带有空间位置特征和地形属性特征的数字描述。地形表面形态的属性信息一般包括高程、坡度、坡向等。最 初是为了高速公路的自动设计提出来的(Miller,1956)。此后,它被用于各种线路选线(铁路、公路、输电线)的设计以及各种工程的面积、体积、坡度计算,任意两点间的通 视判断及任意断面图绘制。 ●数字高程模型(DEM, Digital Elevation Model) DEM是高程Z关于平面坐标X,Y两个自变量的连续函数, DEM只是它的一个有限的 离散表示。高程模型最常见的表达是相对于海平面的海拔高度,或某个参考平面的相对高度。 ●数字表面模型(DSM,Digital Surface Model) DSM是指包含了地表建筑物、桥梁和树木等高度的地面高程模型。和DEM相比,DEM只包含了地形的高程信息,并未包含其它地表信息,DSM是在DEM的基础上,进一步涵盖 了除地面以外的其它地表信息的高程。在一些对建筑物高度有需求的领域,得到了很大程 度的重视。 我们可以看出三个定义相互有交集又有区别。DTM定义的范围最大,是一种广义的定义,用数字方式描述地形的统称。DEM是用高程来描述地形的DTM。DSM可以看成是DEM 的衍生,用的较多的是城市DSM和森林DSM。 实际上,在空间信息领域使用最多的是DEM。 2.表示模型 三个模型都是用数字的方式表达,主要有以下表示模型: ●规则格网模型 规则网格,通常是正方形,也可以是矩形、三角形等规则网格。规则网格将区域空间 切分为规则的格网单元,每个格网单元对应一个数值,这个数值就是高程。数学上可以表 示为一个矩阵,在计算机实现中则是一个二维数组。