海上遥感影像定位精度评价

|南京大学刘永学教授：海上遥感影像定位精度评价

遥感图像几种分类方法的比较

摘要 遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理，达到自动分类识别地物的目的。遥感图像分类主要有两类分类方法:一种是非监督分类方法，另一种是监督分类方法。非监督分类方法是一个聚类过程，而监督分类则是一个学习和训练的过程，需要一定的先验知识。非监督分类由十不能确定类别属性，因此直接利用的价值很小，研究应用也越来越少。而且监督分类随着新技术新方法的不断发展，分类方法也是层出不穷。从传统的基十贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法，虽然这些方法很大程度改善了分类效果，提高了分类精度，增加了遥感的应用能力。但是不同的方法有其不同优缺点，分类效果也受很多因素的影响。 本文在对国内外遥感图像分类方法研究的进展进行充分分析的基础上，应用最大似然分类法、决策树分类法对TM影像遥感图像进行了分类处理。在对分类实现中，首先对分类过程中必不可少的并影响分类效果的步骤也进行了详细地研究，分别是分类样本和分类特征；然后详细介绍两种方法的分类实验；最后分别分析分类结果图，采用混淆矩阵和kappa系数对两种方法的分类结果进行精度评价。 关键词:TM遥感影像，图像分类，最大似然法，决策树 题目：遥感图像几种分类方法的比较...................................... 错误！未定义书签。摘要.. (1) 第一章绪论 (3)

1.1遥感图像分类的实际应用及其意义 (4) 1.2我国遥感图像分类技术现状 (5) 1.3遥感图像应用于测量中的优势及存在的问题 (6) 1.3.1遥感影像在信息更新方面的优越性 (6) 1.3.2遥感影像在提取信息精度方面存在的问题 (6) 1.4研究内容及研究方法 (8) 1.4.1研究内容 (8) 1.4.2 研究方法 (8) 1.5 论文结构 (9) 第二章遥感图像的分类 (9) 2.1 监督分类 (9) 2.1.1 监督分类的步骤 (9) 2.1.2 最大似然法 (11) 2.1.3 平行多面体分类方法 (12) 2.1.4 最小距离分类方法 (13) 2.1.5监督分类的特点 (13) 2.2 非监督分类 (14) 2.2.1 K-means算法 (14) K-均值分类法也称为 (14) 2.2.2 ISODATA分类方法 (15) 2.2.3非监督分类的特点 (17) 2.4遥感图像分类新方法 (17) 2.4.1基于决策树的分类方法 (17) 2.4.2 人工神经网络方法 (19) 2.4.3 支撑向量机 (20) 2.4.4 专家系统知识 (21) 2.5 精度评估 (22) 第三章研究区典型地物类型样本的确定 (24) 3.1 样本确定的原则和方法 (24) 3.2 研究区地物类型的确定 (24) 3.3样本区提取方案 (25) 3.4 各个地物类型的样本的选取方法 (25) 3.4.1 建立目视解译标志 (25) 3.4.2 地面实地调查采集 (26) 3.4.3 利用ENVI遥感图像处理软件选取样本点 (26) 第四章遥感图像分类实验研究 (26) 4.1遥感影像适用性的判定 (26) 4.2分类前的预处理 (28) 4.2.1空间滤波的处理 (28) 4.2.2 频域滤波处理 (28) 4.3利用ENVI软件对影像按照不同的分类方法进行监督分类 (30) 4.3.1监督分类 (30) 4.3.2 决策树 (33) 4.4分类后的处理 (35)

【CN110032965A】基于遥感图像的视觉定位方法【专利】

(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910283770.4 (22)申请日 2019.04.10 (71)申请人 南京理工大学 地址 210094 江苏省南京市孝陵卫200号 (72)发明人 朱明清　陆建峰　 (74)专利代理机构 南京理工大学专利中心 32203 代理人 陈鹏 (51)Int.Cl. G06K 9/00(2006.01) G06T 7/73(2017.01) G01C 21/20(2006.01) G01C 21/32(2006.01) (54)发明名称 基于遥感图像的视觉定位方法 (57)摘要 本发明公开了一种基于遥感图像的视觉定 位方法，包括以下步骤：根据遥感数据提取场景 道路网络和地物语义特征；从视觉传感器获取观 测值，对传感器数据进行特征提取和特征匹配， 实现定位和地图构建；根据定位地图优化定位与 地图；定位地图路网模块优化定位，实时估计当 前位姿在路网中的绝对位置，辅助于定位。本发 明在遥感卫星地图上提取道路网络以及语义信 息辅助视觉定位，可在未知环境下实现高精度视 觉定位。权利要求书2页 说明书5页 附图5页CN 110032965 A 2019.07.19 C N 110032965 A

1.一种基于遥感图像的视觉定位方法，其特征在于，包括以下步骤： 步骤1，根据遥感数据提取场景道路网络和地物语义特征； 步骤2，从视觉传感器获取观测值，对传感器数据进行特征提取和特征匹配； 步骤3，根据定位地图优化定位与地图； 步骤4，通过定位地图路网模块优化定位，实时估计当前位姿在路网中的绝对位置。 2.根据权利要求1所述的基于遥感图像的视觉定位方法，其特征在于，步骤1具体为：步骤1-1，构建端到端神经网络： (1)获取遥感图像，并标记道路，对训练集做数据增强操作； (2)根据上一步提供的数据对网络模型进行训练； (3)将定位场景遥感图输入网络，得到道路网提取结果； 步骤1-2，根据神经网络所提取道路像素值，建立道路网模型； 步骤1-3，根据路网图、结构拓扑图以及地物语义信息生成所需的定位地图。 3.根据权利要求1所述的基于遥感图像的视觉定位方法，其特征在于，步骤2具体为：步骤2-1，定位初始化，恢复相机的旋转矩阵R和平移向量t，F cr 表示基本矩阵,X r 、X c 表示两个像素点归一化平面上的坐标； 步骤2-2，提取ORB特征，计算帧之间的位姿变化，具体步骤如下： 首先利用运动模式预测当前状态，通过匹配投影验证，如若匹配少于25％的特征，进入关键帧模式，与最近关键帧匹配，得到初始位姿估计； 再通过局部地图跟踪优化相机位姿 x＝[ε1,…,εm ,P 1,…,P n ]； 式中，ε表示单个位姿，P表示单个路标点，e表示观测误差；E、F是整体目标函数对路标点的偏导数和整体变量的导数，xc表示相机位姿变量，xp表示空间点变量； 步骤2-3，选择性插入关键帧，然后检查当前地图点云，剔除冗余点，三角化新地图点，s 1x 1＝s 2Rx 2+t；x 1，x 2为两个特征点归一化坐标，s 1，s 2为两个特征点的深度，R旋转举证，t表示位移。 4.根据权利要求1所述的基于遥感图像的视觉定位方法，其特征在于，步骤3具体为：步骤3-1，变化点检测，根据定位地图中的变化点图模块，当当前状态与其所在路径变化点位置theta3范围之内触发变化点检测，在固定滑动窗口内计算其每个位置平面内偏航角变化(-theta，theta)，计算窗口变化均值，根据下一个点变化点特征，在theta范围内，则认为当前位置变化点为候选点，记录下来，当到达极大值时， 则认为该点为变化点； |xi -pt|<θ；|i|<μ；f表示偏航角θy ， pt表示距离变化点，θ预设置的检测范围，μ表示预设置F的计算范围； R表示旋转矩阵； θx ＝tan -1(R32,R33)；θz ＝tan -1(R21,R11)，θx 、θy 、θz 分别表示欧拉角的各个方向； 权　利　要　求　书1/2页2CN 110032965 A

遥感影像解译不确定性的评估与表达

遥感影像解译不确定性的评估与表达 摘自《遥感数据的不确定性问题》 承继成郭华东史文中等编著 遥感数据的精度评估研究是从1975 年开始的(1973 年发射第一个遥感卫星)。最早Hord 和Brooner(1976)，Van Genderen 和Lock(1977)及Ginevan(1979) 曾提出了建立测试评估地图的标准和技术的建议。Roslnfield(1982)，Congalton(1983)，Aronoff(1985)对遥感数据精度的评估标准和技术进行了较深入的研究，以后又有更多的人参与了该项研究工作。误差矩阵是主要的方法，它能很好地表达专题图的精度，已经成为普遍采用的方法。 一、遥感影像解译不确定性评估综述 遥感解译有人工目视判读和计算机自动分类处理。在本章中我们主要指计算机自动分类。造成遥感影像解译不确定性的原因有遥感数据固有的不确定性（包括地物波谱的固有的不确定性和遥感影像数据固有的不确定性等）和遥感数据获取、处理、传输、分类过程造成的误差。因此遥感数据解译过程中的不确定性是客观存在、不可避免的。任何解译的成果图件在不同程度上都存在着一定的不确定性，符合“任何人工模拟产品与客观真实世界之间总是存在一定差异”的原理。 遥感影像数据的不确定性是普遍存在的。一些遥感影像的分辨率很低，经过各种处理影像分类的可信度尽管有所提高但仍然存在不确定性( 表1)，一些地物的可信度仍很低。 表 1 遥感影像分类的可信度(%)( 据吴连喜,2002)

遥感数据分类的不确定性度量方法通常用误差矩阵来度量。从误差矩阵中可以计算出分类精度的指标，如“正确分类比”。另一种指标是由Cohen 提出来的Kappa 系数，后来经Foody(1992) 修正后称为Tau 系数。 遥感数据分类的专题不确定性是指专题值与其真值的接近程度,其度量随专题数据类型的不同而不同（Lanter and Veregin,1992）。专题数据的类型有两种：分类专题数据(categorical thematic data) 和连续专题数据(continuous thematic data), 也有将其分为定性数据(qualitative data) 和定量数据的(quantitative data)。连续数据的不确定性度量指标与位置不确定性的度量指标相类似，如方差等(Lanter and Veregin,1992；Heuvelink,1993；Goodchild et al,1992)。 遥感数据不确定性的度量一般采用基于像元的分类结果评估，其不确定性度量评估流程如图1（Lunetta et al，1991）。

遥感图像分类

实验四遥感图像分类 一、背景知识 图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。 非监督分类运用ISODATA（Iterative Self-Organizing Data Analysis Technique)算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时，原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。 监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模板(训练样本)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。 二、实验目的 理解并掌握图像分类的原理，学会图像分类的常用方法：人工分类（目视解译）、计算机分类（监督分类、非监督分类）。能够针对不同情况，区别使用监督分类、非监督分类。理解计算机分类的常用算法实现过程。熟练掌握遥感图像分类精度评价方法、评价指标、评价原理，并能对分类结果进行后期处理。 三、实验内容（6课时） 1.非监督分类（Unsupervised Classification)； 2.监督分类（Supervised Classification)； 3.分类精度评价（evaluate classification）； 4.分类后处理（Post-Classification Process）； 四、实验准备 实验数据： 非监督分类文件：germtm.img 监督分类文件：tm_860516.img 监督模板文件：tm_860516.sig 五、实验步骤、方法 1、非监督分类（Unsupervised Classification)

工程测绘中遥感影像定位测绘技术的应用

工程测绘中遥感影像定位测绘技术的应用 发表时间：2019-08-15T10:31:38.173Z 来源：《建筑模拟》2019年第27期作者：周宗祥 [导读] 地质测绘是工程建设中一项非常重要的工作，主要为工程建设施工服务，测绘结果会直接影响工程项目开发的最终效果。 周宗祥 身份证号：4525231978****0054 摘要：地质测绘是工程建设中一项非常重要的工作，主要为工程建设施工服务，测绘结果会直接影响工程项目开发的最终效果。最近几年，测绘项目在不断地增加，各种新技术和新方法已被广泛应用于工程地质测绘，这在很大程度上提升了测绘质量。本文主要分析了遥感影像定位测绘技术在工程测绘中的应用。 关键词：工程测绘；遥感影像定位；测绘技术；应用 1.遥感影像定位测绘技术概述分析 遥感影像定位测绘技术是一种探测技术，遥感探测方法一般是远距离非接触的。根据被探测物体的电磁波反射特点及辐射，通过传感器或遥感器进行发射、接收信号，分析了物体形态、特性的原理以及应用方法。现阶段，遥感影像定位测绘技术被广泛应用于多个领域（如：水文、建筑、矿业、军事、农业、气象、环保等），可通过对全球范围多个领域、视角、层次的观测，获取特定环境的资源信息。 遥感影像是利用遥感技术获得地物电磁波胶片。它可以实现大面积同时观测、实效性比较强、数据具有可比性，同时还可以提高社会、经济效益。例如：使用影像定位技术时，不会存在空间制约，假如所获得的卫星图像和航拍图像可以覆盖30，000平方公里的区域，它们可以包含大量信息和不同方法的特征，针对不同的任务，通过调整遥感设备、波段获取所需信息。目前的主要探测技术包含：微波探测、紫外线探测、红外线探测以及可见光物体探测。 1.1遥感影像定位测绘技术的应用 遥感技术是利用安装在遥感平台上的传感器在距离较远，并不与探测物体接触的前提下，接收目标反射线或发射的各种波段电磁波传输的信息，并对所获取的信息进行处理、诠释，以探测、识别远距离目标。通过所获取的信息资料，可以清楚了解工程的实时动态以及综合信息，监测工程实际环境。 1.2遥感影像特征 首先，遥感影像中的像素值会随着传感器的变化而发生变化，传感器不同，最终获得的波段数就会不一样，并且该值由不同波段的对应位置点的值共同显现；其次，所获取的遥感影像通常是不可以进行有损压缩的，若进行有损压缩，可能会造成图像信息损坏或者丢失，而针对常规图像，则会进行有损压缩，以节省空间；最后，使用不同类型的传感器，最终产生的文件组织方法也会不同。目前，市场上有许多遥感软件制造商，不同制造商生产的遥感软件最终组织的影响数据的格式也是不同的，很难通过一种方法读取和诠释所获取的影响信息。 1.3遥感图像三维可视化及影像动态在工程测绘中的应用 在工程测绘过程中，使用遥感图像三维可视化及影响动态分析方法，可以在短时间内获得完整、准确的测绘信息，节省测绘时间的同时，还节省了大量的人力、物力、财力。基于图像遥感技术开发了三维可视化技术，三维可视化技术可以选择、设置测绘路线，可以全面掌控工程项目区域内的地质条件分布和相应的构造空间，并清楚区分工程项目区域内的地质条件及其地貌特征，并进一步分析地质条件、地貌特征，以促使工程测绘的可视化得到全面提高。与此同时，借助三维技术，可准确的将地质条件较好的区域及岩石集中区域区分开，以全面了解、掌握该工程施工区域的地质条件。使用三维可视化技术时，必须确保地质观测路线及其探测物区域内的施工线之间相互垂直，同时将垂直方向的穿越丝作为主线，根据该主线设置对应的测绘点位。 2.影像定位技术在工程测绘中的应用分析 目前，影像定位技术在各个领域已得到了广泛应用，对人们的生活、生产有很大的影响，不管是煤矿、医院还是建筑、汽车等多个行业都会使用该技术。 影像定位技术是工程测绘过程中经常会使用的基础技术，使用影像定位技术可以探测、分析、研究工程施工区域的地质情况，以了解该区域的地质结构及其岩石等的具体分布位置，以了解、掌握施工区域的地质特征，确保工程施工质量和测绘工作的顺利开展。 通常情况下，工程测绘过程中使用最多的是遥感影像定位测绘技术，使用该技术可以获得全面、准确的测绘信息，具体包括对施工区域的地质条件，地形、地貌特征以及地形空间结构分布规则等进行初步探测，同时，将建立一个完整的探测控制区域，用于探测施工现场的地形，以分析工程施工区域的地质结构和地形构造以及地质体的性质及其地势的高低程度，通过所获取的图像施工人员可以进一步了解施工现场的具体特征，以方便后期施工。 在工程测绘过程中使用遥感影像定位技术，不论在勘探路线、还是探测方向以及所获得的图像上，传统的探测方法跟其没有可比性，使用遥感影像定位技术所获得的图像不仅分辨率高，同时，获得的信息也比较全面、准确，保证了测绘质量。 3.遥感影像在水文地质勘查中的应用 可以使用影像定位技术进行水文地质学探测，通过卫星遥感图像、遥感航空照片和其他信息反馈通道，清楚地了解水文地质条件。在特定的水文地质测绘过程中，影像技术可用于获取水文地质规则反馈的信息，以确保所获取的水文地质测绘结果准确无误。此外，在地下水调查过程中使用影响定位技术时，可以通过图片清楚掌握地下水含水层的具体分布情况，并且相应的含水层结构边界也会清晰地反映在图像中，这样人们可以清楚掌握地下水量的多少及其分布规律。 3.1水文地质测绘工作 水文地质测绘是一种较为复杂的工作，通过遥感影像定位技术可以清楚掌控工程施工区域的地形、地貌、水体以及含水的岩体的特征，相关工作人员通过这些信息可以快速概括该区域的水文地质特征。 3.2地下水资源的调查工作 通过使用遥感影像定位技术搜寻地下水和评估地下水资源，使用遥感图像获得的含水层和含水层之间的界限准确度比较高，通过遥感技术搜寻地下水资源将会有很大收获。

遥感影像分类精度评价教学内容

遥感影像分类精度评 价

遥感影像分类精度评价 在ENVI中，选择主菜单->Classification->Post Classification->Confusion Matrix->Using Ground Truth ROIs。将分类结果和ROI输入，软件会根据区域自动匹配，如不正确可以手动更改。点击ok后选择报表的表示方法（像素和百分比），就可以得到精度报表。 对分类结果进行评价，确定分类的精度和可靠性。有两种方式用于精度验证：一是混淆矩阵，二是ROC曲线，比较常用的为混淆矩阵，ROC曲线可以用图形的方式表达分类精度，比较形象。 对一帧遥感影像进行专题分类后需要进行分类精度的评价，而进行评价精度的因子有混淆矩阵、总体分类精度、Kappa系数、错分误差、漏分误差、每一类的制图精度和拥护精度。 1、混淆矩阵（Confusion Matrix）: 主要用于比较分类结果和地表真实信息，可以把分类结果的精度显示在一个混淆矩阵里面。混淆矩阵是通过将每个地表真实像元的位置和分类与分类图象中的相应位置和分类像比较计算的。混淆矩阵的每一列代表了一个地表真实分类，每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量，有像元数和百分比表示两种。

2、总体分类精度（Overall Accuracy）: 等于被正确分类的像元总和除以总像元数，地表真实图像或地表真实感兴趣区限定了像元的真实分类。被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。像元总数等于所有地表真实分类中的像元总和。 3、Kappa系数：是另外一种计算分类精度的方法。它是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线（Xkk）的和，再减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到的。 4、错分误差：指被分为用户感兴趣的类，而实际上属于另一类的像元，错分误差显示在混淆矩阵的行里面。 5、漏分误差：指本属于地表真实分类，但没有被分类器分到相应类别中的像元数。漏分误差显示在混淆矩阵的列里。 6、制图精度：指假定地表真实为A类，分类器能将一幅图像的像元归为A 的概率

试述遥感图像分类的方法,并简单分析各种分类方法的优缺点。

遥感原理与应用 1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。主要问题 是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。通常使用马氏距离、欧氏距离、计程距离这三种判别函数。主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。 非监督分类：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。

遥感影像处理步骤

一．预处理 1．降噪处理 由于传感器的因素，一些获取的遥感图像中，会出现周期性的噪声，我们必须对其进行消除或减弱方可使用。 （1）除周期性噪声和尖锐性噪声 周期性噪声一般重叠在原图像上，成为周期性的干涉图形，具有不同的幅度、频率、和相位。它形成一系列的尖峰或者亮斑，代表在某些空间频率位置最为突出。一般可以用带通或者槽形滤波的方法来消除。 消除尖峰噪声，特别是与扫描方向不平行的，一般用傅立叶变换进行滤波处理的方法比较方便。 （2）除坏线和条带 去除遥感图像中的坏线。遥感图像中通常会出现与扫描方向平行的条带，还有一些与辐射信号无关的条带噪声，一般称为坏线。一般采用傅里叶变换和低通滤波进行消除或减弱。

2．薄云处理 由于天气原因，对于有些遥感图形中出现的薄云可以进行减弱处理。 3．阴影处理 由于太阳高度角的原因，有些图像会出现山体阴影，可以采用比值法对其进行消除。二．几何纠正

通常我们获取的遥感影像一般都是Level2级产品，为使其定位准确，我们在使用遥感图像前，必须对其进行几何精纠正，在地形起伏较大地区，还必须对其进行正射纠正。特殊情况下还须对遥感图像进行大气纠正，此处不做阐述。 1．图像配准 为同一地区的两种数据源能在同一个地理坐标系中进行叠加显示和数学运算，必须先将其中一种数据源的地理坐标配准到另一种数据源的地理坐标上,这个过程叫做配准。 （1）影像对栅格图像的配准 将一幅遥感影像配准到相同地区另一幅影像或栅格地图中，使其在空间位置能重合叠加显示。 （2）影像对矢量图形的配准 将一幅遥感影像配准到相同地区一幅矢量图形中，使其在空间位置上能进行重合叠加显示。2．几何粗纠正

GPS单点定位精度分析

GPS单点定位精度分析 摘要：GPS单点定位因其体积小灵敏度高等优势在旅游、测绘等众多领域得到了广泛的应用，但测量精度低是其进一步推广的瓶颈。本文对GPS单点定位时，误差经过多长时间才会稳定在一个较小的范围内进行了研究。 关键词：GPS单点定位；手持GPS接收机；等精度观测值的最或然值人们在GPS应用过程中，一般都会采用相对定位的作业方式，以便于通过组差消除接收机钟差、卫星钟差等公共误差以及削弱对流层延迟、电离层延迟等相关性比较强的误差影响，以达到提高精度的目的。这种作业方式不需要考虑复杂的误差模型，具有定位精度高、解算模型简单等优势，但也有不足之处，比如作业时必须有两台以上的接收机，其中至少需要一台放在已知站点上观测，这样就影响了作业效率，增加了作业的成本。除此之外，随着距离的增加，电离层延迟、对流层延迟等误差相关性减弱，这样只有延长观测的时间，才能达到预期的效果和精度。因此，许多研究人员已经开始对单点定位进行研究。 1数据采集 本次实验所采用的工具为GARMINlegend传奇手持GPS接收机。选择四周空旷，易于接收GPS的信号的实验场地，可以减少多路径误差的影响。 本次实验的时间选在5月11日、5月13日、5月15日、5月17日、5月19日这5天下午15：00-16：00，实验日期的天气都是晴天少云，有助于提高GPS定位的精度。特征点选取后，在五天内利用手持GPS接收机，每天下午15：00-16：00对特征点进行1小时的连续观测。 2数据处理 由于条件的限制，没能得到特征点的真实坐标，由此只能用数学方法以求出特征点的平均坐标，这里使用最或然值法求特征点的坐标，即把手持GPS 接收机测得的特征点的坐标依次记录，并算出特征点的这些测量结果的经度最或然值、纬度最或然值和海拔高度最或然值。 为更好的提高GPS单点定位的精度，可以采取外部数据的处理方法即定位数据后处理的方法来提高手持GPS的定位精度。手持GPS接收机定位时，每输出一次定位数据仅需一秒钟，因此在持续的连续测量时，就可以测得大量的GPS 定位数据，定位数据后处理正是依据大量的测量数据，利用数学方法对这些测量数据进行处理，用以提高GPS 的定位精度。我们采用的最或然值法是一种简便可行的方法。 （1）出N、E、H的坐标值随测量时间的变化图。由于数据变化都在后两位数，为了数据处理简便我们支取后两位数进行处理，最后再加上前面的数据(如N37°23.280′、E117°58.966′我们分别只取了80和66)。利用Excel将数据依测量

遥感影像的分类处理

摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程

遥感图像的监督分类与处理_赵文彪

杭州师范大学《遥感原理与应用》实验报告 题目：遥感图像的监督分类与处理实验姓名：赵文彪 学号： 2014212425 班级：地信141 学院：理学院

1实验目的 运用envi软件对自己家乡的遥感影像经行分类和分类后操作。 2概述 分类方法：监督分类和非监督分类 监督分类——从遥感数据中找到能够代表已知地面覆盖类型的均质样本区域（训练样区），然后用这些已知区域的光谱特征（包括均值、标准差、协方差矩阵和相关矩阵等）来训练分类算法，完成影像剩余部分的地面覆盖制图（将训练样区外的每个像元划分到具有最大相似性的类别中）。 非监督分类——依据一些统计判别准则将具有相似光谱特征的像元组分分为特定的光谱类；然后，再对这些光谱类进行标识并合并成信息类。 光谱特征空间 同名地物点在丌同波段图像中亮度的观测量将构成一个多维的随机向量X，称为光谱特征向量。而这些向量在直角坐标系中分布的情况为光谱特征空间。 同类地物在光谱特征空间中不可能是一个点，而是形成一个相对聚集的点群。丌同地物的点群在特征空间内一般具有不同的分布。 特征点集群的分布情况： 理想情况：至少在一个子空间中可以相互区分 典型情况：任一子空间都有相互重叠，总的特征空间可以区分 一般情况：任一子空间都存在重叠现象 监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。在分类乊前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决凼数迚行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决凼数去对其他待分数据迚行分类。使每个像元和训练样本做比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。 3实验步骤 3.1遥感影像图的剪切 用envi打开下载的遥感影像图，剪切出一个地貌信息丰富的区域（因为一景遥感影像太大，分类时间较长，故而采用剪切的方法，剪切一个地貌丰富的遥感影像图。既便于分类也使得分类种数不至于减小的太多） 以下为剪切出来的遥感影像

envi遥感图像监督分类与非监督分类

envi遥感图像监督分类 监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。 遥感影像的监督分类一般包括以下6个步骤，如下图所示： 详细操作步骤 第一步：类别定义/特征判别 根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。

启动ENVI5.1，打开待分类数据：can_tmr.img。以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。 通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。 第二步：样本选择 （1）在图层管理器Layer Manager中，can_tmr.img图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，下面学习利用选择样本。 1）在Region of Interest (ROI) Tool面板上，设置以下参数： ROI Name：林地 ROI Color： 2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择； 3）同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上； 4）这样就为林地选好了训练样本。 注：1、如果要对某个样本进行编辑，可将鼠标移到样本上点击右键，选择Edit record是修改样本，点击Delete record是删除样本。 2、一个样本ROI里面可以包含n个多边形或者其他形状的记录（record）。 3、如果不小心关闭了Region of Interest (ROI) Tool面板，可在图层管理器Layer Manager上的某一类样本（感兴趣区）双击鼠标。 （2）在图像上右键选择New ROI，或者在Region of Interest (ROI) Tool面板上，选择工具。重复"林地"样本选择的方法，分别为草地/灌木、耕地、裸地、沙地、其他5类选择样本； （3）如下图为选好好的样本。

遥感影像分类精度与空间分辨率的关系验证

实验一遥感影像分类精度与空间分辨率的关系验证 实验目的： 1、掌握相同传感器多光谱影像与全色影像融合方法； 2、掌握监督分类的基本流程； 3、验证遥感影像分类精度与空间分辨率的关系。 实验要求： 1、对多光谱影像和全色影像进行融合； 2、利用马氏距离法进行监督分类； 理论基础：高分辨率影像能反映更多细节信息，但是过高的的空间分辨率也会造成地物类别内部光谱可分性下降（同物异谱和异物同谱现象更严重），通过不同分辨率遥感分类精度的比较来验证这一理论。 原始实验数据：北京市朝阳区2002年奥运公园规划区IKONOS多光谱影像4个波段与IKONOS 全色波段（两者成像时间都是2002年8月26日，即是同一传感器同时成像，植被覆盖情况一致），全色波段影像大小4000*4000。class1.roi是1m空间分辨率的参考分类ROI模板。 实验步骤： 1、将IKONOS多光谱影像4个波段与IKONOS全色波段数据进行融合，操作如下： （1）打开图像bjikonospan.img和bjikonosmultispectral.img，在Available band list对话框中，选中bjikonospan.img，点击右键，选择Edit header，查看bjikonospan.img的头文件。记 录该文件的行列数，下图1~2。

图1 图2 查看头文件

（2）在ENVI主菜单，点击Basic Tools→Resize Data，在弹出的对话框中，选择bjikonosmultispectral.img，点击OK，在接下来弹出的Resize Data Parameters对话框中，Samples后输入4001，点击回车，Lines后输入4001，点击回车，设置存储路径，OK。将重置了大小后的图像bj_resize按432的RGB模式显示，与前两个图像对比，观察其变化。 图3

遥感实习遥感图像监督分类

实验五：监督分类与非监督分类 一、实验目的 采用监督分类对多光谱遥感图像进行分类，并对分类后的数据进行处理，处理方法包括：聚合（clump）处理、筛选（sieve）处理、并类（combine）处理，以及精度评估。监督法分类需要用户选择作为分类基础的训练样区。分析下面处理的分类结果，或者采用每个分类法默认的分类参数，生成自己的类，然后对分类结果进行比较。我们将使用各种监督分类法，并对它们进行比较，确定单个具体像素是否有资格作为某类的一部分。 二、实验数据与原理 美国科罗拉多州（Colorado）Canon市的Landsat TM 影像数据，其中包括can_tmr.img、can_tmr.hdr、can_km.img、can_km.hdr、can_iso.img、can_iso.hdr、classes.roi、can_pcls.img、can_pcls.hdr 、can_bin.img、can_bin.hdr 、can_sam.img、can_sam.hdr 、can_rul.img 、can_rul.hdr、can_sv.img、can_sv.hdr、can_clmp.img、can_clmp.hdr。 ENVI 提供了多种不同的监督分类法，其中包括了平行六面体（Parallelepiped）、最小距离法（Minimum Distance）、马氏距离法（Mahalanobis Distance）、最大似然法（Maximum Likelihood）、波谱角法（Spectral Angle Mapper）、二值编码法（Binary Encoding）以及神经网络法（Neural Net）。 三、实验过程： 1、打开TM图像，File →Open Image File，选择ljs-can_tmr.img文件，在可用波段列表中，选择RGB Color 单选按钮，然后使用鼠标左键，顺次点击波段4、波段3 和波段2。点击Load RGB 按钮，把该影像加载到一个新的显示窗口中。 2、查看光标值：

遥感图像地形分析方法应用研究

遥感图像地形分析方法应用研究 二、实验目的 了解遥感图像地形分析的一般方法:坡度分析、坡向分析、高程分带、地形阴影、彩色地势、地形较正处理、栅格等高线及三维浮雕等。它们大多是基于DEM进行分析的。重点了解坡度分析、坡向分析。 三、实验原理 坡度(Slope)和坡向(Aspect)作为描述地形特征信息的两个重要指标,不但能够间接表示地形的起伏形态和结构,而且是水文模型、滑坡监测与分析、地表物质运动、土壤侵蚀、土地利用规划等地学分析模型的基础数据。在地理信息系统(Geo-graphical InformationSystem, GIS)中,坡度和坡向一般在数字高程模型(Digital Elevation Model ,DEM)上通过一定的计算模型计算得到。 地形特征是人们用于描述空间过程变化的重要指标，地形特征的提取是进行测绘、资源调查、环境保护、城市规划、灾害防治及地学调查等地理空间相关研究的基础，快速准确的获取地学特征是进行地理空间相关研究的前提。应用遥感技术结合DEM数据对现象的垂直分布进行研究，直观、快速、精确、可视化效果好。DEM是数字高程模型，是地球表层信息的三维可视化模拟，能直观的反映信息的垂直分布规律及影响因子，是进行三维分析不可缺少的数据地形因素是影响环境变迁水文过程生物分布地貌特征等的重要因素。

某地区无洼地的1:5 万DEM数据 五、实验步骤及结果分析 1、DEM的建立 1.1用航天、航空遥感影像立体像对提取DEM；（以SPOT5影像为例） 利用ENVI的DEM提取模块，提取DEM信息。这是一个流程化的操作模块，根据标题提示设置参数后点击下一步，即可完成整个DEM提取的操作。（ENVI可以从ALOS PRISM, ASTER, CARTOSAT-1, FORMOSAT-2, GeoEye-1, IKONOS, KOMPSAT-2, OrbView-3, QuickBird, WorldView-1, SPOT 1-5以及航空影像立体像对中提取DEM。）主要流程如下 第一步：输入立体像对 （1）单击主菜单->File->Open External File->SPOT->DIMAP，打开266282-20030123HRS1\SCENE01\METADATA.DIM和266282-20030123HRS2\SCENE01\METADATA.DIM数据。打开的数据在波段列表中显示，如图2. 图2数据列表 （2）单击主菜单->Topographic->DEM Extraction-> DEM

遥感图像分类方法的国内外研究现状与发展趋势

遥感图像分类方法的国内外研究现状与发展趋势

遥感图像分类方法的研究现状与发展趋势 摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。 关键词：遥感图像、发展、分类、计算机 一、遥感技术的发展现状 遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。这种发展主要表现在以下4个方面： 1. 多分辨率多遥感平台并存。空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台

上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。民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。 2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。成像雷达、激光雷达等的发展，越来越引起人们的关注。例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。高光谱遥感的出现和发展是遥感技术的一场革命。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要