遥感图像处理与应用

遥感图像处理与应用技术 综合信息矿产预测研究所 2009652001 常诚 一、遥感与遥感图像的基本意义 遥感是20 世纪60 年代发展起来的对地观测综合性技术，是一种应用探测仪器, 不需要与探测目标直接接触, 通过记录目标物体的电磁波谱, 从而 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 解释物体的特征性质及其变化的综合性探测技术。 遥感技术让大面积的同步观测成为现实; 可以在短时间内对同一地区进行重复探测, 实现对地物的动态监测；其数据具有很强的综合性、可比性和经济性。 凡是只纪录各种地物电磁波大小的胶片（或相片），都称为遥感影像，在遥感中主要是指航空像片和卫星像片。任何对地观测系统获得的原始图像数据实质上都是地球 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 面电磁波谱特征的综合反映。经地面站系统处理得到的常规图像产品仍存在大气、地形等多种随机因素导致的几何畸变与辐射失真, 并且多种地物目标信息混杂, 甚至相互迭掩，彼此抑制。所以，严格地说, 这些图像只是一种信息源，属“数据”范畴，必须对其进行再处理才能得到适应不同专业需要的优质图像和有用信息。 至今，从事遥感图像处理的科技人员大多出身于电子、计算机等专业, 故对于不同地理景观、不同季节、不同传感器所获得的图像数据(一串灰度数码)，往往很难体会到其中包含着的极为丰富而复杂的生物、地学内容。一个能出色完成一般图像处理任务的杰出图像处理专家，不一定能胜任各种不同应用目的所要求的图像处理任务。常常使得海量遥感数据难以得到有效的利用。据此，应把遥感图像处理分解为系统处理与应用处理两大类，它们是既相互衔接又彼此有别的技术分支。前者只从图像总体要求出发, 着眼于改善、提高图像整体质量；后者则必须密切关注具体的应用目的与对象，形成融入了地学分析思路、并精确反映遥感成像机理的图像应用处理技术。 二、遥感图像应用处理及其功能 发展遥感图像应用处理技术的目标是在前述系统处理的图像基础上，根据应用目的与地区特点等做进一步的分析处理，以便于应用者从综合反映地物目标景观全貌的信息源中提取出有用信息，并促进其转化为更有价值的知识。排除或抑制那些起干扰作用的信息。所以，处理中必须面向对象，投入有关地学知识，有针对性地选择方法开展图像处理: 1、从图像数值分析入手，并与室内或野外测定研究地物波谱特性所掌握的知识相结合，且分析不同地物目标类别间的波谱差异性与类内个体间可能存在的波谱离散性。 2、探索如何扩大拟识别的地物目标类别之间的波谱差异性，并充分加以利用。同时考虑有效措施来回避或抑制起干扰作用的类内个体间的波谱离散性。 3、深入分析遥感系统记录的波谱信号与所需要提取的专业信息之间的相关性，找出实现把前者转化为后者的有效技术途径与遥感图像处理的具体有效方法。 4、从具体的应用目的出发，综合而灵活地应用现有各种图像处理分析方法, 取其精华，加以改造，集成或整合，形成新的适合某种应用需要的图像应用处理和分析的模型方法。 可见更有效地运用遥感手段研究地球表层系统，揭示地理区域分异特征和区域发展演化过程，进行定量动态监测与分析等目的, 需要更自觉而明确地在地学规律的指导下，结合具体的遥感成像机理，灵活地运用数理统计和模式识别理论，积极地引进新的基于人工智能的统计分析模型，形成反映遥感成像机理的图像应用处理与信息分析提取方法。 因此，对于理工专业出身的遥感图像处理专家与地学(这里指广义的地球科学)出身从事遥感应用的各行业专家之间存在的知识间隙，应采取切实措施促使精通遥感成像机理与数字图像计算机处理理论技术的专家, 与具备较扎实的地学概念和丰富应用专业知识的专家密切合作，相互渗透，共同研究开发遥感图像应用处理的新理论、新方法，才能在遥感信息应用中取得新的突破，并在合作过程中逐步培养出同时具有以上两方面知识，真正称得上是遥感图像应用处理的专家。否则单纯依靠上述某一方面的科技人员与专家来发展遥感图像应用处理都将难于短期奏效，需花很大代价才能获有限效益。依据这种思想，我们逐步建立了遥感图像应用处理的技术流程框架(图1)，并结合多项应用任务，开展试验研究与探索，均取得了较好的结果，加强了我们对发展遥感图像应用处理技术重要性与可能性的认识与信心，也摸索到一些行之有效的具体方法与技术途径，为进一步发展遥感图像应用处理，形成较完整的技术体系，促进遥感走向大规模实用化、产业化打下一定基础。现概要介绍几项试验研究实例。 图1遥感图像应用处理技术流程框图 三、遥感图像处理与应用的方法论 3.1灰色系统理论在遥感图像处理中的应用 3.1.1灰色决策应用于波段选择 灰色理论问世以来，已成功地应用于社会、农业、工程控制、经济管理等许多行业和部门，被誉为在诞生之初的10a内获得重大发展的自然科学学科之一。与其他新理论和新方法(如模糊数学、粗糙集理论、神经网络、分形等)一样, 灰色理论极强的生命力和广阔的应用前景受到图像工程领域研究人员的关注和重视，同时探讨其在图像工程中的可行性和有效性逐渐成为1个崭新的课题，其在遥感图像处理方面已开始应用。 遥感图像的目视解译是遥感应用的重要环节之一。多光谱和高光谱遥感应用均离不开图像的目视解译，这就要求按照信息量最大或类间可分性最大的原则选择最佳的遥感波段，组合成信息量丰富的彩色图像，以利于目视解译。那些信息含量多、相关性小、地物光谱差异大、可分性好的波段就是应该选择的最佳波段。应在综合考虑单个波段信息量、影像波段间的相关性、灰度 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 差的基础上, 来选取最佳波段。事件、对策、目标、效果是决策的 4要素。在遥感图像的波段选择方面, 事件就是选择最佳波段组合；对策就是从众多的遥感图像中选择其中 3个波段；目标就是选择相关指数，计算波段组合的相关参数；效果就是从对策中选择最好的决策 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 。效果测度和灰色关联度计算是灰色决策理论的核心部分。其中, 效果测度包括上限效果测度、下限效果测度、适中效果测度。 1、上限效果测度，用来处置极大值极性。 （1） 2、下限效果测度，用来处置极小值极性； （2） 3、适中效果测度，用来处置适中值极性。 （3） 其中为效果样本。通过计算灰色关联度的大小，来确定波段选择的最佳波段组合。 （4） 其中； 3.1.2灰色关联分析应用于边缘检测 把灰色系统理论引入边缘检测是1种构思新颖的做法，已有部分学者对灰色理论在图像边缘检测方面的应用进行了研究。其中, 灰色关联分析应用较多, 灰色预测模型应用稍少。 对图像进行边缘检测时, 图像中的每个像素都必为边缘点和非边缘点二者之一。图像的边缘点往往表现为相邻像素点处的灰度值发生了剧烈变化, 灰色关联度恰好能反映这种变化的剧烈程度。理想的非边缘点可以表示为该点的像素值和其周围像素值相同。因此，可以取图像中某一像素点和其8邻域像素点顺序排列组成比较序列Xi，而取理想非边缘点和其8邻域像素点顺序排列组成参考序列X 0。由灰色关联分析可知，灰色关联度的大小反映了参考序列和比较序列的相似程度，当比较序列和参考序列关联度较大时，表示2序列的几何形状较为相似, 可认为该像素点为非边缘点；当2序列的关联度较小时，可认为像素点 K为边缘点。 3.1.3灰色关联分析应用于图像融合 利用灰色绝对关联度进行图像边缘检测的方法能够准确、有效地检测出有用的边缘信息，具有良好的抗噪性和可控边缘信息量等优点。因此，该算法不仅保持了较多高分辨率影像的细节信息和多光谱遥感数据的光谱信息, 而且具有良好的抗噪声性能。 通过CBERS的IRM SS影像与CCD全色影像融合、Landsat TM 多光谱影像与 SPOT全色影像融合、北京一号多光谱和全色影像融合的实验结果比较, 通过定性的目视效果评价和定量评价 (选取常用的信息熵、平均梯度、相关系数及偏差指数这 4个参数评价各种融合算法在光谱保真度, 高频信息融入度和影像清晰度等方面的能力), 得出该算法的融合影像不仅具有较好的清晰度,而且信息熵和相关系数最大, 偏差指数最小, 能够较好地提高多光谱影像的空间分辨率, 同时很好地保持了多光谱影像的光谱信息, 光谱畸变小。这说明利用灰色绝对关联度进行高分辨率影像检测, 能得到更好的融合效果，是1种有效、快速的多源遥感信息融合的新方法。 3.2空间建模在遥感图像处理中的应用 空间建模语言是一种模型语言，是 ERDAS MAGINE中所有GIS分析和图像处理功能的基础，可以为各种各样的应用编写空间程序模型，实用程序模型，可以产生最适合于数据特征和应用目标的算法。 3.2.1图形模型的基本类型及形成过程 应用Model Maker所生成的图形模型都有一个共同的基本结构:输入-函数 -输出,不同模型所包含的输入、函数、输出的数量可以发生变化,但整体结构保持不变。当然,在模型可以运行之前,所有的组成部分必须彼此相连。 抽象后可把空间图形模型分为两个基本模型:基本模型和复杂类型。基本模型只有一个输入、一个函数、一个输出组成,而复杂模型则有若干个输入、若干函数、若干输出构成，特别输入与输出是互相转化的。 图形模型的形成过程参见图2。 图2 图形模型的形成过程 3.2.2空间建模操作过程 通过输入两个栅格数据分别是Landsat TM 图像和栅格坡度图(slopeing), 应用条件函数，经过条件判断和图像统计处理后, 输出一个专题分类图像,输出图像将包含4个类型：陡坡河岸、缓坡河岸、陡坡灌丛、缓坡灌丛。 1、 准备工作 建立图形模型之前需明确问题的实质所在, 不仅要明确需要解决的问题是什么, 要达到的目标是什么, 而且要明确解决问题的具体途径和所需要的数据支持。 2、 建立图形模型 先形成图形模型的基本框架，模型生成器中把各种输入，函数操作和输出都定义成图形语言，不同的图形代表不同的操作对象和函数操作。根据所确定的解决问题的目标和途径以及数据支持情况，在模型生成器页面中放置意义不同的对象图形。分别放置两个输入栅格对象图形，条件函数对象图形，一个输出栅格对象图形。并连接各个对象，所放置的对象图形目前还是相互独立的，是一个一个的空间模型要素，只有将所有的对象图形有机地连接起来，才能组成一个完整的图形模型。 3、定义对象 根据图形模型的组成，依次定义输入栅格图形、条件函数图形和输出栅格图形，每个对象图形都必须有确切的含义，应该从满足解决问题的需要出发确定对象图形的含义。只要双击对象图形就可以打开一个对话框，从中输入文件名或数据表及对应的参数设置。在模型可以运行之前，每一个对象图形都必须被定义。 4、定义函数操作 代表函数操作的对象是空间图形模型的关键，模型中的各种输入和输出对象都必须以函数及操作图形为纽带有机地组织在一起。所以，定义函数操作的过程, 实质上是确定图形模型如何处理函数，组合功能，完成目标的过程。根据前面获得的像元值定义条件函数。 5、生成文本程序 在 Model Maker中生成的图形模型可以保存为文本程序——空间建模语言程序(即程序模型)，可以在其中编辑命令和修改程序。 6、运行图形模型 如果前面的定义符合空间模型语言规则，所建立的图形模型就可以运行了。当然，运行结果的正确与否，取决于输入对象的确定和函数操作的定义。 7、查看运行结果 运行图形模型并查看运行结果，在窗口中首先显示原始图像，然后叠加显示输出的专题分类图，可以通过窗口的卷帘操作,查看分类结果。 3.3人工神经网络在遥感图像处理中的应用 遥感图像处理常见的困难有数据量巨大、噪声信息多、高度非线性及其导致的难以用解析式表述处理模型等。人工神经网络(artificial neural network, ANN)是由大量简单神经元广泛相互联接而成的非线性映射或自适应动力系统,可以解决上述问题。使用ANN进行遥感图像处理在遥感图像复原、 变换和分类中有如下应用： 1、 使用ANN和必要辅助数据从 TM 图像中提取地下火热辐射数据； 2、 构造ANN非线性映射,利用TM1- 5，7图像提高 TM6 图像空间分辨率； 3、 模糊神经网络(FNN)遥感图像分类。 通过对ANN 应用于遥感图像处理的讨论,可以得出如下结论: 1、由于遥感图像处理本身的复杂性和多目标性，使得我们在具体工作中，必须 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 出适合问题的模型，对ANN的网络结构和学习算法做相应改进，这样做效果更好、更可靠。 2、人工神经网络必须与相应的数学理论、物理模型(如遥感过程的物理机理)及遥感技术、专家知识有效地结合起来,才能实现它在该领域的应用意义。 3、人工神经网络在遥感图像处理的各个方面都有广泛的适用性,并且已经取得了较好的效果,是遥感信息提取的一种有效途径。 3.4网格计算在遥感图像地学处理中的应用 以空间信息网格技术在遥感影像处理与理解方面的应用为主线，设计了适合遥感影像处理与理解的网格处理架构，并结合中间件技术进行了具体实现。在分析其图像处理应用的基础上，对面向网络的智能化网格处理系统进行了评价，实验结果显示了网格计算技术在遥感地学处理中的实际应用价值。 近年来，遥感技术发展迅速，特别是随着卫星技术及航空遥感的发展及人们需求的提高，以及全球信息化要求的加快，遥感作为一种信息快速获取的手段就变得尤为突出，相应地，遥感图像处理与理解技术也就变得更加重要；同时，遥感图像处理所要解决的问题越来越复杂，所需处理的数据量也越来越大，对遥感图像处理的精度及速度要求也越来越严格。随着遥感获得的数据量的剧增，遥感数据处理任务就显得尤为的迫切；例如NASA的EOSDIS项目在10年中以3~5Mbps、每天数百Gbps速度获取各种地球信息，而这些数据的及时处理都是非常规手段所能完成的。因此，遥感数据的快速网络化处理技术就显得非常重要。 要达到快速地处理这些海量数据的目的，除了在处理硬件上更新设备外，必须解决当前遥感数据处理所面临的几个重要的问题： 1、 影像处理算法的改进问题； 2、 海量数据的网络快速传输问题； 3、 大数据量、多计算机的网络协同数据处理模型。网格计算思想针对这里提出的后两个问题给出了一定的解决方法。 3.5支持向量机在遥感图像分析与处理中的应用 由于遥感影像数据具有多传感器、多平台、多时相、多光谱和多分辨率的海量数据特点，对其分析与处理具有一定的困难，而支持向量机作为一种新的学习方法，恰好能有效解决遥感图像处理中常见的困难。结合遥感图像和支持向量机的特性，重点分析支持向量机在遥感图像分类、遥感图像压缩、遥感图像特征提取等方面的应用。对支持向量机在遥感图像分析与处理中的应用趋势及有待进一步研究的问题进行了探讨。 3.5.1支持向量机的特性及其优势 支持向量机根据Vapnik&Chervonenkis的统计学习理论,如果数据服从某个(固定但未知的)分布，要使机器的实际输出与理想输出之间的偏差尽可能小,则机器应当遵循结构风险最小化原理,而不是经验风险最小化原理，支持向量机正是这一理论的具体实现，即在有限样本条件下对统计学习中的VC维理论和结构风险最小原理的实现。支持向量机拓扑结构由支持向量决定,支持向量机也能以任意的精度逼近任意函数,并有较好的泛化性能,使其在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,并且能够推广到函数逼近和概率密度估计等其他机器学习问题中。 3.5.2结论 去块滤波器可以减弱甚至消除视频编解码中恢复图像的方块效应，在视频压缩编码标准中得到了广泛的应用。可以预见，在将来较长一段时间内产生的新的视频压缩编码标准仍将采用基于块的混合编码结构，方块效应仍将继续存在，如何设计更加智能化、简单化的去块滤波器将是视频压缩编码领域的一个重要课题。 3.6自适应方法在遥感图像处理中的应用 自适应方法为解决遥感图像处理发展中产生的新问题提供了有力的工具。自适应方法的算法、理论已经在遥感图像处理的降噪、分类、目标识别与跟踪、信息融合等诸多领域开始应用。经过试验与仿真分析，证明这些方法都取得了良好的效果。本文探讨了自适应方法在遥感图像处理中应用研究的新进展，对发展趋势作了展望。 自适应方法是目前信号处理和图像处理中极受关注的研究方向之一，自适应理论为遥感图像技术发展中产生的新问题提供了有力工具。由于自适应方法具有适应环境变化的能力，自适应方法的应用研究在遥感图像处理的许多领域进行了有益的探索，这些领域涉及遥感图像信息融合等诸多分支，以及遥感图像自适应量化压缩和分形分析，经过试验与仿真分析，取得了较好的效果。 3.6.1遥感图像降噪 遥感图像由于各种因素的干扰存在噪声。遥感技术由多光谱遥感发展到高光谱遥感阶段，传感器的波段数和光谱分辨率逐渐增加。通过辐射成像原理获取的辐射图像中，由于多种原因会导致产生噪声，图像质量降低。合成孔径雷达可以穿透云雾 ,具有全天候和具备一定的穿透能力，与可见光、红外遥感相比有着独特的优越性。雷达图像相邻像素点之间的灰度围绕着某一均值随机地起伏变化，表现为图像灰度的剧烈变化，在 SAR 图像的同一片均匀区域有的分辨率单元呈亮点，有的则呈暗点，这就是严重影响 SAR 图像质量的斑点噪声。 传统的降噪手段多采用图像空间域滤波方法如均值滤波、中值滤波等，这些方法使图像平滑的同时，不可避免地模糊了图像细节信息。自适应滤波方法充分利用辐射成像特点，对图像中的噪声合理建模 ,滤波时不仅要使图像得到平滑，而且有效的降低了图像的噪声 ,尽量保持原有的数值特征。目前自适应滤波方法在遥感图像降噪中采用的方法包括光谱自适应模板滤波方法、 卡尔曼滤波方法、 维纳滤波方法和局域加权滤波方法。 3.6.2遥感图像分类 遥感图像分类是将同一地区的一幅遥感图像中所含的多个目标区分出来 ,或准确地识别地物类型。自动、快速、高精度的遥感图像分类是实现各种实际应用的前提 ,为提高分类精度需要综合利用多波段卫星图像进行分类。分类过程根据应用目的和图像特性确定类别，找出这些类别的特征量，提取各个类别的训练数据，应用分类准则对各像元进行归类 ,最后把已知的训练数据与分类结果对比，确定结果是否可靠。 遥感图像的自动分类方法是基于图像的灰度、纹理、多源数据融合等图像要素，这些分类器的设计，按随机和概率统计分析理论可划分为非监督和监督分类两大类型。自适应方法在遥感图像分类中应用最广的是最小距离分类法及其改进方法，最近也有一些学者尝试联合加权分类方法和自适应树型网络结构分类方法，来提高分类精度，获得更好的分类效果。 3.6.3遥感图像目标识别与跟踪 精确制导武器利用红外遥感成像实现自动目标识别与跟踪，红外传感器受到大气热辐射和作用距离远以及探测器噪声等因素的影响，使得传感器得到的目标形心位置和速度等参数含有很大的误差，复杂背景下低信噪比点目标检测是精确制导武器系统中的关键技术之一。在空情处理系统中，对雷达产生的遥感图像数据进行处理，以便把雷达跟踪的目标在计算机上实时地模拟再现为决策提供依据。目前，自适应方法在遥感图像实现目标识别与跟踪主要采用卡尔曼滤波及其改进方法，建立目标动态模型，对目标进行精确跟踪。 3.6.4遥感图像融合 遥感图像融合是通过数学模型把来自不同传感器的多幅图像合成一幅满足特定应用需求的图像，从而有效地把不同图像传感器的优点结合起来，提高对图像信息分析和提取的能力。作为一种基于多源数据的信息综合处理技术，遥感图像融合的主要研究内容就是如何处理多源信息。遥感图像融合包括像素级融合、特征级融合和决策级融合，通过有效利用多个传感器资源提供信息的互补性，可以获得被探测目标和环境更为全面的信息。由于图像融合是最新发展起来的新技术，自适应方法应用主要在像素级和特征级融合的层次。 3.6.5结论 自适应方法在遥感图像处理中的应用不仅限于图像降噪、分类、目标识别与跟踪、信息融合等，其他方面，如在基于自适应矢量量化的遥感图像压缩方法的研究，遥感图像分形分析中的无标度区确定问题，也取得了一定的进展。自适应的矢量量化与传统矢量量化方法比较，该方法充分利用了分块内统计特性，达到较好的压缩效果。分形分析中自适应方法求解无标度区，引入遗传算法自适应地控制搜索过程，得到最优解能准确地捕捉到无标度区间。通过以上分析可以看出，自适应方法在遥感图像处理的多个方面都进行了有益的探索与应用，经过试验与仿真分析证明这些自适应方法都取得了很好的效果。可以期待，随着自适应方法的算法、理论的进一步发展和完善，将给遥感图像处理技术带来令人瞩目的推动。 基于各个领域在遥感图像处理与应用的研究不断发展，相信会有更多行之有效的方法论逐渐诞生。