遥感影像范文第1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.

遥感影像范文第2篇

【关键词】图像拼接;SURF算法;RANSAC配准;三次样条插值法

Abstract：For the image features of high resolution remote sensing image，using SURF registration algorithm for mosaicing image quickly. In this scheme，SURF（Speeded Up Robust Features）is applied to extract features from the images;and using the geometric features of image to screen the feature points，in order to improve the efficiency of image mosaic and reduce the error in calculating;and then，for eliminating the matching error，bring in the RANSAC（Random Sampling Consensus）algorithm for image registration;for the non-uniform illumination，lead to the seaming image interpolations are not uniform. In order to solve this problem，we using the Cubic Spline Interpolation，so that the whole image is more consistent with human eyes evaluation standard after mosaic.

Keywords：image mosaic;SURF algorithm;RANSAC registration;Cubic Spline Interpolation

1.引言

随着国民经济的发展，高分遥感影像的应用已从军事化扩展到国民生活中。而为实现对更大范围地面图像的探索研究，需要对航拍的影像进行精准拼接处理，因为对多幅遥感影像的拼接处理技术成为重要的应用技术之一。

2.现状研究

图像拼接技术是将不同时间，不同视角或不同传感器获得的数张有重叠部分的图像拼成一幅大型的无缝高分辨率图像的技术。

随着高分辨率遥感影像应用范围的不断扩宽，图像拼接已经成为了图形图像处理和计算机视觉领域的研究热点。近几年，国内外研究学者不断地向匹配精度高、鲁棒性好、时间效率高等优点方向研究[1]。基于这种诉求，同时为了克服现有拼接效果不佳的缺点，提出一种综合型的拼接算法理论。

3.算法的基本原理

3.1 SURF特征提取

SURF是一种特征点提取算法，作为一种尺度不变特征变换算法，相较于SIFT算法具有更好的鲁棒性，并且克服了SIFT算法数据计算量大、时间复杂度高的缺点。

Hessian矩阵是SURF算法的核心[2]，在算法中选用图像像素函数L（x，y），并用二阶标准高斯函数作为滤波器，得到H矩阵：

为了平衡准确值与近似值之间的误差，引入一种叫做权值硼的权值，可随尺度的变化而变化，则H矩阵判别式又可表示为：

其行列式表达式为：

SURF算法与SIFT算法的区别主要在于构建尺度空间上，这两种算法采用的均为图像金字塔法，如图1所示。图像的尺度大小用高斯标准差来表示，但在具体理论应用上两种算法截然不同。在SIFT算法中，保持滤波器大小不变，在计算每层图像尺寸时，需要根据前一层图像的尺寸重新设置，即需进行二次抽样，大大加重了计算量;在SURF算法中，保持图像大小不变，申请增加图像核的尺寸，允许尺度空间多层图像同时被处理，大大提高了运算效率[3]。

图1 SURF算法和SIFT算法滤波金字塔

在基础条件确定后，SURF算法的重点在于对特征点的提取，为了保证旋转不变性，首先以特征点为圆心，计算半径为6S（S为特征点所在尺度值）的领域内Harr小波的dy、dz响应，并赋于权重系数。然后将60°范围内的响应相加以形成新的矢量，在遍历整个圆形区域后，得到特征点的主方向，即为最长矢量方向。

图2 确定特征点主方向

如此计算，可算出每一特征点的主方向。一般以特征点为圆心，选取20S得正方形窗，并将该正方形窗划分为4*4个小正方形区域，计算每个小区域内的x、y方向上的响应，构成该特征点64维描述符向量。该部分也是指导机器学习的重要步骤之一。

3.2 图像配准

利用SURF算法中提取的两幅图像征点进行下一步的匹配。可通过对经坐标变换（包括对图像的平移、旋转和放缩等变换）后两幅图像中的各特征点的信息（包括位置、尺度、主方向以及特征向量）比较，并设定阈值，以确定特征点是否匹配。为提高图像匹配的精准性，采用RANSAC算法去除伪匹配点。该算法随机重复选择N次，具有最大支撑点集的直线被确定为点集的拟合，在拟合的误差距离范围（即规定阈值）内的被认为是有效点，误差距离范围外的为无效点[4]。该过程虽能有效的减少图像匹配过程中产生的误差，但是该算法重复度高，计算速度慢，存在一定的缺陷。

3.3 拼接优化

受原始遥感图像的拍摄质量的约束，对拼接工作带来一定的影响。在特征点非均匀采样的插值或重构问题上，采用三次样条插值法进行拟合优化，使得图像拼接效果更能符合人眼评价标准。给定边界范围（可为自然边界、固定边界、非节点边界），将采样点分段处理，代入特征点求解每一段三次方程的二次微分方程，进行拟合，从而达到优化拼接效果的作用。

4.结束语

本文提出了一种基于SURF特征的图像拼接算法，并融合了常用的拼接优化方法对图像的拼接工作做进一步的配准、优化。为充分体现出SURF算法的高鲁棒性，特配合使用RANSAC算法消除可能存在的伪匹配点;为了巩固本算法的准确度，在算法处理后期加入了三次样条插值法，提高图像的拟合度，真正实现了图像的无缝拼接。

参考文献

[1]张媛，高冠东，贾克斌.运用特征点匹配的柱面全景图像快速拼接算法[D].中国图象图形学报，2009（6）：1188-1193.

[2]MICHAEL JONES，PAUL VIOLA. Rapid Object Detection Using a Boosted Cascade of Simple Features;proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition，Kauai，HI，USA，F，2001[C].IEEE Comput.Soc.

[3]王君本，卢选民，贺兆.一种基于快速鲁邦特征的图像匹配算法[D].计算机工程与科学，2011（33）：112-117.

遥感影像范文第3篇

关键词 GeoSOT；语义统一；局部更新

中图分类号 P209 文献标识码 A 文章编号 1673-9671-（2012）122-0161-01

随着高分辨率对地观测技术以及卫星、航空产业的快速发展，遥感影像已成为人们实际生活中重要信息来源。天地图、百度和谷歌等手机地图服务为众多移动用户提供出行便利，但地图服务更新周期一般较长且更新过程复杂，在地貌发生变化区域，移动用户采用未更新的历史数据服务容易被误导，因而，用户渴求最新周期短的地图服务模式。因此，采用更新周期短的遥感影像作为的基础数据成为移动地图服务的新发展方向。然而，当前遥感影像的请领与分发主要以景、图幅为单位，数据量较大，特定目标区域的影像一般需要进行切割、拼接、融合等处理，也就是说遥感影像更新需要耗费很长时间。针对这些因素，本文提出了基于GeoSOT的遥感影像快速更新机制，基于该机制，开发和实现了遥感影像移动服务系统，统一了遥感影像的存储、索引、请领与分发各个应用环节的数据单位（剖分网络对应的数据块）。该系统采用成熟ACE通信框架保障了移动通信传输可靠性，为移动用户提供全球范围内的地图服务、局部更新、订阅和主动推送等遥感影像服务。

1 遥感影像剖分化存储与索引

1.1 GeoSOT概述

全球剖分网格GeoSOT（Geographical coordinate global Subdivision based on One-dimension-integer and Two to n-th power），全称为基于2n一维整型数组地理坐标的全球剖分网格，其核心思路是：通过三次地球扩展（将地球扩展为512°×512°、将1°扩展为64′、将1′扩展为64″），实现整度、整分的四叉树剖分，形成一个上至地球（0级）、下至厘米级面元（32级）的多尺度四叉树网格。网格编码设计有四种形式：四进制1维编码、二进制1维编码、二进制2维编码、十进制2维编码。这四种形式是完全对应、一致的。该系统采用二进制1维编码，可以转换为网格的定位角点的经纬度，定位角点的定义与网格所在区域有关。

全球剖分网格GeoSOT具有全球无缝覆盖、多尺度、全整型编码等特性，采用GeoSOT作为数据组织的基础，可实现海量遥感影像数据的高效存储、快速检索与按需分发。

1.2 GeoSOT遥感影像快速更新机制

遥感快速更新机制核心思路是：1）遥感影像数据按照GeoSOT网格进行金字塔构建。2）把变化区域表达为最小外包剖分网格的集合。3）按照影像金子塔进行局部更新服务。

首先把海量遥感影像存储在剖分集群里，由于集群中的各个存储单元与剖分网格关联在一起，可以依据网格编码直接定位到关联的物理存储单元，提高存取访问效率。

单个遥感影像采用与全球剖分编码相结合的压缩影像金子塔存储，将同一区域不同剖分层级对应分辨率的影像用金子塔组合起来，根据用户需要区域的大小来分发不同尺度，不同分辨率的影像，达到按需分发的效果。并且基于Hilbert编码建立了剖分金字塔的索引机制。

对热点区域最新遥感影像数据，进行自动或手工提取变化区域，把变化区域表达为最小外包剖分网格的集合。当进行影像更新时，只需传输覆盖变化区域的影像面片即可，从而减少影像更新时的数据传输负担。

2 系统体系结构

遥感影像移动服务体系结构分为数据层、网络层、服务层和应用层，如图1所示：

其中：1）数据层包括遥感影像数据、热点区域的变化影像数据和剖分金字塔索引数据的管理。 2）网络层包括3G、WiFi、电台和集群内部局域网的通信保障。3）服务层提供地图、局部更新、订阅和主动推送服务。4）应用层包括智能手机、PAD和笔记本等移动设备的应用。

3 系统组成与功能

遥感影像移动服务系统由剖分存储子系统、高效检索子系统、通信保障子系统、影像服务子系统和移动终端子系统组成，其中：1）剖分存储子系统，基于剖分集群管理所有服务数据，为影像服务子系统提供数据检索功能，通过通信保障子系统为移动应用子系统提供影像数据。2）通信保障子系统，基于ACE自适配通信环境的反应器模式框架，为其它子系统提供数据传输功能，支持断点续传。3）影像服务子系统，为移动用户提供地图服务、局部更新服务、订阅服务和主动推送服务。主要功能包括处理移动应用子系统请求，根据请求在剖分存储子系统检索相应影像数据，根据检索结果启动影像数据传输链路功能。4）移动应用子系统，为移动设备用户提供遥感数据可视化应用，主要功能包括基于剖分网格编码提交数据请领申请、接收遥感影像数据和遥感数据可视化。

4 技术特点

1）该系统对遥感影像数据的存储、检索、请领与分发采用了

统一全球剖分网格，在各个应用环节形成区域概念的语义统一，可以提高系统效率。

2）依托变化影像数据管理，结合移动设备屏幕特征，为热点区域提高局部更新服务，可以弥补现在地图服务更新周期长、更新过程复杂，提高遥感应用服务的实时性。

3）提供地图、局部更新、订阅和主动推送等多种服务，可以满足移动用户各种差异化应用需求。

5 结束语

基于GeoSOT全球剖分网格，提出了遥感影像快速更新机制，在此基础上开发了遥感影像移动服务系统，经过实际系统开发与测试验证，系统用户可以在任意时刻任意地点快速获得影像服务，进而获得更加直观和详细的移动地图服务。

参考文献

[1]程承旗，任伏虎，濮国梁，王洪，陈波.空间信息剖分组织导论[M].北京：科学出版社，2013.

遥感影像范文第4篇

关键词：影像分割；面向对象；高空间分辨率

1. 引言

高分辨率遥感影像包括高空间分辨率、高时间分辨率和高光谱分辨率。其中，高空间分辨率影像能够为我们提供丰富的地物形状、纹理等信息，因此对于提升地物识别的精度有很大帮助，如今，多颗卫星都可以有偿提供空间分辨率高达米和亚米级的遥感影像数据，本文的高分辨率遥感影像主要是指高空间分辨率的遥感影像。

近年来，面向对象的遥感影像分析和处理方法得到广泛应用，这种方法与传统的基于像元的分析方法不同，它是将若干像元按照一定的规则合并为“对象”，再对对象进行分类的方法。显然，如何合理地把像元合并为对象，是面向对象方法成败的关键。把像元合并为对象这一过程，在遥感中，称为影像分割。影像分割是指将影像分割为若干对象区域，每个对象区域内的像元之间具有较好的相似性，同时保证对象区域之间有较大的异质性。这种相似性通常是指灰度、色彩、形状和纹理等特征。在计算机视觉领域，已经产生了很多种图像分割算法，但是这些算法往往难以直接应用到遥感影像上，这是因为遥感影像的成像方式具有特殊性。对于高分辨率遥感影像而言，其空间分辨率高、纹理信息非常丰富，但是其光谱信息相对不足，再加上遥感影像的分析通常要从不同的尺度着手，因此如何更好地对高分辨率遥感影像进行分割是亟待解决的问题。本文主要总结了适合高分辨率遥感影像的分割方法，并在此基础上提出了未来的热点和发展趋势。

2. 高分辨率遥感影像分割方法

遥感影像的分割方法大体上可以分为两类：自上而下型和自下而上型。自上而下型又称为知识驱动型，是根据知识规则和先验模型来直接指导分割过程。自下而上型又称为数据驱动型，是根据影像数据自身的特征直接对影像进行分割，通常所说的遥感影像分割多属于这一类型。

然而，更多学者倾向于从分割原理入手对分割算法进行分类。按照分割原理来分，可将遥感影像分割方法分为四类：一是传统的基于像元的分割方法，包括阈值法、最近邻法、聚类法等；二是基于边缘检测的分割方法，包括Canny算子，Sobel算子等；三是基于对象或区域的分割方法，包括像元合并等；四是基于物理模型的分割方法，这类方法由于原理复杂，通常较少采用。除此之外，在这些方法的基础上，又衍生出一些新的数学方法，也获得了广泛的应用。由于遥感影像通常是多波段的灰度图像，因此灰度图像分割方法扩展到彩色空间即可应用于遥感影像[1]。

2.1 基于像元的分割方法

阈值法是最简单的图像分割算法，一般单波段影像是由不同灰度级的像元所组成的，这一点可以从图像的直方图上明确看出，不同的灰度级都有对应的像元数量，选择合理的阈值就可以将图像分割为若干对象区域[2]。这种方法原理简单，不需要先验知识，设计容易且速度快，特别是当影像上感兴趣目标所在区域的灰度值与周围相差很大时，能有效地执行分割。但是当影像中像元间的灰度差异较小，或者灰度范围重叠较大时，这种方法的结果往往不够理想。根本原因，就是阈值法只考虑了像元灰度这一单一属性，忽略了其他诸多信息，所以这种方法在对高分辨率遥感影像进行分割时，难以扩展到多波段彩色空间，因此较少被采用[3]。

2.2 基于边缘检测的分割方法

基于边缘检测的分割方法通常是寻找影像中灰度值突变的地方来确定局部区域的边缘。这种突变可以通过对影像灰度变化求导来检测到边缘位置，例如一阶导数的峰值点和二阶导数的零点位置。常用的一阶算子有Roberts， Prewitts， Sobel算子等，二阶算子有Laplacian，Canny等。由于这些算子对噪声异常敏感，因此在对图像进行边缘检测前要先进行影像滤波，但实际上滤波会在一定程度上降低边缘检测的精度。边缘检测法的另一个难点是在于生成一个封闭边界，特别是在边界模糊或者边界过多时，很难获得一个理想的闭合边界。

2.3 基于区域的分割方法

基于区域的分割方法主要是依据像素之间的相似性来形成局部区域，从而获取分割结果。这类方法按照分割方向可分为两类，一类是区域生长，另一类是区域分裂（与合并）。区域生长是从影像中选取若干像元作为种子，然后从这些种子出发，选取适当的相似性度量，来对种子邻域的像元进行判断，将相似的邻域像元与对应种子连接，如此重复，直到所有像元被归并到相应的种子区域中。而区域分裂是从整幅影像出发，将同质性较差、异质性较强的区域分裂开，形成子区域，然后继续对子区域进行区域分裂，如此重复，直至所有子区域都被视为满足条件的同质区域，则分裂停止，在分裂的基础上，也可以结合区域合并共同应用。基于区域的方法对噪声不敏感，而且容易扩展到多波段的遥感影像上，因此，这类方法在遥感中常常被采用。

该类方法随着德国Definiens Imaging公司商业化遥感影像处理软件易康（eCognition）的诞生，而引起了广泛的关注。易康软件中基于面向对象的思想提出了一种分形网络演化算法（FNEA），结合模糊分类的理论，通过多参数的调节来不断的优化多尺度分割的结果，是目前该类算法中效果最好的。

2.4 基于物理模型的分割方法

影像的物理模型是从影像的成像过程得来的，物理模型描述了影像数据与真实地表特征、大气作用、光照条件及成像硬件设备等因素之间的关系。对于高分辨率影像而言，由于其丰富的地表细节信息，使得外界条件变化，包括太阳光照射、阴影等因素，对其成像过程产生较大影响，加之“同物异谱”和“异物同谱”现象的存在，使得获取较好的影像分割结果变得异常困难。因此，通常的基于物理模型的方法，都要求满足一定的约束和条件，因此在应用中受到很大局限。但是，由于物理模型具有严格的解析意义，因此仍然是一个值得研究的方向。

2.5 其他方法

数字影像在实际处理中，往往被视作一幅影像矩阵，因此，可以结合矩阵论的思想来对基本分割方法进行扩展，以此提升分割结果的准确性。

基于数学形态学运算的分割方法已经被广泛应用到遥感影像中，包括腐蚀运算、膨胀运算、开运算和闭运算等。但是这种方法显然只能应用于单波段图像处理，因此往往要对多波段遥感影像获取主成分，然后对包含所需信息最多的主成分进行形态学运算。形态学最著名的分割方法就是分水岭算法[4]，其实质就是一个对二值图像进行连续腐蚀的过程，速度快但是容易产生过分割现象[5]。

基于马尔科夫随机场的分割方法，从统计学角度对原始影像进行重建，例如提取影像的纹理特征参数等[6]。

基于小波变换的分割方法，可以将数字信号转换为频率进行运算处理，可以较好地保持影像数据的结构信息。

深度学习的方法近来也被应用到影像分割中。深度学习是基于神经网络的方法，神经网络很早以前就被应用到图像处理和模式识别中。深度学习是将影像分割转化为其他问题，例如分类和能量极化等。但是深度学习方法需要大量的训练样本，而且训练时间较长，对于数据量较大的遥感影像，其效率会很低。

3. 结论与展望

遥感影像分割一直是遥感预处理过程中重要的一环，尤其是在进行影像分类时，如何提高分割精度始终是个难点。本文在调研了国内外诸多遥感影像分割方法的基础上，对其进行了归纳总结。事实上，对于高分辨率遥感影像而言，一个好的分割算法应该具有如下特点：首先，依据不同的应用目的，能够获得准确的地物边界；其次，在不同的尺度上，都能获得相对一致的界；第三，能够利用遥感影像的多维特征，例如空间、光谱、时间特征等；第四，算法效率较高，毕竟遥感影像的数据量较为庞大。

近年来，遥感技术的不断发展，使得遥感影像的空间分辨率已经进入亚米级时代，很多传统的分割方法已经无法满足高分辨率影像信息提取的要求。因此，遥感影像分割的未来发展方向应集中于以下几点：第一是在像元基础上，形成多尺度以及多层次的对象或区域，利用多尺度和多层次来丰富可用的影像特征；第二是将不同数据源的分割结果利用数据融合方法有机统一起来，形成更准确的分割结果体系；第三是将单波段的方法较好的扩展到多波段的彩色空间，甚至到高光谱数据中。

参考文献：

[1] V. Dey， Y. Zhang， and M. Zhong， A review on image segmentation techniques with remote sensing perspective： na， 2010.

[2] J. Jiang， Z. Zhang， and H. Wang， "A new segmentation algorithm to stock time series based on PIP approach，" in Wireless Communications， Networking and Mobile Computing， 2007. WiCom 2007. International Conference on， 2007， pp. 5609―5612.

[3] Y. Tarabalka， J. Chanussot， and J. A. Benediktsson， "Segmentation and classification of hyperspectral images using minimum spanning forest grown from automatically selected markers，" Systems， Man， and Cybernetics， Part B： Cybernetics， IEEE Transactions on， vol. 40， pp. 1267―1279， 2010.

[4] Y. Tarabalka， J. Chanussot， and J. A. Benediktsson， "Segmentation and classification of hyperspectral images using watershed transformation，" Pattern Recognition， vol. 43， pp. 2367―2379， 2010.

遥感影像范文第5篇

【关键词】高分辨率遥感影像；非监督分类；监督分类；最大似然；分类精度

引言

近年来，随着航天技术、传感器技术、数字图像处理技术的发展，遥感正朝着三高（高空间分辨率、高光谱、高时相分辨率）和三多（多传感器、多平台、多角度）方向迅猛发展[1]。高分辨率遥感影像的分类问题在遥感应用中越来越重要。高分辨率遥感影像分类方法由传统的分类方法发展到一些诸如人工神经网络、模糊聚类和决策树分类等新的分类算法。

1 高分辨率遥感影像分类的原理

1.1 高分辨率遥感影像分类的基本概念

遥感图像的分辨率简单来说就是成像系统对图像细节分辨能力的一种度量，也是图像中目标细微程度的指标，它表示景物信息的详细程度。本文所说的高分辨遥感图像是指高空间分辨率、高时间分辨率、光谱分辨率的遥感图像。高分辨率遥感图像分类是遥感分析与解译的需要。高分辨率遥感图像分类是基于图像内容检索的必然结果

1.2 高分辨率遥感影像分类的基本原理

遥感图像计算机分类以遥感数字图像为研究对象，在计算机系统支持下，综合运用地学分析、遥感图像处理、地理信息系统、模式识别与人工智能技术，实现地学专题信息的智能化获取。其基本目标是将人工目视解译遥感图像发展为计算机支持下的遥感图像理解。

2 高分辨率遥感影像分类方法的研究

2.1 非监督分类方法的研究

非监督分类（Unsupervised Classification）一种无先验（已知）类别标准的分类法。对于待研究的对象或区域，没有已知类别或训练样本作标准，而直接依据样品观测资料的内在联系进行分类。非监督分类的理论依据是遥感图像上的同类地物在相同的表面结构特征、植被覆盖、光照等条件下，应当具有相同或相近的光谱特征，从而表现出某种内在的相似性，归属于同一个光谱空间区域；不同的地物，光谱信息特征不同，归属于不同的光谱空间区域[2]。

非监督分类最常用的统计分析方法是聚类分析，对于遥感图像进行聚类分析，通常是按照某种相似性准则对样本进行合并或分离，确定一些描述点与点之间的联系程度的统计量即类似度。非监督分类中最常用的方法有ISODATA，K-均值聚类等方法。

2.2 监督分类方法的研究

监督分类根据已知训练场地提供的样本，通过选择特征参数，建立判别函数，然后把图像中各个像元点归化到指定类中的分类方法[3]。

监督分类的分类的思想是：首先根据类别的先验知识确定判别函数和相应的判别准则，其中利用一定数量的已知类别的样本（称为训练样本）的观测值确定判别函数中待定参数的过程称为训练或学习，然后将未知类别的样本的观测值代入判别函数，再依据判别准则对样本的所属类别做出判定。

有监督分类一般是在图像中选取有代表性区域作为训练区，由训练区数据得出各个类别的统计数据，然后根据这些统计数据对整个图像进行分类。它常用的分类方法有最小距离分类，平面多面体分类和最大似然分类方法

2.3 其他分类方法的研究

①决策树（Decision Tree）又称为判定树[3]，是运用于分类的一种树结构。可以像分类过程一样被定义，依据规则把遥感数据集一级级往下细分，定义决策树的各个分支。决策树由一个根结点、一系列内部结点（分支）及终极结点（叶节点）组成，每一结点只有一个父结点和一个或多个子结点。其中的每个内部结点（internal node）代表对某个属性的一次测试，每条边代表一个测试结果，叶结点（leaf）代表某个类（class）或者类的分布（class distribution）。决策树算法中比较成熟的有ID3、C4.5、CART、SLIQ以及SPRINT等。

②人工神经网络（Artificial Neural Networks，ANN）是人们在模仿人脑处理问题的过程发展起来的一种人工智能信息处理理论，它通过大量的称之为神经元的简单处理单元构成非线性动力学系统，对人脑的形象思维、联想记忆等进行模拟的抽象，实现与人脑相似的学习、识别、记忆等信息处理能力。人工神经网络又可以分为反向传播（简称BP） 网络、径向基函数（简称RBF）网络、自组织特征映射的Kohonen网络、CP网络、Hopfield网络等，其中BP网络是一种用得较多的人工神经网络。

3 基于ERDAS软件的影像分类实验与分析

3.1 数据源和软件平台

本次试验的数据源采用2005年山东省胶州市2.8m多光谱和0.7m全色Quick- Bird融合后的遥感影像，并以当年胶州市地形图为参考进行分类结果的精度评价。

软件平台选用ERDAS IMAGINE 9.1 ，它是美国ESRI 公司的产品， 具有友好、灵活的用户界面和操作方式及多种影像分类方法 。

3.2 传统分类方法分析

①遥感影像融合是一种通过高级影像处理技术来复合多源遥感影像数据的技术，其目的是将单一传感器的多波段信息或不同类传感器所提供的信息加以综合，消除多传感器信息之间可能存在的冗余和矛盾，加以互补，降低其不确定性，减少模糊度，以增强影像中信息透明度，改善解译精度、可靠性以及使用率，以形成对目标完整一致的信息描述。：

②应用非监督分类方法进行遥感影像分类时，首先需要调用系统提供的非监督分类方法获得初始分类结果，而后再进行一系列的调整分析。

4 分类精度评价

分类精度是指分类图像中的像元被正确分类的程度[4]。现在，衡量分类精度最广泛的方法是由congalton 提出的误差矩阵法。分类精度主要指标有生产精度、用户精度、总体精度、漏分精度、错分精度和Kappa 系数等[6]。为了评价分类试验精度，随机选取了140 个样本点，建立混淆矩阵，计算其生产者精度、用户精度及Kappa 系数。

本次试验采用最大似然监督分类、马氏距离监督分类和最小距离监督分类三种不同的分类方法进行分类精度评价。表4-1为精度评价表：

5 结束语

①运用1SODATA算法进行非监督分类，虽然非监督分类过程的自动化程度较高，但其分类精度没有监督分类高，分类效果较差，监督分类效果较好。

②可以从评价分类精度实验结果分析中看出，无论是总体精度还是Kappa系数，最大似然分类方法的分类精度最高，最小距离分类方法的分类精度次之，马氏距离分类方法的分类精度最差。

参考文献：

[1]李德仁.论21世纪遥感与GIS的发展[J].武汉大学学报，2003，28（2）：127-131.

[2]袁金国.遥感图像数字处理[M].北京：中国环境出版社，2006.

[3]杜培军.遥感原理与应用[M]. 北京：中国矿业大学出版社，2006.

[4]杜凤兰、田庆久、夏学齐等.面向对象的地物分类法分析与评价.遥感技术与应用.2004，19（1），No.2：20.