遙感技術(shù)與遙感圖像處理

1、一、數(shù)字圖象遙感的基本知識(shí)1.概念2.數(shù)字圖象遙感原理3.常用術(shù)語(yǔ)1.概念遙感（遙感（Remote sensing）通過(guò)遠(yuǎn)離目標(biāo)的傳通過(guò)遠(yuǎn)離目標(biāo)的傳感器獲取目標(biāo)或景觀數(shù)據(jù)的技術(shù)（感器獲取目標(biāo)或景觀數(shù)據(jù)的技術(shù)（Colwell 1983）。）。包括航片、衛(wèi)星圖象和雷達(dá)數(shù)據(jù)等。遙感包括航片、衛(wèi)星圖象和雷達(dá)數(shù)據(jù)等。遙感圖象表征了地物波譜反射、輻射能量的空?qǐng)D象表征了地物波譜反射、輻射能量的空間分布。間分布。遙感平臺(tái)遙感平臺(tái)-MSS/TM1999 landsat7遙感平臺(tái)遙感平臺(tái)-SPOT2.數(shù)字圖象遙感原理 不同的物體具有不同的物質(zhì)組成和結(jié)構(gòu),因此其電磁波譜特征相異。遙感即是根據(jù)這種差異來(lái)識(shí)別不同的物體

2、。這就是遙感的基本出發(fā)點(diǎn)。 不同地物的光譜曲線不同 同一種植物在不同的情況下，在各波段的反射率也不同數(shù)字圖象遙感原理數(shù)字圖象遙感原理-數(shù)據(jù)獲取、處理、擴(kuò)展、應(yīng)用數(shù)據(jù)獲取、處理、擴(kuò)展、應(yīng)用數(shù)字圖象遙感原理數(shù)字圖象遙感原理-遙感數(shù)據(jù)產(chǎn)品遙感數(shù)據(jù)產(chǎn)品 數(shù)字圖象遙感原理數(shù)字圖象遙感原理-電磁波譜電磁波譜數(shù)字圖象遙感原理數(shù)字圖象遙感原理-地物反射光譜曲線地物反射光譜曲線數(shù)字圖象遙感原理數(shù)字圖象遙感原理-通道選擇通道選擇波段寬 度遙感特 點(diǎn)0.45-0.52藍(lán)波段 。對(duì)水 體的 穿透力 強(qiáng)， 對(duì)葉綠 素與葉 紅素 濃度反 映敏 感。有 助于 判別水 深、水中葉 綠素分 布、 沿岸水 和進(jìn) 行近海 水域制

3、圖。0.52-0.60綠波段。對(duì)健 康茂 盛植物綠反射敏感 ，對(duì)水 的穿 透力較強(qiáng)。用于探 測(cè)健 康植物綠色反射 率，按“ 綠峰” 反射 評(píng)價(jià)植 物生 活力， 區(qū)分 林型、 樹種和 反映 水下特 征等。0.63-0.69紅波段 。為葉 綠素 的主要 吸收 波段。 反映不 同植 物的葉 綠素 吸收、 植物 健康狀 況。用于區(qū) 分植物 種類 與植物 覆蓋 度。0.76-0.90近紅外波段。 對(duì)綠 色植物類別差異最 敏感， 為植 物通用波段。用于 生物 量調(diào)查、作物長(zhǎng) 勢(shì)測(cè)定 、水 域判別 等。1.55-1.75中紅外波段。 處于 水的吸收帶內(nèi)，反 映含水 量敏 感。用于土壤濕度 、植 物含水量調(diào)查

4、、 水分狀 況研 究，作 物長(zhǎng) 勢(shì)分析 等。提 高區(qū) 分不同 作物 類型的 能力 。10.4-12.5熱紅外波段。 可以 根據(jù)輻射響應(yīng)的差 別，區(qū) 分農(nóng) 、林覆蓋類型，辨 別地 表濕度、水體、 巖石， 以及 監(jiān)測(cè)與 人類 活動(dòng)有 關(guān)的熱 特征 。2.08-2.35中紅外 波段。 主要 用于區(qū) 分巖 石類型 、巖石 的水 熱蝕變 。數(shù)字圖象遙感原理數(shù)字圖象遙感原理-TM光譜特征光譜特征數(shù)字圖象遙感原理數(shù)字圖象遙感原理-NOAA/AVHRR光譜特征光譜特征數(shù)字圖象處理原理數(shù)字圖象處理原理-植被遙感波段選擇植被遙感波段選擇波 段 寬 度遙 感 特 點(diǎn)0.45-0.50色 素 吸 收 波 段 ， 葉

5、綠 素 和 葉 紅 素 吸 收 區(qū) 之 內(nèi)0.52-0.59綠 色 反 射 波 段 ， 對(duì) 區(qū) 分 不 同 林 型 及 樹 種 可 能 提 供 較 多 信 息0.63-0.69對(duì) 區(qū) 分 有 無(wú) 植 被 、 覆 蓋 度 及 植 物 健 康 狀 況 極 為 敏 感0.70-0.74過(guò) 渡 波 段 。 增 加 噪 聲 ， 不 宜 包 括 在 其 他 波 段 中0.74-0.90是 綠 色 植 物的 各種 變量 與 反 射 率 關(guān)系 最敏 感 的 波 段 。為 植物 通用 波 段 。 其 中，0.74-0.80微 米 與 背 景 土 壤 形 成 明 顯 對(duì) 比 ， 對(duì) 區(qū) 分 不 同 覆 蓋 度 作

6、 物 長(zhǎng) 勢(shì) 最 好1.10-1.30在 高 反 射 區(qū) 與 水 吸 收 區(qū) 之 間 ， 能 區(qū) 分 植 物 類 別1.55-1.75，2.10-2.30均 是 位 于 幾 個(gè) 水 吸 收 帶 之 間 的 反 射 峰3.常用術(shù)語(yǔ)常用術(shù)語(yǔ)圖象（圖象（Image）象元（象元（pixel）通道（通道（band）采樣（采樣（sampling）:獲得每個(gè)象元位置的獲得每個(gè)象元位置的灰度灰度（grey level）定量化（定量化（quantization）:用整數(shù)表示遙感探測(cè)數(shù)據(jù)。這是用整數(shù)表示遙感探測(cè)數(shù)據(jù)。這是由于計(jì)算機(jī)以處理數(shù)字為前提，因此將連續(xù)的探測(cè)值降維由于計(jì)算機(jī)以處理數(shù)字為前提，因此將連續(xù)的探測(cè)

7、值降維并用整數(shù)表示并用整數(shù)表示 ?？臻g分辨率（Spatial resolution）:也稱也稱地面分辨率。波譜分辨率（Spectral resolution）時(shí)間分辨率（Temporal resolution）輻射分辨率（輻射分辨率（Radiometric resolution）：由位數(shù)決定的記錄輻射由位數(shù)決定的記錄輻射值的數(shù)值范圍值的數(shù)值范圍-，如，如 8bit (0255)。 常用術(shù)語(yǔ)常用術(shù)語(yǔ)- 圖象類型圖象類型常用術(shù)語(yǔ)常用術(shù)語(yǔ)-象元、灰度、象元坐標(biāo)象元、灰度、象元坐標(biāo)物理圖象和數(shù)字圖象物理圖象和數(shù)字圖象常用術(shù)語(yǔ)常用術(shù)語(yǔ)-通道通道常用術(shù)語(yǔ)常用術(shù)語(yǔ)-分辨率分辨率空間分辨率空間分辨率輻射分辨率

8、輻射分辨率光譜分辨率光譜分辨率時(shí)間分辨率時(shí)間分辨率DEMO MSS & AVHRR DATA MSS/TM AVHRR GVI NPP二、ERDAS軟件在遙感圖象處理中應(yīng)用1.ERDAS IMAGINE軟件的特點(diǎn)2.IMPORT & EXPORT3.數(shù)字遙感圖象的增強(qiáng)技術(shù)4.數(shù)字遙感圖象的分類技術(shù)5.模型開發(fā)工具6.其它常用模塊ERDAS IMAGINE軟件的特點(diǎn) 高度的RS/GIS的集成功能 覆蓋土地利用、空間分析/建模、ARC/INFO矢量數(shù)據(jù)更新、航空影象與硬拷貝地圖輸出、雷達(dá)數(shù)據(jù)處理、Virtual GIS 、圖象校正與鑲嵌和立體顯示等功能。ERDAS框架框架IMPOR

9、T & EXPORT 數(shù)據(jù)格式 Import Method Example of Import,MSS & AVHRR Correcting Data Example of Geo-correctionIMPORT & EXPORT-數(shù)據(jù)格式數(shù)據(jù)格式BILBSQBIPImport Method 了解數(shù)據(jù)（行列數(shù)、偏移量等信息） 單波段輸入和多波段合成（舉例） 查看圖象信息Correcting Data 旋轉(zhuǎn)預(yù)覽（9-11度） Rotate Images (Raster | Geometric Correction) 幾何校正（Raster | Geometric Cor

10、rection） IMAGE to MAP IMAGE to IMAGE 最后重采樣一次多項(xiàng)式變換一次多項(xiàng)式變換二次多項(xiàng)式轉(zhuǎn)換二次多項(xiàng)式轉(zhuǎn)換GCPs點(diǎn)的選取 選取原則：均勻分布，明顯定位，數(shù)量保證。 選取步驟：地圖選點(diǎn)，確定圖象對(duì)應(yīng)點(diǎn)，篩選。Image-to- Map rectificationImage-to- Image rectification遙感圖象增強(qiáng)技術(shù) 圖象增強(qiáng)的內(nèi)涵圖象增強(qiáng)的內(nèi)涵 Image Enhancement depend on Enhancement Techniques圖象增強(qiáng)的內(nèi)涵圖象增強(qiáng)的內(nèi)涵 Image enhancement is the process o

11、f making an image more interpretable for a particular application. Enhancement makes important features of raw, remotely sensed data more interpretable to the human eye. Enhancement techniques are often used instead of classification techniques for feature extraction-studying and locating areas and

12、objects on the ground and deriving useful information from images. 增強(qiáng)地物波譜特征的差別，以識(shí)別不同的地物類型；增強(qiáng)地物的形態(tài)特征，Image Enhancement depend on The users data-the different bands of Landsat, SPOT,and other imaging sensors were selected to detect certain feature. E.g. Parameters of the band The users objection-the u

13、ser must have a clear idea of the final product desired . The users expectation-what the user thinks he or she will find. The users background-the experience of the person performing the enhancement.Enhancement Techniques Radiometric enhancement:base on the values of individual pixels. Spatial enhan

14、cement:base on the values of individual and neighboring pixels. Spectral enhancement:enhancing images by transforming the values of each pixel on a multiband pixels. Hyperspectral image processing:an extension of the techniques used for multi-spectral datasets Fourier analysis:techniques for elimina

15、ting periodic noise in imagery Radar imagery enhancement:techniques specifically designed for enhancing radar imageryImage enhancement-frequencyImage enhancement-histogram equalizationdemo interpreter Viewer - raster數(shù)字遙感圖象的分類 概念 分類規(guī)則 監(jiān)督分類與非監(jiān)督分類數(shù)字遙感圖象的分類-概念 自1972年第一棵陸地衛(wèi)星（land-sat）發(fā)射以來(lái)，遙感數(shù)據(jù)分類問(wèn)題就是遙感應(yīng)用的

16、關(guān)鍵問(wèn)題。 遙感圖象分類是隨著模式識(shí)別理論的發(fā)展而發(fā)展的，并以地學(xué)知識(shí)為基礎(chǔ)，利用計(jì)算機(jī)通過(guò)對(duì)遙感圖象中各類地物的光譜信息和空間信息進(jìn)行分析，選取地物模式的特征，用一定手段和規(guī)則將特征空間劃分為互不重疊的子空間，然后將圖象中的各個(gè)象元?jiǎng)潥w到各個(gè)子空間。數(shù)字遙感圖象的分類-分類器 影響分類的關(guān)鍵問(wèn)題是選擇適當(dāng)?shù)姆诸愐?guī)則（或分類器），通過(guò)它將遙感數(shù)據(jù)劃分為不同類別。 大多數(shù)分類器是建立在統(tǒng)計(jì)方法上，典型的包括最小距離、最大似然、Bayes分類、模糊分類、統(tǒng)計(jì)聚類分析等分類器。 隨著人工智能技術(shù)和理論的發(fā)展，遙感圖象分類向智能化方向發(fā)展，主要熱點(diǎn)包括：（1）圖象空間中結(jié)構(gòu)信息的提取和分類，如城市道路

17、、網(wǎng)絡(luò)、水系、山脊線、紋理信息等提取；（2）在地學(xué)知識(shí)和地理輔助信息支持下的空間邏輯推理的圖象分類，如基于規(guī)則的遙感影象分類，GIS數(shù)據(jù)輔助下的遙感影象分類等；（3）基于非線性并行處理的視覺(jué)神經(jīng)理論的遙感圖象分類，如人工神經(jīng)網(wǎng)絡(luò)分類器，遺傳學(xué)習(xí)法分類器等。Supervised calssification&unsupervised classification 遙感影象分類根據(jù)是否需要先驗(yàn)知識(shí)可分為監(jiān)督分類和非監(jiān)督分類。 Supervised training: closely controlled by the analyst; in this process, the user s

18、elects pixels that represent patterns or land cover features that they recognize, or that they can identify with help from other sources, such as aerial photos, ground truth data, or maps. unsupervised training: computer-automated, specify some parameters that the computer uses to uncover statistica

19、l pattern that are inherent in the data (spectral cluster); then the users responsibility, after classification, to attach meaning to the resulting classes.遙感分類流程第一步第一步 數(shù)據(jù)收集和預(yù)處理數(shù)據(jù)收集和預(yù)處理 這包括輻射糾正、幾何糾正、特征提取和選擇、數(shù)據(jù)壓縮和消除噪音。第二步第二步 訓(xùn)練樣區(qū)的選擇訓(xùn)練樣區(qū)的選擇 對(duì)于非監(jiān)督分類來(lái)說(shuō)，也需要選擇樣區(qū)以輔助對(duì)簇分析結(jié)果的歸類。對(duì)于監(jiān)督分類來(lái)說(shuō)，訓(xùn)練樣區(qū)用于提取各類的特征參數(shù)以對(duì)各類進(jìn)行模

20、擬。第三步第三步 對(duì)象元進(jìn)行分類對(duì)象元進(jìn)行分類 利用分類算法根據(jù)象元特征值將任一象元?jiǎng)潥w最合適的類。象元特征可以是光譜反射、相鄰象元的紋理特征及所在位置的幾何特征，如高度、坡度、坡向等。第四步第四步 對(duì)分類結(jié)果進(jìn)行后處理對(duì)分類結(jié)果進(jìn)行后處理 這包括各類濾波、簇分析結(jié)果重新歸類、對(duì)分類結(jié)果依據(jù)地圖投影的要求完成幾何轉(zhuǎn)換、對(duì)分類圖進(jìn)行整飾等。第五步第五步 評(píng)價(jià)分類準(zhǔn)確度評(píng)價(jià)分類準(zhǔn)確度 將分類結(jié)果與已知準(zhǔn)確的類型進(jìn)行比較得到分類圖的客觀分對(duì)率。一般通過(guò)隨機(jī)采樣、地面實(shí)況調(diào)查，然后與相應(yīng)位置的分類結(jié)果進(jìn)行比較，得到誤差矩陣（稱混淆矩陣或列聯(lián)表）。如果分類結(jié)果不夠準(zhǔn)確，需要檢查前述幾個(gè)步驟有無(wú)改善的可能

21、。Supervised vs. Unsupervised trainingSelect training Fields E v a l u a t e ClassificationEdit/Evaluate SignatureClassify ImageRun ISODATE AlgorithmE v a l u a t e ClassificationEdit/Evaluate SignatureClassify ImageIdentify ClassesUnsupervised training-demo Dataprep|Unsupervised classification ISODA

22、TA-疊代自組織的數(shù)據(jù)分析法 Evaluate Classification (overlay,Analyze individual classes,Recode) 后處理 Accuracy Assessmentsupervised training-demo Define signatures using signature editor (AOI , Grow Seed) perform supervised classification neighborhood,clump,elliminate Accuracy Assessment 書寫報(bào)告，制作專題圖Land use/cover c

23、lassification-accuracy assessment 評(píng)價(jià)分類結(jié)果的正確與否，需要客觀、合理的方法。分類結(jié)果準(zhǔn)確度評(píng)價(jià)方法比較復(fù)雜。它受每個(gè)類型在空間上分布和每個(gè)同類型地塊的形狀和大小、檢測(cè)樣點(diǎn)的分布、選取、以及不同類型間的相似程度等多種因素的影響。估算分類準(zhǔn)確度一般采用下列步驟：(1) 確定抽樣方法；(2) 確定抽樣數(shù)；(3) 使用其它方法確定每個(gè)象元樣點(diǎn)的類型作為參考數(shù)據(jù)；(4) 建立誤差矩陣；(5) 計(jì)算各種精確度或誤差。Land use/cover classification-sampling strategy(1) 系統(tǒng)抽樣-等間距布點(diǎn)；(2) 隨機(jī)抽樣-對(duì)整個(gè)區(qū)域隨

24、機(jī)布點(diǎn)；(3) 分區(qū)抽樣-按一定的樣點(diǎn)個(gè)數(shù)在劃分的每個(gè)區(qū)域內(nèi)隨機(jī)布點(diǎn)；(4) 系統(tǒng)分區(qū)隨機(jī)抽樣-對(duì)整個(gè)區(qū)域內(nèi)等面積分區(qū)，并在區(qū)內(nèi)隨機(jī)布點(diǎn)。當(dāng)各類型所占面積相近時(shí)，可用隨機(jī)抽樣，或系統(tǒng)抽樣。當(dāng)屬性數(shù)據(jù)有規(guī)律地分布時(shí)，系統(tǒng)抽樣可能出現(xiàn)偏差。這時(shí)用隨機(jī)抽樣或系統(tǒng)分區(qū)隨機(jī)抽樣較好。當(dāng)屬性類型所占面積很大時(shí)，則應(yīng)使用分區(qū)隨機(jī)抽樣。否則，面積小的類型就可能很少被抽樣，以至于抽樣結(jié)果代表性差。例如，河谷在土地規(guī)劃時(shí)很重要，但是，通常只占不到1%總面積。這時(shí)如果不用分區(qū)隨機(jī)抽樣，對(duì)這類土地進(jìn)行配額抽樣，則會(huì)造成抽樣不足。Land use/cover classification-sampling size由于確定抽樣點(diǎn)的類型一般比現(xiàn)行方法（如圖象分類）更困難且耗費(fèi)高，因此確定具有統(tǒng)計(jì)意義的最少的樣本數(shù)量很重要。但這并不容易。目前常用下列方法（Jensen,1996）。 N=Z 2(p)(100-p)/e 2 N-抽樣數(shù)p-準(zhǔn)確度期望值（百分?jǐn)?shù)）Z-按一定概率水平在標(biāo)準(zhǔn)正態(tài)分布雙側(cè)分位數(shù)表中