遙感影像處理知識(shí)

遙感講座——遙感影像預(yù)處理數(shù)據(jù)預(yù)處理是遙感應(yīng)用的第一步，也是非常重要的一步。目前的技術(shù)也非常成熟，大多數(shù)的商業(yè)化軟件都具備這方面的功能。預(yù)處理的大致流程在各個(gè)行業(yè)中有點(diǎn)差異，而且注重點(diǎn)也各有不同。本小節(jié)包括以下內(nèi)容：數(shù)據(jù)預(yù)處理一般流程介紹□預(yù)處理常見名詞解釋口ENVI中的數(shù)據(jù)預(yù)處理1、 數(shù)據(jù)預(yù)處理一般流程數(shù)據(jù)預(yù)處理的過程包括幾何精校正、配準(zhǔn)、圖像鑲嵌與裁剪、去云及陰影處理和光譜歸一化幾個(gè)環(huán)節(jié)，具體流程圖如圖所示。各個(gè)行業(yè)應(yīng)用會(huì)有所不同，比如在精細(xì)農(nóng)業(yè)方面，在大氣校正方面要求會(huì)高點(diǎn)，因?yàn)樗枰囱荩辉跍y(cè)繪方面，對(duì)幾何校正的精度要求會(huì)很高。2、 數(shù)據(jù)預(yù)處理的各個(gè)流程介紹（一）幾何精校正與影像配準(zhǔn)引起影像幾何變形一般分為兩大類：系統(tǒng)性和非系統(tǒng)性。系統(tǒng)性一般有傳感器本身引起的，有規(guī)律可循和可預(yù)測(cè)性，可以用傳感器模型來校正；非系統(tǒng)性幾何變形是不規(guī)律的，它可以是傳感器平臺(tái)本身的高度、姿態(tài)等不穩(wěn)定，也可以是地球曲率及空氣折射的變化以及地形的變化等。在做幾何校正前，先要知道幾個(gè)概念：地理編碼：把圖像矯正到一種統(tǒng)一標(biāo)準(zhǔn)的坐標(biāo)系。地理參照：借助一組控制點(diǎn)，對(duì)一幅圖像進(jìn)行地理坐標(biāo)的校正。圖像配準(zhǔn)：同一區(qū)域里一幅圖像（基準(zhǔn)圖像）對(duì)另一幅圖像校準(zhǔn)影像幾何精校正，一般步驟如下，（1） GCP（地面控制點(diǎn)）的選取這是幾何校正中最重要的一步?？梢詮牡匦螆D（DRG）為參考進(jìn)行控制選點(diǎn)，也可以野外GPS測(cè)量獲得，或者從校正好的影像中獲取。選取得控制點(diǎn)有以下特征：1、 GCP在圖像上有明顯的、清晰的點(diǎn)位標(biāo)志，如道路交叉點(diǎn)、河流交叉點(diǎn)等；2、 地面控制點(diǎn)上的地物不隨時(shí)間而變化。GCP均勻分布在整幅影像內(nèi)，且要有一定的數(shù)量保證，不同糾正模型對(duì)控制點(diǎn)個(gè)數(shù)的需求不相同。衛(wèi)星提供的輔助數(shù)據(jù)可建立嚴(yán)密的物理模型，該模型只需9個(gè)控制點(diǎn)即可；對(duì)于有理多項(xiàng)式模型，一般每景要求不少于30個(gè)控制點(diǎn)，困難地區(qū)適當(dāng)增加點(diǎn)位；幾何多項(xiàng)式模型將根據(jù)地形情況確定，它要求控制點(diǎn)個(gè)數(shù)多于上述幾種模型，通常每景要求在30-50個(gè)左右，尤其對(duì)于山區(qū)應(yīng)適當(dāng)增加控制點(diǎn)。（2）建立幾何校正模型地面點(diǎn)確定之后，要在圖像與圖像或地圖上分別讀出各個(gè)控制點(diǎn)在圖像上的像元坐標(biāo)（x,y）及其參考圖像或地圖上的坐標(biāo)（X,Y）,這叫需要選擇一個(gè)合理的坐標(biāo)變換函數(shù)式（即數(shù)據(jù)校正模型），然后用公式計(jì)算每個(gè)地面控制點(diǎn)的均方根誤差（RMS）根據(jù)公式計(jì)算出每個(gè)控制點(diǎn)幾何校正的精度，計(jì)算出累積的總體均方差誤差，也叫殘余誤差，一般控制在一個(gè)像元之內(nèi)，即RMS<1。（3）圖像重采樣重新定位后的像元在原圖像中分布是不均勻的,即輸出圖像像元點(diǎn)在輸入圖像中的行列號(hào)不是或不全是正數(shù)關(guān)系。因此需要根據(jù)輸出圖像上的各像元在輸入圖像中的位置，對(duì)原始圖像按一定規(guī)則重新采樣，進(jìn)行亮度值的插值計(jì)算，建立新的圖像矩陣。常用的內(nèi)插方法包括：1、 最鄰近法是將最鄰近的像元值賦予新像元。該方法的優(yōu)點(diǎn)是輸出圖像仍然保持原來的像元值，簡(jiǎn)單，處理速度快。但這種方法最大可產(chǎn)生半個(gè)像元的位置偏移，可能造成輸出圖像中某些地物的不連貫。2、 雙線性內(nèi)插法是使用鄰近4個(gè)點(diǎn)的像元值，按照其距內(nèi)插點(diǎn)的距離賦予不同的權(quán)重，進(jìn)行線性內(nèi)插。該方法具有平均化的濾波效果，邊緣受到平滑作用，而產(chǎn)生一個(gè)比較連貫的輸出圖像，其缺點(diǎn)是破壞了原來的像元值。3、 三次卷積內(nèi)插法較為復(fù)雜，它使用內(nèi)插點(diǎn)周圍的16個(gè)像元值，用三次卷積函數(shù)進(jìn)行內(nèi)插。這種方法對(duì)邊緣有所增強(qiáng)，并具有均衡化和清晰化的效果，當(dāng)它仍然破壞了原來的像元值，且計(jì)算量大。一般認(rèn)為最鄰近法有利于保持原始圖像中的灰級(jí)，但對(duì)圖像中的幾何結(jié)構(gòu)損壞較大。后兩種方法雖然對(duì)像元值有所近似，但也在很大程度上保留圖像原有的幾何結(jié)構(gòu)，如道路網(wǎng)、水系、地物邊界等。（二）數(shù)字圖像鑲嵌與裁剪鑲嵌當(dāng)研究區(qū)超出單幅遙感圖像所覆蓋的范圍時(shí)，通常需要將兩幅或多幅圖像拼接起來形成一幅或一系列覆蓋全區(qū)的較大的圖像。在進(jìn)行圖像的鑲嵌時(shí)，需要確定一幅參考影像，參考圖像將作為輸出鑲嵌圖像的基準(zhǔn)，決定鑲嵌圖像的對(duì)比度匹配、以及輸出圖像的像元大小和數(shù)據(jù)類型等。鑲嵌得兩幅或多幅圖像選擇相同或相近的成像時(shí)間，使得圖像的色調(diào)保持一致。但接邊色調(diào)相差太大時(shí)，可以利用直方圖均衡、色彩平滑等使得接邊盡量一致，但用于變化信息提取時(shí)，相鄰影像的色調(diào)不允許平滑，避免信息變異。裁剪圖像裁剪的目的是將研究之外的區(qū)域去除，常用的是按照行政區(qū)劃邊界或自然區(qū)劃邊界進(jìn)行圖像的分幅裁剪。它的過程可分為兩步：矢量柵格化和掩膜計(jì)算（Mask）。矢量柵格化是將面狀矢量數(shù)據(jù)轉(zhuǎn)化成二值柵格圖像文件，文件像元大小與被裁剪圖像一致；把二值圖像中的裁剪區(qū)域的值設(shè)為1，區(qū)域外取0值，與被裁剪圖像做交集運(yùn)算，計(jì)算所得圖像就是圖像裁剪結(jié)果。（三）大氣校正遙感圖像在獲取過程中，受到如大氣吸收與散射、傳感器定標(biāo)、地形等因素的影響，且它們會(huì)隨時(shí)間的不同而有所差異。因此，在多時(shí)相遙感圖像中，除了地物的變化會(huì)引起圖像中輻射值的變化外，不變的地物在不同時(shí)相圖像中的輻射值也會(huì)有差異。利用多時(shí)相遙感圖像的光譜信息來檢測(cè)地物變化狀況的動(dòng)態(tài)監(jiān)測(cè)，其重要前提是要消除不變地物的輻射值差異。輻射校正是消除非地物變化所造成的圖像輻射值改變的有效方法，按照校正后的結(jié)果可以分為2種，絕對(duì)輻射校正方法和相對(duì)輻射校正方法。絕對(duì)輻射校正方法是將遙感圖像的DN（DigitalNumber）值轉(zhuǎn)換為真實(shí)地表反射率的方法，它需要獲取影像過境時(shí)的地表測(cè)量數(shù)據(jù)，并考慮地形起伏等因素來校正大氣和傳感器的影響，因此這類方法一般都很復(fù)雜，目前大多數(shù)遙感圖像都無法滿足上述條件。相對(duì)輻射校正是將一圖像作為參考（或基準(zhǔn)）圖像，調(diào)整另一圖像的DN值，使得兩時(shí)相影像上同名的地物具有相同的DN值，這個(gè)過程也叫多時(shí)相遙感圖像的光譜歸一化。這樣我們就可以通過分析不同時(shí)相遙感圖像上的輻射值差異來實(shí)現(xiàn)變化監(jiān)測(cè)。因此，相對(duì)輻射校正就是要使相對(duì)穩(wěn)定的同名地物的輻射值在不同時(shí)相遙感圖像上一致，從而完成地物動(dòng)態(tài)變化的遙感動(dòng)態(tài)監(jiān)測(cè)。3、ENVI中的數(shù)據(jù)預(yù)處理介紹（一） 幾何精校正與影像配準(zhǔn)（1）選擇幾何校正模型ENVI中支持有大多數(shù)商業(yè)化衛(wèi)星的幾何校正模型，如QuickBird、Ikonos、Spot1-5、P6、WorldView-1等，一般的校正模型包括二次多項(xiàng)式、仿射變換和局部三角網(wǎng)。控制點(diǎn)選擇方式可以是從影像上，也可以從矢量數(shù)據(jù)或者野外實(shí)測(cè)等。選擇控制點(diǎn)也非常的方便，包含了誤差的結(jié)算。（二） 數(shù)字圖像鑲嵌與裁剪鑲嵌ENVI支持有地理參照和沒有地理參照影像數(shù)據(jù)的鑲嵌，能夠自動(dòng)對(duì)鑲嵌影像進(jìn)行顏色平衡，并提供了多種影像增強(qiáng)和直方圖匹配工具，可以最大限度地消除鑲嵌影像間的色調(diào)和顏色差異多種色彩平衡方法，多種接邊線編輯方式。裁減在ENVI中做裁減的方法非常的多，提供多種方法進(jìn)行圖像的空間裁剪獲得子區(qū)，包括：手動(dòng)輸入行列數(shù)、從圖像中交互選擇區(qū)域、輸入地理坐標(biāo)范圍、和另外圖像文件的交集、使用滾動(dòng)窗口中的圖像和通過感興趣區(qū)域。（三）大氣校正ENVI的大氣校正模塊為FLAASH。詳細(xì)情況參見帖子：ENVI中的大氣校正模塊（FLAASH）的使用說明。遙感講座——遙感分類遙感的最終成果之一就是從遙感影像上獲取信息，遙感分類是獲取信息的重要手段。同時(shí)遙感分類也是目前遙感技術(shù)中的熱點(diǎn)研究方向，每年都有新的分類方法推出。本小節(jié)主要內(nèi)容：口口3遙感分類基本概念□□□常見遙感分類方法ENVI中的分類工具1、 遙感分類遙感影像通過亮度值或像元值的高低差異（反映地物的光譜信息）及空間變化（反映地物的空間信息）來表示不同地物的差異，這是區(qū)分不同影像地物的物理基礎(chǔ)。遙感影像分類就是利用計(jì)算機(jī)通過對(duì)遙感影像中各類地物的光譜信息和空間信息進(jìn)行分析，選擇特征，將圖像中每個(gè)像元按照某種規(guī)則或算法劃分為不同的類別，然后獲得遙感影像中與實(shí)際地物的對(duì)應(yīng)信息，從而實(shí)現(xiàn)遙感影像的分類。不同的地物具有不同的波譜特征，同類的地物具有相似的波譜特征，由不同探測(cè)波段組成的多波段數(shù)字圖像是地物特征的量化，遙感影像分類正是基于影像中所反映的同類地物的光譜相似性和異類地物的光譜差異性的基礎(chǔ)上進(jìn)行的，根據(jù)影像的特征向量，建立判別函數(shù)，最終實(shí)現(xiàn)將遙感影像自動(dòng)分成若干地物類型。遙感影像分類由于遙感影像的數(shù)據(jù)量大和成像復(fù)雜等特點(diǎn)，使得遙感影像具有一些特點(diǎn)和原則。遙感影像分類比起一般的數(shù)字影像分類具有自身的特點(diǎn)，概況來講遙感影像分類的特點(diǎn)有如下幾點(diǎn)：（1） 數(shù)據(jù)量大。遙感影像通常具有較多的光譜波段，每個(gè)像元在不同波段具有不同的波譜特征，所以遙感影像分類是處理多波段的運(yùn)算。（2） 復(fù)雜性。雖然大多數(shù)的地物符合“同類地物具備相同的波譜特征，不同地物具有不同的波譜特征”的原則，但是大多數(shù)情況下，研究的同類地物會(huì)具有不同的光譜特征，即“同物異譜”，而相同的光譜特征表示了不同的地物，即“異物同譜”。（3） 需要預(yù)處理。在對(duì)遙感影像分類前，往往需要做一定的預(yù)處理，原始影像的特征波段間往往存在比較強(qiáng)的相關(guān)性，同時(shí)由于處理多波段遙感數(shù)據(jù)的計(jì)算量大的原因，在分類前采用特征判別，決定一定的預(yù)處理方法，不但可以減少計(jì)算量，同時(shí)為可以處理多波段數(shù)據(jù)提供一種方式。遙感影像分類方法可以歸納為兩類：監(jiān)督分類與非監(jiān)督分類。2、 非監(jiān)督分類：也稱為聚類分析或點(diǎn)群分類。在多光譜圖像中搜尋、定義其自然相似光譜集群的過程。它不必對(duì)影像地物獲取先驗(yàn)知識(shí)，僅依靠影像上不同類地物光譜（或紋理）信息進(jìn)行特征提取，再統(tǒng)計(jì)特征的差別來達(dá)到分類的目的，最后對(duì)已分出的各個(gè)類別的實(shí)際屬性進(jìn)行確認(rèn)。目前比較常見也較為成熟的是ISODATA、鏈狀方法等。遙感影像的非監(jiān)督分類一般包括以下6個(gè)步驟：影像分析：分析影像，大體上判斷主要地物的類別數(shù)量。分類器選擇：選擇一個(gè)合適的分類方法。影像分類：設(shè)置好分類器的參數(shù)對(duì)影像進(jìn)行分類。類別定義：一般需要多設(shè)置幾個(gè)類別，之后重新判別與合并非監(jiān)督分類的結(jié)果。分類重編碼：對(duì)定義好類別的重新定義類別ID。結(jié)果驗(yàn)證：對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)，確定分類的精度和可靠性。3、 監(jiān)督分類監(jiān)督分類：又稱訓(xùn)練分類法，用被確認(rèn)類別的樣本像元去識(shí)別其他未知類別像元的過程。它就是在分類之前通過目視判讀和野外調(diào)查，對(duì)遙感圖像上某些樣區(qū)中影像地物的類別屬性有了先驗(yàn)知識(shí)，對(duì)每一種類別選取一定數(shù)量的訓(xùn)練樣本，計(jì)算機(jī)計(jì)算每種訓(xùn)練樣區(qū)的統(tǒng)計(jì)或其他信息，同時(shí)用這些種子類別對(duì)判決函數(shù)進(jìn)行訓(xùn)練，使其符合于對(duì)各種子類別分類的要求，隨后用訓(xùn)練好的判決函數(shù)去對(duì)其他待分?jǐn)?shù)據(jù)進(jìn)行分類。使每個(gè)像元和訓(xùn)練樣本作比較，按不同的規(guī)則將其劃分到和其最相似的樣本類，以此完成對(duì)整個(gè)圖像的分類。遙感影像的監(jiān)督分類一般包括以下6個(gè)步驟：（1）類別定義：根據(jù)分類目的、影像數(shù)據(jù)自身的特征和分類區(qū)收集的信息確定分類系統(tǒng)；（2）特征判別：對(duì)影像進(jìn)行特征判斷，評(píng)價(jià)圖像質(zhì)量，決定是否需要進(jìn)行影像增強(qiáng)等預(yù)處理；（3）樣本選擇：為了建立分類函數(shù)，需要對(duì)每一類別選取一定數(shù)目的樣本；（4）分類器選擇：根據(jù)分類的復(fù)雜度、精度需求等確定哪一種分類器；（5）影像分類：利用選擇的分類器對(duì)影像數(shù)據(jù)進(jìn)行分類，有的時(shí)候還需要進(jìn)行分類后處理；（6）結(jié)果驗(yàn)證：對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)，確定分類的精度和可靠性。4、ENVI中的分類工具4.1非監(jiān)督分類在ENVI中，通過主面板一〉Classification—〉unsupervised,有兩種方法供選擇，ISODATA和K-Mean。ENVI還有類別定義工具和分類重編碼工具，4.2監(jiān)督分類ENVI中包括了監(jiān)督分類的各個(gè)步驟中的所有工具，首先是樣本的選擇，通過感興趣區(qū)域收集器（ROI）獲取，主面板一〉Basic一〉RegionOfInterest。包括的功能非常的全，如樣本收集、樣本精度驗(yàn)證等，樣本收集可以從普通的影像上收集，也可以在散點(diǎn)圖上選擇。樣本收集完了后，就可以進(jìn)行監(jiān)督分類了。ENVI有多種分類器：包括平行六面體、最小距離、馬氏距離、最大似然，基于神經(jīng)網(wǎng)絡(luò)的，基于模式識(shí)別，包括支持向量機(jī)、模糊分類等，針對(duì)高光譜有波譜角（SAM），光譜信息散度，二進(jìn)制編碼。分類后處理包括的很多的過程，都是些可選項(xiàng)，包括更改類別顏色、分類統(tǒng)計(jì)分析、小斑點(diǎn)處理（類后處理）、柵矢轉(zhuǎn)換等操作。對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)，確定分類的精度和可靠性。有兩種方式用于精度驗(yàn)證：一是混淆矩陣，二是ROC曲線?；趯＜抑R(shí)的決策樹分類器基于專家知識(shí)的決策樹分類是基于遙感影像數(shù)據(jù)及其他空間數(shù)據(jù)，通過專家經(jīng)驗(yàn)總結(jié)、簡(jiǎn)單的數(shù)學(xué)統(tǒng)計(jì)和歸納方法等，獲得分類規(guī)則并進(jìn)行遙感分類。分類規(guī)則易于理解，分類過程也符合人的認(rèn)知過程。基于專家知識(shí)的專家分類可以充分利用其他數(shù)據(jù)，如DEM、行政區(qū)劃圖、道路網(wǎng)、土地利用圖、林相圖等作為分類的輔助數(shù)據(jù)。基于面向?qū)ο蟮姆诸惸K面向?qū)ο蟮募夹g(shù)集合臨近像元為對(duì)象用來識(shí)別感興趣的光譜要素，充分利用高分辨率的全色和多光譜數(shù)據(jù)，利用空間，紋理，和光譜信息來分割和分類的特點(diǎn)，以高精度的分類結(jié)果或者矢量輸出。遙感專題講座（二）——影像信息提?。ㄒ?、目視解譯）遙感影像通過亮度值或像元值的高低差異（反映地物的光譜信息）及空間變化（反映地物的空間信息）來表示不同地物的差異，這是區(qū)分不同影像地物的物理基礎(chǔ)。目前影像都是基于數(shù)字，影像信息的提取方法的發(fā)展歷程可分為如圖1所示，目前這四類方法共存。這一專題講解的是人工解譯，也是目前國內(nèi)使用最多的一種影像提取方法，如土地調(diào)查、地質(zhì)調(diào)查等。這類方法非常靈活，但需要一定的經(jīng)驗(yàn)，特別是像地質(zhì)解譯等，對(duì)業(yè)務(wù)專業(yè)要求比較多。遙感圖像解譯人們對(duì)地表物體的有關(guān)領(lǐng)域，如土地利用存在一種先驗(yàn)知識(shí)，在遙感圖像尋找對(duì)應(yīng)關(guān)系。然后，根據(jù)遙感圖像的影像特征推論地表物體的屬性。這一過程就稱之為遙感圖像的解譯，也叫遙感圖像的判讀。解譯的任務(wù)就是從圖像上認(rèn)識(shí)，辨別影像與地物的對(duì)應(yīng)關(guān)系、判斷、歸類、地物目標(biāo)，并用輪廓線圈定它們和賦予屬性代碼，或用符號(hào)、顏色表示屬性。進(jìn)行圖像解譯時(shí)，把圖像中目標(biāo)物的大小、形狀、陰影、顏色、紋理、圖案，位置及周圍的系統(tǒng)稱之為解譯的八要素。（1）大?。耗玫綀D像時(shí)必須根據(jù)判讀目的選定需要的比例尺。根據(jù)比例尺的大小，可以預(yù)先知道圖像上多少毫米的物，在實(shí)際距離中為多少米。（2）形狀：由于目標(biāo)物不同，在圖像中會(huì)呈現(xiàn)出特殊的形狀。用于圖像判讀的圖像通常是垂直拍攝的，所以必須記住目標(biāo)的成像方式。因?yàn)榧词雇瑯訛闃淠?，針葉林的樹冠呈現(xiàn)為圓形，而闊葉樹則形狀不同，從而可以識(shí)別出二者。此外，飛機(jī)場(chǎng)，港口設(shè)施、工廠等都可以通過它們的形狀判讀出其功能。（3）陰影：由于判讀存在于山脈等陰影中的樹木及建筑時(shí)，陰影的存在會(huì)給判讀者造成麻煩，信往往會(huì)使目標(biāo)丟失。但另一方面，在單像片判讀時(shí)，利用陰影可以了解鐵塔及橋、高層建筑物等的高度及結(jié)構(gòu)。（4）顏色：黑白像片從白到黑的密度比例叫色調(diào)（也叫灰度）。用全色膠片拍攝的像片中，目標(biāo)物按照其反射率而呈現(xiàn)出白一灰一黑的密度變化。例如，同樣為海灘的沙子，干的沙子拍出來發(fā)白，而濕沙則發(fā)黑。在紅外圖像上，水域拍出來是黑色的，而植被則發(fā)白。（5）紋理：也叫結(jié)構(gòu)，是指與色調(diào)配合看上去平滑或粗糙的紋理的粗細(xì)程度，即圖像上目標(biāo)物表面的質(zhì)感。草場(chǎng)及牧場(chǎng)看上去平滑，造林后的幼樹看上去像鋪了天鵝絨，針葉樹林看上去很粗糙。這種紋理也是判讀的線索。（6）圖案：根據(jù)目標(biāo)物的有規(guī)律的排列而形成的圖案。例如，住宅區(qū)的建筑群，農(nóng)田的壟、高爾春球場(chǎng)的路線和綠地，果樹林的樹冠等。以這種圖案為線索可以容易判別出目標(biāo)物。（7）位置及與周圍的關(guān)系：在（1）-（6）上加上各區(qū)域的地理特色及判讀者的專業(yè)知識(shí)等，就可以確定解釋的結(jié)果。解譯的操作步驟:（1）影像預(yù)處理（2）初步判讀，建立判讀標(biāo)志（3）野外調(diào)查或資料驗(yàn)證（4）詳細(xì)判讀及其更新目標(biāo)的定性、定位（5）圖形與屬性文件生成（6）接邊（7）檢查通過遙感圖像解譯預(yù)處理遙感圖像解譯預(yù)處理主要包括：幾何校正、融合、裁剪、鑲嵌。除了這些傳統(tǒng)的預(yù)處理外，為了方便目視解譯，圖像解譯中比較重要的處理還包括了波段組合、圖像增強(qiáng)、圖像變換等。傳統(tǒng)的預(yù)處理這里就不多說了，這里介紹一下其他幾個(gè)預(yù)處理方法。1.波段組合其作用在于： 擴(kuò)展地物波段的差異性 表現(xiàn)差異顯示的動(dòng)態(tài)范圍，擴(kuò)展肉眼觀察的可視性 綜合選取各波段的特點(diǎn) 不同類別、形態(tài)得到良好的表達(dá)多波段組合圖像最終是為了提高地物的可判讀性，使判讀結(jié)果更為科學(xué)合理。高分辨率影像大多只有4個(gè)波段，波段組合常用就是真彩色和標(biāo)準(zhǔn)假彩色。有的時(shí)候在土壤分類或者植被分類時(shí)候，也可以把植被指數(shù)當(dāng)做G分量。組合比較豐富的是Ladsat數(shù)據(jù)源，其他數(shù)據(jù)也可以參考其組合效果?？偨Y(jié)如下：1） 4、3、2（R、G、B）類似于彩色紅外圖像，是一種標(biāo)準(zhǔn)假彩色圖像，用于植被分類、水體識(shí)別。2） 3、2、1（R、G、B）類似于仿制真假彩色圖像，用于各種地類識(shí)別。影像平淡、色調(diào)灰暗、彩色不飽和、信息量相對(duì)減少。3） 7、4、3（R、G、B）類似于仿真彩色圖像，用于居民地、水體識(shí)別。4） 7、5、4（R、G、B）是一種非標(biāo)準(zhǔn)假彩色圖像，畫面偏藍(lán)色，用于特殊的地質(zhì)構(gòu)造調(diào)查。5） 5、4、1（R、G、B）是一種非標(biāo)準(zhǔn)假彩色圖像，植物類型較豐富，用于研究植物分類。6） 4、5、3（R、G、B）特點(diǎn)：（1）利用了一個(gè)紅波段、兩個(gè)紅外波段，因此凡是與水有關(guān)的地物在圖像中都會(huì)比較清楚；（2）強(qiáng)調(diào)顯示水體，特別是水體邊界很清晰，益于區(qū)分河渠與道路；（3）由于采用的都是紅波段或紅外波段，對(duì)其它地物的清晰顯示不夠，但對(duì)海岸及其灘涂的調(diào)查比較適合；（4）具備標(biāo)準(zhǔn)假彩色圖像的某些點(diǎn)，但色彩不會(huì)很飽和，圖像看上去不夠明亮；（5）水澆地與旱地的區(qū)分容易。居民地的外圍邊界雖不十分清晰，但內(nèi)部的街區(qū)結(jié)構(gòu)特征清楚；（6）植物會(huì)有較好的顯示，但是植物類型的細(xì)分會(huì)有困難。7） 3、4、5（紅、綠、藍(lán)），它是一種非標(biāo)準(zhǔn)的接近于真色的合成方案。對(duì)水系、居民點(diǎn)及其市容街道和公園水體、林地的影像判讀是比較有利的。其中最常用方案：使用4，3， 2，（近紅外、紅、綠、）配紅、綠、藍(lán)，形成標(biāo)準(zhǔn)假彩色圖像，是一種在大量總結(jié)實(shí)際經(jīng)驗(yàn)基礎(chǔ)上的最常用方案。它的地物影像豐富，鮮明、層次好。植被以紅色顯示，主要用于資源環(huán)境和土地利用調(diào)查或更新等。次常用方案：使用3、 4、 5（或7）配藍(lán)、綠、紅的合成方案。它是一種非標(biāo)準(zhǔn)的接近于真色的合成方案。（仿真彩色合成方案）它利用了TM圖像較豐富的多光譜（紅、近紅外、短波近紅外）對(duì)水系、居民點(diǎn)及其市容街道和公園水體、林地的圖像判讀是比較有利的。2、植被抑制植被應(yīng)該說是地球上分布最廣的地物類型，當(dāng)對(duì)于非植被解譯來說，就會(huì)照成很大的不便，特別是在地質(zhì)解譯中。在ENVI中非常方便的就能做到，ENVIZOOM中，processing->vegetationsuppression解譯標(biāo)志的建立遙感圖像判讀包括識(shí)別、區(qū)分、辨別、分類、評(píng)定、評(píng)價(jià)及對(duì)某些特殊重要現(xiàn)象的探測(cè)與鑒別。其輪廓的勾繪及其屬性的賦予是要有依據(jù)。依據(jù)就是判讀標(biāo)志。也就是說，在遙感圖像上研究地表地物的種種特征的總和，就叫判讀遙感圖像標(biāo)志。在數(shù)據(jù)預(yù)處理準(zhǔn)備之后，要根據(jù)數(shù)據(jù)源情況、解譯目標(biāo)等信息確立解譯標(biāo)志，編寫成表格文檔形式，如表1所示：解譯關(guān)鍵問題數(shù)據(jù)源的選擇數(shù)據(jù)源的選擇需要考慮的因素非常多，包括價(jià)格、空間分辨率、成像時(shí)間、波譜分辨率等因素。解譯平臺(tái)一個(gè)好的解譯平臺(tái)對(duì)于工程完成的效率影響非常大，涉及到操作的便捷、數(shù)據(jù)格式的互操作、結(jié)果的儲(chǔ)存和管理等。對(duì)于高分辨率影像的解譯，很多軟件都具有半自動(dòng)跟蹤功能。如在ENVI中的Vector->InteHigentDigitizer（智能化矢量工具），具有半自動(dòng)跟蹤功能，能自動(dòng)圓滑線性地物拐彎處、圓滑不規(guī)則地物邊界等。如圖5所示。經(jīng)驗(yàn)的積累圖像解譯以相關(guān)的專業(yè)知識(shí)和經(jīng)驗(yàn)為主導(dǎo)，圖像處理為輔助，經(jīng)驗(yàn)是在實(shí)踐中逐步總結(jié)，如下為一些經(jīng)驗(yàn)性的總結(jié)：總體觀察-到局部詳細(xì)分析；綜合分析-前人調(diào)查資料、地面實(shí)況；對(duì)比分析一地面調(diào)繪圖、土地利用圖；已知一未知；易_難；山區(qū)一>平原；整體-局部（大類-二級(jí)分類）；宏觀特征-細(xì)部結(jié)構(gòu)；先線狀地物-后圖形。遙感專題講座——影像信息提?。ǘ?、監(jiān)督與非監(jiān)督分類）影像的分類可分為監(jiān)督與非監(jiān)督分類。監(jiān)督分類器根據(jù)其原理有基于傳統(tǒng)統(tǒng)計(jì)分析的、基于神經(jīng)網(wǎng)絡(luò)的、基于模式識(shí)別的等。本專題以ENVI的監(jiān)督與非監(jiān)督分類的實(shí)際操作為例，介紹這兩種分類方法。非監(jiān)督分類非監(jiān)督分類：也稱為聚類分析或點(diǎn)群分類。在多光譜圖像中搜尋、定義其自然相似光譜集群的過程。它不必對(duì)影像地物獲取先驗(yàn)知識(shí)，僅依靠影像上不同類地物光譜（或紋理）信息進(jìn)行特征提取，再統(tǒng)計(jì)特征的差別來達(dá)到分類的目的，最后對(duì)已分出的各個(gè)類別的實(shí)際屬性進(jìn)行確認(rèn)。目前比較常見也較為成熟的是ISODATA、K-Mean和鏈狀方法等。遙感影像的非監(jiān)督分類一般包括以下6個(gè)步驟1、 影像分析大體上判斷主要地物的類別數(shù)量。一般監(jiān)督分類設(shè)置分類數(shù)目比最終分類數(shù)量要多2-3倍為宜，這樣有助于提高分類精度。本案例的數(shù)據(jù)源為ENVI自帶的Landsattm5數(shù)據(jù)Can_tmr.img，類別分為：林地、草地/灌木、耕地、裸地、沙地、其他六類。確定在非監(jiān)督分類中的類別數(shù)為15。2、 分類器選擇目前非監(jiān)督分類器比較常用的是ISODATA、K-Mean和鏈狀方法。ENVI包括了ISODATA和K-Mean方法。ISODATA（IterativeSelf-OrgnizingDataAnalysizeTechnique）重復(fù)自組織數(shù)據(jù)分析技術(shù)計(jì)算數(shù)據(jù)空間中均勻分布的類均值，然后用最小距離技術(shù)將剩余像元進(jìn)行迭代聚合，每次迭代都重新計(jì)算均值，且根據(jù)所得的新均值，對(duì)像元進(jìn)行再分類。K-Means使用了聚類分析方法，隨機(jī)地查找聚類簇的聚類相似度相近，即中心位置，是利用各聚類中對(duì)象的均值所獲得一個(gè)中心對(duì)象（引力中心）來進(jìn)行計(jì)算的，然后迭代地重新配置他們，完成分類過程。3、 影像分類打開ENVI,選擇主菜單->Classification->Unsupervised->ISODATA或者K-Means。這里選擇ISODATA,在選擇文件時(shí)候，可以設(shè)置空間或者光譜裁剪區(qū)。這里選擇軟件自帶的Can_tmr.img，按默認(rèn)設(shè)置，之后跳出參數(shù)設(shè)置，如圖2。這里主要設(shè)置類別數(shù)目（NumberofClasses）為5-15、迭代次數(shù)（MaximumIteration）為10。其他選項(xiàng)按照默認(rèn)設(shè)置，輸出文件。4、 類別定義/類別合并1） 類別定義在display中顯示原始影像，在display->overlay->classification,選擇ISODATA分類結(jié)果，如圖4所示，在InteractiveClassTool面板中，可以選擇各個(gè)分類結(jié)果的顯示。InteractiveClassTool面板中，選擇Option->Editclasscolors/names。通過目視或者其他方式識(shí)別分類結(jié)果，填寫相應(yīng)的類型名稱和顏色。InteractiveClassTool面板中，選擇Option->Editclasscolors/names。通過目視或者其他方式識(shí)別分類結(jié)果，填寫相應(yīng)的類型名稱和顏色。在類別定義時(shí)候，可以利用Mode：PolygonAddtoClass、Edit->Mode：PolygonDeletefromClass或者Setdeleteclassvalue把很明顯的錯(cuò)誤分類結(jié)果并入或者刪除。2） 類別合并選擇主菜單->Classification->PostClassification->CombineClasses。把同一類的類別合并成一類，如圖7所示。在點(diǎn)擊ok后,需要選擇輸出文件和RemoveEmptyClass選擇YES,可以得到結(jié)果。5、 分類后處理分類后處理包括的很多的過程，都是些可選項(xiàng)，包括更改類別顏色、分類統(tǒng)計(jì)分析、小斑點(diǎn)處理（類后處理）、柵矢轉(zhuǎn)換等操作。1）更改類別顏色可以在InteractiveClassTool面板中，選擇Option->Editclasscolors/names更改，也可以在Display->ColorMapping->ClassColorMappingo如下圖8所示，直接可以在對(duì)應(yīng)的類別中修改顏色。也可以根據(jù)一個(gè)顯示的RGB影像來自動(dòng)分配類別顏色，打開主菜單->Classification->PostClassification->AssignClassColorso2） 分類統(tǒng)計(jì)分析主菜單->Classification->PostClassification->ClassStatistics。如圖11所示，包括基本統(tǒng)計(jì)：類別的像元數(shù)、最大最小值、平均值等，直方圖，協(xié)方差等信息。3） 小斑點(diǎn)處理（類后處理）運(yùn)用遙感影像分類結(jié)果中，不可避免地會(huì)產(chǎn)生一些面積很小的圖斑。無論從專題制圖的角度，還是從實(shí)際應(yīng)用的角度，都有必要對(duì)這些小圖斑進(jìn)行剔除和重新分類，目前常用的方法有Majority/Minority分析、聚類（clump）和過濾（Sieve）和。這些工具都可以在主菜單->Classification->PostClassification中找到。Majority/Minority分析和聚類（clump）是將周圍的小斑點(diǎn)合并到大類當(dāng)中，過濾（Sieve）是將不符合的小斑點(diǎn)直接剔除。4）柵矢轉(zhuǎn)換打開主菜單->Classification->PostClassification->ClassificationtoVector，可以將分類后得到的結(jié)果轉(zhuǎn)化為矢量格式，或者主菜單->Vector->RastertoVector，在選擇輸出參數(shù)時(shí)候，可以選擇特定的類別，也可以把類別單獨(dú)輸出為矢量文件或者一個(gè)矢量文件。6、結(jié)果驗(yàn)證對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)，確定分類的精度和可靠性。有兩種方式用于精度驗(yàn)證：一是混淆矩陣，二是ROC曲線，比較常用的為混淆矩陣，ROC曲線可以用圖形的方式表達(dá)分類精度，比較形象。真實(shí)參考源可以使用兩種方式：一是標(biāo)準(zhǔn)的分類圖，二是選擇的感興趣區(qū)（驗(yàn)證樣本區(qū)）。兩種方式的選擇都可以通過主菜單->Classification->PostClassification->ConfusionMatrix或者ROCCurves來選擇。真實(shí)的感興趣區(qū)參考源的選擇可以是在高分辨率影像上選擇，也可以是野外實(shí)地調(diào)查獲取，原則是獲取的類別參考源的真實(shí)性。由于沒有更高分辨率的數(shù)據(jù)源，本例中就把原分類的TM影像當(dāng)作是高分辨率影像，在上面進(jìn)行目視解譯得到真實(shí)參考源。直接利用ROI工具，在TM圖上均勻的選擇6類真實(shí)參考源，如圖13所示。選擇主菜單->Classification->PostClassification->ConfusionMatrix->UsingGroundTruthROIs。將分類結(jié)果和ROI輸入，軟件會(huì)根據(jù)區(qū)域自動(dòng)匹配，如不正確可以手動(dòng)更改。點(diǎn)擊ok后選擇報(bào)表的表示方法（像素和百分比），就可以得到精度報(bào)表。這里說明一下混淆矩陣中的幾項(xiàng)評(píng)價(jià)指標(biāo)，如下：?總體分類精度等于被正確分類的像元總和除以總像元數(shù)。被正確分類的像元數(shù)目沿著混淆矩陣的對(duì)角線分布，總像元數(shù)等于所有真實(shí)參考源的像元總數(shù)，如本次精度分類精度表中的OverallAccuracy=（1849/2346）78.8150%。?Kappa系數(shù)它是通過把所有真實(shí)參考的像元總數(shù)（N）乘以混淆矩陣對(duì)角線（XKK）的和，再減去某一類中真實(shí)參考像元數(shù)與該類中被分類像元總數(shù)之積之后，再除以像元總數(shù)的平方減去某一類中真實(shí)參考像元總數(shù)與該類中被分類像元總數(shù)之積對(duì)所有類別求和的結(jié)果。?錯(cuò)分誤差指被分為用戶感興趣的類，而實(shí)際屬于另一類的像元，它顯示在混淆矩陣?yán)锩?。本例中，林地?19個(gè)真實(shí)參考像元，其中正確分類265，12個(gè)是其他類別錯(cuò)分為林地（混淆矩陣中林地一行其他類的總和），那么其錯(cuò)分誤差為12/419=2.9%。?漏分誤差指本身屬于地表真實(shí)分類，當(dāng)沒有被分類器分到相應(yīng)類別中的像元數(shù)。如在本例中的耕地類，有真實(shí)參考像元465個(gè)，其中462個(gè)正確分類，其余3個(gè)被錯(cuò)分為其余類（混淆矩陣中耕地類中一列里其他類的總和），漏分誤差為3/465=0.6%?制圖精度是指分類器將整個(gè)影像的像元正確分為A類的像元數(shù)（對(duì)角線值）與A類真實(shí)參考總數(shù)（混淆矩陣中A類列的總和）的比率。如本例中林地有419個(gè)真實(shí)參考像元，其中265個(gè)正確分類，因此林地的制圖精度是265/419=63.25%。用戶精度是指正確分到A類的像元總數(shù)（對(duì)角線值）與分類器將整個(gè)影像的像元分為A類的像元總數(shù)（混淆矩陣中A類行的總和）比率。如本例中林地有265個(gè)正確分類，總共劃分為林地的有277，所以林地的用戶精度是265/277=95.67%。遙感專題講座——影像信息提?。ㄈ?、基于專家知識(shí)的決策樹分類）可以將多源數(shù)據(jù)用于影像分類當(dāng)中，這就是專家知識(shí)的決策樹分類器，本專題以ENVI中DecisionTree為例來敘述這一分類器。本專題包括以下內(nèi)容：專家知識(shí)分類器概述，知識(shí)（規(guī)則）定義，ENVI中DecisionTree的使用。概述基于知識(shí)的決策樹分類是基于遙感影像數(shù)據(jù)及其他空間數(shù)據(jù)，通過專家經(jīng)驗(yàn)總結(jié)、簡(jiǎn)單的數(shù)學(xué)統(tǒng)計(jì)和歸納方法等，獲得分類規(guī)則并進(jìn)行遙感分類。分類規(guī)則易于理解，分類過程也符合人的認(rèn)知過程，最大的特點(diǎn)是利用的多源數(shù)據(jù)。如圖1所示，影像+DEM就能區(qū)分緩坡和陡坡的植被信息，如果添加其他數(shù)據(jù)，如區(qū)域圖、道路圖土地利用圖等，就能進(jìn)一步劃分出那些是自然生長的植被，那些是公園植被。專家知識(shí)決策樹分類的步驟大體上可分為四步：知識(shí)（規(guī)則）定義、規(guī)則輸入、決策樹運(yùn)行和分類后處理。1.知識(shí)（規(guī)則）定義規(guī)則的定義是講知識(shí)用數(shù)學(xué)語言表達(dá)的過程，可以通過一些算法獲取，也可以通過經(jīng)驗(yàn)總結(jié)獲得。2.規(guī)則輸入將分類規(guī)則錄入分類器中，不同的平臺(tái)有著不同規(guī)則錄入界面。決策樹運(yùn)行運(yùn)行分類器或者是算法程序。分類后處理這步驟與監(jiān)督/非監(jiān)督分類的分類后處理類似。知識(shí)（規(guī)則）定義分類規(guī)則獲取的途徑比較靈活，如從經(jīng)驗(yàn)中獲得，坡度小于20度，就認(rèn)為是緩坡，等等。也可以從樣本中利用算法來獲取，這里要講述的就是C4.5算法。利用C4.5算法獲取規(guī)則可分為以下幾個(gè)步驟：（1）多元文件的的構(gòu)建：遙感數(shù)據(jù)經(jīng)過幾何校正、輻射校正處理后，進(jìn)行波段運(yùn)算，得到一些植被指數(shù)，連同影像一起輸入空間數(shù)據(jù)庫；其他空間數(shù)據(jù)經(jīng)過矢量化、格式轉(zhuǎn)換、地理配準(zhǔn)，組成一個(gè)或多個(gè)多波段文件。（2）提取樣本，構(gòu)建樣本庫：在遙感圖像處理軟件或者GIS軟件支持下，選取合適的圖層，采用計(jì)算機(jī)自動(dòng)選點(diǎn)、人工解譯影像選點(diǎn)等方法采集樣本。（3）分類規(guī)則挖掘與評(píng)價(jià)：在樣本庫的基礎(chǔ)上采用適當(dāng)?shù)臄?shù)據(jù)挖掘方法挖掘分類規(guī)則，后基于評(píng)價(jià)樣本集對(duì)分類規(guī)則進(jìn)行評(píng)價(jià)，并對(duì)分類規(guī)則做出適當(dāng)?shù)恼{(diào)整和篩選。這里就是C4.5算法。算法的基本思路基于信息熵來修枝剪葉，基本思路如下：從樹的根節(jié)點(diǎn)處的所有訓(xùn)練樣本DO開始，離散化連續(xù)條件屬性。計(jì)算增益比率，取GainRatio（CO）的最大值作為劃分點(diǎn)V0,將樣本分為兩個(gè)部分D11和D12。對(duì)屬性CO的每一個(gè)值產(chǎn)生一個(gè)分支，分支屬性值的相應(yīng)樣本子集被移到新生成的子節(jié)點(diǎn)上，如果得到的樣本都屬于同一個(gè)類，那么直接得到葉子結(jié)點(diǎn)。相應(yīng)地將此方法應(yīng)用于每個(gè)子節(jié)點(diǎn)上，直到節(jié)點(diǎn)的所有樣本都分區(qū)到某個(gè)類中。到達(dá)決策樹的葉節(jié)點(diǎn)的每條路徑表示一條分類規(guī)則，利用葉列表及指向父結(jié)點(diǎn)的指針就可以生成規(guī)則表。算法描述如下：算法：從空間數(shù)據(jù)集（多波段文件）中挖掘分類規(guī)則輸入：訓(xùn)練樣本輸出：分類規(guī)則表方法：一、 讀取數(shù)據(jù)集名字二、 讀取所有的訓(xùn)練樣本A、 讀取屬性信息C、原始類E、樣本值A(chǔ)，并將樣本劃分為訓(xùn)練樣本（2/3）和評(píng)價(jià)樣本（1/3）。B、 屬性信息C可以是連續(xù)（DISCRETE）或離散（CONTINUOUS）的，分別將屬性注上這兩種標(biāo)記；若屬性是DISCERTE，讀取其可能取得值，并都存儲(chǔ)在一個(gè)列表中；每一個(gè)屬性都有一個(gè)標(biāo)記，一個(gè)給定的屬性編號(hào)及初始化的取值列表均存儲(chǔ)于一個(gè)屬性的數(shù)據(jù)結(jié)構(gòu)中，并將數(shù)據(jù)結(jié)構(gòu)存儲(chǔ)在一個(gè)哈希表中。C、 原始類E當(dāng)作一個(gè)附加屬性信息儲(chǔ)存在屬性列表中。D、 以增量方式讀取每一個(gè)樣本A,將所有的樣本儲(chǔ)存在一個(gè)表中，每一行代表一個(gè)樣本。三、 利用數(shù)據(jù)集構(gòu)建樹A、 離散化連續(xù)條件屬性CDISCRETE，獲得的分割點(diǎn)集T（t1,t2......）作為條件屬性C的新的取值。B、 分別計(jì)算所有條件屬性的增益比率GainRatio（C），取增益比率值最大的條件屬性作為樹的劃分節(jié)點(diǎn)，其值或范圍作為劃分值V（v1，v2..）來生成樹的分枝。C、 判斷該層與每一個(gè)等價(jià)子集的原始類類別是否一致。若一致，生成葉子結(jié)點(diǎn)。否則，繼續(xù)計(jì)算增益比率GainRatio（C）和選擇條件屬性C，得到樹的節(jié)點(diǎn)和劃分值V，直至所有的樣本已分類完畢。四、 測(cè)試生成樹將測(cè)試樣本C'帶入樹中，當(dāng)某一測(cè)試樣本的分類預(yù)測(cè)錯(cuò)誤時(shí)，記錄分類錯(cuò)誤的計(jì)數(shù)，并將測(cè)試樣本添加到訓(xùn)練樣本中，轉(zhuǎn)向步驟三，重新構(gòu)建樹。否則，輸出分類樹五、 抽取分類規(guī)則到達(dá)樹的葉節(jié)點(diǎn)的每條路徑表示一條分類規(guī)則從樹中抽取分類規(guī)則，打印規(guī)則和分類的詳細(xì)信息C4.5網(wǎng)上有源代碼下載，vc和C++版本都能獲得。DecisionTree的使用一、規(guī)則獲取選取LandsatTM5影像和這個(gè)地區(qū)對(duì)應(yīng)的DEM數(shù)據(jù)，影像和DEM經(jīng)過了精確配準(zhǔn)。規(guī)則如下描述：Class1（朝北緩坡植被）：NDVI>0.3,slopev20,aspectv90andaspect>270Class2（非朝北緩坡植被）：NDVI>0.3,slope<20,90<=aspect<=270Class3（陡坡植被）：NDVI>0.3,slope>=20,Class4（水體）：NDVIv=0.3,0vb4v20Class5（裸地）：NDVIv=0.3,b4>=20Class6（無數(shù)據(jù)區(qū)，背景）：NDVI<=0.3,b4=0也可以按照二叉樹描述方式：第一層，將影像分為兩類，NDVI大于0.3,NDVI小于或等于0.3；第二層，NDVI高的，分為坡度大于或等于20度和坡度小于20度。以此往下劃分。二、輸入決策樹規(guī)則打開主菜單->classification->DecisionTree->BuildNewDecisionTree,如圖3所示，默認(rèn)顯示了一個(gè)節(jié)點(diǎn)。首先我們按照NDVI的大小劃分第一個(gè)節(jié)點(diǎn)，單擊Nodel,跳出圖4對(duì)話框，Name為NDVI>0.3,在Expression中填寫：｛ndvi｝gt0.3。點(diǎn)擊OK后，會(huì)提示你給｛ndvi｝指定一個(gè)數(shù)據(jù)源，如圖5所示，點(diǎn)擊第一列中的變量，在對(duì)話框中選擇相應(yīng)的數(shù)據(jù)源，這樣就完成第一層節(jié)點(diǎn)規(guī)則輸入。Expression中的表達(dá)式是有變量和運(yùn)算符(包括數(shù)學(xué)函數(shù))組成，支持的運(yùn)算符如表l所示表達(dá)式部分可用函數(shù)基本運(yùn)算符+、-、*、/三角函數(shù)正弦Sin(x)、余弦cos(x)、正切tan(x)反正弦Asin(x)、反余弦acos(x)、反正切atan(x)雙曲線正弦Sinh(x)、雙曲線余弦cosh(x)、雙曲線正切tanh(x)關(guān)系/邏輯小于LT、小于等于LE、等于EQ、不等于NE、大于等于GE、大于GTand、or、not、XOR最大值(>)、最小值(<)其他符號(hào)指數(shù)(人)、自然指數(shù)exp自然對(duì)數(shù)對(duì)數(shù)alog(x)以10為底的對(duì)數(shù)alog10(x)整形取整 round(x)、ceil(x)平方根(sqrt)、絕對(duì)值(adb)表l運(yùn)算符ENVI決策樹分類器中的變量是指一個(gè)波段的數(shù)據(jù)或作用于數(shù)據(jù)的一個(gè)特定函數(shù)。變量名必須包含在大括號(hào)中，即｛變量名｝；或者命名為bx,x代表數(shù)據(jù)，比如哪一個(gè)波段。如果變量被賦值為多波段文件，變量名必須包含一個(gè)寫在方括號(hào)中的下標(biāo)，表示波段數(shù)，比如｛pc⑵｝表示主成分分析的第一主成分。支持特定變量名如表2,也可以通過IDL自行編寫函數(shù)。變量作用slope計(jì)算坡度aspect計(jì)算坡向ndvi計(jì)算歸一化植被指數(shù)Tascap[n]穗帽變換，n表示獲取的是哪一分量。pc[n]主成分分析，n表示獲取的是哪一分量。lpc局部主成分分析，n表示獲取的是哪一分量。[n]mnf[n]取小噪聲變換，n表示獲取的是哪一分里。Lmnf[n]局部取小噪聲變換，n表示獲取的是哪一分里。Stdev[n]波段n的標(biāo)準(zhǔn)差I(lǐng)Stdev[n]波段n的局部標(biāo)準(zhǔn)差Mean[n]波段n的平均值IMean[n]波段n的局部平均值Min[n]、max[n]波段n的最大、最小值IMin[n]、lmax波段n的局部最大、最小值[n]表2變量表達(dá)式第一層節(jié)點(diǎn)根據(jù)NDVI的值劃分為植被和非植被，如果不需要進(jìn)一步分類的話，這個(gè)影像就會(huì)被分成兩類：classO和classl。對(duì)NDVI大于0.3，也就是classl，根據(jù)坡度劃分成緩坡植被和陡坡植被。在classl圖標(biāo)上右鍵，選擇AddChildren。單擊節(jié)點(diǎn)標(biāo)識(shí)符，打開節(jié)點(diǎn)屬性窗口，Name為Slope<20，在Expression中填寫：{Slope}lt20。同樣的方法，將所有規(guī)則輸入，末節(jié)點(diǎn)圖標(biāo)右鍵EditProperties，可以設(shè)置分類結(jié)果的名稱和顏色，最后結(jié)果如圖6所示。三、執(zhí)行決策樹選擇Options->Execute，執(zhí)行決策樹，跳出圖7所示對(duì)話框，選擇輸出結(jié)果的投影參數(shù)、重采樣方法、空間裁剪范圍（如需要）、輸出路徑，點(diǎn)擊OK之后，得到如圖8所示結(jié)果。在決策樹運(yùn)行過程中，會(huì)以不同顏色標(biāo)示運(yùn)行的過程?；氐?jīng)Q策樹窗口，在工作空白處點(diǎn)擊右鍵，選擇ZoomIn,可以看到每一個(gè)節(jié)點(diǎn)或者類別有相應(yīng)的統(tǒng)計(jì)結(jié)果（以像素和百分比表示）。如果修改了某一節(jié)點(diǎn)或者類別的屬性，可以左鍵單擊節(jié)點(diǎn)或者末端類別圖標(biāo)，選擇Execute，重新運(yùn)行你修改部分的決策樹。分類后處理和其他計(jì)算機(jī)分類類似的過程遙感專題講座——影像信息提?。ㄋ?、面向?qū)ο筇卣魈崛。┟嫦驅(qū)ο蟮挠跋穹诸惣夹g(shù)：同物異譜，同譜異物會(huì)對(duì)影像分類產(chǎn)生的影響，加上高分辨率影像的光譜信息不是很豐富，還有經(jīng)常伴有光譜相互影響的現(xiàn)象，這對(duì)基于像素的分類方法提出了一種挑戰(zhàn)，面向?qū)ο蟮挠跋穹诸惣夹g(shù)可以一定程度減少上述影響。本小節(jié)以ENVI中的面向?qū)ο蟮奶卣魈崛X模塊為例，對(duì)這種技術(shù)和處理流程做一個(gè)簡(jiǎn)單的介紹?！酢酢鮁NVIFX操作說明1、面向?qū)ο蠓诸惣夹g(shù)概述面向?qū)ο蠓诸惣夹g(shù)集合臨近像元為對(duì)象用來識(shí)別感興趣的光譜要素，充分利用高分辨率的全色和多光譜數(shù)據(jù)的空間，紋理，和光譜信息來分割和分類的特點(diǎn)，以高精度的分類結(jié)果或者矢量輸出。它主要分成兩部分過程：影像對(duì)象構(gòu)建和對(duì)象的分類。影像對(duì)象構(gòu)建主要用了影像分割技術(shù)，常用分割方法包括基于多尺度的、基于灰度的、紋理的、基于知識(shí)的及基于分水嶺的等分割算法。比較常用的就是多尺度分割算法，這種方法綜合遙感圖像的光譜特征和形狀特征，計(jì)算圖像中每個(gè)波段的光譜異質(zhì)性與形狀異質(zhì)性的綜合特征值，然后根據(jù)各個(gè)波段所占的權(quán)重，計(jì)算圖像所有波段的加權(quán)值，當(dāng)分割出對(duì)象或基元的光譜和形狀綜合加權(quán)值小于某個(gè)指定的閾值時(shí)，進(jìn)行重復(fù)迭代運(yùn)算，直到所有分割對(duì)象的綜合加權(quán)值大于指定閾值即完成圖像的多尺度分割操作。影像對(duì)象的分類，目前常用的方法是監(jiān)督分類和基于知識(shí)分類。這里的監(jiān)督分類和我們常說的監(jiān)督分類是有區(qū)別的，它分類時(shí)和樣本的對(duì)比參數(shù)更多，不僅僅是光譜信息，還包括空間、紋理等信息?；谥R(shí)分類也是根據(jù)影像對(duì)象的熟悉來設(shè)定規(guī)則進(jìn)行分類。目前很多遙感軟件都具有這個(gè)功能，如ENVI的FX擴(kuò)展模塊、易康（現(xiàn)在叫Definiens）、ERDAS的Objective模塊、PCI的FeatureObjeX（新收購）等。表1為三大類分類方法的一個(gè)大概的對(duì)比。類型基本原理影像的最小單元適用數(shù)據(jù)源缺陷傳統(tǒng)基于光譜的分類方法地物的光譜信息特征單個(gè)的影像像元中低分辨率多光譜和高光譜影像豐富的空間信息利用率幾乎為零基于專家知識(shí)決策樹根據(jù)光譜特征、空間關(guān)系和其他上下文關(guān)系歸類像元單個(gè)的影像像元多源數(shù)據(jù)知識(shí)獲取比較復(fù)雜面向?qū)ο蟮姆诸惙椒◣缀涡畔ⅰ⒔Y(jié)構(gòu)信息以及光譜信息一個(gè)個(gè)影像對(duì)象中高分辨率多光譜和全色影像速度比較慢表1傳統(tǒng)基于光譜、基于專家知識(shí)決策樹與基于面向?qū)ο蟮挠跋穹诸悓?duì)比表2、ENVIFX簡(jiǎn)介全名叫面向?qū)ο罂臻g特征提取模塊一FeatureExtraction，基于影像空間以及影像光譜特征，即面向?qū)ο螅瑥母叻直媛嗜蛘叨喙庾V數(shù)據(jù)中提取信息，該模塊可以提取各種特征地物如車輛、建筑、道路、橋、河流、湖泊以及田地等。該模塊可以在操作過程中隨時(shí)預(yù)覽影像分割效果。該項(xiàng)技術(shù)對(duì)于高光譜數(shù)據(jù)有很好的處理效果，對(duì)全色數(shù)據(jù)一樣適用。對(duì)于高分辨率全色數(shù)據(jù)，這種基于目標(biāo)的提取方法能更好的提取各種具有特征類型的地物。一個(gè)目標(biāo)物體是一個(gè)關(guān)于大小、光譜以及紋理（亮度、顏色等）的感興趣區(qū)域?？蓱?yīng)用于：從影像中尤其是大幅影像中查找和提取特征；添加新的矢量層到地理數(shù)據(jù)庫；輸出用于分析的分類影像；替代手工數(shù)字化過程具有易于操作（向?qū)Р僮髁鞒蹋?，隨時(shí)預(yù)覽效果和修改參數(shù)，保存參數(shù)易于下次使用和與同事共享，可以將不同數(shù)據(jù)源加入ENVIFX中（DEMs、LiDARdatasets、shapefiles、地面實(shí)測(cè)數(shù)據(jù)）以提高精度、交互式計(jì)算和評(píng)估輸出的特征要素、提供注記工具可以標(biāo)識(shí)結(jié)果中感興趣的特征要素和對(duì)象等特點(diǎn)。3、ENVIFX操作說明ENVIFX的操作可分為兩個(gè)部分：發(fā)現(xiàn)對(duì)象（FindObject）和特征提?。‥xtractfeatures）,如圖1所示。準(zhǔn)備工作根據(jù)數(shù)據(jù)源和特征提取類型等情況，可以有選擇的對(duì)數(shù)據(jù)做一些預(yù)處理工作。空間分辨率的調(diào)整如果您的數(shù)據(jù)空間分辨率非常高，覆蓋范圍非常大，而提取的特征地物面積較大（如云、大片林地等）?？梢越档头直媛剩峁┚群瓦\(yùn)算速度?？衫肊NVI主界面->BasicTool->ResizeData工具實(shí)現(xiàn)。光譜分辨率的調(diào)整如果您處理的是高光譜數(shù)據(jù)，可以將不用的波段除去?？衫肊NVI主界面->BasicTool->layerstacking工具實(shí)現(xiàn)。多源數(shù)據(jù)組合當(dāng)您有其他輔助數(shù)據(jù)時(shí)候，可以將這些數(shù)據(jù)和待處理數(shù)據(jù)組合成新的多波段數(shù)據(jù)文件，這些輔助數(shù)據(jù)可以是DEM,lidar影像，和SAR影像。當(dāng)計(jì)算對(duì)象屬性時(shí)候，會(huì)生成這些輔助數(shù)據(jù)的屬性信息，可以提高信息提取精度?？衫肊NVI主界面->BasicTool->layerstacking工具實(shí)現(xiàn)?？臻g濾波如果您的數(shù)據(jù)包含一些噪聲，可以選擇ENVI的濾波功能做一些預(yù)處理。發(fā)現(xiàn)對(duì)象（一） 打開數(shù)據(jù)在ENVIZoom中打開Processing>FeatureExtraction。如圖2所示，BaseImage必須要選擇，輔助數(shù)據(jù)（AncillaryData）和掩膜文件（MaskFile）是可選。這里選擇ENVI自帶數(shù)據(jù)envidata\feature_extraction\qb_colorado,它是0.6米的快鳥數(shù)據(jù)。（二） 影像分割FX根據(jù)臨近像素亮度、紋理、顏色等對(duì)影像進(jìn)行分割，它使用了一種基于邊緣的分割算法，這種算法計(jì)算很快，并且只需一個(gè)輸入?yún)?shù)，就能產(chǎn)生多尺度分割結(jié)果。通過不同尺度上邊界的差異控制，從而產(chǎn)生從細(xì)到粗的多尺度分割。選擇高尺度影像分割將會(huì)分出很少的圖斑，選擇一個(gè)低尺度影像分割將會(huì)分割出更多的圖斑，分割效果的好壞一定程度決定了分類效果的精確度，我們可以通過預(yù)覽分割效果，選擇一個(gè)理想的分割閥值，盡可能好地分割出邊緣特征。調(diào)整滑塊閥值對(duì)影像進(jìn)行分割，這里設(shè)定閾值為30,點(diǎn)擊Next按鈕，這時(shí)候FX生成一個(gè)RegionMeans影像自動(dòng)加載圖層列表中，并在窗口中顯示，它是分割后的結(jié)果，每一塊被填充上該塊影像的平均光譜值。接著進(jìn)行下一步操作。注：按鈕是用來選擇分割波段的，默認(rèn)為BaseImage所有波段。（三） 合并分塊影像分割時(shí)，由于閾值過低，一些特征會(huì)被錯(cuò)分，一個(gè)特征也有可能被分成很多部分。我們可以通過合并來解決這些問題。FX利用了FullLambda-Schedule算法。這一步是可選項(xiàng)，如果不需要可以直接跳過。設(shè)定一定閾值，預(yù)覽效果。這里我們?cè)O(shè)置的閾值為95,點(diǎn)Next進(jìn)入下一步。（四） 分塊精煉FX提供了一種閾值法（Thresholding）進(jìn)一步精煉分塊的方法。對(duì)于具有高對(duì)比度背景的特征非常有效（例如，明亮的飛機(jī)對(duì)黑暗的停機(jī)坪）?？梢詫⒕珶捊Y(jié)果生成掩膜圖層（Mask），按鈕可以修改基于哪個(gè)波段。這里我們就直接選擇NoThresholding（default），點(diǎn)擊Next進(jìn)入下一步操作。（五） 計(jì)算對(duì)象屬性計(jì)算4個(gè)類別的屬性：光譜、空間、紋理、自定義（顏色空間和波段比）。其中顏色空間選擇三個(gè)RGB波段轉(zhuǎn)換為HSI顏色空間，波段比選擇兩個(gè)波段用于計(jì)算波段比（常用紅色和近紅外波段）。各個(gè)屬性的詳細(xì)描述參考ENVI/IDL提供的Feature_Extraction_Module.pdf文檔。這里我們按照默認(rèn)全選擇，ColorSpace選擇RGB，BandRatio選擇紅色和近紅外波段，點(diǎn)擊Next按鈕進(jìn)行下一步操作。目前，已經(jīng)完成了發(fā)現(xiàn)對(duì)象的操作過程，接下來是特征的提取。3.3特征提取如圖7所示，有三種特征提取方法供選擇，分別是監(jiān)督分類、規(guī)則分類和直接矢量輸出。（一）輸出矢量選擇ExportVectors，進(jìn)入圖8界面，選擇保存路徑，屬性信息也可選擇輸出。輸出完成會(huì)出來一個(gè)報(bào)表。不關(guān)閉FX浮動(dòng)面板，在ENVIZoom中將得到的矢量特征加載顯示。點(diǎn)擊Previous按鈕，回到圖7界面。（二）監(jiān)督分類在圖7界面中選擇Classifybyselectionexamples,下一步到如圖8所示界面在ENVIZoom中，切換到Select方式，雙擊Feature」，打開一個(gè)類別的屬性，如圖10所示，修改顯示顏色、名稱等信息。在分割圖上選擇一些樣本，為了方便樣本的選擇，可以在ENVIZoom的圖層管理中將原圖移到最上層，選擇一定數(shù)量的樣本，如果錯(cuò)選樣本，可以在這個(gè)樣本上點(diǎn)擊左鍵刪除。一個(gè)類別的樣本選擇完成之后，新增類別，用同樣的方法修改類別屬性和選擇樣本。在選擇樣本的過程中，可以隨時(shí)預(yù)覽結(jié)果?？梢园褬颖颈４鏋閤ml文件以備下次使用。2）設(shè)置樣本屬性在圖9中，切換到Attributes選項(xiàng)。默認(rèn)是所有的屬性都被選擇，可以根據(jù)提取的實(shí)際地物特性選擇一定的屬性。這里我們按照默認(rèn)全部選擇。3） 選擇分類方法在圖9中,切換到Algorithm選項(xiàng)。FX提供了兩種分類方法:K鄰近法（KNearestNeighbor）和支持向量機(jī)（SupportVectorMachine，SVM），如圖12所示。這里我們選擇K鄰近法，K參數(shù)設(shè)置為5,點(diǎn)擊下一步，輸出結(jié)果。4） 輸出結(jié)果特征提取結(jié)果可以以兩種格式輸出，矢量和圖像，如圖12所示。矢量可以是所有分類以單個(gè)文件輸出或者每一個(gè)類別分別輸出；圖像可以把分類結(jié)果和規(guī)則結(jié)果分布輸出。這里我們選擇單個(gè)文件以及屬性數(shù)據(jù)一塊輸出，分類圖像和規(guī)則圖像一塊輸出。點(diǎn)擊Next按鈕完成輸出，同時(shí)可以看到整個(gè)操作的參數(shù)和結(jié)果統(tǒng)計(jì)報(bào)表。（三）規(guī)則分類在圖7界面中選擇Classifybycreatingrules，點(diǎn)擊Next，到圖15規(guī)則分類界面。每一個(gè)分類有若干個(gè)規(guī)則（Rule）組成，每一個(gè)規(guī)則有若干個(gè)屬性表達(dá)式來描述。規(guī)則與規(guī)則直接是與的關(guān)系，屬性表達(dá)式之間是并的關(guān)系。同一類地物可以由不同規(guī)則來描述，比如水體，水體可以是人工池塘、湖泊、河流，也可以是自然湖泊、河流等，描述規(guī)則就不一樣，需要多條規(guī)則來描述。每條規(guī)則又有若干個(gè)屬性來描述，如下是對(duì)水的一個(gè)描述:□□面積大于500像素□□延長線小于0.5□NDVI小于0.3對(duì)道路的描述:□□延長線大于0.9□□緊密度小于0.3□□標(biāo)準(zhǔn)差小于20這里以提取居住房屋為例來說明規(guī)則分類的操作過程。首先分析影像中容易跟居住房屋錯(cuò)分的地物有:道路、森林、草地以及房屋旁邊的水泥地。雙擊Feature_1圖標(biāo)，修改好類別的相應(yīng)屬性。1） 第一條屬性描述，劃分植被覆蓋和非覆蓋區(qū)雙擊rule，打開對(duì)象屬性選擇面板，如圖16所示。選擇Customized->bandratio。FX會(huì)根據(jù)選擇的波段情況技術(shù)波段比值，比如這里在屬性計(jì)算步驟中選擇的RatioBand是紅色和近紅外波段，所以此時(shí)計(jì)算的是NDVI。把ShowAttributeImage勾上，可以看到計(jì)算的結(jié)果，通過ENVIZoom工具查看各個(gè)分割塊對(duì)應(yīng)的值。點(diǎn)擊Next按鈕，或者雙擊bandratio，進(jìn)入bandratio屬性設(shè)置對(duì)話框，如圖17所示。通過拖動(dòng)滑條或者手動(dòng)輸入確定閾值。FuzzyTolerance是設(shè)置模糊分類閾值，值越大，其他分割塊歸屬這一類的可能性就越大。歸類函數(shù)有線性和S-type兩種。這里設(shè)置模糊分類閾值為默認(rèn)的5，歸屬類別為S-type，值的范圍為0?0.3,勾選ShowRuleConfidenceImage可以預(yù)覽規(guī)則圖像。點(diǎn)擊Ok完成此條屬性描述。2） 第二條屬性描述，去除道路影響居住房屋和道路的最大區(qū)別是房屋是近似矩形，我們可以設(shè)置Rect_fit屬性。點(diǎn)擊按鈕或者雙擊rule，選擇Spatial->rect_fit。設(shè)置值的范圍是0.5?1,其他參數(shù)為默認(rèn)值。同樣的方法設(shè)置Spatial->Area:FuzzyTolerance=0,90<Area<1100Spatial->elongation（延長）：elongation<33） 第三條屬性描述，去除水泥地影響水泥地反射率比較高，居住房屋反射率較低，所以我們可以設(shè)置波段的象元值。Spectral->avgband_2：avgband_2<50。最終的rulel規(guī)則和預(yù)覽圖如圖18所示。類似的思路可以提取道路、林地、草地等分類，這里就不一一例舉。最終結(jié)果的輸出方式和監(jiān)督分類一樣。3.4批處理操作ENVI提供了ENVI_FX函數(shù)，具體語法如下：ENVI_DOIT,'ENVI_FX_DOIT'[,A_FID=array][,A_POS=array][,BR_BANDS=array][,CENTERLINE_OPTIONS=array][,CONF_THRESHOLD=floatingpoint][,CS_BANDS=array],DIMS=array,FID=fileID[,/EXPORT_ATTRIBUTES][,/EXPORT_RASTER][,/INVERSE_MASK][,KERNEL_SIZE=longinteger][,M_FID=fileID][,MERGE_LEVEL=floatingpoint],POS=array[,R_FID=variable][,RASTER_FILENAME=stringorstringarray][,/RAW_ATTRIBUTES][,RAW_FILENAME=string][,REFINE_BAND=integer][,/REFINE_INVERSE][,/REFINE_MASK][,RULESET_FILENAME=string],SCALE_LEVEL=floatingpoint[,SEGMENT_BANDS=array][,SMOOTHING_THRESHOLD=floatingpoint][,TD_FILENAME=string][,THRESHOLD_LOWER=floatingpoint][,THRESHOLD_UPPER=floatingpoint][,VECTOR_FILENAME=string][,VECTOR_OPTIONS=stringarray]詳細(xì)的變量說明請(qǐng)參考ENVI/IDL提供的Feature_Extraction_Module.pdf。利用此函數(shù)可以對(duì)根據(jù)分割參數(shù)和分類參數(shù)編寫批處理，或者將此功能應(yīng)用到別的系統(tǒng)上。從以上的實(shí)際操作可以看到，ENVIFX擴(kuò)展模塊操作具有易于操作（向?qū)Р僮髁鞒蹋S時(shí)預(yù)覽效果和修改參數(shù)；功能比較強(qiáng)大，具有多種特征提取方法，包括監(jiān)督分類和知識(shí)規(guī)則分類，等等。4、小結(jié)基于像元的分類方法，依據(jù)主要是利用像元的光譜特征，大多應(yīng)用在中低分辨率遙感圖像。而高分辨率遙感圖像的細(xì)節(jié)信息豐富，圖像的局部異質(zhì)性大，傳統(tǒng)的基于像元的分類方法易受高分辨率影像局部異質(zhì)性大的影響和干擾。而面向?qū)ο蠓诸惙椒梢愿叻直媛蕡D像豐富的光譜、形狀、結(jié)構(gòu)、紋理、相關(guān)布局以及圖像中地物之間的上下文信息，可以結(jié)合專家知識(shí)進(jìn)行分類，可以顯著提高分類精度，而且使分類后的圖像含有豐富的語義信息，便于解譯和理解。對(duì)高分辨率影像來說，還是一種非常有效的信息提取方法，具有很好的應(yīng)用前景。遙感專題講座——影像信息提取(五、多時(shí)相影像動(dòng)態(tài)檢測(cè)技術(shù)) 美國NOAA2005-2015國際遙感研究報(bào)告現(xiàn)在傳感器的發(fā)展極大的帶動(dòng)了遙感及其應(yīng)用的發(fā)展，在未來幾年內(nèi)遙感的形勢(shì)非?？春?。本專題主要從以下幾個(gè)方面來探討遙感的發(fā)展態(tài)勢(shì)：爭(zhēng)先恐后的空間發(fā)展計(jì)劃多邊的國際合作對(duì)地觀測(cè)能力的創(chuàng)新影像處理技術(shù)不斷創(chuàng)新，應(yīng)用不斷深入5.遙感應(yīng)用面臨的挑戰(zhàn)爭(zhēng)先恐后的空間發(fā)展計(jì)劃以美國為首，投入也最大。如NASA于2005年宣布了耗資1040億美元空間探測(cè)計(jì)劃，并在2006年發(fā)布了新的航天政策，以期保證其在21整個(gè)世紀(jì)的空間絕對(duì)優(yōu)勢(shì)。從圖1中可以看出，美國除了發(fā)展對(duì)地觀測(cè)外，還大力發(fā)展火星探測(cè)計(jì)劃。在圖2中的發(fā)展藍(lán)圖中可以看出，在傳感器中分為好幾個(gè)級(jí)別，除了傳感器外，還把信息的綜合、信息的應(yīng)用也納入了其發(fā)展藍(lán)圖當(dāng)中，應(yīng)該說是一個(gè)很完整的藍(lán)圖。除了美國，歐洲為提升其經(jīng)濟(jì)實(shí)力和維護(hù)其政治利益全力推進(jìn)其獨(dú)立的航天能力。啟動(dòng)實(shí)施了宏偉的GMES計(jì)劃。2003年ESA正式宣布其全球環(huán)境與安全監(jiān)測(cè)(GMES)計(jì)劃，并在2008年建成一個(gè)由高中低分辨率的對(duì)地觀測(cè)衛(wèi)星為歐盟18個(gè)國家的環(huán)境和安全進(jìn)行實(shí)時(shí)服務(wù)。在高光譜和超光譜方面也取得了巨大的成果，如于2001年發(fā)射的PROBA和當(dāng)今有效載荷最為豐富的綜合衛(wèi)星ENVISAT。歐盟的成員國之間也在各自發(fā)展自己的對(duì)地觀測(cè)計(jì)劃，走在前列的是法國、德國和意大利。法國在商業(yè)衛(wèi)星上有著名的SPOT系列衛(wèi)星，意大利有雷達(dá)衛(wèi)星Cosmo-Skymed,德國也有高分辨率雷達(dá)衛(wèi)星TerraSAR-X。俄羅斯雖然近幾年經(jīng)濟(jì)不景氣，不過也投入大量資金發(fā)展自己的對(duì)地觀測(cè)計(jì)劃。俄羅斯制定實(shí)施新的航天計(jì)劃，力保其在國際上的大國地位。俄羅斯政府于2005年批準(zhǔn)了總經(jīng)費(fèi)為3050億盧布的《2006?2015年聯(lián)邦航天發(fā)展規(guī)劃》。目前商業(yè)衛(wèi)星有資源一DK衛(wèi)星。在亞洲，日本和印度都在極力發(fā)展自己的對(duì)地觀測(cè)計(jì)劃。日本擁有先進(jìn)航天技術(shù)實(shí)力，并力圖發(fā)展軍事航天和民用航天：JAXA于2005年公布了耗資570億美元的JAXA2025年長期規(guī)劃”，目前代表衛(wèi)星有日本先進(jìn)陸地觀測(cè)ALOS衛(wèi)星。印度加大投資力度發(fā)展航天技術(shù)，企圖成為未來亞洲空間強(qiáng)國。2003年的投資占GDP的0.094%，2005?06年投資7.22億美元；預(yù)計(jì)2020年印度將擁有偵察衛(wèi)星、通信衛(wèi)星、氣象衛(wèi)星等，目前印度的代表衛(wèi)星為IRS-P5=CartoSat1和IRS-P6=ResourceSat1。亞洲的其他國家和地區(qū)都擁有了自己的對(duì)地觀測(cè)衛(wèi)星，如韓國的KOMPSAT-2光學(xué)衛(wèi)星