《遥感导论主要内容》由会员分享，可在线阅读，更多相关《遥感导论主要内容（47页珍藏版）》请在金锄头文库上搜索。
1、遥感导论主要内容2第四章 遥感图像处理颜色的性质可以由明度、色调和饱和度来描述。上图从左至右饱和度逐渐增大，叶子的绿色中掺入 白光的成分越来越少。物体的饱和度取决于其反射 （透射）光谱特性。反射（透射）光谱越窄，物体 饱和度就越高。 红、绿、蓝这三种颜色称为“色光三原色” 也 称加法三原色。光学基础知识原色减法：三补色(黄，品红，青）全部 参与叠加形成黑色，任意其中两种补色 相加形成不参与合成的颜色的原色。（近似）真彩色合成标准假彩色合成其中遥感平台位置和运动状态变化的影响 包括航高、航速、俯仰、翻滚、偏航等遥感影像变形原因： 遥感平台位置和运动状态变化的影响 地形起伏的影响 地球表面曲率的影
2、响 大气折射的影响 地球自转的影响数字图像的校正数字图像的校正 精校正基本思路数字图像的校正 精校正具体步骤 确定校正前后像元的位置关系 通过控制点，找到变换前后图像坐标的对应关系 建立该关系的数学描述 根据该数学描述计算坐标 计算校正后各像元的亮度值？最小二乘法在多项式纠正的使用多项式几何纠正根据多项式方程的次数，有最少 控制点个数的要求，但控制点选择过程中可能存 在随机误差。为了消除随机误差，需要尽可能将 更多的控制点信息应用到多项式模型的方程解算 当中，因此需要利用最小二乘法将更多的控制点 坐标信息应用到多项式方程的求解过程。最小二乘法（又称最小平方法）是一种数学优化技术。它 通过最小化
3、误差的平方和寻找数据的最佳函数匹配。数字图像的校正 计算方法 计算校正后各像元的亮度值 最近相邻法k=Integer(x+0.5)l=Integer(y+0.5)优点：简单易用，计算量小缺点：精度差，亮度不连续数字图像的校正 双线性内插数字图像的校正 地面控制点（GCP）数目的确定原则 最低限按未知方程的次数来确定 一般实际控制点数目要远远多于最低数 控制点的选取原则 应选取图像上易分辨且较精细的特征点 特征变化大的地区要多选 图像边缘部分一定要选 尽可能满幅均匀选取(n+1)(n+2)/2数字图像的校正 校正方法 精校正 1. 利用遥感影像相对于地面坐标（如 GPS地面点坐标）的配准校正；
4、2. 利用遥感影像相对于地图投影坐标系 统配准校正； 3. 利用不同类型或不同时相的遥感影像 之间的几何配准；数字图像的辐射校正 理想状态下， 进入传感器的辐射强度只受两个因素影响： 太阳照射到地面的辐射强度 地物的光谱反射率 实际状态下， 还受其它因素的影响（辐射校正的目的就是 去除这些影像）： 仪器本身的误差 大气对辐射的影响数字图像的辐射校正 粗校正方法直方图最小值去除法 原理： 假设程辐射在同一幅图像的同一个波段上的值是常数 （实际上与像元位置有关） 在一幅图像上，总可以找到某几处地物，其辐射亮度 理论上应接近于0。 如实测值不为0，则多出部分应为大气散射导致的程 辐射值。 方法： 将
5、每一波段中每一像元亮度都将去本波段的最小值。数字图像的增强 空间滤波 卷积运算数字图像的增强 空间滤波平滑用于减小图像的亮度变化，去掉不必要的噪声点数字图像的增强 空间滤波锐化(边缘增强）用于突出图像的边缘、线状目标等亮度变化率大的部分数字图像的增强 彩色变换 HLS变换 色调、明度、饱和度 （hue、lightness、saturation） 遥感技术的应用，使得NDVI广泛的被用来定性和定量的评价 植被覆盖及其生长活力； 它是基于物理知识，将电磁波辐射、大气、土壤、植被覆盖等 相互作用集合在一起，对植物在红光和近红外波段的光谱进行 分析。NDVI=(近红外-红)/(近红外+红)针对TM影像
6、NDVI=(B4-B3)/(B4+B3)图像运算数字图像的增强 K-L(Karhunen-Loeve)变换（PCT主成分变换） 利用影像各波段亮度值间的协方差矩阵构造的 线性变换矩阵，从而使影像数据的信息依次向 前几个维度集中的影像处理方法。 目的： 数据压缩-多个波段可以转化为几个主分量 波段 图像增强-主分量波段的信噪比比原图增大 简单的说就是降维、减噪数字图像的增强多光谱变换 Kauth-Thomas变换（缨帽、穗帽变换）Tasseled Cap 根据经验确定的变换矩阵将影像的多光谱亮度空间综 合变换到由亮度、绿度、湿度三维空间的一种线性特 征变换图像处理方法。多源信息融合 不同传感器的
7、遥感信息的融合融合原因：来自不同传感器的信息有不同的特征: 空间分辨率（高空间分辨率影像，往往是全色的） 光谱分辨率（多波段影像的光谱信息） 时间分辨率遥感图像目视解译原理 目标地物特征 色颜色 形形状 位位置 目标地物的直接判读标志 色调（tone）颜色（colour） 阴影（shadow） 形状（shape） 纹理（texture） 大小（size） 位置（site） 图型（pattern）遥感图像目视解译原理遥感图像目视解译原理 间接判读标志目标地物与其相关指示 特征 间接判读标志地物及其与环境的关系 间接判读标志目标地物与成像时间的关系 TM影像（5号星）波段序号波长/um波段名称地面
8、分辨率 10.450.52蓝色30 20.520.60绿色30 30.630.69红色30 40.760.90近红外30 51.551.75短波红外30 610.412.5热红外120 72.082.35短波红外30 SPOT4影像波段序号波长/um波段名称地面分辨率 10.500.60绿色20 20.610.68红色20 30.790.89近红外20 41.51.75短波红外20 全色0.510.73全色10 中巴资源一号01、02星 高分辨率CCD相机波段序号波长/um波段名称地面分辨率 10.450.52蓝绿色19.5 20.520.59绿色19.5 30.630.69红色19.5 40
9、.770.89近红外19.5 全色0.510.73全色19.5遥感图像目视解译基础 目视解译步骤 准备工作 初步解译与建标 室内详细判读 野外验证与补判 目视解译成果的转绘与制图 计算机自动分类的实质 是根据某一标准，对像元特征空间进行划 分，将遥感影像上的每一个像元划分到不 同地物类别的过程。 分类主要依据 地物的光谱特征 像素的相似度 通常用距离和相关系数作为衡量相似度的指标绝对值距离欧氏距离马氏距离混合距离相关系数分类方法 监督分类 通过选取有代表性的训练场地作为样本 ，并依此建立判别函数。应用该函数对 非样本像元进行分类 选取训练样本是监督分类的前提 注意：通常对每类地物都会选N个样本
10、分类方法 监督分类 最小距离分类分类方法 监督分类 最近邻域分类 法分类方法 监督分类 特征曲线窗口法分类方法 监督分类 最大似然比分类法 Maximum Likelihood Classifier分类方法 非监督分类 不以任何先验知识为依据，纯粹依靠不同光 谱数据组合在统计上的差别来进行“盲分类” ， 事后再对已分出各类的地物属性进行确 认的分类方法。n非监督分类n分级集群法（Hierarchical Clustering）n用距离评价各个像元在光谱空间上分布的相似程度 ，把它们合并成不同的集群，即分类结果中不同的类 别。 非监督分类 动态聚类法（ISODATA）分类方法遥感图像的计算机分类
11、 监督分类与非监督分类的比较 监督分类需要根据训练场提供的特征参数建 立判别函数。工作量大，资料收集有难度， 费用高，训练场选择较好时，分类质量高。 非监督分类不需要任何先验知识，根据地物 光谱的统计特性进行分类。费用较低。光谱 特征类与唯一地物对应时，分类质量高。地 物间光谱特性相差小时，分类质量低。 人工智能方法 人工神经网络（ANN） 主要特征： 大规模的并行处理和分布式信息存储 具有自适应性和自组织性的非线性系统 较强的学习功能、联想功能和容错功能从本质上讲也可以说一种监督分类，因为也有样 本参与训练的过程计算自动解译与目视解译的区别与联系，及各自的优缺 点 联系：都是从遥感图像上获取目标地物的信息 区别：目视解译完全靠手工提取，计算机自动解译给定 判定准则（算法）后计算机自动处理 目视解译的优点在于对专业解译人员而言，能用的判读 标志多，使用影像的信息多，解译精度高，其缺点在于 手工工作量大，不同的解译员的判据有差异，无法完全 保证结果的客观一致性。 计算机自动分类的优点在于判定准则给定后，计算能够 自己实现待分像元的类别归属，手工工作量相对较小。 其缺点在于主要仅用影像的光谱信息，对于一些地学与 物理意义等需要归纳的信息难以直接应用到分类当中。 而且计算机自动分类还是需要目视解译去核查分类精度 。
