遥感成像原理与遥感图像特征范文

近年来，一系列高分辨率卫星的相继上天，高分辨率卫星遥感的应用也因此成为可能，也凸现出遥感影像数据处理的重要性日益显现。遥感影像数据处理的主要内容就是对遥感数据（主要是高分辨率遥感影像数据）进行自动（半自动）图像处理分析，从而获取人们需要的信息。

Taries软件是具有自主知识产权的软件产品，由中科院遥感所国家遥感应用工程技术研究中心下属的空间信息关键技术研发部开发。Taries软件主要应用于对高分辨率遥感影像的各种信息的处理、提取与分析，其功能包括影像的预处理、影像分割、影像分类、特征提取与表达、特征分析、目标识别等。它是集矢量和栅格于一体化的软件系统。

Taries主要功能

1.影像处理

（1）采用几何精纠正方法：建立基于空间投影理论与有限控制点的全局自适应方法，并建立基于控制点、线、面特征的局部自适应相结合的影像几何精纠正模型。

（2）实现多源遥感影像信息的特征级融合:在像元级、高精度的多源遥感信息分析技术基础上，发展了各种特征估计器和融合评判规则，建立特征级的多源遥感信息融合的方法以及相应的算法。

2.影像信息提取

（1）在复杂环境中的目标信息增强:采用具有空间自适应能力的目标特征的信息增强模型与方法，特别是弱目标信息的增强方法，并对无关背景信息进行抑制。

（2）高分辨率影像分割:基于空间特征（包括纹理特征、形状特征和动态特征）以及高维统计特征，采用面向特征的高分辨率影像分割技术（如基于模糊集理论、EM模型、Markov模型、MCMC模型、小波分析等）。

（3）基于智能计算模型的目标特征提取:基于神经网络、支撑向量机等智能计算模型，研究和发展针对目标的纹理特征、结构特征的提取方法，并实现相应算法。

（4）目标识别与提取系统原型:采用组件技术，研制开发目标识别与提取软件系统原型，包括影像精处理、目标单元分割与特征提取、目标识别等模块。

3.矢量数据显示、处理与分析

（1）兼容ArcGISSHP等矢量数据存储格式，能够采用系统的矢栅一体化数据模型对相应的矢量数据进行读取与显示。

（2）基于底层数据模型，能够实现基于Taries软件的矢量数据的修改功能，包括基本对象（点、线、面）的增、删、改等操作。

（3）基于相应的矢量数据建立拓扑关系，并在此基础上进行相应的空间分析功能（如最优路径查询分析等）。

（4）具有常规的矢量数据显示软件的基本功能，并可在此基础开发进一步的应用（如移动目标定位与车辆跟踪系统等）。

关键技术

1.高分辨率影像的高精度几何纠正技术

考虑到高分辨率影像的特点，首先应对高分辨率影像进行包括如下两项技术的精处理:

（1）基于重叠影像的高精度影像配准技术:采用既满足一定精度要求、又保证一定运算速度与适应性的子像素匹配技术，从而确定具有一定重叠的两幅图像间的几何对应关系，获得对应的控制点对，采用整体匹配技术使配准精度达到一个像元。

（2）空间自适应高精度几何纠正:针对高空间分辨率影像的特征，采用具有局部自适应的高精度几何纠正方法，消除常规最小二乘法平面拟合纠正方法对图像局部纠正误差较大的问题。

2.复杂自然环境下的信息增强

针对地形复杂、植被茂密的复杂自然环境，采用针对特征的统计信息增强技术，对具有重要意义的地面信息进行初步的检测性增强，特别是弱目标信息的增强，并对其他背景信息进行抑制。建立基于多种影像以及已有目标信息与判别知识的潜在目标快速检测技术，使用方法包括微观特征提取、动态变化检测等。

3.高分辨率影像分割技术

以影像理解研究为基础，建立融遥感图像信息、地理时/空信息与地学知识为一体的目标空间认知结构模型。该模型为对中高分辨率遥感图像目标单元群体的处理和分析，提供面向纹理特征和结构特征，并能够最大限度地利用地学分类知识与时/空推理模型的智能化识别与提取方法。目前软件包括十余种不同的遥感影像分割算法。

基于目标空间认知结构模型和空间特征（包括纹理特征、形状特征、动态特征和轮廓特征）以及高维统计特征，研究面向特征的高分辨率影像分割技术，并采用稳健统计机制来保证分割算法具有较强的稳健性，将分割后的特征按照其几何关系、属性关系、统计关系和操纵方式，以面向对象的模式进行统一化管理，从而将连续的图像形式转化为离散的、便于操作的特征群体，便于目标特征的快速提取。

4.智能计算模型的目标特征提取技术

针对遥感信息特征的提取问题，在传统统计和人工神经网络方法基础上，发展新型针对高分辨率遥感影像的目标特征提取模型，主要包括:基于知识的神经网络模型来处理混合密度分布的特征提取和分类;ARTMAP神经网络作为低维空间结构特征的联想记忆模型;基于统计学习理论的支撑向量机（SVM）。SVM是近几年最新提出的机器学习算法，它可以作为高维有限特征的记忆单元来实现对高分辨率遥感影像目标特征信息的提取。应用SVM模型进行特征提取，需要重点解决的问题有:高维映射函数定义、领域知识融合、支撑向量集极小优化和高维信息压缩。

在以上有关特征提取的智能计算模型基础上，针对不同复杂程度的目标特征提取问题，可分别采用MCMC统计模型、RBF/EBF神经网络、ARTMAP神经网络、支撑向量机来对目标库中的目标特征进行提取和表达。

5.视觉尺度空间变化的特征表达与目标识别技术

针对空间数据的多尺度特征，引进尺度空间视觉聚类方法，对空间数据的尺度特征变化进行描述（图1）。基本原理是:模拟人眼对目标特征从近到远逐步综合的视觉过程，来定量化地划分不同尺度上的空间单元。在目标识别过程中，将采用视觉空间尺度变换理论和方法，对遥感影像空间特征集采用逐步综合的特征多尺度聚类，从而在尺度空间转换上实现对影像特征集的树状方式管理，以满足不同尺度上的特征组合与表达。

图2Taries软件处理矢量数据界面

6.目标识别与提取的RS与GIS集成化处理技术

遥感图像给出了地面目标的栅格化波谱表达，突出并准确地再现了地物的大小、形状（包括点、线、面）和纹理变化;而GIS则有着对地物边界的精细刻画能力，并能够对地物间的空间关系进行拓扑变换与推理分析。因此，从空间单元数据处理的粒度入手，并将GIS的空间关系拓扑变换与时空推理分析引入到对遥感图像信息的智能化处理中，极大地提高了目标群体的识别精度与提取的一致性，为基于矢栅一体化数据模型的分析提供重要支撑技术。

7.矢量数据显示、处理与分析技术

除具有矢量数据的显示与基本操作外（如电子地图缩放、漫游等），系统还对矢量数据的编辑功能进行了实现，包括:特征点显示、点选、矩选、圆选、分裂、合并、增加控制点、删除控制点、移动控制点、增加对象、删除对象、移动对象等功能，并实现了相应的空间分析功能（如拓扑关系建立，最优路径选取等）。

遥感成像原理与遥感图像特征范文篇2

课程标准：结合实例、了解遥感在资源普查、环境和灾害监测中的应用。

课表分析：根据课标要求，要了解遥感的概念、特点、工作过程。重点掌握遥感在资源普查、环境和灾害监测中的具体应用与功能，进一步认识遥感在现代社会中发挥的巨大作用，还要初步学会判读简单的遥感影像。但是对于遥感工作原理不要求涉及“专业机理”，定位到“工作过程”程度即可，也不要求掌握遥感的分类等知识。

二、教材分析：

新课程标准把《地理信息技术的应用》列为必修课程，而“地理信息技术”体系主要由“3S”即地理信息系统（GIS）、遥感（RS）、全球定位系统（GPS）三方面的核心技术组成。另一方面，GIS、RS、GPS技术又以计算机科学、通信技术、遥测与卫星定位，以及系统论等信息技术和理论为支撑，属于地理科学与信息科学的交叉学科。遥感技术、全球定位系统、地理信息系统是地理信息技术的三种主要的技术手段，这三种手段相互促进、相互配合、共同应用的基础上，再结合网络技术、虚拟技术，人们提出了数字地球的设想。所以说，第三章第二节“遥感技术的应用”?与其他两门技术的应用介绍处于同等的地位，他们相互交织，相互配合，才能使数字地球的设想实现。而遥感技术在3s技术中也有不可代替的作用，遥感技术（RS）是地理信息系统（GIS）数据库的数据源；同时利用遥感数字影像获取地面高程，可以及时更新地理信息系统（GIS）中的数据。

三、教学内容：第二节、遥感技术的应用第一课时

四、教学目标：

1．知识与技能（知识目标）：

（1）能用自己的语言表述遥感的概念；

（2）能简要说明遥感技术的发展过程和工作过程；

2、过程与方法（能力目标）：

（1）通过读图或查阅相关资料，比较航天遥感、航空遥感、近地遥感使用的运载工具、主要优缺点及适用范围等方面的差异；

（2）通过查找遥感的有关资料，归纳遥感技术的特点。

3．情感、态度、价值观（情感目标）：

（1）通过对遥感技术的迅猛发展的介绍，感悟新兴地理信息技术的生命力，从而初步养成热爱科学努力学习的好习惯；

（2）通过对迅速发展的中国遥感技术的学习，增强民族自信心和爱国情感。

五、教学重点难点：

遥感技术的基本原理。

六、教学方法：案例教学法。通过讨论活动了解遥感技术的工作过程

七、教学过程：

导入：设疑:中央电视台天气预报卫星云图是怎么得到的呢？它先是用风云卫星遥感拍照，然后通过计算机处理、编辑而成的动态图片。是遥感技术的应用。

填表比较人工实地调查与利用遥感技术调查，哪一种获取资料和信息的方法更好？

1．概念：

遥感：（简称RS）“遥远的感知”，是利用一定的技术设备和系统，在远离被测目标的位置上对被测目标的电测波进行测量、记录与分析的技术。

怎样感知？测量电磁波特征：不同的地物反射与吸收电磁波存在巨大差异。（P82图3-2-2）

遥感不仅可以通过可见光进行感知，同时也可以通过红外线、微波等，例如：法国的SPOT-5卫星可以从七个波段获取信息。

为什么要分波段呢？因为不同波段不同地物的反射率与吸收率等有很大差异。（多媒体展示甲乙两种作物在不同生长阶段反射率不同示意图并分析）

2．分类：

按遥感平台高度（运载工具）分：地面遥感、航空遥感、航天遥感

地面遥感主要指以高塔、车、船为平台的遥感技术系统，地物波谱仪或传感器安装在这些地面平台上，可进行各种地物波谱测量。航空遥感泛指从飞机、飞艇、气球等空中平台对地面观测的遥感技术系统。航天遥感又称太空遥感，泛指利用各种太空飞行器为平台的遥感技术系统，以地球人造卫星为主体，包括载人飞船、航天飞机和太空站，有时也把各种行星探测器包括在内。卫星遥感为航天遥感的组成部分，以人造地球卫星作为遥感平台，主要利用卫星对地球和低层大气进行光学和电子观测。

4．遥感影像的基本特征：

（1）像元：遥感影像上能详细区分的最小单元

（2）分辨率：一个像元所代表的地面实际尺寸。1米分辨率就是指影像上的一个像元表示地面上1平方米的范围。例：SPOT-5卫星的分辨率达全彩色波段可达2.5米，其它波段为5米。中巴资源卫星二号分辨率为20米。美国快鸟卫星为1米。

媒体展示图3-2-6让学生体验像元大小对影像信息的影响。相同范围的区域图片，像元越多，分辨率越高，图像越清晰。

（3）光谱特征（媒体展示读图判读，3-2-7、3-2-8、3-2-9图）：

黑白：建筑物为灰白色，草地和林地颜色较深

彩色：分真彩色和假彩色

真彩色：真实反映实际地物的颜色特征

假彩色：草、树和庄稼通常为红色，水是灰色或蓝色，城市是蓝灰色

练习与评价：叙述真彩色遥感影像图像和假彩色遥感影像图的颜色特征。真彩色图片上的颜色基本显示地物的颜色，假彩色只是用不同的颜色区分不同的地物，显示的不是地物的颜色。

媒体展示美国快鸟卫星图片、我国风云卫星拍摄的云图、嫦娥探月卫星拍摄的月球表面影像让学生体会遥感技术的广泛应用及我国遥感技术的发展成就。

八、课堂小结与板书设计：本节课的重点和难点内容是遥感的工作过程。

九、课后作业：

1、什么事遥感影像的分辨率？说出分辨率大小和影像显示地表信息能力之间的关系。

2、叙述真彩色和假彩色遥感影像的颜色特征。

遥感成像原理与遥感图像特征范文

[关键词]建筑物提取，显著性检测，随机森林

中图分类号：TM512文献标识码：A文章编号：1009-914X（2017）12-0297-01

1引言

随着遥感技术的快速发展，遥感影像的空间分辨率越来越高。相比于中低分辨率的遥感影像，高分辨率遥感影像中几何结构、空间特征、形状以及纹理特征等信息更加清晰，能够精细地描述地表目标，有助于地物目标更精确的判读解译。在高分辨率影像上进行地物识别与检测是遥感科学领域研究中的一大热点，建筑物作为城市区域地物类别中的主要内容和地形图中重要的成图要素，准确地获取其空间位置、形状等信息具有极其重要的意义。精确地提取建筑物在城市规划、城市动态检测、城市三维建模以及地形图更新等方面有着重要的实际应用。

2原理与方法

2.1算法基本原理

算法首先用基于图论的方法，对遥感影像进行多尺度的分割，得到在不同尺度上的超像素块区域；然后计算各个区域的特征向量，用随机森林学习区域的多类特征，构建随机森林回归器，采用监督学习的方法为每个区域进行显著性的赋值；在得到各个尺度的显著图后，利用最小二乘法将多个尺度显著图进行融合；最后，对最终的显著图使用自适应阈值的方法进行分割，得到最终分割掩膜图。

2.2多尺度分割

本文所采用的过分割算法是由Felzenszwalb等提出的一种基于图论的影像分割方法。该方法基于RGB颜色空间，每个像素用5个分量表示，包括两个位置分量个三个颜色分量。在构造带权无向图时，图的节点为图像的像素，边的权值用RGB分量的欧氏距离来计算。算法中定义了区域内差异与区域间差异，若两个不同区域间的差异度小于任何一个区域内的差异度，则将它们进行区域合并；否则，保持这两个区域为单独的区域。

多尺度的分割图用S={S1，S2，...，Sm}表示。每个尺度的分割图Sm都是通过原图分割得到，包含Km个超像素块。S1是原图进行分割得到的结果，包含最多的超像素块。其余尺度上的分割结果都是通过S1中的超像素块合并得到的。超像素合并的规则参考了文[13]中的过程。首先合并S1中的超像素块得到S2。按照此规则依次进行，最后合并Sm-1中的超像素块得到Sm。

2.3区域特征提取

在利用过分割方法得到影像超像区域后，提取每个超像素区域的特征。颜色与纹理是遥感影像最常用的低层视觉特征，可较直观的反映影像不同地物的属性。但是，对于显著性检测而言，对比特征又是其中非常重要的特征。下文将分别介绍超像素区域特征提取的方法。

2.4显著性学习

2.4.1区域显著性回归器学习

在每个尺度上，首先对分割训练图像获得的每一个区域Ri，在人工标记结果图上对应区域Gi。若Gi中所含像素的标记有80%属于前景（或背景），则Ri标记为前景（或背景），且Ri的标记值ai被设为1（或0）。对每个区域作特征向量x∈Rd描述，训练样本中包含已标记的区域集合R={R（1），R（2），...，R（Q）}，和对应的标记值A={a（1），a（2），...，a（Q）}。

本文利用训练数据X={x（1），x（2），...，x（Q）}和显著性得分A={a（1），a（2），...，a（Q）}，学习到一个随机森林回归器，将每个区域的特征向量映射到显著性得分。随机森林显著性回归是t个决策树的集成，其中每个树由分枝和叶节点组成。每个叶节点存储一个特征索引f和阈值τ。给定特征向量x，树中的每个叶节点是基于特征索引和阈值（f，τ）作出决定。如果x（f）

3实验结果及分析

3.1实验数据

实验所采用的数据为ISPRS提供的高分辨遥感影像数据集。数据为德国Vaihingen地区的正射投影影像，空间分辨率为0.8cm。实验将Vaihingen地区原始影像切割成一组100张大小为512*512的子块影像。每幅子块影像均注释像素级别的真实标记，真实标记为包含建筑物和非建筑物二类的二值掩膜图。

3.2实验参数设置

实验中涉及主要参数是随机森林回归过程中决策树的数目T，随机森林显著性回归过程中，树越多，决策树之间的差异越小，可以实现更好的性能。然而，性能随着更多树木的采用而不断增加，但效率却大大降低。因此，选择设置T=200棵树来训练回归器以平衡效率和效果。

3.3结果与分析

利用Vaihingen地区60张训练影像训练出显著性模型，另外40张通过显著性模型来检测出显著性区域，并通过自适应阈值将将建筑物提取出来。本文方法对多种类型的建筑物提取效果都很好，区域完整，杂质少。

为了定量评价算法性能，将算法自动提取建筑物的结果和GroundTruth进行基于像素的比较。设TP为算法自动提取结果中被正确分为建筑物的像素数；TN为建筑物被误分其他地物的像素数；FP为被误分为建筑物的其他地物的像素数；FN为未被正确分为建筑物的像素数。建筑物提取的定量评价指标：（1）准确率，Accuracy=（TP+TN）/（TP+FP+FN+TN）；（2）精确率，Precision=TP/（TP+FP）；（3）召回率，Recall=TP/（TP+FN）。利用30幅影像提取结果与真实标记数据，所计算出的平均准确率为93.42%，平均精确率为91.28%，平均召回率为88.75%。从三种评价指标来看，本文方法在对Vaihingen地区的影像进行建筑物提取时，效果较好。

4Y论

本文提出了一种基于视觉显著性的高分辨率遥感影像建筑物提取方法。该方法考虑到遥感影像中建筑物的特点，将建筑物检测问题视为视觉显著性检测问题。所提方法采用随机森林回归机器学习算法检测影像中的建筑物显著性，并通过自适应阈值对显著性结果进行分割，实现了高分辨率遥感影像中提取建筑物的目的。对Vaihingen地区影像数据的测试结果表明，本文方法能得到较高的建筑物提取精度。

今后将考虑遥感影像之间的协同显著性，以期为后面的分割提供更好的先验知识，进一步提高提取效果。

参考文献

[1]孙显，王宏琦，张正.基于对象的Boosting方法自动提取高分辨率遥感图像中建筑物目标[J].电子与信息学报，2009，31（1）：177-181.