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1.概念2.數(shù)字圖象遙感原理3.常用術(shù)語1.概念遙感（遙感（Remote sensing）通過遠(yuǎn)離目標(biāo)的傳通過遠(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、輻射能量的空圖象表征了地物波譜反射、輻射能量的空間分布。間分布。遙感平臺遙感平臺-MSS/TM1999 landsat7遙感平臺遙感平臺-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)這種差異來識別不同的物體

2、。這就是遙感的基本出發(fā)點。 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0.45-0.52藍(lán)波段 。對水 體的 穿透力 強(qiáng)， 對葉綠 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。對健 康茂 盛植物綠反射敏感 ，對水 的穿 透力較強(qiáng)。用于探 測健 康植物綠色反射 率，按“ 綠峰” 反射 評價植 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 勢測定 、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 勢分析 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)測與 人類 活動有 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0.45-0.50色素吸 收波段 ，葉 綠素和 葉紅 素吸

5、收 區(qū)之內(nèi)0.52-0.59綠色反 射波段 ，對 區(qū)分不 同林 型及樹 種可能 提供 較多信 息0.63-0.69對區(qū)分 有無植 被、 覆蓋度 及植 物健康 狀況極 為敏 感0.70-0.74過渡波 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 對比 ，對區(qū) 分不 同覆蓋 度作 物長勢 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 水吸 收帶之 間的 反射峰3.常用術(shù)語

6、常用術(shù)語圖象（圖象（Image）象元（象元（pixel）通道（通道（band）采樣（采樣（sampling）:獲得每個象元位置的獲得每個象元位置的灰度灰度（grey level）定量化（定量化（quantization）:用整數(shù)表示遙感探測數(shù)據(jù)。這是用整數(shù)表示遙感探測數(shù)據(jù)。這是由于計算機(jī)以處理數(shù)字為前提，因此將連續(xù)的探測值降維由于計算機(jī)以處理數(shù)字為前提，因此將連續(xù)的探測值降維并用整數(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）時間分辨率（Temporal resolution）輻射分辨率（輻射分

7、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)語常用術(shù)語- 圖象類型圖象類型常用術(shù)語常用術(shù)語-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)語常用術(shù)語-通道通道常用術(shù)語常用術(shù)語-分辨率分辨率空間分辨率空間分辨率輻射分辨率輻射分辨率光譜分辨率光譜分辨率時間分辨率時間分辨率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2.IMPORT

8、 & 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 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IMPORT & 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)

9、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 Correction） IMAGE to MAP IMAGE to IMAGE 最后重采樣一次多項式變換一次多項式變換二次多項式轉(zhuǎn)換二次多項式轉(zhuǎn)換GCPs點的選取 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，確定圖象對應(yīng)點，篩選。Image-to- Map

10、 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 of making an image more interpretable for a particular application. Enhancement makes important features of raw, remotely sensed data m

11、ore interpretable to the human eye. Enhancement techniques are often used instead of classification techniques for feature extraction-studying and locating areas and objects on the ground and deriving useful information from images. 增強(qiáng)地物波譜特征的差別，以識別不同的地物類型；增強(qiáng)地物的形態(tài)特征，Image Enhancement depend on The us

12、ers 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 user must have a clear idea of the final product desired . The users expectation-what the user thinks he or she will find. The users ba

13、ckground-the experience of the person performing the enhancement.Enhancement Techniques Radiometric enhancement:base on the values of individual pixels. Spatial enhancement:base on the values of individual and neighboring pixels. Spectral enhancement:enhancing images by transforming the values of ea

14、ch pixel on a multiband pixels. Hyperspectral image processing:an extension of the techniques used for multi-spectral datasets Fourier analysis:techniques for eliminating periodic noise in imagery Radar imagery enhancement:techniques specifically designed for enhancing radar imageryImage enhancement

15、-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，遙感數(shù)據(jù)分類問題就是遙感應(yīng)用的關(guān)鍵問題。 遙感圖象分類是隨著模式識別理論的發(fā)展而發(fā)展的，并以地學(xué)知識為基礎(chǔ)，利用計算機(jī)通過對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象元劃歸到各個子空間。數(shù)字遙感圖象的分

16、類-分類器 影響分類的關(guān)鍵問題是選擇適當(dāng)?shù)姆诸愐?guī)則（或分類器），通過它將遙感數(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、網(wǎng)絡(luò)、水系、山脊線、紋理信息等提??；（2）在地學(xué)知識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。Superv

17、ised calssification&unsupervised classification 遙感影象分類根據(jù)是否需要先驗知識可分為監(jiān)督分類和非監(jiān)督分類。 Supervised training: closely controlled by the analyst; in this process, the user selects pixels that represent patterns or land cover features that they recognize, or that they can identify with help from other sources,

18、such as aerial photos, ground truth data, or maps. unsupervised training: computer-automated, specify some parameters that the computer uses to uncover statistical pattern that are inherent in the data (spectral cluster); then the users responsibility, after classification, to attach meaning to the

19、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 對于非監(jiān)督分類來說，也需要選擇樣區(qū)以輔助對簇分析結(jié)果的歸類。對于監(jiān)督分類來說，訓(xùn)練樣區(qū)用于提取各類的特征參數(shù)以對各類進(jìn)行模擬。第三步第三步 對象元進(jìn)行分類對象元進(jìn)行分類 利用分類算法根據(jù)象元特征值將任一象元劃歸最合適的類。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 對分類結(jié)果進(jìn)行后處理對分類結(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

20、、對分類結(jié)果依據(jù)地圖投影的要求完成幾何轉(zhuǎn)換、對分類圖進(jìn)行整飾等。第五步第五步 評價分類準(zhǔn)確度評價分類準(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率。一般通過隨機(jī)采樣、地面實況調(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，需要檢查前述幾個步驟有無改善的可能。Supervised vs. Unsupervised trainingSelect training Fields E v a l u a t e ClassificationEdit/Evaluate SignatureClassify ImageRun ISODATE

21、 AlgorithmE v a l u a t e ClassificationEdit/Evaluate SignatureClassify ImageIdentify ClassesUnsupervised training-demo Dataprep|Unsupervised classification ISODATA-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

22、signatures using signature editor (AOI , Grow Seed) perform supervised classification neighborhood,clump,elliminate Accuracy Assessment 書寫報告，制作專題圖Land use/cover classification-accuracy assessment 評價分類結(jié)果的正確與否，需要客觀、合理的方法。分類結(jié)果準(zhǔn)確度評價方法比較復(fù)雜。它受每個類型在空間上分布和每個同類型地塊的形狀和大小、檢測樣點的分布、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

23、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象元樣點的類型作為參考數(shù)據(jù)；(4) 建立誤差矩陣；(5) 計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；(2) 隨機(jī)抽樣-對整個區(qū)域隨機(jī)布點；(3) 分區(qū)抽樣-按一定的樣點個數(shù)在劃分的每個區(qū)域內(nèi)隨機(jī)布點；(4) 系統(tǒng)分區(qū)隨機(jī)抽樣-對整個區(qū)域內(nèi)等面積分區(qū)，并在區(qū)內(nèi)隨機(jī)布點。當(dāng)各類型所占面積相近時，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，系統(tǒng)抽樣可能出現(xiàn)偏差。這時用隨機(jī)抽樣或系統(tǒng)分區(qū)隨機(jī)抽樣較好。當(dāng)

24、屬性類型所占面積很大時，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)劃時很重要，但是，通常只占不到1%總面積。這時如果不用分區(qū)隨機(jī)抽樣，對這類土地進(jìn)行配額抽樣，則會造成抽樣不足。Land use/cover classification-sampling size由于確定抽樣點的類型一般比現(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)表中查到值e-期望值的允許偏差（百分?jǐn)?shù)）如期望準(zhǔn)確度為85%，而允許期望值偏差5%之內(nèi)，且對估計的準(zhǔn)確度的置信水平為95%（即概率水平為0.95）。那么可從雙側(cè)正態(tài)分布表中查得Z為1.96。這樣 N=(1.96) 2 x 85 x 15 / (5x5)=196由于準(zhǔn)確度可以指所有類型或每個類型。如果對每個類