搜索
一、数字图象遥感的基本知识1.概念2.数字图象遥感原理3.常用术语1.概念遥感（Remotesensing）通过远离目标的传感器获取目标或景观数据的技术（Colwell1983）。包括航片、卫星图象和雷达数据等。遥感图象表征了地物波谱反射、辐射能量的空间分布。遥感平台--MSS/TM1999landsat7遥感平台--SPOT2.数字图象遥感原理•不同的物体具有不同的物质组成和结构,因此其电磁波谱特征相异。遥感即是根据这种差异来识别不同的物体。这就是遥感的基本出发点。•不同地物的光谱曲线不同•同一种植物在不同的情况下，在各波段的反射率也不同数字图象遥感原理--数据获取、处理、扩展、应用数字图象遥感原理--遥感数据产品数字图象遥感原理--电磁波谱数字图象遥感原理--地物反射光谱曲线数字图象遥感原理--通道选择波段宽度遥感特点0.45-0.52蓝波段。对水体的穿透力强，对叶绿素与叶红素浓度反映敏感。有助于判别水深、水中叶绿素分布、沿岸水和进行近海水域制图。0.52-0.60绿波段。对健康茂盛植物绿反射敏感，对水的穿透力较强。用于探测健康植物绿色反射率，按“绿峰”反射评价植物生活力，区分林型、树种和反映水下特征等。0.63-0.69红波段。为叶绿素的主要吸收波段。反映不同植物的叶绿素吸收、植物健康状况。用于区分植物种类与植物覆盖度。0.76-0.90近红外波段。对绿色植物类别差异最敏感，为植物通用波段。用于生物量调查、作物长势测定、水域判别等。1.55-1.75中红外波段。处于水的吸收带内，反映含水量敏感。用于土壤湿度、植物含水量调查、水分状况研究，作物长势分析等。提高区分不同作物类型的能力。10.4-12.5热红外波段。可以根据辐射响应的差别，区分农、林覆盖类型，辨别地表湿度、水体、岩石，以及监测与人类活动有关的热特征。2.08-2.35中红外波段。主要用于区分岩石类型、岩石的水热蚀变。数字图象遥感原理--TM光谱特征数字图象遥感原理--NOAA/AVHRR光谱特征数字图象处理原理--植被遥感波段选择波段宽度遥感特点0.45-0.50色素吸收波段，叶绿素和叶红素吸收区之内0.52-0.59绿色反射波段，对区分不同林型及树种可能提供较多信息0.63-0.69对区分有无植被、覆盖度及植物健康状况极为敏感0.70-0.74过渡波段。增加噪声，不宜包括在其他波段中0.74-0.90是绿色植物的各种变量与反射率关系最敏感的波段。为植物通用波段。其中，0.74-0.80微米与背景土壤形成明显对比，对区分不同覆盖度作物长势最好1.10-1.30在高反射区与水吸收区之间，能区分植物类别1.55-1.75，2.10-2.30均是位于几个水吸收带之间的反射峰3.常用术语•图象（Image）•象元（pixel）•通道（band）•采样（sampling）:获得每个象元位置的灰度（greylevel）•定量化（quantization）:用整数表示遥感探测数据。这是由于计算机以处理数字为前提，因此将连续的探测值降维并用整数表示。•空间分辨率（Spatialresolution）:也称地面分辨率。•波谱分辨率（Spectralresolution）•时间分辨率（Temporalresolution）•辐射分辨率（Radiometricresolution）：由位数决定的记录辐射值的数值范围-，如8bit(0~255)。常用术语--图象类型常用术语--象元、灰度、象元坐标物理图象和数字图象常用术语--通道常用术语--分辨率•空间分辨率•辐射分辨率•光谱分辨率•时间分辨率DEMOMSS&AVHRRDATA•MSS/TM•AVHRR•GVI•NPP二、ERDAS软件在遥感图象处理中应用1.ERDASIMAGINE软件的特点2.IMPORT&EXPORT3.数字遥感图象的增强技术4.数字遥感图象的分类技术5.模型开发工具6.其它常用模块ERDASIMAGINE软件的特点•高度的RS/GIS的集成功能•覆盖土地利用、空间分析/建模、ARC/INFO矢量数据更新、航空影象与硬拷贝地图输出、雷达数据处理、VirtualGIS、图象校正与镶嵌和立体显示等功能。ERDAS框架IMPORT&EXPORT•数据格式•ImportMethod•ExampleofImport,MSS&AVHRR•CorrectingData•ExampleofGeo-correctionIMPORT&EXPORT--数据格式BILBSQBIPImportMethod•了解数据（行列数、偏移量等信息）•单波段输入和多波段合成（举例）•查看图象信息CorrectingData•旋转预览（9-11度）•RotateImages(Raster|GeometricCorrection)•几何校正（Raster|GeometricCorrection）IMAGEtoMAPIMAGEtoIMAGE•最后重采样一次多项式变换二次多项式转换GCPs点的选取•选取原则：均匀分布，明显定位，数量保证。•选取步骤：地图选点，确定图象对应点，筛选。Image-to-MaprectificationImage-to-Imagerectification遥感图象增强技术•图象增强的内涵•ImageEnhancementdependon•EnhancementTechniques图象增强的内涵•Imageenhancementistheprocessofmakinganimagemoreinterpretableforaparticularapplication.•Enhancementmakesimportantfeaturesofraw,remotelysenseddatamoreinterpretabletothehumaneye.•Enhancementtechniquesareoftenusedinsteadofclassificationtechniquesforfeatureextraction-studyingandlocatingareasandobjectsonthegroundandderivingusefulinformationfromimages.•增强地物波谱特征的差别，以识别不同的地物类型；增强地物的形态特征，ImageEnhancementdependon•Theuser’sdata--thedifferentbandsofLandsat,SPOT,andotherimagingsensorswereselectedtodetectcertainfeature.E.g.Parametersoftheband•Theuser’sobjection--theusermusthaveaclearideaofthefinalproductdesired.•Theuser’sexpectation--whattheuserthinksheorshewillfind.•Theuser’sbackground--theexperienceofthepersonperformingtheenhancement.EnhancementTechniques•Radiometricenhancement:baseonthevaluesofindividualpixels.•Spatialenhancement:baseonthevaluesofindividualandneighboringpixels.•Spectralenhancement:enhancingimagesbytransformingthevaluesofeachpixelonamultibandpixels.•Hyperspectralimageprocessing:anextensionofthetechniquesusedformulti-spectraldatasets•Fourieranalysis:techniquesforeliminatingperiodicnoiseinimagery•Radarimageryenhancement:techniquesspecificallydesignedforenhancingradarimageryImageenhancement-frequencyImageenhancement-histogramequalizationdemo•interpreter•Viewer-raster数字遥感图象的分类•概念•分类规则•监督分类与非监督分类数字遥感图象的分类--概念•自1972年第一棵陆地卫星（land-sat）发射以来，遥感数据分类问题就是遥感应用的关键问题。•遥感图象分类是随着模式识别理论的发展而发展的，并以地学知识为基础，利用计算机通过对遥感图象中各类地物的光谱信息和空间信息进行分析，选取地物模式的特征，用一定手段和规则将特征空间划分为互不重叠的子空间，然后将图象中的各个象元划归到各个子空间。数字遥感图象的分类--分类器•影响分类的关键问题是选择适当的分类规则（或分类器），通过它将遥感数据划分为不同类别。•大多数分类器是建立在统计方法上，典型的包括最小距离、最大似然、Bayes分类、模糊分类、统计聚类分析等分类器。•随着人工智能技术和理论的发展，遥感图象分类向智能化方向发展，主要热点包括：（1）图象空间中结构信息的提取和分类，如城市道路、网络、水系、山脊线、纹理信息等提取；（2）在地学知识和地理辅助信息支持下的空间逻辑推理的图象分类，如基于规则的遥感影象分类，GIS数据辅助下的遥感影象分类等；（3）基于非线性并行处理的视觉神经理论的遥感图象分类，如人工神经网络分类器，遗传学习法分类器等。Supervisedcalssification&unsupervisedclassification•遥感影象分类根据是否需要先验知识可分为监督分类和非监督分类。•Supervisedtraining:closelycontrolledbytheanalyst;inthisprocess,theuserselectspixelsthatrepresentpatternsorlandcoverfeaturesthattheyrecognize,orthattheycanidentifywithhelpfromothersources,suchasaerialphotos,groundtruthdata,ormaps.•unsupervisedtraining:computer-automated,specifysomeparametersthatthecomputerusestouncoverstatisticalpatternthatareinherentinthedata(spectralcluster);thentheuser’sresponsibility,afterclassification,toattachmeaningtotheresultingclasses.遥感分类流程•第一步数据收集和预处理这包括辐射纠正、几何纠正、特征提取和选择、数据压缩和消除噪音。•第二步训练样区的选择对于非监督分类来说，也需要选择样区以辅助对簇分析结果的归类。对于监督分类来说，训练样区用于提取各类的特征参数以对各类进行模拟。•第三步对象元进行分类利用分类算法根据象元特征值将任一象元划归最合适的类。象元特征可以是光谱反射、相邻象元的纹理特征及所在位置的几何特征，如高度、坡度、坡向等。•第四步对分类结果进行后处理这包括各类滤波、簇分析结果重新归类、对分类结果依据地图投影的要求完成几何转换、对分类图进行整饰等。•第五步评价分类准确度将分类结果与已知准确的类型进行比较得到分类图的客观分对率。一般通过随机采样、地面实况调查，然后与相应位置的分类结果进行比较，得到误差矩阵（称混淆矩阵或列联表）。如果分类结果不够准确，需要检查前述几个步骤有无改善的可能。Supervisedvs.Unsupervisedtr