遥感影像

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇遥感影像范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

遥感影像范文第1篇

摘要：本文介绍了遥感影像数据融合技术，并给出了融合的一些基本理论、融合处理一般步骤以及常用融合处理方法，最后简要描述了融合评价的方式方法等。

关键词：遥感影像融合融合评价

1、前言

将高分辨率的全色遥感影像和低分辨率的多光谱遥感影像进行融合，获得色彩信息丰富且分辨率高的遥感融合影像的过程，成为遥感影像融合。全色影像一般具有较高空间分辨率，多光谱影像光谱信息较丰富，为提高多光谱影像的空间分辨率，可以将全色影像融合进多光谱影像。通过影像融合既可以提高多光谱影像空间分辨率，又能保留其多光谱特性。

2、遥感影像融合一般步骤

遥感影像信息融合一般流程主要分为两个阶段：图像预处理，图像融合变换。

图像预处理主要包括：几何校正及影像配准。几何校正主要在于去除透视收缩、阴影等地形因素以及卫星扰动、天气变化、大气散射等随机因素对成像结果一致性的影响；影像配准的目的在于消除由不同传感器得到的影像在拍摄角度、时相及分辨率等方面的差异。

3 常用融合方式

3.1 IHS融合

IHS（亮度I、色度H、饱和度S）变换就是将影像从RGB彩色空间变换到IHS空间来实现影像融合的一种方法。由光学、热红外和雷达(微波)等方式得到的不同波段遥感数据，合成的RGB颜色空间是一个对物体颜色属性描述系统，而IHS色度空间提取出物体的亮度、色度、饱和度，它们分别对应每个波段的平均辐射强度、数据向量和的方向及其等量数据的大小。RGB颜色空间和IHS色度空间有着精确的转换关系。IHS变换法只能用三个波段的多光谱影像融合和全色影像融合。

3.2 小波融合

小波变换，基于遥感影像的频域分析进行的，由于同一地区不同类型的影像，低频部分差别不大，而高频部分相差很大，通过小波变换对变换区实现分频，在分频基础上进行遥感影像的融合，常用于雷达影像SAR与TM影像的融合。

3.3 Pansharping融合

Pansharping算法用于高分辨率全色影像和多光谱影像的融合生成高分辨率彩色影像，此方法要求全波段影像和多波段影像同平台、同时间（或间隔很短）获得。Pansharping独具特色的融合方式(目前国际上公认的最好的融合方法)，能最大限度地保留多光谱影像的颜色信息和全色影像的空间信息，融合后的图像更加接近实际。

3.4 融合结果

使用HIS融合方式进行融合结果如下：

图1融合前全色影像图2 融合前多光谱影像 图3融合后结果影像

4融合质量评价

评价融合影像的质量是遥感图像融合的一个重要步骤。评价融合效果主要包括定性和定量评价两种。

定性评价一般选用目视法解释。定量评价选择：均值、标准差、熵、光谱偏差度、均方根差和相关系数等。定量评价分为：融合图像的整体质量、融合图像和低分辨率图像的光谱信息保真度和融合图像与高分辨率图像的高频信息保真度（纹理信息）三个方面。

参考文献：

[1]孙家抦. 遥感原理与应用. 武汉: 武汉大学出版社, 2003.

[2]贾永红. 数字图像处理. 武汉: 武汉大学出版社, 2003.

作者简介：1.王莹（1988-）女，汉族，陕西西安人，长安大学信息工程学院，交通信息工程及控制专业，2011级硕士研究生

遥感影像范文第2篇

随着遥感技术的发展，高分辨率遥感影像数据急剧增加，如何能够从海量的遥感影像数据中获取到用户感兴趣的信息成为了当前的主要研究目标。对于大数据量遥感影像数据的快速浏览问题，本文提出基于IDL实现分块读取数据，构建影像金字塔结构，存储到GeoTiff格式影像文件中。利用IDL函数获取当前窗体范围的影像分块信息，实现快速加载显示影像数据。

【关键词】ENVI/IDL 影像金字塔 数据分块 快速浏览

1 引言

随着“高分一号”高分辨率对地观测系统遥感卫星的升空，搭载的高分辨率多光谱相机用于采集高分辨率遥感影像数据。它能够提供大区域范围的海量的、动态的基础地理空间信息数据，成为数字城市数据采集与更新的主要来源之一。目前，ENVI、Erdas等几个主要的遥感软件能够对高分辨率遥感影像数据进行读取，但花费的时间较长，无法满足能够快速浏览影像的现实工作需求。因此寻找一种能够快速读取和显示高分辨率遥感影像的方法，成为高分辨率遥感影像应用面临的首要问题。

对于遥感影像数据的存储格式、读写和显示处理操作，已有学者进行了多方面的论述。刘修国等分析了GeoTiff文件格式的基本结构，并探讨了GeoTag标识域具体含义和影像存储组织的方法；卜坤等讨论了对于大数据遥感影像数据采用分块处理，减少对内存的需求；查东平等研究了利用GDAL处理Tiff格式文件，实现快速读取和显示遥感影像的方法；王淼等讨论了IDL实现遥感影像漫游缩放技术的可行性。

本文针对直接读取海量影像数据容易造成内存不足、整幅影像加载显示缓慢等问题，在分析GeoTiff文件格式的基础之上，结合构建影像瓦片金字塔，研究了基于ENVI/IDL开发语言实现分层分块读取影像数据，多分辨率快速显示影像的方法。

2 技术路线

本文高分辨率遥感影像快速浏览功能设计的基本思想是利用构建瓦片金字塔、GeoTiff影像存储文件等关键技术实现遥感影像数据的分层分块存储，记录遥感影像的地理空间信息和影像分块的图像特性。基于IDL/ENVI开发语言，构建具有图像视窗创建、影像分层分块存储、重采样提取分块影像数据、加载显示影像图像的影像快速浏览技术。总体技术路线如图1所示。

3 关键技术

3.1 影像金字塔模型

遥感影像处理软件显示图像的一般做法是把影像数据读入到内存中，通过读取内存中遥感影像相关数据来实现。在图像数据量比较小的情况下，可以快速显示遥感影像。对于高分辨率遥感影像来说，由于影像数据量是巨大的，有限的内存空间无法读取全部的影像数据。高分辨率影像数据的读取显示是采用构建影像金字塔结构来实现的。

影像金字塔是以原始影像为基础通过重采样技术生成不同比例尺的各层的影像数据，并且各层划分为多个尺寸大小相同的图像块。原始影像数据作为金字塔的底层，分辨率最高，数据量最大。随着金字塔层数的增加，影像分辨率降低，数据量减少，表示的范围不变，如图2。

3.2 影像分块技术

读取的影像数据太大，超过内存的大小的时候，IDL会显示无法分配内存的错误，尤其是处理高分辨率的海量影像数据的时候，对内存的需求就更大了。图像分块技术，是将图像按照一定的矩形大小，把图像分成几块，然后分块进行处理。使用图像分块技术，可以在计算过程中有效减少对内存的需求，从而实现快速读取图像数据。

影像分块的大小通常采用2的幂次方，影像块太大或太小都会影响系统的有效性能。因此，根据遥感影像数据情况，选择数据块大小是影像数据存储管理必须考虑的因素。目前，常采用的数据块大小为256*256像素，这样可以减少硬盘磁头定位时间。

3.3 GeoTiff格式图像文件

GeoTiff图像文件是一个Tiff6.0文件，继承了Tiff6.0规范中的文件结构，将GeoTiff信息编码在一些未使用的TIFF保留标签中[8]。Tiff图像文件的结构包括文件头（Image File Header，IFH）、图像文件目录（Image File Directory，IFD）和图像数据区。每个文件只能有一个文件头，但允许有多个文件目录和多个图像数据区。GeoTiff文件利用6个“地理标签”（GeoTag）保存图像的地理信息，如图3。

3.4 IDL语言

美国ITT VIS（ITT Visual Information System）公司推出了第四代可视化交互数据语言IDL（Interactive Data Language）是新一代交互式、跨平台，面向对象的应用程序开发语言，具有较强的数据分析和可视化功能。IDL将内存的栅格数据均视为二维数组，IDL对数组计算进行了优化，将数组作为整体进行操作，其速度远远快于对数组元素的循环操作。

IDL提供了内置的处理图像数组的类和函数，简化了影像处理流程，降低了开发难度。类IDLgrWindow用于创建显示窗口，类IDLgrView用于创建显示视图对象，类IDLgrModel创建显示模式对象，类IDLgrImage创建图像对象。TV或TVSCL命令用于显示图像，WINDOW命令创建显示窗口。

4 技术实现

为了实现大数据遥感影像的读取和显示功能，按照以下五个步骤完成：

（1）读取原始影像的元数据，包括左上角坐标值，影像宽度和高度，影像波段数，像素类型等参数。这个步骤得到影像基本信息，为后面的分块存储影像数据作准备。

（2）对原始影像进行分块处理，并按照GeoTiff格式定义保存。根据步骤（1）中的影像信息，确定影像分块的行数和列数，创建GeoTiff文件结构数组。

（3） 根据GeoTiff文件结构数组，创建GeoTiff文件结构，并在GeoTiff文件中填充图像文件目录IFD和图像数据内容。

（4）动态创建金字塔文件。根据分辨率的不同，设置数据分块大小参数不同。依据数据分块大小，从原始影像数据文件中读取分块数据，写入目标金字塔文件中。

（5）根据当前窗体视图范围，从金字塔文件中读取数据，并显示到窗体中。

5 结语

由于海量高分辨率遥感影像数据的获取周期的缩短，构建合理的遥感影像文件存储结构以及寻找快速调度显示清晰遥感影像的方法有着明显的意义。本文基于IDL对高分辨率影像构建影像金字塔和创建GeoTiff格式图像文件，实现了通过分块读取影像以快速显示影像数据的功能。

参考文献

[1]刘修国，花卫华.GeoTiff中GeoTag域解析[J].地球科学―中国地质大学学报，2002，27（3）：246-249.

[2]卜坤，张树文，张宇博.基于IDL的栅格地图代数实现与应用[J].计算机工程与应用，2008，44（9）：174-177.

[3]查东平，林辉，孙华等.基于GDAL的遥感影像数据快速读取与显示方法的研究[J].中南林业科技大学学报，2013，33（1）：58-62.

[4]王淼，熊显名，腾惠忠等.基于IDL的遥感图像漫游和缩放技术的实现[J].微型机与应用，2014，33（6）：37-39，43.

[5]谭庆全，毕建涛，池天河.一种灵活高效的遥感影像金字塔构建算法[J].计算机系统应用，2008，4：124-127.

[6]余粉香，王光霞，万刚.大数据量遥感影像的快速调度与显示[J].海洋测绘，2006，26（2）：27-30.

[7]张涵斐，黄忠红，孟永军.海量遥感影像的存储与快速调度显示方法[J].测绘与空间地理信息，2011，34（3）：36-39，43.

[8]牛芩涛，盛业华.GeoTIFF图像文件的数据存储格式及读写[J].四川测绘，2004，27（3）：105-108.

[9]闫殿武.IDL可视化工具―入门与提高[M].北京：机械工业出版社，2003.

作者简介

徐超（1982-），男，辽宁省鞍山市人，硕士学位。现为浙江省测绘大队工程师。从事遥感技术和地理信息系统的应用开发工作。

遥感影像范文第3篇

关键词：遥感；影像质量；遥感应用

中图分类号：TP79 文献标识码：A

遥感影像应用分析日益广泛，但其也存在较多的影响因素，这些因素能够对遥感分析结果的精度产生较大的影响。如：(1)遥感影像数据本身包含的误差，即影像数据质量的影响；(2)数据预处理引入的误差(如几何误差和辐射误差)；(3)数据分析过程中的误差（如量化误差、分析方法引入的误差）；(4)数据产品存储方式转换的误差（如栅格与矢量转换误差）。其中，影像数据质量作为影像应用的先天条件，往往对遥感影像的应用领域和精度水平起到决定性作用。

而在遥感影像质量分析中，分辨率是一个至关重要的概念，并表现为多重含义[1]。影像分辨率简单来说就是成像系统对影像细节分辨能力的一种度量，也是影像中目标细微程度的指标，它表示地物信息的详细程度。因此，对遥感数据质量的描述往往利用遥感影像的四种类型的分辨率来进行，包括：时间分辨率、光谱分辨率、辐射分辨率和空间分辨率。

一、时间分辨率的影响

时间分辨率（Temporal Resolution）一般指是指对同一目标的序列影像成像的时间间隔，即对同一地区进行重复观察的频率。从这一含义来讲，多时相影像分析能够提供所需的变化信息。例如，美国国家海洋大气局（NOAA）的地球静止轨道环境业务卫星（GOES）运行于地球同步轨道上，可获取高时间分辨率的影像（如：每半小时），使得气象学家可以每小时更新一次锋系和飓风的位置，并综合其他信息预测风暴的路径。

时间分辨率表达的另一含义是：主动式传感器（如：激光雷达，LIDAR）向地面发射单脉冲后，能记录的回波个数。例如，大多数LIDAR系统发射一个脉冲，并记录该脉冲的多个回波响应。测量多个回波响应之间的时差就可以确定目标的高度和地形特点。主动式传感器发射的一束能量信号所持续的时间长度成为脉冲宽度，采用短脉冲可以获得相当精确的距离测量结果。

对于常规的土地利用动态遥感监测工作而言，时间分辨率一般从属于第一层含义，即利用多时相遥感数据对土地覆盖信息进行变化检测[2]。其一般要求两个重要的时间分辨率保持不变。

第一，影像获取时间应大致在一天中的相同时刻。这样可以有效地消除太阳高度角的影响，使遥感数据中的反射特征不会因太阳高度的不同而产生太大的差异。

第二，针对监测目标内容，选择合适时令和季节的影像进行检测，并尽可能是同一地区不同年份但相同季节的遥感影像。其原因在于，不同时令季节的情况下，地面植被物候、季节性太阳高度角等存在较大差异，这些差异都会导致地物光谱特性的差异，进而对变化检测结果产生负面影响。

二、光谱分辨率的影响

光谱分辨率（Spectral Resolution）是指遥感器所能记录的电磁反射波谱中某一特定的波长范围值。波长范围越宽，则光谱分辨率越粗糙；反之越精细。

遥感影像变化检测的基本假定是：如果IFOV内的生物物理目标在两个时相间发生变化，那么该像元在两景影像中的光谱响应就会有差异。理想情况下，传感器应具有足够的光谱分辨率以记录光谱区内的反射通量，并且该光谱区间能够最好的获取物体最具描述意义的光谱特性。因此，高的光谱分辨率可以保证监测目标能够在影像上有所响应，以提供更为丰富的信息。

但光谱分辨率并不是越高越好，相反由于光谱分辨率过高，往往会造成信息的大量冗余和波段之间相关性太强，进而容易引起数据处理得不到预期的结果[3]。D.Landgrede与B.Shahshahani利用了四种分类算法，通过对训练样本数目与最终分类精度的实验，揭示了光谱分辨率对分类精度的影响[4]。实验结果图如下所示：

图1 训练样本数量、分类器与特征维数对分类精度的影响

从图3-1可以发现，使用传统的统计分析模式分类，随着波段数目增大，训练样本数量相对于特征空间维数的比例减小，分类过程中计算得到的参数估值偏差也逐渐变大，最终会导致分类精度的降低，而这对利用分类后变化检测算法有着相当大的影响。因此，遥感影像变化检测要求确定合适的光谱分辨率影像。

另一方面，遥感影像变化检测还要求选择波段基本一致的影像数据。例如，Landsat MSS的第4 波段（绿光）、第5波段（红光）和第7波段（近红外），Spot的第1波段（绿光）、第3波段（红光）和第4波段（近红外）一起使用。如果各传感器间的波段匹配得不好，变化检测的很多算法都将无法应用，效果很差。

三、辐射分辨率的影响

辐射分辨率（Radiometric Resolution）又称亮度阈值，是指在一个波段中所记录的代表地物反射电磁波的强度（表现为亮度或灰度）的所有可能的数值。在影像中表现为影像的灰度级。例如，在字节长度为8位的文件中，像元点亮度值可以分为256级，则代表地物亮度的数值可为从0～255中的某个值。辐射分辨率与影像灰度级成正比，灰度级越高，其辐射分辨率就越高。在遥感影像直观上来看，灰度级越高，影像的细节表达能力就越强。如下图所示：

(a) (b) (c)

图2 (a)经过处理的辐射分辨率为8bit、1m 空间分辨率的IKONOS图像（IKONOS图像的辐射分辨率为11bit）；(b)经处理的辐射分辨率为4bit的影像；(c)经过处理的辐射分辨率为1bit的影像

从图2可以看出，辐射分辨率的降低使得影像的细节模糊，主要体现在其空间分辨率的相应降低。因此，辐射分辨率对变化检测的影响可以从空间分辨率的角度来分析。

四、空间分辨率的影响

空间分辨率（Spatial Resolution）是指遥感器所能分辨的最小的目标大小，即影像目标的空间细节在影像中可分辨的最小尺寸。空间分辨率越高则目标和面积值越小。

空间分辨率直接影响着像元的纯度。空间分辨率高的遥感影像单位像元对应的地面范围小，纯像元出现的概率大，混合像元的数量相对较少，使得目标地物与背景的灰度反差大，区分度好。但另一方面，高分辨率也带来问题：纯像元的个数越多，噪声就相对越多，使得同一类别地物内部的光谱响应值差异越大，同一地物的识别区分难度也相应加大[12]。

如下图3所示，对一幅空间分辨率为0.69米的QuickBird影像，降低其分辨率依次为2.76米、5.52米，展示其直方图，并利用 Canny算法提取边界。

(a) (b) (c)

(d) (e) (f)

(g) (h) (i)

图3(a)为空间分辨率为0.69米的QUICKBIRD影像；（b）为经过处理的、空间分辨率为2.73米的QUICKBIRD影像；(c) 为经过处理的、空间分辨率为5.52米的QUICKBIRD影像；(d)、(e)、(f)均为其对应的影像直方图；(g)、(h)、(i)为对应的边缘提取结果图

从上述实验可以看出，利用0.69米分辨率的遥感影像提取出来的边缘结果复杂；利用5.52米的遥感影像提取出来的边缘结果有残缺。而利用2.73米分辨率的遥感影像能够较为清晰的提取出边缘结果。这个现象可以解释为：适当的分辨率图像可使具有大面积分布的连续目标地物仍构成单纯像元；同时使小面积同亮度的地物不能构成纯净像元，只能与周围地物构成混合像元，使得整个像元亮度比目标地物的低。

因此，在进行遥感应用分析时，不同分辨率的遥感影像的分析效率是不一样的，存在一个最佳的分辨率，既可以清晰地分割出人工地物，又可以滤除许多噪声。相反，如果分辨率过低会造成人工地物信息提取困难，过高则会造成噪声过多。

五、小结

综上所述，对于常规的遥感应用工作而言，时间分辨率的选取其一般要求两个重要的时间分辨率保持不变。而光谱分辨率则存在一个最佳值得选取问题，光谱分辨越高往往会造成信息的大量冗余和波段之间相关性太强，进而容易引起数据处理得不到预期的结果。辐射分辨率对遥感应用的影响可以从空间分辨率的角度来分析。空间分辨的选择也存在一个最佳的分辨率，既可以清晰地分割出人工地物，又可以滤除许多噪声。相反，如果分辨率过低会造成人工地物信息提取困难，过高则会造成噪声过多。

参考文献

[1] 杜永明，不同分辨率对遥感影像中识别人造地物的影响。遥感技术与应用，2001,16(4):214～217

[2] 2006年度土地利用动态遥感监测项目技术方案. 国土资源地籍管理司2006年

遥感影像范文第4篇

【关键词】高分卫星 遥感影像 预处理 数据格式转换

随着空间信息技术的发展，对地观测系统也逐渐的从地面、低空发展到太空，并且对观测的连续性、快速性、精确性等有了更为严格的要求。高分一号是我国观测系统的首颗发射卫星，其成功实现了宽覆盖、高精度、稳定度的控制技术，而对于高分二号而言，其成功突破了优于1m的分辨率水平，并且能够具有高定位、快速灵活、机动的能力等特点，对于提升我国空间卫星水平、数据的自给率等这些方面具有非常重要的意义。并且高分O畹某晒κ凳涌炝宋夜空间信息产业的发展，有利的推动了我国国民经济建设与社会的进步。

遥感影像的预处理即为影像数据的纠正与重建的过程，主要是纠正遥感成像过程中，由于传感器外在原因：如姿态的变化、高度、速度等因素造成的遥感影像的几何畸变与变形，并且遥感影像本身在空间、时间及光谱分辨率上的不足，在获取数据的过程中不能够精确的进行信息的记载，很大程度上会降低遥感数据的精度，因此，需要对遥感影像进行遥感数据的预处理。本文是在高分遥感数据的基础上，通过对高分一号卫星数据进行分析，将原始高分数据进行预处理的过程，得到在几何与辐射上真实的图像。

1 高分遥感影像的软件选取

本文中所涉及到的高分遥感预处理软件采用的是ENVI与ERDAS相结合的技术方案。采用这两种软件相结合的方式，其优势在于：首先，ENVI能够通过底层的IDL开发语言进行功能扩展，开发定制自己的遥感平台。其次，ENVI提供了光谱分析工具，使得基于波段与文件的遥感技术完美结合，并且通过图像的配准，可以提供多个图像窗口进行分析，清晰明了、易于操作。再次，通过两者相结合的方式可以将遥感影像与ArcGIS进行一体化整合，对遥感平台进行全方位的应用。最后，通过ERDAS软件进行数据格式的转换。本文首先是通过遥感处理软件对高分遥感数据进行预处理，然后通过photoshop工具对影像进行匀光匀色的调整，最终完成整个预处理过程。

2 高分遥感影像的预处理过程

2.1 预处理流程

文章以正定市高分一号遥感卫星影像为例，演示了高分卫星遥感数据预处理的全过程。

首先是对高分一号2m全色影像与8m多光谱影像进行正射纠正（Orthorectification），纠正影像的倾斜偏差及投影过程中产生的误差，第二步是将正射纠正后的多光谱整景数据与全色整景数据进行配准，是将全色影像作为基准对多光谱影像进行配准，第三步是对配准后的影像进行融合，对影像进行接边线的处理，使得融合后的影像在分辨率上能够达到非常高的精度，第四步利用Photoshop工具，对影像进行颜色平衡的调整，使其能够在色彩上达到较好的效果。通过以上步聚就完成了整个图像预处理的过程，并进行结果的输出。

2.2 正射纠正

正射纠正（Orthographical correction）是纠正了因传感器、地形的起伏不均衡等因素引起的像点元素上的偏移，并利用地面控制点通过相应的数学算法模型来进行实现的过程。正射校正后的影像无论在精度上、影像的特性上以及信息表达上都能达到很好的效果，而且其数据的结构相对简单，并能够改正因地势较大产生的误差。高分影像的正射纠正过程采用依靠高分影像自带的RPC文件和数字高程模型（DEM）来进行数据定位的校正方式。RPC文件实质上是通过将传感器的轨道参数及其他各种物理参数相结合并通过地面的控制点元素解算出来的变换矩阵。

本设计中选择二次多项式的方法进行校正，在ENVI中选择Geometric CorrectionOrthorectificationRPC Orthorectification模块进行纠正，并且选择30m的DEM进行数字高程的校正。

2.3 配准与融合技术

遥感影像的配准（registration）是通过选择地面清晰控制点并按照一定的变换函数及重采样方法对同名像元点进行配准的过程。对配准后的影像需要进行重采样处理以改正输出影像的像元偏差，以此来建立新的图像矩阵，常用的重采样方法有双线性法、三次卷积法、最邻近法等，对于高分一号卫星遥感数据采用双线性内插方法，其主要处理是将同一区域的2m全色影像作为基准对8m多光谱进行校准，该过程可以在很大程度上保留影像原有的几何特征，能够得到精度较高的配准影像。

遥感影像配准的过程是融合的先决条件，其融合过程是将不同传感器、分辨率、波段的数据通过一定的分析算法综合起来的技术。图像的融合算法有：

（1）空间色彩变化法：HIS、PCA等；

（2）代数运算方法：MLT、Brovey、加法运算、比值法等；

（3）空间滤波融合算法：SFIM、HPF、Bretschneider小波变换法等；

（4）其他方法：PCI、光谱响应融合算法等。

对于高分遥感数据，通常采用Pansharpen的融合方法，可以使得融合后的遥感影像既保持了较高的空间分辨率，又具有了多光谱特征的色彩信息，并且使融合后的影像在纹理色彩上信息丰富，空间细节特征上保持较好。

2.4 镶嵌

影像的镶嵌过程是将多于两景的影像进行无缝拼接，完成一幅完整的、大场景影像的过程。本文中利用ENVI软件的Georeferenced Mosaicking功能来完成，主要过程：进行颜色平衡的调整，将RGB的波段设为3，2，1；通过设置影像背景数值对影像的背景黑边进行忽略处理，即将背景值设为0；对两景相邻覆盖影像的镶嵌边缘进行处理，将羽化值设为10。

在镶嵌过程中要注意：

（1）镶嵌之前需选择一张基准影像（Fixde），作为镶嵌过程中对比度匹配及出现跨带问题时镶嵌后输出影像的地理投影、数据类型的基准，并以此作为颜色平衡参考（Adjust）对其他影像进行调整；

（2）镶嵌过程中，任一两景影像间能够有一定区域的重合面，以解决两张影像间的镶嵌线问题，得到视觉上完整的影像。

经过对遥感影像的正射纠正、配准、融合、镶嵌及色彩处理，得到预处理后的遥感影像，给出镶嵌前后的遥感影。

2.4.1 裁剪

图像裁剪的作用是保留所研究区域的影像，并且保证所裁剪部分信息丰富、易于表达等特点，主要分为两部分进行相应的裁剪：掩膜计算及矢量数据的栅格化。掩膜计算裁剪方法是通过已有的图像对被裁剪的影像进行遮掩，裁剪所需大小的影像；矢量数据的栅格化是将矢量数据（即裁剪线）转化为栅格文件，定义矢量数据投影，使其与栅格文件投影一致；在栅格数据中通过将所裁剪的区域设为1与被裁减的影像进行交集处理，输出即为裁剪的结果。

本文中用到的裁剪方式即为矢量数据的栅格化，其裁剪过程需要利用ArcGIS与ENVI协同完成，首先利用Polyline工具在ArcGIS中画出裁剪线，保持裁剪线与影像投影一致；其次将矢量数据的裁剪线保存到ENVI中，利用ENVI的裁剪模块对影像进行裁剪，完成裁剪过程。

2.4.2 大气校正

大气校正是消除了大气干扰、地形等因素的影响，从而获得真实的反射率数据，并对其进行动态监测的过程，这是预处理中比较重要的环节。本设计中通过选择ENVI Classic软件下的BasicTools工具中的Preprocessing―General Purpose Utilities―Dark Subtract进行大气校正，首先选择的是待校正的遥感影像，然后对影像的像素值进行选择，这里选择波段的最小值（Band Minimum），最后选择路径对影像进行的输出。

2.5 数据格式转换

投影变换（Projection Transformation），即为地图投影之间相互转换的方法及理论，根据遥感数据需求进行自定义投影设置。而本文采用的遥感数据是高分一号卫星数据，其影像本身自带WGS84坐标，通过正射纠正的过程，其地理坐标变为UTM投影坐标，利用ArcGIS中的投影变换工具，根据应用要求将其转为需要的投影信息。

3 结语

随着我国高分辨率对地观测系统应用的展开，高分的应用范围已经涉及到各行各业，极大的推进了我国空间信息技术产业的发展。而遥感卫星影像的预处理过程是高分应用在各行业展开的前提与基础，是一个非常重要的环节。

本文通过具体的实例，介绍了高分遥感卫星影像的预处理全过程，其中正射纠正消除了因卫星姿态及其地面起伏引起的缀伪湫蔚奈侍猓为后期影像信息的提取提供了影像的准确度；配准及其融合技术使图像能够达到很高的精度，消除了影像的误差，提高了影像的分辨率；而镶嵌过程则能够使影像更加完整和美观。整个预处理过程相辅相成，为后期的应用及分析过程打下了良好的基础。

参考文献

[1]高分一号.中国资源卫星应用中心[EB/OL].

[2]潘勇.遥感图像数据预处理研究[J].数字技术与应用，2010.

作者单位

遥感影像范文第5篇

植被对于我们来说扮演着重要的角色。它不仅影响地球的各种平衡，在生化循环中还有重要作用。因此。地球植被及其变化一直被各国科学家和政府所关注。[2]

城市植被是地球植被中的一部分，对于保护城市生态环境具有不可忽视的作用。另外，城市绿地是城市生态系统不可缺少的部分，是多种因素作用的结果，更是居民生活水平和城市环境的重要标志。因此开展城市植被生态研究具有重要现实的意义。

遥感主要是根据不同的物体会产生不同的电磁波的响应，从而识别地面上各类地物。具有视域范围广、图像清晰逼真、宏观性强、重复周期短、信息量多、资料收集方便的优点。[1]因此，卫星遥感是监测植被的有效手段。

本文主要针对城市植被信息的提取，从城市遥感的原理和数据源、城市植被信息的提取方法和遥感技术等几方面对基于遥感影像对城市植被信息提取的研究的进展进行论述，并讨论了这些研究的特点和各自存在的一些不足，以及发展的趋势。

1 城市植被及遥感影像光谱特征

1.1 城市植被

城市植被指的是城市里覆盖着的生活植物，即城市内一切自然正常生长以及人工种植的各类植物类型的总称。

1.2 植被遥感影像光谱特征

在蓝色和红色波段，能量很低；在绿色波段附近，会形成一个小的峰值。而在近红外波段，叶肉海绵组织结构有很大的反射表面。

2 城市植被信息提取数据源、遥感影像预处理

2.1 信息提取数据源及其选择

1）Landsat TM影像及ETM+遥感数据。空间分辨率不是很高。

2）MODIS数据，很高的信噪比。

3）美国商业遥感卫星Quick Bird影像，能较清晰的从遥感图像判读出城市绿地。[4]

4）IKONOS遥感数据，全色波段的分辨率为1m，多光谱数据分辨率为4m。[5]

5）此外，遥感数据还有很多类型，比如SPOT影像等。

2.2 卫星影像预处理

研究中遥感影像的预处理包括：几何校正、遥感影像图像增强、截取研究区域、相关性分析等一系列处理，在处理中需根据不同类型不同特点的遥感图像进行不同的预处理。

3 城市植被信息提取的方法

3.1 人机交互方式进行植被信息提取

3.1.1 基于波段的选择进行分类法提取

步骤：

1）实验波段的选择及彩色合成

结合波段的波谱物理特征优先选择几个波段，K-L变换后的第一、第二、第三主成分波段，NDVI植被指数段和K-L变换后的第一主分量加影像的三个波段进行波段间的相关性分析，对该3种波段数据进行假彩色合成，反复比较，选出植被景观目视效果最好的合成的图像。

2）遥感影像的分类及后处理

利用非监督确定图像的最佳类别数；进行监督分类；在计算机分类的基础上，通过目视解译对错分加以纠正；进行空间滤波，消除出现频数过少的像元图斑，得出解译精度。[3]

特点：在信息提取的时候不仅考虑了7个原始的波段数据，而且还包括各主分量、NDVI比值型指数在内的 “衍生”波段数据。也可以采用波段数据组合这样的方法，提高判读和分类的精度。

不足：同物异谱和异物同谱的现象导致了分类精度的下降，所以分类的时各种客观或者主观因素会影响到分类的精度。另外，植被信息的多少随着分类数目的多少而定，也会影响准确度。

3.1.2 高分辨率影像的城市植被提取

步骤：

1）NDVI提取。首先要设NDVI的阈值，大于此阈值为绿地。将提取出来的部分绿地同原图像进行一定的逻辑运算，从原始图像中剔除绿地像元。

2）基于地物光谱响应知识及ISODATA绿地提取

根据非植被的特征，将该类信息提取并剔除，将此时的图像作为新原始图像，通过灰度拉伸后，再进行分类提取。目视解译然后选择绿地样本点，利用非监督ISODATA聚类技术，最后一次提取出绿地信息。[6]

特点：混分现象少，信息提取的精确度高。该方法针对各类地物的特点分别进行处理，当提取出一层信息后，要把它剔除，从而避免对其它信息提取的影响。该方法比较方便，能够在不考虑其他已分出来地物的光谱特征的情况下分辨出具有细微光谱差异的地物。

不足：只对于高分辨率影像效果较好。

3.2 计算机自动提取方式

3.2.1 像元信息分解和神经网络分类相结合的分类模型进行信息提取

步骤：设计出像元信息分解和神经网络分类相结合的分类模型。该模型先考虑通过像元信息分解法（像元信息分解模型认为各种典型地物在空间上是可以重叠的）把绿地从遥感影像中分离出来，再作为分类掩膜，采用BP神经网络分类对其进行分类。此模型在进行初级分类时采用像元信息分解法，在只有少数几类地物分类，有效地排除和避免了提取绿地信息时其它多余信息的干扰和影响。[7]

特点：是一种新的基于像元信息分解和神经网络分类相结合的城市绿地遥感信息自动提取方法。可开展野外遥感调查以提高和验证分类精度。保证了分类时绿地的纯洁度，提高了分类的精度。

不足：NDVI、DEM数据的精确程度会影响信息提取的精度。在进行像元信息分解时，各种典型地物的反射率采用的是标准反射率，所以如果能够测出各典型地物的实际反射率，则分类精度会得到进一步的提高。

3.2.2 基于See5的遥感影像决策树分类

步骤：

1）选择训练和检验样区，并提取图像的植被指数。

2）应用ENVI软件的Decision Tree模块实现影像分类。