个人介绍
遥感图像解译 秦军
专业大类: 测绘科学与技术
专业: 摄影测量与遥感

用计算机处理的遥感图像必须是数字图像。以摄影方式获取的模拟图像必须用图像扫描仪等进行模/数(A/D)转换;以扫描方式获取的数字数据必须转存到一般数字计算机都可以读出的CCT等通用载体上。计算机图像处理要在图像处理系统中进行。图像处理系统是由硬件(计算机、显示器、数字化仪、磁带机等等)和软件(具有数据输入,输出,校正,变换,分类等功能)构成。图像处理内容主要包括校正、变换和分类。本系列介绍了遥感图像解译的基本理论和方法及人机交互图像解译的教材,以地物信息传递问题和遥感图像解译为主要内容。

教师团队

秦军 教授

单位:西南交通大学

部门:西南交通大学

职位:教授

遥感影像的分辨率

空间分辨率(Spatial Resolution)又称地面分辨率。后者是针对地面而言,指可以识别的最小地面距离或最小目标物的大小。前者是针对遥感器或图像而言的,指图像上能够详细区分的最小单元的尺寸或大小,或指遥感器区分两个目标的最小角度或线性距离的度量。它们均反映对两个非常靠近的目标物的识别、区分能力,有时也称分辨力或解像力。

光谱分辨率(Spectral Resolution)指遥感器接受目标辐射时能分辨的最小波长间隔。间隔越小,分辨率越高。所选用的波段数量的多少、各波段的波长位置、及波长间隔的大小,这三个因素共同决定光谱分辨率。

光谱分辨率越高,专题研究的针对性越强,对物体的识别精度越高,遥感应用分析的效果也就越好。但是,面对大量多波段信息以及它所提供的这些微小的差异,人们要直接地将它们与地物特征联系起来,综合解译是比较困难的,而多波段的数据分析,可以改善识别和提取信息特征的概率和精度。

辐射分辨率(Radiant Resolution)指探测器灵敏度——遥感器感测元件在接收光谱信号时能分辨的最小辐射度差,或指对两个不同辐射源的辐射量的分辨能力。一般用灰度的分级数来表示,即最暗——最亮灰度值(亮度值)间分级的数目——量化级数。它对于目标识别是一个很有意义的元素。

时间分辨率(TemporalResolution)是关于遥感影像间隔时间的一项性能指标。遥感探测器按一定的时间周期重复采集数据,这种重复周期,又称回归周期。它是由飞行器的轨道高度、轨道倾角、运行周期、轨道间隔、偏栘系数等参数所决定。这种重复观测的最小时间间隔称为时间分辨率。

遥感影像的处理

这种方案应用还算比较用的,如果不用这种方案,在缩放的时候就会速度很慢,但是会比较占硬盘,特别是1个多G的数据的时候。一般是2倍缩放,但是这种方案不知道是取平均还是直接取4个像素中的某个,按理说第二种是可行的,如果仅仅是显示的话,因为具体选点的时候,如果仅在2倍大小选点的话,还是有0.5个像素的选点误差。

这种方案使得拖动较为流畅,但是还是有缝的,即拖动的时候会有黑块出现,这样处理的方案是再拖动的时候,计算出需要显示的东东,存储在某个对象中,显示时交换即可。改进方案,因为屏幕一般不过1280×1024,如果以显示的部分为中心,读取9倍大小的影像块(内存要的也不过10M),这样在拖动的时候,不管怎么拖动都在影像范围内,这样拖动就会显得无缝,在拖动时,还是需要一个缓存,来存储要需用的区域,拖动完的时候进行交换。

可以在生成金字塔影像的时候,对影像的各个波段进行计算,获取其灰度分布直方图,然后显示的时候进行实时计算,将原始格式转换为8位位图。

当前的方案是最占硬盘的,将影像的底层也计算到了金字塔之中。而且没有用到帧缓存技术,使得拖动的时候出现跳帧,唉,理论分析很简单,工程实现麻烦。

校正处理 图像校正是指从具有畸变的图像中消除畸变的处理过程,消除几何畸变的叫几何校正;消除辐射量失真的叫辐射校正。

遥感影像的特点

可提取颜色或灰度或波段间的亮度比等目标物的光谱特征,例如Landsat的MSS有四个波段,根据某类地物的光谱特征,采用特定的比值可将其突出出来。

把目标物的形状、大小、或者边缘,线性构造等几何性特征提取出来,例如把区域断层明显突出出来。

是指周期性图案及区域的均匀性等有关纹理的特征。根据构成图案的要素形状、分布密度、方向性等纹理进行图像特征提取的处理叫做纹理分析。

利用遥感图像进行分类,就是对单个像元或比较匀质的像元组给出对应其特征的名称,其原理是利用图像识别技术实现对遥感图像的自动分类。计算机用以识别和分类的主要标志是物体的光谱特性,图像上的其它信息如大小、形状、纹理等标志尚未充分利用。

在计算机分类之前,往往要做些预处理,如校正、增强、滤波等,以突出目标物特征或消除同一类型目标的不同部位因照射条件不同、地形变化、扫描观测角的不同而造成的亮度差异等。

计算机图像分类方法,常见的有两种,即监督分类和非监督分类。监督分类,首先要从欲分类的图像区域中选定一些训练样区,在这样训练区中地物的类别是已知的,用它建立分类标准,然后计算机将按同样的标准对整个图像进行识别和分类。它是一种由已知样本,外推未知区域类别的方法;非监督分类是一种无先验(已知)类别标准的分类方法。对于待研究的对象和区域,没有已知类别或训练样本作标准,而是利用图像数据本身能在特征测量空间中聚集成群的特点,先形成各个数据集,然后再核对这些数据集所代表的物体类别。

与监督分类相比,非监督分类具有下列优点:不需要对被研究的地区有事先的了解,对分类的结果与精度要求相同的条件下,在时间和成本上较为节省,但实际上,非监督分类不如监督分类的精度高,所以监督分类使用的更为广泛。

参考教材



课程评价

课程章节
提示框
提示框
确定要报名此课程吗?
确定取消