高分遥感影像信息处理与信息提取ppt课件

高分遥感影像处理与信息提取 技术 汪闽 提纲 遥感处理与信息提取简介 遥感图像处理 遥感图像分类 遥感图像专题信息提取与目标识别 遥感图像变化检测 遥感信息提取的概念遥感信息提取的概念 遥感信息提取，是遥感成像过程的逆过程，是从遥感 对地面实况的模拟影像中提取有关信息、反演地面原 型的过程。需要根据专业的要求，运用物理模型、解 译特征标志和实践经验与知识，定性、定量地提取出 物理量、时空分布、功能结构等有关信息。 主要方法 应用 数据源 空间 分辨率 光谱 分辨率 时间 分辨率 定量 遥感 反演模型 大气、海 洋、生态 环境动态 监测 MODIS、 AVHRR 低 高 高 遥感 分类 监督与非 监督分类 土地覆盖 与土地利 用、农林 TM、 SPOT4 、 CBERS 中 中 中 目标 识别 分割、模 式识别 城市、军 事、设施 SPOT5、 IKONOS、 QuickBird 高 低 中 以影像为主要类型的空间数据获取能力得到不断提高，而高分 辨率遥感更是逐渐成为了面向社会发展、经济建设、国防安全和社 会大众需求等最重要的空间信息来源，我国中长期科学和技术发展 规划中明确提出要建设高分辨率对地观测系统，系统建成后将全面 应用服务于各行各业。 影像数据处理、分析、理解和决策应用等构 成了遥感应用的技术链，而信息提取与目标识别更是遥感从数据转 换为信息进而开展应用服务的核心技术。由于高空间分辨率遥感影 像的特点，高精度、高效率目标自动识别问题一直是极大的技术难 点，已经是大规模应用的瓶颈 。 高分辨率遥感应用中的主要问题 高分辨率遥感信息提取中的主要问题 应用瓶颈问题：数据量和空间计算复杂性骤增，影像噪声更 为明显，周围环境影响加大，同物异谱和同谱异物现象普遍 存在，这些因素给遥感影像数据处理与分析带来了新的难题 ，极大地影响了高空间分辨率影像信息提取和目标识别的精 度与效率； 如何解决：与传统的主要依赖于波谱信息的处理与分析方法 相比较，必须更多地考虑图像的结构、形态、分布等空间特 征信息，这也是伴随图像理解和高效能计算技术发展的新一 代遥感信息处理与分析技术。 遥感信息提取机理遥感信息提取机理 地学现象与过程地学现象与过程 地学认知地学认知 地面目标 过程时序分解 抽象 空间位置 空间信息 属性特征 波谱信息 时间 时相信息 综合度 综合与分解性 遥感信息遥感信息 地理空间地理空间 影像空间影像空间 高分辨率遥感影像处理 图像 辐射校正 影像 几何纠正、 配准 、影像拼接 影像增强 影像 融合 . 2004-12-17 辐射校正 辐射校正 （ radiometric correction） ： 消除辐射量失 真。利用遥感器观测目标物辐射或反射的电磁能量 时，从遥感器得到的测量值与目标物的光谱反射率 或光谱辐射亮度等物理量是不一致的 ，这是因为测 量值中包含太阳位置及角度条件、薄雾等大气条件 所引起的失真。为了正确评价目标物的反射特性及 辐射特性，必须消除这些失真。引起辐射畸变的因 素：遥感器的灵敏度特性、太阳高度及地形、大气 等。 辐射校正 由遥感器引起的误差或由太阳高度引起 的误差，一般在数据生产过程中由生产 单位根据遥感器参数进行校正，而不需 要用户进行自行处理。 用户一般考虑大 气影响引起的辐射畸变 。 几何校正 图像的几何校正（图像的几何校正（ geometric correction） 是指从具有几何畸变的图像中消除畸变是指从具有几何畸变的图像中消除畸变 的过程，从而建立图像上的像元坐标与的过程，从而建立图像上的像元坐标与 目标物的地理坐标间的对应关系，并使目标物的地理坐标间的对应关系，并使 其符合地图投影系统的过程。其符合地图投影系统的过程。 由遥感器引起的图像几何畸变 几何畸变校正 几何校正的方法 系统性校正 ：当知道了消除图像几何畸变的 理论校正公式 时，可把该式中所含的与遥感 器构造有关的校准数据（焦距等）及遥感器 的位置、姿态等的测量值代入到理论校正式 中进行几何校正。该方法对遥感器的内部畸 变大多是有效的。可是在很多情况下，遥感 器的位置及姿态的测量值精度不高，所以外 部畸变的校正精度也不高。 几何畸变校正 几何校正的方法 非系统性校正 ：利用控制点的图像坐标和地 图坐标的对应关系，近似地确定所给的图像 坐标系和应输出的地图坐标系之间的坐标变 换式。坐标变换式经常采用 1次、 2次等角变 换式， 2次、 3次投影变换式或高次多项式。 坐标变换式的系数可从控制点的图像坐标值 和地图坐标值中根据最小 2乘法求出。 几何畸变校正 几何校正的方法 复合校正： 把理论校正式与利用控制点确定 的校正式组合起来进行校正。 分阶段校 正的方法，即首先根据理论校正式消除几何 畸变（如内部畸变等），然后利用少数控制 点，根据所确定的低次校正式消除残余的畸 变（外部畸变等）； 提高几何校正精度 的方法，即利用控制点以较高的精度推算理 论校正式中所含的遥感器参数、遥感器的位 置及姿态参数。 几何畸变校正 常用的是一种通用的 精校正方法 ， 适合于在地面平 坦，不需考虑高程信息，或地面起伏较大而无高程 信息，以及传感器的位置和姿态参数无法获取的情 况时应用 。有时根据遥感平台的各种参数已做过一 次校正，但仍不能满足要求，就可以用该方法作遥 感影像相对于地面坐标的配准校正，遥感影像相对 于地图投影坐标系统的配准校正，以及不同类型或 不同时相的遥感影像之间的几何配准和复合分析， 以得到比较精确的结果。 几何精纠正的一般过程 1. 收集资料； 2. 导入影像数据； 3. 选取地面控制点（ GCP），确定其空间坐标； 4. 确定纠正所需的几何校正模型； 5. 确定输出影像范围； 6. 插值和像元几何位置变换方法； 7. 像元的灰度重采样 8. 产生纠正后的数字影像 控制点的选取 几何校正的第一步便是位置计算，首先是对所选 取的二元多项式求系数。这时必须已知一组控制 点坐标。 控制点数目的确定 其最低限是按未知系数的多少来确定的。一次多项式有 6 个系数，就需要有 6个方程来求解， 需 3个控制点的 3对坐 标值，即 6个坐标数。 2次多项式有 12个系数，需要 12 个方程（ 6个控制点）。依次类推， n次多项式，控制点的 最少数目为 (n+1)(n+2)/2。 实际工作表明，选取最少数目的控制点来校正图像，效果 往往不好。在图像边缘处，在地面特征变化大的地区，如 河流拐弯处等，由于没有控制点，而靠计算推出对应点， 会使图像变形。因此，在条件允许的情况下，控制点数的 选取都要大于最低数很多。 控制点的选取 控制点选取的原则 一般来说，控制点应选取图像上 易分辨且较精细 的特征点 ，这很容易通过目视方法辨别，如道路 交叉点、河流分叉处、海岸线弯曲处、飞机场、 城廓边缘等。 特征变化大 的地区应多选些。 图像边缘部分 一定要选取控制点，以避免外推。 此外， 尽可能满幅均匀选取 ，特征实在不明显的 大面积区域（如 沙漠），可用求延长线交点的办 法来弥补，但应尽可能避免这样做，以避免造成 人为的误差。 二次多项式校正数学模型 基本数学模型形式 用最小二乘法通过 GCP数据进行曲面拟 合求系数： 待求系数的个数： M=(n+1)(N+2)/2 重采样方法一 对输入图像的各个像元在变换后的输出图 像坐标系上的相应位置进行计算，把各 个像元的数据投影到该位置上 重采样方法二 对输出图像的各个像元在输入图像坐标系的相 应位置进行 逆运算 ，求出该位置上的像元数据 ，保持图像行列数不变。此系目前多数软件中 通常采用的方法。 图像内插法一：最近邻法（ NN ， Nearest Neighborhood） 最近邻法： 以距 内插点最近的观测 点的像元值为所求 的像元值。该方法 最大可产生 1/2像 元的位置误差，但 优点是不破坏原来 的像元值，处理速 度快。 图像内插法二：双线性内插法 （ BL， Bi-Linear） 使用内插点周围的 4个观测点的像元值， 对所求的像元值进行线性内插。该方法 的缺点是破坏了原来的数据，但具有平 均化的滤波效果。 图像内插法三： 3次卷积内插法（ CC， cubic convolution） 使用内插点周围的 16个观测点的像元值，用 3次卷积函 数对所求像元值进行内插。该方法的缺点是破坏了原 来的数据，但具有图像的均衡化和清晰化的效果，可 得到较高的图像质量。 遥感图像配准 图像配准（或图像匹配）是评价两幅或多幅 图像的相似性以确定同名点的过程。图像配 准算法就是设法建立两幅图像之间的对应关 系 ,确定相应几何变换参数 ,对两幅图像中的 一幅进行几何变换的方法。 图像配准 参考图像（主图像） 待配准图像（辅图像） 配准图像 用词说明 各种图像配准的文献都会出现 “ 配准、匹配、 几何校正 ” 三个词，它们的含义比较相似。 一般两幅图像之间用 “ 配准（ register, registration） ” ；寻找同名特征 (点 ) 的过 程叫 “ 匹配（ match, matching） ” ; 根据主 辅图像之间的几何变换关系，对辅图像进行逐 像素处理变为配准图像的过程叫做 “ 几何校正 （ geometric correction） ” 。 配准方法分类 按照配准算法所利用的图像信息，可以分 为 基于区域的方法和基于特征的方法 。基 于区域的匹配主要是模板匹配和基于相位 （频率）的匹配方法；基于特征的匹配包 括基于特征点集的匹配和基于线特征（图 像中边缘信息）的匹配算法。 按自动化程度可以分为人工、半自动和全 自动三种类型 。 模板匹配 模板匹配法是在一幅影像中选取一个的影像 窗口作模板，大小通常为 55或 77，然后通 过相关函数的计算来找到它在搜索图中的坐 标位置。 相似性测度 用以下测度来衡量 T和 Si,j的相似程度： 根据施瓦兹不等式， ，并且在 比值为常数时取极大值为 1。但实际上两幅不同图像的 P值 介于 0和 1之间，很难达到理想值。根据经验取某个阈值 P0 ，如果 P P0，则匹配成功； P河滩地 河流 居民地（城市 县城 乡镇 集村） 菜 地 水田，居民地与河流、菜地易混。 TM2：同 TM1。 TM3：道路 河滩地 城市 河流 乡镇 县城 集村 菜地 水田，城 市与河滩地、河流，乡镇与河流 ,集村与菜地易混。 TM4：菜地 水田 集村 道路 乡镇 河滩地 县城 河流 城市 TM5：道路 菜地 集村 河滩地 乡镇 城市 县城 水田 河流 TM6：城市 县城 乡镇 集村 河流 水田 河滩地 菜地 道路 TM7：道路 城市 乡镇 河滩地 县城 集村 菜地 水田 河流 TM图像上的居民地识别提取 基于光谱知识的居民地提取模型 城镇： TM5TM4 TM4-TM7K2 乡村 TM4-TM5K1 TM3-TM7K2 数据源： DMC+4 “北京一号 ”小卫星系统 基于 GABOR滤波的居民地提取方法 南京师范大学 地理科 学学院 居民地的纹理特征表现 (a) (b) (c) (d) (e) (f) Extraction of several residential areas (from left to right, up to down): (a) source (b)segmentation with Gabor filtering (c)result with opening (d) 1st scale (e) 8th scale (f)13th scale (a) (b) (c) (d) 南京师范大学 地理科学学院 n基于水陆关联信息的桥梁提取 南京师范大学 地理科 学学院 桥梁识别整体框架 1 2 3 4 * 90 船舶提取方法船舶提取方法 高分辨率遥感影像 水体与陆地分割 基于灰度的自动 、半自动分割 基于 SVM的区域 分类 水体与陆地二值分割图像 分割后处理 水体多边形 矢量化与特征表达 船舶基元 水体边界的凸向检测 疑似船舶区域 形体约束：长度、 宽度、长宽比、形 状规整度、面积对 称度 * 91 大型船舶提取方法大型船舶提取方法 五 高分遥感目标识别算法实现 基元归并和目标分类基元归并和目标分类 92 线要素提取 中低分辨率的遥感图像上（如 TM图像） ，道路一般仅为一到几个像素宽，为此 适合采用边缘检测的方式进行提取 。 高分辨率遥感图像上（如 “北京一号 ”小 卫星），道路达到十余个乃至几十个像 素，呈现条带状（为统一起见，我们仍 称其为线状地物）。内部细节信息更为 丰富，造成更为突出的同物异谱现象， 为其自动提取带来更大困难。 在遥感图像特征地物提取中，线状地物 道 路是一个非常重要的课题，无论在民用方面还是军 用方面都具有重要的意义。 道路提取概述：泛概念层次 预处理（校正、滤波） 低层次处理（二值化、灰度、边缘、纹理、顶点、方向等） 中层次处理（特征分析、选择、综合） 高层次处理（知识、智能、规则、学习、理解、识别） 道路目标（标识、表示、应用） 道路提取概述 道路网络提取按实现方式可分为自动与半自动提取两大类 ; 按其实现的步骤，一般可大致分为以下几个基本步骤 : 1）道路特征的增强； 2）道路 “种子点 ”的确定，确定可能的道路点 ; 为此，人们提出了各种道路检测算子，有基于像素分类、 边 缘检测和模板匹配等方法； 3）将 “种子点 ”扩展成段 ; 有基于规则的边缘点自动连接、动态规划等等； 4）道路段的确认、自动连接，并形成道路网络 ; 这一步骤涉及到自动编组算法、顾及上下文知识的连接假设 生成和假设验证、地物语义关系表达、多源数据的融合等高层 次自动图像解译方法。 半自动道路提取 半自动道路特征提取即利用人机交互的 形式进行特征提取和识别，其主要思想 是人工首先提供初始道路点（种子点） 有时还提供初始方向，然后再由计算机 进行处理识别，同时适当进行人机交互 ，这方面已有很多研究，并取得了较好 的效果。 96 国内外研究现状 道路提取一般可以归纳为全自动提取方法及半自 动提取方法。 在全自动提取方面 在半自动提取方面 1）基于平行线对的道路 提取 2）基于二值化和知识的 道路提取 3）基于窗口模型特征的 道路提取 4）多分辨率提取算法 1）基于像素与背景的算子模型的道路提取 2）基于树结构的特征判别模型的道路提取 3）基于最小二乘 B样条曲线的道路提取 4）基于类与模糊集的道路网络提取 5）动态规划方法 6）基于边缘跟踪的方法 7）利用统计和结构信息的提取算法 8） Snakes模型 半自动方法 a) 基于像素与背景的算子模型的道路提 取 c) 基于最小二乘样条曲线的道路提取 d) 基于类与模糊集的道路网络提取 动态规划的方法提取遥感影像道路特征 、应用模板匹配和神经网络半自动道路 特征提取方法 全自动提取方法 基于平行线对的道路提取 基于二值化和知识的道路提取 基于窗口模型特征的道路提取 方法列表（适宜低精度图象） 方法列表 ：（ 适宜高精度图象） 各种道路表现形式 剖面建模 “扫描蛇 ”道路追踪 两种不同的道路色调 道路剖面建模 (1) 1）设某个道路检测连线区间为 : X = 0, k , 则连 线下像元灰度值是位置的函数： 2） 则连线内任意位置的灰度梯度为 ： 3）梯度极大的位置集合定义： 4）梯度极小的位置集合 ： 道路剖面建模 (2) (5) 则可能的道路剖面是 X 上的某个子区间，构 成可能道路剖面集合 道路剖面建模 (3) (6) 做如下特征函数定义 剖面宽度： 剖面灰度最大值 : 剖面灰度最小值： 剖面灰度均值： 剖面外周边环境的灰度均值： 剖面最大灰度差： 剖面和周围地物灰度差： 道路剖面建模 (4) (7) 则合适的道路剖面集合满足如下条件： Ini_w是初始道路宽度， Tw+, Tw-, Tin, Tout 是预先设置 的阈值。其中， Tw+, Tw- 是当前道路宽度和初始宽度的比 值的上下限， Tin是内部灰度差的上限 , Tout是道路内部灰度 和周围环境的灰度差的下限。设置以上参数的依据是道路建 模的假设条件。如果同时有多个合适剖面，可挑选宽度最接 近初始宽度的一个。 算法流程 : 以一条道路为例 步骤 1：设置道路追踪的起始连线 步骤 2：起始连线两侧的剖面分析、追踪得到道路边界 步骤 2.1: 从起始连线开始，根据道路走向 45度方位角为界，区分 横向道路与纵向道路，横向道路选择纵向扫描线，纵向道路选择 横向扫描线 ; 步骤 2.2: 以约 1.2倍起始路宽的宽度（可调节），在某个扫描扇面 的角度范围内，做若干个追踪方向上的剖面检测连线，即派遣若 干条 “扫描蛇 ”；根据剖面的灰度分布、梯度极值、宽度等特征信 息搜索每个蛇节上的合适剖面，并进行投票登记； 步骤 2.3: 选择票数最多的一条蛇，选择其尾部合适剖面作为下一 个开始追踪的剖面位置，并登记道路端点信息； 步骤 2.4: 重复子步骤 1,2,3,直到本次追踪结束； 步骤 3：结果的矢量化表达 实例分析：小卫星全色影象 放大的局部 间断道路提取 南京师范大学 地理科 学学院 交叉道路提取 Quickbird 影象道路提取 115 主动轮廓模型研究 主动轮廓模型（ Active Contour Model ），也称 “ 蛇 ”（ Snakes）模型，是 Kass等人在 1987年提出 的。 模型的主要思想就是从一条初始曲线出发，在一 定规则的约束下，经过不断地演化，运动曲线最 终可以将目标分离出来。这样，在实际应用中结 合一定的先验知识，针对具体的任务，有选择的 利用相关信息，便可以达到更方便、更准确的目 的。 116 主动轮廓模型研究 主动轮廓模型可以表示为定义在 s0,1上的参数曲 线，即： v(s)=(x(s),y(s)。轮廓上的总能量可以定 义为： 117 基于 Snakes模型的道路位置优化 技术路线 118 基于 Snakes模型的道路位置优化 乡村区域道路网提取 正确提取的比率分别为暗道路 94.4%、亮道路 95.0%。在利用 Snakes模型优化之后，均方根误差有 明显下降，暗道路由 4.4下降到 1.2，亮道路由 3.5下降 到 0.9 ，提取结果更加接近于真实道路。 119 基于 Snakes模型的道路位置优化 城郊道路网提取 道路正确识别率约 93.8，通过 Snakes模 型的优化后，均方根误 差由 5.7降低到 1.2 。 120 基于 Snakes模型的道路位置优 化 城市区域道路网络提取 在城市区域，正确识 别率下降到 68.3%。通过 Snakes模型的优化后，均 方根误差由 5.9降低到 1.1 。 121 基于 Snakes模型的道路位置优化 河流网络提取 在算法参数没有修改 的情况下，方法取得了很好 的提取效果，其正确识别率 达到了 93%，显示了方法的 普适性，通过 Snakes模型 的优化后，均方根误差由 5.2降低到 1.1 。 遥感图像变化检测 遥感图像变化检测是利用对同一地区在不同 时期拍摄的两幅遥感图像，采用图像处理和 模式识别等手段，检测出该地区的地物变化 信息的过程 ， 它在环境、农业、水利和军事 等诸多领域都有着非常广泛的应用。 像素级： 比值法、差值法、回归、植被指数 法、主成分分析 等等。 特征级 目标级 123 像素级变化检测 传统的基于像元的变化检测方法，仅从像元本身的光谱特征进 行分析，能够描述与提取的特征非常有限，进而造成变化检测 效果欠佳。 我们从图中所标 注的区域可以看 出，该区域没有 发生变化，但是 却误检为变化区 域，并且结果图 中存在大量的 “ 椒盐 ” 噪声。 (a)第一时相数据 （ b）第二时相数据 （ c）结果图 124 基于多特征证据融合的变化检测 高空间分辨率遥感图像所具有的地物细节明显、光谱混淆现象严 重的特点造成单纯依据图像灰度特征的变化检测方法变得不太适 用。为此，依据更为稳定的图像特征，进行高空间分辨率遥感图 像的变化检测，逐渐成为研究的热点。 不同的视觉特征反映了图像不同侧面并互为补充，单独使用某一 特征进行变化检测都有可能造成漏检或误检 ，为此，应该考虑综 合利用多特征进行变化检测。本方法对边缘、纹理、梯度等多证 据进行证据融合，实现了多种变化证据的综合利用。 125 证据理论简介 证据理论作为一种数学工具，它允许人们对不精确、不确定 性问题进行建模，并进行推理。证据理论可以根据各源信息对 系统整体进行归纳和估计，做出正确的决策 。 证据理论是建立在一个非空集合 U上的理论，称为 U辨别框架 ，它由一系列互斥且穷举的元素组成。对于问题域中任意命题