高分遥感影像处理与应用.doc

高分遥感影像处理与应用 遥感影像处理及应用主要内容? 一、概述? 二、高分辨率遥感影像处理?几何、辐射校正、配准、融合、分割? 三、高分辨率遥感信息提取及目标识别? 四、高分辨率遥感技术应用?城市规划应用?影像检索2纹理清晰内容丰富关系复杂结构特征明显推动传感器技术计算机技术数据处理技术传感器技术、计算机技术、数据处理技术的发展高分遥感影像精细信息提取成为可能。 3?应用难题数据量和空间计算复杂性骤增，影像噪声明显，周围环境影响加大，同物异谱和同谱异物现象普遍存在，给遥感影像处理与分析带来了新的难题，极大地影响了高分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。 4高分辨率遥感应用现状高分遥感影像处理?影像预处理辐射校正、几何校正、影像配准、影像拼接影像预处理辐射校正、几何校正、影像配准、影像拼接?影像增强?影像融合?图像分割?.5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。 ，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。 6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，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，用户一般考虑大气影响引起的辐射畸变用户一般考虑大气影响引起的辐射畸变。 大气校正。 大气校正?野外波谱测试回归分析法?辐射传输方程计算法（6S，Modtran，FLAASH等模型）辐射传输方程计算法（6S，Modtran，FLAASH等模型）?波段对比法（回归分析法、直方图法）?其他的大气校正方法，如黑暗像元法，不变目标法等。 其他的大气校正方法，如黑暗像元法，不变目标法等。 7几何校正传感器的自身性能、技术指标偏离标称值造成的误差，这种误差随传感器的结构不同而不同，反应在遥感图像上，表现为几何位置的变化，比如行列不均匀，像元大小与地面大小对应不准确，地物形状不规则变化等畸变，给定量分析及位置配准造成困难。 遥感数据接收后，首先由接收部门根据遥感平台、地球、传感器的各种参数进行校正处理。 而用户拿到这种产品后，由于使用目的不同或投影及比例尺的不同，仍旧需要作进一步的几何校正。 传感器的自身性能、技术指标偏离标称值造成的误差，这种误差随传感器的结构不同而不同，反应在遥感图像上，表现为几何位置的变化，比如行列不均匀，像元大小与地面大小对应不准确，地物形状不规则变化等畸变，给定量分析及位置配准造成困难。 遥感数据接收后，首先由接收部门根据遥感平台、地球、传感器的各种参数进行校正处理。 而用户拿到这种产品后，由于使用目的不同或投影及比例尺的不同，仍旧需要作进一步的几何校正。 89?几何校正是遥感影像最基础的处理，如果不做几何校正，就几何校正是遥感影像最基础的处理，如果不做几何校正，就无法对遥感影像影像定位，影像无法反应地面地物的几何关系影像无法反应地面地物的几何关系，不同时期不同传感器获取的影像也，不同时期不同传感器获取的影像也无法进行匹配接拼，也无法利用影像进行变化监测。 无法利用影像进行变化监测。 ?总之，没有几何校正的影像就没有什么实用价值。 ?几何定标?模型纠正（多项式模型）?遥感图像配准模型纠正一般过程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10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（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。 11遥感图像配准参考图像（主图像）待配准图像（辅图像）配准图像12配准方法?按照配准算法所利用的图像信息，可以分为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。 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。 按自动化程度可以分为人工、半自动和全自动三种类型。 13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。 ，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。 14相似性测度?用以下测度来衡量T和S i,j的相似程度?其中，并且在比值为常数时取极大值为其中，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之间，很难达到理想值。 根据经验取某个阈值P0，如果PP0，则匹配成功；P ?MmMnMmMnj iMmMnj in m T n m Sn mTnmSP112112,11,),(),(),(),(10?P),(),(,nmTn mSj i15金字塔模板匹配?为了加快搜索速度，很多影像匹配方法使用金字塔影像。 ?对影像进行重采样，原始影像作为金字塔影像的底层。 16?金字塔影像匹配的步骤?第一步顶层的匹配，得到一个平移初始值。 ?第二步根据平移初始值乘以第二层n得到平移量初始值，在它得到平移量初始值，在它mm个像元的邻域内进行模板匹配。 ?第三步根据第二层匹配值乘以n得到第三层平移量初始值，再进行一次模板匹配。 得到第三层平移量初始值，再进行一次模板匹配。 ?如果影像尺寸不是特别大，可以只用两层金字塔。 17基于特征的配准算法?基于特征的算法(feature-based matching)先提取图像显著特征，再进行特征匹配。 大大压缩了图像信息的数据量，同时保持了图像的位移、旋转、比例方面的特征，故在配准时计算量小，速度较快、鲁棒性好。 当两幅图像之间的线性位置关系不明确时，应使用基于特征的匹配。 先提取图像显著特征，再进行特征匹配。 大大压缩了图像信息的数据量，同时保持了图像的位移、旋转、比例方面的特征，故在配准时计算量小，速度较快、鲁棒性好。 当两幅图像之间的线性位置关系不明确时，应使用基于特征的匹配。 ?一般来说特征匹配算法可分为四步:?1.特征提取;?2.特征描述;?3.特征匹配；?4.非特征像素之间的匹配。 18?基于特征的配准步骤?在特征匹配前，首先要从两幅图像中提取灰度变化明显的点、线等特征形成特征集。 在特征匹配前，首先要从两幅图像中提取灰度变化明显的点、线等特征形成特征集。 ?在两幅图像对应的特征集中利用特征匹配算法尽可能的将存在匹配关系的特征对选择出来。 在两幅图像对应的特征集中利用特征匹配算法尽可能的将存在匹配关系的特征对选择出来。 ?通过特征建立两幅图像之间的多项式变换关系，达到以点代面的效果。 通过特征建立两幅图像之间的多项式变换关系，达到以点代面的效果。 ?对于非特征像素点，利用上述多项式变换关系来进行几何校正，从而实现两幅图像之间逐像素的配准。 对于非特征像素点，利用上述多项式变换关系来进行几何校正，从而实现两幅图像之间逐像素的配准。 19SIFT特征匹配算法是目前国内外特征点匹配研究领域的热点与难点，其匹配能力较强，可以处理图像之间发生平移、旋转、仿射变换情况下的匹配问题，甚至在某种程度上对任意角度拍摄图像也具备较为稳定的特征匹配能力。 特征匹配算法是目前国内外特征点匹配研究领域的热点与难点，其匹配能力较强，可以处理图像之间发生平移、旋转、仿射变换情况下的匹配问题，甚至在某种程度上对任意角度拍摄图像也具备较为稳定的特征匹配能力。 基于SIFT特征的图像配准20遥感数据融合?遥感数据的融合主要指不同传感器的遥感数据的融合，以及的遥感数据的融合，以及不同时相的遥感数据的融合。 ?图像融合定义就是将同一区域的多源遥感图像按统一的坐标系统，通过空间配准和内容复合，生成一幅比单一信息源更准确、更完全、更可靠的新图像的技术方法。 图像融合定义就是将同一区域的多源遥感图像按统一的坐标系统，通过空间配准和内容复合，生成一幅比单一信息源更准确、更完全、更可靠的新图像的技术方法。 21图像融合优点?提高影像的空间分解力和清晰度；?提高影像的平面测图精度、分类精度及可靠性；?增强影像的解译和动态监测能力，有效提高遥感影像数据的利用率等；应用领域增强影像的解译和动态监测能力，有效提高遥感影像数据的利用率等；应用领域?数据融合（data fusion）最早被应用于军事领域。 现在的应用领域有多源影像复合、机器人和智能仪器系统、战场和无人驾驶飞机、图像分析与理解、目标检测与跟踪、自动目标识别等等。 数据融合（data fusion）最早被应用于军事领域。 现在的应用领域有多源影像复合、机器人和智能仪器系统、战场和无人驾驶飞机、图像分析与理解、目标检测与跟踪、自动目标识别等等。 22相对于单源遥感数据，多源遥感数据所提供的信息具有以下特点相对于单源遥感数据，多源遥感数据所提供的信息具有以下特点?冗余性多源遥感影像数据对环境或目标的表示、描述或解译结果相同；多源遥感影像数据对环境或目标的表示、描述或解译结果相同；?互补性多源遥感数据提供的信息不同的自由度且相互独立；多源遥感数据提供的信息不同的自由度且相互独立；?合作性不同传感器在观测和处理信息时对其它信息有依赖关系；不同传感器在观测和处理信息时对其它信息有依赖关系；?信息分层的结构特性多源遥感信息可以在不同的信息层次上出现，这些信息抽象层次包括像素层、特征层和决策层。 多源遥感信息可以在不同的信息层次上出现，这些信息抽象层次包括像素层、特征层和决策层。 23?图像融合目的?将单一传感器的多波段信息或不同类别传感器所提供的信息加以综合，消除多传感器信息之间可能存在的冗余和矛盾，实现优势互补，改善遥感信息提取的及时性和可靠性，提高数据的使用效率。 24数据融合原理一般来说，遥感影像的数据融合分为预处理和数据融合数据融合两步。 1、预处理主要包括遥感影像的几何纠正、大气订正、辐射校正及空间配准?几何纠正、大气订正及辐射校正的目的主要在于去处透视收缩、叠掩、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；?在影像空间消除由不同传感器得到的影像在拍摄角度、时相及配准的目的在于分辨率等方面的差异。 影像的空间配准是遥感影像数据融合的前提影像的空间配准是遥感影像数据融合的前提。 25包括基于像元(pixel)级的融合、基于特征(feature)级的融合、基于决策(decision)级的融合。 融合的水平依次从低到高。 1）像元级融合?像元级融合是一种低水平的融合。 ?像元级融合的流程为经过预处理的遥感影像数据数据融合特征提取融合属性说明。 262、融合方法分类优点保留了尽可能多的信息，具有最高精度。 局限性?效率低下由于处理的传感器数据量大，所以处理时间较长，实时性差。 ?分析数据限制为了便于像元比较，对传感器信息的配准精度要求很高，而且要求影像一组同质传感器或同单位的。 ?分析能力差不能实现对影像的有效理解和分析。 ?纠错要求较高由于底层传感器信息存在的不确定性、不完全性或不稳定性，所以对融合过程中的纠错能力有较高要求。 ?抗干扰性差像元级融合所包含的具体融合方法有代数法、主成分变换（PCT）、IHS变换、K-T变换等、小波变换。 272）特征级融合特征级融合是一种中等水平的融合。 在这一级别中，先是将各遥感影像数据进行特征提取，提取的特征信息应是原始信息的充分表示量或充分统计量，然后按特征信息对多源数据进行分类、聚集和综合，产生特征矢量，而后采用一些基于特征级融合方法融合这些特征矢量，作出基于融合特征矢量的属性说明。 特征级融合的流程经过预处理的遥感影像数据特征提取特征级融合（融合）属性说明。 283）决策级融合决策级融合是最高水平的融合。 融合的结果为指挥、控制、决策提供了依据。 在这一级别中，首先对每一数据进行属性说明，然后对其结果加以融合，得到目标或环境的融合属性说明。 决策级融合的优点时具有很强的容错性，很好的开放性，处理时间短、数据要求低、分析能力强。 而由于对预处理及特征提取有较高要求，所以决策级融合的代价较高。 决策级融合的流程经过预处理的遥感影像数据特征提取属性说明属性融合融合属性说明。 294、数据融合方法 （1）代数法1）加权融合法2）单变量图像差值法3）图象比值法30 （2）主成分变换（PCT或K-L变换）PCT的本质是通过去除冗余，将其余信息转入少数几幅影像（即主成分）的方法，对大量影像进行概括和消除相关性。 的本质是通过去除冗余，将其余信息转入少数几幅影像（即主成分）的方法，对大量影像进行概括和消除相关性。 PCT使用相关系数阵或协方差阵来消除原始影像数据的相关性，以达到去除冗余的目的。 对于融合后的新图像来说各波段的信息所作出的贡献能最大限度地表现出来。 过程它将多波段的低分辨率图像进行PCA变换，将单波段的高分辨率图像经过灰度拉伸，使其灰度的均值与方差和PCA变换第一分量图像一致；然后用拉伸过的高分辨率图像代替第一分量图像，经过PCA逆变换还原到原始空间，生成具有高空间分辨率的多波段融合图像。 优点能够分离信息，减少相关，从而突出不同的地物目标。 另外，它对辐射差异具有自动校正的功能，因此无须再做相对辐射校正处理。 31 （3）乘积变换融合法乘积变换融合是应用最基本的乘积组合算法，直接对2种空间分辨率的遥感数据进行融合，其运算法则为其中，B i_new代表融合以后的波段数值（i=1，2，n）；B i_m代表多光谱图像中的任意一个波段数值；B i_h代表高分辨率遥感数据波段值。 乘积变换是由Crippen的4种分析技术演变而来的，Crippen研究表明（Crippen，1989）将一定亮度的图像进行变换处理时，只有乘法变换可以使其色彩保持不变。 _i iBnew Bm Bh?32 （4）Pansharp融合法(PCI Geomaticasoftware)Pansharp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。 适用于8bit，16bit或32bit数据，可以用于相同传感器或不同传感器之间影像的融合。 Pan-sharpening自动融合算法是通过合并高分辨率的全波段影像增强多波段影像的空间分辨率的一种影像融合技术。 此种算法要求两类影像为同平台、同时间(或时间间隔很短)获得的。 33 （5）Gram-Schmidt变换原理Gram-Schmidt(GS)变换是线性代数和多元统计中常用的多维线性正交变换多维线性正交变换。 在任意可内积空间，任一组相互独立的向量都可通过GS变换找到该向量的一组正交基。 设u1,u2,u n是一组相互独立的向量，GS变换构造正交向量v1,v2,v n的方式如下假设v1=u1，依次计算第i+1个正交向量111112,1,2,.,|iii iW ii iW iiiv uproj uuvproj uv inv?式中w i为已经计算的前i个正交向量跨越的空间，proj Wiu i+1是u i+1在w i的正交投影。 第二个向量v2的计算如图所示，其中v1=u1。 34?Brovey变换融合法?K-T变换?小波变换?IHS变换?贝叶斯（Bayes）估计?D-S推理法(Dempster-Shafter)?人工神经网络（ANN）?专家系统融合方式的确定应根据目标空间分布、光谱反射特性及时相规律方面的特征，选择不同的遥感图像数据，它们在空间分辨率、光谱分辨率和时间分辨率方面相互补充，以形成一个更有利的识别环境，来识别所要识别的目标。 专家系统融合方式的确定应根据目标空间分布、光谱反射特性及时相规律方面的特征，选择不同的遥感图像数据，它们在空间分辨率、光谱分辨率和时间分辨率方面相互补充，以形成一个更有利的识别环境，来识别所要识别的目标。 35融合结果评价指标?均值与标准方差在统计理论中，统计均值和标准差分别定义为均值反映平均亮度，如果均值适中，则视觉效果良好；方差反映了灰度相对于灰度均值的离散情况，方差越大，影像的对比度越强。 ?信息熵信息熵的大小，反应了图像携带的信息量的多少。 融合图像的熵值越大，说明融合图像携带的信息量越大。 ?211?/,/ (1)n niii ixn xn?lni iIp p?36融合结果评价指标?偏差度Costantin等人用偏差指数(difference index)来反映融合后图像与原始多光谱图像在光谱信息上的匹配程度。 如果偏差指数D较小，则说明融合后的图像，在提高了空间分辨率的同时，较好地保留了多光谱影像B的光谱信息。 ?扭曲程度图像光谱扭曲程度直接反映了多光谱图像的光谱失真程度，光谱扭曲定义为D越大，说明光谱失真越大。 111|(,)(,)|(,)m ni jI i j I i jDmnIi j?,1|ij i jijD VVn?37?图像的相关系数图像的相关系数反映了融合图像与原多光谱图像的相关程度，通过比较融合前后的图像相关系数，可以看出多光谱图像的光谱信息的改变程度。 两幅幅图像的相关系数定义为式中,f i,j,和g i,j分别为2幅图像上(i,j)点的灰度值；e f与e g为2幅图像的均值。 1/222,(,)()()/()()ijf ij gijf ij gijijijC fg fe ge fe ge?融合结果评价指标38QuickBird波段多光谱原始图像(R:3G:2B:1)QuickBird全色原始图像QuickBird影像融合实验39QuickBird影像融合结果主成分变换融合乘积变换融合比值变换融合PANSHARP融合Gram-schmidt变换融合从视觉效果上看，PanSharp变换和Gram-schmidt变换融合图像不但很好的保留了多光谱图像的绝大部分光谱信息，而且色彩接近自然色，清晰度较高，总体视觉效果良好；主成分变换的地物细节特征最为清晰；乘积变换的清晰度最差；比值变换清晰度比乘积变换的高，但是比其它几种变换的要低。 变换融合图像不但很好的保留了多光谱图像的绝大部分光谱信息，而且色彩接近自然色，清晰度较高，总体视觉效果良好；主成分变换的地物细节特征最为清晰；乘积变换的清晰度最差；比值变换清晰度比乘积变换的高，但是比其它几种变换的要低。 40融合前后的数理统计参数比较?融合后单色影像的熵值普遍都大于原始图像，均达到了信息融合的目的。 ?Gram-schmidt变换融合后，方差和熵值都大于原始图像的相应波段，从而表明融合后图像的动态范围增大，信息量也有所增长，融合效果最佳。 变换融合后，方差和熵值都大于原始图像的相应波段，从而表明融合后图像的动态范围增大，信息量也有所增长，融合效果最佳。 ?其它传统变换融合后的图像的在均值、方差、中值和熵值比较原始图像也有不同的增加，但总体上不如其它传统变换融合后的图像的在均值、方差、中值和熵值比较原始图像也有不同的增加，但总体上不如Gram-schmidt变换融合后的效果好。 41不同影像融合算法参数?主成分变换，PANSHARP变换和Gram-schmidt变换的均值都在128附近，视觉效果较好；附近，视觉效果较好；?PANSHARP变换和Gram-schmidt变换的方差和信息熵明显高于其它融合方法，说明这两种融合方式所成的图像携带了大量信息，融合效果较好；变换的方差和信息熵明显高于其它融合方法，说明这两种融合方式所成的图像携带了大量信息，融合效果较好；?Gram-schmidt变换的扭曲程度和偏差指数是所有融合方法中最小的，相关系数是最大的，说明此变换方法得到的图像与原始图像的匹配度较高，失真较小。 变换的扭曲程度和偏差指数是所有融合方法中最小的，相关系数是最大的，说明此变换方法得到的图像与原始图像的匹配度较高，失真较小。 42图像分割?图像分割，是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。 图像分割，是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。 ?常见的分割技术:阈值分割技术微分算子边缘检测区域增长技术聚类分割技术阈值分割技术微分算子边缘检测区域增长技术聚类分割技术43阈值分割技术?全局阈值技术令位于(x,y)点的象素灰度为f(x,y),选择灰度阈值为则分割的二值图像为选择灰度阈值为则分割的二值图像为:1,(,)(,)0,f xyg xy?其他?44?大津阈值（最大类间方差方法）自动寻找阈值,对图像进行分割。 步骤:假设图像的灰度为1-m级,灰度值为i的象素数为各灰度值的概率:自动寻找阈值,对图像进行分割。 步骤:假设图像的灰度为1-m级,灰度值为i的象素数为各灰度值的概率:inipinN?1()miiN n?用k将其分两组的产生概率:的均值值:阈值用k将其分两组的产生概率:的均值值:阈值0C0C1C1C01C k?11C km?01()kiip k?111()mii kpk?010()()kiiip kk?111()1()mii kipkk?*2argmax()k k?22()()()()1()k kkkk?45?差分算子(梯度，Roberts算子，Sobel算子，Prewitt算子，拉普拉斯算子)?拉普拉斯-高斯算子?Canny算子46微分算子边缘检测46区域增长技术求图像中相似的象素的最大连通集合。 （1）分类按性质向量依赖于单个像素和像素某区域，区域增长可分为单一型链结、混合型链结和质心型链结三种方式。 按性质向量依赖于单个像素和像素某区域，区域增长可分为单一型链结、混合型链结和质心型链结三种方式。 ?单一型链结的区域增长单一型链结的区域增长，其性质向量的值是单一的，即选择的p1,p2等性质只与单一象素(i,j)有关，而与其他象素无关；缺点对噪声敏感；有关，而与其他象素无关；缺点对噪声敏感；47?混合型链结的区域增长混合型链结的性质向量依赖于以当前像素为中心的MM邻域，在相似性准则下，判断象素的属性。 假如我们在选择邻域，在相似性准则下，判断象素的属性。 假如我们在选择Pm(i,j)的时候不仅考虑象素(i,j)，还综和其周围邻域的信息，这种方式称为混合型链结的区域增长。 ，还综和其周围邻域的信息，这种方式称为混合型链结的区域增长。 48?质心型链结的区域增长质心型链结的区域增长的基础是单个象素的性质值和某相邻区域的性质值作比较，若充分相似则将该象素与之合并。 质心型链结的区域增长的基础是单个象素的性质值和某相邻区域的性质值作比较，若充分相似则将该象素与之合并。 聚类分割技术?适用在模式类别数不清楚时，用聚类分析比较好，可以用相似性和距离量度作为聚类分析准则。 适用在模式类别数不清楚时，用聚类分析比较好，可以用相似性和距离量度作为聚类分析准则。 ?原则:?第1步用适当的相似性准则对图像进行分类；?第2步对第一步分类结果测试,对各簇(子集)进行合并；?第3步反复对生成的结果再分类,测试和合并,直到没有新的簇直到没有新的簇(或子集)进行合并；其中，相似性准则可取点积,加权欧式距离等。 49 三、高分遥感信息提取与目标识别50高分遥感影像信息提取方法可以分为三类数据驱动的方法、模型驱动的方法、知识驱动的方法。 三类方法只是侧重点不同，互相之间会有交叉。 5152信息提取总体框架?面向对象多尺度多层次影像分割?对象上下层及空间邻接关系建立?对象光谱、形状、纹理特征提取?基于对象特征的影像分类?基于知识规则的典型目标提取?基于对象特征的变化检测面向对象的多尺度多层次影像分割222(,)G VE111(,)G VE000(,)G VE基于最小生成树的初始分割原始影像构造影像图模型000(,)G VE111(,)G VE基于区域统计相似性的多层次分割(,)n nnG VE(,)iiiG VE输出各层次分割结果图关键技术153面向对象的多尺度多层次影像分割5455关键技术2特征提取与特征选择?对象光谱特征均值、标准偏差、植被指数；?对象形状特征面积、周长、长、宽、矩形度、形状指数等；对象形状特征面积、周长、长、宽、矩形度、形状指数等；?对象纹理特征熵、方差、LBP、灰度共生矩阵等；?上下文关系拓扑关系、空间相关性、组合关系等；56关键技术3?知识库目标样本影像库、目标特征库、规则库等；知识库目标样本影像库、目标特征库、规则库等；?识别模型构建因目标、方法不同而异。 知识库与识别模型构建57案例1水体提取58案例2植被提取第59页案例3道路网提取与更新相对于地面测量、航空影像的摄影测量方法，高分辨率卫星遥感影像的路网提取与更新的优点1.大覆盖范围；2.数据的现势性好；3.成本较低方法1.高分遥感影像的路网自动提取；方法2.地图数据引导的高分遥感影像路网更新方法1.高分遥感影像的路网自动提取；方法2.地图数据引导的高分遥感影像路网更新第60页案例3道路网提取与更新面向对象的多特征分析利用了道路的?光谱?纹理?形状?拓扑等特征提取的完整率和准确率可达85%和93%1.高分遥感影像的道路网自动提取武汉市三环线第61页2.地图数据引导的高分遥感影像路网更新利用已有地图的道路矢量作为初始值辅助引导，结合遥感影像道路特征的识别，自动检测两种异源数据中道路的变化差异，包括新增、消失和变化的道路段，更新并矢量化道路网络图层，可获取更加完整准确的路网信息。 利用已有地图的道路矢量作为初始值辅助引导，结合遥感影像道路特征的识别，自动检测两种异源数据中道路的变化差异，包括新增、消失和变化的道路段，更新并矢量化道路网络图层，可获取更加完整准确的路网信息。 案例3道路网提取与更新案例46263建筑物自动检测的结果A fewmillions ofpoints canbe processedin about3-5seconds646566Result ofcar recognition67案例9收费站提取（a）原图（b）分割结果图（c）桥梁识别结果案例10水上桥梁识别6869案例11船舶提取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、面积对称度在规划咨询中的应用淄博市某项目规划咨询示意图（以xx年QuickBird影像为底图）在规划设计的前期现状调查期间，高分辨率遥感影像图提供了大量的信息，以直观、详实的影像反映了许多实地踏勘中的盲点。 同时，利用高分辨率影像图作为规划底图，使规划内容与周边环境的关系更加清晰，在旧区改造、历史古建筑保护、城市重点区域和地区标志性建筑的规划设计中可以发挥十分重要的作用。 71（一）遥感与城市规划在规划设计中的应用利用遥感技术可以检测土地利用类型的变化，这对于研究土地利用现状，为资源规划、管理、保护和合理利用提供科学的依据具有重要意义。 此外，近年来遥感信息已成为城市规划基础地理信息的重要组成部分遥感信息已成为城市规划基础地理信息的重要组成部分，采用影像图作为规划成果的背景图，通过遥感应用机构提供的技术支持与服务，可以实现空间信息的查询、分析和应用，从而大大增加规划设计的深度和广度。 1956年1976年1996年72城市基础地理数据获取?区域主要地貌类型、城镇形态?区域地质构造?水系分布xx年北京奥运场地建设时城市规划所采集的卫星影像73在土地利用状况调查应用?监测城市土地利用现状以及土地利用动态变化。 ?方法分类和变化监测?应用更新地理地图、辅助城市规划管理（监测规划实施状况、监测耕地利用情况、调查闲置土地）74土地覆盖变化监测75城市建设调查应用?城市建设包括建筑物、道路交通、基础设施、旅游文化开发区等等。 ?建筑物估算建筑物密度、容积率（可进一步估算人口）；?在建工地施工状况调查；76?从立体航空相对上量测主要建筑物、古城墙各处的高程，进行通视分析等规划应用。 ?提取受灾破坏的建筑物，估算受灾损失;?重建规划；77交通规划和动态监管；道路交通道路网提取；施工占路状况、露天停车场数量；78?旅游文化开发区风景旅游景观、文物古迹的调查、历史古建筑物保护；79城市生态环境调查应用?大气气溶胶、大气污染?可直接统计出市区所有锅炉、烟囱的分布，分析与烟尘、废气排放量之间关系，考虑城市气象、地形风速、风向等因素，辅助工业和住宅规划。 80?绿地植被调查绿地分布、植被分类、植被吸碳与产氧量分析。 辅助城市规划城市风景区公共绿地、专业绿地和防护绿地的用地范围，合理安排整个城市的绿地系统。 81?城市污染调查?土地废弃物（生活垃圾、工业垃圾、建筑垃圾、混合垃圾等)；?水质污染（地表水污染的识别，排污点的分布，治理污染工厂）；?热污染（城市热岛与大气下垫面的类型、空间分布）82在规划成果展示中的作用宝坻城区规划博山城区规划效果图利用遥感像片生成的数字高程模型和数字正射影像可快速生成城市景观现状数字地面模型城市景观现状数字地面模型，在数字地面模型上可以随意添加、删除、修改建筑、树木、路灯等地面上看见得地物模型，参观者可以在虚拟现实的环境中自由行走、任意观看，给参观者带来难以比拟的真实感和现场感，使他们获得最真实的视觉感受。 83在规划评审中的应用由于城市三维景观具有直观性、可视性、实用性等的特点，并且包含了地理信息，不仅能为城市规划提供了较好的服务，而且能进行方案的评审。 某市某规划建筑与周围环境关系示意图84（二）高分辨率遥感影像检索?需求分析?随着传感器和信息技术的发展，遥感影像的空间分辨率越高，在国民生产生活中的应用日益广泛。 但是遥感影像具有数据量大，更新速度快的特点，随着时间的积累，遥感影像数据库容量急剧膨胀，导致了我们难于对隐含其中的目标或信息进行快速的查找、发掘与利用，因此遥感影像检索的需求日益突出。 随着传感器和信息技术的发展，遥感影像的空间分辨率越高，在国民生产生活中的应用日益广泛。 但是遥感影像具有数据量大，更新速度快的特点，随着时间的积累，遥感影像数据库容量急剧膨胀，导致了我们难于对隐含其中的目标或信息进行快速的查找、发掘与利用，因此遥感影像检索的需求日益突出。 85影像融合?受传感器本身的限制，人们只能同时获取高空间分辨率的全色影像受传感器本身的限制，人们只能同时获取高空间分辨率的全色影像(panchromatic image,PAN)和高光谱分辨率的多光谱影像和高光谱分辨率的多光谱影像(multi-spectral image,MS)，因此影像融合技术的出现为人们综合利用两者的信息开辟了新途径。 ，因此影像融合技术的出现为人们综合利用两者的信息开辟了新途径。 ?通过将多光谱影像的光谱信息和全色影像的空间细节信息结合起来，得到同时具有高空间分辨率和光谱分辨率的融合影像，为影像分类、模式识别、影像检索等应用提供数据基础。 通过将多光谱影像的光谱信息和全色影像的空间细节信息结合起来，得到同时具有高空间分辨率和光谱分辨率的融合影像，为影像分类、模式识别、影像检索等应用提供数据基础。 86CBIR+面向对象?步骤先对影像进行分割，然后计算每个对象的特征，如颜色、纹理、形状等，构成描述单个对象特征的特征向量，然后通过比较特征向量的相似度来实现检索。 步骤先对影像进行分割，然后计算每个对象的特征，如颜色、纹理、形状等，构成描述单个对象特征的特征向量，然后通过比较特征向量的相似度来实现检索。 ?这种方法首先依赖于图像分割算法，需要分割出具有典型意义的对象这种方法首先依赖于图像分割算法，需要分割出具有典型意义的对象，分割结果的好坏直接影响到最后的检索精度；其次每个对象是独立对待的，不同的对象也可能具有同样的特征向量，难以准确描述影像内容。 ，分割结果的好坏直接影响到最后的检索精度；其次每个对象是独立对待的，不同的对象也可能具有同样的特征向量，难以准确描述影像内容。 87CBIR+对象关联模式?考虑到高分辨率遥感影像大多具有较强的纹理，对象可能频繁地同时出现，对此采用考虑到高分辨率遥感影像大多具有较强的纹理，对象可能频繁地同时出现，对此采用基于对象关联模式基于对象关联模式的遥感影像检索方法?首先对融合影像进行影像分割获取对象，然后利用数据挖掘的方法寻找对象关联模式，在此基础上实现遥感影像检索。 ，然后利用数据挖掘的方法寻找对象关联模式，在此基础上实现遥感影像检索。 ?在分割后的影像上，我们称频繁出现的对象为模式，而频繁出现的空间分布为关联模式，也即是频繁出现的多个对象。 ，而频繁出现的空间分布为关联模式，也即是频繁出现的多个对象。 ?由n个对象构成的关联模式称为n阶关联模式，特别的，当阶关联模式，特别的，当n=1时，此时只有一个对象，关联模式退化为模式，但也仍然称为时，此时只有一个对象，关联模式退化为模式，但也仍然称为1阶关联模式。 88对象关联模式检索原理?若在一幅分割后的影像上，某一种或几种关联模式频繁地出现，即可若在一幅分割后的影像上，某一种或几种关联模式频繁地出现，即可认为该影像主要由这些关联模式组成。 认为该影像主要由这些关联模式组成。 ?对于同一种类型的影像，若两幅影像具有相同的地物，则其关联模式会比较相近，因此通过比较影像的关联模式，可以实现影像检索。 对于同一种类型的影像，若两幅影像具有相同的地物，则其关联模式会比较相近，因此通过比较影像的关联模式，可以实现影像检索。 89检索案例数据准备?QuickBird影像库影像的获取时间为影像库影像的获取时间为xx年6月20日，全色影像的空间分辨率为日，全色影像的空间分辨率为0.61米，多光谱影像包含4个波段，空间分辨率为2.44米。 选取其中的红绿蓝三个波段合成影像进行实验。 融合影像大小为米。 选取其中的红绿蓝三个波段合成影像