遥感导论主要内容课件

遥感导论主要内容2第四章遥感图像处理颜色的性质可以由明度、色调和饱和度来描述。红、绿、蓝这三种颜色称为“色光三原色”也称加法三原色。光学基础知识原色减法：三补色(黄，品红，青）全部参与叠加形成黑色，任意其中两种补色相加形成不参与合成的颜色的原色。标准假彩色合成

其中遥感平台位置和运动状态变化的影响包括航高、航速、俯仰、翻滚、偏航等遥感影像变形原因：遥感平台位置和运动状态变化的影响地形起伏的影响地球表面曲率的影响大气折射的影响地球自转的影响数字图像的校正数字图像的校正精校正基本思路最小二乘法在多项式纠正的使用多项式几何纠正根据多项式方程的次数，有最少控制点个数的要求，但控制点选择过程中可能存在随机误差。为了消除随机误差，需要尽可能将更多的控制点信息应用到多项式模型的方程解算当中，因此需要利用最小二乘法将更多的控制点坐标信息应用到多项式方程的求解过程。最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。数字图像的校正计算方法计算校正后各像元的亮度值最近相邻法k=Integer(x+0.5)l=Integer(y+0.5)优点：简单易用，计算量小缺点：精度差，亮度不连续数字图像的校正双线性内插数字图像的校正校正方法精校正利用遥感影像相对于地面坐标（如GPS地面点坐标）的配准校正；利用遥感影像相对于地图投影坐标系统配准校正；利用不同类型或不同时相的遥感影像之间的几何配准；数字图像的辐射校正理想状态下，进入传感器的辐射强度只受两个因素影响：太阳照射到地面的辐射强度地物的光谱反射率实际状态下，还受其它因素的影响（辐射校正的目的就是去除这些影像）：仪器本身的误差大气对辐射的影响数字图像的辐射校正粗校正方法—直方图最小值去除法原理：假设程辐射在同一幅图像的同一个波段上的值是常数（实际上与像元位置有关）在一幅图像上，总可以找到某几处地物，其辐射亮度理论上应接近于0。如实测值不为0，则多出部分应为大气散射导致的程辐射值。方法：将每一波段中每一像元亮度都将去本波段的最小值。数字图像的增强空间滤波平滑用于减小图像的亮度变化，去掉不必要的噪声点数字图像的增强空间滤波锐化(边缘增强）用于突出图像的边缘、线状目标等亮度变化率大的部分数字图像的增强彩色变换HLS变换色调、明度、饱和度（hue、lightness、saturation）数字图像的增强K-L(Karhunen-Loeve)变换（PCT主成分变换）利用影像各波段亮度值间的协方差矩阵构造的线性变换矩阵，从而使影像数据的信息依次向前几个维度集中的影像处理方法。目的：数据压缩-多个波段可以转化为几个主分量波段图像增强-主分量波段的信噪比比原图增大简单的说就是降维、减噪数字图像的增强多光谱变换Kauth-Thomas变换（缨帽、穗帽变换）TasseledCap根据经验确定的变换矩阵将影像的多光谱亮度空间综合变换到由亮度、绿度、湿度三维空间的一种线性特征变换图像处理方法。目标地物的直接判读标志色调（tone）颜色（colour）阴影（shadow）形状（shape）纹理（texture）大小（size）位置（site）图型（pattern）遥感图像目视解译原理遥感图像目视解译原理间接判读标志—目标地物与其相关指示特征间接判读标志—地物及其与环境的关系间接判读标志—目标地物与成像时间的关系TM影像（5号星）波段序号波长/um波段名称地面分辨率10.45~0.52蓝色3020.52~0.60绿色3030.63~0.69红色3040.76~0.90近红外3051.55~1.75短波红外30610.4~12.5热红外12072.08~2.35短波红外30SPOT4影像波段序号波长/um波段名称地面分辨率10.50~0.60绿色2020.61~0.68红色2030.79~0.89近红外2041.5~1.75短波红外20全色0.51~0.73全色10中巴资源一号01、02星高分辨率CCD相机波段序号波长/um波段名称地面分辨率10.45~0.52蓝绿色19.520.52~0.59绿色19.530.63~0.69红色19.540.77~0.89近红外19.5全色0.51~0.73全色19.5遥感图像目视解译基础目视解译步骤准备工作初步解译与建标室内详细判读野外验证与补判目视解译成果的转绘与制图计算机自动分类的实质是根据某一标准，对像元特征空间进行划分，将遥感影像上的每一个像元划分到不同地物类别的过程。分类主要依据地物的光谱特征像素的相似度通常用距离和相关系数作为衡量相似度的指标绝对值距离欧氏距离马氏距离混合距离相关系数分类方法监督分类通过选取有代表性的训练场地作为样本，并依此建立判别函数。应用该函数对非样本像元进行分类选取训练样本是监督分类的前提注意：通常对每类地物都会选N个样本分类方法监督分类最小距离分类分类方法监督分类最近邻域分类法分类方法监督分类特征曲线窗口法分类方法监督分类最大似然比分类法MaximumLikelihoodClassifier分类方法非监督分类不以任何先验知识为依据，纯粹依靠不同光谱数据组合在统计上的差别来进行“盲分类”，事后再对已分出各类的地物属性进行确认的分类方法。非监督分类分级集群法（HierarchicalClustering）用距离评价各个像元在光谱空间上分布的相似程度，把它们合并成不同的集群，即分类结果中不同的类别。非监督分类动态聚类法（ISODATA）分类方法遥感图像的计算机分类监督分类与非监督分类的比较监督分类需要根据训练场提供的特征参数建立判别函数。工作量大，资料收集有难度，费用高，训练场选择较好时，分类质量高。非监督分类不需要任何先验知识，根据地物光谱的统计特性进行分类。费用较低。光谱特征类与唯一地物对应时，分类质量高。地物间光谱特性相差小时，分类质量低。人工智能方法人工神经网络（ANN）主要特征：大规模的并行处理和分布式信息存储具有自适应性和自组织性的非线性系统较强的学习功能、联想功能和容错功能从本质上讲也可以说一种监督分类，因为也有样本参与训练的过程计算自动解译与目视解译的区别与联系，及各自的优缺点联系：都是从遥感图像上获取目标地物的信息区别：目视解译完全靠手工提取，计算机自动解译给定判定准则（算法）后计算机自动处理目视解译的优点在于对专业解译人员而言，能用的判读标志多，使用影像的信息多，解译精度高，其缺点在于手工工作