一种简单的遥感影像位置精度的评定方法
测绘技术中影像配准与配准精度评价方法
测绘技术中影像配准与配准精度评价方法引言：随着科技的不断发展，测绘技术在不同领域中的应用也变得越来越广泛。
其中，影像配准是一项至关重要的技术，它能够将不同源的影像进行精确定位和叠加，实现空间信息的整合与分析。
本文将探讨测绘技术中影像配准的方法以及如何评价配准精度。
一、影像配准方法：1. 特征匹配法：特征匹配法是最常用的影像配准方法之一。
此方法依靠提取影像的特征点，并通过比较两幅影像的特征点位置来进行匹配。
其中，SIFT（尺度不变特征转换）和SURF（加速稳健特征）是常用的特征提取算法。
这些算法能够提取关键点并计算特征描述子，通过计算特征之间的距离来实现匹配。
2. 控制点法：控制点法是一种基于已知参考点坐标进行配准的方法。
在控制点的帮助下，通过对图像坐标系与地理坐标系的转换，找到两幅影像之间的空间变换关系。
这项方法适用于需要高精度配准的任务，如航空影像和高分辨率遥感影像。
3. 区域匹配法：区域匹配法是一种通过比较影像中相同区域或特征的亮度、颜色等特征来进行配准的方法。
该方法适用于影像中存在较强纹理信息的情况，如城市建筑物和自然地物等。
二、配准精度评价方法：1. 重叠区域比较法：重叠区域比较法是一种简单而直观的配准精度评价方法。
该方法通过选择两幅影像的重叠区域，计算重叠区域中特征点的重合度来评价配准结果的准确性。
重合度越高，说明配准效果越好。
2. 控制点残差法：控制点残差是评价影像配准精度的常见指标之一。
该方法首先利用已知的控制点进行配准，然后计算配准后的影像与控制点之间的残差值。
残差值越小，说明配准结果越精确。
3. 影像差异度法：影像差异度是一种基于图像像素值差异的评价方法。
它通过计算配准前后两幅影像的像素值差异来评估配准的精度。
常见的影像差异度指标包括互信息和相对误差等。
结论：影像配准是测绘技术中至关重要的一项工作。
本文介绍了特征匹配法、控制点法和区域匹配法这三种常见的影像配准方法，并探讨了重叠区域比较法、控制点残差法和影像差异度法这三种评价配准精度的方法。
遥感图像配准技术与精度评定方法
遥感图像配准技术与精度评定方法引言：遥感图像是通过卫星、飞机等空中平台获取的地球表面的影像数据，它在各个学科领域中有着广泛的应用。
在实际应用中，遥感图像配准技术是一项关键的技术，它能够将多幅图像进行几何校正，以确保它们在同一坐标系下具有一致的几何特征，进而提高遥感影像的解译和分析的准确性。
本文将介绍遥感图像配准技术的原理和方法，并探讨相应的精度评定方法。
一、遥感图像配准技术原理遥感图像配准技术的基本原理是通过提取图像中的特征点，并通过匹配这些特征点来实现图像的几何校正。
根据匹配的原理和方法的不同，遥感图像配准技术可以分为点特征匹配法、区域特征匹配法和基于控制点的配准法等。
1. 点特征匹配法点特征匹配法是基于图像中的离散像素点进行配准的方法。
它通过寻找同一地物的相应像素点，并计算它们之间的几何变换关系来实现图像配准。
这种方法的优点是计算简单，但对于遥感图像中存在复杂地物和纹理的情况，点特征匹配法的效果较差。
2. 区域特征匹配法区域特征匹配法是基于图像中的纹理和结构信息进行配准的方法。
它通过提取图像中的区域特征，并计算它们之间的相似性来实现图像配准。
这种方法的优点是对遥感图像中的复杂地物和纹理有较好的适应性，但计算复杂度较高。
3. 基于控制点的配准法基于控制点的配准法是通过已知位置的控制点来实现图像配准。
它通过提取图像和参考影像中的控制点，并计算它们之间的变换关系来实现图像配准。
这种方法的优点是精度较高，但需要准确的控制点信息。
二、遥感图像配准技术方法遥感图像配准技术的方法多种多样，下面将介绍几种常用的方法。
1. 特征点提取与匹配该方法通过使用特征点检测算法（如SIFT、SURF等）来提取图像中的特征点，再使用特征点匹配算法（如RANSAC等）来进行特征点的匹配，以实现图像的配准。
2. 多尺度配准该方法通过使用金字塔多尺度图像处理方法，将原始图像金字塔进行分解，然后将不同层次的图像进行配准，逐步实现图像的几何校正。
遥感图像的精度评估方法与操作技巧
遥感图像的精度评估方法与操作技巧导言随着遥感技术的不断发展和应用，遥感图像的精度评估成为了一个重要的研究领域。
通过对遥感图像的精度评估，我们可以了解图像在空间和时间上的准确性和可靠性，为各种遥感应用提供科学依据。
本文将介绍遥感图像的精度评估方法与操作技巧。
一、遥感图像的精度评估方法1. 基于地面控制点的精度评估该方法通过选择具有准确地理位置信息的地面控制点，并将其在遥感图像中对应的像素位置进行匹配，计算其坐标误差或特征点匹配精度。
常用的方法包括最小二乘法、地理位置码（GCP）法和光谱信息法等。
2. 基于参考数据的精度评估该方法通过将遥感图像与具有高精度的参考数据进行对比，计算图像的分类精度或准确性指标。
常用的方法包括混淆矩阵法、准确性指数法和Kappa系数法等。
3. 基于影像质量评价的精度评估该方法通过对遥感图像的影像质量进行评价，并将评价结果作为图像精度的间接指标。
常用的方法包括噪声分析、模糊度评估和直观评价等。
二、遥感图像的精度评估操作技巧1. 数据预处理在进行遥感图像的精度评估之前，需要进行一些必要的数据预处理。
包括图像去噪、几何校正和辐射校正等。
这些预处理操作能够提高图像的质量和准确性，为后续的精度评估奠定基础。
2. 控制点的选择与采集控制点的选择对遥感图像的精度评估至关重要。
在选择控制点时，应保证其具有准确的地理位置信息，并且分布均匀。
采集控制点时可以借助GPS定位设备和高分辨率影像来提高采集效率和精度。
3. 参考数据的获取对于基于参考数据的精度评估方法，需要获取具有高精度的参考数据。
可以通过现场调查、GPS测量和地面真实标记物等方式获得。
在选择参考数据时，应与遥感图像的内容和分辨率相匹配，确保评估结果的准确性。
4. 精度评估指标计算在进行遥感图像精度评估时，需要计算相应的指标。
根据评估的目的和要求，可以选择适合的指标，如分类精度、位置精度、辐射精度等。
对于不同的指标，需要使用相应的计算公式或软件工具进行计算。
使用测绘技术进行遥感影像分类精度评估的步骤和技巧
使用测绘技术进行遥感影像分类精度评估的步骤和技巧概述：遥感影像分类是解释和分析遥感数据的重要环节，它可以揭示地表覆盖类型、变化和空间分布信息。
然而，对于遥感影像的分类结果，我们需要进行精度评估，以验证分类的准确性和可信度。
在这方面，测绘技术发挥着重要的作用，本文将介绍使用测绘技术进行遥感影像分类精度评估的步骤和技巧。
一、选择合适的样本数据在进行遥感影像分类精度评估之前，我们需要选择一部分合适的样本数据。
通常情况下，样本应该代表地物覆盖类型的多样性，以及地物边界的复杂性。
这样一来，我们可以通过样本数据来评估分类算法对不同类型地物的识别能力。
对于大尺度遥感影像，我们可以使用常见的系统抽样方法，选择代表性的样本点，对于高分辨率遥感影像，我们可以通过空间插值等方法来获取样本数据。
二、制定评估指标和准则在进行遥感影像分类精度评估之前，我们需要制定一些评估指标和准则。
评估指标可以包括分类的准确性、召回率、精确度等。
准则可以根据不同的研究目标和需求制定，例如，对于土地利用分类，我们可以根据国家土地利用数据库进行评估，对于森林植被分类，我们可以参考现场调查数据进行评估。
通过制定评估指标和准则，我们可以对分类结果进行客观和一致性的评估。
三、进行遥感影像分类在进行遥感影像分类之前，我们需要选择合适的分类算法和参数。
常见的分类算法包括最大似然法、支持向量机、决策树等。
在选择分类算法和参数时，我们需要综合考虑数据类型、分类对象的复杂性、地物覆盖类型的多样性等因素。
一般情况下，我们可以通过交叉验证等方法来确定最适合的分类算法和参数。
四、进行分类精度评估在进行分类精度评估时，我们可以使用测绘技术来验证分类结果。
常见的测绘技术包括现场实地调查、GPS定位、航空摄影测量等。
通过现场实地调查，我们可以对分类的准确性和可信度进行验证，通过GPS定位，我们可以获取样本点的准确位置信息，通过航空摄影测量，我们可以获取真实地物边界信息。
如何进行卫星遥感影像的几何校正与精度评定
如何进行卫星遥感影像的几何校正与精度评定卫星遥感影像的几何校正与精度评定是遥感技术中非常重要的一项工作，它能够提高遥感影像的准确性和可信度。
本文将介绍卫星遥感影像几何校正和精度评定的基本原理和方法。
一、卫星遥感影像的几何校正卫星遥感影像的几何校正是指将原始影像转换为具有精确几何关系的图像的过程。
这是因为卫星遥感影像在获取过程中，由于各项误差的存在，常常呈现出几何畸变的情况。
几何校正的目的是消除这些误差，使得影像能够准确地反映地面实际情况。
几何校正的方法一般可以分为两种：地面控制点法和模型法。
地面控制点法是通过选择并测量地面上的控制点，并与影像中的对应点进行匹配，计算出转换参数，然后进行校正。
模型法是利用数学模型对影像进行几何校正，常用的模型有多项式模型和分层多项式模型。
这些方法都需要借助于地面控制点或其他辅助数据来进行几何校正。
除了几何校正，影像还需要进行辐射校正。
辐射校正是将原始影像转换为可以反映地物辐射特性的高光谱数据。
常见的辐射校正方法有大气校正和地表反射率校正。
大气校正是去除大气吸收和散射对影像造成的影响，地表反射率校正是消除影像中的地物纹理和细节。
二、卫星遥感影像的精度评定卫星遥感影像的精度评定是判断影像准确性和可靠性的一项工作。
它可以通过对比影像与已知真实数据进行对照，计算出各种误差指标来评价影像的精度。
影像的精度评定主要包括几何精度评定和辐射精度评定两个方面。
几何精度评定主要是通过计算影像的地面分辨率、地面形状和位置精度等指标来评估影像几何特征的精度。
辐射精度评定则是通过计算影像的辐射定标系数、重现性等指标来评估影像的辐射特性的精度。
在进行精度评定时，需要借助于地面控制点、高分辨率遥感影像或其他精确数据，进行对比和验证。
通过计算各个指标，并进行统计分析，可以得出影像的精度评定结果。
三、卫星遥感影像几何校正与精度评定的重要性卫星遥感影像的几何校正和精度评定对于遥感应用具有重要的意义。
测绘技术如何进行遥感影像分类精度评定
测绘技术如何进行遥感影像分类精度评定测绘技术在现代科技发展中扮演着至关重要的角色。
遥感影像分类精度评定是测绘技术中的一个重要环节。
本文将从测绘技术的发展背景、遥感影像分类精度评定的基本概念和方法、实际应用案例等方面进行论述。
一、测绘技术的发展背景随着科技进步和信息化时代的到来，人们对地球及其资源的认知和需求也逐渐提升。
测绘技术应运而生，成为人们获取地理信息的重要手段。
遥感影像作为测绘技术的重要组成部分，以其高效、全面的特点被广泛应用。
二、遥感影像分类精度评定的基本概念和方法（一）基本概念遥感影像分类精度评定是指通过一系列定量和定性的方法，对遥感影像分类的准确程度进行评估和衡量。
分类精度评定结果直接反映了遥感影像分类方法和技术的可行性和准确性。
（二）方法和指标1.对比法：将遥感影像分类结果与实地调查结果进行对比，通过判断分类结果中的错误分类和遗漏分类的程度，评估分类精度。
2.混淆矩阵法：通过构建混淆矩阵，统计分类结果中各类别的正确分类和错误分类的数量，从而计算出分类精度指标，如准确性、偏差、精度等。
3.Kappa系数法：Kappa系数是一种常用的分类精度评价指标，用于衡量分类结果与实地调查结果之间的一致性程度。
Kappa系数取值范围为[-1, 1]，值越接近1表示分类结果与实地调查结果一致性越高。
三、实际应用案例（一）土地利用分类精度评定遥感影像在土地利用监测中具有广泛的应用。
通过对遥感影像进行分类精度评定可以更好地了解土地利用情况，为土地资源管理和规划提供数据支持。
例如，通过对遥感影像分类结果与实地调查结果进行对比，可以评估城市绿地覆盖率的准确性，并据此制定相应的城市绿化计划。
（二）植被分类精度评定植被分类是遥感影像分类的重要应用之一。
通过对植被分类精度进行评定，可以了解植被分布情况以及植被类型的变化趋势，为植被保护和生态恢复提供科学依据。
例如，在森林资源调查中，通过对遥感影像分类结果的准确性进行评估，可以计算出森林面积、林种组成等重要指标，为森林资源的管理提供数据支持。
遥感图像精度改正方法与精度评价
遥感图像精度改正方法与精度评价遥感图像是利用遥感技术获取的地球表面信息的数字表示。
然而，由于多种因素的干扰，如大气衰减、日照角度、地表特征等，遥感图像的精度常常无法满足实际需求。
为了提高遥感图像的精度，科学家们提出了各种改正方法，并进行了精度评价。
一、遥感图像的改正方法1. 大气校正：大气校正是遥感图像精度改正的重要环节。
大气校正的基本思想是通过估算大气对图像的影响，并进行相应的校正。
常用的大气校正方法有大气传输模型法、大气网络模型法等。
2. 几何校正：几何校正是将遥感图像与地理坐标系统对应起来的过程。
几何校正的主要任务是校正图像的尺度、位置和方向等几何特征。
常用的几何校正方法有控制点法、影像匹配法等。
3. 辐射校正：辐射校正是将遥感图像的辐射值转换为反射率或亮度等物理量的过程。
辐射校正的目的是减小不同地物反射率之间的差异，使图像更符合实际。
常用的辐射校正方法有大气校正法、地物扩散校正法等。
二、遥感图像的精度评价1. 场地实地调查：场地实地调查是评价遥感图像精度的常用方法之一。
通过对图像所代表地物的实地观测和测量，与图像进行对比，以评价图像的精度。
2. 精度评定指标：精度评定指标是评价遥感图像精度的一种量化方法。
常用的精度评定指标有偏差、相关系数、均方根误差等。
3. 交叉检验法：交叉检验法是通过对同一地区的不同遥感图像进行对比，以评价其精度。
将不同日期、不同分辨率的遥感图像进行交叉检验，可以评价图像的一致性和可靠性。
三、遥感图像精度改正方法与精度评价的应用遥感图像精度改正方法与精度评价在许多领域都有广泛的应用。
以下是几个示例：1. 土地利用与覆盖研究：利用遥感图像的精度改正方法和精度评价，可以准确提取土地利用与覆盖信息，并用于土地资源管理、土地规划等领域。
2. 灾害监测与评估：遥感图像精度改正方法和精度评价可以提高灾害监测与评估的准确性。
通过对遥感图像进行精度改正，可以提取灾害相关的地表信息，并通过精度评价得到可靠的监测结果。
一种简单的遥感影像位置精度的评定方法
一种简单的遥感影像位置精度的评定方法遥感影像是利用遥感卫星等设备获取的地球表面信息的影像。
在进行地图制作、资源调查、环境监测等领域，遥感影像的位置精度是非常重要的。
位置精度评定是指对遥感影像中各个像元的位置误差进行量化分析，从而评估影像质量和使用效果。
一般来说，遥感影像的位置精度可以通过以下几种方法进行评定：1.地面控制点法：通过在地面布设控制点，然后利用差分GPS等技术获取控制点的坐标，再分别对遥感影像和控制点进行配准，计算位置精度。
这种方法需要在地面布设大量的控制点，对于大范围的影像评定不太方便。
2.内部相对位置法：通过对同一地区不同时刻或不同位置获取的遥感影像进行内部配准，计算同一地物在不同影像中的位置差异，从而评定位置精度。
这种方法适用于小范围的影像，但对于大范围的影像评定效果较差。
3.边界匹配法：通过对遥感影像中相邻区域的边界进行匹配，计算两幅影像之间的位置偏移，进而评定位置精度。
这种方法较为简便，适用于各种尺度和范围的影像评定。
4.交叉验证法：通过将地面实测数据与遥感影像中的同一区域进行对比，计算实测数据与影像数据之间的位置偏差，从而评定位置精度。
这种方法需要有准确的地面实测数据作为对比基准，适用于位置精度要求较高的情况。
在进行位置精度评定时，需要注意以下几点：1.选择合适的参考数据和评定方法，根据具体需求确定评定方案。
2.确保控制点的布设均匀、密集，以提高评定的准确性和可靠性。
3.对于大范围的影像评定，可以采用边界匹配法等简便方法进行评定，对于小范围的影像评定，可以使用地面控制点法等精确方法进行评定。
4.定期进行位置精度评定，及时纠正影像位置误差，以确保地图制作、资源调查、环境监测等工作的准确性和可靠性。
综上所述，遥感影像位置精度的评定是一项重要的工作，通过选择合适的评定方法和参考数据，可以有效提高遥感影像的质量和使用效果，为地图制作、资源调查、环境监测等应用提供可靠的支持。
遥感影像分类的算法与精度评价方法探究
遥感影像分类的算法与精度评价方法探究随着遥感技术的发展和应用广泛，遥感影像的分类成为了研究的热点之一。
遥感影像分类是将遥感影像中的像素按照其地物类别进行识别和分类的过程。
在遥感影像分类中，算法的选择和精度评价方法的确定至关重要。
本文将探究遥感影像分类的算法和精度评价方法，并分析它们在实际应用中的优缺点。
一、遥感影像分类算法1. 基于像素的分类算法基于像素的分类算法是遥感影像分类中最常用的一种方法。
它将每个像素点作为独立的单元进行分类，通常使用的算法包括最大似然法、支持向量机和决策树等。
最大似然法是一种概率统计的算法，可以通过计算每个像素点的概率来确定其所属类别。
支持向量机利用样本点在特征空间中的位置来构建分类器，对于非线性可分的遥感影像分类效果较好。
决策树将遥感影像的特征按照一定的规则组织成树状结构，通过判断路径上的条件来确定像素的分类。
2. 基于对象的分类算法基于对象的分类算法是近年来兴起的一种分类方法。
它将相邻的像素点合并成对象，然后对这些对象进行分类。
与基于像素的分类算法相比，基于对象的分类算法考虑了空间上的相邻关系，可以更好地处理遥感影像中的纹理和边界信息。
基于对象的分类算法常用的有分水岭算法、区域生长算法和基于图的分割算法等。
二、遥感影像分类精度评价方法遥感影像分类精度评价是判断分类结果好坏的重要标准。
常用的精度评价方法包括混淆矩阵、准确度评价和Kappa系数等。
1. 混淆矩阵混淆矩阵是一种将分类结果与实际情况进行对比的方法。
它将分类结果按照实际类别进行统计，得到一个矩阵，其中每个元素表示分类结果中被正确分类到某一类的像素个数。
通过分析混淆矩阵可以得到不同类别的分类精度和错误分类情况。
2. 准确度评价准确度评价是计算分类结果准确率的一种方法。
准确率是指分类结果中被正确分类的像素数占总像素数的比例。
准确度评价方法可以根据分类结果中每个类别的像素数和正确分类的像素数来计算准确率。
3. Kappa系数Kappa系数是一种用来评价分类结果与实际情况一致性的方法。
遥感图像处理中的影像分类方法与精度评价
遥感图像处理中的影像分类方法与精度评价在遥感图像处理中，影像分类是一个重要的步骤，它可以根据图像中的不同特征和属性将像素分为不同的类别。
影像分类方法有很多种，每种方法都有其独特的优势和适用范围。
本文将介绍几种常见的影像分类方法，并对其精度评价方法进行探讨。
一、监督分类方法监督分类方法是一种常用的影像分类方法，它利用已知类别的样本和对应的光谱特征，通过训练分类器来对图像中的像素进行分类。
监督分类方法可以分为最大似然法、支持向量机、人工神经网络等多种。
其中，最大似然法是一种基于统计学原理的分类方法，它假设每个类别的光谱特征符合正态分布，通过计算概率来确定像素的类别。
支持向量机是一种基于机器学习的分类方法，它通过找到一个最优的超平面来对像素进行分类。
人工神经网络则是一种基于神经网络模型的分类方法，它通过训练网络来学习样本的分类特征，然后利用学习到的模型对像素进行分类。
监督分类方法在影像分类中应用广泛，但其精度评价也是非常重要的。
常用的精度评价方法包括混淆矩阵、准确率、召回率、F1值等。
混淆矩阵是一种用于描述分类结果的矩阵，它将真实类别和分类结果进行对比，可以计算出分类结果的准确度和错误率。
准确率是指分类结果中正确分类的像素比例，召回率是指真实类别中被正确分类的像素比例，F1值是准确率和召回率的一个综合指标，可以衡量分类结果的综合性能。
二、无监督分类方法除了监督分类方法外，无监督分类方法也是一种常见的影像分类方法。
它不需要事先标注样本的类别，而是通过分析图像中像素之间的相似性来对图像进行分类。
常用的无监督分类方法包括聚类分析、K均值算法、自组织映射等。
聚类分析是一种常见的无监督分类方法，它通过寻找图像中相似像素的聚类中心来实现分类。
K均值算法是聚类分析的一种常用方法，它通过迭代计算来确定聚类中心，并将像素归类到最近的聚类中心。
自组织映射则是一种基于神经网络的无监督分类方法，它通过模拟脑神经元的自组织行为来实现分类。
遥感影像分类精度评价
遥感影像分类精度评价遥感影像分类是利用遥感技术获取的遥感影像数据进行地物分类的过程。
精度评价是评估分类结果与实际地物分布之间的一致性程度的过程。
在遥感影像分类精度评价中，常用的评价方法包括混淆矩阵法、Kappa系数、总体精度和准确率以及召回率等指标。
下面将对这些评价方法进行详细介绍。
一、混淆矩阵法混淆矩阵法是一种常用的分类精度评价方法，通过统计分类结果和实际地物分布之间的一致性进行评估。
混淆矩阵是一个N*N的矩阵，其中N 表示分类的类别数。
矩阵的行和列分别表示实际类别和分类类别，每个元素表示实际类别在分类结果中的分布情况。
通过计算混淆矩阵可以得出分类的总体精度、准确率、召回率等指标。
二、Kappa系数Kappa系数是一种常用的评估分类结果一致性的统计量。
Kappa系数取值范围为[-1,1]，其中-1表示完全不一致，0表示随机一致，1表示完全一致。
Kappa系数越大表示分类结果的一致性越好。
计算Kappa系数需要利用混淆矩阵中的各项数据进行计算。
三、总体精度和准确率以及召回率总体精度是指分类结果正确的分类数占总分类数的比例，是衡量分类正确率的重要指标。
总体精度的计算公式为：总体精度=（分类正确的样本数/总样本数）*100%。
准确率是指分类结果中真阳性（TP，分类正确的正例）和真阴性（TN，分类正确的负例）的比例，计算公式为：准确率=TP/(TP+FP)。
召回率是指真阳性比真阳性和假阴性（FN，分类错误的负例）的比例，计算公式为：召回率=TP/(TP+FN)。
总体精度、准确率和召回率都是衡量分类精度的重要指标，可以综合评价分类结果的正确性和完整性。
在进行遥感影像分类精度评价时，应根据具体的分类目的和要求选择合适的评价方法。
针对不同的评价指标，可以采取不同的统计方法进行计算，以达到准确评估分类结果和精度的目的。
综上所述，遥感影像分类精度评价是评估分类结果与实际地物分布之间的一致性程度的过程，常用的评价方法包括混淆矩阵法、Kappa系数、总体精度和准确率以及召回率。
遥感图像影像几何校正方法与精度评价
遥感图像影像几何校正方法与精度评价遥感技术是一种通过航空器或卫星获取地球表面信息的技术手段。
为了获得准确的地理空间信息，遥感图像需要经过几何校正。
本文将介绍几种常用的遥感图像影像几何校正方法，并探讨它们的精度评价。
一、几何校正方法1. 多点校正法多点校正法是一种常用的几何校正方法。
它通过在图像中选择多个控制点，然后根据这些控制点在现实地面上的坐标，使用几何变换公式进行图像的几何校正。
这种方法简单易行，适用于中等分辨率的图像。
2. 数字高程模型校正法数字高程模型校正法是一种基于数字高程模型的几何校正方法。
首先，通过获取地面的数字高程模型，然后将图像与数字高程模型进行配准，最后进行几何校正。
这种方法的优点是精度较高，适用于高分辨率的图像。
3. 惯导校正法惯导校正法是一种利用航空器或卫星的惯性导航系统进行几何校正的方法。
惯性导航系统可以测量航空器或卫星的姿态和位置信息，根据这些信息对图像进行几何校正。
这种方法的精度较高，适用于航空器或卫星上配备有惯性导航系统的情况。
二、精度评价几何校正的精度评价是衡量几何校正过程中误差大小的方法。
常用的评价指标有均方根误差（RMSE）和控制点定位精度。
1. 均方根误差（RMSE）均方根误差是通过对校正前后的像素位置误差进行统计分析得到的一个指标。
它是校正后图像中所有像素位置误差的平方和的开方。
均方根误差越小，表示几何校正的精度越高。
2. 控制点定位精度控制点定位精度是通过选取一组已知坐标的控制点，然后对校正后图像中的相应像素进行位置测量，计算其与控制点的位置误差。
控制点定位精度越小，表示几何校正的精度越高。
三、案例分析以一幅航拍图像为例，使用多点校正法、数字高程模型校正法和惯导校正法进行几何校正，并对校正后的图像进行精度评价。
多点校正法得到的校正图像的RMSE为0.5个像素，控制点定位精度为2米。
数字高程模型校正法得到的校正图像的RMSE为0.2个像素，控制点定位精度为0.5米。
遥感数据精度评估方法比较分析
遥感数据精度评估方法比较分析遥感技术是通过卫星、无人机等遥感平台获取地球表面信息，并利用数字图像处理技术进行分析和解译的一种重要手段。
在遥感应用中，遥感数据的精度评估是保证数据质量和准确性的关键环节之一。
本文将比较分析几种常见的遥感数据精度评估方法，包括对比法、非对比法和统计学方法。
1. 对比法对比法是最直观、常见的遥感数据精度评估方法之一。
该方法通过将遥感影像与参考数据进行视觉或定量对比，评估遥感数据的准确性。
常用的对比方法包括目视解译、图像差异法和基于对比度的评估方法。
目视解译是最常见的对比方法之一，它通过对比遥感影像与实地观测或其他高精度数据，从而获得遥感数据的准确性评估。
然而，目视解译容易受主观因素的影响，而且对大面积遥感影像的处理效率较低。
图像差异法是一种基于像素值的对比方法，它通过计算遥感影像与参考数据之间的像素值差异，评估遥感数据的准确性。
该方法简单直观，但容易受到图像分辨率和数据质量的影响，对于复杂地物类型的精度评估有一定的局限性。
基于对比度的评估方法是一种基于图像特征的评估方法，它通过计算遥感影像与参考数据之间的对比度值，评估遥感数据的准确性。
这种方法能够更细致地分析图像的质量，但对于细节信息的处理较为复杂。
2. 非对比法非对比法是一种通过遥感影像本身的特征进行精度评估的方法，它不需要参考数据的支持。
常见的非对比方法包括信号噪声比分析、精度指标评估和误差传播模型等。
信号噪声比分析是一种通过分析遥感影像中的信号和噪声之间的比值来评估遥感数据的准确性的方法。
该方法适用于具有较高信噪比的遥感影像，但对于低信噪比的影像的精度评估效果较差。
精度指标评估是一种通过计算遥感影像的精度指标来评估数据的准确性的方法。
常用的精度指标包括局部均值误差、标准偏差和相关系数等。
这种方法可以定量评估遥感数据的准确性，但对于不同类型的地物和不同分辨率的影像应用效果可能不同。
误差传播模型是一种通过分析遥感影像中各种误差源的传播规律来评估数据准确性的方法。
遥感影像分类精度评价方法研究
遥感影像分类精度评价方法研究遥感影像分类是利用遥感技术获取的多光谱数据对地表进行分类和识别的过程。
在进行遥感影像分类时，精度评价是一个重要的步骤，用于评估分类结果的准确性和可靠性。
本文将探讨遥感影像分类精度评价的方法和常用的评价指标。
一、方法1. 地面真实数据地面真实数据是一种常用的评价遥感影像分类精度的方法。
这种方法通过在实地调查和采集样本数据后，与遥感影像进行对比，判断分类结果的准确性。
可以采用随机抽样或系统抽样的方法获取地面真实数据，然后将其与遥感影像进行比对，在统计学上得到分类的精度指标。
2. 错误矩阵错误矩阵是一种常用的遥感影像分类精度评价方法。
错误矩阵是通过将地面真实数据与分类结果进行对照，统计不同分类的正确和错误像素数目而构建出来的混淆矩阵。
通过错误矩阵可以得到分类结果的整体准确率、各类别的准确率和召回率等指标。
3. Kappa系数Kappa系数是以混淆矩阵为基础的一种精度评价方法。
Kappa系数通过计算分类结果与地面真实数据之间的一致性，考虑到偶然性因素，从而更准确地评估分类结果的准确性。
Kappa系数的范围为[-1,1]，越接近1表示分类结果越准确。
二、评价指标1. 总体分类精度总体分类精度是指分类结果的整体准确率，用于评估遥感影像分类的整体准确性。
总体分类精度可以通过错误矩阵中所有分类正确的像素数目与总像素数目之比来计算。
2. 类别准确率和召回率类别准确率是指分类结果中某一类别的正确率，即分类结果中该类别正确分类的像素数目与该类别总像素数目之比。
召回率是指地面真实数据中某一类别被正确分类的像素数目与该类别总像素数目之比。
通常来说，类别准确率和召回率越高，表示分类结果越准确。
3. 用户精度和生产者精度用户精度是指分类结果中某一类别的正确率，与类别准确率的概念相同。
生产者精度是指地面真实数据中某一类别正确分类的像素数目与分类结果中该类别总像素数目之比。
用户精度和生产者精度是相互关联的，通过综合考虑分类结果和地面真实数据的信息，可以更全面地评估分类结果的准确性。
测绘技术中的卫星影像配准精度评定方法
测绘技术中的卫星影像配准精度评定方法随着卫星遥感技术的不断发展，卫星影像在测绘领域的应用越来越广泛。
卫星影像的配准精度评定是判断其在地理坐标系统中的准确性和可靠性的重要指标。
本文将介绍一些常用的卫星影像配准精度评定方法，以帮助读者更好地理解和运用卫星影像数据。
一、图像匹配法图像匹配法是一种常用的卫星影像配准精度评定方法。
它通过将待配准影像与已知高精度地物特征进行比对，来确定影像的几何变换参数，从而评定其配准精度。
在使用图像匹配法进行卫星影像配准精度评定时，可以选择不同的地物特征作为控制点，如道路、建筑物、河流等。
通过提取这些地物的特征点，并利用配准算法进行匹配，就可以计算出影像的配准误差。
二、控制点收集法控制点收集法是另一种常用的卫星影像配准精度评定方法。
它通过在不同影像上选择一些具有高精度地理坐标的控制点，并测量它们在影像上的像素坐标，来计算影像之间的配准误差。
控制点的选取应尽量遵循以下原则：首先，选择具有明显边缘、不易变形的地物作为控制点；其次，控制点应分布均匀，覆盖整个影像区域；最后，应选择数量适当的控制点，以保证配准精度的可靠性。
三、基于地面控制点的验证法基于地面控制点的验证法是一种较为精确的卫星影像配准精度评定方法。
它通过在地面上选取一些已知坐标的控制点，并与配准后的影像进行对比，来判断影像的配准精度。
在使用基于地面控制点的验证法时，需要注意以下几点：首先，控制点的选取应充分考虑地物的稳定性和易分辨性；其次，控制点的测量精度应满足配准的要求；最后，控制点的数量应根据影像的尺度和精度要求进行合理分配，过多的控制点容易造成配准精度的过高，过少的控制点则会导致配准精度的下降。
综上所述，卫星影像配准精度评定是判断卫星影像准确性和可靠性的重要指标。
常用的评定方法包括图像匹配法、控制点收集法和基于地面控制点的验证法。
在实际应用中，根据具体情况选择合适的方法，并合理选取控制点，将能够有效提高卫星影像的配准精度。
使用遥感技术进行测绘的精度评估方法
使用遥感技术进行测绘的精度评估方法近年来，随着遥感技术的发展和应用范围的扩大，越来越多的测绘工作开始使用遥感技术进行数据获取和分析。
然而，如何评估由遥感技术获取的数据在测绘领域中的精度，成为了一个备受关注的问题。
本文将介绍一些常用的遥感数据精度评估方法，以期为测绘工作者提供一定的指导和参考。
第一，对于作为基准的测量数据，在遥感技术对于该区域进行数据获取之后，需要进行比对和验证。
这个过程通常需要在野外进行实地调查和测量，并结合遥感数据进行对比分析。
通过比对测量数据和遥感数据之间的一致性，可以初步评估遥感技术的精度。
在这个过程中，需要注意的是选择合适的验证点，并重复测量以确保结果的可靠性。
第二，除了对比分析验证点外，还可以借助于其他高精度的地面或航空测量数据，来评估遥感数据的精度。
例如，可以将遥感数据与全球定位系统（GPS）或导航卫星系统（GNSS）得到的高精度位置数据进行配准，对比两者之间的差异。
通过计算位置差和误差分析，可以评估遥感数据的精度。
第三，对于遥感技术获取的影像数据，可以使用图像匹配方法进行精度评估。
图像匹配是一种常用的技术，用于比较两个或多个图像之间的相似性和重叠度。
在测绘领域中，我们可以利用图像匹配方法，将遥感影像与真实地面的影像进行对比。
通过计算图像间的匹配度和差异性，可以评估遥感数据的精度。
这种方法需要借助计算机图像处理和模式识别算法，运用图像配准和特征提取等技术，对影像数据进行分析和比对。
第四，遥感技术的精度评估还可以结合地物类别和特征进行考虑。
具体来说，我们可以选取不同地物类别的样本点，通过实地测量和遥感数据对比分析，评估不同地物类别的遥感数据的精度。
例如，在城市土地利用调查中，可以选择不同的建筑物作为样本点，综合考虑建筑物形状、尺寸、高度等特征，对比遥感数据与实测数据之间的差异，以评估遥感数据的精度。
最后，为了进一步提高遥感数据的精度，我们可以使用多源数据融合的方法。
多源数据融合是指将来自不同传感器或不同平台的遥感数据进行整合和处理，以获得更准确和可靠的结果。
使用测绘技术进行遥感影像质量评定的技巧
使用测绘技术进行遥感影像质量评定的技巧遥感技术在近年来得到了广泛的应用与发展，它利用人造卫星或无人机等载体获取地球表面的影像数据。
然而，由于不同的采集设备、扫描角度和数据传输等原因，遥感影像的质量存在很大的差异。
为了能够使用高质量的遥感影像进行地理信息系统(GIS)分析、环境监测和资源调查等任务，进行遥感影像质量评定显得尤为重要。
本文将介绍一些使用测绘技术进行遥感影像质量评定的技巧。
首先，正确设置图像坐标系统是进行遥感影像质量评定的关键。
由于遥感影像是通过卫星或无人机等平台采集的，所以在处理遥感影像之前，我们首先需要确定图像的投影坐标系统，以确保其与地理参考框架一致。
一种常用的方法是利用控制点和全球定位系统(GPS)测量，将遥感影像的坐标系与地面控制点进行配准。
这样可以保证遥感影像在地理空间中的准确性，提高其后续分析的可靠性和有效性。
其次，合理选择遥感影像质量评价指标也是进行质量评定的重要步骤之一。
目前，遥感影像质量评价主要包括光谱质量评价、几何质量评价和辐射质量评价等。
光谱质量评价主要涉及遥感影像的颜色、亮度和对比度等方面，可以通过直方图均衡化、增强对比度和波段组合等方法进行改善。
几何质量评价主要关注影像的定位精度和几何变形，可以通过影像配准和几何精度检验等手段进行评价。
辐射质量评价则涉及影像的辐射精度和辐射校正，常见的方法包括常规大气校正、模型辐射定标和反演等。
此外，采用合适的图像滤波方法也是提高遥感影像质量的关键之一。
由于遥感影像存在噪声、斑块、边界模糊等问题，导致其难以进行后续的分析和应用。
因此，我们可以通过图像滤波方法来改善这些问题。
常见的图像滤波算法包括中值滤波、均值滤波、高斯滤波和小波变换等。
这些滤波方法可以有效地去除噪声和斑块，提高影像的质量和清晰度，从而增强其信息提取和分析的能力。
最后，结合地面真实数据进行验证也是进行遥感影像质量评定的重要手段之一。
地面真实数据是指通过地面测绘、调查或采样等手段获取的具有空间参考的真实数据。
遥感影像精确几何校正及精度评价方法转
遥感影像精确几何校正及精度评价方法转一般地，卫星影像数据采集加工至用户手中，仅是张单纯的图片，并没有用户需要的坐标和投影。
通常需要先将其进行数据融合，以获得视觉上最佳的自然彩色影像和需要的空间几何精度，然后再以融合后的数据作为校正单元来进行几何精校正。
可用于校正的软件平台和方法很多，如：加拿大阿波罗公司的PCI，法国SPOT公司的GeoImage等。
我们以美国资源环境研究所(ESRI)的ERDAS Imagine评测版软件为遥感影像的处理平台，用多项式数学方法进行几何校正实验，并采用解析分析的数学方法来进行校正的精度评价。
图1.遥感影像校正流程图1.确定校正单元与参照影像本实验以融合后的卫星遥感数据为校正单元，以正射航空相片为坐标参照系，在分辩率为0.2米的航空正射影像上选取校正控制点，实现卫星影像的几何精校正。
2.选择并启动ERDAS IMAGINE几何校正模块校正前要在ERDAS IMAGINE几何校正模块中设置好多项式模型参数及投影参数。
在本次实验中，我们先舍弃DEM数据，对多景位于平坦地区的卫星影像选取二次多项式进行校正，个别处于起伏地区如山地和河流的卫星影像，则选取三次或四次多项式，处于更为复杂地形的卫星影像，则选择Rubber Sheeting线性、非线性变换算法来进行相应的几何校正，以检验在无DEM数据可资使用的情况下的几何精确纠正方法。
必要时，还是要引入DEM数据来辅助几何校正。
3.控制点采集的要领3.1.控制点的布设控制点的布设的原则一般要把握两点：一是要尽可能地均匀，一般规则遥感影像的前4~9个控制点要将整个影像控制在一个规则的坐标范围内，概括地把校正控制点范围确定好，以方便后续控制点的采集。
这样，控制点的点位中误差往往会控制到最小，每个控制点的几何残差也容易校正，我们称这种控制点布设方法为"边廓点"，即四边形点位布设。
方法如图2：图2.左屏为卫星影像，右屏为航空影像当影像不是一个很规则的几何图形时，要尽可能地将它用控制点分成几个规则的几何图形，然后分块进行控制点的采集。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｌ ５
４ ８ ０ ． ３ ５ ９８
４ ３ ２９ ４ ２ ７
４ ２ ７ ． ４ ３ ２ １ ４ ６ ． ２ ０．５ ３ ６ ４ ８ ８３ ４ ２ ９ ３ ８５ ３ １８ ４
解得 ：
ｍ ＝１． ０００３４ ０
Ｌ ● “ ∞ 一 一一
各数 据生成的三 角网结 构如下图
ｎ＝Ｏ． ９９５１ ４８
４９ １ ５ ３ ８ ６ ４ ９ ９ ６ ３ ５ ７ ４ ９ ９６ ３ ５ ７ ４９ ７ ６ ３ ８ ０ ４９ ７ ６ ３ ８ ０ ４ ９ ９ ９ ３ ８ ５
４４ １ ４ ５ ２
４ ９ ９ ６ ６ ７ ． ２ －１ ． １ ３ ５ ７ ８ １１ １ ６１４ ８
４ ８ ８ ． ４ ９ ７ ６ ４ ０ ． ２ ３ ． ２ ９ ４ ５ ６８ ３ ８ ０ ９ ４９ ８ ３８ ３ ２ ４ ８ ８ ． ４ ９ ７ ６ ４ ０ ． ２ ３ ． ２ ９ ４ ５ ６８ ３ ８ ０ ９ ４９ ８ ３８ ３ ２ ４ １ ２ ． ４ ９ ６ ２ ９ ． ９ －１ ． ０ １ ５ ０ ４９ ３ ８１ ５ ４ ７３ ４ ２５ ５ ４ １ ２ ． ４ ９ ６ ２ ９ ． ９ －１ ． ０ １ ５ ０ ４９ ３ ８１ ５ ４ ７３ ４ ２５ ５ ４４ １ ４ ５ ２ ４ ９ ９ ６ ３ ７７ ４ ３ ５ ７ ４８ ． ８ －５ ． ０ ３ ８８ ５
值 的误差还受到坐标 系不同的影响 。 所 以 ，对 遥 感 影 像 位 置 误 差 的 研 究 不 能 等 同与 扫 描 数 字 化 的研 究。本文提 出在不同坐标 系下 ，评定遥感影像 整体几 何精 度的方法 ，将评定 的统 计量 选择 为相对变 量 一 连 线 向 量 ，简化 了影像处理 的过 程 ，减少了误 差的积累 。 对于相 同坐标 系下的精度对 比来说 ，点位 坐标 误差 是起 点在坐标原 点 （ Ｙ。 的向量的差 ；在 不同坐标 系下 ，可 ｘ ） 参考 坐标 系下 向 量的长 度 。这里 的长 度 选为参 考坐 标 系下 的 向量长 度 ，目的是为了保 留长 度误差 的存 在。
研 究 ，许谷声（９ ８提 出的等高线数 字化的模 拟精度分 析方 重 叠 。 １９） 法 等 。随 着遥感 技术 的发 展 ，遥感 影 像逐 渐成 为 Ｇ Ｓ主要 Ｉ 两点 间距 离的计算计算公 式为 ： 的数据 源 ，但对遥感影像 的误差研究方面还 没有成熟 的理 论
方法 。 遥感影像 的位置误差与扫描 数字化有所不 同 ，这种 差异 主 要体现 在误 差积 累过 程上 ，扫描 数 字化 的误差 积 累过 程
２ １ 年 第 １ 期 ００ １
表５ ：缩放 比例计算数据 年 月的 ｓ ｏ 影 ｐｔ
ＢＸ ２
３５ ８５． ９ ８４ ９ ０Ｏ ７ ５． ６ ２ｌ ６ ４ ２ ８ ８８ ５７ ６５ ２３ ３９． ４ ３６ ｌ ２５ ６７ Ｏ ｌ５ ６ ６ ６５５ ５ ｌ ＯＯ ０２ ９ Ｏ ３７ ８７ ３６ ２ ．
其 中 ，ｌ 为影 像坐标 系下经 缩放 后的 连线 向量 ， 考 坐标系下 的向量 。这样就 可以求 出单位 矢量误差 向
ＸＮ Ｎ Ｃ Ｎ Ｉ Ｎ０ Ｇ Ｕ
值 向量 ａ ｒ ，） ｖ（ ｙ和方 差向量 ｖ ｒ ，） ｘ ａ（ ｙ 。 ｘ 试验数据 ： 试验数据 的遥感数据 是辽宁地 区
三个相对 变量作为统计 量 ，采用常用统 计指标均值和方 差评 的直 线 向量 ， （ ｍ，ｎ 表示 ｘ和 Ｙ方 向 的缩放 比例 。选 择 ） 定影像 的整体精 度 。 两条 同名直 线 ，即可解 出以上方程 中的未知数 。为避 免 同名 两 点 间 连 线 和 两 线 问 夹 角 数 据 采 用 不 规 则 三 角 网 直线对 中有较 大粗差存 在 ，易至少选 择六条 同名直线对 ，用 （ Ｉ 的生 成 方 法 （ Ｔ Ｎ） 请参 见 具 体 生 成 算 法 ，这 里 不 再赘 最 小二乘法求解 。 述） ，由 Ｔ Ｎ 的特 性 可知 ，这样 生成 的两 点连 线不会 太长 ， Ｉ 另外 ，向量 ｖ的大 小受 向量 Ｌｌ Ｌ’长 度 的影 响 ，为 和 １ 两线间的夹 角与不会 太小 ，避免 了较大误差对评 定指标 的影 了将 向量 ｖ统 一为 同一尺度 的随机向 量 ，这里将 向量 ｖ的各 响。 分量分别除以向量 Ｌ 的长度 ，这样 ，各误差向量 ｖ １ 就是 同
受多 中心 图像 扫描 的影 响 ，遥感影像 坐标系在 ｘ和 Ｙ方 把 两点连 线作 为一 个 向量 ，选 择一 个 同名 点作 为 向量 的起 向的 比例 尺度 可能是不 一致的 ，影像 坐标系 与参 考坐标系之 点 ，两 向量的差 （ 下文简称差 向量）就可看作 点位误差 。由 间的比例尺度也 可能是不 同的 ；为此 ，这里 引入 比例 因子参 于连线 向量受两 个端点坐标 的联 合影响 ，这种研 究方法发展 数 ｉ ｎ和 ｎ分别表 示 ｘ和 Ｙ方 向的缩 放 比例 ，ｍ和 ｎ的值 可 了点坐标相互独立 的观点 ，将连线 的两点之间 的相 关性考虑 通过对 统计量 的处 理获得 。 了进来 。 常用 的通用几何校 正模型是 一种空间变换 ，这里将 同名 为 简化 模型 ，不考虑 椭球参数 、投 影变换和坐标 系转换 直线 间的变换简化 为缩放关 系 ，可用公式表 示为 ： 等 的系统 误差影响 ，假设 遥感影像 的整 体几何精度 一致 ，选 Ａ＝ （１ ） Ｂ １ ，ｎ Ｔ 择 两点问直线距 离 １ 、连线 间夹 角 ０ 和连 线向量 的差向量 ｖ 其 中 ，Ａ 为参 考真值 直线 向量 ，Ｂ为遥感影像 上采集 到
为 ：原始 测量 误差 一制 图过程 中会产 生 的一 系列 误差 一图 纸变 形 引起 的误 差 一扫描 仪 误差 一数字 化 采集过 程 中产 生 的一系列误差等 。遥 感影像 的误 差积累过程则 为 ：卫星轨道
∑ｖ
Ｅ ＝ 上
ｎ
∑ｖ ２
６ ＝ ＿＝ — ｉＬ
ｎ —ｌ
统计指标选 择为均值和标 准差 ，他们 的计算公式 如下 ：
距离 １ 、夹角 ＠ 和 误差向量 ｖ的计算方法如 下 ：
ｂ 千＇
随机 变量的采样值 了 。 ’ 基于 以上分析 过程 ，这里用 单位矢 量的误 差 向量模型 ａ 来统一表达 整幅遥感 影像的不确 定性 。单位矢 量的误差 向量
一
ａ的计算 公式如下 ：
ａ ｌｌｎ １ ’ｌｎ ‘ ＝ ／ｅ （ －Ｉ／ （ １ ） ｅ ｌ
ｌ ２． ６ ６７ ５
９９６６６． ２４
３７ ３０ ８
７９１９２１． ８
４ ６． ８ｌ １０ ７
１７９Ｓ９３． ９
３５ ２． Ｏ７ ６２
７Ｏ２Ｏ５８． ５
３９１ ９． ７ ４
８８ｌ６５２． ３
３ ８９ ２７ ０４ ． ３ Ｏ５ ８ ７． ４ ５ ４３１ ４ ．４
● ● ●
Ａｎ ｌ ｇｅ
ｌ ３７ ３７ ２ ８４ ５ｌ ０２ ９Ｏ ２ ｌ Ｏ６ ５７ ８５ ３ ９４ ６． ７ ３７ ｌ ４９ ３８ ８ ３． ｌ ４ ２ ９ ２． Ｏ３
４５ ０ ４ ９ １ ２ ． ４ ４ １ ４ ５ ２ ４ ４ １ ４ ５ ２ ４ ８ ８ ． ４ ５ ６８ ４ ８ ８ ． ４ ５ ６８ ４ ２ ０ ． ４ ７ ５５
３ ３８ ８４ ２ ０． ３ ３２５ ２． ８ ６ ２ ８８ ８９ ８０
１ ５３ ３． ７ ３７ １ ５４ ２． ２ ９ Ｏ ８ Ｏ２ ３． ３ ７ ４
３５ ９３ ４５ ７ ． ３ｌ７ ５７ ３ ２ ． ２７ ８９ ９７ ２
３ ４７ｌ ７ ９ ３３ ２７ ４９ ４ ． ２ ６９ ８ ５７ １
像 ，分 辨率分 别为 ｌ Ｏ米的 多波段 和 ２５米的 全色 波段两 幅 ． 影像 ，参 考数据是全站仪 实地采集的数据 。 表 ｌ坐标点 、长 度和角度采样值
Ｆ Ｄ Ｆ ｏ Ｉ ｒ ｍＰｏ ｎ Ｘ ｒ ｍＰｏ ｎ Ｙ Ｐ ｉ ｔ Ｘ Ｐ ｉ ｔ ｉｔ Ｆ ｏ ｉ ｔ Ｔｏ ｏ ｎ Ｔｏ ｏ ｎ Ｙ Ｌｅ ｇ ｈ ｎ ｔ ０ ｌ ２ ３ ４ ５
盟ｎ Ｏ弛 ：０ ％ ～ ∞ 豫 ∞ ¨０ 心 勰 ｎ ∞ 一 — 一 ．一 珀 一 ～ ～一 Ｏ 伯～ ％～ Ｏ ３
单位 向量 的统 计特 征如表 ６所 示 ： 表 ６ 单 位向量统计特征值 ：
Ｘ Ｖ
平 标 中 标 方
统计量数据 表如下所 示
一 一 ～
均 准 误差 位 数 准 差 差
１ ／ｘ ＝、（】 ｊ
０ ： ０ ｌ一 ０ Ｌ ｌ ２
而
两线问夹 角的计算公式 为 ： 其中 ， 为向量 Ｌ １的方 位角。 连线差 向量的计算方法为 ：
Ｖ ：Ｌｌ—Ｌ ｌ ’
两连 线 向量差 的大小 受连 线 向量 长度 影响 ，长 度越 长 误差 一传感 器姿态 角误 差 一大气折 射误差 一地表起伏 误差 一 差 向量也越大 ，不利于统计分 析 。但是 ，单位 向量 的差可看 投影变换误差 等。另外 ，由于遥感影 像的实时性 和广域性 等 作符 合同一分布 的随机变 量 ，单位 向量 的差计算如下 ： 特 征 ，遥感 影像 的参考 真值 （ 或精度较 高精 度的参 考数据 ） Ｌ ＝Ｌ／ Ｉ 较扫描数字化数据 的参考真值更难 以获得 ；采样值 与参考真 其 中 ， Ｌ 为长 度为 １的单位 向量 ，Ｌ为原始 向量 ，Ｊ 为
２１ ０ ０年第 １ 期 １
Ｘ Ｎ ０ ＧＣ Ｎ ＩＮ Ｎ Ｕ
一
种简单 的遥感影 像位置 精度的评定 方法
曲 洋
（ 尔滨 市勘 察 测绘 研 究 院 哈
黑龙 江哈 尔滨 １０ １） ５ ０ ０
【 关键词】 连 线向量 ，单位 连线 向量的差向量误 差 ，单位连 线向量误 差
图注 ：图 １ １为参考 坐标 系下 采样 点 ａ － ，ｂ，Ｃ ，Ｃ点 ；ｂ 在 ＧＩ Ｓ数据 源误 差 试验研 究 方面 ，前 人成 果 多集 中在 扫 描数字化上 。如黄幼 才等（９ ５在 ｛ Ｓ空 间数据误 差分 按照 Ｔ Ｎ生 成方 法 与 ａ点相 连 ；图 １ ２中 的实 线部 分代表 １９） ｛ ＧＩ Ｉ － 析和处理》 一书 中介绍 了国外学者所做 的数字化试验 ，孟晓 的Байду номын сангаас遥感 影像 坐标系 ，ａ，ｂ，Ｃ为影像 坐标系 下与 ａ ’ ’ ’ ，ｂ，Ｃ 相对应 的同名点 ；两对 连线向量 的位置关 系可看作在 ａ 点处 林 等（９ ６进行过 地 图手工 数字化 以及扫描数 字化误 差试验 １９ ）