遥感图像预处理汇总
遥感图像处理的基本步骤与技巧
遥感图像处理的基本步骤与技巧遥感技术是指利用航天器、飞机、卫星等高空平台获得的遥感图像进行信息提取和数据分析的过程。
随着科技的不断进步和应用范围的扩大，遥感图像处理已经成为许多领域中的重要工具。
本文将介绍遥感图像处理的基本步骤与技巧，以帮助读者更好地理解和应用这一技术。
一、图像预处理遥感图像预处理是遥感图像处理的第一步，旨在通过去除噪声、辐射校正和几何校正等处理，使图像质量更高，方便后续处理。
其中，去除噪声主要是采用滤波算法，如中值滤波、均值滤波等。
辐射校正主要用于将图像的辐射能量转换为表观反射率，以消除云、阴影等因素的影响。
几何校正是通过对图像进行几何变换，将其与地理坐标系统对齐，以便于后续的地理信息提取。
二、特征提取特征提取是遥感图像处理的核心环节，目的是从遥感图像中提取出具有代表性和区分度的特征信息。
常用的特征包括光谱特征、纹理特征、形状特征等。
光谱特征是指根据图像像素的光谱反射率或辐射能量，提取出不同波段的特征。
纹理特征是指从图像中提取出地物的纹理信息，包括纹理方向、纹理密度等。
形状特征是指从图像中提取出地物的形状信息，包括面积、周长等。
三、分类与识别分类与识别是遥感图像处理中的重要任务，目的是将地物按照其属性进行分类和识别。
常见的分类方法包括监督分类和无监督分类。
监督分类是指根据已知的样本类别信息，通过训练分类器将图像中的地物分到不同的类别中。
无监督分类是指根据图像像素之间的相似性将其分为一定数量的类别。
分类结果可以用于制作地图、监测资源变化等。
四、变化检测变化检测是遥感图像处理中的一项重要任务，主要应用于监测和分析地表物体的变化。
遥感图像在不同时间获取的变化信息可以帮助我们了解自然和人类活动对地表的影响。
常见的变化检测方法包括像素级变化检测和对象级变化检测。
像素级变化检测是指比较两幅图像对应像素之间的差异，以确定变化的位置和类型。
对象级变化检测是指先将图像分割成不同的对象，然后比较不同时间获取的对象之间的差异。
《遥感图像预处理》课件
本课件将介绍遥感图像预处理的定义、步骤、常见方法以及应用领域。同时， 我们将探讨遥感图像预处理的优点、挑战以及未来发展趋势。
遥感图像预处理的定义
遥感图像预处理涉及对获取的遥感图像进行校正、增强和去噪等操作，以提高图像质量和可用性。
遥感图像预处理的步骤
1 图像获取
通过卫星或无人机等手段获得遥感图像。
准确性要求
遥感图像预处理要求高精度的 校正和处理结果，对算法的准 确性有很高要求。
遥感图像预处理的未来发展趋势
1
AI技术应用
人工智能技术的发展将为遥感图像预处
多源数据整合
2
理提供更高效、精确的处理方法。
将多源遥感数据进行整合和融合，提升
信息获取的质量和多样性。
3
自动化处理
自动化算法的应用将进一步提高遥感图 像预处理的效率和可靠性。
2 几何校正
对图像进行几何校正，消除地物形变和畸变。
3 辐射校正
对图像进行辐射校正，将不同波段的图像转 换为表观反射率。
4 增强和去噪
对图像进行增强和去噪处理，以提高视觉效 果和数据质量。
遥感图像预处理的常见方法
直方图均衡化
通过重新分配像素值，增强图 像对比度。
滤波处理
利用滤波器去除图像中的噪声。
遥感图像预处理的优点
1 高效性
遥感图像预处理可以大幅提高图像处理的效率和速度。
2 信息获取
遥感图像预处理可以获取大范围、多时相的地表信息。
3 非侵入性
通过遥感图像预处理，可以获取地表信息而无需实地调查。
遥感图像预处理的挑战
复杂性
遥感图像预处理面临多波段、 高分辨率等复杂图像数据处理。
遥感图像预处理
2、融合
是在空间增强中最常用的一种方法，它是 对不同空间分辨率的遥感图像的融合处理， 使处理后的压迫感影像既有较好的空间分 辨率，又具有多光谱特征，从而达到图像 增强的目的。
融合的关键
是融合前两幅图像的配准以及处理过程中 融合方法的选择，只有将不同空间分辨率 的图像精确的进行配准，才可能得到满意 的融合效果；而对于融合方法的选择，则 取决于被融合图像的特性以及融合的目的， 同时，需要对融合方法的原理有正确的认 识。
•
•
不断重复1~7，采集若干GCP，直到满足 所选定的几何校正模型为止。而后，每采 集一个Input GCP，系统就会自动产生一 个Ref.GCP，通过移动Ref.GCP可以逐步 优化校正模型。
（6）图像重采样过程
在Geo Correction Tools对话框中单击 Image Resample图标 ，打开 Resample对话框，在Resample对话框中， 定义输出文件和重采样参数。
图像叠置组合
• • • • • • •
图像叠置组合包括如下工具： Send Image to Top：将选择图像置于最上层 Send Image Up One：将选择图像上移一层 Send Image to Button：将选择图像置于最下 层 Send Image Down One：将选择图像下移一层 Reverse Image Order：将选择图像次序颠倒 可以使用这些工具调整图像的叠置次序。
命令，打开Add Images for Mosaic 对话框。 1选择拼接图像文件为wasia1_mss.img 2设置图像拼接区域为Compute Active Area 3单击Add按钮 4 重复前三步操作依次加载wasia2_mss.img和 wasia3_tm.img 5 单击Colse按钮
遥感图像处理的基本步骤和技巧
遥感图像处理的基本步骤和技巧遥感图像处理是利用遥感技术获取的遥感图像数据进行分析、处理和解释的过程。
遥感图像处理技术在环境监测、资源管理、农业和城市规划等领域具有广泛的应用。
本文将介绍遥感图像处理的基本步骤和技巧。
一、图像预处理图像预处理是遥感图像处理的第一步，目的是改善图像质量，消除噪声和其他不必要的干扰。
常见的图像预处理技术包括辐射校正、大气校正和几何纠正。
辐射校正是将原始图像中的数字数值转换为辐射亮度值，以消除由于不同仪器和观测条件引起的辐射差异。
大气校正则是通过对图像进行大气光校正，消除大气吸收和散射效应，获得更准确的地物辐射亮度信息。
几何纠正是校正图像中的几何畸变，使其与实际地面特征对应。
二、图像增强图像增强是通过增加图像的对比度和清晰度，突出感兴趣的地物信息。
常见的图像增强技术包括直方图均衡化、滤波和波段变换。
直方图均衡化是通过调整图像像素的亮度分布，增强图像对比度。
滤波是通过应用各种滤波器来去除图像中的噪声和模糊。
波段变换是将图像从一种波段转换到另一种波段，以提取不同地物特征。
三、特征提取特征提取是从图像中提取与感兴趣地物相关的信息。
常见的特征提取技术包括阈值分割、边缘检测和纹理分析。
阈值分割是将图像分为不同的区域，使每个区域具有相似的亮度或颜色特征。
边缘检测是寻找图像中的边界线，以辅助划分地物边界。
纹理分析是通过提取图像的纹理特征来描述地物的空间结构。
四、分类与识别分类与识别是将特定地物进行分类和识别的过程。
常见的分类与识别技术包括监督分类、无监督分类和目标检测。
监督分类是通过使用已知类别的训练样本，建立分类器对图像进行分类。
无监督分类是根据图像像素的统计特征将图像自动分为不同的类别。
目标检测是在图像中检测和识别特定的目标，例如建筑物、道路等。
五、图像解译与分析图像解译与分析是对处理后的遥感图像进行解释和分析的过程。
通过对图像分析可以获取地表特征的数量和质量信息，用于环境变化监测、资源管理和规划决策。
遥感图像预处理
遥感图像预处理遥感图像一般处理流程包括以下几项：数据源选择—图像输入与浏览—图像预处理（几何校正。
图像融合。
图像镶嵌。
裁剪。
大气校正等）--图像信息提取（人工解释自动分类特征提取动态监测等）--成果报告与应用（制图 Gis 共享）在这里着重介绍遥感图像预处理，遥感图像预处理在遥感图像处理占有十分重要位置。
图像预处理包括；几何校正。
图像融合。
图像镶嵌。
裁剪。
大气校正等1.几何校正：纠正系统和非系统因素引起的几何畸变。
引起图像畸变因素系统误差有规律的、可预测的。
比如扫描畸变非系统误差无规律的如传感器平台的高度、经纬度、速度和姿态的不稳，地球曲率及空气折射，地形影响等图像配准：同一区域里一幅图像（基准图像）对另一幅图像校准，以使两幅图像中的同名像素配准。
图像纠正：借助一组控制点，对一幅图像进行地理坐标的校正。
又叫地理参照图像地理编码：特殊的图像纠正方式，把图像矫正到一种统一标准的坐标系。
图像正射校正：借助于地形高程模型（DEM），对图像中每个像元进行地形的校正，使图像符合正射投影的要求。
几何粗校正：校正系统误差，地面站完成地理参照：利用数据自带参数进行几何校正。
几何精校正（常简称为几何校正）：基于地面控制点，利用几何校正模型，构建图像与地面坐标/与图像之间的几何关系完成几何校正，当控制点选择源是图像（有地理坐标）时候，又属于图像配准范畴。
图像配准：基于两幅图像之间的同名点，利用几何校正模型，构建图像与图像之间的几何关系完成几何校正，基准图像不一定有地理坐标。
正射校正：结合传感器的姿态参数、地面控制点以及高精度的D EM 数据进行的几何校正图像预处理——几何校正（常见几个形式）几种常见几何校正形式：卫星轨道参数（全自动）地面控制点（同名点）+校正模型（人机交互）RP C 文件+地面控制点+DE M （人机交互）.图像预处理——几何校正（控制点获取）地面控制点获取途径基础数据基础测绘数据数字线画图（DL G ）数字栅格图（DR G ）影像数据正射影像（DO M ）实地测量（GP S ）地面控制点实质：找到待校正图像上的点对应真实的坐标值图像预处理——几何校正（控制点质量控制）图像选点原则（正射纠正不适用）选取图像上易分辨且较精细的特征点：道路交叉点，河流弯曲或分叉处，海岸线弯曲处，飞机场，城廓边缘等特征变化大的地区需要多选图像边缘部分一定要选取控制点尽可能满幅均匀选取数量原则在图像边缘处，在地面特征变化大的地区，需要增加控制点保证一定数量的控制点，不是控制点越多越好。
遥感图像处理技术的基本步骤
遥感图像处理技术的基本步骤遥感图像处理技术是利用卫星、飞机等遥感平台获取的图像数据进行分析和处理的一项重要技术。
它可以帮助我们了解地表现象和环境变化，为资源利用、灾害监测和环境保护提供有力的支持。
本文将介绍遥感图像处理技术的基本步骤，并探讨其在不同领域中的应用。
一、图像预处理图像预处理是遥感图像处理的第一步，目的是对原始图像进行校正和增强，以减少噪声、消除系统误差并提高图像质量。
常见的图像预处理方法包括大气校正、辐射校正、几何校正和噪声过滤等。
大气校正可以消除大气传输对图像的影响，使图像更加真实可靠；辐射校正可以将原始图像的辐射值转换为反射率或亮度温度，以便进一步分析；几何校正可以校正图像的几何畸变，使图像与真实地理位置对应准确；噪声过滤可以降低图像的噪声水平，提高图像的清晰度和解译能力。
二、图像数据解译图像数据解译是遥感图像处理的核心环节，它通过对图像的特征提取和分类识别，从图像中提取出我们感兴趣的信息。
特征提取可以通过计算图像的纹理特征、形状特征和光谱特征等，来描述和区分地物的不同属性。
分类识别则是将提取出的特征与已知地物类别进行对比，将图像中的像素进行分类。
常见的分类方法有监督分类和非监督分类。
监督分类需要提供一些训练样本，训练分类器进行分类；非监督分类则是根据图像的统计特性，自动将图像进行分类。
三、图像信息提取图像信息提取是遥感图像处理的下一步，它通过进一步分析图像数据，提取出我们所需要的地理、生态或环境信息。
常见的图像信息提取包括土地利用/覆盖分类、植被指数计算、水体边界提取和灾害监测等。
土地利用/覆盖分类可以对图像中的地物进行识别，如农田、森林、草地等；植被指数计算可以评估植被的生长状况和覆盖度，如归一化植被指数（NDVI）；水体边界提取可以通过分析图像的光谱信息，识别出水体的边界和分布；灾害监测可以通过对图像的变化分析，及时发现和评估地质灾害的风险。
四、图像结果分析图像结果分析是遥感图像处理的最后一步，它主要是对处理后的图像结果进行定量或定性分析，验证处理方法的有效性和结果的可靠性。
遥感图像处理的基本方法与算法解读
遥感图像处理的基本方法与算法解读一、引言遥感技术是通过人工卫星、航空器或其他遥感平台获得地球表面信息的一种手段。
遥感图像处理则是遥感技术的重要应用领域之一。
本文将介绍遥感图像处理的基本方法与算法，探讨其原理和应用。
二、遥感图像预处理遥感图像预处理是遥感图像处理的第一步，主要目的是去除图像中的噪声和干扰，提高图像的可用性。
常用的图像预处理方法包括边缘增强、直方图均衡化和空间滤波。
1. 边缘增强边缘增强是通过提升图像边缘信息的方法来提高图像质量。
其中常用的边缘增强算法有Sobel算子、Prewitt算子和Laplacian算子。
这些算子能够检测出图像中的边缘特征，从而使图像更加清晰。
2. 直方图均衡化直方图均衡化是一种通过调整图像亮度分布来增加对比度的方法。
通过对图像的灰度直方图进行变换，使得图像中的像素分布更加均匀，从而使得图像更加清晰和易于分析。
3. 空间滤波空间滤波是一种常用的图像平滑方法，通过对图像进行滤波操作，可以去除图像中的噪声和干扰。
常用的空间滤波算法有均值滤波、中值滤波和高斯滤波。
三、遥感图像分类遥感图像分类是根据图像中的像素值进行分类的过程。
常用的图像分类方法包括基于像素的分类和基于对象的分类。
1. 基于像素的分类基于像素的分类是一种将图像中的每个像素都分配到一个类别中的方法。
常用的基于像素的分类算法有最大似然分类算法、支持向量机和人工神经网络。
这些算法能够根据像素的特征进行分类，从而对图像进行分割和分析。
2. 基于对象的分类基于对象的分类是将图像中的相邻像素聚合成一组对象，然后根据对象的特征进行分类的方法。
常用的基于对象的分类算法有基于区域的分类和基于形态的分类。
这些算法能够更好地保留图像中的空间信息，从而提高分类的准确性。
四、遥感图像变化检测遥感图像变化检测是通过比较多幅遥感图像之间的差异，来检测地表发生的变化情况。
主要应用于城市规划、环境监测和资源管理等领域。
1. 基于像素的变化检测基于像素的变化检测是一种将多幅遥感图像像素级别进行比较的方法。
4-遥感图像预处理
第四章数据预处理4.1 坐标定义与投影转换图像预处理时遥感数字图像处理中非常重要的环节，也是空间信息提取之前首先要做的工作。
主要包括图像几何校正、图像融合、图像镶嵌和图像裁剪等一般过程。
4.1.1 坐标定义ENVI中的坐标定义文件存放在ITT\IDLxx\products\envixx \map_proj 文件夹下。
三个文件记录了坐标信息：ellipse.txt：椭球体参数文件。
datum.txt：基准面参数文件。
map_proj.txt：坐标系参数文件。
在ENVI中自定义坐标系分三步：定义椭球体、基准面和定义坐标参数。
1、定义椭球体语法为<椭球体名称>，<长半轴>，<短半轴>。
这里将“Krasovsky, 6378245.0, 6356863.0”和“IAG-75, 6378140.0, 6356755.3”加入ellipse.txt末端（图2-1）。
图2-1 定义地球椭球体ellipse.txt文件中已经有了克拉索夫斯基椭球，由于翻译原因，这里的英文名称是Krassovsky。
为了让其他软件平台识别，这里新建一个Krasovsky椭球体。
2、定义基准面语法为<基准面名称>，<椭球体名称>，<平移三参数>。
这里将“Beijing-54, Krasovsky, -12, -113, -41”和“Xi'an-80,IAG-75,0,0,0”加入datum.txt 末端（图2-2）。
图2-2 定义大地基准面有的时候为了与其他软件平台兼容，基准面的名称需要写成所用的椭球体名称。
3、定义坐标（1）选择主菜单Map→Customize Map Projection命令；（2）在Customized Map Projection Definition窗口中设置地图投影的参数（图2-3）；图2-3 定义地图投影关参数说明：Projection Name：定义投影名称；Projection Type：定义投影类型，这里选择Transverse Mercator；Projection Datum:定义大地基准面，这里选择之前定义的Beijing-54；False easting：定义东偏移的距离500km；Latitude of Projection origin：定义投影的起始维度；Longitude of central meridian：定义中央经线；Scale factor：定义缩放倍率。
完整版遥感影像预处理
遥感影像预办理预办理是遥感觉用的第一步，也是特别重要的一步。
目前的技术也特别成熟，大多数的商业化软件都具备这方面的功能。
预办理的大体流程在各个行业中有点差异，而且着重点也各有不相同。
本小节包括以下内容：数据预办理一般流程介绍预办理常闻名词讲解ENVI 中的数据预办理1、数据预办理一般流程数据预办理的过程包括几何精校正、配准、图像镶嵌与裁剪、去云及阴影处理和光谱归一化几个环节，详细流程图以下列图。
图 1 数据预办理一般流程各个行业应用会有所不相同，比方在精巧农业方面，在大气校正方面要求会高点，因为它需要反演；在测绘方面，对几何校正的精度要求会很高。
2、数据预办理的各个流程介绍（一）几何精校正与影像配准引起影像几何变形一般分为两大类：系统性和非系统性。
系统性一般有传感器自己引起的，有规律可循和可展望性，可以用传感器模型来校正；非系统性几何变形是不规律的，它可以是传感器平台自己的高度、姿态等不牢固，也可以是地球曲率及空气折射的变化以及地形的变化等。
在做几何校正前，先要知道几个看法：地理编码：把图像更正到一种一致标准的坐标系。
地理参照：借助一组控制点，对一幅图像进行地理坐标的校正。
图像配准：同一地区里一幅图像（基准图像）对另一幅图像校准影像几何精校正，一般步骤以下，（ 1） GCP（地面控制点）的采用这是几何校正中最重要的一步。
可以从地形图（DRG）为参照进行控制选点，也可以野外GPS 测量获得，也许从校正好的影像中获得。
采用得控制点有以下特色：1、GCP 在图像上有明显的、清楚的点位标志，如道路交织点、河流交织点等；2、地面控制点上的地物不随时间而变化。
GCP 平均分布在整幅影像内，且要有必然的数量保证，不相同纠正模型对控制点个数的需求不相同。
卫星供应的辅助数据可建立严实的物理模型，该模型只需9 个控制点即可；对于有理多项式模型，一般每景要求很多于30 个控制点，困难地区合适增加点位；几何多项式模型将依照地形情况确定，它要求控制点个数多于上述几种模型，平时每景要求在30-50 个左右，特别对于山区应合适增加控制点。
遥感图像处理知识点总结
遥感图像处理知识点总结一、遥感概述遥感是利用飞机、卫星等远距传感器获取地球表面信息的科学技术。
遥感图像处理就是处理遥感数据，进行信息提取的过程.二、遥感图像处理流程遥感图像处理的基本流程包括：数据获取、预处理、图像增强、特征提取和分类等环节。
1. 数据获取数据获取是遥感图像处理的第一步，可以通过卫星、飞机等遥感平台获得各种类型的遥感数据。
2. 预处理预处理是遥感图像处理的重要步骤，主要包括大气校正、几何校正、辐射定标等过程，目的是消除数据中的噪声和误差，保证数据质量。
3. 图像增强图像增强是指通过一系列的处理方法，提高遥感图像的视觉效果，突出图像中的信息，以便进行后续的分析和应用。
常见的图像增强方法包括直方图均衡化、滤波、拉普拉斯变换等。
4. 特征提取特征提取是指从原始遥感图像中提取各种地物和地物信息，常见的特征包括形状、纹理、光谱等。
5. 分类分类是将遥感图像中的像素划分到不同的类别中，如水体、植被、建筑等。
常用的分类方法包括最大似然分类、支持向量机（SVM）、人工神经网络等。
6. 应用遥感图像处理的最终目的是为了实现一定的应用目标，如土地利用/覆盖分类、资源调查、环境监测等。
三、遥感图像处理相关算法1. 监督分类监督分类是指在给定训练样本的情况下，采用某种分类算法识别遥感影像中的地物类型。
常用的监督分类算法有最大似然分类、支持向量机（SVM）、随机森林等。
2. 无监督分类无监督分类是指在不需要人工干预的情况下，利用图像自身的统计特性将像元分成若干类别。
常用的无监督分类算法有K均值聚类、ISODATA聚类等。
3. 特征提取特征提取是为了描述地物的形态、光谱、纹理等特性，从而区分不同地物。
常用的特征提取方法有主成分分析（PCA）、线性判别分析（LDA）、小波变换等。
4. 联合处理联合处理是指将多幅遥感影像进行融合，或者将遥感影像与其他数据进行联合处理，从而获取更多的地物信息。
常用的联合处理方法包括影像融合、多源数据融合等。
遥感技术中遥感影像的处理方法详解
遥感技术中遥感影像的处理方法详解遥感技术是利用遥感设备获取地球上的图像和数据，以了解地球表面的各种特征和现象。
遥感影像是遥感技术的核心输出，它通过对地球表面进行高分辨率的拍摄和记录，提供了丰富的地理信息。
在遥感技术中，遥感影像的处理方法至关重要。
正确的处理方法可以提取出影像中有价值的信息，帮助我们深入了解地球表面的特征和变化。
下面将详细介绍几种常用的遥感影像处理方法。
1. 遥感影像的预处理遥感影像在传输和记录过程中可能会受到一些噪声和干扰的影响，因此需要进行预处理。
预处理的目标是去除噪声、调整图像的对比度和亮度，使得影像更适合进行后续的处理和分析。
常见的预处理方法包括数字滤波、辐射定标和大气校正等。
2. 遥感影像的几何校正遥感影像获取时可能会受到地球表面形变、传感器姿态等因素的影响，导致影像出现几何失真。
几何校正的目标是将影像的几何特征恢复到真实地面情况下的状态，使得影像能够准确地反映地面特征。
常见的几何校正方法包括地面控制点的定位和影像配准等。
3. 遥感影像的分类遥感影像的分类是将影像中的像素按照一定的特征进行划分和归类的过程。
根据不同的应用需求，遥感影像的分类可以包括地物类别的划分、植被覆盖度的估计、土地利用类型的分析等。
常见的分类方法包括基于像素的分类、基于对象的分类和基于深度学习的分类等。
4. 遥感影像的变化检测遥感影像的变化检测是指比较不同时段的遥感影像，分析地表特征在时间上的变化情况。
变化检测可以用于监测自然灾害、城市扩张、森林砍伐等方面的变化。
常见的变化检测方法包括像素级变化检测和基于对象的变化检测等。
5. 遥感影像的数据融合遥感影像的数据融合是将多源、多光谱或多分辨率的遥感影像进行融合，以提高遥感影像的空间和光谱分辨率。
数据融合可以增强遥感影像的细节信息，改善遥感影像的可视化效果，提高遥感影像在各种应用中的精度和效果。
常见的数据融合方法包括主成分分析、小波变换和多尺度分析等。
6. 遥感影像的特征提取遥感影像的特征提取是从遥感影像中提取出目标物体的特征信息的过程。
遥感图像处理实验报告
遥感图像处理实验报告遥感图像处理实验报告引言遥感技术作为一种获取地球表面信息的重要手段，已经在农业、环境、城市规划等领域得到广泛应用。
本实验旨在通过遥感图像处理，探索图像处理算法的应用效果，并分析其在实际应用中的潜力。
一、图像预处理图像预处理是遥感图像处理的第一步，其目的是消除图像中的噪声、增强图像的对比度和清晰度。
在本实验中，我们使用了直方图均衡化和中值滤波两种常见的图像预处理方法。
直方图均衡化是一种通过调整图像像素的灰度分布来增强图像对比度的方法。
通过对图像的灰度级进行重新分配，使得图像的灰度分布更加均匀，从而使得图像的细节更加清晰。
实验结果显示，直方图均衡化对于遥感图像的对比度增强效果显著。
中值滤波是一种常见的图像去噪方法，其原理是通过计算像素点周围邻域的中值来替代该像素点的值，从而消除图像中的噪声。
在本实验中，我们使用了3x3的中值滤波器对遥感图像进行滤波处理。
实验结果表明，中值滤波能够有效地去除图像中的椒盐噪声和高斯噪声，使得图像更加清晰。
二、图像分类图像分类是遥感图像处理的核心任务之一，其目的是将遥感图像中的像素点按照其特征分类到不同的类别中。
在本实验中，我们使用了支持向量机（SVM）算法进行图像分类。
支持向量机是一种常用的机器学习算法，其通过构建一个最优超平面来实现分类。
在图像分类中，我们将遥感图像中的每个像素点看作一个数据样本，其特征由像素的灰度值和纹理信息组成。
通过对训练样本进行学习，支持向量机能够建立一个分类模型，从而对测试样本进行分类。
实验结果显示，支持向量机在遥感图像分类中表现出较高的准确性和鲁棒性。
通过调整支持向量机的参数，我们可以得到不同的分类结果。
此外，支持向量机还能够处理高维数据和非线性分类问题，使其在遥感图像处理中具有广泛的应用前景。
三、图像变换图像变换是遥感图像处理中的重要环节，其目的是将图像从一个空间域转换到另一个空间域，从而提取图像中的特征信息。
在本实验中，我们使用了小波变换和主成分分析两种常见的图像变换方法。
遥感图像处理流程
遥感图像处理流程一．预处理1．降噪处理由于传感器的因素，一些获取的遥感图像中，会出现周期性的噪声，我们必须对其进行消除或减弱方可使用。
（1）除周期性噪声和尖锐性噪声周期性噪声一般重叠在原图像上，成为周期性的干涉图形，具有不同的幅度、频率、和相位。
它形成一系列的尖峰或者亮斑，代表在某些空间频率位置最为突出。
一般可以用带通或者槽形滤波的方法来消除。
消除尖峰噪声，特别是与扫描方向不平行的，一般用傅立叶变换进行滤波处理的方法比较方便。
图1 消除噪声前图2 消除噪声后（2）除坏线和条带去除遥感图像中的坏线。
遥感图像中通常会出现与扫描方向平行的条带，还有一些与辐射信号无关的条带噪声，一般称为坏线。
一般采用傅里叶变换和低通滤波进行消除或减弱。
图3 去条纹前图4 去条纹后图5 去条带前图6 去条带后2．薄云处理由于天气原因，对于有些遥感图形中出现的薄云可以进行减弱处理。
3．阴影处理由于太阳高度角的原因，有些图像会出现山体阴影，可以采用比值法对其进行消除。
二．几何纠正通常我们获取的遥感影像一般都是Level2级产品，为使其定位准确，我们在使用遥感图像前，必须对其进行几何精纠正，在地形起伏较大地区，还必须对其进行正射纠正。
特殊情况下还须对遥感图像进行大气纠正，此处不做阐述。
1．图像配准为同一地区的两种数据源能在同一个地理坐标系中进行叠加显示和数学运算，必须先将其中一种数据源的地理坐标配准到另一种数据源的地理坐标上,这个过程叫做配准。
（1）影像对栅格图像的配准将一幅遥感影像配准到相同地区另一幅影像或栅格地图中，使其在空间位置能重合叠加显示。
图7 图像配准前图8 图像配准后（2）影像对矢量图形的配准将一幅遥感影像配准到相同地区一幅矢量图形中，使其在空间位置上能进行重合叠加显示。
2．几何粗纠正这种校正是针对引起几何畸变的原因进行的，地面接收站在提供给用户资料前，已按常规处理方案与图像同时接收到的有关运行姿态、传感器性能指标、大气状态、太阳高度角对该幅图像几何畸变进行了校正.3．几何精纠正为准确对遥感数据进行地理定位，需要将遥感数据准确定位到特定的地理坐标系的，这个过程称为几何精纠正。
遥感图象处理Ⅰ(图像预处理)
实验二遥感图象处理Ⅰ（图像预处理）1.1 概述图像预处理包括图像几何校正，图像裁剪处理和图像镶嵌处理三个部分。
由于遥感系统空间、波谱、时间以及辐射分辨率的限制，很难精确地记录复杂地表的信息，因而误差不可避免地存在于数据获取过程中。
这些误差降低了遥感数据的质量，从而影响了图像分析的精度。
因此在实际的图像分析和处理之前，有必要对遥感原始图像进行预处理。
经过预处理工作，针对遥感图像的变换、增强、分类等工作将会变得更加得心应手。
1.2 实验目的1通过本次上机实验，掌握遥感图像几何校正、裁剪与镶嵌处理的基本方法和步骤。
2深刻理解遥感图像预处理的意义。
3熟悉ERDAS数据预处理模块。
1.3 实验原理几何校正是利用地面控制点进行，用一种数学模型来近似描述遥感图像的几何畸变过程，并利用标准图像与畸变的遥感图像之间的一些对应点（地面控制点数据对）求得这个几何畸变模型，然后利用此模型进行几何畸变的校正，这种校正不考虑畸变的具体形成原因，而只考虑如何利用畸变模型来校正遥感图像。
步骤大致包括GCP（地面控制点）的选取、多项式纠正模型的选择、重采样，内插方法的选择三个环节。
如果工作区域较小，只要一景遥感图像中的局部就可以覆盖的话，就需要进行遥感图像裁剪处理。
同时，如果用户只关心工作区域之内的数据，而不需要工作区域之外的图像，同样需要按照工作区域边界进行图像裁剪。
于是就出现规则裁剪与任意多边形裁剪等类型。
如果工作区域较大，需要用两景或者多景遥感图像才能覆盖的话，就需要进行遥感图像镶嵌处理。
遥感图像镶嵌处理即将经过几何校正的若干相邻图像拼接成一副图像或一组图像。
注意：需要拼接的输入图像必须含有地图投影信息，且必须具有相同的波段数，但是可以具有不同的投影类型，像元大小也可以不同。
在进行图像镶嵌时，需要确定一副参考图像，参考图像将作为输出镶嵌图像的基准，决定镶嵌图像的对比度匹配，以及输出图像的地图投影，像元大小和数据类型。
1.4 实验过程1.4.1 遥感图像几何校正第1步：显示图像文件首先，在ERDAS图标面板中单击Viewer图标两次，打开两个视窗（Viewer#1/Viewer#2）。
遥感图像处理方法与技巧
遥感图像处理方法与技巧引言：遥感图像处理是指通过感知、获取地球表面信息的遥感数据，利用计算机技术和图像处理算法对遥感图像进行处理、分析、提取等操作的过程。
这一技术的发展不仅在地理信息系统领域有着广泛的应用，也在农业、环境保护、城市规划等诸多领域发挥着重要作用。
本文将介绍几种常见的遥感图像处理方法和技巧。
一、图像预处理技术在进行进一步的图像处理前，通常需要对原始遥感图像进行预处理，以消除图像中的噪声、增强图像的特定信息等。
图像预处理的主要方法有：1.空间滤波：通过利用滤波器，对图像进行平滑或锐化处理。
常用的滤波器包括均值滤波器、中值滤波器和高斯滤波器。
2.辐射校正：由于不同地表物体对电磁波的反射率不同，遥感图像中的亮度值会受到光照和传感器等因素的影响。
辐射校正可消除这些因素对图像的影响，使得不同遥感图像具有一致的亮度分布。
3.几何校正：由于遥感图像通常受到地球自转、地形起伏等因素的影响，导致图像中的地理信息不准确。
几何校正可以修正图像的位置和形状，使其与真实地理坐标一致。
二、图像分类与分割方法图像分类与分割是遥感图像处理的核心环节，旨在将遥感图像中的不同地物或地物类别进行识别和分离。
常见的分类与分割方法有：1.基于像元的分类：将遥感图像中的每个像元（图像的最小单位）分配给不同的类别。
这种方法基于每个像元的统计特征进行分类，如亮度、颜色和纹理等。
2.分层分类：将遥感图像中的类别按照层级进行分类，从粗粒度到细粒度逐步区分不同地物。
3.聚类分割：通过对遥感图像中的像元进行聚类，将具有相似特征的像元划分到同一类别。
常用的聚类算法有K-means和基于区域的分水岭算法。
4.基于边缘的分割：提取遥感图像中物体的边缘信息，并利用边缘信息对图像进行分割。
这种方法适用于物体之间边缘明显的场景。
三、变化检测技术变化检测是指通过比较不同时期的遥感图像，寻找并分析地表上发生的变化。
变化检测技术在自然灾害监测、城市规划等方面有着广泛的应用。
如何进行遥感图像的处理与分析
如何进行遥感图像的处理与分析遥感技术是指通过卫星、飞机等远程手段获取地球表面信息的一种技术，它具有广泛的应用领域，包括环境监测、农业、城市规划等。
遥感图像的处理和分析是遥感技术的重要组成部分，它能够帮助我们从海量的遥感数据中提取有效信息，为决策提供科学依据。
本文将介绍如何进行遥感图像的处理与分析。
一、遥感图像的预处理遥感图像的预处理是图像处理的第一步，它主要包括图像校正、辐射校正和大气校正等。
图像校正是将图像转换为常用的坐标系统，如UTM坐标系或地理坐标系，以便进行后续的分析。
辐射校正是将图像的数字值转换为表面反射率，以消除光照条件的影响。
大气校正是消除大气散射对图像的影响，使得图像更加准确和可靠。
二、遥感图像的特征提取特征提取是从遥感图像中提取与研究对象有关的信息特征。
常用的特征包括光谱特征、纹理特征和形状特征等。
光谱特征是指通过对不同波段的遥感图像进行统计和分析，来获取地物的光谱信息。
纹理特征是指通过分析图像中的纹理变化来获取地物的纹理特征。
形状特征是指通过对地物的形状进行测量和分析，来获取地物的形状信息。
这些特征能够帮助我们对地物进行分类和识别。
三、遥感图像的分类与识别遥感图像的分类与识别是将图像中的像素或区域划分成不同的类别，并将其与标志样本进行比较，以实现遥感图像的自动解译和分析。
常用的分类方法包括有监督分类和无监督分类。
有监督分类依赖于标志样本，通过训练分类器来实现图像的分类。
无监督分类则是根据图像的统计特征对图像进行自动聚类。
分类和识别的准确性往往取决于样本的选择和分类器的性能。
四、遥感图像的变化检测遥感图像的变化检测是指通过对多期遥感图像进行比较和分析，来获取地物变化的信息。
常用的变化检测方法包括像元级变化检测和目标级变化检测。
像元级变化检测通过对图像的像素进行比较，来获取地物的变化信息。
目标级变化检测则是通过对地物的目标进行分析，来获取地物变化的信息。
变化检测能够帮助我们了解地表环境的动态变化和变化原因。
遥感图像处理中的常见方法与工具
遥感图像处理中的常见方法与工具遥感图像处理是利用遥感技术获取的遥感图像进行分析和处理的过程。
遥感技术通过获取地球表面的电磁能谱反射、发射、散射等信息，能够提供关于地表的大量数据。
为了从这些图像数据中提取出有用的信息，需要借助一些常见的方法和工具。
一、图像预处理在进行遥感图像处理之前，常常需要对原始图像进行预处理。
预处理的目的是将原始图像中的噪声、失真等干扰因素去除，以提高图像处理的准确性和可信度。
常见的图像预处理方法包括去噪、增强、几何校正等。
去噪方法可以采用滤波器，如均值滤波器、中值滤波器等。
图像增强可以通过直方图均衡、对比度增强等方法进行。
几何校正主要是为了去除图像中的几何形变，例如通过地面控制点来进行地理坐标的校正。
二、图像分类图像分类是将遥感图像中的像素归类到不同的地物类型或类别中的过程。
图像分类的目的是为了提取出图像中的地物信息，以便进行地理信息系统（GIS）分析和资源管理。
常见的图像分类方法包括像素级分类、目标识别和无监督分类等。
像素级分类通过将每个像素点分配到特定的类别中，从而获得整幅图像中不同类别的空间分布。
目标识别则是通过提取目标在图像中的特征，利用模式识别算法进行分类。
无监督分类则是根据图像中像素的统计信息来进行分类，不需要事先提供训练样本。
三、特征提取特征提取是从遥感图像中提取出具有代表性的特征，以进行进一步的分析和应用。
常见的特征包括颜色、纹理、形状等。
颜色特征可以通过提取图像中像素的颜色直方图、色调、饱和度等信息来进行。
纹理特征则是描述图像中不同地物的纹理属性，例如纹理的方向、粗糙度等。
形状特征则是描述地物的几何形状，例如地块的面积、周长等。
特征提取的目的是为了对地物进行更精细的分类和分析。
四、风险评估遥感图像处理还可以应用于风险评估领域。
例如，通过分析遥感图像中的植被指数、土地利用变化等信息，可以对自然灾害（如洪水、干旱等）的风险进行评估。
同时，还可以通过对城市遥感图像中的建筑物密度、道路交通流量等信息进行分析，评估城市规划与发展中的风险，以促进城市可持续发展。
《遥感图像预处理》课件
通过线性或非线性变换来调整像素强度范围，增强图像的对比度。
对比度拉伸
通过增强高频分量来增强图像的边缘和细节信息。
锐化滤波
通过将图像的低频和高频分量分离并分别处理，增强图像的对比度和细节信息。
同态滤波
02
01
03
04
05
遥感图像的融合处理
06
图像融合是将多源信道所采集到的关于同一目标的图像，通过一定的图像处理和信息融合技术，提取各自信道的信息并最终复合在一起，形成高质量、全面、准确的图像。
THANKS
几何校正的方法
遥感图像的噪声去除
04
VS
噪声去除是遥感图像预处理中的重要步骤，旨在减少或消除图像中的噪声，提高图像质量。
意义
噪声是影响遥感图像质量的主要因素之一，去除噪声有助于提高图像的视觉效果、降低后续分析的误差，为遥感应用提供更准确、可靠的数据基础。
定义
基于图像的统计特性，通过滤波、变换等技术手段，将噪声与图像信号分离，从而达到去除噪声的目的。
意义
原理
基于图像的数学模型和物理模型，通过一定的算法和技术，对图像的像素值进行变换和处理，以达到增强图像的目的。
方法
直方图均衡化、对比度拉伸、锐化滤波、同态滤波、傅里叶变换等。
通过拉伸像素强度分布范围来增强图像的对比度。
直方图均衡化
将图像从空间域变换到频率域，通过增强高频分量或抑制低频分量来增强图像的3
几何校正的定义
几何校正是指将原始的遥感图像经过一系列的变换，使其与标准地图或参考地图在几何位置上对齐的过程。
几何校正的意义
几何校正是遥感图像预处理的重要步骤，它能够纠正图像中由于传感器、地球曲率、地球自转等因素导致的几何畸变，提高遥感图像的精度和可靠性，为后续的图像分析和应用提供准确的基础数据。
- 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)。
1.自定义坐标系1.1.坐标系概括常用坐标系分为地理坐标系和投影坐标系。
1.1.1.地理坐标系地理坐标系中含椭球体(spheroid)和大地基准面(datum)两个重要部分。
1)椭球体。
地球并不是一个规则球体，因此我国常用以下椭球体模拟地球，见表1。
2)大地基准面大地基准面指参考椭球与WGS84参考椭球的相对位置关系（3个平移，3个旋转，1个缩放），可用3个、4个或者7个参数进行描述。
每个椭球体都对应一个或多个大地基准面。
1.1.2.投影坐标系投影坐标系是利用一定数学法则将地球表面上的经纬线网表示到平面上，属于平面坐标系。
一个投影坐标系包含椭球体、投影方法和大地基准面。
我国普遍采用的投影方法是高斯-克吕格投影，在欧美国家称为横轴莫卡托投影(Transverse Mercator)。
为保证地图精度，采用分带投影法，有3°分带和6°分带两种。
对于每分带的投影，需指定中央经线以及坐标轴原点X、Y坐标。
我国在北半球，为避免Y坐标出现负值，规定统一将各带Y值加500km。
为避免各带坐标重复，可在不同带间Y值冠以带号，即通用坐标。
商业软件坐标系分为标准坐标系和自定义坐标系，我国实际应用中往往需要自定义坐标系，以北京54坐标系和西安80坐标系为例讲解如何在Envi中自定义坐标系。
1.2.Envi自定义坐标系1.2.1.定义椭球体使用记事本打开HOME\ITT\IDL80\products\envi48\map_proj\ellipse.txt，将“Krasovsky, 6378245.0, 6356863.3”(Beijing-54坐标系使用)和“IAG-75, 6378140.0, 6356755.3”(Xian-80坐标系使用)加入文本末端。
1.2.2.定义基准面使用记事本打开HOME\ITT\IDL80\products\envi48\map_proj\datum.txt，将“D_BEIJING_1954, Krasovsky, -12, -113, -41”(Beijing-54坐标系使用)和“D_Xian_1980, IAG-75, 0, 0, 0”(Xian-80坐标系使用)加入文本末端。
注：此处的D_BEIJING_1954和D_Xian_1980在Envi 4.7版本以上不可更改，否则会转换失败。
1.2.3.定义投影系在Envi任何用到投影坐标的功能模块中，都可以新建坐标系（在任何地图投影选择对话框中，点击New按钮），也可通过主菜单→Map→Customize Map Projection，弹出Customized Map Projection Definition对话框，如图1。
Beijing 1954 6 Degree 111E图 1 定义投影系依序定义如下参数：1)Projection Name：投影坐标系名称；2)Projection Type：选择投影类型，如Transverse Mercator；3)Projection Datum：选择基准面；4)False easting：东偏距离500000，若需X轴含带号，添加相应带号于500000前；5)False northing：北偏距离，填写0；6)Latitude：中央纬线，填写0；7)Longitude：中央经线，填写某带的中央经线，如117；8)Scale factor：中央经线长度比，填写0.9996，精度与高斯-克吕格等同。
选择Projection→Add New Projection，将投影添加到Envi使用的列表中。
选择File→Save Projection，存储新添或更改过的投影信息。
打开HOME\ITT\IDL71\products\envi48\map_proj\map_proj.txt，即可看到新建的坐标信息，如图2。
至此，投影系已添加完毕，可在Envi中使用。
图 2 添加完成的投影坐标系1.3.图像投影转换描述一个栅格文件地理位置信息由两部分组成：坐标信息（map）和投影信息（projection）。
坐标信息由起始点像素坐标以及对应的地理（投影）坐标和像素大小组成；投影信息就是坐标系信息。
一般来说，如果坐标信息丢失，这个文件将会失去坐标；投影信息是用来描述坐标信息，如果投影信息丢失，可以重新设定。
下面演示如何将北京54坐标系的栅格图像转化为西安80坐标系。
1.3.1.定义初始投影系1)打开.\data\ 0-坐标定义\ f49e011021.img文件；2)在Available Bands List中，Map Info节点右击，单击Edit Map Information，弹出对话框；3)单击Change Projection按钮，在弹出对话框中选择目标投影系，如图3；图 3 设定影像投影系4)点击OK，Available Bands List中的Map Info下拉节点坐标信息发生了相应改变，表明投影信息已成功赋予图像，如图4。
图 4 设定影像投影系前后对比1.3.2.投影转换选择主菜单→Map→Convert Map Projection，在弹出的对话框中设置如下参数，如图5：1)Change Projection：选择投影目标系名称；2)Conversion Parameters：Method选用Polynomial，Polynomial Degree为2；3)Output Result to：选择Memory。
图 5 投影转换参数设置单击OK后，执行投影转换，转换结果如图6。
图 6 投影转换后坐标信息2.图像几何校正几何校正是利用地面控制点和几何校正数学模型来矫正非系统因素产生的误差，同时也是将图像投影到平面上，使其符合地图投影系统的过程；由于校正过程中会将坐标系统赋予图像数据，所以此过程包括了地理编码(geo-coding)。
2.1.基于自带定位信息的几何校正对于重返周期短、空间分辨率较低的卫星数据，如A VHRR、MODIS、SeaWiFS 等，地面控制点的选择有相当难度。
因此，可以用卫星传感器自带的地理定位文件进行几何校正。
在Envi中，基本方法为主菜单→Map→Georeference传感器名称。
本部分以MODIS Level 1B级数据介绍基于自带定位信息的几何校正方法。
2.1.1.打开数据文件打开.\data\1-Modis\ MOD02HKM.A2002248.0345.005.2007348121959.hdf文件。
2.1.2.选择校正模型选择主菜单→Map→Georeference MODIS，弹出Input MODIS File对话框（图7），单击文件名，选择校正的文件单击OK，进入下一步。
图7 选择要处理的MODIS波段2.1.3.设置输出参数a)在Georeference MODIS Parameters对话框中（图4），设置输出坐标系；b)在Number Warp Points中，键入X、Y方向校正点的数量。
在X方向的校正点数量应该小于等于51，在Y方向的校正点数应该小于等于行数；c)Enter Output GCP Filename：设置控制点输出文件；d)Perform Bow Tie Correction：用来消除MODIS的“蝴蝶效应”，默认Yes。
如图8，点击OK，进入下一步。
图8 选择投影坐标系2.1.4.设置校正参数a)系统自动计算起始点坐标值、像元大小、图像行列数据，也可根据要求更改；b)Background设置为0；c)设置输出影像路径。
图9 校正参数及输出路径如图9，点击OK，开始执行校正，经过图10两个步骤后，最终校正结果如图11所示。
图10 影像校正图11 校正前(左)后(右)影像2.2.基于GLT的FY3数据校正GLT几何校正法利用输入的集合文件生成一个GLT(geographic lookup table)地理位置查找表文件。
它是一个二维图像文件，包含地理校正图像的行列两个波段，文件对应的灰度值表示原始图像每个像素对应的地理位置坐标信息，用符号整型存储，符号为正时，说明使用了真实的像元位置值，符号为负时，说明使用了邻近像元的位置值，值为0说明周围7个像元内没有邻近像元位置值。
GLT文件包含初始图像每个像元的地理定位信息，它的校正精度是很高的，避免了通过地面控制点利用二次多项式几何校正法对低分辨率图像数据的处理。
下面以我国(FY3)气象卫星可见光红外扫描辐射计(Visible and InfraRed Radiometer, VIRR)数据为例，进行GLT几何校正。
2.2.1.安装补丁安装HDF5补丁，将.\data\2-FY3中的open_hdf5_event.sav文件拷贝到HOME\ITT\IDL80\products\envi48\save_add文件夹中，重启ENVI。
2.2.2.打开文件a)主菜单→File→Open External File→Generic Formats→HDF5，选择文件Z_SATE_C_BAWX_20090104070730_P_FY3A_VIRRX_GBAL_L1_20090104_0510_1000M_MS.HDF（文件类型选择*.*）b)如图12，选择EV_RefSB图像数据，点击Import to ENVI。
图12 HDF5文件查看c)同上步，将定位经纬度文件打开(Latitude和Longitude)。
2.2.3.生成GLT文件a)选择主菜单→Map→Georeference from Imput Geometry→Build GLT。
b)在Input X Geometry Band对话框中，选择精度Longitude作为X波段，如图13。
图13 选择X波段c)由于X波段左边边缘为0值，因此有必要对边缘进行掩膜处理，点击Spatial Subset按钮，在Select Spatial Subset对话框中，设置Samples为3（去掉开始3个像素），如图14。
图14 掩膜去除0值像素d)在Input X Geometry Band对话框单击OK后，进入Input Y Geometry Band对话框，选择纬度Latitude为Y波段。
e)点击OK后，进入Geometry Projection Information对话框，设置输入输出投影参数。
f)点击OK后，进入Build Geometry Lookup File对话框，填写输出像元大小（默认），旋转角度(Rotation)为0（正上方为北），选择保存路径及文件名，如图15。
图15 输出GLT文件设置g)点击OK后，开始生成GLT文件，如图16。
图16 生成GLT文件h)生成的GLT文件含Sample Lookup和Line Lookup两个波段，如图17。