遥感卫星影像数据信息提取.
测绘技术中的遥感数据的获取与处理方法
测绘技术中的遥感数据的获取与处理方法遥感技术在测绘领域的应用日益广泛，其能够获取大范围、高分辨率的地表信息，为地理空间数据的获取和处理提供了有力支持。
本文将探讨测绘技术中遥感数据的获取与处理方法。
一、遥感数据的获取遥感数据的获取主要通过卫星、飞机等载体，采集地球表面的电磁辐射信息。
卫星遥感数据具有广覆盖、周期性获取、持续监测等优势，而航空遥感数据则具有高分辨率、重复性强等特点。
1. 卫星遥感数据的获取卫星遥感数据的获取通常分为光学遥感和微波遥感两类。
光学遥感通过装载在卫星上的传感器，记录地表反射、发射和散射的光谱信息，推测出地表特征。
而微波遥感则利用微波辐射与地表物质的相互作用，获取地表的散射、吸收和反射等信息。
2. 航空遥感数据的获取航空遥感通过飞机搭载的传感器，采集地表的高分辨率影像数据。
航空遥感数据获取灵活，能够根据需要选取特定区域进行拍摄，获取更精确的地理信息。
二、遥感数据的处理方法遥感数据处理是对获取的原始遥感数据进行预处理、分类、提取等工作，以获得具有科学和实用价值的产品和信息。
1. 遥感数据的预处理遥感数据的预处理主要包括几何校正、辐射校正和大气校正等。
几何校正校正了数据获取过程中的几何变形，使其与地球表面实际对应；辐射校正消除了传感器自身的误差和对地球表面的辐射强度；大气校正则通过模型和反演方法消除大气对遥感数据的扰动。
2. 遥感数据的分类遥感数据的分类是将遥感图像中的像元分成不同的类别，常用的分类方法包括有监督分类和无监督分类。
有监督分类通过已知的训练样本进行分类器训练，然后将分类器应用于整个图像；无监督分类则不需要先验知识，通过聚类方法将图像像元自动分类。
3. 遥感数据的特征提取遥感数据的特征提取是从遥感图像中提取出地物的特征属性，如形状、纹理、光谱等。
特征提取可以利用像元级的单一特征或多特征组合进行，常用的方法有主成分分析、小波变换、纹理分析等。
4. 遥感数据的信息提取遥感数据的信息提取是根据特定的需求，通过应用特定的算法，提取出地物的相关信息。
如何利用遥感影像进行地形高程信息提取
如何利用遥感影像进行地形高程信息提取引言：随着科技的不断进步和遥感技术的发展，利用遥感影像进行地形高程信息提取已经成为地球科学研究中不可或缺的一部分。
通过遥感技术，我们可以获取到地球表面的影像数据，然后利用这些数据进行地形高程信息的提取和分析。
本文将介绍如何利用遥感影像进行地形高程信息提取，并探讨其中的原理和技术方法。
一、遥感影像的获取遥感影像是通过航空或卫星传感器对地球表面进行感知和测量，获取到的图像数据。
遥感影像可以提供大范围、连续性的地表信息，具有分辨率高、重访率高的优点。
常见的遥感影像包括卫星影像和航空影像。
卫星影像是由各种地球观测卫星收集的数据，具有广覆盖、频率高的特点。
常见的卫星有Landsat、MODIS等，它们可以提供高分辨率的多谱段影像数据。
航空影像则是通过航空器对地表进行拍摄而获得，一般具有较高的分辨率和空间分辨率。
卫星影像适合用于大面积地形高程信息提取，航空影像适合用于对个别区域进行高程信息提取。
二、地形高程信息提取的原理地形高程信息提取是指通过遥感影像数据获取到地表不同位置的高程信息。
地形高程信息提取的原理是利用遥感影像中的光谱、纹理和几何等信息，结合数学模型和算法来重建地形表面。
常用的地形高程信息提取方法包括数字高程模型(Digital Elevation Model，DEM)的生成。
DEM是以数值形式表示不同区域的地表高程信息的一种地理信息系统数据模型。
通过对遥感影像进行处理，可以获取到DEM数据，进而利用DEM数据进行地形高程的分析和提取。
DEM数据常通过插值算法进行生成，得到地表的高程信息。
三、地形高程信息提取的技术方法1. 影像预处理地形高程信息提取之前，首先需要对遥感影像进行预处理。
这包括影像校正、辐射定标和几何纠正等步骤。
影像校正是指根据传感器和大气条件对影像进行校正，消除辐射误差；辐射定标是指将影像数字值转化为反射率或辐射率；几何纠正是指将影像与地理坐标系统进行匹配，以确保影像与地面位置对应。
遥感影像处理中的特征提取方法和应用
遥感影像处理中的特征提取方法和应用遥感影像是通过无人机、卫星等载体获取的地球表面的影像数据。
特征提取是遥感影像处理中的一项重要任务，旨在从遥感影像中提取出地物的特定特征，以实现对地物的分类、识别和监测等应用。
本文将介绍遥感影像处理中常用的特征提取方法及其应用。
一、特征提取方法1. 基于像素的特征提取方法基于像素的特征提取方法是从单个像素点的信息中提取特征。
常用的方法包括：（1）颜色特征提取：利用遥感影像中的颜色信息进行特征提取。
常用的方法包括二值化、RGB分量、HSV、归一化差异植被指数（NDVI）等。
（2）纹理特征提取：利用遥感影像中的纹理信息进行特征提取。
常用的方法包括灰度共生矩阵（GLCM）、灰度值标准差、平均灰度值等。
（3）形状特征提取：利用遥感影像中的形状信息进行特征提取。
常用的方法包括链码、Hu不变矩、区域面积等。
2. 基于目标的特征提取方法基于目标的特征提取方法是在已知地物目标的前提下，根据地物目标的特定特征进行特征提取。
常用的方法包括：（1）形状特征提取：利用地物目标的形状信息进行特征提取。
常用的方法包括面积、周长、伸长率等。
（2）纹理特征提取：利用地物目标的纹理信息进行特征提取。
常用的方法包括纹理能量、纹理熵、纹理对比度等。
（3）上下文特征提取：利用地物目标的上下文信息进行特征提取。
常用的方法包括边界连接、邻居分析、局部空间关系等。
二、特征提取应用1. 地物分类特征提取在地物分类中起到了关键作用。
通过提取不同地物的特定特征，可以将遥感影像中的地物进行分类，如水体、森林、建筑等。
特征提取方法可以通过训练分类器来实现自动分类。
2. 土地利用监测特征提取可以应用于土地利用监测。
通过提取遥感影像中地物的特定特征，可以实现对土地的类型和变化进行监测，如农田的扩张、森林的退化等，为土地规划和资源管理提供支持。
3. 城市规划特征提取在城市规划中具有重要意义。
通过提取遥感影像中的建筑、道路等特定特征，可以分析城市的发展趋势和扩张方向，为城市规划和交通规划提供数据支持。
遥感数据获取和处理的方法与技巧
遥感数据获取和处理的方法与技巧遥感技术是一种通过远距离获取地球表面信息的技术，具有广泛的应用领域，包括土地利用规划、环境监测、资源调查等。
本文将介绍遥感数据获取和处理的方法与技巧，以帮助读者更好地理解和应用遥感技术。
一、遥感数据获取的方法与技巧1. 遥感平台的选择遥感数据的获取可以通过不同的平台进行，包括卫星遥感和航空遥感。
卫星遥感是通过卫星搭载的传感器获取数据，适用于大范围的地表信息获取；而航空遥感则是通过飞机或无人机搭载的传感器获取数据，适用于局部区域的高分辨率影像获取。
在选择遥感平台时，需要根据具体应用需求和预算进行评估和选择。
2. 数据源的选择遥感数据的获取可以通过不同的数据源进行，包括光学遥感数据和雷达遥感数据。
光学遥感数据通过感知可见光和红外辐射，适用于获取地表的光谱和形态信息；而雷达遥感数据通过感知微波辐射，适用于获取地表的高度和形变信息。
在选择数据源时，需要根据应用需求和研究目标进行评估和选择。
3. 数据获取的预处理在进行遥感数据获取之前，需要进行数据获取的预处理工作。
这包括确定获取的数据范围、选择合适的获取时间和天气条件，以及进行辐射校正和几何校正等工作。
预处理的目的是消除图像中的噪声、改善数据质量，并使数据能够更好地用于后续分析和处理。
二、遥感数据处理的方法与技巧1. 影像分类与解译遥感数据处理的核心任务之一是影像分类与解译。
影像分类是将遥感图像中的像素根据其特征进行划分，并将其归类到不同的地物类型中；而影像解译则是通过对图像中不同地物的特征进行分析和解释，推断其类型和特征。
影像分类与解译可以利用传统的机器学习算法，如最大似然法和支持向量机等，也可以利用深度学习算法，如卷积神经网络等。
2. 特征提取与分析特征提取与分析是遥感数据处理的另一个重要任务。
特征提取是将遥感数据中有用的信息提取出来，如纹理特征、形状特征等；而特征分析则是对提取出的特征进行统计和分析，从而揭示地物的空间分布和变化规律。
面向对象的遥感影像信息提取
面向对象的遥感影像信息提取摘要：随着遥感技术的不断发展，遥感影像的分辨率不断的提高，如何对遥感影像中的地物信息进行高效、快速的提取，是当前研究的热点问题。
面向对象的方法先对影像进行多尺度分割得到同质区域对象，充分利用遥感影像中丰富的光谱、形状、纹理等特征对分割后的对象进行分类。
面向对象的遥感信息提取的方法克服了传统的基于像元的分类方法只依靠光谱信息的缺点，更高效的获取地物信息，得到更高精度的分类结果。
关键词：多尺度分割、分类、遥感影像、面向对象Abstract：With the continuous development of remote sensing technology, the resolution of remote sensing image is constantly improving. How to efficiently and quickly extract the ground object information in remote sensing image is a hot issue in current research. The object oriented method firstly segmented the image to obtain the homogeneous region object, and made full use of the rich spectral, shape, texture and other features of remote sensing image to classify the segmented object. The object-oriented remote sensing information extraction method overcomes the shortcoming of the traditional classification method based on pixel which only relies on spectral information, and obtains the ground object information moreefficiently and gets the classification result with higher precision.Key word：Multi-scale segmentation、classification、remote sensing image、object oriented.1引言利用面向对象的信息提取技术，可以更好掌握实际生产生活中地物变化情况，以及土地利用等情况，能够为国土空间规划、土地利用调查、资源普查、交通规划、生态旅游发展等工作提供有力的数据支撑。
浅谈遥感卫星影像数据信息提取
浅谈遥感卫星影像数据信息提取摘要：在应用航天遥感时用到的数据一般分为两种形式，即遥感影像和数据图像，这两种数据形式无论使用哪种，影像都是记录在感光的胶片和相纸上的，数据影像是通过数字磁带进行记录的，记录的图像的颜色是离散变化的，而遥感影像是通过对地表进行拍摄和扫瞄来记录数据，遥感影像获得的影像数据有黑白和彩色两种，一般比较常使用的是彩色。
获取遥感影像的方式有很多种，这篇文章就是对影响遥感影像的数据信息提取方式进行了简要的分析。
关键词：遥感卫星；信息提取；影像数据一、遥感影像简介所谓的遥感反映的就是接收所要探测的目标物的电磁辐射信息的强弱程度，接收方式一般分为主动接受和被动接收，把这种接收到的信息转化成图像的形式，然后再通过相片或者是数字图像的形式表现出来，遥感影像有单波段影像、多波段影像、彩色合成影像等。
多波段影像是利用多波段的遥感器对于同一个地区进行同步的拍摄获得的若干幅波段不同的影像，相比于单波段的影像，这种多波段影响的蕴含的信息量更大，光谱的分辨率也比较高，还能够通过影响的增强技术，得到彩色的合成影像，可以很大程度上提高对地面上物体的识别能力。
那么很明显，彩色合成影像就是通过多个波段的黑白影像合成的，这种彩色的合成影像被广泛的使用在地学研究、环境监测或者是资源调查上。
遥感卫星影像在对遥感影像的信息进行处理时，主要是利用影像中的一些特征，比如光谱特征、空间特征或者是时间特性。
在这些影像的特征之外，色调是与物体的波谱特征有关系的，其他的一些要素特征都和物体的空间特征有关系。
物体的大小是与物体的影像比例有非常大的关系的，每一个物体影像的形状都是这个物体固有的特征，而影像上的纹理则是因为在一组影像上色调的变化造成的，给人视觉上留下的印象是不同的，可以帮助观察者来区分物体或者是不同的现象。
在对影像进行提取时方式有很多种，下边对于影像信息的提取进行详细分析。
二、遥感信息提取方式对于遥感信息的提取方式有很多种，最常用的提取方式主要包括目视翻译和计算机的信息提取。
遥感影像梯田信息提取方法
遥感影像梯田信息提取方法《遥感影像梯田信息提取方法：我的独门秘籍》嘿，朋友！今天我可得给你分享个超酷的独家秘籍——遥感影像梯田信息提取方法。
这就像是在一幅超级大的拼图里，精准地找出梯田那一块儿，可有意思啦。
首先呢，咱们得拿到合适的遥感影像。
这就好比你要做菜，先得有食材对吧。
你可以从各种官方的卫星数据平台去获取影像，这些影像就像是老天爷从天上给咱拍的大照片。
但是呢，不是随便一张照片都行哦。
要根据你研究的区域大小、地理位置这些因素来挑。
比如说，你要是研究一个小山村的梯田，就没必要拿那种全球范围的超高清影像，那可就像用大炮打蚊子，太浪费资源啦。
拿到影像之后呢，咱们得先做个预处理。
这预处理啊，就像是给照片美颜，但不是让梯田变美，而是让影像更适合咱们分析。
这个步骤包括辐射校正和几何校正。
辐射校正就像是给照片调色，让颜色更准确，因为有时候卫星拍照的时候光线有点调皮，可能会让影像的颜色变得奇奇怪怪的。
我就有一次，看到一张影像里的梯田，本来应该是绿色的，结果看起来像蓝色的，就像外星人种的一样，后来才发现是辐射校正没做好。
几何校正呢，就是把影像的形状调整好，就像把一张揉皱的照片铺平一样，让它的地理位置和实际的对上号。
接下来，就是特征选择啦。
这可是个关键步骤，就像你找对象的时候挑关键条件一样。
梯田有啥特征呢？它一般是一层一层的，像楼梯一样。
在影像里，可能会表现为有规律的纹理、特定的颜色或者形状。
比如说，梯田里有水的时候，可能就会比旁边的旱地颜色深一些，看起来就像一条一条深色的带子夹杂在浅色之间。
我们要根据这些特征，从影像里把和梯田有关的信息筛选出来。
我把这个过程想象成从一堆水果里挑出苹果，那些纹理、颜色、形状符合梯田特征的就像是一个个大苹果，我们要把它们挑出来。
然后呢，就是分类这一步了。
我们可以用各种分类算法，比如说监督分类或者非监督分类。
监督分类就像是有老师教你认东西一样，你得先给计算机一些已经知道是梯田的样本，然后计算机就会根据这些样本去识别影像里其他类似的地方。
遥感卫星影像处理与遥感数据应用
遥感卫星影像处理与遥感数据应用遥感卫星影像处理与遥感数据应用是一项利用遥感技术获取和处理卫星影像数据，并应用这些数据进行地理信息分析、资源评估、环境监测等方面的研究与应用任务。
遥感卫星是指运行在地球轨道上的一种卫星，它搭载有遥感传感器，可以通过感应地球表面反射、辐射的电磁波，并将其转化为数字图像数据。
这些遥感卫星影像数据可以提供高分辨率、广覆盖率的地球表面信息，对于地理空间分析具有重要意义。
遥感卫星影像处理是指基于遥感卫星获取的数字图像数据，通过一系列的图像预处理、影像纠正、特征提取、分类分类等一系列操作，将原始影像数据转化为可用于地理信息系统分析的矢量或光栅数据。
这些数据可以被用于生成地形图、土地利用分类图、植被盖度研究等目的。
首先，遥感卫星影像处理的第一步是图像预处理。
图像预处理包括辐射校正、大气校正、几何校正等步骤，以确保获取到的影像数据具备一致性和可比性。
通过辐射校正，可以将原始影像数据从数值上可比较，并将其转换为反射率或亮度值。
大气校正则移除了大气对影像的影响，减少由于大气散射和吸收而引起的信息噪声。
几何校正则纠正影像中的位置、角度等几何失真，以保证影像数据准确地反映地球表面的特征。
其次，遥感卫星影像处理的下一步是影像纠正。
影像纠正是指通过对影像进行投影变换、边缘匹配、波段匹配等处理，使得图像在空间尺度和角度上比较准确地与地理实体匹配。
通过影像纠正，可以使影像数据受到形变、旋转、尺度变化等因素的影响较小，为后续的地理信息分析提供准确的基础。
第三，遥感卫星影像处理的关键步骤是特征提取。
特征提取是指从遥感卫星影像数据中提取出与地理实体相关的特征信息。
常见的特征包括植被指数、土地利用类型、水体信息等。
通过采用不同的光谱拓谱和纹理特征的计算方法，可以提取出不同类型地物的特征信息。
特征提取是遥感卫星影像处理的重要环节，为后续的分类和分析提供了基础。
最后，遥感卫星影像处理的最终目标是分类分析。
分类分析是利用遥感卫星影像数据，对地球表面的特征进行分割、分类和识别。
如何下载免费的遥感影像数据(多种方法)
如何下载免费的遥感影像数据(多种方法）我们都知道购买遥感影像需要很多钱，并且并不是有钱就能随便购买的，需要通过相关机构，网站购买。
另外，对于学习使用来说，学生和个人就无法购买得起遥感影像！但是，在学习中有图有真相才会学得到更多。
我们可以通过一些提供遥感影像下载的网站，下载一些影像学习，软件处理等！工具/原料联网电脑地理空间数据云下载（很好）地理空间数据云有丰富的影像数据下载，很多事免费的。
百度搜索“地理空间数据云”，点击进入首页进入首页后，如图，两个方式查找影像数据，第一按地面查找，第二，点击数据目录查找，如图地名搜索查找就不做介绍了。
点击数据目录，如图，进入影像数据目录页：左边是各种卫星的产品目录，选择你想要下载的卫星图，点击列表，如图进入卫星图的列表后，可以找到自己想下载的影像图或地区范围，下载相应的遥感影像，如图，一般详细信息有影像的大小，一般的影像都是压缩的。
下载后解压即可。
国际科学数据服务平台下载（本质同上）第二个数据下载中心在“国际科学数据服务平台”（其实这个平台也是和上边地理空间数据云相联系的），百度搜索进入，如图可以获得Landsat陆地卫星遥感影像数据等，如图，例外也提供了其他数据下载，读者自己去熟悉，查看详细！该平台与地理空间数据云相互关联，故在此不多做介绍！地球科学数据共享平台下载百度搜索“地球科学数据共享平台下载”，进入首页这里边也有一些丰富的影像数据和其他数据，不过下载可能需要有登陆权限，如图风云卫星遥感数据网下载（气象卫星）同样百度搜索“风云卫星遥感数据网”，进入首页，如图在首页，点击数据——数据下载，进入下载界面GLCF下载（国外网站）GLCF也有丰富的landsat卫星图，可以免费下载，百度GLCF，点击进入首页找到自己需要的遥感影像下载USGS影像下载（不错）此网站数据影像免费下载，还挺不错的，不过最近因为美国联邦政府问题，禁止访问下载服务了，等到恢复再看吧！还有一些提供影像数据下载的网站，本人就不一一例举了。
如何利用遥感技术进行地理空间数据提取和分析
如何利用遥感技术进行地理空间数据提取和分析遥感技术在地理空间数据提取和分析方面扮演着重要角色。
它以其高分辨率、高精度和高效性受到广泛关注和应用。
本文将探讨遥感技术在地理空间数据提取和分析中的应用，并介绍其原理、方法和应用案例。
一、遥感技术概述遥感技术是通过从卫星、飞机或无人机等平台获取地球表面信息的技术。
它可以获取到的数据包括影像数据、激光雷达数据等。
这些数据可以用于提取地理空间特征，如土地利用、地形信息等。
二、地理空间数据提取1. 土地利用/覆盖分类遥感影像可以通过图像分类算法将地表特征进行分类，如水域、建筑物、植被等。
这可以帮助我们了解不同区域的土地利用情况，为城市规划、环境保护等提供参考依据。
2. 地形图构建遥感数据可以帮助生成高程模型，辅助绘制地形图。
这对于地理学研究、灾害防治等都具有重要意义。
3. 水体提取遥感数据可以通过色彩和纹理信息提取水体特征；激光雷达数据可以通过反射特征测量水体深度。
这对于水资源管理、水质监测等至关重要。
三、地理空间数据分析1. 地表变化检测遥感技术可以通过多时相影像比对来检测地表变化情况，如城市扩张、农田变化等。
这有助于环境监测和可持续发展研究。
2. 地理空间关系分析遥感数据可以用于空间分析，检测地理实体之间的关系，如道路与河流之间的邻近性。
这在城市规划、环境保护等方面有着广泛应用。
3. 自然灾害预测与评估遥感数据可以用于监测自然灾害，如洪水、地震等。
通过数据处理和分析，可以实现对自然灾害的预测和评估，为应急响应提供及时支持。
四、遥感技术的原理与方法1. 遥感影像处理遥感影像处理涉及影像纠正、辐射校正、几何纠正等步骤。
这些步骤可以使影像数据更准确，为后续分析提供基础。
2. 图像分类与分割图像分类与分割是遥感数据处理的核心步骤。
常用的方法包括基于像素的分类方法和基于对象的分割方法，如支持向量机、卷积神经网络等。
3. 空间数据分析方法空间数据分析方法包括地理加权回归、空间插值、空间聚类等。
遥感卫星影像数据提取绿地面积方案和解译标志建立
北京揽宇方圆信息技术有限公司遥感卫星影像数据提取绿地面积方案和解译标志建立数据预处理WorldView全色高分辨率数据（0.50m）在数据预处理中要突出其高分辨率。
处理的目的是为了增强局部灰度的反差从而突出纹理细节和加强纹理能量，通过细化来尽可能减少噪音，特别强调在增强局部灰度反差时保持原灰度关系只是增加灰度的值，在拉伸方法选择上不采用非线性拉伸。
原始WorldView全色高分辩率影像亮度较低，反差小，选择适当的输入范围，调整反差系数，能改善视觉效果，所以，对高分辩率数据以消除蒙雾和提高亮度为主，尽可能减少纹理细节损失。
同时，根据融合目的的不同，在拉伸时加以区别。
用于绿化信息解译时，要避免灰度过饱和，尽可能减少纹理细节损失。
在融合图像中，多光谱数据的贡献是它的光谱信息。
融合前主要以色彩增强为主，调整亮度、色度、饱和度，拉开不同地类之间的色彩反差。
对局部的纹理要求不高，有时为了保证光谱色彩，可以削弱纹理信息来确保融合图的效果。
在城市绿化遥感测试中，为了增强绿化信息，扩大不同地类，如街道、建筑物、居民点等光谱信息的差异，使绿化地类更突出，采用了三维反差增强。
其技术实质是扩大同名像元在要合成的三个波段上灰度的差度，使该同名点合成的色调鲜艳，达到彩色增强的目的；同时，使图像上不同地物间微小的灰度差异也能增强成明显的色调差异，从而达到增强图像信息的效果。
具体处理时，采用波段特征差异光谱加权法。
将重新生成的三个新分量再进行彩色合成，便扩大了地类间的色调，减少了相关性。
根据WorldView多光谱数据的波谱效应，WorldView多光谱数据采取1（R）、2（G）、3（B）合成的图像拥有模拟真彩色，色彩柔和，适合各类人员解译使用。
影像配准本项目中使用的Worldview卫星数据的全色数据和多波谱数据需进行影像配准处理，不同时像卫星数据也要进行配准，图像配准中误差一般地区不大于0.5个像元。
影像配准采用以下方法进行精度检查：融合检查：对配准后数据进行快速融合处理，目视检查融合图是否有重影现象。
利用遥感卫星影像进行DEM高程数据提取
利用遥感卫星影像进行DEM高程数据提取DEM除了包括地面高程信息外，还可以派生地貌特性，包括坡度、坡向等，还可以计算地形特征参数，包括山峰、山脊、平原、位面、河道和沟谷等。
在测绘中用于制作正射影像图以及地图的修测。
在遥感应用中可作为分类的辅助数据。
它还是地理信息系统的基础数据，作为三维GIS的基础地形数据。
在军事上可用于导航及导弹制导、作战电子沙盘等。
数字高程模型(Digital Elevation Model)，简称DEM，它是用一组有序数值阵列形式表示地面高程的一种实体地面模型。
1.几个概念l数字地形模型（DTM,Digital Terrain Model）DTM利用一个任意坐标系中大量选择的已知x、y、z的坐标点对连续地面的一个简单的统计表示，或者说，DTM就是地形表面形态属性信息的数字表达，是带有空间位置特征和地形属性特征的数字描述。
地形表面形态的属性信息一般包括高程、坡度、坡向等。
最初是为了高速公路的自动设计提出来的（Miller，1956）。
此后，它被用于各种线路选线（铁路、公路、输电线）的设计以及各种工程的面积、体积、坡度计算，任意两点间的通视判断及任意断面图绘制。
l数字高程模型（DEM,Digital Elevation Model）DEM是高程Z关于平面坐标X，Y两个自变量的连续函数，DEM只是它的一个有限的离散表示。
高程模型最常见的表达是相对于海平面的海拔高度，或某个参考平面的相对高度。
l数字表面模型（DSM，Digital Surface Model）DSM是指包含了地表建筑物、桥梁和树木等高度的地面高程模型。
和DEM相比，DEM只包含了地形的高程信息，并未包含其它地表信息，DSM是在DEM的基础上，进一步涵盖了除地面以外的其它地表信息的高程。
在一些对建筑物高度有需求的领域，得到了很大程度的重视。
我们可以看出三个定义相互有交集又有区别。
DTM定义的范围最大，是一种广义的定义，用数字方式描述地形的统称。
遥感影像处理中的地物提取与测绘技巧详细步骤
遥感影像处理中的地物提取与测绘技巧详细步骤引言：随着科技的不断进步与创新，遥感成像技术得到了广泛应用，尤其在地物提取与测绘领域。
地物提取是指通过对遥感影像进行处理与分析，从中提取出感兴趣的地物信息，为测绘、规划和资源管理等领域提供重要依据。
本文将详细探讨遥感影像处理中的地物提取与测绘技巧的步骤，旨在为相关从业人员提供参考和借鉴。
一、遥感影像数据准备在进行地物提取与测绘之前，首先需要收集与选取合适的遥感影像数据。
合适的遥感影像数据应具备高分辨率、全色、多光谱等特点，以确保能够捕捉到需要提取的地物信息。
常用的遥感影像数据包括航空遥感图像、卫星遥感图像等，选取合适的影像数据将为后续的处理提供可靠的基础。
二、影像预处理与增强在进行地物提取与测绘之前，影像预处理与增强是必要的步骤。
首先，对遥感影像进行大气校正，以去除由大气等因素引起的干扰。
其次，进行辐射校正，消除因影像捕捉设备差异而导致的亮度差异。
最后，进行影像增强，以突出地物特征，方便后续地物提取工作。
三、地物提取算法选择地物提取算法是地物提取与测绘的核心，不同的地物提取算法适用于不同的地物类型和研究对象。
常用的地物提取算法包括阈值法、层次分割法、纹理分析法和机器学习算法等。
选择合适的地物提取算法需要根据研究需求和实际情况进行综合评估，以确保提取结果准确可靠。
四、影像分类与分割在进行地物提取之前，需要对遥感影像进行分类与分割，将不同的地物类型进行划分。
常用的分类与分割方法包括基于光谱信息的像素级分类、基于纹理信息的目标级分类以及基于形状信息的对象级分类等。
通过分类与分割，能够提高地物提取的精度和可靠性。
五、地物提取与测绘地物提取与测绘是整个过程的重点和核心。
通过选择合适的算法和工具，对经过预处理与增强的遥感影像进行地物提取与测绘。
地物提取与测绘的步骤包括特征提取、特征选择、训练模型和测试验证等。
在进行模型训练和验证时，需要注意选择合适的训练样本和测试样本，并进行交叉验证和误差分析，以提高提取结果的准确性和可靠性。
卫星遥感影像建筑物信息提取新方法
卫星遥感影像建筑物信息提取新方法近年来，随着卫星遥感技术的不断发展，利用卫星遥感影像进行建筑物信息提取已成为地理信息科学领域的研究热点之一。
传统的建筑物信息提取方法往往依赖于人工解译和手工标注，工作量大，效率低，并且易受主观因素影响。
因此，研究新的方法来自动化提取建筑物信息对于提高效率、降低成本具有重要意义。
一种新的方法是利用深度学习技术进行建筑物信息提取。
深度学习是一种模仿人脑的神经网络算法，通过训练数据自动学习特征和规律。
深度学习在计算机视觉领域取得了巨大的成功，并被广泛应用于目标检测和图像分类等任务中。
在建筑物信息提取中，深度学习可以通过训练大量的遥感影像样本，自动提取建筑物的特征，并完成建筑物的边界提取、分类和定位等任务。
相比传统方法，利用深度学习进行建筑物信息提取可以减少人工干预，提高准确性和效率。
另一种新的方法是基于卫星遥感影像的多源数据融合。
卫星遥感影像的分辨率有限，难以直接提取细小或隐藏在高层建筑中的建筑物信息。
为了解决这一问题，研究人员将卫星遥感影像与其他数据源，如激光雷达数据或地面摄影数据进行融合。
多源数据融合可以提供更多维度的信息，丰富建筑物信息的特征。
例如，激光雷达数据可以提供建筑物的高度信息，地面摄影数据可以提供建筑物的外观信息。
通过将这些数据融合起来，可以更准确地提取建筑物的边界、高度和类型等信息。
此外，基于卫星遥感影像的深度学习方法与多源数据融合方法可以相互配合，形成一种新的综合方法。
例如，可以在深度学习的基础上进一步引入激光雷达数据或地面摄影数据，通过多源数据的融合提取建筑物的更详细信息。
这种综合方法可以充分利用不同数据源的优势，提高建筑物信息提取的准确性和效率。
此外，随着卫星遥感技术的进一步发展，高分辨率遥感影像的获取将变得更加容易。
高分辨率遥感影像可以提供更清晰、更详细的建筑物信息，为建筑物信息提取新方法的研究提供了更好的数据基础。
同时，随着云计算和大数据技术的发展，处理大规模遥感影像数据的能力也得到了显著提升。
遥感数据处理的基本流程和工具介绍
遥感数据处理的基本流程和工具介绍遥感数据处理是指利用卫星或其他遥感平台获得的遥感影像数据进行分析、处理和应用的过程。
遥感数据处理的目的是从遥感影像数据中提取有效信息，并将其转化为具有实际应用价值的产品和服务。
本文将介绍遥感数据处理的基本流程和一些常用的工具。
一、遥感数据处理的基本流程1. 遥感数据获取：首先需要获取遥感影像数据，可以通过卫星、无人机等平台采集数据。
常见的遥感数据来源包括Landsat、MODIS、Sentinel等卫星影像。
数据获取后，需要将其存储在计算机或服务器上。
2. 遥感数据预处理：在进行后续处理前，需要对遥感数据进行预处理。
预处理包括对影像进行辐射定标（radiometric calibration）、大气校正（atmospheric correction）、几何校正（geometric correction）等步骤。
这些步骤的目的是消除遥感影像中的噪声和偏差，提高数据的质量和可信度。
3. 影像分类：影像分类是遥感数据处理的核心环节，其目的是将遥感影像中的像素按照不同的地物类型进行划分。
常用的分类方法包括基于像元（pixel-based）的分类、基于目标（object-based）的分类等。
这些方法通常使用统计学、机器学习等技术进行像元或目标的识别和分类。
4. 特征提取：在进行影像分类后，常常需要从分类结果中提取特定地物的影像特征。
特征提取可以从影像数据的光谱、纹理、形状等方面进行，以获取地物的相关信息。
常见的特征提取方法包括主成分分析（PCA）、纹理分析、滤波等。
5. 数据融合：数据融合是将多个遥感数据源（如多个波段、多个传感器）融合起来，以获得更全面和丰富的信息。
常用的融合方法包括多波段融合、多尺度融合、多时相融合等。
数据融合可以提高数据的分辨率和准确性，从而改善地物分类和分析的结果。
6. 地物检测和变化监测：地物检测和变化监测是利用遥感数据识别和监测特定地物的空间分布和时变特征。
使用遥感影像进行建筑物提取的技术指南
使用遥感影像进行建筑物提取的技术指南引言：建筑物提取是遥感影像处理中的重要任务之一。
准确地提取建筑物信息可以帮助城市规划、环境监测以及灾害评估等方面的工作。
本文将为读者介绍使用遥感影像进行建筑物提取的技术指南，包括数据采集、数据预处理、影像分类等方面的内容。
一、数据采集数据采集是建筑物提取的基础步骤。
应选择具有高空间分辨率和多光谱信息的遥感影像。
目前，常用的遥感影像数据包括航空影像和卫星影像。
航空影像拍摄于飞机上，通常具有较高的空间分辨率，适用于小区域的建筑物提取；卫星影像拍摄于卫星上，覆盖范围广，适用于大范围的建筑物提取。
合理选择数据采集时间也是至关重要的，光照条件良好的天气可以提供更清晰的影像，有利于建筑物提取的准确性。
二、数据预处理数据预处理是建筑物提取的关键步骤之一。
在进行影像分类之前，需要对原始影像进行一系列的预处理操作，以提高建筑物提取的准确性。
首先，进行大气校正以消除大气光遮蔽，常用的方法有Dark Object Subtraction (DOS)和QUick Atmospheric Correction (QUAC)。
其次，进行影像增强操作，如直方图均衡化和运动模糊去除等。
最后，进行影像配准和投影转换，以确保不同遥感影像的一致性。
三、影像分类影像分类是建筑物提取的核心步骤。
根据建筑物的特征，常用的分类方法有基于阈值的分类和基于机器学习的分类。
基于阈值的分类方法根据像素的灰度值进行分类，适用于具有明显灰度差异的建筑物提取。
基于机器学习的分类方法采用统计学和模式识别的方法，通过训练样本对影像进行分类，适用于复杂场景下的建筑物提取。
常用的机器学习算法包括支持向量机(SVM)、随机森林(Random Forest)等。
根据实际情况选择适当的分类方法，并进行参数调优，以提高建筑物提取的准确性。
四、后处理后处理是建筑物提取的最后一步。
在影像分类之后，建筑物提取结果可能存在误差和噪声。
因此，需要进行一些后处理操作，如形态学处理、边缘滤波等。
卫星遥感数据的获取与处理技巧
卫星遥感数据的获取与处理技巧卫星遥感技术是一种通过卫星获取地球表面各类信息的一项技术，它依赖于遥感卫星通过感测地球表面的电磁波辐射，将获取的数据转化为数字数据，通过处理和分析，得出对应的地球表面信息。
在现代科技的进步下，卫星遥感技术已经被广泛应用于地球科学、环境监测、气候研究等领域。
本文将重点介绍卫星遥感数据的获取与处理技巧。
一、卫星遥感数据获取技巧1. 数据源选择卫星遥感数据的获取首先要选择合适的数据源。
目前，市场上存在许多遥感卫星，如Landsat、Sentinel等。
对于不同的应用，选择合适的卫星数据源是十分重要的。
比如，在土地利用与土地覆盖方面的研究中，Landsat系列卫星提供的高空间分辨率数据是较为理想的选择。
2. 数据获取在选择了合适的数据源后，我们需要付费或获取免费的卫星遥感数据。
大多数遥感数据都可以从专业的卫星数据中心或相关的网站上获取，包括美国地质调查局、欧洲空间局等机构。
3. 数据预处理获取到的原始遥感数据往往需要进行预处理，以使其适合后续的分析处理。
预处理的步骤包括图像辐射定标、大气校正、几何校正等。
这些步骤的目的是消除图像中的噪声、减少光谱重叠等，使数据更准确地反映地表的实际情况。
二、卫星遥感数据处理技巧1. 影像分类卫星遥感数据处理的一个重要环节是影像分类。
通过将图像中的像素分配到不同的类别，可以获得地表物质的类型和分布信息。
影像分类一般分为无监督分类和监督分类两种。
无监督分类是根据像元的统计特征自动将其分为不同类别，而监督分类则需要依赖训练样本来进行分类。
根据地表特征和研究目的，选择适合的分类方法和算法是关键。
2. 特征提取在卫星遥感数据处理中，常常需要提取出有用的特征。
特征指的是能够描述物体或区域性质的某种属性或属性组合。
常用的特征有光谱特征、纹理特征、形状特征等。
通过提取合适的特征，可以更准确地反映地表物体的性质和分布情况。
3. 数据融合卫星遥感数据融合是指将来自不同传感器、不同时刻或不同波段的数据进行叠加和整合，得到更全面、准确的信息。
高分一号卫星遥感数据的水体信息提取
Sustainable Development可持续发展文章编号：1674-9146(2018)08-0045-03高分一号卫星遥感数据的水体信息提取沈梦君(安徽理工大学测绘学院，安徽淮南232001 )摘要：选择安徽省滁州市作为此次实验的研究区，以滁州市整体地表水体为目标对象，对高分一号卫星遥感数据进行水体信息提取实验。
采用单波段阈值、归一化差分植被指数（BDVI)、归一化差分水体指数（BDWI)、主成分分析 4种不同的提取方法进行实验，通过分析与比较实验提取的结果，剖析各种提取方法的优势和劣势，并以人工解译的 水体信息提取成果作为真值，对每种提取方法进行精度统计。
研究结果表明：单波段阈值提取方法和BDVI提取方法 的精度比其他方法低，BDWI提取方法受到城区及部分阴影的影响。
关键词：遥感影像；高分一号；水体信息提取;BDVI;BDWI中图分类号:TP75 文献标志码:A DOI ：10.3969/j.issn.1674-9146.2018.08.045近年来，随着卫星遥感技术的不断进步，我国 相关研究机构对遥感实验不断进行探索，越来越多 的专家学者将卫星遥感技术应用在水体监测、调查 与应用等多个方面，对卫星遥感影像数据的水体信 息提取进行了大量研究丁凤以Landsat卫星遥 感影像信息为数据源，研究了新型的归一化差分水 体指数（Normalized Difference Water Index，NDWI)，可以用于水体信息的便捷迅速提取。
查车等充分运 用面向对象方法，分别提取了 SP0T5, RapdEye等 卫星遥感影像的水体信息，这其中以一卫星遥感影像数据为数据源的水体信息的提取。
卫国 用归一化差分指数(Normalized Difference Vegetation Index，NDVI)与 NDWI进行源一卫星遥感影像数据的水体信息提取研究，为树方法更适用于02C星遥感影像数据的水体信息提取。
遥感影像处理与测绘数据提取技术详解
遥感影像处理与测绘数据提取技术详解引言：自工业化时代开始以来，人类对于地球的了解与探索不断加深，在这一过程中，遥感影像处理和测绘数据提取技术起着重要的作用。
遥感影像处理技术通过获取和分析地球表面上的图像数据，为我们提供全球范围内的地理信息。
而测绘数据提取技术则从地面上获取的各种数据中提取有关地理特征的信息。
本文将详细介绍遥感影像处理和测绘数据提取技术的原理和应用。
一、遥感影像处理技术1. 遥感影像获取技术遥感影像是通过卫星、飞机等远离地球表面的平台获取的地球表面图像。
这些图像可以提供宽广的视野，从而获得地球不同部位的图像数据。
遥感影像获取技术包括多光谱影像、高光谱影像、合成孔径雷达影像等。
其中，多光谱影像通过记录地表不同波段的电磁波信息，可以提供更为详细的地表信息。
而高光谱影像则通过记录地表众多的光谱波段，可以提供更加精细的地表信息。
合成孔径雷达影像则基于雷达信号，可以在夜晚或天气恶劣的情况下获取地表图像。
2. 遥感影像处理技术的原理遥感影像处理技术主要包括预处理、特征提取和信息提取三个步骤。
预处理步骤包括辐射校正、大气校正、几何校正等，主要是为了将原始数据转换为可用的标准化数据。
特征提取步骤则针对不同的地物特征进行分析，以提取出地表的不同要素，如水体、道路、建筑等。
信息提取步骤则是将特征提取的结果整合并分析，以获得一定规模的遥感影像数据集。
3. 遥感影像处理技术的应用遥感影像处理技术在许多领域都有广泛的应用。
例如，在农业领域，可以通过遥感影像处理技术监测作物的生长状况和土壤湿度等重要指标，以便农民及时采取相应的措施。
在城市规划与管理方面，遥感影像处理技术可以用于快速提取城市建筑物、道路和绿化带等信息，在城市规划与管理中起到重要的作用。
此外，遥感影像处理技术还可用于环境保护、自然资源调查与管理等诸多领域。
二、测绘数据提取技术1. 测绘数据获取技术测绘数据的获取通常通过测量和观测来实现。
地面测量是最常见的方式之一，通过使用测量仪器，如全站仪、测距仪等，可以测量地面上各种特征的位置和形状等信息。
遥感数据获取与处理的基本流程与技巧
遥感数据获取与处理的基本流程与技巧遥感技术是通过获取并分析从卫星、飞机或无人机等遥远距离采集的数据，从而获取有关地球表面特征和变化的信息。
遥感数据的获取和处理流程至关重要，它对于解决环境问题、农业发展和城市规划等领域都具有极大的应用价值。
本文将介绍遥感数据获取与处理的基本流程与技巧。
一、遥感数据获取1. 数据源选择在进行遥感数据获取之前，我们首先需要选择合适的数据源。
常见的数据源包括卫星遥感数据、航空遥感数据和无人机遥感数据。
根据具体需求，我们可以选择高空分辨率的卫星影像数据，或者借助无人机获取更详细的区域影像数据。
2. 数据获取与下载数据获取的方式多种多样，可以通过官方网站或专业平台下载数据，也可以借助开放源数据或商业数据进行获取。
无论选择哪种方式，都需要注意数据的有效性和准确性。
3. 数据预处理获取到的遥感数据往往需要进行预处理，以去除噪音和不必要的信息，同时还需要进行大气校正、几何校正和辐射校正等处理步骤，以确保数据的质量和准确性。
二、遥感数据处理1. 影像处理遥感影像是遥感数据的重要组成部分，对于不同的应用需求，我们可以通过一系列的影像处理步骤来获取所需的信息。
常见的影像处理方法包括影像融合、图像增强、目标提取和分类等。
2. 特征提取通过遥感数据，我们可以获取到地表不同特征的信息，如植被覆盖、土地利用和水域分布等。
在进行特征提取时，我们可以运用不同的算法和工具，如主成分分析和分类器等，以提取出所需的特征信息。
3. 数据分析与应用在获取到处理后的遥感数据之后，我们可以进行多种数据分析和应用，如环境监测、资源调查和灾害评估等。
通过对遥感数据的分析，我们可以更好地了解地球表面的变化和特征，从而提供有针对性的解决方案。
三、遥感数据处理的技巧1. 选择适当的处理方法在进行遥感数据处理时，我们需要根据具体的应用需求选择合适的处理方法。
不同的处理方法对于不同的数据类型和问题具有不同的适用性，因此在选择处理方法时需要谨慎，充分考虑数据的特点和要求。
- 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)。
北京揽宇方圆信息技术有限公司、遥感卫星影像数据信息提取北京揽宇方圆信息技术有限公司中科院企业,卫星影像数据服务全国领先。
业务包括遥感数据获取与分发、遥感数据产品深加工与处理。
按照遥感卫星数据一星多用、多星组网、多网协同的发展思路,根据观测任务的技术特征和用户需求特征,重点发展光学卫星影像、雷达卫星影像、历史卫星影像三个系列,构建由 26个星座及三类专题卫星组成的遥感卫星系统,逐步形成高、中、低空间分辨率合理配置、多种观测技术优化组合的综合高效全球观测和数据获取能力形成卫星遥感数据全球接收与全球服务能力。
(1光学卫星影像系列。
面向国土资源、环境保护、防灾减灾、水利、农业、林业、统计、地震、测绘、交通、住房城乡建设、卫生等行业以及市场应用对中、高空间分辨率遥感数据的需求,提供 worldview1、worldview2、worldview3、worldview4、quickbird、geoeye、 ikonos、pleiades、spot1、spot2、spot3、spot4、spot5、spot6、spot7、landsat5(tm、 landsat(etm、 rapideye、alos、Kompsat 卫星、北京二号、资源三号、高分一号、高分二号等高分辨率光学观测星座。
围绕行业及市场应用对基础地理信息、土地利用、植被覆盖、矿产开发、精细农业、城镇建设、交通运输、水利设施、生态建设、环境保护、水土保持、灾害评估以及热点区域应急等高精度、高重访观测业务需求,发展极轨高分辨率光学卫星星座,实现全球范围内精细化观测的数据获取能力。
像国产的中分辨率光学观测星座。
围绕资源调查、环境监测、防灾减灾、碳源碳汇调查、地质调查、水资源管理、农情监测等对大幅宽、快速覆盖和综合观测需求,建设高、低轨道合理配置的中分辨率光学卫星星座,实现全球范围天级快速动态观测以及全国范围小时级观测。
(2雷达卫星影像系列合成孔径雷达(SAR观测星座。
errasar-x、radarsat-2、alos、高分三号卫星围绕行业及市场应用对自然灾害监测、资源监测、环境监测、农情监测、桥隧形变监测、地面沉降、基础地理信息、全球变化信息获取等全天候、全天时、多尺度观测,以及高精度形变观测业务需求,发挥 SAR 卫星在复杂气象条件下的观测优势,与光学观测手段相互配合,建设高低轨道合理配置、多种观测频段相结合的卫星星座,形成多频段、多模式综合观测能力(3历史卫星影像系例锁眼卫星影像 1960年至 1980年代的影像,高分辨率 0.6米,已在中国各个行业得到广泛应用。
北京揽宇方圆信息技术有限公司公司为北京市创新企业,通过了严格国际质量体系认证,产品和服务质量均有着优良的保证,曾独立提供国家重大遥感图像工程项目和遥感图像处理项目,经过多年在遥感行业的积累,在遥感影像数据供应方面形成了一整套解决方案,公司还拥有一支利用专业遥感信息处理软件进行航空、航天遥感数据处理的队伍,熟练进行遥感影像 DOM 生产、DEM 提取、遥感动态监测、专题图制作、雷达卫星变形监测、虚拟现实三维建模、地形图矢量化等处理工作,开展遥感处理技术培训与咨询服务, 可解决各种行业针对空间遥感信息数据处理的业务化需求。
近年来,参与并完成了国土变更调查、第二次全国湿地资源调查、矿区变化信息提取等多个遥感数据工程项目。
1引言水体信息的提取对于环境监测、水资源调查以及合理的规划利用等起着十分重要的作用。
利用遥感影像提取水体的研究已有许多成果。
如,徐涵秋对 Mcfeeters 的归一化差异水体指数(NormalizedDifference Water Index , NDWI [1]进行改进得到的改进归一化差异水体指数 (ModifiedNDWI , MNDWI, 该方法能有效地避免水体与阴影的混淆 [2];杨树文等针对细小水体的提取提出了多波段谱间关系的改进方法,也得到了很好的效果 [3]。
但这些研究多针对中低分辨率的遥感影像,且都需要影像具有较高的光谱分辨率。
近年来,由于高分辨率卫星影像应用越来越广泛,相对于中低分辨率影像,这类影像的空间信息更加丰富、地物的几何和纹理信息更为清晰。
采用传统基于像素的方法处理这类影像时,会因为粒度过小、过多地关注地物的局部细节而难以提取地物的整体信息。
许多研究从分类精度、准确度等方面比较了基于像素与面向对象的影像分析方法。
其中, Thomas 等比较了监督分类、非监督分类和面向对象分类三种方法的分类精度 [4]。
Yu 等 [5]和苏伟 [6]等研究结果表明:OBIA 不仅可以有效克服传统基于像素方法中的“椒盐”噪声,且能有效提高分类的精度。
针对不同的研究对象和数据集特点,应该使用不同的影像分析方法。
本文的研究对象是区域内的详细水体信息,包含大水体 (湖泊、干流以及细小水体 (坑塘、细小支流 ,同时数据源为分辨率为 0.712米的高分辨率遥感影像。
因此,采用 OBIA 较为适宜。
本文使用 OBIA 对 QuickBird 高分辨率遥感影像进行水体信息提取与分类。
在对影像进行多尺度分割的基础上,利用影像对象的光谱、纹理、颜色和对象间关系等特征建立规则,实现了水体信息的提取;并与基于像素的提取结果进行了对比,分析了 OBIA 提取结果的精度。
2研究区域与数据源本文所用数据为采集于 2004年 5月 5日 10时 28分 18秒上海地区的QuickBird 影像 (即图 1中较大的黑色边框区域 ,包括空间分辨率为 0.717m 的全色数据和 2.87m 的多光谱数据,其中多光谱影像包含 4个波段 (红、绿、蓝和近红外信息。
并以上海市浦东新区作为研究区域 (图 1中较小的黑色边框区域。
该区域内河流、湖泊纵横交错,且有大小坑塘零星分布。
土地利用类型以农田、水体以及居民地为主。
研究区域对应的全色影像大小为 13900像素×13900像素,多光谱影像为 3475像素×3475像素,其代表地面大小约为 10KM ×10KM 。
图 4Level1中 NDWI 阈值分析图图 5Level2中 NDWI 阈值分析图本文中初步分类还利用了对象间的关系特征,具体过程如下:第一步:在父对象层 (Level1中,按 NDWI 分类阈值 0.33提取水体对象;第二步:将 Level1的提取结果利用父对象与子对象间的隶属关系传递到 Level2中;第三步:在子对象层(Level2中也利用 NDWI 提取水体对象。
经过以上三步 (图 6 就完成了水体对象的初步提取。
与仅从某一层次提取结果相比,该方法可以将所有水体对象完整地提取出来。
如图 7(a是仅在 Level1中提取的结果,虽然可以防止大水体对象支离破碎 (如图 7(a 中 A 、 B 区域 ,但是会遗漏小水体对象 (如图 7(a中 C 区域 ;图 7(b是仅在 Level2中提取的结果,虽然可以防止遗漏小水体对象 (如图 8(b中 C 区域 ,但是会使大水体对象支离破碎 (如图 8(b中 A 、 B 区域 ;而使用本文中介绍的方法既不会因为尺度过大而遗漏小水体对象 (如图 8(c中 A 、 B 区域 ;也不会因为尺度过小,而使大水体对象支离破碎 (如图 8(c中 C 区域 ,而且保证了提取水体的全面性和完整性。
(a第一步 (b第二步 (c第三步图 6利用 NDWI 进行水体提取的过程(a在 Level1中仅利用光谱特征提取水体结果图 (b在 Level2中仅利用光谱特征提取水体结果图(c利用光谱及对象间关系特征多层次提取水体结果图图 7多种水体提取过程对比图然而仅仅利用光谱特征进行水体提取,会将部分与水体光谱特征相似的建筑物及其阴影包含进来(如图8,虽被分类为水体,而实际上是建筑物及其阴影,产生误判,即常见的“同谱异物”现象。
因此,需要利用影像对象的其它特征将干扰排除。
3.2.2纹理特征分类由于遥感影像中“同物异谱”和“异物同谱”的现象经常出现,仅依靠光谱特征常不足以准确提取目标对象。
QuickBird 影像分辨率高,地物的细微结构能够得到清晰的反映,纹理及颜色信息丰富。
因此,为了排除建筑物及其阴影的干扰,首先在光谱特征提取的基础上,利用建筑物与水体的纹理差异,排除一部分建筑物及其阴影的干扰;然后将影像转变到 HIS 颜色空间,利用阴影区域亮度值低而饱和度高的特征 [20]将剩余阴影的干扰排除。
图 8因为建筑物及其阴影与水体光谱特征相似而被误判为水体如上图 7、 8所示,在 QuickBird 影像中水体和纯阴影对象的纹理,均比较细致均一;而建筑物及其与阴影混合对象的纹理,在多光谱波段中呈明暗交错的条带状,不规则且相对比较粗糙,易于区分。
本文使用灰度共生矩阵 (GrayLevel Co-occurrence Matrix , GLCM[21]来描述影像各像元灰度的空间分布和结构特征,即对象的纹理特征。
设为一幅二维数字图象,其大小为 ,灰度级别为 ,则满足一定空间关系的灰度共生矩阵为:(2其中为阶的矩阵, 表示集合中的元素个数。
若与距离为 ,两者与坐标横轴的夹角为 ,则可以得到各种间距及角度的灰度共生矩阵。
它不仅反映亮度的分布特性,也反映具有同样亮度或相近亮度的像素之间的位置分布特性,是有关图像亮度变化的二阶统计特征,是定义一组纹理特征的基础。
为了能更直观地描述纹理状况, Haralick 等人在灰度共生矩阵的基础上,定义了若干较为常用的纹理量,如:能量、对比度、熵、相关性、均质性等等 [22]。
为了确定使用哪个纹理量分类,从初步分类为水体的对象中选取一系列对象 (水体、阴影、建筑物与阴影混合三类作为样本。
查看、分析与比较了不同类别对象在不同纹理特征上的表现,选取能量与熵进行进一步的水体分类提取,这两者均与对象纹理的均匀程度有关。
为了扩大表现水体与其它类型对象在纹理均匀性方面的差异,本文提出采用归一化差异纹理均匀性指数(NormalizedDifference Textural Uniformity Index , NDTUI 计算对象纹理的均匀性。
(3(a能量 (b对比度 (c熵(d相关性(e均质性 (f归一化差异纹理均匀度指数图 9不同类别对象的各种纹理特征图如图 9中的子图 (f所示。
并取阈值 -0.35二次分类结果如图 10所示, A 处将水体误判为建筑物或及阴影是由于处于水陆的交界处,除了地物光谱的复杂性外还有遥感影像的分辨率的限制形成了一些混合对象。
我们将在后续的分类后处理中,利用平滑与规则化处理将其正确分类;而 B 处仍有少量阴影对象的干扰。
因此,仍需要利用阴影的其它特征将其排除。
3.2.3颜色特征分类剩余少量阴影对象的排除是通过影像上阴影的颜色特征来实现的。