遥感影像公开使用管理规定（试行）
第一条为维护国家安全和利益，加强对遥感影像公开使用的管理，促进遥感影像资源有序开发利用，根据测绘法、测绘成果管理条例、地图审核管理规定和其他有关法律法规，制定本规定。
第二条本规定所称遥感影像包括卫星遥感影像和航空遥感影像，以及采用测绘遥感技术方法加工处理形成的遥感影像图。
第三条以公开出版、登载、展示和引进、销售、传播等方式公开使用遥感影像时，须遵守本规定。
第四条公开使用的遥感影像空间位置精度不得高于50米；影像地面分辨率（以下简称分辨率）不得优于0.5米；不标注涉密信息、不处理建筑物、构筑物等固定设施。
第五条在公开使用的遥感影像上标注地名、地址或者其他属性信息，应当符合下列要求：
（一）符合《基础地理信息公开表示内容的规定（试行）》；
（二）符合《公开地图内容表示若干规定》；
（三）符合《公开地图内容表示补充规定（试行）》；
（四）符合国家其他法规制度要求，不得标注、显示禁止公开的信息。
第六条属于国家秘密且确需公开使用的遥感影像，公开使用前应当依法送省级以上测绘地理信息行政主管部门会同有关部门组织审查并进行保密技术处理。分辨率优于0.5米的遥感影像，公开使用前应当报送国家测绘地理信息局组织审查并进行保密技术处理。
第七条向社会公开出版、传播、登载和展示遥感影像的，还应当报送省级以上测绘地理信息行政主管部门进行地图审核，并取得审图号。
第八条从事遥感影像采集、加工处理、地名地物属性标注等活动，应当按规定取得相应的测绘资质。
第九条国家测绘地理信息局负责监督管理全国遥感影像公开使用工作，县级以上测绘地理信息行政主管部门负责监督管理辖区内遥感影像公开使用工作。
从事提供或销售分辨率高于10米的卫星遥感影像活动的机构，应当建立客户登记制度，包括客户名称与性质、提供的影像覆盖范围和分辨率、用途、联系方式等内容。每半年一次向所在地省级以上测绘地理信息行政主管部门报送备案。
第十条为应对重大突发事件应急抢险救灾急需，各级人民政府及其有关部门和军队，可以无偿使用遥感影像，各遥感影像保管单位、销售与提供机构应当无偿提供相关数据和资料。
第十一条本规定由国家测绘地理信息局负责解释。
第十二条本规定自发布之日起施行。与本规定不一致的，以本规定为准。
摘要 遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理，达到自动分类识别地物的目的。遥感图像分类主要有两类分类方法:一种是非监督分类方法，另一种是监督分类方法。非监督分类方法是一个聚类过程，而监督分类则是一个学习和训练的过程，需要一定的先验知识。非监督分类由十不能确定类别属性，因此直接利用的价值很小，研究应用也越来越少。而且监督分类随着新技术新方法的不断发展，分类方法也是层出不穷。从传统的基十贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法，虽然这些方法很大程度改善了分类效果，提高了分类精度，增加了遥感的应用能力。但是不同的方法有其不同优缺点，分类效果也受很多因素的影响。 本文在对国内外遥感图像分类方法研究的进展进行充分分析的基础上，应用最大似然分类法、决策树分类法对TM影像遥感图像进行了分类处理。在对分类实现中，首先对分类过程中必不可少的并影响分类效果的步骤也进行了详细地研究，分别是分类样本和分类特征；然后详细介绍两种方法的分类实验；最后分别分析分类结果图，采用混淆矩阵和kappa系数对两种方法的分类结果进行精度评价。 关键词:TM遥感影像，图像分类，最大似然法，决策树 题目：遥感图像几种分类方法的比较...................................... 错误！未定义书签。摘要.. (1) 第一章绪论 (3)
1.1遥感图像分类的实际应用及其意义 (4) 1.2我国遥感图像分类技术现状 (5) 1.3遥感图像应用于测量中的优势及存在的问题 (6) 1.3.1遥感影像在信息更新方面的优越性 (6) 1.3.2遥感影像在提取信息精度方面存在的问题 (6) 1.4研究内容及研究方法 (8) 1.4.1研究内容 (8) 1.4.2 研究方法 (8) 1.5 论文结构 (9) 第二章遥感图像的分类 (9) 2.1 监督分类 (9) 2.1.1 监督分类的步骤 (9) 2.1.2 最大似然法 (11) 2.1.3 平行多面体分类方法 (12) 2.1.4 最小距离分类方法 (13) 2.1.5监督分类的特点 (13) 2.2 非监督分类 (14) 2.2.1 K-means算法 (14) K-均值分类法也称为 (14) 2.2.2 ISODATA分类方法 (15) 2.2.3非监督分类的特点 (17) 2.4遥感图像分类新方法 (17) 2.4.1基于决策树的分类方法 (17) 2.4.2 人工神经网络方法 (19) 2.4.3 支撑向量机 (20) 2.4.4 专家系统知识 (21) 2.5 精度评估 (22) 第三章研究区典型地物类型样本的确定 (24) 3.1 样本确定的原则和方法 (24) 3.2 研究区地物类型的确定 (24) 3.3样本区提取方案 (25) 3.4 各个地物类型的样本的选取方法 (25) 3.4.1 建立目视解译标志 (25) 3.4.2 地面实地调查采集 (26) 3.4.3 利用ENVI遥感图像处理软件选取样本点 (26) 第四章遥感图像分类实验研究 (26) 4.1遥感影像适用性的判定 (26) 4.2分类前的预处理 (28) 4.2.1空间滤波的处理 (28) 4.2.2 频域滤波处理 (28) 4.3利用ENVI软件对影像按照不同的分类方法进行监督分类 (30) 4.3.1监督分类 (30) 4.3.2 决策树 (33) 4.4分类后的处理 (35)
3.2.3 遥感影像数据的获取 目前世界上用于民用的卫星很多，最常用于作物长势监测的是美国发射的一系列陆地卫星。本文使用的是2013年2月11日，NASA发射的Landsat 8卫星数据，Landsat 8上携带有两个主要载荷：OLI（陆地成像仪）和TIRS（热红外传感器）。OLI包括9个波段，空间分辨率为30米，其中包括一个15米的全色波段，成像宽幅为185×185 km。OLI包括了ETM+传感器所有的波段，为了避免大气吸收特征，OLI对波段进行了重新调整，比较大的调整是OLI Band5（0.845–0.885 μm），排除了0.825 μm处水汽吸收特征；OLI全色波段Band8波段范围较窄，这种方式可以在全色图像上更好区分植被和无植被特征；此外，还有两个新增的波段：蓝色波段（band1：0.433–0.453 μm）主要应用海岸带观测，短波红外波段(band9：1.360–1.390 μm) 包括水汽强吸收特征可用于云检测；近红外band5和短波红外band9与MODIS对应的波段接近。 表3-2 Landsat8各波段的名称与用途 Table 3-2 The name and purpose of each band of Landsat8 （引自：张玉君，国土资源遥感，2013） 波段No 波段名称波长范围/nm 数据用途GSD地面 采样距离 /nm 辐射率/ （W·m-2sr-1u m-1）典型 SNR （典型） 1 NewDeep Blue 433-453 海岸区气溶胶30 40 130 2 Blue 450-515 基色/散射/海岸30 40 130 3 Green 525-600 基色/海岸30 30 100 4 Red 630-680 基色/海岸30 22 90 5 NIR 845-885 植物/海岸30 14 90 6 SWIR2 1560-1660 植物30 4.0 100 7 SWIR3 2100-2300 矿物/干草/无散射30 1.7 100 8 PAN 500-680 图像锐化15 23 80 9 SWIR 1360-1390 卷云测定30 6.0 130 10 TIR 10300-11300 地表温度100 11 TIR 11500-12500 地表温度100 本实验获取条带号和行编号为143/029，选取棉花蕾期、花铃期、吐絮期内无云、质量较好的影像数据，过境时间分别为2013年6月25日，8月5日，8月29日。 3.2.4 卫星影像处理 地面目标是个复杂的多维模型，具有一定的空间位置、形状、大小和相互关
遥感影像预处理 预处理是遥感应用的第一步，也是非常重要的一步。目前的技术也非常成熟，大多数的商业化软件都具备这方面的功能。预处理的大致流程在各个行业中有点差异，而且注重点也各有不同。 本小节包括以下内容： ? ? ●数据预处理一般流程介绍 ? ? ●预处理常见名词解释 ? ? ●ENVI中的数据预处理 1、数据预处理一般流程 数据预处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，具体流程图如图所示。 图1数据预处理一般流程 各个行业应用会有所不同，比如在精细农业方面，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、数据预处理的各个流程介绍
（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本身引起的，有规律可循和可预测性，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本身的高度、姿态等不稳定，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，先要知道几个概念： 地理编码：把图像矫正到一种统一标准的坐标系。 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：同一区域里一幅图像（基准图像）对另一幅图像校准 影像几何精校正，一般步骤如下， （1）GCP（地面控制点）的选取 这是几何校正中最重要的一步。可以从地形图（DRG）为参考进行控制选点，也可以野外GPS测量获得，或者从校正好的影像中获取。选取得控制点有以下特征： 1、GCP在图像上有明显的、清晰的点位标志，如道路交叉点、河流交叉点等； 2、地面控制点上的地物不随时间而变化。 GCP均匀分布在整幅影像内，且要有一定的数量保证，不同纠正模型对控制点个数的需求不相同。卫星提供的辅助数据可建立严密的物理模型，该模型只需9个控制点即可；对于有理多项式模型，一般每景要求不少于30个控制点，困难地区适当增加点位；几何多项式模型将根据地形情况确定，它要求控制点个数多于上述几种模型，通常每景要求在30-50个左右，尤其对于山区应适当增加控制点。
遥感原理与应用 1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。主要问题 是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。通常使用马氏距离、欧氏距离、计程距离这三种判别函数。主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。 非监督分类：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。
传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富，地物间光谱差异较为明显的基础上进行的。对于只含有较少波段的高分辨率遥感影像，传统的分类方法，就会造成分类精度降低，空间数据的大量冗余，并且其分类结果常常是椒盐图像，不利于进行空间分析。为解决这一传统难题，模糊分类技术应运而生。模糊分类是一种图像分类技术，它是把任意范围的特征值转换为0 到1 之间的模糊值，这个模糊值表明了隶属于一个指定类的程度。通过把特征值翻译为模糊值，即使对于不同的范围和维数的特征值组合，模糊分类能够标准化特征值。模糊分类也提供了一个清晰的和可调整的特征描述。 对于影像分类来说，基于像元的信息提取是根据地表一个像元范围内辐射平均值对每一个像元进行分类，这种分类原理使得高分辨率数据或具有明显纹理特征的数据中的单一像元没有很大的价值。影像中地物类别特征不仅由光谱信息来刻画的，很多情况下(高分辨率或纹理影像数据)通过纹理特征来表示。此外背景信息在影像分析中很重要，举例来说，城市绿地与某些湿地在光谱信息上十分相似，在面向对象的影像分析中只要 明确城市绿地的背景为城市地区，就可以轻松地区分绿地与湿地，而在基于像元的分类中这种背景信息几乎不可利用。面向对象的影像分析技术是在空间信息技术长期发展的过程中产生的，在遥感影像分析中具有巨大的潜力，要建立与现实世界真正相匹配的地表模型，面向对象的方法是目前为止较为理想的方法。 面向对象的处理方法中最重要的一部分是图像分割。 图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。有些算法需要先对图像进行粗分割，因为他们需要从图像中提取出来的信息。例如，可以对图像的灰度级设置门限的方法分割。值得提出的是，没有唯一的标准的分割方法。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割，同时，某些分割方法也只是适合于某些特殊类型的图像分割。分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。 为后续工作有效进行而将图像划分为若干个有意义的区域的技术称为图像分割(Image Segmentation)，早期的图像分割方法可以分为两大类。一类是边界方法，这种方法假设图像分割结果的某个子区域在原来图像中一定会有边缘存在；一类是区域方法，这种方法假设图像分割结果的某个子区域一定会有相同的性质，而不同区域的像素则没有共同的性质。这两种方法都有优点和缺点，有的学者考虑把两者结合起来进行研究。现在，随着计算机处理能力的提高，很多方法不断涌现，如基于彩色分量分割、纹理图像分割。所使用的数学工具和分析手段也是不断的扩展，从时域信号到频域信号处理，小波变换等等。 目前,有许多的图像分割方法,从分割操作策略上讲,可以分为基于区域生成的分割方法,基于边界检测的分割方法和区域生成与边界检测的混合方法.图像分割主要包括4种技术：并行边界分割技术、串行边界分割技术、并行区域分割技术和串行区域分割技术。
遥感软件 PCI遥感图像处理软件简介 PCI GEOMATICA是PCI公司将其旗下的四个主要产品系列，也就是PCI EASI/PACE、（PCI SPANS，PAMAPS）、ACE、ORTHOENGINE，集成到一个具有同一界面、同一使用规则、同一代码库、同一开发环境的一个新产品系列，该产品系列被称之为 PCI GEOMATICA。对于20多年来一直致力于向地学界提供全方位解决方案的PCI公司来说，始终坚持领先一步的原则，地理咨讯永远在变迁，而地理咨讯软件更处于变迁的前沿。在今天，随着用户需求广度与深度的不断拓宽与加深，越来越多的人希望软件是一个可以满足用户所有需求的良好的工具。由于对这一点的正确把握，经过4年努力，PCI公司将原有的四个产品系列整合在一起，产生了一个使用简单、灵巧的工作平台----PCI GEOMAITCA。该系列产品在每一级深度层次上，尽可能多的满足该层次用户对遥感影像处理、摄影测量、GIS空间分析、专业制图功能的需要，而且使用户可以方便地在同一个应用界面下，完成他们的工作。在这之前，用户需用多个软件来实现，并且需要面对多个软件经销商、多个软件技术支持、多次的培训、对多个软件的维护，以及不得不投入相当大的精力来在多种数据格式间，进行数据转换。产品模块功能介绍 PCI Geomatica FreeView ( PCI地理咨讯通用视窗) FreeView是PCI公司为用户提供的一个免费的影像浏览工具，用户可以从PCI的网址上直接下载。用于浏览、显示各种数据，如矢量、位图、卫星影像（如LANDSAT, SPOT, RADARSAT, ERS-1/2, NOAA A VHRR等）、航片以及与GIS矢量数据叠加显示、进行属性查询等。FreeView 还具有影像增强，任意漫游、缩放、影像灰度值矩阵显示等功能 PCI Geomatica GeoGateway （PCI通用数据转换工具）PCI Geomatica GeoGateway包含PCI Geomatica FreeView的所有功能。 PCI Geomatica Fundamentals (PCI 地理咨讯基础版) PCI Geomatica Fundamentals包含PCI Geomatica GeoGateway的所有功能。主要包括以下部件： Focus 浏览环境 OrthoEngine FLY!（演示模式）软件许可管理器 PCI Geomatica Prime （PCI地理咨讯专业版） PCI Geomatica Prime包含PCI Geomatica Fundamentals（见上一节）的所有功能。此外，增加了PCI Modeler、EASI、FLY!、算法库等模块。 Geomatica Prime 是强大的、低成本解决方案，提供的工具可用于影像几何校正、数据可视化与分析以及专业标准地图生产。 PCI Productivity Tools （PCI地理咨讯生产工具）该软件是PCI公司为了提高PCI软件的生产能力和效率而专门设计的，其主要功能是为用户提供一系列自动或批处理操作的导向功能。该软件是PCI GEOMATICA PRIME或FUNDAMENTALS功能的扩展。主要提供影像自动镶嵌功能及针对ORTHOENGINE 系列产品的航片，光学卫星影像，雷达卫星的自动同名点收集功能。同时提供影像控制点库及库管理功能。 PCI AIRPHOTO MODEL （PCI地理咨讯系统航空正射影像处理器）是一个与PCI Geomatica Fundamentals或Geomatica Prime模块一起使用的功能强大的航空照片正射校正工具。该模块运用了特殊的算法模型将已经扫描的或由数字摄像机得到的照片制作成精确的正射影像图。所生成的图像可以转化为多种文件形式，作为许多GIS/CAD/MAP软件的数据源。同时用户可选择附加的DEM自动提取、3DVIEW 和三维特征提取模块（OrthoEngine Airphoto DEM）来构造自己的数字摄影测量软件包。该软件具有如下功能：项目工程文件建立（含
摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程
高分辨率遥感影像数据一体化测图系统PixelGrid 北京四维空间数码科技有限公司 一、概况介绍 高分辨率遥感影像数据一体化测图系统PixelGrid（以下简称“PixelGrid”）是由中国测绘科学研究院自主研发的“十一五”重大科技成果，获得2009年度国家测绘科技进步一等奖。 为将这一重大科技成果实现产业化，2008年开始，由中国测绘科学研究院参股单位北京四维空间数码科技有限公司进行成果转化和产品化，并开展销售。 该软件是我国西部1:5万地形图空白区测图工程以及第二次全国土地调查工程的主力软件， 被誉为国产的“像素工厂”。 PixelGrid以其先进的摄影测量算法、集群分布式并行处理技术、强大的自动化业务化处理能力、高效可靠的作业调度管理方法、友好灵活的用户界面和操作方式，全面实现了对卫星影像数据、航空影像数据以及低空无人机影像数据的快速自动处理，可以完成遥感影像从空中三角测量到各种比例尺的DEM/DSM、DOM等测绘产品的生产任务。 PixelGrid软件主界面。 二、主要特点 PixelGrid系统以现代摄影测量与遥感科学技术理论为基础，融合计算机技术和网络通讯技术，采用基于RFM通用成像模型的大范围遥感影像稀少或无控制区域网平差、基于旋转/缩放不变性特征多影像匹配的高精度航空影像自动空三、基于多基线/多重特征的高精度DEM/DSM自动提取、等高线数据半自动采集及网络分布式编辑、基于地理信息数据库等多源控制信息的高效影像地图制作、基于松散耦合并行服务中间件的集群分布式并行计算等一系列核心关键技术，是中国测绘科学研究院研制的一款类似“像素工厂”（ISTAR PixelFactoryTM）的新一代多源航空航 天遥感数据一体化高效能处理系统。
无人机遥感数据传输系统的设计和实现? 秦其明 金 川 陈德智 李 杰 北京大学地球与空间科学学院遥感与GIS研究所 北京 100871 摘要：无人机遥感数据传输系统是无人机航空遥感系统的重要部分之一。针对无人机遥感数据传输系统研制目标与关键问题，本文分别给出了三种机上航空遥感数据传输与压缩方案设计，阐述了数据压缩原理与实现方法，研究了嵌入式遥感数据压缩系统开发的关键技术，并简要地讨论了遥感数据接收与解压缩的问题。目前，研制组已经初步实现无人机遥感数据传输系统，并在飞行实验中实现了航空遥感图像数据的压缩。 关键词：数据传输 数据压缩与解压缩 嵌入式系统 无人机 航空遥感 Abstract: Unmanned aerial vehicles remote sensing data transfer system (UAVRSDTS) is a key component of UAV aerial remote sensing system. Data compression is a significant technique in data real-time transfer. This paper presents three aerial remote sensing data transfer and compression schemes towards developing aim and key problems in UAVRSDTS. In this paper, the authors present principle and implementation in data compression, do research on key techniques in embedded remote sensing data compression system development and briefly explain the techniques in remote sensing data receiving and decompression. Now our group has realized UAVRSDTS and completed aerial remote sensing data compression in flying experiment. 1. 引言 无人机航空遥感系统，是北京大学遥感与GIS研究所、中国科学院遥感所和贵州航空工业集团公司共同合作研发的项目。该系统由搭载有效载荷的无人机平台、获取地表信息的遥感器、控制飞行与遥感信息获取的控制系统、遥感数据传输与压缩解压缩系统和遥感数据地面接收与处理系统等多个部分所组成。其中，无人机遥感数据传输与压缩解压缩系统是无人机航空遥感系统中的关键技术之一。 针对无人机遥感数据传输系统研制中存在的主要问题，本研究组对数据传输与压缩解压缩系统设计与实现中的关键问题进行了研究，现将初步研究进展整理如下。 2. 机上数据传输与压缩方案设计 无人机遥感数据传输与压缩解压缩系统，作为无人机航空遥感系统的一部分，它涉及到中国科学院遥感所主要负责的多模态遥感器，也涉及到北京大学遥感所其它组研制的遥感控制系统，同时还依赖贵州航空工业集团公司飞行器平台提供的数据实时传输链路的支持。实现机上航空遥感数据传输与压缩，可供考虑的方案至少有以下几种： 1) 多模态遥感器系统通过工控机利用两条数据传输链路同时将遥感数据一份存入硬盘，一份传输给到遥感数据压缩模块板，进行数据压缩，压缩后的数据通过通讯接口与贵航 资助项目：北京大学985项目
收稿日期:2003-03-28作者简介:李燕(1977-),女,四川成都人,硕士研究生,主要从事遥感图像处理与应用、模式识别研究。 遥感影像道路网自动提取的研究 李 燕,余旭初 (解放军信息工程大学测绘学院,河南郑州 450052) Road Automatic Extraction from Remote Sensor Image LI Yan,YU Xu -chu 摘要:详细分析了道路的影像特征,建立了道路网描述模型。对道路模型的表达采用了模糊数学的方法,对知识的表达使用了带有置信度因子的模糊产生式规则,知识的推理使用了不确定性推理中的各种理论。本项研究力图模拟人的感知过程,以段的几何与灰度属性为主,并顾及局部上下文线索进行感知编组;基于道路模型对道路段进行识别;再利用道路的全局性约束知识对道路段进行重组,弥补了局部编组下的缺点。进行道路的分支和交叉的检测形成道路网。 关键词:影像理解;道路模型;感知编组;知识表达;知识推理;特征提取;几何结构信息中图分类号:P237 文献标识码:B 文章编号:1671-3044(2003)03-0011-05 1 引 言 近年来,遥感技术迅猛发展,而人们对遥感信息的认识和利用程度要远远落后于通过空间和航空系 统获取信息源的速度。从影像获取信息是人类获得知识的主要来源之一,如何自动处理、解译海量的图像数据是在整个社会信息化过程中面临的重要问题。从遥感图像中识别各种目标,是图像处理和目标识别的一个重要研究课题。道路自动识别是其中一个基本的、常见的问题。道路网是非常重要的基础地理信息,它的识别和精确定位对GIS 数据获取、影像理解、制图以及作为其他目标的参照体都有深远的意义。在过去的二十多年里,道路的提取在摄影测量界和计算机视觉界受到了广泛的重视,针对不同的影像类型,不同的影像分辨率,不同区域的影像和不同的道路类型,人们提出了许多从航空和遥感图像中自动提取道路的方法。但由于道路在遥感图像中的表现形式十分复杂,对不同比例尺的影像难以用固定的参数或特征描述,而只能用一些抽象的语句来描述。对于同一算法,不同的环境、不同的传感器、不同的图像、不同的成像条件等等会造成提取结果的极大差异,因而造成了自动识别的困难,使得自动提取道路信息成为一个难度很大的课题。目前仍然没有足够可靠和实用的自动识别软件。 本文以低分辨率影像乡村道路网的自动提取为对象,研究了以道路模型为基础,基于感知编组从遥感图像中自动提取道路网的方法。详细分析了道路的影像特征,建立了道路网描述模型。在道路识别过程中,对道路模型的表达采用了模糊数学的方法,对知识的表达使用了带有置信度因子的模糊产生式规则,知识的推理使用了不确定性推理中的各种理论。力图模拟人的感知过程,以段的几何与灰度属性为主,并顾及局部上下文线索进行感知编组,然后基于道路模型对道路段进行识别,再利用道路的全局性约束知识,如功能特征、拓扑特征、上下文特征等对道路段进行重组,弥补了局部编组下的缺点,最后进行道路的分支和交叉的检测形成道路网。2 道路描述模型 如何在实际图像中检测道路,关键问题是对现实世界中的道路进行正确的描述和理解,建立合适的道路模型。描述现实世界中的道路已经有很多学者做了研究,Garnesson 与Vosselman 等指出,道路的特征可以分为功能特征(functional)、几何特征(geometric)、辐射特征(photometric )、拓扑特征(topologic)、光谱特征和关联或上下文特征(contextual)等六个方面。本文重点研究低分辨率乡村主要道路的自动提取,我们抽象出道路的描述模 第23卷第3期2003年5月 海 洋 测 绘 H YDROGRAPHIC SURVEYING AND CHARTING V ol 123,No 13M ay ,2003
常用的遥感图像处理软件大全 eCognition eCognition是由德国Definiens Imaging公司开发的智能化影像分析软件。eCognition 是目前所有商用遥感软件中第一个基于目标信息的遥感信息提取软件，它采用决策专家系统支持的模糊分类算法，突破了传统商业遥感软件单纯基于光谱信息进行影像分类的局限性，提出了革命性的分类技术——面向对象的分类方法，大大提高了高空间分辨率数据的自动识别精度，有效地满足了科研和工程应用的需求。 ENVI ENVI是一个完整的遥感图像处理平台，其软件处理技术覆盖了图像数据的输入/输出、图像定标、图像增强、纠正、正射校正、镶嵌、数据融合以及各种变换、信息提取、图像分类、基于知识的决策树分类、与GIS的整合、DEM及地形信息提取、雷达数据处理、三维立体显示分析。 ERDAS ERDAS IMAGINE 是美国ERDAS 公司开发的遥感图像处理系统。它以其先进的图像处理技术，友好、灵活的用户界面和操作方式，面向广阔应用领域的产品模块，服务于不同层次用户的模型开发工具以及高度的RS/GIS（遥感图像处理和地理信息系统）集成功能，为遥感及相关应用领域的用户提供了内容丰富而功能强大的图像处理工具，代表了遥感图像处理系统未来的发展趋势。 Fragstats 计算景观格局指数的软件 Fragstats是最新的景观分析软件，可以在Arcgis10.x上运行的畅通无阻 专业的遥感影像处理软件免费下载网站：遥感集市应用汇集 Geomatica Geomatica 软件是地理空间信息领域世界级的专业公司加拿大PCI公司的旗帜产品，Geomatica集成了遥感影像处理、专业雷达数据分析、GIS/空间分析、制图和桌面数
遥感图像分类方法的国内外研究现状与发展趋势
遥感图像分类方法的研究现状与发展趋势 摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。 关键词：遥感图像、发展、分类、计算机 一、遥感技术的发展现状 遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。这种发展主要表现在以下4个方面： 1. 多分辨率多遥感平台并存。空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台
上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。 2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。成像雷达、激光雷达等的发展，越来越引起人们的关注。例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。高光谱遥感的出现和发展是遥感技术的一场革命。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要
遥感图像分类方法综述 刘佳馨 摘要：伴随着科学技术在我们的生活中不断发展，遥感技术便应运而生，而遥感图像因成为遥感技术分析中的不可缺少的依据，变得备受关注。在本文中，以遥感图像分类方法为研究中心，从传统分类方法、近代分类方法两个方面对分类方法进行了介绍，并以此为基础对分类思想及后续处理进行说明，进而展望了遥感图像分类的研究趋势和发展前景。 关键词：遥感图像；图像分类；分类方法 1 引言 遥感，作为采集地球数据及其变化信息的重要技术手段，在世界范围内的各个国家以及我国的许多部门、科研单位和公司等，例如地质、水体、植被、土壤等多个方面，得到广泛的应用，尤其在监视观测天气状况、探测自然灾害、环境污染甚至军事目标等方面有着广泛的应用前景。伴随研究的深入，获取遥感数据的方式逐渐具有可利用方法多、探测范围广、获取速度快、周期短、使用时受限条件少、获取信息量大等特点。遥感图像的分类就是对遥感图像上关于地球表面及其环境的信息进行识别后分类，来识别图像信息中所对应的实际地物，从而进一步达到提取所需地物信息的目的。 2 遥感图像分类基本原理 遥感是一种应用探测仪器，在不与探测目标接触的情况下，从远处把目标的电磁波特性记录下来，并且通过各种方法的分析，揭示出物体的特征性质及其变化的综合性探测技术。图像分类的目的在于将图像中每个像元根据其不同波段的光谱亮度、空间结构特征或其他信息，按照某种规则或算法划分为不同的类别。而遥感图像分类则是利用计算机技术来模拟人类的识别功能，对地球表面及其环境在遥感图像上的信息进行属性的自动判别和分类，以达到提取所需地物信息的目的。 3 遥感图像传统分类方法 遥感图像传统分类方法是目前应用较多，并且发展较为成熟的分类方法。从分类前是否需要获得训练样区类别这一角度进行划分，可将遥感图像传统分类方法分为两大类，即监督分类（supervised classification）和非监督分类(Unsupervised
北京揽宇方圆信息技术有限公司 遥感卫星影像数据制图技术流程 1.数据准备 1.1地形图 地形图是进行遥感影像几何精纠正的坐标参照系，也是重要的基础数据，包含多种层面的非遥感信息数据。 目前常用的地形数据多为数字地图。对于尚未有数据地图的工作区域，通常收集纸质地图，经过数据扫描，转换为数据地图。扫描分辨率通常设置为200-400dpi。扫描图通常存在变形，需要利用GIS软件进行几何校正，已达到制图精度要求。 对于早期或常规方法获得的成果图件，在建立数据库及系统分析前，通常也采用图形扫面方法，经系统处理，将纸质图形转换为数字图形。 1.2遥感数据源的选择 遥感数据源的选择是整个遥感制图工作中最基本和重要的工作。遥感数据源的选择一般包括遥感图像的空间分辨力、时相及波段的选择。另外在具体的工作中，数据源的选择还要综合其它非图像数据内容本身的因素来考虑，如成果图形的比例要求、精度要求、经费支持强度及遥感图像获取的难易程度等。 1.2.1遥感图像空间分辨力的选择
遥感影像空间分辨力是遥感数据源的一个重要指标，决定了遥感制图所获得的成果数据的精度和准确度。一般各主要成图比例尺对应遥感影像空间分辨力如下： 经过几十年的发展，遥感技术在社会各个领域得到广泛的应用与发展。目前遥感卫星可以提供从小于1米到公里级的影像空间分辨率，可以满足1:2000/3000的比例尺遥感制图精度要求，制图精度能够满足我国现行的制图精度要求。航空遥感影像可以提供厘米级的空间分辨率，可以满足大比例尺制图要求。 目前，国内遥感制图应用比较广泛的是土地利用/土地覆盖（1：1万——1：10万），生态环境监测、城市信息化、大型工程环境监测、灾害监测、遥感找矿…… 如：利用QuickBird/IKONOS进行违章用地监测、城市绿地与城市用地监测 利用eTM/SPOT进行土地利用遥感制图…… 1.2.2遥感信息的时相选择 地表由一个非常复杂的系统组成、时刻处于动态的变化过程。如地表的温度、水份、天气状况、人类活动等影响使得不同时间地表信息反映在遥感影像上也有明显的差异。遥感时相的选择其目的就是依据用户的需求，能够获取高质量的遥感影像。 1.2.3遥感图像的波段选择 一般遥感影像的各个波段都有不同的适用范围，而不同波段的组合则可以充分利用图像的多波段信息。波段组合总的原则是要最大反映信息量，要能从中有效地识别各种专题信息。如利用陆地资源卫星LandSat-TM图像数据进行土地资源调查时，一般采用4、3、2三个波段进行假彩色合成；MODIS 影像数据提供数十个波段数据，可以依据用户需求选择不同的波段组合方式。 2.图像处理
面向对象分类实验报告 姓名： 学号： 指导老师： 地球科学与环境工程学院
一、实验目的 面向对象法模拟人类大脑认知过程，将图像分割为不同均质的对象，充分利用对象所包含的信息，将知识库转换为规则特征，从而提取影像信息。因为分析的是对象而不是像元，因此我们可以利用对象丰富的语义信息，结合各种地学概念，如面积、距离、光谱、尺度、纹理等进行分析。 面向对象的遥感影像分析方法与传统的面向像元的影像分析方法不同。首先我们要用一定方法对遥感影像进行分割，在提取分割单元（图像分割后所得到的内部属性相对一致或均质程度较高的图像区域）的各种特征后，在特征空间中进行对象识别和标识，从而最终完成信息的分类与提取。 二、实验意义 1、使用eCognition进行面向对象的影像分类的流程； 2、体会面向对象思想的内涵，学会将大脑认知过程转变为机器语言； 三、实验内容 3.1、影像的预处理 利用ERDAS软件将所给的全色影像和多光谱遥感影像进行融合，达到既满足高空间分辨率，又保留光谱信息。Image interperter-> spatial enhancement-> resolution merge.输入融合前的两幅影像，完成影像的预处理过程。 图 1 图像融合步骤
图 2 融合后的图像 3.2、使用eCongition 创建工程 a、使用规则集模式创建工程 图 3 模式选择 b、file->new projection ，打开Create Project和Import Image Layers两个
对话框，将上面的实验数据导入。（注意，数据以及工程文件保存路径不要有中文） 图 4 导入数据 c、选择数据修改波段名称,并设置Nodata选项。
遥感的面向对象分类法 传统的基于像素的遥感影像处理方法都是基于遥感影像光谱信息极其丰富，地物间光谱差异较为明显的基础上进行的。对于只含有较少波段的高分辨率遥感影像，传统的分类方法，就会造成分类精度降低，空间数据的大量冗余，并且其分类结果常常是椒盐图像，不利于进行空间分析。为解决这一传统难题，模糊分类技术应运而生。模糊分类是一种图像分类技术，它是把任意范围的特征值转换为 0 到 1 之间的模糊值，这个模糊值表明了隶属于一个指定类的程度。通过把特征值翻译为模糊值，即使对于不同的范围和维数的特征值组合，模糊分类能够标准化特征值。模糊分类也提供了一个清晰的和可调整的特征描述。对于影像分类来说，基于像元的信息提取是根据地表一个像元范围内辐射平均值对每一个像元进行分类，这种分类原理使得高分辨率数据或具有明显纹理特征的数据中的单一像元没有很大的价值。影像中地物类别特征不仅由光谱信息来刻画的，很多情况下(高分辨率或纹理影像数据)通过纹理特征来表示。此外背景信息在影像分析中很重要，举例来说，城市绿地与某些湿地在光谱信息上十分相似，在面向对象的影像分析中只要明确城市绿地的背景为城市地区，就可以轻松地区分绿地与湿地，而在基于像元的分类中这种背景信息几乎不可利用。面向对象的影像分析技术是在空间信息技术长期发展的过程中产生的，在遥感影像分析中具有巨大的潜力，要建立与现实世界真正相匹配的地表模型，面向对象的方法是目前为止较为理想的方法。面向对象的处理方法中最重要的一部分是图像分割。 随着对地观测任务逐渐精细化，高分辨率遥感卫星影像的应用越来越广泛。这对遥感影像分类方法提出了挑战。已有的研究表明:基于像元的高分辨率遥感影像分类存在明显的限制。近年来，面向对象影像分析(Object-Based ImageAnalysis，OBIA)在高分辨率遥感影像处理中渐露头角，被认为是遥感与地理信息科学发展的重要趋势。本文针对面向对象影像分类(Object-Based Image Classification，OBIC)方法中的若干问题开展研究。主要研究内容与结论包括: 1)模糊遥感影像分割算法研究 针对当前影像分割算法应用于模糊影像时产生过渡区对象的问题，设计了过渡区对象识别方法。对简单地物模糊影像和复杂地物模糊影像进行实验发现:提出的算法能够有效识别过渡区对象。 2)代表地物最佳分割尺度研究 针对多参考对象情况下的地物最佳分割尺度选择问题，设计了基于对象内部同质性加权