遥感影像变化检测报告
学院：
专业：
指导老师：
小组成员：
2013年5月
1、遥感影像变化检测的概念
遥感影像变化检测指利用多时相获取的覆盖同一地表区域的遥感影像及其它辅助数据
来确定和分析地表变化。它利用计算机图像处理系统，对不同时段目标或现象状态的变化进行识别、分析；它能确定一定时间间隔内地物或现象的变化，并提供地物的空间分布及其变化的定性与定量信息。
由此可知，遥感影像变化检测是从不同时期的遥感图像中，定量地分析和确定地物变化的特征和过程。它涉及到变化的类型、分布状况及变化信息的描述，即需要确定变化前后的地物类型、界限和分析变化的属性。变化检测的研究对象为地物，包括自然地物和人造地物，其中人造地物在军事上常被称为目标。描述地物的特性包括：空间分布特性、波谱反射与辐射特性、时相变化特性。遥感影像的变化检测在土地覆盖变化监测、环境变迁动态监测、自然灾害监测、违章建筑物查处、军事目标打击效果分析以及国土资源调查等方面拥有广泛的应用价值和商业价值。
变化检测通常包括以下4个方面的内容：
(1)判断是否发生了变化，即确定研究区域内地物是否发生了变化；
(2)标定变化发生的区域，即确定在何处发生了变化，将变化像元与未变化像元区分开来；
(3)鉴别变化的性质，给出在每个变化像元上所发生变化的类型，即确定变化前后该像元处的地物类型；
(4)评估变化的时间和空间分布模式。
其中，前两个方面是变化检测所要解决的基本问题，而后两个方面则根据应用要求决定是否需要做。
2、遥感影像变化检测的三个层次
遥感图像分析过程中通常包括数据层处理、特征层处理和目标层处理三个过程。依据这三个层次划分，可将变化检测分为：像元级变化检测、特征级变化检测和目标级变化检测。
(1)像元级变化检测是指直接在采集的原始图像上进行变化检测。尽管基于像元的变化检测有它一定的局限性，但由于它是基于最原始的图像数据，能更多地保留图像原有的真实感，提供其它变化检测层次所不能提供的细微信息，因而目前绝大多数的变化检测方法都是像元级变化检测。
(2)特征级变化检测是采用一定的算法先从原始图像中提取特征信息，如边缘、形状、轮廓、纹理等，然后对这些特征信息进行综合分析与变化检测。由于特征级的变化检测对特征进行关联处理，把特征分类成有意义的组合，因而它对特征属性的判断具有更高的可信度和准确性。但它不是基于原始数据而是特征，所以在特征提取过程中不可避免地会出现信息的部分丢失，难以提供细微信息。
(3)目标级变化检测主要检测某些特定对象(比如道路、房屋等具有明确含义的目标)，是在图像理解和图像识别的基础上进行的变化检测，它是一种基于目标模型的高层分析方法。
变化检测的三个层次在实现上各有优缺点，在具体的变化检测中究竟检测到哪个层次是根据任务的需要确定的。像元级的变化检测保持了尽可能多的原始信息，具有特征级和目标级层次上所不具备的细节信息，但像元级变化检测仅考虑像素属性的变化，而未考虑其空间等特征属性的变化；特征级变化检测不仅考虑到空间形状的变化，而且还要考虑特征属性的变化，但特征级的变化检测依赖于特征提取的结果，但特征提取本身比较困难；目标级的变化检测最大的优点是它接近用户的需求，检测的结果可直接应用，但它的不足之处在于目标提取的困难性。
3、遥感影像变化检测的一般流程
遥感影像变化检测的一般处理流程包括图像预处理、变化检测及检测结果输出三个部分。如下图所示：
图一遥感影像变化检测一般流程图
(1)预处理
由于获取条件的差异,多时相遥感图像中存在非地物变化而造成的图像变化。因此，消除非地物变化是变化检测中不可缺少的步骤，在图像预处理的过程中，最重要的两个过程是几何校正和辐射校正。
(2)变化信息获取
变化信息获取是变化检测处理中的关键步骤。在这个过程中，先根据变化检测对象，进行变化特征提取(包括光谱特征及结构特征)。提取的变化特征，有些可以直接用于变化分析称为确定变化特征；有些不能直接用于变化分析，需要结合辅助信息(如在目标级的变化检测中，需要结合目标的模型来描述变化)称为非确定变化特征。最后对变化信息进行分析与描述得到检测结果。
(3)检测结果后处理及输出
变化检测的后处理是指对得到的检测结果进行再次处理以满足实际需求。主要方法包括滤波处理、数学形态学处理等。变化检测的结果根据用户的需要可以以报表的形式输出，也可以以变化图的形式输出，还可以存储在数据库中。通常情况下，像元级的变化检测是将变化和未变化的区域以二值图的方式进行表示。在特征级和目标级的变化检测中，不仅需要标注出变化的特征或目标，而且需要输出描述特征或目标变化的各种参数。
4、遥感影像变化检测的主要方法及特点
遥感影像变化信息提取是变化检测过程中的核心和关键，目前所出现的各种变化检测方法也都是为了解决这一问题。从不同的角度出发，可以进行不同的分类。按照是否要进行分类可分为直接比较法和分类后比较法；按照选取对象的粒度可分为像素级、特征级和对象级三种检测方法；按照是否需要先验信息可分为监督比较法和非监督比较法；按照采取的数学方法不同可分为代数运算法、变换法、分类法、GIS法、高级模型法等七种。下面介绍一些常用的变化检测算法。
(1)图像差值法
这种方法是目前应用最广泛的遥感变化检测方法。它将两个时相的遥感图像按波段进行逐像元相减，从而生成一幅新的代表两个时相间光谱变化的差值图像。即在理想的情况下，对其差值分析确定合适的阈值即可得到反映地表变化的结果。这种方法的数学形式如下式：
式中为两个时相影像波段k在第i行第j列像素差值，分别为两个时相的影像k波段(i，j)像素点的像素值，为选择的阈值。
图二前一时期遥感影像图三后一时期遥感影像
图四经差分法处理后的影像
这种方法的特点在于简单、直接，便于解释结果。它的不足之处在于只能提供变化和未变化得信息，不能提供具体的地物变化信息。其次，这种方法需要选择合适的阈值。另外，由于两组不同的绝对数值能产生相同的差值，使得差值法有时无法适当地处理检测中所涉及到的所有因素。
(2)图像比值法
图像比值法与图像差值法原理类似，也是一个可以快速得到变化区域的方法。图像比值法是计算多时相图像对应像素灰度值的比值。如果在一个像素上没有发生变化，则比值接近1，如果在此像素上发生变化，则比值远大于或远小于l，数学表达式如下：
图五经比值法处理后的影像
相比于图像差值法，比值法对于图像上的乘性噪声是不敏感的。如果每一幅图像的对应像素灰度值相同，则有，表示没有变化发生；对于变化区域，根据变化方向的不同，
比值会远大于l或远小于l。这种方法在一定程度上能减少影像间因太阳高度角，阴影和地形不同造成的影响。
(3)变化矢量分析
变化矢量分析法(Changer Vector Analysis，CVA)是一种研究输入数据辐射变化的方法。这种方法的基本思想是将两个时相的多光谱遥感影像中对成像元光谱值视为多维光谱空间中的一对点，用这对点所构成的向量来描述该像元在两时相间发生的变化，称这个向量为光谱变化矢量。利用该方法可以检测出所有包含在不同时相多光谱数据中的变化信息。该方法对不同传感器的数据也有很好的应用效果。
图六经变化矢量分析法处理后的影像
跟算术运算法一样，变化强度阈值的确定也是变化向量分析法的关键问题之一。常用的方法大都局限在仅通过变化强度这一种特征本身来确定分割阈值：一些方法是采用反复试验或个人经验来确定，主观性较强；一些方法是采用变化强度图的均值和标准差的线性组合来表示阈值。变化矢量分折法可以利用较多甚至全部的波段来探测变化像元，凶此避免了单一波段比较所带来的信息不完整，而且可以通过变化矢量的方向提供变化类型信息。但是随着波段数的增加，变化类型的判断会很困难。
(4)图像的分类比较
分类后比较方法用于对多时相图像的每-N图像单独进行分类，然后对分类结果图像进行比较。如果对应像素的类别标签相同，则认为该像素没有发生变化，否则认为该像素发生了变化。分类的方法可以是监督分类方法也可以是非监督分类方法。一般前者比后者的分类精度高。对于分类后比较变化检测来说，多采用监督分类方法。
我们组采用的方法是监督分类方法中的LQ2神经网络分类法。将图像进行AOI（Automatic Optic Inspection）编辑，采样，设置水体为蓝色，建筑为红色，林地为绿色，裸地为灰色。
如图：
图九前一时期影像LQ2神经网络分类后图十后一时期影像LQ2神经网络分类后
图十一经分类后比较法处理后的影像
变化检测报告：
结合图像和变化检测报告可知：
建筑增多，林地和裸地减少，在黄色圈圈中可以明显的看到后一时期图像较前一时期图像多了一个码头。不同时期的遥感图像所发生的变化受各种因素影响，如：时间分辨率，空间分辨率，光谱分辨率，辐射分辨率，大气状况，土壤湿度状况，物候特征等。两幅原始图
像中后一时期图像很明显受到天气状况的影响。建筑，林地，裸地等的变化还可能由时代的推移，社会的发展引起。
分类后比较法在使用时也会受到自身的一些限制。这些限制因素包括：
1)对不同时相影像分别做分类，会导致工作量很大，而通常变化区域在研究区域中所占的比率相对较小，使得针对未变化区域的分类形成了大量的重复工作。
2)分类后比较法对于类别的合理划分要求比较高：类别划分得过细就会产生大量的边缘点，从而造成检测误差的增加，类别划分得过粗又会忽略一些类别之间的差异，不能很好的反映实际情况。
3)分类和变化检测步骤的分离：当分类与变化检测成为相对独立的两个过程时，比较分析的数据就是从原始的两幅图像中得到的处理后的数据而不是原始数据，造成信息的丧失。
4)分类后比较法对于分类错误比较敏感：分类后比较法需要对用于变化检测的多幅图像分别分类，任何一幅图像的分类错误都会造成结果的错误，相当于增加了错误发生的几率。
尽管分类后比较法存在着精度方面的缺陷，但由于其方法简单，同时具有可以回避多时相影像获取环境条件和传感器不同所带来的辐射归一化问题，可以直接获取变化的类型，可以进行两个时相以上的遥感影像的变化检测分析等优点，故仍然被经常使用。
(5)植被指数差值法
植被指数差值法是将两个时相的植被指数来代替原始图像灰度，因而该方法主要用于检测植被覆盖的变化。此方法是通过比较影像的植被指数值来确定变化的一种检测方法。利用光学传感器近红外波段与红光波段对植被的显著的响应差，通过比值突出植被信息，再通过阈值提取植被信息和非植被信息。由于植物普遍对红光强烈吸收，对近红外光强烈反射，因此红光和近红外波段之间的比值有利于提高光谱差异。
根据实际需要，在进行变化检测时可采用不同的植被指数，如比值植被指数(RVI)，归一化植被指数(NDVI)，转换植被指数(TVI)等。这种方法的特点在于增强了植被在不同波段的波谱相应的差异，抑止了传感器、大气、地形和光照等因素引起的伪变化的干扰；但是植被指数的运算增加了随机噪声和相干噪声的影响，主要应用于植被覆盖的变化检测。另外，这种方法需要一定的经验知识选择何种方式的植被指数和阈值以便能达到较好的运算结果。
(6)图像回归法
在图像回归变化检测方法中，假设T2时相图像上每个像素灰度值都是Tl时相上对应像素灰度值的线性函数，那么就可以通过最小二乘方法算出线性函数的系数。通过解出的回归方程，用Tl时相图像上的像素值就可以计算出T2时相图像上对应像素的灰度值，定义为与之间的差值，表达式如下：
当有变化发生时的绝对值会比较大。
图像回归方法表明了不同时期像素的均值与方差不同，可减少了由于大气状况和太阳高度角的不同带来的不利影响。但对于特定的卫星数据，建立高精度的回归关系，往往比较困难，计算量大。
(7)主成分分析
主成分分析(PCA：principal components analysis)又称K—L变换，是一种去除多光谱图像波段间相关性，同时又不丢失信息的一种正交变换。该方法是对多时相数据按一般主成
分分析研究或标准主成分分析的方法进行线性变换，得到反映各种变化的分量，这些变化分量互不相关，而且按其强度及影响范围顺序排列。通过对进行主成分变换后的变化分量进行分析就可以总结变化规律，揭示变化原因。
通过PCA可以压缩冗余信息，消除多光谱图像波段间的相关性，减少了处理数据量。PCA 变化检测方法也存在着缺陷：作为变换结果的主成分与原始图像相关，这就要求不同时相的数据是同一传感器，相同分辨率的图像；主成分影像往往失去了原来数据的物理光谱特性，对地物的解译往往只能依赖其几何、纹理信息。
5、遥感影像变化检测的发展趋势及研究前沿
随着各种光学卫星及雷达卫星运行服务,各种遥感数据的不断积累,各级空间数据库也相继建立,地球表面不同空间尺度的数据得以全面记录。如何从这些遥感数据中提取和检测变化信息已成为遥感应用技术研究的重要课题。
遥感变化检测方法可为土地利用、植被、土壤侵蚀、环境变化等提供多时相、大范围的实时信息,帮助我们更好的研究地球资源、环境。为了满足研究项目的特定需求,研究人员将遥感信息科学、统计学、计算机技术等科学技术结合,研发出不同的遥感变化检测平台。
遥感应用与新技术发展互相促进。20世纪70年代数字遥感的出现，发展了遥感数字图像处理系统，数字处理与分析促进了资源环境填图，生态系统结构和作用研究；90年代早期GIS 技术的发展促进了遥感数字图像处理与GIS的一体化，发展了遥感数据与其它辅助数据的叠合、融合技术，形成更为强大、有用的数据集。国内外运用遥感变化检测技术已取得了一批面向应用的成果,90年代中期开始,包括MODIS 数据植被变化检测, ETM土地覆盖土地利用项目(LCLUC) 的地表覆盖变化检测,水资源质量的变化检测,多光谱遥感的数据变化检测,多光谱遥感数据变化自动检测技术, IKONOS 军事目标的变化检测,利用干涉雷达检测地震等一批面向应用的遥感变化检测研究成功。
随着我国气象资源海洋环境减灾等系列卫星发射,我国正迈向航天强国,遥感应用技术得以不断发展,遥感技术为我国各省、市、行业、各层次国土资源和城市土地调查、森林资源检测、环境变化检测、灾害预报与评估、国家重大生态工程监理等方面取得重大成就,更好的服务各决策部门。
遥感变化检测技术经过几十年的发展，在各方面都取得了一定进展。从数据源角度看，变化检测已不再局限于使用单一的遥感影像，而是综合利用多来源、多平台、多分辨率的遥感影像、GIS数据及一些辅助数据检测变化信息；从技术角度看，传统的变化检测方法日趋完善，新方法不断涌现，变化检测已经从像素级的检测方法向面向对象的检测方法过渡。此外，一些新知识和模型也不断引入到变化检测领域，如马尔科夫随机场、人工神经网络等；从影像处理平台角度看，各种商业和开源软件的不断出现，使得变化检测更易于实现。
目前新的遥感变化信息检测方法：
（1）基于影像分割的变化检测方法
基本思路是将影像分割为若干具有相同影像特征(光谱特征、形状特征等)的图斑单元(或影像对象)，通过对相应图斑单元的比较确定变化信息。
（2）组合法
是相对于单一的变化检测法而言的，是综合两种或两种以上的变化检测法检测遥感变化信息。组合法的优点是显而易见的，可弥补单一方法的局限性，使各种方法优势互补；缺点是组合形式和规则不固定，需根据具体应用选择合适的组合模式。
（3）基于马尔科夫随机场模型的变化检测方法
该方法从统计模型的角度描述了当前像元与周围像元之间的关系，基本思想是将差值后的图像看作是一个马尔科夫随机场，估计每个像元变化和未变化的先验概率，依据最小错误
率的贝叶斯准则提取变化区域。优点在于顾及了像元领域的相关信息，且对噪声不敏感；缺点是模型复杂，计算量大。
但目前的遥感变化检测还存在一些不足之处。首先，遥感变化检测的自动化程度较低。遥感变化检测是一个复杂的综合过程，涉及图像配准、影像分割、图像分类、信息提取等过程，在现有技术水平下，各个子过程尚不能实现智能化处理，还需要较多的人工干预；其次，遥感变化检测方法的局限性。大多数方法只能适用于特定的数据源、应用背景和数据质量，缺乏一种通用的变化检测方法，例如，变化向量法只能用于多波段影像，植被指数法需要数据源中含有近红外和红波段，还有一些检测方法要求数据服从高斯分布。最后，遥感变化检测结果的评价方法单一。目前只能通过构造分类误差矩阵，得到总体精度、Kappa系数等指标。另外，变化检测流程中各步骤产生的误差对检测结果影响的大小及该误差传播过程和机理尚不能确定。
希望今后，遥感变化检测除了继续研究面向对象检测方法外，还能致力于解决自动化检测、检测方法的普遍性等问题。随着各种光学卫星及雷达卫星运行服务,各种遥感数据的不断积累,各级空间数据库也相继建立,地球表面不同空间尺度的数据得以全面记录。如何从这些遥感数据中提取和检测变化信息已成为遥感应用技术研究的重要课题。
参考文献：
陈鑫镖.遥感影像变化检测技术发展综述[J].测绘与空间地理信息，2012,35(9).
梅洋，陆苗．基于遥感影像的变化检测研究动态[J]．地理信息世界，2006，4(2):42
—47.
佃袁勇．基于遥感影像的变化检测研究[D]．武汉：武汉大学，2005．
陈颖.多时相遥感影像变化检测方法研究[D].苏州大学，2011.
马建文,等. 遥感变化检测技术发展综述[J].地球科学进展,2004 (4).
吴芳，等.遥感变化检测技术及其应用综述[J].地理空间信息,2007.
孟繁烁.基于遥感影像的变化检测方法综述[J].科技创新与应用,2012.
多时相土地利用/覆盖变化监测研究 方法及数据选取 土地是一个综合的自然地理概念，它处于地圈-生物圈-大气圈相互作用的界面，是各种自然过程和人类活动最为活跃的场所。地球表层系统最突出的景观标志就是土地利用和土地覆盖( Land Use and Land Cover)。由于土地利用和土地覆盖与人类的生活、生产息息相关，而人类活动正以空前的速度、幅度和空前规模改变着陆地环境。人类对土地资源的利用引起的土地利用和土地覆盖的变化是全球环境变化的重要因素之一，也是地球表面科学研究领域中的一个重要分支。因此，土地利用和土地覆盖的动态监测（Land Use and Land Cover Monitoring）是国内外研究的热点，也是当前全球变化研究计划的重要组成部分。 由多时相遥感数据分析地表变化过程需要进行一系列图像处理工作，大致包括：一、数据源选择，二、几何配准处理，三、辐射处理与归一化，四、变化监测算法及应用等。 一、遥感数据源的选取 不同遥感系统的时间分辨率、空间分辨率、光谱分辨率和辐射分辨率不同，选择合适的遥感数据是变化监测能否成功的前提。因此，在变化监测之前需要对监测区域内的主要问题进行调查，分析监测对象的空间分布特点、光谱特性及时相变化的情况，目的是为分析任务选择合适的遥感数据。同时，考虑到环境因素的影响，用于变化监测的图像最好是由同一个遥感系统获得，如果由于某种原因无法获得同一种遥感系统在不同时段的数据，则需要选择俯视角与光谱波段相近的遥感系统数据。 1时间分辨率 这里需要根据监测对象的时相变化特点来确定遥感监测的频率，如需要一年一次、一季度一次还是一月一次等。同时，在选择多时相遥感数据进行变化监测时需要考虑两个时间条件。首先，应当尽可能选择用每天同一时刻或者相近时间的遥感图像，以消除因太阳高度角不同引起的图像反射特性差异；其次，应尽可能选用年间同一季节，甚至同一日期的遥感数据，以消除因季节性太阳高度角不同和植物物候差异的影响。 2空间分辨率 首先要考虑监测对象的空间尺度及空间变异的情况，以确定其对于遥感数据的空间分辨率的要求。变化监测还要求保证不同时段遥感图像之间的精确配准。因此，最好是采用具有相同瞬时视场（IFOV）的遥感数据，如具有同样空间分辨率的TM图像之间就比较容易配准在一起。当然也可以使用不同瞬时视场遥感系统获取的数据，如某一日期的TM图像（30m ×30m）与另一日期的SPOT图像（20m×20m），来进行变化监测，在这种情况下需要确定一个最小制图单元20m×20m，并对这两个图像数据重采样使之具有一致的像元大小。 一些遥感系统按不同的视场角拍摄地面图像，如SPOT的视场角能达到±27°，在变化监测中如果简单采用俯视角明显不同的两幅遥感图像，就有可能导致错误的分析结果。例如，对一个林区，不均匀地分布着一些大树，以观测天顶角0°拍摄的SPOT图像是直接从上向下观测到树冠顶，而对于一幅以20°观测角拍摄的SPOT图像所记录的是树冠侧面的光谱反射信息。因此，在变化监测分析中必须考虑到所用遥感图像观测角度的影响，而且应当尽可能采用具有相同或相近的俯视角的数据。 3光谱分辨率 应当根据监测对象的类型与相应的光谱特性选择合适的遥感数据类型及相应波段。变化监测分析的一个基本假设是，如果在两个不同时段之间瞬时视场内地面物质发生了变化，则不同时段图像对应像元的光谱响应也就会存在差别。所选择的遥感系统的光谱分辨率应当足
遥感影像变化检测报告 学院： 专业： 指导老师： 小组成员： 2013年5月
1、遥感影像变化检测的概念 遥感影像变化检测指利用多时相获取的覆盖同一地表区域的遥感影像及其它辅助数据 来确定和分析地表变化。它利用计算机图像处理系统，对不同时段目标或现象状态的变化进行识别、分析；它能确定一定时间间隔内地物或现象的变化，并提供地物的空间分布及其变化的定性与定量信息。 由此可知，遥感影像变化检测是从不同时期的遥感图像中，定量地分析和确定地物变化的特征和过程。它涉及到变化的类型、分布状况及变化信息的描述，即需要确定变化前后的地物类型、界限和分析变化的属性。变化检测的研究对象为地物，包括自然地物和人造地物，其中人造地物在军事上常被称为目标。描述地物的特性包括：空间分布特性、波谱反射与辐射特性、时相变化特性。遥感影像的变化检测在土地覆盖变化监测、环境变迁动态监测、自然灾害监测、违章建筑物查处、军事目标打击效果分析以及国土资源调查等方面拥有广泛的应用价值和商业价值。 变化检测通常包括以下4个方面的内容： (1)判断是否发生了变化，即确定研究区域内地物是否发生了变化； (2)标定变化发生的区域，即确定在何处发生了变化，将变化像元与未变化像元区分开来； (3)鉴别变化的性质，给出在每个变化像元上所发生变化的类型，即确定变化前后该像元处的地物类型； (4)评估变化的时间和空间分布模式。 其中，前两个方面是变化检测所要解决的基本问题，而后两个方面则根据应用要求决定是否需要做。 2、遥感影像变化检测的三个层次 遥感图像分析过程中通常包括数据层处理、特征层处理和目标层处理三个过程。依据这三个层次划分，可将变化检测分为：像元级变化检测、特征级变化检测和目标级变化检测。 (1)像元级变化检测是指直接在采集的原始图像上进行变化检测。尽管基于像元的变化检测有它一定的局限性，但由于它是基于最原始的图像数据，能更多地保留图像原有的真实感，提供其它变化检测层次所不能提供的细微信息，因而目前绝大多数的变化检测方法都是像元级变化检测。 (2)特征级变化检测是采用一定的算法先从原始图像中提取特征信息，如边缘、形状、轮廓、纹理等，然后对这些特征信息进行综合分析与变化检测。由于特征级的变化检测对特征进行关联处理，把特征分类成有意义的组合，因而它对特征属性的判断具有更高的可信度和准确性。但它不是基于原始数据而是特征，所以在特征提取过程中不可避免地会出现信息的部分丢失，难以提供细微信息。 (3)目标级变化检测主要检测某些特定对象(比如道路、房屋等具有明确含义的目标)，是在图像理解和图像识别的基础上进行的变化检测，它是一种基于目标模型的高层分析方法。 变化检测的三个层次在实现上各有优缺点，在具体的变化检测中究竟检测到哪个层次是根据任务的需要确定的。像元级的变化检测保持了尽可能多的原始信息，具有特征级和目标级层次上所不具备的细节信息，但像元级变化检测仅考虑像素属性的变化，而未考虑其空间等特征属性的变化；特征级变化检测不仅考虑到空间形状的变化，而且还要考虑特征属性的变化，但特征级的变化检测依赖于特征提取的结果，但特征提取本身比较困难；目标级的变化检测最大的优点是它接近用户的需求，检测的结果可直接应用，但它的不足之处在于目标提取的困难性。
遥感影像云识别方法综述 国内外对云的检测与分类研究较多，有较多的研究成果报道。其方法大致可以分为两类，一类是基于光谱的方法，主要利用云在不同的光谱波段有不同反射特征，大部分以灰度阈值或灰度聚类的方法实现，主要用于多光谱影像，早期研究较多。如用于A VHRR的ISCCR 法（ROSSOW，1989）、CLA VR法（STOWE，1991）和用于的C02法（WGLIE，1994），近期亦研究用于MODIS的一些云识别与分类的方法，主要为以前方法的改造。另一类是基于纹理的方法主要应用云影像的灰度空间分布特征。纹理特征常以统计模型法、结构法、场模型法或频域/空域联合分析法来度量。其中尤以传统的统计模型研究较多，如灰度共生矩阵（GLCM）、灰度差分矩阵（GLDM）、灰度差分矢量（GLDV）、和差直方图（SADH）等，新近提出的一些方法如场模型法中的分形分维、马尔可夫随机场方法，频域/空域联合分析法中的Gabor变换、小波变换等，有不少的研究成果报道。 1. 基于光谱特征的方法： 主要有ISCCP方法、APLOOL方法、CO薄片法、CLAVR方法等。 ISCCP方法主要由Rossow(1989)Seze和Rossow(1991a)及RossowG和arder(1993)和等开发研制，检测方法中公用到窄的可见光波段（0.6）和红外窗区波段的资料。它假定观测辐射办一自晴空和云两种情况（这两种大气状况相联系的辐射值变化并不相互重叠），把每一个像元的观测辐射值与晴空辐射值比较，若两者的差大于晴空辐射值本身的变化时，定该像元点为云点。因此算法依赖于阈值，阈值勤的大小就确定了晴空计值中不确定性的大小，当像元的车射值明显有别于晴空像元时，认为像元被云覆盖，但当像元部分被云覆盖时，会发生误判。 算法主要由有五部分组成： （1）单一红外图像的空间对比试验。 （2）三个连续红处图像的时间对比试验。 （3）可见光和红外图像的空间/时间的累计统计合成。 （4）每5天的可见光和红处辐射的晴空合成。 （5）每个像元的可见光和红外辐射阈值勤的选取。 APOLLO（The A VHRR Processing scheme Over cloud Land and Ocean）算法主要由Saunders和Kriebel（1988），Kriebel等（1989）和Gesell（1989）研制开发，它利用了A VHRR 五个全分辨探测通道资料。在五个通道资料的基础上，像元被认为是有云像元，必须满足几个条件：像元的反射率比所设定的阈值高或温度比所设定的阈值低；通道2与通道1的比值介于0.7和1.1之间；通道4和通道5的亮度温差大于所设定的阈值；若像元在海洋上，其空间均一性还要大于设定的阈值。若像元通过了所有的多光谱云检测，像元为晴空，只要有一个未通过，就认为像元被云污染，因此这个检测方法具有保守性。利用其中的两个检测，。设定不同的阈值，可区分完全云覆盖像元和部分云覆盖像元。 CKA VR(The NOAA Cloud Advanced Very High Resolution Radiometer)算法（Phase I）(Stowe et al.,1991)利用A VHRR五个通道资料在全球范围内进行云检测。它同样采用了一系列判识阈值，不同之处在于采用2*2的像元矩阵作为判识单位。当2*2的像素点数列中4个像素点全不通过有云判识时，像元矩阵为无云；4个像素点全通过有云识别时，像素点矩阵为完全云盖；4个像素点中有1至3个像元通过有云判识时，认为像元矩阵是混合型。如果被判识为云或混合型的像元矩阵中的4个像元，满足另类晴空检测条件，像元矩阵被重新判别为晴空像元。根据下垫面性质和观测时间的不同，把算法分为白天海洋、白天陆地、夜间海洋和夜间陆地四类。在后来的改进方案中，用9天的合成晴空辐射作为晴空辐射值，并对云污染的像元进行分类。
遥感图像信息提取方法综述 遥感图像分析 遥感实际上是通过接收（包括主动接收和被动接收方式）探测目标物电磁辐射信息的强弱来表征的，它可以转化为图像的形式以相片或数字图像表现。多波段影像是用多波段遥感器对同一目标（或地区）一次同步摄影或扫描获得的若干幅波段不同的影像。 在遥感影像处理分析过程中，可供利用的影像特征包括：光谱特征、空间特征、极化特征和时间特性。在影像要素中，除色调/彩色与物体的波谱特征有直接的关系外，其余大多与物体的空间特征有关。像元的色调/彩色或波谱特征是最基本的影像要素，如果物体之间或物体与背景之间没有色调/彩色上的差异的话，他们的鉴别就无从说起。其次的影像要素有大小、形状和纹理，它们是构成某种物体或现象的元色调/彩色在空间（即影像）上分布的产物。物体的大小与影像比例尺密切相关；物体影像的形状是物体固有的属性；而纹理则是一组影像中的色调/彩色变化重复出现的产物，一般会给人以影像粗糙或平滑的视觉印象，在区分不同物体和现象时起重要作用。第三级影像要素包括图形、高度和阴影三者，图形往往是一些人工和自然现象所特有的影像特征。 1、遥感信息提取方法分类 常用的遥感信息提取的方法有两大类：一是目视解译，二是计算机信息提取。 1.1目视解译 目视解译是指利用图像的影像特征（色调或色彩，即波谱特征）和空间特征（形状、大小、阴影、纹理、图形、位置和布局），与多种非遥感信息资料（如地形图、各种专题图）组合，运用其相关规律，进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程。早期的目视解译多是纯人工在相片上解译，后来发展为人机交互方式，并应用一系列图像处理方法进行影像的增强，提高影像的视觉效果后在计算机屏幕上解译。 1）遥感影像目视解译原则 遥感影像目视解译的原则是先“宏观”后“微观”；先“整体”后“局部”；先“已知”后“未知”；先“易”后“难”等。一般判读顺序为，在中小比例尺像片上通常首先判读水系，确定水系的位置和流向，再根据水系确定分水岭的位置，区分流域范围，然后再判读大片农田的位置、居民点的分布和交通道路。在此基础上，再进行地质、地貌等专门要素的判读。 2）遥感影像目视解译方法 （1）总体观察 观察图像特征，分析图像对判读目的任务的可判读性和各判读目标间的内在联系。观察各种直接判读标志在图像上的反映，从而可以把图像分成大类别以及其他易于识别的地面特征。（2）对比分析 对比分析包括多波段、多时域图像、多类型图像的对比分析和各判读标志的对比分析。多波段图像对比有利于识别在某一波段图像上灰度相近但在其它波段图像上灰度差别较大的物体；多时域图像对比分析主要用于物体的变化繁衍情况监测；而多各个类型图像对比分析则包括不同成像方式、不同光源成像、不同比例尺图像等之间的对比。 各种直接判读标志之间的对比分析，可以识别标志相同（如色调、形状），而另一些标识不同（纹理、结构）的物体。对比分析可以增加不同物体在图像上的差别，以达到识别目的。（3）综合分析 综合分析主要应用间接判读标志、已有的判读资料、统计资料，对图像上表现得很不明显，或毫无表现的物体、现象进行判读。间接判读标志之间相互制约、相互依存。根据这一特点，可作更加深入细致的判读。如对已知判读为农作物的影像范围，按农作物与气候、地貌、土质的依赖关系，可以进一步区别出作物的种属；河口泥沙沉积的速度、数量与河流汇水区域
生态环境遥感监测方案 遥感技术作为目前一种先进的信息采集方式，具有信息量大、成本低和快速的特点，是生态环境监测中非常重要的技术手段。遥感集市运用遥感技术进行矿区生态环境动态监测，为合理开发矿产资源提供基础性数据资料，实现矿产资源的可持续发展，是生态环境领域研究的重要课题。 矿区生态环境问题包括：对地表的破坏、对土地的占用和破坏，对自然景观的影响和破坏，造成“三废”污染，破坏水资源、造成水土流失，诱发或孕育滑坡、泥石流、冲击地压、矿震等动力地质、环境地质问题，噪声和振动污染，热污染等。目前，国内外已有许多科学工作者利用遥感技术对矿区生态环境监测做了研究：一方面，是利用不同时相的波段组合图、指数变化图和土地覆盖类型变化图来体现地表信息的变化，从而进行矿区生态环境动态监测，但往往是定性或半定量分析，并且多是单个大面积的矿区，对于大范围分布零散的矿区研究甚少；另一方面，是将遥感信息与其他调查数据（如土质、水质等数据）相结合，具体研究采矿引起的土质变化、水质变化、地表变形等，虽然细致、透彻，但费时、费力。 针对湖北大冶矿区分布零散的特点，应该采用多时相陆地卫星遥感数据，首选遥感集市高分数据，在不同波段组合和各种指数运算应用的基础上，分析各类地表地物具体光谱特征和空间特征，用基于知识的决策树的方法进行分类，得到具有高精度的分类结果图，然后基于不同时相分类结果的变化检测，通过对研究区水体污染、矿区复垦、耕地变化等的定量分析，进行了湖北大冶矿区生态环境监测的研究。 遥感数据的获取和预处理 湖北大冶面积为1400km2，属亚热带季风气候区。由于20世纪的 80年代到90年代是矿区开采的相对高峰期，并且由此引起的生态环境问题有一定滞后效应，同时为了减少季节上产生的误差，而夏季植被丰富，易于区分矿区和植被类型，本文从现有的资料中选取有代表性的1986年7月底、1994年11月的TM 影像和2002年 9月初的ETM 影像进行处理和分析比较（其中1994年 TM影像因季节差异仅作矿区的比较）。 由于地面站在接收信号时根据遥感平台、地球、传感器的各种参数进行的几何校正，还不能满足专业解译和综合分析的需要，本文以 !,- 万比例尺的地形图作为参考坐标，对湖北大冶矿区的遥感影像进行几何精校正。纠正时在图像和地形图上分别均匀
遥感图像计算分类综述 1引言 随着卫星遥感图像和航空遥感图片分辨率的不断提高,人们可以从遥感图像中获得更多的有用的数据和信息。伴随着“数字地球”概念的提出,越来越多的民用场合需要用到遥感图像,包括资源调查,自然灾害观测、大气气象预报等。遥感图像的一个主要研究内容就是分类, 将各种地物划分出来, 最终目的是识别地物。但由于受到许多条件的限制, 例如大气、地形、分辨率以及混合像元的影响, 分类精度一直不是太高。许多科研人员为了提高分类精度, 提出了许多分类算法本文主要研究和讨论了遥感图像分类技术的分类方法和算法,并且作了简要的评价。 2图像分类技术 遥感图像是按一定比例尺, 客观真实地记录和反映地表物体的电磁辐射的强弱信息, 是遥感探测所获得的遥感信息资料的一种表现形式。所以, 遥感技术应用的核心问题是根据地物辐射电磁辐射强弱在遥感图像上表现的特征, 判读识 别地面物体的类属及其分布特征。遥感图像特征取决于遥感探测通道、地物光谱特征、大气传播特征及传感器的响应特征等因素。只要了解这些因素对遥感图像特征的影响, 则可按图像特征判读地面物体的属性及其分布范围, 实现遥感图像的分类识别。 遥感图像分类主要依据是地物的光谱特征,既地物电磁波辐射的多波段测量值,这些测量值可以用作遥感图像分类的原始特征变量。分类是对图像上每个像素按照亮度并接近程度给出对应类别,以达到大致区分遥感图像中多种地物的目的。 数据挖掘是指从巨量的、有噪音的、随机的数据中提取有效的、新颖的事先未知而又潜在有用的信息, 借助数据挖掘技术提高遥感数据的地物分类和目标识 别已成为遥感研究领域的热点之一。由于数据挖掘研究的发展, 对遥感图像的信息提取也提高到了以主动获取信息的高度，主要有两大方面，监督分类，非监督分类。 2.1监督分类 监督分类是一种常用的精度较高的统计判决分类,在已知类别的训练场地上提取各类训练样本,通过选择特征变量、确定判别函数或判别规则,从而把图像中的各个像元点划归到各个给定类的分类方法，间督的分类方法可以分为分布无关方法和与分布有关的统计分类。分布无关方法无需任何有关于观测目标先验概率分布的知识，是一种启发式的学习分类过程，又称无参数的分类。统计分类方法则基于一定的先验概率分布模型，这种分类方法假定数据的概率分布参数待确定，一般概率分布模型多采用多变量Gaussian分布，因此最终的参数估计就简化到仅需要获得均值矢量，协方差矩阵。 常用的与分布无关的分类方法有：及近邻法，决策树法。 分布有关的统计分类方法主要有贝叶斯分类器(Bayesian Classifier)、最大似然度分类。
遥感影像变化检测实验报告 目录 1 遥感影像变化检测概述 (2) 1.1 遥感影像变化检测的内容 (2) 1.2 影响变化检测的因素 (2) 1.3 遥感影像变化检测步骤 (3) 1.4 评判遥感影像检测方法优劣的标准 (3) 2 实验过程（基于ERDAS软件） (3) 2.1 影像数据 (3) 2.2 处理步骤 (3) 2.3 ERDAS操作步骤 (3) 2.3.1 2003年影像配准 (3) 2.3.2 2005年影像配准 (10) 2.3.3 相对大气校正 (11) 2.3.4 差分检测 (15) 3 结语 (16)
1 遥感影像变化检测概述 遥感影像变化检测就是对目标或现象在不同时间观测到的状态的差异的识别过程。常用用于遥感影像变化检测的领域有：土地利用/土地覆被变化；森林或植被变化；森林死亡、落叶和灾害评价；森林采伐、再生和选择性砍伐；湿地变化；森林火灾以及林火影响区域检测；地表景观变化；城市变化；环境变化；如农作物检测、轮垦检测、道路分段、冰川总量平衡和表面变化等。 1.1 遥感影像变化检测的内容 遥感影像变化检测的内容为： （1）检测并判断某一研究区域内感兴趣的目标或现象在所研究的时间段内是否发生了变化； （2）确定发生变化区域的位置； （3）遥感影像变化检测结果精度评估； （4）分析、鉴别变化类型，确定变化前后地物类型； （5）分析、评估变化在时间和空间上的分布模式，对其变化规律进行描述和解释； （6）对未来的变化进行预测，为科学决策提供依据。 1.2 影响变化检测的因素 一般来说，影像遥感影像变化检测的因素主要有： （1）多时相影像间的精确几何配准； （2）多时相影像间的定标或规一化； （3）高质量地面真实数据的获取； （4）研究区地面景观和环境的复杂度； （5）变化检测的方法和算法； （6）分类和变化检测的主题（目标）； （7）分析人员的技术水平和经验； （8）对研究区的认知和熟悉程度； （9）时间和成本限制。 为此，数据选择时，尽量选择同一传感器、相同辐射和光谱分辨率，并在时间周期上相同或相近的数据，目的是为了能消除外部环境的影响，如太阳高度角、季节和物侯的差异等。在进行变化检测前我们应进行的准备工作主要有： （1）多时相影像必须精确配准； （2）多时相影像间必须精确辐射定标和大气校正或规一化； （3）多时相影像间要有相似的物候状态；
龙源期刊网 https://www.doczj.com/doc/3e7455661.html, 遥感图像目标识别文献综述 作者：谭博彦 来源：《电脑知识与技术》2016年第35期 摘要：随着科学技术的不断发展，特别是遥感技术的飞速发展，遥感图像的分辨率越来越高，其包含的信息也越来越复杂，因此，迫切需要发展感兴趣目标自动识别技术。精确识别对象对民用导航、环境保护、军事等各个方面意义重大，提高对象的自动识别精度也是不可缺少的。本文通过查阅分析遥感图像识别的文献资料，对目标识别使用的一些基本理论和方法进行了综合归纳。 关键词：遥感图像；目标识别；综述 中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2016）35-0206-03 A Literature Review on Remote Sensing Image Target Recognition TAN Bo-yan （Class 1422 The 1st Middle School of Loudi， Loudi 417000 China） Abstract：With the continuous development of science and technology， Especially the rapid development of remote sensing technology， The resolution of the remote sensing images is higher and higher， it contains information is becoming more and more complex， therefore， an urgent need to develop interest in automatic target recognition technology. Accurately identify the object is of great significance to civil navigation， environment protection， military and other various aspects， to improve the automatic identification precision of the object is also indispensable. This article through the analysis of remote sensing image recognition of the literature， the target recognition using some of the basic theory and method are summarized. Key words：remote sensing image； target recognition； literature review 目标识别是计算机视觉、图像处理和机器学习中的重要研究课题之一。目前，目标识别的技术已经广泛应用在各个领域中，近些年来其在遥感图像中的应用也越来越普遍。对遥感图像进行精确地目标识别，一直是计算机图像识别中的一个难题，且随着遥感技术的迅速发展，其也成了该领域一个重要研究方向。精确定位遥感图像中的感兴趣目标，同时提取其状态参数和属性值，是遥感图像目标识别的基本任务。该任务需要经过地学、生物学、物候学等综合性的专家知识指导，运用信息科学和数学等一系列方法来实现简单地电磁辐射特性的记录，到地物时空分布变化的反演，这是一个非常典型的交叉学科问题[1]。
遥感图像的分类与变化监测 1.数据准备 1.1研究区域概况 向10度至30度长有210公里，东西宽有15公里至20公里，是川西断陷带和川东隆起带 泉驿区总面积的39.07%、3.86%、57.07%。2009年，龙泉驿区土地总面积5.5698万公顷，其中耕地7367.83公顷，占土地总面积的13.23%;园地2.5295万公顷，占土地总面积的45.42%;林地7628.2公顷，占土地总面积的13.70 %;其他农用地3295.85公顷，占土地总面积的5.92%;居民点及工矿用地1.0742万公顷，占土地总面积的19.29%;交通运输用地539.83公顷，占土地总面积的0. 97%;水利设施用地553.30公顷，占土地总面积的0.99 %;未利用地274.93公顷，占土地总面积的0.49%。 1.2数据下载 在地理空间数据云中先搜索2000年---2005年的数据，选择云量较少，图像 质量高的进行下载；搜索2009年---2015年图像选择质量高的下载，最终选定2001年和2009年龙泉驿区的图像（landsat4--5）。 两期影像的像元信息： 影像 数据 类型 卫星名称 传感 器 条带 号 太阳 高度角 太阳 方位角 平均 云量 数据标示 2001 TM landsat4--5 TM 129 37.5708 141.1516 5.45 LT5129039200104 2009 TM landsat4--5 TM 129 51.3982 133.2621 0 LT5129039200908 2001年影像
2009年图像 2.数据处理 2.1图像格式的转换 2.1.1格式转换 利用Import工具，将下载的TIFF影像转换为后缀为img图像，并选择存储的路径。 2.1.2多波段图像的融合 在interpreter工具中利用image interpreter中的layer stack进行1--7图像的融合， 为后面的处理提供基础。
遥感图像变化检测方法(简称变化检测)根据处理目标要求可以分为三类:特定类目标的变化检测,如机场、桥梁、港口、导弹基地等目标的变化检测;线性体目标的变化检测,如道路、机场、桥梁和一般建筑物等目标的变化检测;大面积目标的变化检测,如某地域的植被变化、城市的发展、洪水灾害评估等。本文系统地研究了基于模式识别知识检测特定类目标、线性体目标和大面积目标变化的变化检测方法。 为了实现对特定类目标的变化检测,本文提出了一种基于目标检测的变化检测方法。该变化检测法的工作流程为:多时相图像配准、特定类目标建模、检测特定类目标、确定特定类目标的位置、比较特定类目标在参考图像和检测图像中的位置、报告变化情况。本文提到的特定类目标建模,是对某类特定目标的共同属性进行建模,即一般模型,而不是针对某个具体目标进行详细的状态描述。本论文提出的机场检测法在试验中达到了100%的正确检测率。确定了检测图像中的机场位置后,就可以将检测结果与参考图像中的机场位置进行比较,从而实现机场位置变化的检测。 对于检测线性体目标的变化,本论文提出了一种基于边缘检测的变化检测方法。该变化检测法的工作流程为:多时相图像配准、图像标准化、提取参考图像及检测图像的边缘、匹配边缘图像中的边缘并获得边缘差分图像、标注变化情况。边缘检测算子的性能直接影响变化检测结果。本论文提出了一种全新的边缘检测算子—正弦算子。本论文详细分析了边缘算子的三个性能准则:检测性能、定位性能和响应唯一性,在此基础上提出了正弦算子。正弦算子不但具有较好的容噪能力,并且能够检测到灰度变化较小的边缘。理论结果和试验结果都证明正弦算子是一个性能卓越的边缘检测算子。 本文提出了一种中高分辨率遥感图像的聚类方法。该聚类方法的过程分为两部分:学习过程和识别过程。学习过程为:选取图像特征、使用已知类别的特征训练BPC网络;识别过程为:输入待分类图像、预处理滑动窗口中图像、计算滑动窗口的图像特征、使用BPC网络判断滑动窗口中心像素的类别、在图像中逐点移动滑动窗口、完成整个图像的分类。试验结果表明,本文的特征提取法和图像聚类法能获得较好的图像聚类精度。 遥感图像数据获取系统近期发展的主要方向是提高空间和时间分辨率,这使遥感图像数据量有了巨大的增加。大量的数据和有限的人工分析员必将导致有很多图像无法被浏览。而在实际中,我们却非常需要分析员浏览相关图像。如果我们知道需要浏览的具体图像和图像中的具体目标,这个问题就很容易解决了。然而,大多数情况下,我们并不知道哪个图像中包含了我们需要寻找的信息。但是,我们可以利用数字图像的许多性质,通过计算机浏览所有的图像并把我们的注意力引导至相关的图像。实现这一目的主要有两个方法:使用计算机对图
基于彩色模型的遥感影像阴影检测 基于彩色模型的遥感影像阴影检测 摘要：遥感影像是利用空间传感器对地面目标电磁波辐射信息进行探测，它包含了十分丰富的地理信息，是获取地面信息的主要来源。本文主要根据遥感影像阴影的属性，对基于彩色模型的遥感影像阴影检测方法进行了分析。 关键词：彩色模型；遥感影像；阴影检测 中图分类号： P283.8 文献标识码： A 引言 遥感指的是在20世纪60年代发展起来的以航空摄影技术为基础的一门新兴技术。起初主要是航空遥感技术，自从美国于1972年发射了第一颗陆地卫星以后，就标志着航天遥感时代的到来。随着计算机技术和数字图像处理技术的发展 ，再加上空间技术的突飞猛进，遥感已经渐渐成为采集地球数据以及其变化信息的一项重要技术手段。在遥感领域中，遥感影像主要指的是航空像片和卫星像片，它主要是用缩小的影像对地表信息进行真实再现，可以让人们超越自身的感官限制，以不同的感知方式和空间尺度快速的对地球环境的动态变化情况进行监测， 成为获取地球资源与环境信息的一种重要手段。遥感影像能够将失误直观、逼真的反映出来，便于目视定性解译，是较为常用的遥感方法。因为可以通过遥感影像提取很多详细的信息，尤其是近些年来，随着高分辨率遥感影像的发展，遥感影像的应用也开始变得广泛，目前在土地资源、土地利用资源以及动态监测方面得到了十分广泛的应用，比如主要农作物的遥感估产，城市发展和规划的遥感监测植树造林及退耕还林评估，森林资源调查，重要自然灾害的遥感监测与评估等。 但是，随着遥感影像空间分辨率的不断提高，遥感影像中的阴影
对遥感影像的应用也带了很多问题。 遥感影像中阴影的特点 遥感影像中的阴影主要指的是因为较高的建筑物或者树木等地物遮挡了太阳光，使得太阳光不能直射而形成的区域。阴影区域包含着地物的微弱信息，比如几何结构、颜色、纹理、亮度等等。 从最早的空中摄影测量算起，阴影在地面地物应用上的影响相对比较突出，尤其是考古学和军事目标识别方面。随着高分辨率遥感影响的广泛应用，遥感影像中的阴影给影像的应用带来了很多不利的影响，特别是在影像处理和工程应用方面，阴影对其操作进程产生的影响非常大，严重的甚至会导致结果错误。所以，阴影处理成了遥感影像处理技术中无法避免的问题。因为对影像的要求存在不同研究领域和不同的应用目的，影像上的阴影在数字图像处理中，既存在有利之处，也存在不利之处。 阴影的类型 阴影常被分为本影(Self shadow)和投影(Cast shadow)两种类型，本影指的是遮挡物本身没有被光线照射到的一部分地方，投影指的是照射光线被遮挡物遮挡的背景区域。本影和投影产生的亮度值可能会不同，影像中阴影的亮度值主要凭借周围间接光源的发射率，因为本影所接触到的周围的间接光源多一些，所以本影的亮度值就会比投影的亮度值大。如果光源是面光源的情况下，它所产生的投影又能分为全影(Umbra)和半影(Penumbra)两大类，全影指的是光线被全部遮挡的背景区域，而半影指的是光线被部分遮挡的背景区域。其中具体的含义可以通过图1反映出来。 （图1 阴影的类型） 阴影的几何特性 阴影的边缘主要能分为四大类，即阴影形成线(Shadow marking lines)、 阴影线(Shadow lines)、分隔线(Occluding lines)、隐阴影线(Hidden shadow lines)。阴影形成线指的是被光源直接照射的物体表面部分与不被光源照射部分的分界线；阴影线指的是阴影形成线
题目：图像变化检测方法综述学号： 姓名：
图像变化检测方法综述 摘要 图像的变化检测是指通过分析在不同时间来自同一地区的两副或多幅图像，检测出该地区的地物随时间发生的变化信息。本文主要用遥感图像的变化检测为例来进行说明，遥感图像的变化检测已经广泛地应用于如森林资源的动态监测、土地覆盖和利用的变化监测、农业资源调查、城市规划布局、环境监测分析、自然灾害评估、地理数据更新以及军事侦察中战略目标(如道路、桥梁、机场)等的动态监视等许多领域。 本文对常见的变化检测方法进行了概括性的介绍与优缺点评述，并分析了当前变化检测方法中存在的普遍问题；并在此基础上，实现了一种基于模糊贴近度的变化检测方法，通过计算相应像素点之间的模糊贴近度，得到了差异图，并用FCM对其聚类，得到了目标图像的变化检测结果。 关键词：变化检测遥感模糊贴近度
1.引言 随着社会与科技的发展, 人类开发资源与改造自然的能力不断增强, 自然界的变化和人类的各种活动每天都在改变着地表景观及其土地利用形式。世界人口的快速增长及城市化的发展, 加快了这种变化的速度。这些变化将对地球资源和生态环境产生深远的影响, 已经引起了广泛关注。土地利用与土地覆盖变化研究已经成为全球变化研究中的前沿与热点。由于遥感对地观测具有实时、快速、覆盖范围广、多光谱、周期性等特点, 遥感技术已经成为变化检测最主要的技术手段, 变化检测研究也是目前遥感应用方法研究中的热点之一。 最近20 年来, 各国学者相继发展了许多基于遥感技术的变化检测方法, 也出现了不同的划分方法, 大致可以归纳为以下几种。按数据源将变化检测方法分为3 类: 基于新旧影像的变化检测、基于新期影像旧期非影像数据的变化检测、基于立体像对的三维变化检测; 按处理的信息层次将变化检测划分为像元级、特征级与决策级 3 个层次; 按是否经过分类将其分为直接比较法和分类后比较法两类;最近还有学者按照采用的数学方法将变化检测技术分成代数运算法、变换法、分类法、GIS 法、高级模型法等7 种。随着土地覆盖变化的复杂性以及遥感数据多样性的增加, 新的变化检测方法以及新的图像处理算法不断涌现, 例如, 利用变化向量分析法、马尔科夫随机场模型进行变化检测, 利用概率统计学理论进行基于图斑的变化检测法, 利用支撑向量机、面向对象技术进行分类等。总之, 多项研究与实践证明, 目前还没有哪种方法被普遍认为是最优的, 由于这些方法大多是在不同的环境下基于不同的用途提出来的, 各自具有不同的适用性与局限性。伴随着遥感数据获取技术的快速发展, 越来越多各具特色的遥感数据及其组合对变化检测提出了新的技术要求。 2.遥感图像变化检测技术现状 遥感影像变化检测是从不同时期的遥感数据中, 定量地分析和确定地表变化的特征与过程。简单地说就是通过遥感手段, 对同一地区不同时期的两个影像提供的信息进行分析、处理与比较, 获取该时间段内的土地利用与覆盖变化信息。从技术流程上看, 一般包括影像预处理、变化信息发现、变化区域提取与变化类型确定几个过程, 在对图像进行预处理完后，剩下的关键环节是变化信息发现, 多数研究都是围绕该环节进行的。本文从算法的角度将目前变化检测的方法分为四类: (1)基于简单代数运算的变化检测； (2)基于图像变换的变化检测； (3)基于图像分类的变化检测；
第29卷，第4期国土资源遥感V〇L29，N〇.4 2017 年12 月REMOTE SENSING FOR LAND &RESOURCES Dec. ,2017 doi ：10. 6046/gtzyyg. 2017. 04. 02 引用格式:刘紫涵，吴艳兰.遥感图像云检测方法研究进展[】].国土资源遥感，2017,29(4):6-12.(1^21^贾11￥1^1^腿of cloud detection methods in remote sensing images[ J]. Remote Sensing for Land and Resources,2017 ,29(4)：6 - 12.) 遥感图像云检测方法研究进展 刘紫涵，吴艳兰 (安徽大学资源与环境工程学院，合肥230601) 摘要：云层遮挡是影响遥感图像质量的主要因素，对受云层遮挡的遥感图像进行云检测是遥感数据修复过程中需 解决的首要问题。在参考国内外大量文献的基础上，分析了云检测方法的研究现状，对现有的检测方法进行分类 和综述，并重点介绍几种常用卫星数据的云检测方法，通过对不同云检测方法的比较，总结了现有云检测方法存在 的问题以及发展趋势。 关键词：遥感；图像；云检测；传感器；综述 中图法分类号：TP 751.1 文献标志码：A 文章编号：1001 -070X(2017)04- 0006 - 07 〇引言 遥感影像已广泛应用于地球资源调查、自然灾 害预测和环境污染监测等方面，但由于传感器受大 气密度和云层变化等影响较大，许多影像存在云层 遮挡问题[1]。根据国际卫星云气候计划流量数据(in te rn a tio n a l sa te llite clo u d clim a to lo g y p ro je ct - flu x data,ISCCP-FD)提供的全球云量数据显示，地球 表面66%以上区域经常被云覆盖[2]。云层使得我 们获得的地物信息衰减，甚至损失[3]，而对气象学 者而言，通过研究云的分布可以发现极端气候现象 及其变化规律[4]。为此，众多学者针对云的特性进 行了云检测方法的研究[5]。云检测被看作影像进 行后续识别、分类和解译的关键[6]，是遥感影像资 料修复工作的基础之一，更是生产时空无缝遥感产 品的前提保证。尽管大量针对遥感云检测的方法被 提出来，但对这些方法的总结综述性论文还较少[5]，尤其是对不同传感器间遥感云检测方法的比 较和综合评价更为稀少。因此，本文参考了大量国 内外的相关文献，对遥感影像云检测方法现状进行 分类和讨论，并归纳了几种常用遥感图像的云检测 方法。 1遥感图像云检测技术现状 国内外学者针对云检测做了不少研究，也取得了较大的成功，并早在1983年就将云检测技术作为 世界气候研究计划的重要组成部分[7]。目前云检 测方法多为阈值法，如K egel meyer[8]使用简单像元 作为阈值进行云检测，该方法简单易行，但准确率偏 低。后续的多组阈值法[9]、自动云覆盖估算（a u to-m a te d clo u d co v er assessm ent,ACCA)、双通道动态阈值检测法[U]和通道综合运算检测法[12]等方法 相继被提出并用于云检测研究。这些基于光谱特征 的阈值法在一定程度上提高了云检测的精度，但往 往会带来云检测的遗漏或者错判，而且多组综合阈 值的设定会使检测速度变慢[5]。为此，一些基于纹 理特征[13]和统计特征[14]等方法也被运用到云检测 中，并在中巴资源02B卫星中得到了实际应用。此 外，人工神经网络等因其在时间和地区上具有良好 的普适性也常用于云检测研究，该类方法通过训练 数据集可以在一定程度上解决阈值法的时空局限性 难题[15]。 无论哪种方法都不可能适用于所有传感器和所 有下垫面情况[16]，即使同一种方法同一种传感器在 白天和晚上也可能产生不一样的效果[17]。各种方 法在实际应用中往往不是单独使用，而是多光谱、多 特征和多方法的综合应用，如通过增加其他信息(如地表温度和多时相信息等）或结合其他技术（如 超像素分割[18]和纹理分析[19]等），从而提高阈值法 的检测精度。但这些方法大多针对特定遥感数据的 特定波段，且阈值选择通常难以把握。各种方法虽 收稿日期：2016 -07-21;修订日期：2016-11-13 基金项目：安徽省自然科学基金面上项目“面向海洋划界的海岸线曲折度与长度量算研究”（编号：1308085M D52)和安徽大学研究生 学术创新研究强化项目“风云静止卫星地表温度产品空值数据稳健修复”（编号：yq h l〇〇254)共同资助。 第一作者：刘紫涵（1990 -)，男，硕士研究生，主要从事遥感图像处理方面的研究。Email: rs3121zh@https://www.doczj.com/doc/3e7455661.html, 。
遥感图像分类方法综述 王一达,沈熙玲,谢炯 (杭州市电力局调度所,浙江杭州310028) 摘要:从遥感图像分类方法的基本原理入手,介绍了传统遥感图像的分类一些方法,以及它们近年来的发展,此外还对遥感图像分类研究的新方向作了一些介绍,并对发展趋势作了展望。 关键词:遥感图像;图像分类;模式识别。 中图分类号:P237.9 文献标识码:A 文章编号:1000-3177(2006)87-0067-05 收稿日期:2006-03-01 基金项目:国家自然科学基金40271087时态GIS 的基态修正时空数据模型扩展及其应用;浙江省自然科学基金401006GIS 时空数据库中 的基态修正模型扩展及其应用. 作者简介:沈熙玲(1980~)、女、浙江大学硕士研究生、主要从事遥感应用研究、GIS 理论及应用研究. 1 引 言 遥感图像是按一定的比例尺,客观真实地记录和反映地表物体的电磁辐射的强弱信息,是遥感探测所获得的遥感信息资料的一种表现形式。所以遥感技术的核心问题是根据地物辐射电磁辐射强弱在遥感图像上表现的特征,判读识别地面物体的类属及其分布特征[2]。在遥感图像技术的研究中,无论是专业信息提取,运动变化预测,还是专题地图制作和遥感数据库的建立等都离不开分类,对照地面地物类型,便可以从图像上地物的识别。随着近年来计算机技术的飞速发展,计算机识别分类成了遥感技术应用的一个重要组成部分。遥感图像数据类别多,合混度大,如何解决多类别分类识别并满足一定的分类精度,是当前遥感图像研究中的一个关键问题,也是人们关注的焦点[1]。 2 遥感图像分类原理 通常我们所指的遥感图像是指卫星探测到的地物亮度特征,它们构成了光谱空间。每种地物有其固有的光谱特征,它们位于光谱空间中的某一点。但由于干扰的存在,环境条件的不同,例如:阴影,地形上的变化,扫描仪视角,干湿条件,不同时间拍摄及测量误差等,使得测得的每类物质的光谱特征不尽相同,同一类物质的各个样本在光谱空间是围绕某一点呈概率分布,而不是集中到一点,但这仍使我们可以划分边界来区分各类。因此,我们就要对图像进行分类。图像分类的任务就是通过对各类地物波谱特征的分析选择特征参数,将特征空间划分为不相重叠的子空间,进而把影像内诸像元划分到各子空间去,从而实现分类。分类方法可以分为统计决策法(判别理论识别法)模式识别和句法模式识别。 统计决策法模式识别指的是:对研究对象进行大量的统计分析,抽出反映模式的本质特点、特征而进行识别。主要 的有监督分类中的最小距离法、逐次参数估计法、梯度法、最小均方误差法、费歇准则法和非监督分类中的按批修改的逐步聚类法、等混合距离法。此外还可以将两者结合起来,互相补充以获得较好的效果。句法模式识别则需要了解图像结构信息, 从而对其进行分类。 图1 统计决策法模式识别原理框图 图2句法模式识别原理框图 3 遥感图像分类研究现状 在目前的遥感图像分类应用中,用的较多的是传统的模式识别分类方法:诸如最小距离法,最大似然法等监督分类法。其分类结果由于遥感图像本身的空间分辨率以及/同物异谱0,/同谱异物0现象的存在,而往往出现较多的错分、漏分情况,导致分类精度不高。但目前也提出了一些改进算法,使其分类精度有了大幅的提高。随着遥感技术的发展,近年来出现了一些新的倾向于句法模式的分类方法,如人工神经网络方法,模糊数学方法,决策树方法,专家系统方法等。 3.1 传统的遥感图像分类方法 在遥感图像数据的分类中,人们最常用的是最大似然分类法和最小距离分类法。最大似然分类法一般是基于贝叶斯(Bayes)准则构建起来的,而基于各种判决距离函数的多种分类方法都称为最小距离分类法。 3.1.1 最大似然分类法 67