遥感图像处理的一般流程
演讲人：
日期:
目录
CONTENTS
01
数据获取阶段
02
预处理流程
03
图像增强处理
04
信息提取技术
05
分析与应用
06
成果输出管理
01
数据获取阶段
确保传感器能够覆盖研究区域和感兴趣的目标。
覆盖范围
考虑传感器的稳定性、信噪比和数据量等因素。
数据质量
01
02
03
04
选择具有合适空间、光谱、辐射和时间分辨率的传感器。
分辨率
根据预算和技术条件选择最合适的传感器。
预算和技术限制
传感器类型选择标准
稳定性
选择具有高度和姿态稳定的遥感平台，以减少图像变形和误差。
灵活性
考虑平台的轨道周期、倾斜角度和重复访问能力等因素，以获取所需观测数据。
搭载传感器数量
选择能够搭载多个传感器并同时运行的遥感平台，提高数据获取效率。
成本效益
在满足需求的前提下，选择成本较低的遥感平台。
遥感平台匹配原则
原始数据格式规范
数据格式标准
选择通用的、被广泛接受的数据格式，以确保数据的兼容性和可处理性。
数据组织方式
遵循统一的数据组织方式，如按照时间序列、空间分布或传感器类型等方式进行组织。
数据压缩与解压缩
采用高效的数据压缩方法，以减少存储和传输成本，同时确保数据的解压缩后恢复原始质量。
数据质量标识
在数据中嵌入质量标识信息，以便用户评估数据的可用性和准确性。
02
预处理流程
辐射校正实施步骤
传感器辐射定标
将传感器记录的原始DN值转换为辐射亮度或反射率，以消除传感器自身的影响。
太阳辐射校正
地面辐射校正
消除太阳位置和角度变化以及大气衰减对传感器接收到的辐射能量的影响。
消除地面反射、发射和散射对传感器接收到的辐射能量的影响，以及地物目标本身的辐射特性。
1
2
3
多项式拟合法
基于成像瞬间传感器和地物的相对位置关系，建立共线方程，解算图像上每个像元的地理坐标。
共线方程法
直接线性变换法
直接建立传感器坐标和地理坐标之间的线性关系，计算简单但精度较低。
利用已知控制点和多项式拟合原理，对遥感图像进行几何校正，精度较高但计算量大。
几何校正技术方法
大气校正参数设置
包括大气光学厚度、气溶胶类型、单次散射反照率等，用于描述大气对辐射的衰减和散射作用。
辐射传输模型参数
包括不同地物类型的反射率，用于计算地面反射对传感器接收到的辐射能量的影响。
地面反射率参数
包括校正系数、偏移量等，用于对辐射校正和几何校正结果进行微调和优化。
校正参数
03
图像增强处理
空间域增强策略
灰度变换
通过拉伸、截断、反转等变换函数，改变图像像元的灰度值，提高图像的对比度。
图像平滑
通过平均或中值滤波等方法，消除图像中的噪声，提高图像的清晰度。
锐化滤波
通过高通滤波等方法，增强图像中的边缘和细节信息，提高图像的锐度。
将图像从空间域转换到频率域，通过分析图像的频谱特性，提取有用的信息。
频率域变换技巧
傅里叶变换
在频率域上，利用小波的多分辨率特性，对图像进行多尺度分析，提取不同层次的细节信息。
小波变换
根据图像的频率特性，设计相应的滤波器，对图像进行滤波处理，以达到增强或抑制特定频率分量的目的。
频域滤波
像素级融合
在多光谱图像的每个像素上，将不同光谱波段的信息进行融合，以提高图像的空间分辨率。
多光谱融合标准
特征级融合
从不同光谱波段中提取特征信息，如纹理、边缘、形状等，将这些特征进行融合，以提高图像的分类精度。
决策级融合
在更高层次上进行融合，将不同光谱波段的决策结果进行融合，以获得更可靠、更全面的信息。
04
信息提取技术
特征分类算法选择
监督分类
利用已知类别的训练样本建立分类器，通过分类器对未知类别进行预测。常用的算法有最大似然分类、支持向量机、决策树等。
非监督分类
深度学习
不需要训练样本，直接根据像元之间的相似性进行分类。常用的算法有K均值聚类、ISODATA算法等。
通过构建深度神经网络模型，自动学习并提取图像中的高层次特征。常用的深度学习算法有卷积神经网络（CNN）等。
1
2
3
目标识别参数优化
阈值设置
选择合适的阈值，将目标与背景进行分离，提高识别精度。
特征选择
从众多特征中选择最具代表性的特征，降低计算复杂度，提高识别效率。
分类器设计
根据目标的特点，设计适合的分类器，包括分类器的结构、参数等。
对获取的遥感图像进行几何校正、辐射校正等预处理，以消除图像中的几何和辐射畸变。
通过比较不同时间段的遥感图像，检测出发生变化的区域。常用的方法有图像差分、图像比值等。
对检测出的变化区域进行进一步的分类和识别，确定变化的类型、范围等。
通过实地调查、对比分析等手段，对变化检测结果进行验证，确保结果的准确性和可靠性。
变化检测流程设计
图像预处理
变化区域检测
变化类型识别
变化结果验证
05
分析与应用
专题制图规范
地图符号与注记
根