遥感图像变化检测综述_刘占红

遥感变化监测 流程

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

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

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

遥感图像计算分类综述

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。

遥感图像目标识别文献综述

龙源期刊网 https://www.sodocs.net/doc/3714435506.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最终版

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。

遥感变化检测实验报告

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；

遥感图像变化检测

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

图像变化检测方法综述

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；

遥感图像云检测方法研究进展

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.sodocs.net/doc/3714435506.html, 。

遥感图像分类方法综述

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

遥感_变化监测实习报告

变化监测实习报告 实习名称变化监测 实习课程遥感图像处理姓名班级 实习时间学号得分 实习原理：非监督分类运用1SODATA算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时。原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。 实习数据： 遥感影像：LS5_TM_20100725_023435_023501_121040_FASTB_L2 LS5_TM_20081210_022812_022837_121040_FASTB_L2 简析：影像为江西省鄱阳湖地区，在影像生成时间内。时值夏/冬季，但江西地区植被多常绿。 实习内容：就所下载遥感影像，采用非监督分类的方法，对影像中所放映的信息进行分类。 实习目的：掌握非监督分类的方法与过程，加深对非监督分类方法的理解。 实习步骤：

第一步：调出非监督分类对话框 在ERDAS 图标面板工具条中点击Classifier 图标 →C1assification →Unsupervised Classification →Unsupervised classification。对话框如下： 第二步：进行非监督分类 在Unsupervised classification对话框输入数据（如上图右所示）。 确定输出文件（Input Raster File）:caijianhou_40.img（要被分类的图像）→确定输出文件（Output File）:非监督分类_caijianhou 4001.img即将产生的分类图像）

遥感图像质量检测综述

遥感图像质量检测综述 摘要：质量检测是遥感图像信息可用性的重要保证，且贯穿于遥感数据应用的整个阶段。本文主要针对遥感图像的处理流程中的原始图像接收、图像预处理、图像信息提取三个阶段进行质量检测的研究。同时对于如何进行遥感图像的告诉检测也进行了概述。 关键词：遥感；质量检测；处理流程；高速检测 1.引言 随着遥感卫星技术与信息技术的飞速发展，遥感图像的获取取到越来越多、获取速度越来越快捷，现在半天的数据获取量就达到了过去将近一年的获取量。随着数据的爆炸性增长，劣质数据也随之而来，数据可用性受到严重影响。众所周知，数据的质量决定了信息的可用性，因此对遥感图像的质量检测就越发显得重要[1]。 任何信息产品最终都要服务于社会发展，遥感图像更不例外。遥感图像从获取需到可应用的专题图中间主要还包括原始图像获取、预处理和信息提取3个方面。遥感图像的质量检测是贯穿于这整个过程，只有每一步都保证其相应的质量后才可能生成一幅可用的专题产品。其中可能存在的质量问题简要介绍如下：（1）原始的遥感图像主要针对其辐射质量的检测，具体面临的质量问题是噪声过多和云量。噪声的存在降低了图像的质量, 有时甚至会完全掩盖数字图像中真正的光谱信息。在光学遥感中，云覆盖是造成遥感数据可用性降低的重要因素，云量的存在则直接遮掩了地物的光谱信息，导致一景图像失去其可用性。因此云量检测是遥感影像辐射质量评价的重要内容之一。 （2）图像的预处理阶段主要包括几何校正、图像融合、剪裁镶嵌等操作。几何校正是为了使两幅或多幅图像的几何坐标相对应，是后续一系列的图像处理的基础，校正的质量将会影响后续所有过程集产品。如果校正不准确轻则导致图像质量降低，重则导致图像间的操作不能进行。图像融合是为了获取更丰富的图像信息以便于图像分类、信息提取等操作，一般由低分辨率多光谱信息的影像与

遥感影像基于像素的变化检测方法简介

表2 基于像素得变化检测方法简介 方法 简介 图像差值 使用两个精确配准得图像来产生表示变化得差值图像。可以直接从像素得辐射值或 者在提取得/导出得/变换得图像(如纹理或植被指数)上测量差异。在数学上,差异图像 得表示就是:12(,)(,)(,)d I x y I x y I x y =-,其中I 1与I 2就是时间t 1与t 2得图 像,(x,y )就是坐标,I d 就是差分图像。没有辐射变化得像素分布在均值周围(Lu 等,2005), 而变化得像素分布在分布曲线得尾部(Singh,1989)。 由于变化可能出现在两个方向 上,因此决定由那个图像减去那个图像(Gao,2009)。 图像比值 计算两个共同配准得图像之间得比率。数学上:12(,)(,) r I x y I I x y =,与图像差值不同,图像得顺序并不重要,因为变化结果以比率表示,未变化得区域在理论上应该为1。 回归分析 假定从时间(t 2)开始得图像I 2就是从时间(t 1)开始得图像I 1得线性函数。 图像I 2被视 为“参考”图像。 然后调整I 1图像以匹配参考图像得辐射测量条件。回归分析(如最小 二乘回归)可以通过对I 1图像进行辐射度量归一化以匹配参考图像来帮助识别增益与 偏移量(Lunetta,1999)。 变化(I d )图像由检测到从第一次日期图像中减去回归图像。 数学上:?(,)(,)d d I x y aI x y b =+; ?(,)(,)(,)d d d I x y I x y I x y =- 植被指数差值 植被在红光与近红外波段光谱反射率间得显著差异,通过波段组合,形成植被指数。通 常,对于变化检测,两个图像分别产生植被指数,然后应用基于标准像素得变化检测(例 如差值或比值)。 现有得植被指数有:基于比值得植被指数(RVI ),归一化植被指数(NDVI )与土壤调整植 被指数(SAVI )等。 变化向量分析(CVA ) 可以同时分析变化检测得多个图像波段。 CVA 背后得想法就是,随着时间得推移,具 有不同值得特定像素位于特征空间中基本不同得位置(Jensen,2005)。像素值被视为光 谱波段得矢量,通过减去不同日期所有像素得矢量(Malila,1980)计算变化矢量(CV )。 CV 得方向描绘了变化得类型,而变化得大小对应于CV 得长度。 也可以对转换后得 数据执行CVA (例如,Kauth-ThomasTransformation,KTT )。 主成分分析(PCA ) PCA ,数学上就是基于“主轴转换”,就是将多元数据转换为一组新得成分,从而减少了数 据冗余(Lillesand et al 、,2008)。 PCA 使用协方差矩阵或相关矩阵将数据转换为独立 不相关得数据。结果矩阵得特征向量按降序排序,其中第一主成分(PC)表示大部分数 据变化。随后得分量定义下一个最大得变化量,并且与前面得主分量就是独立得(正交 得)。在PCA 中,假定没有变化得区域就是高度相关得,而变化得区域则不就是。在多 时相图像分析中,PC1与PC2倾向于代表未改变得区域,而PC3与后来得PCs 包含改 变信息(Byrne 等,1980; Ingebritsen 与Lyon,1985; Richards,1984)。使用两种基于PCA 得变化检测方法。第一个,单独得旋转,就是分别从图像获取PC ,然后使用其她变化检 测技术(如图像差值)。第二种就是合并方法,其中双时间图像被合并为一个集合并且 PC 被应用。与双时间数据具有负相关性得PCs 对应于变化。 Coppin 与Bauer(1996)