遥感影像分辨率

遥感分辨率与制图比例尺关系

张益新

（淮海工学院测绘工程学院，江苏连云港 222005）

摘要：分析遥感影像分辨率与制图比例尺相关的关系，从遥感分辨率与制图比例尺的数学定律来阐述两者的关系，最后指出如何选取适当空间分辨率的卫星影像，为制图提供帮助

关键词：遥感影像分辨率比例尺关系

1.引言

当今世界随着信息技术和传感器技术的飞速发展，各种测量技术日新月异，各种测量技术为社会的进步作出了巨大的贡献。其中遥感技术作为目前测量顶端技术，已经被广泛的应用到各个领域。在科学家的努力下，遥感影像的空间分辨率有了很大提高。原来只有航空影像能够达到的精度，如今遥感影像也能够满足需要。卫星遥感影像是平面几何精度与地物类别精度的统一，影像空间分辨率是决定影像精度的一个重要指标，影像精度要满足相应比例尺地图更新对于影像识别能力和成图精度要求，同时又要考虑地图更新成本。冗余的分辨率会增加影像购买成本和加重内业处理的负担；而若分辨率达不到一定要求，细小的地物就无法判读、影像控制点精度得不到保证，满足不了成图精度。现在我们就来讨论遥感影像分辨率与制图比例尺的关系。

2.遥感影像空间分辨率与成图比例尺的数学关系

资源卫星遥感影像空间分辨率R (单位为m ) 与可制作的合理成图比例尺m (m 为比例尺分母) 以及图件要求的误差范围e (单位为mm ) 存在以下关系:

e ×m × 10-3= C ×R (1)

式中 C ——影像几何校正系数, 即: 经几何校正以后,最差的像元位置均方根差(Roo t M ean Squa re, 简称RM S) , 以像元为单位, 达到多少个像元; e——人眼的分辨率, 通常采用0.2mm。式(1) 的左边是一般图件允许的实地误差(以m 为单位) , 而右边是遥感影像校正后存在的实地误差, 这两个误差在遥感制图中应当相等, 也是(1) 式成立的基础。几何校正系数C 是一个待定变量。以RTK GPS(Real T ime Kinemat ic GPS) 测量值作为真值, 求出精校正遥感影像与真值的误差, 计算得到误差的均方根差, 就可以求出精纠正遥感影像均方根差的像元个数,即C 的值。C 值确定后, 利用(1) 式可以计算出此遥感影像可以制作的合理成图比例尺。通常, 遥感影像空间分辨率越低, 几何校正系数C 就应设置越大, 这是因为空间分辨率越低, 影像边缘几何变形就越大, 几何校正的效果就越差。

3.分析遥感影像空间分辨率与成图比例尺的关系

从(1）式，我们可以得出遥感影像空间分辨率与成图比例尺成正比关系，也就是遥感影像空间分辨率越高，相应比例尺越大，所表达的空间内容就越精细；遥感影像空间分辨率越低，相应比例尺越低，反映的空间内容就越宏观。而且从（1）式公式，我们可以看出只要遥感影像空间分辨率一经确定, 就可以计算其合理的成图比例尺, 也可以得到对遥感影像进行纠正的地形图应当选取多大比例尺, 为遥感制图提供参考。

4.星遥感影像空间分辨率的选择

卫星影像空间分辨率的选择除了考虑不同比例尺成图对影像空间分辨率要求，还要考虑现有可获取的卫星影像产品的规格，因为卫星摄影与航空摄影不同，其摄影高度(即摄影比例尺)是固定的。人眼的分辨率一般为0．2nnn，据此可以计算出纸质各比例尺地形图的地面分辨率(o．2nun乘以地图比例尺的分母)，在测绘成图时，凡大于地形图地面分辨率的地物或地貌必须测绘到地形图上。这一要求反映在利用卫星遥感图像进行测绘成图时，对卫星遥感图像空间分辨率的最低要求可以比照为相应比例尺地图的地面分辨率；同理，据此可估算出制作各比例尺专题图所需卫星遥感图像的空间分辨率大小。空间分辨率选择的最主要依据是制图比例尺的大小，一般来说，为了保持地表细节的清晰度，比例尺越大，要求影像的空间分辨率也就越高。对于一个给定分辨率的遥感影像来说，若空间分辨率过高则存在信息和数据的冗余，空间分辨率过低，不适合进行该比例尺的制图。空间分辨率或比例尺的选择同时也要考虑影像所包含的地物内容和纹理特征，如果制图内容是以大面积的流域、海域和植被为主，可以适当降低分辨率，或提高比例尺的大小。

5.结论

从上面我们可以得出遥感影像空间分辨率与合理成图比例尺存在着一定关系, 用实测方法可以建立这种关系的数学表达式, 用以指导遥感制图, 可以合理并充分表达遥感影像的空间信息; 也可以在确定制图比例尺后, 协助用户选取合理的遥感影像数据。但是我们同时也可以得出如果要想得到好的遥感数据不仅仅要考虑遥感分辨率与比例尺的关系，还要考虑其他的各个因素。与此同时由于遥感影像获取相对困难。由于目前高分辨率遥感卫星多为可见光遥感，受制于气候条件的影响，获取一幅质量清晰的遥感影像往往周期相对较长，不能满足实际生产的要求，而航片相对获取成本昂贵。因此，需要充分利用航片和卫片的互补优势，开展高分辨率遥感影像的利用。

参考文献：

徐韬．卫星影像与基础测绘数据更新[J]．应用技术，2004，(3)：26—29．

潘家文，朱德海，严泰来，等．遥感影像空间分辨率与成图比例尺的关系应用研究[J]．农业工程学报，2005，(9)：124—128．

刘顺喜, 尤淑撑, 张定祥. 土地资源管理对我国后续资源卫星数据空间分辨率的需求分析[J ]. 国土资源遥感, 2003,58 (4) : 6- 8.

高分辨率遥感卫星介绍

北京揽宇方圆信息技术有限公司 高分辨率遥感卫星有哪些 高分辨率遥感可以以米级甚至亚米级空间分辨率精细观测地球，所获取的高空间分辨率遥感影像可以清楚地表达地物目标的空间结构与表层纹理特征，分辨出地物内部更为精细的组成，地物边缘信息也更加清晰，为有效的地学解译分析提供了条件和基础。随着高分辨率遥感影像资源日益丰富，高分辨率遥感在测绘制图、城市规划、交通、水利、农业、林业、环境资源监测等领域得到了飞速发展。 北京揽宇方圆信息技术有限公司是国内的领先遥感卫星数据机构，而且是整合全球的遥感卫星数据资源，分发不同性能、技术应用上可以互补的多种卫星影像，包括光学、雷达卫星影像、历史遥感影像等各种卫星数据服务，各种专业应用目的的图像处理、解译、顾问服务以及基于卫星影像的各种解决方案等。遥感卫星影像数据贯穿中国1960年至今的所有卫星影像数据，是中国遥感卫星数据资源最多的专业遥感卫星数据服务机构，提供多尺度、多分辨率、全覆盖的遥感卫星影像数据服务，最大限度的保证了遥感影像数据获取的及时性和完整性。 一、卫星类型 (1)光学卫星：worldview1、worldview2、worldview3、worldview4、quickbird、geoeye、ikonos、pleiades、deimos、spot1、kompsat系例、spot2、spot3、spot4、spot5、spot6、spot7、landsat5(tm)、Sentinel-卫星、landsat(etm)、rapideye、alos、kompsat系例卫星、planet卫星、北京二号、高景一号、资源三号、高分一号、高分二号、环境卫星。 (2)雷达卫星：terrasar-x、radarsat-2、alos雷达卫星、高分三号卫星、哨兵卫星 (3)侦查卫星：美国锁眼卫星全系例(1960-1980) 二、卫星分辨率 (1)0.3米：worldview3、worldview4 (2)0.4米：worldview3、worldview2、geoeye、kompsat-3A (3)0.5米：worldview3、worldview2、geoeye、worldview1、pleiades

遥感影像的分类处理

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

遥感影像分类精度与空间分辨率的关系验证

实验一遥感影像分类精度与空间分辨率的关系验证 实验目的： 1、掌握相同传感器多光谱影像与全色影像融合方法； 2、掌握监督分类的基本流程； 3、验证遥感影像分类精度与空间分辨率的关系。 实验要求： 1、对多光谱影像和全色影像进行融合； 2、利用马氏距离法进行监督分类； 理论基础：高分辨率影像能反映更多细节信息，但是过高的的空间分辨率也会造成地物类别内部光谱可分性下降（同物异谱和异物同谱现象更严重），通过不同分辨率遥感分类精度的比较来验证这一理论。 原始实验数据：北京市朝阳区2002年奥运公园规划区IKONOS多光谱影像4个波段与IKONOS 全色波段（两者成像时间都是2002年8月26日，即是同一传感器同时成像，植被覆盖情况一致），全色波段影像大小4000*4000。class1.roi是1m空间分辨率的参考分类ROI模板。 实验步骤： 1、将IKONOS多光谱影像4个波段与IKONOS全色波段数据进行融合，操作如下： （1）打开图像bjikonospan.img和bjikonosmultispectral.img，在Available band list对话框中，选中bjikonospan.img，点击右键，选择Edit header，查看bjikonospan.img的头文件。记 录该文件的行列数，下图1~2。

图1 图2 查看头文件

（2）在ENVI主菜单，点击Basic Tools→Resize Data，在弹出的对话框中，选择bjikonosmultispectral.img，点击OK，在接下来弹出的Resize Data Parameters对话框中，Samples后输入4001，点击回车，Lines后输入4001，点击回车，设置存储路径，OK。将重置了大小后的图像bj_resize按432的RGB模式显示，与前两个图像对比，观察其变化。 图3

几种典型高分辨率商业遥感卫星系统

几种典型高分辨率商业遥感卫星系统 1．2．1 IKONOS卫星系统 1．基本情况 IKONOS是空间成像公司(Space Imaging)为满足高解析度和高精度空间信息获取而设计制造，是全球首颗高分辨率商业遥感卫星。IKONOS-1于1999年4月27日发射失败，同年9月24日，IKONOS-2发射成功，紧接着于10月12日成功接收到第一幅影像。 IKONOS卫星由洛克希德—马丁公司(Lockheed Martin)制造，重1600lb，由Athena II 火箭于加利福尼亚州的范登堡空军基地发射成功，卫星设计寿命为7年。它采用太阳同步轨道，轨道倾角98.1o，平均飞行高度681km，轨道周期98.3min，通过赤道的当地时间为上午10:30，在地面上空平均飞行速度为6.79km/s，卫星平台自身高1.8m，直径1.6m。 IKONOS卫星的传感器系统由美国伊斯曼—柯达公司(Eastman Kodak)研制，包括一个1m分辨率的全色传感器和一个4m分辨率的多光谱传感器，其中的全色传感器由13816个CCD单元以线阵列排成，CCD单元的物理尺寸为12μm x 12μm，多光谱传感器分四个波段，每个波段由3454个CCD单元组成。传感器光学系统的等效焦距为10m，视场角(FOV)为0.931o，因此当卫星在681km的高度飞行时，其星下点的地面分辨率在全色波段最高可达0.82m，多光谱可达3.28m，扫描宽度约为11km。传感器可倾斜至26o立体成像，平均地面分辨率1m左右，此时扫描宽度约为13km。IKONOS的多光谱波段与Landsat TM的1—4波段大体相同，并且全部波段都具有11位的动态范围，从而使其影像包含更加丰富的信息。 IKONOS卫星载有高性能的GPS接收机、恒星跟踪仪和激光陀螺。GPS数据经过后处理可提供较精确的星历信息；恒星跟踪仪用以高精度确定卫星的姿态，其采样频率低；激光陀螺则可高频地测量成像期间卫星的姿态变化，短期内有很高的精度。恒星跟踪数据与激光陀螺数据通过卡尔曼滤波能提供成像期间卫星较精确的姿态信息。GPS接收机、恒星跟踪仪和激光陀螺提供的较高精度的轨道星历和姿态信息，保证了在没有地面控制的情况下，IKONOS卫星影像也能达到较高的地理定位精度。 2．成像原理 与Landsat和SPOT-4卫星相比，IKONOS卫星的成像方式更加灵活，其传感器系统采用独特的机械设计，可以十分灵活地以任意方位角成像，偏离正底点的摆动角甚至可达到60o。IKONOS卫星360o的照准能力使其既可侧摆成像以获取异轨立体或缩短重访周期，也可通过沿轨道方向的前后摆动同轨立体成像，具有推扫、横扫成像能力。 IKONOS卫星能获取同轨立体影像。当卫星接近目标时，传感器光学系统先沿着轨道向前倾斜，照准目标区域并采集第一幅影像，接着控制系统操纵传感器向后摆动，大约100s 后再次照准目标区并采集第二幅影像，如图1．1所示。由于IKONOS卫星利用单线阵CCD 传感器，通过光学系统的前后摆动实现同轨立体成像。因此，相应的立体覆盖是不连续的。

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

高分辨率遥感影像数据一体化测图系统PixelGrid

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。

高空间分辨率遥感森林参数提取探讨

高空间分辨率遥感森林参数提取探讨 刘晓双,黄建文,鞠洪波 (中国林业科学研究院资源信息研究所,北京100091) 摘要:介绍了高空间分辨率遥感在森林参数提取方面的研究和应用情况,并结合国内外学者在此方面所做出的研究成果,对不同森林参数的提取分别做了阐述,包括单木树冠轮廓信息、胸径、森林生物量、树种识别和分类、叶面积指数、森林郁闭度、木材结构和性质。最后分析了高空间分辨率遥感在森林参数提取方面存在的问题,并对该领域的应用前景作了展望。 关键词:高空间分辨率;遥感;森林参数;树冠提取;生物量 中图分类号:TP79　文献标识码:A 文章编号:1002-6622(2009)02-0111-07 Study on Extraction of Forest Parameters by High Spatial R esolution R emote Sensing L IU Xiaoshuang ,HUAN G Jianwen ,J U Hongbo (Research Instit ute of Forest Resources and Inf ormation Technique ,CA F ,Beiji ng 100091,Chi na ) Abstract :Study and application of forest parameters extraction by high spatial resolution remote sens 2ing was introduced in this article ,combined with achievements in this field made by researchers all over the world 1Extraction of such different forest parameters was described respectively as single tree crown contour ,diameter at breast height ,biomass ,identification and classification of species ,LAI ,canopy den 2sity ,wood structure and property 1Finally ,the problems of forest parameters extraction by high spatial resolution remote sensing were discussed ,and the prospect of forest parameters extraction by high spa 2tial resolution remote sensing was expected. K ey w ords :high spatial resolution ,remote sensing ,forest parameters ,extraction of tree crown ,biomass 收稿日期:2009-01-04;修回日期:2009-04-03 基金项目:中央级公益性科研院所基本科研业务费专项基金(RIFRITZ J Z 2007006);国家自然科学基金“基于高分辨率 遥感的树冠信息提取技术研究”项目(40771141) 作者简介:刘晓双(1985-),女,甘肃兰州人,在读硕士生,主要从事遥感、GIS 技术应用研究。通讯作者:鞠洪波(1956-),男,黑龙江人,研究员,研究方向:林业信息技术。 现代林业的经营管理得以顺利进行主要依赖于对各种森林参数的调查,而森林限于其特殊的自然地理条件往往会给研究数据的采集造成很大的困 难。传统的森林调查方法一般是基于随机抽样和统计学,其样本的选择是否具有代表性对调查的精确性有很大的影响。这种传统的以个体来推断总体的 2009年4月第2期林业资源管理 FOREST RESOURCES MANA GEMEN T April 2009No 12

遥感影像分辨率的概念及常见传感器的分辨率

遥感影像分辨率的概念 1空间分辨率 遥感影像空间分辨率是用于记录数据的最小度量单位，一般用来描述在显示设备上所能够显示的点的数量(行、列)，或在影像中一个像元点所表示的面积。 空间分辨率指像素所代表的的地面范围的大小，即扫描仪的瞬间视场，或是地面物体能分辨的最小单元。当分辨率为1km时，一个像元代表地面1kmX1km的面积，即1km2；当分辨率为30m时，一个像元代表地面30m×30m的面积；当分辨率为1m时，也就是说，图像上的一个像元相当于地面1m x 1m的面积，即1m2。 因为遥感拍摄的像片是由位于不同高度，装在不同载体(如飞机、卫星等)上的不同清晰度(分辨率)照相设备，以不同的照相(采集)方式，获取的遥感像片(图像、数据、影像等)，这些遥感图像是具有不同清晰度、不同分辨率的照片。类似我们在生活中用135 照相机拍摄一棵树，从汽车上拍一张，然后再从飞机上拍一张，两张135底片在放大同一棵树时，其放大效果是不一样的。肯定是高度低的135照片放大后的效果最清晰，也就是说分辨率最高。 遥感卫星的飞行高度一般在4000km～600 km之间，图像分辨率一般从1 km～1m之间。图像分辨率是什么意思呢？可以这样理解，一个像元，代表地面的面积是多少。像元是什么意思呢？像元相当于电视屏幕上的一个点(电视是由若干个点组成的图像画面)，相当于计算机显示屏幕上的一个象素，相当于一群举着不同色板拼成画图的人中的一个。 光谱分辨率，指成像的波段范围，分得愈细，波段愈多，光谱分辨率就愈高，现在的技术可以达到5~6nm（纳米）量级，400多个波段。 2光谱分辨率 光谱分辨率是指传感器在接收目标辐射的光谱时能分辨的最小波长间隔。间隔越小，分辨率越高。 光谱分辨率指成像的波段范围，分得愈细，波段愈多，光谱分辨率就愈高，现在的技术可以达到5~6nm（纳米）量级，400多个波段。

高分辨率遥感影像分类实验报告

高分辨率遥感影像分类实验报告 班级：___________________ 姓名：___________________ 学号：___________________ 指导老师：_______________ 地球科学与环境工程学院 二?一四年六月

目录 1 实验方法——面向对象方法 (1) 2 实验内容 (1) 2.1 影像预处理 (1) 2.1.1 影像数据融合 (1) 2.1.2 影像增强处理 (2) 2.2 创建工程 (2) 2.3 分割处理 (3) 2.4 分类 (4) 2.4.1 水体 (4) 2.4.2 陆地 (5) 2.4.3 植被 (6) 2.4.4 裸土 (7) 2.4.5 建筑物 (8) 2.4.6 道路 (9) 2.4.7 阴影 (10) 2.4.8 总体分类图 (12) 3 结语 (13)

1实验方法——面向对象方法 面向对象方法是一个模拟人类大脑认知的过程，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 需要使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。 2实验内容及详细过程 2.1影像预处理 2.1.1影像数据融合 实验数据为QuickBird 影像，包括4个多光谱波段以及一个全色波段。 QuickBird 影像星下点分辨率：全色为 0.61m ,多光谱为2.44m 。对于面向对象 影像分类 来说，越高的高空间分辨率越好，但在对对象进行分类时，光谱信息同 样重要，因此，可将高分辨率的全色影像和多光谱影像进行数据融合。 使用 ERDAS 进行数据融合： Interprete u spatialenchancemen ^resolution mergeo 图1 全色影像与多光谱影像融合 Ib^pul Fh (*.网| MJitiMewl lfl img 乓 | nwin?_r?J_pM4 |i ■J Nurb-w of 4 Mai hod DiJput OpJcm: riHEWT^SBn-n r Bchnaiuar f* Fmcpai T Newwt Nd^ibor 厂 5Woh to Unsigned 6 W 厂 厂l|>Kj 沽Eti 臼? 一 Brcvay TividuirTi 件 iDi-tc T 呼 Nunt-B? Mulkip?cdi4 Inpui Lafin: 4 G 喑 Sca*e: Uns^ned 1E tt |1 Nlu ■弔 pecirot Uns^flrwd 1 百 b* U M ■ E -jiiiiH In EKH

遥感影像分辨率

遥感分辨率与制图比例尺关系 张益新 （淮海工学院测绘工程学院，江苏连云港 222005） 摘要：分析遥感影像分辨率与制图比例尺相关的关系，从遥感分辨率与制图比例尺的数学定律来阐述两者的关系，最后指出如何选取适当空间分辨率的卫星影像，为制图提供帮助 关键词：遥感影像分辨率比例尺关系 1.引言 当今世界随着信息技术和传感器技术的飞速发展，各种测量技术日新月异，各种测量技术为社会的进步作出了巨大的贡献。其中遥感技术作为目前测量顶端技术，已经被广泛的应用到各个领域。在科学家的努力下，遥感影像的空间分辨率有了很大提高。原来只有航空影像能够达到的精度，如今遥感影像也能够满足需要。卫星遥感影像是平面几何精度与地物类别精度的统一，影像空间分辨率是决定影像精度的一个重要指标，影像精度要满足相应比例尺地图更新对于影像识别能力和成图精度要求，同时又要考虑地图更新成本。冗余的分辨率会增加影像购买成本和加重内业处理的负担；而若分辨率达不到一定要求，细小的地物就无法判读、影像控制点精度得不到保证，满足不了成图精度。现在我们就来讨论遥感影像分辨率与制图比例尺的关系。 2.遥感影像空间分辨率与成图比例尺的数学关系 资源卫星遥感影像空间分辨率R (单位为m ) 与可制作的合理成图比例尺m (m 为比例尺分母) 以及图件要求的误差范围e (单位为mm ) 存在以下关系: e ×m × 10-3= C ×R (1) 式中 C ——影像几何校正系数, 即: 经几何校正以后,最差的像元位置均方根差(Roo t M ean Squa re, 简称RM S) , 以像元为单位, 达到多少个像元; e——人眼的分辨率, 通常采用0.2mm。式(1) 的左边是一般图件允许的实地误差(以m 为单位) , 而右边是遥感影像校正后存在的实地误差, 这两个误差在遥感制图中应当相等, 也是(1) 式成立的基础。几何校正系数C 是一个待定变量。以RTK GPS(Real T ime Kinemat ic GPS) 测量值作为真值, 求出精校正遥感影像与真值的误差, 计算得到误差的均方根差, 就可以求出精纠正遥感影像均方根差的像元个数,即C 的值。C 值确定后, 利用(1) 式可以计算出此遥感影像可以制作的合理成图比例尺。通常, 遥感影像空间分辨率越低, 几何校正系数C 就应设置越大, 这是因为空间分辨率越低, 影像边缘几何变形就越大, 几何校正的效果就越差。

高分辨率遥感影像分类实验报告

高分辨率遥感影像分类实验报告 班级： 姓名： 学号： 指导老师： 地球科学与环境工程学院 二〇一四年六月

目录 1实验方法——面向对象方法 (1) 2实验内容 (1) 2.1 影像预处理 (1) 2.1.1影像数据融合 (1) 2.1.2 影像增强处理 (2) 2.2 创建工程 (2) 2.3 分割处理 (3) 2.4 分类 (4) 2.4.1 水体 (4) 2.4.2陆地 (5) 2.4.3 植被 (6) 2.4.4 裸土 (7) 2.4.5 建筑物 (8) 2.4.6 道路 (9) 2.4.7 阴影 (10) 2.4.8 总体分类图 (12) 3 结语 (13)

1实验方法——面向对象方法 面向对象方法是一个模拟人类大脑认知的过程，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。首先需要使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。 2实验内容及详细过程 2.1 影像预处理 2.1.1影像数据融合 实验数据为QuickBird影像，包括4个多光谱波段以及一个全色波段。QuickBird影像星下点分辨率：全色为0.61m，多光谱为2.44m。对于面向对象影像分类来说，越高的高空间分辨率越好，但在对对象进行分类时，光谱信息同样重要，因此，可将高分辨率的全色影像和多光谱影像进行数据融合。 使用ERDAS进行数据融合：Interpreter→spatialenchancement→resolution merge。 图 1 全色影像与多光谱影像融合

高空间分辨率图像

高空间分辨率图像 卫星影像空间分辨率能够被传感器辨识的单一地物或2个相邻地物间的最小尺寸。空间分辨率越高，遥感图像包含的地物形态信息就越丰富，能识别的目标就越小。广西善图科技有限公司 高空间分辨率图像（简称“高分图像”）包含了地物丰富的纹理、形状、结构、邻域关系等信息，可主要应用于地物分类、目标提取与识别、变化检测等。 目前，已经商业化运行的光学遥感卫星的空间分辨率已经达到“亚米级”，如2016年发射的美国WorldView-4卫星能够提供0.3 m分辨率的高清晰地面图像。 近年来，随着我国空间技术的快速发展，特别是高分辨率对地观测系统重大专项的实施，我国的卫星遥感技术也迈入了亚米级时代，高分2号卫星（GF-2）全色谱段星下点空间分辨率达到0.8 m。

上海陆家嘴高分辨率图像 GF-2号卫星0.8 m全色与3.2 m多光谱融合结果 商业化高分图像的多领域应用 农业 法国SPOT-5 2.5 m融合图像已经被应用于农作物种植面积的小区域精细抽样调查，基于空间排列结构特征分析，可以实现人工种植园中冬小麦、水稻和棉花等种植区域的提取。 城市规划管理 GF-2图像可准确地识别城市街道、行道绿地、公园、建筑物、甚至车辆数量信息。 海岸带调查 应用美国WorldView-2高分数据，大幅提高了海岸线提取的精度，实现了围填海状况监测。 灾情评估 高分图像可以实现滑坡和洪水淹没区快速提取、建筑物毁坏等监测，还可利用如美国IKONOS高分影像生成立体像对地震灾害前后房屋做精准的损毁状况评估。 军事国防 高分图像可以精确识别敌方的人员与装备，包括装备的型号、数量、调动等重要信息。

面向对象的高分辨率遥感影像分类

二○一一届毕业设计 面向对象的高分辨率遥感影像分类Object-oriented Classification of high Resolution Remote Sensing images 学院：地质工程与测绘学院 专业：遥感科学与技术 姓名： 学号： 指导教师： 完成时间：2011年6月17日 二〇一一年七月

摘要 高空间分辨率遥感影像使得在较小的空间尺度上观察地表细节变化，进行大比例尺遥感制图，以及监测人为活动对环境的影响成为可能。随着高分辨率影像的应用越来越普及，迫切要求人们对高分辨率遥感信息提取进行研究，以满足高分辨率影像信息不断增长的应用和研究需要 高分辨率遥感影像光谱信息有限，空间信息丰富，地物的尺寸、形状及相邻地物间的关系都得到很好的反映。面向对象的分类方法与传统的基于像素的分类相比，不仅仅是依靠光谱信息，而且还充分利用影像的空间信息，分类时也克服了基于像元的逐点分类无法对相同语义特征的像素集合进行识别的缺点，是一种目前最适合于高分辨率遥感影像的分类方法。 本文采用面向对象的分类方法对高分辨率影像进行分类，该方法首先对影像进行多尺度分割获得同质区域对象，在此基础上利用模糊分类思想对分割后的对象进行分类。该方法不仅充分利用了高分辨率影像的空间信息，还将基于像素的分类提升到了基于对象的分类。 多尺度分割采用的是区域生长合并算法，通过对尺度阈值、光谱因子及形状因子等参数的控制，可以获得不同尺度下有意义的对象。分割后的对象不仅包含了原始的光谱信息，还可以提供大量辅助特征，如纹理、形状、拓扑等特征。综合利用这些特征以及模糊分类的思想，使得高分辨率影像分类在减少分类不确定性的同时，还提高了分类的精度。 最后将面向对象分类结果与传统的基于像素分类结果进行对比分析，发现其分类精度要明显高于传统法，且具有较强的抗噪声的功能，分类所得的地物结果相对较为完整，具有更丰富的语义信息，更加符合客观现实情形。 关键词：高分辨率遥感影像，面向对象的分类，影像分割，多尺度，最近邻分类

作业2 高空间分辨率遥感影像分割方法实验

作业2 高空间分辨率遥感影像分割方法实验 学号： 课程代码： 姓名： 截止日期：2016.11.29 上交时间：2016.11.28 摘要：遥感影像分割是指把一幅影像划分为互不重叠的一组区域的过程，它要求得到的每个区域的内部具有某种一致性或相似性，而任意两个相邻的区域则不具有此种相似性。边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。本文使用棋盘分割算法、四叉树分割算法、多尺度分割算法三种分割算法与Canny边缘检测算法对图像进行分割和提取边缘。并简单的对ecognition软件中设置的不同参数进行探索。

1.方法 1.1.分割 遥感影像分割是指把一幅影像划分为互不重叠的一组区域的过程，它要求得到的每个区域的内部具有某种一致性或相似性，而任意两个相邻的区域则不具有此种相似性。遥感影像分割是面向对象的遥感影像数据挖掘与应用中的一项关键技术，对于影像目标信息自动化提取与智能识别尤为重要，在面向对象的遥感影像处理工程中具有重要意义[1]。 1.1.1. 棋盘分割算法 棋盘分割（Chessboard Segmentation）是易康软件中一种简单的分割算法，它将一幅影像或一个父级对象分割成许多正方形的小对象。在分割过程中，棋盘分割算法主要用到的是分割尺度参数。 1.1. 2.四叉树分割算法 四叉树分割法（Quadtree-Based Segmentation）：当超过预定阀值时,将原始图像等分为4个子块,分别对应于四叉树树根的4个子节点[2]。依次考虑4个子块中的每一块,当匹配误差超过预定阀值时,这个阀值可称为剪枝判同的判决标准,可以是灰度相似性,也可以是目标均方差或其他可表示目标特征的有效信息,再将此块等分成4个子块,该过程也称之为剪枝.重复这一过程直至图像中的任意一块都能找到合适的匹配块为止[3]。下图表示一个四叉树的分割过程[4]。 图1-1 四叉树分割过程示意 1.1.3.多尺度分割算法 多尺度分割（Multiresolution Segmentation）：在指定的与感兴趣的地物目标或空间结构特征相对应的尺度下，将影像分割成高同质的、互相连结的不同影像区域，与感兴趣的地物目标或空间结构特征相对应[5]。它是一种自下而上（bottom-up）的方法，通过合并相邻的像素或小的分割对象，在保证对象与对象之间平均异质性最小、对象内部像元之间同质性最大的前提下，基于区域合并技术实现影像分割。 1.2.Canny边缘检测 Canny[6]1986年提出了一个优良的边缘检测算子应满足以下准则：1.信噪比准则，即不漏检真实边缘，也不把非边缘点作为边缘点检出，使输出的信噪比最大；2.定位精度准则，即检测出的边缘点，尽可能在实际边缘的中心；3.单边缘响应准则，即单个边缘产生的多个响应的概率要低，虚假边缘响应得到最大抑制。算法方框图如图[7]

基于DCNN的高分辨率遥感影像场景分类

第５３卷第４期华中师范大学学报（自然科学版） Ｖｏｌ．５３Ｎｏ．４ ２０１９年８月ＪＯＵＲＮＡＬ　ＯＦ　ＣＥＮＴＲＡＬ　ＣＨＩＮＡ　ＮＯＲＭＡＬ　 ＵＮＩＶＥＲＳＩＴＹ（Ｎａｔ．Ｓｃｉ．）Ａｕｇ ．２０１９收稿日期：２０１９－０３－ ０４．基金项目：十三五科技部国家重点研发计划项目（２０１６ＹＦＣ０８０３１０７，２０１６ＹＦＢ０５２６０１，２０１７ＹＦＢ０５０４１０３）． ＊通讯联系人．Ｅ－ｍａｉｌ：ｄｕａｎｘｕｅｌｉｎ＠ｗ ｈｕ．ｅｄｕ．ｃｎ．ＤＯＩ：１０．１９６０３／ｊ．ｃｎｋｉ．１０００－１１９０．２０１９．０４．０１７文章编号：１０００－１１９０（２０１９）０４－０５６８－ ０７基于ＤＣＮＮ的高分辨率遥感影像场景分类孟庆祥，段学琳 （武汉大学遥感信息工程学院，武汉４３００００ ）摘　要：针对传统场景分类方法不能准确地表达高分辨率遥感影像丰富的语义信息问题，提出了一种基于卷积神经网络的高分辨率影像场景分类方法．此方法大致分为３步：第１步，依据不同卷积窗口做卷积运算提取颜色， 纹理和形状等低阶特征；第２步，利用池化层将这些低阶特征进行过滤，得到重要特征；第３步，重组提取出来的特征以形成高阶语义特征进行场景分类．在具体实验中利用三个不同尺寸的卷积核对数据集进行分类探究，并且使用了数据增广、正则化和Ｄｒｏｐｏｕｔ等手段，提升模型对新样本的适应能力，很好地解决了过拟合问题．该方法在所进行的实验中表现良好，在ＷＨＵ－ＲＳ１９数据集上取得了８８．４７％的准确率，和传统的场景分类方法相比，显著提升了分类精度． 关键词：高分辨率遥感影像；场景分类；深度学习；深度卷积神经网络中图分类号：Ｐ２３７ 文献标识码：Ａ 遥感技术的不断发展， 带来了影像分辨率的提升．这种高空间分辨率的遥感影像具有丰富的空间信息和纹理特征，包含了大量的语义信息．然而面向像素和面向对象的解译方法存在着很多不足，无法满足遥感影像高层次内容解译的需求．因此，对高分辨率遥感图像进行场景分类成为了当前遥感 图像解译中活跃的研究课题［１］． 场景分类是遥感研究领域的热点．通俗的来说，就是用给定的图像，通过其包含的内容对它的场景类别进行判断．传统的场景分类方法可以概括为两类：基于低层次特征的方法和基于中层语义 特征建模的方法［２］ ． 基于低层特征的场景分类，即依赖于颜色、纹理和形状等低层特征的分类方法，此类分类算法比较简单，但泛化能力较弱、精度不 够高［３－４］． 基于中间语义的图像分类，即先生成底层特征， 然后结合分类器实现图像场景分类，其代表有视觉词袋（ＢｏＶＷ）［５］以及由此衍生的空间金字塔匹配核（ＳＰＭＫ） ［６］等，此类方法会导致信息的丢失，存在一定的局限性． 由于传统的场景分类方法无法满足大数据环 境下人们的分类要求，学者们开始将深度学习［７－８］算法应用到影像分类中．典型的深度网络模型［９］主要有深度置信网（ＤＢＮ）［１０］ 、栈式自动编码器网络（ＳＡＥ）［１１］和卷积神经网络（ＣＮＮ）［１２－ １３］． 其中，卷积神经网络是目前较为流行的基于监督的深度学习方法， 该方法在图像识别、物体识别、图像语义分割中都得到了广泛的应用．近年来，越来越多的学者将卷积神经网络运用于图像分类．文献［１４］将卷积神经网络用于图像分类，在ＣＩＦＡＲ－１０数据集上取得了较好的分类效果．文献［１５］用卷积神经网络对Ｌａｎｄｓａｔ　 ＴＭ５中等分辨率遥感影像进行了分类实验，并与支持向量机分类结果进行比较，在一定程度上体现了卷积神经网络在图像分类的优越性．与此同时，有学者将卷积神经网络运用于遥感影像的场景分类，并取得了一定的进展，这种场景分类方法很快受到了广泛的关注． 在此基础上，本文提出一种基于深度卷积神经网络的场景分类模型ＤＣＮＮ，将该模型用于高分辨率遥感影像的场景分类，加入数据增广并且利用正则化方法和丢弃函数调整模型参数，最终实现基于卷积神经网络的高分辨率遥感影像分类． １卷积神经网络 卷积神经网络是一种受生物学启示的，包含卷积计算且具有深度结构的前馈神经网络．它可以进行监督分类，提取出遥感影像中的语义特征．一个 基本的卷积神经网络结构有３层［１６－ １７］：输入层－隐 含层－输出层， 隐含层又分为４部分———卷积层、

国外几种高分辨率遥感卫星对比

国外几种高分辨率遥感卫星对比 摘要：通过高分辨率遥感卫星应用这门课程的学习，我对高分辨率遥感卫星产生了很大的兴趣，其重要的两个影响因素就是大气辐射和波段选择。各国送上太空的高分辨率遥感卫星也是不计其数，我想搜集一下现在世界上流行的高分辨率遥感卫星对我们的学习和提升自身水平是很有帮助的。以下就是我所搜集到有关各种高分辨率遥感卫星的详细信息。 关键词：高分辨率卫星大气辐射波段选择 GeoEyeGeoEye-1 高分辨率卫星 世界上规模最大的商业卫星遥感公司美国 GeoEye，已于 2008 年 9 月 6 日成功发射了迄今技术最先进、分辨率最高的商业对地成像卫星——GeoEye-1。该卫星具有分辨率最高、测图能力极强、重访周期极短的特点，已为全球广大用户所关注。GeoEye-1 高分辨率卫星影像应用前景广阔，在实现大面积成图项目、细微地物的解译与判读等方面优势突出。 GeoEyeGeoEye-1 卫星特点 ?真正的半米卫星：全色影像分辨率 0.41 米，多光谱影像分辨率 1.65 米，定位精度 达到 3 米?大规模测图能力：每天采集近 70 万平方公里的全色影像数据或近 35 万平方公里的全色融合影像数据?重访周期短：3 天（或更短）时间内重访地球任一点进行观测 GeoEye-1 影像参数 eoEye全色和多光谱同时（全色融合）相机

模式单全色单多光谱分辨率星下点全色：0.41 m ；侧视 28°全色：0.5m；星下点多光谱：1.65 m 全色：450 nm---800 nm 蓝： 450 nm ---510 nm 波长多光谱红： 655 nm ---690 nm 近红外： 780 nm ---920 nm 立体 CE90: 4m；LE90：6m 定位精度（无控制点）定位精度（无控制点）单片 CE90：5m 幅宽成像角度重访周期星下点 15.2 km ；单景 225 k ㎡(15×15 km) 可任意角度成像 2-3 天绿： 510 nm ---580 nm 全色：近 700,000 k ㎡ / 天 (相当于青海省的面积) 单片影像日获取能力全色融合：近 350,000 k ㎡ / 天 (相当于湖南、湖北两个省的面积) GeoEyeGeoEye-1 技术参数运载火箭发射地点卫星重量星载存储器数据下传速度运行寿命 Delta II 加利福尼亚范登堡空军基地 1955 kg 1T bit X-band 下载，740 mb/sec 设计寿命 7 年，燃料充足可达 15 年储存并转送数据传输模式实时下传直接上传和实时下传轨道高度轨道速度轨道倾角/ 轨道倾角/过境时间轨道类型/ 轨道类型/轨道周期 684 km 约 7.5 km/sec 98°/10:30am 太阳同步/98min CartosatCartosat-1 号卫星又名 IRS-P5 ，是印度政府于 2005 年 5 月 5 日发射的遥感制图卫星，它搭载有两个分辨率为 2.5 米的全色传感器，连续推扫，形成同轨立体像对，数据主要用于地形图制图、高程建模、地籍制图以及资源调查等。Cartosat-1 设计寿命 5 年，目前卫星运行等各项指标正处于最好的时期，数据质量稳定可靠。 P5 卫星轨道参数 轨道轨道高度总轨道数长半轴偏心率倾角降交点时间相邻