遥感比例尺和分辨率的关系
遥感影像的比例尺和分辨率的关系
航空摄影测量对影像的要求
航空摄影测量的实践可以用来借鉴分析卫星影像与成图比例尺的选择。这是因为二者的成图原理相似，并且航空摄影测量具有大量的实践经验和实验数据，是非常成熟的。
航空摄影测量中没有直接给出对影像分辨率的要求，但可以通过对摄影仪物镜分辨率的要求和摄影比例尺来推断。航摄中航摄仪镜头分辨率表示通过航空摄影后在影像上能够分辨的线条的最小宽度（这里没有考虑软片和像纸的分辨率）。在航摄规范（GB/T 15661-1995）中规定航摄仪有效使用面积内镜头分辨率“每毫米内不少于25 线对”。根据物镜分辨率和摄影比例尺可以估算出航摄影像上相应的地面分辨率D，即D=M/R。(其中M 为摄影比例尺分母，R 为镜头分辨率。)根据航摄规范中“航摄比例尺的选择”的规定和以上公式，可得表（1）
成图比例尺航摄比例尺影像地面分辨率（m）
1：5000 1：10 000～1：20 000 0.4～0.8
1：10 000 1：20 000～1：40 000 0.8～1.6
1：2 5000 1：25 000～1：60 000 1.0～2.4
1：50 000 1：35 000～1：80 000 1.4～3.2
上表可以作为选择卫星影像分辨率的参考。顺便指出，从表中可以看出，虽然成图比例尺愈大，所需的影像分辨率愈高，但两者并不是成线性正比关系，而是非线性的。
2 卫星影像分辨率的选择
卫星影像分辨率的选择除了考虑不同比例尺成图对影像分辨率要求，还要考虑现有可获取的卫星影像产品之规格，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。
下面列出几种商用卫星影像的分辨率。表（2）
卫星 QuickBird-2 IKONOS-2 SPOT-5 SPOT-4 Landsat-7
最高分辩率(m) 0.61 1 2.5 10 15
对照表（1）和表（2），个人认为就目前较为稳定的卫星影像货源来讲，对于1：5000～1：50 000 的基础测绘更新试验，可以考虑如下的分辨率选择。表（3）
成图比例尺卫星影像（分辨率）
1：5000～1：10 000 QuickBird(0.61m)
IKONOS-2 (1m)
1：25 000 QuickBird-2(0.61m)
IKONOS-2 (1m)
SPOT-5(2.5m)
1：50 000 SPOT-5(2.5m)
对于已有旧版实测地形图的地区，若有足够密度的图上参考点（即可与卫片上的同位置点相一致）作范围控制的基础上，在地形图局部快速更新（修、补测）时，可以考虑适当放宽对分辨率的要求，如用2.5m 分辨率卫片局部修、补测1：10 000 地形图，用10m 分辨率卫片局部修、补测1：50 000 地形图等。
卫星与航拍影像由像素点组成，像素点越丰富，照相辨认的细节的尺寸越小。影像照片上像素点的密度常用每毫米多少条线来表示，线越多表示影像质量越高。例如，卫星影像每平方毫米的纵横线数各250条，也就是每平方毫米内排列：62500个像素点，其相邻两像素点间的距离只有4微米，这样微小的间隔，即使放大10倍，肉眼也是看不出来的。照片上4微米相当于地面距离多少呢？这与照相机的焦距和卫星的飞行高度有关。如果焦距为2米，飞行高度150公里，那末，根据简单的几何学关系就可求得地面距离为0.3米。这个长度就叫做照片的地面分辨率。通俗地说，地面分辨率是能够在照片上区分两个目标的最小间距，但它并不代表能从照片上识别地面物体的最小尺寸。1尺寸为0.3米的目标，在地面分辨率为0.3的照片上，只是1个像素点，不管把照片放大多少倍，依然只是1个像素点。所以，要从照片上认出一个目标就多少得有若干个像素点在照片上来构成该目标的轮廓。
通常，从照片上能够识别目标的最小尺寸应等于地面分辨率的5～10倍，即1.5至3米。人的肩宽约0.5米，在地面分辨率为0.3米的卫星影像上占1～2
个像素点。从照片上可以发现这儿有目标，但这个目标是人，还是物，靠1～2
个像素点是确定不了的，当然更谈不上区分是男还是女了！那么，如果要从照片
上看清报纸“南方周末”这四个字，地面分辨率必须达到三毫米左右，比现在侦查卫星的水平要提高一百倍。因此，某些说法提到现在通过卫星拍摄的能看清报纸上的文字、士兵脸上的胡子等说法是没科学根据的，是不负责任甚至耸人听闻的言论。而低空航空拍摄便是弥补卫星拍摄不足的有效形式。
以下图像来自于BlueSky公司（英国公司，以航拍、GIS/GPS相关业务为主）的航拍影像，原图仅作裁切，没缩小，点击可查看大图－－
分辨率：5米，地面上每5米的物品在影像中占1个像素，相当于视角高度约为
4km
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
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
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 lf 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 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。 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 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] 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 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 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 卫星数据方案 一、光学卫星介绍 1.分辨率优于0.5米的光学卫星 （1）WorldView-3卫星 WorldView-3卫星是美国GigitalGlobe公司于2014年8月发射并开始运行的一颗遥感卫星，它是第一颗多负载、超高光谱、高分率的商业卫星，最高可提供0.31米全色分辨率、1.24米多光谱分辨率，此外WorldView-3大大提高了卫星的光谱分辨率，在WorldView-2的八波段多光谱的基础上加入了3.7m分辨率的短波红外波段，并且首次在高分辨率卫星中使用了CAVIS波段用于大气校正。 WorldView-3卫星平均回访时间不到1天，每天可采集多达68万平方公里的数据。以下是WorldView-3卫星的部分技术参数。 WorldView-2在2009年发射，该卫星的运行轨道高度770km。能够提供0.5米的分辨率的全色和1.8米分辨率的多光谱影像。星载多光谱传感器不仅具有4个标准波段（红、绿、蓝和近红外1），还将包括4个新的波段（海岸监测、黄、红波段的边缘和近红外2）。增加的波段信息，为用户提供进行精确变化检测和制图的能力。 B．WorldView-2卫星拍摄能力分析 WorldView-2卫星是全球第一批使用了控制力矩陀螺（CMGs）的商业卫星。这项高性能技术可以提供多达10倍以上的加速度的姿态控制操作，从而可以更精确的瞄准和扫描目标。卫星的旋转速度可从60秒减少至9秒，覆盖面积达300公里。所以，WorldView-2卫星能够更快速、更准确的从一个目标转向另一个目标，同时也能进行多个目标地点的拍摄。卫星具有更灵活的运转、更高容量更快回访、更精确的拍摄、多波段高清晰影像四个特点： ●更灵活的运转 WorldView-2卫星能非常灵活运转，它在太空中的角色就像一个神奇的画笔，能灵活的前后扫描、拍摄大面积的区域，能在单次操作中完成多频谱影像的扫描。WorldView-2卫星独有的大容量系统，能达到每日采集一百万平方公里的数据采集量。而卫星集群可以保证每日近二百万平方公里的数据采集量。WorldView-2卫星无与伦比的灵活性能在1.1天内二次访问同一地点。如果算上卫星集群，甚至能实现在一天之内二次访问同一地点。由此可以为用户提供同一地点，同一天内的高清晰商业卫星集群影像。 ●更高容量、更快回访 WorldView-2卫星能非常灵活运转，它在太空中的角色就像一个神奇的画笔，能灵活的前后扫描、拍摄大面积的区域，能在单次操作中完成多频谱影像的扫描。WorldView-2卫星独有的大容量系统，能达到每日采集一百万平方公里的数据采集量。而卫星集群可以保证每 高空间分辨率遥感影像分割方法研究综述 高空间分辨率遥感影像分割方法研究综述 刘建华毛政元 （福州大学,空间数据挖掘与信息共享教育部重点实验室，福建省空间信息工程研究中心，福州350002） 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。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。本文对常见的高空间分辨率遥感影像分割方法与应用策略进行了分析，比较了各种分割方法的应用范围、优缺点及目前存在的改进措施。建立了面向对象的遥感影像分割方法的分类体系，最后指出了面向对象的遥感影像分割方法目前所存在的问题及应用前景。 关键词:高空间分辨率遥感影像影像分割方法应用策略进展 A Survey on High Spatial Resolution Remotely Sensed Imagery Segmentation Techniques and Application Strategy Liu Jian hua Mao zheng yuan (Fuzhou University, Spatial Information Research center, Fuzhou, 350002) Abstract: Remotely sensed imagery segmentation is a process of dividing an image into different regions such that each region is, but the union of any two adjacent regions is not, homogeneous. It is one of key techniques in the object-oriented remotely sensed imagery data mining and its application, also quite essential in remote sensing image processing engineering. In this paper, we have a rough survey on different methods of high spatial resolution remotely sensed imagery segmentation, categorizing them into four groups according to the gray or color information they are exploiting. The disadvantage of current methods and the proper progress which can be attained in the near future are pointed out at the end of this essay. Keywords: High Spatial Resolution Imagery, Segmentation methods, application strategy, advances and prospects 1 引言 高空间分辨率遥感影像(如GeoEye、WorldView、QuickBird、IKONOS等，本文简称高分影像)在诸多领域（地形图更新、地籍调查、城市规划、交通及道路设施、环境评价、精细农业、林业测量、军事目标识别和灾害评估等）得以广泛应用[1]。目前，影像信息提取自动化程度低是高分影像应用潜力得不到充分发挥的主要限制因素，是理论和应用研究中必须突破的瓶颈。 遥感影像分割是面向对象的遥感影像分析方法[2]的基础和关键，在遥感影像工程中处于影像处理与影像理解的中间环节，是面向对象的影像分析理论研究的突破口。按照一般的影像分割定义[3],分割出的影像对象区域需同时满足相似性和不连续性两个基本特性；其中相似性指该影像对象内的所有像元点都满足基于灰度、色彩、纹理等特征的某种相似性准则，不连续性是指影像对象的特征在区域边界处的不连续性。迄今为止,将计算机视觉领域的图像分割算法应用于图像分割过程中,已开展了较多的研究[4-7],并提出了大量的算法；但针对遥感影像尤其是高分影像的分割方法较少[8],仍不成熟。这是由于与其它类型图像的分割相比，高分影像分割难度更大,也更具挑战性。具体体现在高分影像其空间分辨率高、纹理信息丰富而光 基金项目: 国家重点基础研究发展计划项目（973）子课题“高空间分辨率遥感影像自适应数据挖掘方法研[2006CB708306]”，国家自然科学基金项目“基于场模型的自适应空间聚类方法研究[40871206]”。 作者简介: 刘建华，男，博士研究生,曾从事GIS与RS教学工作。目前主要研究方向为空间数据挖掘、遥感图像处理以及GIS与RS集成等。E-mail：sirc.liujh@https://www.sodocs.net/doc/d29607049.html,。高分辨率遥感影像分类实验报告
高空间分辨率图像
面向对象的高分辨率遥感影像分类
作业2 高空间分辨率遥感影像分割方法实验
基于DCNN的高分辨率遥感影像场景分类
国外几种高分辨率遥感卫星对比
遥感图像分类方法的国内外研究现状与发展趋势
高分辨率遥感卫星影像图购买参数介绍
高空间分辨率遥感影像分割方法研究综述