天绘数据DEM提取
本文以天绘一号01星数据为样例数据，以TitanImageV8.0版本为应用平台，使用DEM 提取工具实现基于天绘一号立体像对的DEM提取。泰坦卫星影像DEM自动提取软件模块是集像点量测、平差定位解算、核线影像生产、立体影像密集匹配、点云构建DEM等功能为一体的DEM数据产品生产软件，该软件主要包括两大子模块：像点量测子模块和DEM自动提取子模块，该软件提供了有控制点模式和无控制点自动生成DEM的两种模式，并且匹配速度快、精度高，生成的DEM精度能够满足测绘应用的要求，是自动化、快速、大规模生产DEM数据的首选软件。以一景完整的天绘一号卫星原始数据为例，参照当今主流单机硬件配置，进行DEM提取的时间不超过5分钟。
TitanImageV8.0版软件下载地址：https://www.doczj.com/doc/071880298.html,/download.php
数据操作前提说明：天绘一号1B级数据（三线阵影像），提供RPC文件。
1.打开TitanImageV8.0界面→软件工具箱→DEM提取。
图1 打开DEM提取
2.进入DEM提取界面，加载影像。
注：一般左影像加载…_1B_SXZ_1_….tif影像；右影像加载…_1B_SXZ_3_….tif。
图2 加载天绘影像数据
3.手动选择控制点，一般不少于6个。
4.加载连接点文件，显示连接点分布图。
图5 加载连接点文件
5.单击“DEM自动提取→执行”，弹出AutoDEMExt对话框，进行参数设置。
图7 DEM自动提取参数设置对话框
注意事项：
左右影像的RPC文件为原文件的自带参数文件，一定要与加载的左右影像数据相一
致；
控制点文件（.tie），一般地在实际的应用中必须为外业采集的控制点文件（包含高程和平面坐标），如果没有，则是上一步选好的连接点保存文件；
控制点的投影和DEM的投影一定要保持一致；
一般地为了提高DEM精度，需要进行正射影像的生成，但会影响运行速度。
6.点击开始处理，生成DEM影像，可以在集成环境中打开。
图8 DEM 生成图
立体显示技术介绍 一、.什么是立体显示？ 立体显示或者称为3D显示，是指采用光学等多种技术手段来模拟实现人眼的立体视觉特性，将空间物体以3D信息再现出来，呈现出具有纵深感的立体图像的一种显示方式。相比于2D显示，3D显示提供给观看者更加强有力的沉浸感和震撼力。 人们之所以能够轻易地判断出物体在空间中的位置及不同物体间的相对位置，是因为人眼具有立体视觉。人们用以感知空间的主要生理机能有焦点调节、两眼集合、双目视差及单眼移动视差等。其中，双目视差担负着立体空间知觉的核心任务。焦点调节是为了把所注视的物体清晰地成像到视网膜上的眼球动作；两眼集合是当人在注视某个物体时左右眼视线往注视点上交汇而产生的眼球动作；双目视差是指由于人的左右眼从不同角度观看物体，从而成像于左右眼视网膜上的图像略有差异；单眼移动视差是指当观看者或被观看物体发生移动时人眼将看到物体的不同侧面。3D显示就是以人眼的立体视觉特性为基础的。 二、立体显示的实现方法 立体显示的实现方法可分为两大类，为助视3D显示和裸眼3D显示。 ?助视3D显示是靠眼睛佩戴助视设备来实现，如大家熟悉的偏光眼镜，这方面技术已成熟，但是也存在一定的缺陷，如亮度低，佩戴舒适度差等。 ?裸眼3D显示是通过光栅、集体成像、体3D和全息技术来实现3D立体成像，人眼无需佩戴任何设备，应用前景广泛，是目前显示研究的重点课题。 1．什么是光栅3D显示？ 光栅3D显示器由光栅和2D显示器精密耦合而成。其中，光栅作为分光元件，对光线传播的路径进行一定方式的控制，使观看者的左右眼观看到不同的视差图像。可应用于手机、笔记本电脑显示和电视。如光栅3D显示手机就是采用双摄像头采集图像形成3D效果来实
同物异谱，同谱异物”会对影像分类产生的影响，加上高分辨率影像的光谱信息不是很丰富，还有经常伴有光谱相互影响的现象，这对基于像素的分类方法提出了一种挑战，面向对象的影像分类技术可以一定程度减少上述影响。 本专题以ENVI中的面向对象的特征提取FX工具为例，对这种技术和处理流程做一个简单的介绍。 本专题包括以下内容： ●面向对象分类技术概述 ● ENVI FX简介 ● ENVI FX操作说明 1、面向对象分类技术概述 面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。它主要分成两部分过程：对象构建和对象的分类。 影像对象构建主要用了影像分割技术，常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。比较常用的就是多尺度分割算法，这种方法综合遥感图像的光谱特征和形状特征，计算图像中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值，当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。 影像对象的分类，目前常用的方法是“监督分类”和“基于规则（知识）分类”。这里的监督分类和我们常说的监督分类是有区别的，它分类时和样本的对比参数更多，不仅仅是光谱信息，还包括空间、纹理等对象属性信息。基于规则（知识）分类也是根据影像对象的属性和阈值来设定规则进行分类。 表1为三大类分类方法的一个大概的对比。
一、DEM数据获取方法： 定义：地形图指的是地表起伏形态和地物位置、形状在水平面上的地物和地貌按水平投影的方法，并按照一定的比例缩绘到图纸上，这种图称为地形图。 特点： （1）具有统一的大地坐标系统的高程系统 （2）具有完整的比例尺系列和分幅编号系统：国家基本地形图含1:5千、1:1万、1：2：2.5/1:5万、1:10万、1:25万、1:50万、1:100万8种比例地形图。 缺点： （1）地形图现势性较差：纸质地形图制作工艺复杂，更新周期比较长，一般不及时反映局部地形地貌的变化情况 （2）地形图存储介质单一，容易变形：传统地形图多为纸质存储介质，存放环境（温湿度）导致地形图图幅产生不同程度的变形，这种变形表现在不同方向上的长度变形和图幅面积上的变形 （3）地图精度有限：地图精度决定这地形图对实际地形表达的可信度，与地形图比例尺、等高线密度（由等高距表示），成图方法有关。不同比例尺的地形图，其所表示的几何精度和内容详细程度有很大的差别。 在应用DEM的时候要考虑DEM分辨率、存储格式、数据精度和可信度等因素。 二、DEM数据采样策略与采样方法：
采样：确定在何处需要测量点的过程，这个过程有三个参数。 决定：点的分布、点的密度和点的精度。 1.采样数据的分布：由数据位置和结构（分布）来确定，指数据点的分布形态 位置有地理坐标系统中经纬度或者网格坐标系统中坐标决定。 结构的形式很多，因地形特征、设备、应用的不同而不同。 2.数据的密度：是指采样数据密集程度，与研究区域的地貌类型和地形复杂程度有关。用于刻画地形形态所必须的最少的数据点。 表示方式：相邻的两点之间的距离、单元面积内的点数、截止频率（采样数据所能表示的最高频率）、单位线段上的点数等。 采样距离：相邻两点之间的距离，也称采样间隔。 ·通常数字加单位来表示，如采样距离为20米，表示规格网分布的采样数据 ·另一种表示法是单位面积内的点数，如每平方米500点，描述随机分布的采样数据 ·描述数据分布是沿等高线或特征等线状分布采样点，常用单位线段
三种3D立体成像显示技术 3D显示（或称立体成像）技术有几百年的历史。从原理上大致可分为三大类：立体图像对技术(Stereo Pair)、体显示技术(Volumetric Displays)、全息技术(Holography)。 立体图像对是目前发展最成熟也是应用最广泛的3D显示技术，戴立体眼镜看3D电影和裸眼就能看到立体效果的显示屏都是基于这种技术实现的。它的基本原理是，先产生场景的两个视图或多个视图，然后用某种机制（如佩戴眼镜）将不同视图分别传送给左右眼，确保每只眼睛只看到对应的视图而看不到其他视图。如果观察者无需佩戴立体眼镜即可看到立体效果，则称为“裸眼立体显示”。 虽然立体图像对技术能够提供立体感，但它本质上只是空间中两张或多张平面图像，通过“欺骗”人眼视觉系统而立体成像。这类技术会使人眼产生矛盾的晶状体焦距调节和视线汇聚调节，长时间观看会产生视觉疲劳。而体显示技术与之不同，它物理上显示了三个维度，能在空间中产生真正的3D效果。成像物体就像在空间中真实存在，观察者能看到科幻电影中一般“悬浮”在半空中的3D透视图像。从数字图像处理技术来说，平面图像对应了二维数组，每个元素被称为像素；而三维图像对应三维数组，每个元素被称为体素。体显示技术正是在空间中表现了这个三维数组。 根据是否有机械结构，体显示可分为两种实现方式，扫描体显示(Swept Volume)和静态体显示(Static Volume)。扫描体显示技术利用高速旋转的平面反射光线，并通过视觉记忆而立体成像。一个成功的产品是Actuality系统公司的Perspecta 3D显示器。而静态体显示的典型产品是Felix3D公司的SolidFelix，它以含有稀土元素的晶体作为显示介质，使用两束相干激光照射晶体内部空间点发光。另一个静态体显示技术的产品是DepthCube 系统，它使用20块液晶屏层叠而成，任何时刻只有一块屏工作，其他都是透明的，而图像也只投射到工作的显示屏上。DepthCube在这20块屏上快速切换显示3D物体截面从而产生纵深感。 全息技术是利用光波的干涉和衍射原理记录并再现物体的真实感的一种成像技术。全息照片记录了物体拍摄时的干涉条纹，重现时用相干光源照射全息照片，根据光的衍射而立
一、颜色特征 1 颜色空间 1.1 RGB 颜色空间 是一种根据人眼对不同波长的红、绿、蓝光做出锥状体细胞的敏感度描述的基础彩色模式,R、 G、B 分别为图像红、绿、蓝的亮度值,大小限定在 0～1 或者在 0～255。 1.2 HIS 颜色空间 是指颜色的色调、亮度和饱和度,H表示色调,描述颜色的属性,如黄、红、绿,用角度 0～360度来表示;S 是饱和度,即纯色程度的量度,反映彩色的浓淡,如深红、浅红,大小限定在 0～1;I 是亮度,反映可见光对人眼刺激的程度,它表征彩色各波长的总能量,大小限定在 0～1。 1.3 HSV 颜色模型 HSV 颜色模型依据人类对于色泽、明暗和色调的直观感觉来定义颜色, 其中H (Hue)代表色度, S (Saturat i on)代表色饱和度,V (V alue)代表亮度, 该颜色系统比RGB 系统更接近于人们的经验和对彩色的感知, 因而被广泛应用于计算机视觉领域。 已知RGB 颜色模型, 令M A X = max {R , G, B },M IN =m in{R , G,B }, 分别为RGB 颜色模型中R、 G、 B 三分量的最大和最小值, RGB 颜色模型到HSV 颜色模型的转换公式为: S =(M A X - M IN)/M A X H = 60*(G- B)/(M A X - M IN) R = M A X 120+ 60*(B – R)/(M A X - M IN) G= M A X 240+ 60*(R – G)/(M A X - M IN) B = M A X V = M A X 2 颜色特征提取算法 2.1 一般直方图法 颜色直方图是最基本的颜色特征表示方法,它反映的是图像中颜色的组成分布,即出现了哪些颜色以及各种颜色出现的概率。其函数表达式如下: H(k)= n k/N (k=0,1,…,L-1) (1) 其中,k 代表图像的特征取值,L 是特征可取值的个数,n k是图像中具有特征值为 k 的象素的个数,N 是图像象素的总数。由上式可见,颜色直方图所描述的是不同色彩在整幅图像中所占的比例,无法描述图像中的对象或物体,但是由于直方图相对于图像以观察轴为轴心的旋转以及幅度不大的平移和缩放等几何变换是不敏感的,而且对于图像质量的变化也不甚敏感,所以它特别适合描述那些难以进行自动分割的图像和不需要考虑物体空间位置的图像。 由于计算机本身固有的量化缺陷,这种直方图法忽略了颜色的相似性,人们对这种算法进行改进,产生了全局累加直方图法和局部累加直方图法。 2.2 全局累加直方图法 全局累加直方图是以颜色值作为横坐标,纵坐标为颜色累加出现的频数,因此图像的累加直方空间 H 定义为:
图像特征特点及常用的特征提取与匹配方法 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1） 颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2） 颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡 的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3） 颜色矩
DEM高程数据 (2013-11-12 15:06:40) 转载▼ 标签： 杂谈 DEM高程数据包括两个部分：ASTER GDEM30米分辨率高程数据和SRTM90米分辨率高程数据。ASTER GDEM数据来源于NASA，数据覆盖范围为北纬83°到南纬83°之间的所有陆地区域，时间范围为2000年前后；SRTM数据来源于CIAT，数据覆盖范围为北纬60°至南纬60°之间的所有陆地区域，时间范围为2000年前后。 ASTER GDEM 30米分辨率高程数据 本数据集利用ASTER GDEM第一版本（V1）的数据进行加工得来，是全球空间分辨率为30米的数字高程数据产品。由于云覆盖，边界堆叠产生的直线，坑，隆起，大坝或其他异常等的影响，ASTER GDEM第一版本原始数据局部地区存在异常，所以由ASTER GDEMV1加工的数字高程数据产品存在个别区域的数据异常现象，可以和全球90米分辨率数字高程数据产品互相补充使用。ASTER GDEM数据采用UTM/WGS84投影，数据格式为IMG栅格影像，数据的值域范围为-152-8806米之间，比例尺为1:25万，其垂直精度20米，水平精度30米。 数据命名规则：ASTER GDEM基本的单元按1度X1度分片。每个GDEM数据包有两个文件，一个数据高程文件和一个质量评估（QA）文件。每个文件的命名是根据影像几何中心左下角的经纬度产生。例如，ASTGTM_N29E091代表左下角坐标是北纬29度，东经91度。ASTGTM_N29E091_dem和ASTGTM_N29E091_num对应的分别是高程数据和质量控制数据。 SRTM 90米分辨率高程数据 SRTM（ShuttleRadarTopographyMission）90米分辨率高程数据由美国太空总署（NASA）和国防部国家测绘局（NIMA）联合测量。2000年2月11日，美国发射的“奋进”号航天飞机上搭载SRTM系统，共计进行了222小时23分钟的数据采集工作，获取北纬60度至南纬60度之间总面积超过1.19亿平方公里的雷达影像数据，覆盖地球80%以上的陆地表面。SRTM系统获取的雷达影像的数据量约为9.8万亿字节，经过两年多的数据处理，制成了数字地形高程模型（DEM），即现在的SRTM地形产品数据。SRTM因插值算法不同，存在不同版本，本平台发布数据为V4.1版本。 SRTM数据采用WGS84椭球投影，使用16位的数值表示高程数值的（-32767米），空数据用-32726表示。数据格式为IMG栅格影像，数据的值域范围为-12000-9000米之间，水平精度20米，高程精度16米。 SRTM的数据组织方式为：每5度经纬度方格划分一个文件，共分为24行（-60至60度）和72列（-180至180度）。文件命名规则为srtm_XX_YY.zip，XX表示列数（01-72），YY表示行数（01-24）。示意图如下： 高程数据处理方法 第一次使用DEM高程数据的朋友常常遇到这个问题，IMG是压缩包么？怎么不能解压呢？为什么我打开之后数据是灰色的呢？明明是平原地区，为什么显示的高程范围却在-32767-32767之间呢？为什么展示图里是五颜六色的，而我打开的却是灰色影像呢？ 首先IMG不是压缩包，“.img”作为一种栅格影像格式，可以直接在ArcMap、ENVI、ERDAS等遥感软件中打开使用，无需解压。 其次，怎么去除高程影像中的空值（如-32767），让它在一个正常的范围内显示呢？小编这里以TIF格式的DEM高程影像为例（IMG的处理方式同样），一步步带大家来操作。 1. 在ARCMAP里打开一幅DEM高程数据（ADD DATA），可以从左边看到其显示的数据范围是-32767-32726，右侧为灰色影像。 2. 在ArcMap里打开Spatial analyze工具，选择Raster Calculator，设置DEM高程数据值为0并进行计算（点击Evaluate按钮），页面如下：
图像常见xx方法简介 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一、颜色特征 （一）特点： 颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。 一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。 由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的xx与匹配方法 （1）颜色直方图 其优点在于： 它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于： 它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间： RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：
直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。 在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于： 图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。 （4）颜色聚合向量 其核心思想是： 将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。 （5）颜色相关图 二纹理特征 （一）特点： 纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行
图像特征提取方法 摘要 特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 至今为止特征没有万能和精确的图像特征定义。特征的精确定义往往由问题或者应用类型决定。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相同的。 特征提取是图象处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。当光差图像时，常 常看到的是连续的纹理与灰度级相似的区域，他们相结合形成物体。但如果物体的尺寸很小 或者对比度不高，通常要采用较高的分辨率观察：如果物体的尺寸很大或对比度很强，只需 要降低分辨率。如果物体尺寸有大有小，或对比有强有弱的情况下同事存在，这时提取图像 的特征对进行图像研究有优势。 常用的特征提取方法有：Fourier变换法、窗口Fourier变换（Gabor)、小波变换法、最 小二乘法、边界方向直方图法、基于Tamura纹理特征的纹理特征提取等。
设计内容 课程设计的内容与要求（包括原始数据、技术参数、条件、设计要求等）：一、课程设计的内容 本设计采用边界方向直方图法、基于PCA的图像数据特征提取、基于Tamura纹理特征的纹理特征提取、颜色直方图提取颜色特征等等四种方法设计。 （1）边界方向直方图法 由于单一特征不足以准确地描述图像特征,提出了一种结合颜色特征和边界方向特征的图像检索方法.针对传统颜色直方图中图像对所有像素具有相同重要性的问题进行了改进,提出了像素加权的改进颜色直方图方法;然后采用非分割图像的边界方向直方图方法提取图像的形状特征,该方法相对分割方法具有简单、有效等特点,并对图像的缩放、旋转以及视角具有不变性.为进一步提高图像检索的质量引入相关反馈机制,动态调整两幅图像相似度中颜色特征和方向特征的权值系数,并给出了相应的权值调整算法.实验结果表明,上述方法明显地优于其它方法.小波理论和几个其他课题相关。所有小波变换可以视为时域频域的形式，所以和调和分析相关。所有实际有用的离散小波变换使用包含有限脉冲响应滤波器的滤波器段(filterbank)。构成CWT的小波受海森堡的测不准原理制约，或者说，离散小波基可以在测不准原理的其他形式的上下文中考虑。 通过边缘检测，把图像分为边缘区域和非边缘区域，然后在边缘区域内进行边缘定位．根据局部区域内边缘的直线特性，求得小邻域内直线段的高精度位置；再根据边缘区域内边缘的全局直线特性，用线段的中点来拟合整个直线边缘，得到亚像素精度的图像边缘．在拟合的过程中，根据直线段转角的变化剔除了噪声点，提高了定位精度．并且，根据角度和距离区分出不同直线和它们的交点，给出了图像精确的矢量化结果 图像的边界是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合，边界广泛的存在于物体和背 景之间、物体和物体之间，它是图像分割所依赖的重要特征．边界方向直方图具有尺度不变性，能够比较好的 描述图像的大体形状．边界直方图一般是通过边界算子提取边界，得到边界信息后，需要表征这些图像的边 界，对于每一个边界点，根据图像中该点的梯度方向计算出该边界点处法向量的方向角，将空间量化为M级， 计算每个边界点处法向量的方向角落在M级中的频率，这样便得到了边界方向直方图． 图像中像素的梯度向量可以表示为[(，)，)，(，)，)]，其中Gx(，)，)，G(，)，)可以用下面的
获取室内模型流域DEM 数据的实用方法 杨超1 赵军2 高佩玲2 (11中国农业大学水利与土木工程学院,北京100083;21中国科学院、水利部水土保持研究所,陕西杨凌712100) 收稿日期:2004210216 基金项目:教育部重大项目中国科学院知识创新重要方向项目(KZCX32SW 2422)作者简介:杨超,硕士研究生,主要从事土壤侵蚀机理及计算机模拟研究。 摘 要 为获得模型流域的高精度DEM 数据,自制了高程测量仪,对6519m 2流域模型进行011m ×011m 网格的逐点测量,获得高程数据,并利用GIS 软件生成模型流域的DEM 。降雨强度100mm/h 和降雨历时40min 条件下,降雨前后DEM 处理后得到的模型流域土壤侵蚀量为4465kg ,相对人工采样误差715%。处理所得DEM 与原模型流域地形特征点数据比较误差为±01005m 。模型流域降雨侵蚀后高程的对比计算结果表明,该测量方法在室内小模型流域的降雨侵蚀定量研究中是可行的。关键词 模型流域;GIS ;地形测量;土壤侵蚀 中图分类号 S 29 文章编号 100724333(2005)0120013203 文献标识码 A Practical method for DEM of a laboratory watershed model Y ang Chao 1,Zhao J un 2,Gao Peiling 2 (11College of Water Conservancy and Civil Engineering ,China Agricultural University ,Beiing 100083,China ; 21I nstitue of Soil and Water Conservation ,Chinese Academy of Sciences ,and M inistry of Water Resources ,Y angling 712100,China ;) Abstract It is well known that it is difficult to get the morphological data for a laboratory watershed model in s oil ero 2sion study by the traditional methods and the RS ,GPS and GI technologies.A practically us eful app aratus was devel 2op ed to quantify the digital elevation of a laboratory watershed model for a 66m 2 watershed with 10by 10cm grids.A GIS s oftware was us ed to generate the DE M of the watershed and the meas ured elevation values were verified with the actual ones at control p oints ,which indicated that the error was less than 5mm.This method can be us ed for geomor 2phologic determination of a watershed and for quantifying the s oil erosion in a rainfall event by comp aring the elevation changes. K ey words watershed model ;GIS ;elevation meas urement ;s oil erosion 目前,流域次降雨侵蚀研究多在野外条件下进 行。由于野外条件复杂,影响因子较多,不利于流域侵蚀与各影响因子之间关系和侵蚀在流域内分布情况的分析;而室内次降雨侵蚀研究多在坡面上进行,反映的是坡面相关因子与侵蚀之间的关系。在室内可控条件下进行模型流域的次降雨侵蚀研究,有利于确定流域侵蚀与各影响因子间的定量关系和侵蚀在流域中的分布情况。 室内模型流域次降雨总侵蚀量通常由流域出口处流量和水流含沙量的测量值换算得到,侵蚀量在流域内的空间分布一般采用REE (稀土元素)法进行分块研究[1],或采用侵蚀针观测法布点研究,但 REE 法受REE 种类的限制分块不可能很小,侵蚀 针在全流域的高密度布设也不现实。野外传统数字化地形测绘法因操作原因[2],不能对模型流域进行非破坏性测量,而目前流行的3S (遥感RS 、全球定位系统GPS 和地理信息系统GIS )技术因运行空间不足而无法对室内小型流域进行测量[3]。进行室内坡面土壤侵蚀研究通常使用的激光微地貌扫描仪,测量宽度限制在1m 内[4],无法满足较大面积模型流域的测量要求。 为获得大面积(6519m 2)模型流域次降雨的侵蚀量和侵蚀分布,本试验用自制高程测量仪(图1)测量模型流域高程数据,结合GIS 技术获取模型流 中国农业大学学报 2005,10(1):13-15Journal of China Agricultural University
图像特征提取 HEN system office room 【HEN16H-HENS2AHENS8Q8-HENH1688】
图像特征提取方法 特征提取是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征，其结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。 常用的图像特征有颜色特征、纹理特征、形状特征和空间关系特征。 图1.图像特征分类及其方法 一、颜色特征 颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。 常用的特征提取与匹配方法有5种：颜色矩、颜色直方图、颜色集、颜色聚合向量、颜色相关图。 （1）颜色矩 颜色矩是一种简单而有效的颜色特征，其数学基础是图像中的任何的颜色分布均可以用它的矩来表示。 此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩(mean)、二阶矩(Variance)和三阶矩(Skewness)就足以表达图像的颜色分布，与颜色直方图相比，该方法的另一个好处是无须对特征进行量化。 一阶矩： 二阶矩： 三阶矩： 一阶：颜色分量的平均强度；二、三阶：方差和偏移度。 图像的颜色矩一共有九个分量，每个颜色通道均有三个低阶矩。颜色矩仅仅使用少数几个矩，从而导致过多的虚警，因此颜色矩常和其他特征结合使用。 （2）颜色直方图 它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。但它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。直方图中的数值都是统计而来，描述了该图像中关于颜色的数量特征，可以反映图像颜色的统计分布和基本色调。 颜色直方图可以分为三类，分别为：全局直方图、累加直方图、主色调直方图。 全局直方图：反映的是图像中颜色的组成分布，即出现了哪些颜色以及各种颜色出现的概率。其对图像的旋转、平移、缩放和图像质量变化不敏感，比较适合于检索图像的全局颜色相似性，即通过比较颜色直方图的差异来衡量两幅图像在颜色全局分布上的差异。 累加直方图：当图像中的特征并不能取遍所有可取值时，统计直方图中会出现一些零值。这些零值的出现会对相似性度量的计算带来影响，从而使得相似性度量并不能正确反映图像之间的颜色差别。所以，在全局直方图的基础上，使用累加颜色直方图。在累加直方图中，相邻颜色在频数上是相关的。虽然累加直方图的存储
面向对象的影像分类技术 “同物异谱，同谱异物”会对影像分类产生的影响，加上高分辨率影像的光谱信息不是很丰富，还有经常伴有光谱相互影响的现象，这对基于像素的分类方法提出了一种挑战，面向对象的影像分类技术可以一定程度减少上述影响。 本小节以ENVI中的面向对象的特征提取FX模块为例，对这种技术和处理流程做一个简单的介绍。 本专题包括以下内容： ??●面向对象分类技术概述 ??●ENVI FX简介 ??●ENVI FX操作说明 1、面向对象分类技术概述 面向对象分类技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。它主要分成两部分过程：影像对象构建和对象的分类。 影像对象构建主要用了影像分割技术，常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。比较常用的就是
多尺度分割算法，这种方法综合遥感图像的光谱特征和形状特征，计算图像中每个波段的光谱异质性与形状异质性的综合特征值，然后根据各个波段所占的权重，计算图像所有波段的加权值，当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时，进行重复迭代运算，直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。 影像对象的分类，目前常用的方法是“监督分类”和“基于知识分类”。这里的监督分类和我们常说的监督分类是有区别的，它分类时和样本的对比参数更多，不仅仅是光谱信息，还包括空间、纹理等信息。基于知识分类也是根据影像对象的熟悉来设定规则进行分类。 目前很多遥感软件都具有这个功能，如ENVI的FX扩展模块、易康（现在叫Definiens）、ERDAS的Objective模块、PCI的FeatureObjeX（新收购）等。 表1为三大类分类方法的一个大概的对比。 表1 传统基于光谱、基于专家知识决策树与基于面向对象的影像分类对比表
%直接帧间差分，计算阈值并进行二值化处理（效果不好） clc; clear; Im1 = double(imread('')); %读取背景图片 Im2 = double(imread(''); %读取当前图片 [X Y Z] = size(Im2); %当前图片的各维度值DIma = zeros(X,Y); for i = 1:X for j = 1:Y DIma(i,j) =Im1(i,j) - Im2(i,j); %计算过帧间差分值 end end figure,imshow(uint8(DIma)) %显示差分图像 title('DIma') med = median(DIma); %计算二值化阈值：差值图像中值mad = abs(mean(DIma) - med); %中值绝对差 T = mean(med + 3**mad) %初始阈值 Th =5*T; %调整阈值 BW = DIma <= Th; %根据阈值对图像进行二值化处理figure,imshow(BW) %se = strel('disk',2); %膨胀处理 %BW = imopen(BW,se); %figure,imshow(BW) %title('BW')
[XX YY] = find(BW==0); %寻找有效像素点的最大边框 handle = rectangle('Position',[min(YY),min(XX) ,max(YY)-min(YY),max(XX)-min(XX)]); set(handle,'EdgeColor',[0 0 0]); hei = max(XX)-min(XX); %边框高度 mark = min(YY)+1; while mark < max(YY)-1 %从边框左边开始到右边物质循环，寻找各个人体边缘 left = 0;right = 0; for j = mark:max(YY)-1 ynum = 0; for i = min(XX)+1 : max(XX)-1 if BW(i,j) == 0; ynum = ynum + 1; end end if ynum > *hei %如果该列上像素点个数大于边框高度的某个阈值 left = j %认为找到了左边界 mark = j; break end end if left~= 0 %如果找到了左边界 for j = left+1 : max(YY)-1 %则从左边界到边框右边界寻找人体右边界 ynum = 0;
DEM高程数据 DEM高程数据包括两个部分：ASTER GDEM30米分辨率高程数据和SRTM90米分辨率高程数据。ASTER GDEM数据来源于NASA，数据覆盖范围为北纬83°到南纬83°之间的所有陆地区域，时间范围为2000年前后；SRTM数据来源于CIAT，数据覆盖范围为北纬60°至南纬60°之间的所有陆地区域，时间范围为2000年前后。 ASTER GDEM 30米分辨率高程数据 本数据集利用ASTER GDEM第一版本（V1）的数据进行加工得来，是全球空间分辨率为30 米的数字高程数据产品。由于云覆盖，边界堆叠产生的直线，坑，隆起，大坝或其他异常等的影响，ASTER GDEM第一版本原始数据局部地区存在异常，所以由ASTER GDEMV1加工的数字高程数据产品存在个别区域的数据异常现象，可以和全球90米分辨率数字高程数据产品互相补充使用。ASTER GDEM数据采用UTM/WGS84投影，数据格式为IMG栅格影像，数据的值域范围为-152-8806米之间，比例尺为1:25万，其垂直精度20米，水平精度30米。 数据命名规则：ASTER GDEM基本的单元按1度X1度分片。每个GDEM数据包有两个文件，一个数据高程文件和一个质量评估（QA）文件。每个文件的命名是根据影像几何中心左下角的经纬度产生。例如，ASTGTM_N29E091代表左下角坐标是北纬29度，东经91度。ASTGTM_N29E091_dem和ASTGTM_N29E091_num对应的分别是高程数据和质量控制数据。 SRTM 90米分辨率高程数据 SRTM（ShuttleRadarTopographyMission）90米分辨率高程数据由美国太空总署（NASA）和国防部国家测绘局（NIMA）联合测量。2000年2月11日，美国发射的“奋进”号航天飞机上搭载SRTM系统，共计进行了222小时23分钟的数据采集工作，获取北纬60度至南纬60度之间总面积超过1.19亿平方公里的雷达影像数据，覆盖地球80%以上的陆地表面。SRTM 系统获取的雷达影像的数据量约为9.8万亿字节，经过两年多的数据处理，制成了数字地形高程模型（DEM），即现在的SRTM地形产品数据。SRTM因插值算法不同，存在不同版本，本平台发布数据为V4.1版本。 SRTM数据采用WGS84椭球投影，使用16位的数值表示高程数值的（+-32767米），空数据用-32726表示。数据格式为IMG栅格影像，数据的值域范围为-12000-9000米之间，水平精度20米，高程精度16米。 SRTM的数据组织方式为：每5度经纬度方格划分一个文件，共分为24行（-60至60度）和72列（-180至180度）。文件命名规则为srtm_XX_YY.zip，XX表示列数（01-72），YY表示行数（01-24）。示意图如下：
DEM数据采集 为了建立DEM，必需量测一些点的三维坐标，这就是DEM数据采集或DEM数据获取，被量测三维坐标的这些点称为数据点或参考点。 一、DEM数据点的采集方法 l．地面测量 利用自动记录的测距经纬仪(常称为电子速测经纬仪或全站经纬仪)在野外实测。这种速测经纬仪一般都有微处理器，它可以自动记录与显示有关数据，还能进行多种测站上的计算工作。其记录的数据可以通过串行通讯，输入其它计算机(如PC机)进行处理。 2．现有地图数字化 这是利用数字化仪对已有地图上的信息(如等高线、地性线等)进行数字化的方法。目前常用的数字化仪有手扶跟踪数字化仪与扫描数字化仪。 (1)手扶跟踪数字化仪 将地图平放在数字化仪的台面上，用一个带有十字丝的鼠标，手扶跟踪等高线或其它地形地物符号，按等时间间隔或等距离间隔的数据流模式记录平面坐标，或由人工按键控制平面坐标的记录，高程则需由人工按键输入。其优点是所获取的向量形式的数据在计算机中比较容易处理；缺点是速度慢、人工劳动强度大。 (2)扫描数字化仪 利用平台式扫描仪或滚筒式扫描仪或CCD阵列对地图扫描，获取的是栅格数据，即一组阵列式排列的灰度数据(也就是数字影像)。其优点是速度快又便于自动化，但获取的数据量很大且处理复杂，将栅格数据转换成矢量数据还有许多问题需要研究，要实现完全自动化还需要做很多工作。目前可采用半自动化跟踪的方法，即采用交互式处理，能够由计算机自动跟踪的部分由其自动完成，当出现错误或计算机无法处理的部分由人工进行干预，这样既可以减轻人工劳动强度，又能使处理软件简单易实现。 3．空间传感器 利用GPS(Global Positioning System)、雷达和激光测高仪等进行数据采集。 4，数字摄影测量方法 这是DEM数据点采集最常用的一种方法。利用附有自动记录装置(接口)的立体测图仪或立体坐标仪、解析测图仪及数字摄影测量系统，进行人工、半自动或全自动的量测来获取数据。 二、数字摄影测量的DEM数据采集方式 数字摄影测量是空间数据采集最有效的手段，它具有效率高、劳动强度低等优点。利用计算机辅助系统可进行人工控制的采样，即X，Y，Z三个坐标的控制全部由人工操作；利用解析测图仪或机控方式的机助测图系统可进行人工或半自动控制的采样，其半自动的控制一般是由人工控制高程Z，而由计算机控制平面坐标X，Y的驱动；利用自动化测图系统则是利用计算机立体视觉代替人眼的立体观测。 在人工或半自动方式的数据采集中，数据的记录可分为“点模式”与“流模式”，前者是根据控制信号记录静态量测数据，后者是按一定规律连续性地记录动态的量测数据。 1.沿等高线采样 在地形复杂及陡峭地区，可采用沿等高线跟踪的方式进行数据采集，而在平坦地区，则不易采用沿等高线的采样。沿等高线采样可按等距离间隔记录数据或按等时间间隔记录数据方式进行。当采用后者时，由于在等高线曲率大的地方跟踪速度较慢，因而采集的点较密集，而在等高线较平直的地方跟踪速度较快，采集的点较稀疏，故只要选择恰当的时间间隔，所记录的数据就能很好地描述地形，又不会有太多的数据。
DEM网格单元大小的确定 简单方法1 由地形图上的等高线生成DEM时，DEM网格大小的粗略估计: CELL Size = Scale分母/ 纸张分辨率纸张分辨率为300bpi(一般为200bpi)，即一英寸纸张上面可以印刷300条线，以1:5万地形图为例：cell size = 50000/300 (inch) = 4.24 (meter) 方法2 地图比例尺，航空摄影测量、影像分辨率的关系带来的启示航摄规范（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，可得下表。 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 补充：卫星影像分辨率的选择考虑不同比例尺成图对影像分辨率要求和对应规格商用卫星影像产品的稳定货源。 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 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) DEM生成方法- ANUDEM 模型 水是地貌形成的主要侵蚀因素。ANUDEM (Australian National University Digital Elevation Model) 采用了这一思想，使用地貌与水文数据作为插值约束条件，插值等高线高程。大大减少了DEM中的凹陷数据错误，显著提高了DEM在水文特征方面的质量。插值方法为递归有限元差分插值技术，拟合样条曲面。 ANUDEM插值处理方法： 等高线是最常见的高程信息表达方法，也最难适用各种通用插值方法进行处理，处理要点：(1) 地表曲面形态：等高线->等高线局部最大曲率->坡度最陡区域->山脊线／河流径网->确认输出DEM的水文地貌特征/验证DEM的精确度。 (2) 地表曲面插值：每个网格单元的插值计算，使用临近等值线上的点。 (3) 多分辨率逐级插值：低分辨率DEM->高分辨率DEM->用户定义分辨率DEM。每级分辨率插值操作，水系限制条件都用于DEM凹陷生成的控制，保留下的凹陷会纪录在log文件中 等高线插值的举例(arcinfo: topogrid) Arc: topogrid laodem20 20 TopoGrid: datatype contour TopoGrid: contour laocontour elev TopoGrid: stream laostream TopoGrid: enforce on TopoGrid: end Arc: 其中：laodem20 –输出DEM的文件名