当前位置:文档之家› 高分辨率遥感影像中建筑物阴影检测与提取研究

高分辨率遥感影像中建筑物阴影检测与提取研究

高分辨率遥感影像中建筑物阴影检测与提取研究
高分辨率遥感影像中建筑物阴影检测与提取研究

本科毕业论文

题目:高分辨率遥感影像中建筑

物阴影检测与提取研究院(部):土木工程学院

专业:测绘工程

班级:测绘081

姓名:!@#$%^&*

学号:1234567890

指导教师:(!@#$%^&)

完成日期:2012年6月10日

目录

摘要......................................................................................................................................III ABSTRACT.................................................................................................................................IV 1前言.. (1)

1.1研究背景 (1)

1.2研究目地及意义 (1)

1.3国内外研究的现状及发展 (1)

1.4本文的研究内容及目标 (2)

2遥感影像阴影特征与面向对象的提取原理 (4)

2.1建筑物阴影的特点 (4)

2.2建筑物阴影的光学性质 (4)

2.3高分辨率遥感影像的特点 (5)

2.4面向对象的阴影检测与提取原理分析 (6)

3遥感影像的预处理 (7)

3.1齐鲁软件园遥感影像的几何校正 (7)

3.2软件园影像的分割 (8)

4ECOGNITION8.0对遥感影像进行面向对象的矢量化处理 (11)

4.1加载齐鲁软件园预处理后的遥感影像 (12)

4.2分别对每个子影像进行CHESSBOARD棋盘分割 (13)

4.3根据阴影的光学特性添加各种算法 (14)

4.4分别对子影像进行多尺度分割 (15)

4.5数据的导出 (18)

5ARCGIS9.2对矢量化数据进行编辑处理 (19)

5.1加载子影像及矢量化数据 (19)

5.2属性表中添加地类名称和面积两字段 (20)

5.3添加规则集分类提取建筑物阴影 (21)

5.4难以提取部分采取人机交互方式提取 (25)

5.5对提取完成的各矢量数据MERGE合并到同一图层 (27)

5.6对数据进行最后编辑修改后测算阴影部分面积 (29)

5.7数据整理保存 (31)

6结论 (33)

谢辞 (34)

参考文献 (35)

摘要

近年来,高分辨率遥感影像在城市环境、精准农业、交通设施、林业测量、军事目标识别和灾害评估等人类日常生活中扮演了越来越重要的角色。它们的特点是细节信息极为丰富,但是如何快速、自动识别和提取影像信息,使遥感技术应用的深度和精度得以提高面临新的挑战。

阴影是遥感影像中普遍存在的问题。高分辨率卫星的高度相对较低,阴影更是高分辨率遥感影像的基本特征之一。阴影的检测对于影像的目标识别以及信息恢复十分关键。

本文以提取齐鲁软件园高分辨率遥感影像上建筑物阴影研究目标。采用面向对象的技术,通过图像分割,获取阴影对象,结合阴影对象的特征,设置特征函数并分类,最后获得阴影区域。试验证明,该方法简单易行,较精确地提取了阴影区域。

关键词:遥感影像;阴影;阴影检测;面向对象;纹理特征

The study of buildings s hadow Detection and Extraction Based on High Spatial Resolution Remote Sense Image

ABSTRACT

High-resolution satellite images have played a more important role in our life in recent years,such as we can extract more detailed information on urban environment,precision agriculture,traffic facility and military target from high resolution images.Though high resolution remote sensing images provide us richer information of surface targets,how to identify and extract features from these images automatically and quickly has been a big challenge.

Shadow is a usual problem in remote sensing images,which blocks part of the surface information.it is particularly obvious in high spatial resolution satellite imagery.Shadow detection in high spatial resolution remote image is very critical for target identification and information recovering.

In this thesis,we try to detect and extract the buildings shadow of QILU Software Park in High Spatial Resolution Remote Sense Image.In this paper,an object-oriented method is used to detect shadow area.Firstly,the image is processed by segmentation to attain the image objects,then the knowledge is established according to the analysis of the spectral character of the shadow area in the image.Finally,the shadow area could be extracted by using the rules defined in the knowledgebase.The experiment result shows that this method is valid.

Key Words:High Spatial Resolution Remote Sense Image;Shadow detection;

Shadow;Shadow compensation;Object-oriented

1前言

1.1研究背景

近年来,随着遥感技术的发展,高分辨率遥感影像的应用越来越广泛。与传统的中低空间分辨率遥感影像相比,高分辨率遥感影像具有细节更加清晰、信息更加丰富等特点,但同时也存在着较多的阴影区域。这些阴影区域的地物信息量相对较少,难以判读,不仅影响了人们的视觉判读效果,而且在影像处理和工程应用中影响操作进程,甚至产生错误结果。但同时阴影里同样包含了大量的关于物体表面及其反射率的信息,如能对阴影中信息进行增强或恢复,将有利于目标识别、地形分类和地质制图等。同时,利用阴影的几何特性还可确定建筑物的高度信息等。

1.2研究目地及意义

在图像处理中,阴影既存在有利之处,同时又存在不利之处。有利之处在于,可以通过阴影的形状及大小来确定光源的强度、位置,以及确定障碍物的高度形状等,因此,可以用于测量建筑物的高度,在数字城市工程或数字地球工程的三维建模中,适当的加入物体模拟阴影,可以增强观察者的立体感和空间感。相反,不利之处则表现为,图像明显的地物特征受到阴影噪声的模糊作用而变得不明显,进而影响数字影像的匹配精度和速度;水体和阴影的灰度值都比较低,在物体灰度值为主要基础的模式识别方法中,很可能将非水体的阴影区域划分为水体。由于阴影对地表信息的遮挡,影响了数字信息的提取等。因此,不管阴影存在的利弊,对阴影提取都是研究工作的必要阶段,它的提取精度直接关系着工作的对与错,因此,探测阴影区域,恢复这些阴影区域的亮度,使他们接近光照下的效果是一个必要的措施,对阴影的检测及提取具有重要的意义。

1.3国内外研究的现状及发展

人们从20世纪80年代末才开始关注图像上阴影处理的问题。经过十几年的研究,人们对于阴影的处理较以前有了很大的进步。目前,阴影检测算法主要是基于阴影的性质来进行的,阴影的性质主要分为两类,一类是光谱性质,一类是几何性质。最早的阴影检测算法是依据阴影区域的亮度要比周围亮度低的性质,这种方法是基于阈值的思想进行的,即把图像区域分成阴影区域和非阴影区域两

类。基于这种思想的阴影检测方法的关键在于闺值的选取问题。阈值选择方法是图像处理领域最重要和最常用的方法。目前较常用的阈值选择方法有以下几种:(1)最大熵原则阈值选择法,(2)零次矩判别阈值选择法,(3)直方图阈值选择法。不管采用上述的哪一种阈值分割方法,图像阴影的检测效果不很理想。一些学者也提出了一些检测方法,如基于直方图、基于同态系统消除阴影技术、归一化处理纹理分析等,但目前仍然处于试验研究阶段。基于直方图技术就是统计影像数据灰度直方图,根据双峰法检测阴影,然后用直方图拉伸技术去除阴影,这样处理的结果是水体、低反射率地物等被当作阴影,而阴影区域反射率地物却被当作非阴影,显然误差较大,对大范围、复杂地形地物影像不适用;

基于同态系统消除阴影技术是对影像反射率和辐射度分别进行处理,同时使用空间域和频率域技术,比基于直方图技术具有更稳健的效果,但是仍然避免不了同样的问题;归一化处理阴影去除法的实质是把阴影区像元灰度值按比例相应地放大,非阴影区像元灰度值按比例相应地缩小。由于各种不同遥感影像DN值分布不一样,用一种模式求出归一化系数并不能应用于所有遥感影像,确定放大或缩小的系数是关键,也是难以解决的问题;纹理分析的方法为阴影检测分离和去除提出一些新的思路,即不仅利用遥感影像的光谱信息,而且利用影像纹理信息检测阴影,然而,到目前为止还不能取得完美的结果。

国内学者从事阴影检测方面的研究,也取得了一定的成果。例如,何国金等在分析SPOT卫星图像阴影与建筑物实际高度关系的基础上以北京市为例,研究出了一种基于图像阴影特征的城市建筑物高度分级及其分布信息自动生成技术,取得了不错的效果。高龙华运用传统的阴影校正模型,对模型的两个主要参数值:大气亮度、照射强度进行了求解,并以Quickbird为例进行了阴影去除。孟春林、喻国庆等利用阴阳坡归一化探讨了TM影像上地形阴影的消除方法,难点就在于难以确定统一的标准来进行归一化,并且归一化处理也不能无止境的进行下去,否则,当阴坡和阳坡平均值相近时,影像的立体感就会消失;同时,阴坡的值因过分夸张而失真。这种方法也只能适用于山坡形成的阴影,对城市中建筑物形成的阴影则不适用。

虽然人们对遥感影像阴影做了很多研究,但是集中于高分辨率卫星影像中的城市地区的研究不多。因此,对城市地区高分辨率卫星遥感影像的阴影提取与去

除方面还有待继续研究,研究方法也有很大的发展潜力。

1.4本文的研究内容及目标

本文通过对高分辨率卫星影像阴影光谱特征、几何特征的分析,结合高分辨率卫星影像的特点,采用ecognition8.0软件,提出了一种面向对象的高分辨率卫星影像阴影检测方法。面向对象的高分辨遥感影像智能解译系统,以多尺度分割技术,特征选择与提取技术,面向对象的分类技术为基础,设计并开发出面向对象的高分辨率遥感影像智能解译系统,并利用该系统对高分辨率影像进行分类实验,以体现面向对象分类方法的优越性。

本文以济南市航飞影像为例,进行面向对象的阴影检测与提取工作。本次实习研究区为齐鲁软件园影像。该区域高层建筑较密集,阴影较集中,有利于研究。

大致流程为:

图1.4.1操作流程图

常见国产卫星遥感影像数据的简介

北京揽宇方圆信息技术有限公司 常见国产卫星遥感影像数据的简介 本文介绍了常见国产卫星数据的简介、数据时间、传感器类型、分辨率等情况。 中国资源卫星应用中心产品级别说明 ◆1A级和1C级产品均为相对辐射校正产品,只是不同卫星选用的生产参数不同。 ◆2级,2A级和2C级产品均为系统几何校正产品,只是不同卫星选用的生产参数不同。 其中: ■GF-1卫星和ZY3卫星归档产品为1A级,ZY1-02C卫星数据归档产品级别为1C级,其他卫星归档级别为2级! ◆归档产品是指:该类产品已经存在于系统中,仅需要从存储系统中迁移出来.即可供用户下载的数据。 ◆生产产品是指:该类产品不是已经存在的产品,需要对原始数据产品进行生产,然后再提供给用户下载的数据。

■当用户需要的产品级别是上述归档的级别,直接选择相应的产品级别,然后查询即可! ■当用户需要的产品级别不是上述归档的级别,就需要进行生产.本系统提供GF-1卫星和ZY3卫星2A级的生产产品,ZY1-02C卫星2C级的生产产品,在选择需要的级别查询后,无论有没有数据,在查询结果页上方有一个“查询0级景”按钮,点击此按钮后,进行数据查询,如果有数据,选择需要的产品直接订购,即可选择需要的产品级别。 国产卫星 一、GF-3(高分3号) 1.简介 2016年8月10日6时55分,高分三号卫星在太原卫星发射中心用长征四号丙运载火箭成功发射升空。 高分三号卫星是中国高分专项工程的一颗遥感卫星,为1米分辨率雷达遥感卫星,也是中国首颗分辨率达到1米的C频段多极化合成孔径雷达(SAR)成像卫星,由中国航天科技集团公司研制。 2.数据时间 2016年8月10日-现在 3.传感器 SAR:1米 二、ZY3-02(资源三号02星) 1.简介 资源三号02星(ZY3-02)于2016年5月30日11时17分,在我国在太原卫星发射中心用长征四号乙运载火箭成功将资源三号02星发射升空。这将是我国首次实现自主民用立体测绘双星组网运行,形成业务观测星座,

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

遥感信息智能化提取方法

遥感信息智能化提取方法 目前,大部分遥感信息的分类和提取,主要是利用数理统计与人工解译相结合的方法。这种方法不仅精度相对较低,效率不高,劳动强度大,而且依赖参与解译分析的人,在很大程度上不具备重复性。尤其对多时相、多传感器、多平台、多光谱波段遥感数据的复合处理,问题更为突出。在遥感影像相互校正方面,一些商业化的遥感图像处理软件,虽然提供了简单的影像相互校正和融合功能,但均是基于纯交互式的人工识别选取同名点,不仅效率非常低,而且精度也难于达到实用要求。因此,研究遥感信息的智能化提取方法对于提高遥感信息的提取精度和效率具有重要意义。 1.遥感图像分类 遥感图像分类是遥感图像处理系统的核心功能之一,它实现了基于遥感数据的地理信息提取,主要包括监督分类,非监督分类,以及分类后的处理功能。非监督分类包括等混合距离法分类(Isodata)等。监督分类包括最小距离(Minimum Distance)分类、最大似然(Maximum Likehood)分类、贝叶斯(Bayesian)分类、以及波谱角分类、二进制编码分类、AIRSAR散射机理分类等。 自动分类是计算机图像处理的初期便涉及的问题。但作为专题信息提取的一种方法,则有其完全不同的意义,是从应用的角度赋予其新的内容和方法。传统的遥感自动分类,主要依赖地物的光谱特性,采用数理统计的方法,基于单个像元进行,如监督分类和非监督分类方法,对于早期的MSS这样较低分辨率的遥感图像在分类中较为有效。后来人们在信息提取中引入了空间信息,直接从图像上提取各种空间特征,如纹理、形状特征等。其次是各种数学方法的引进,典型的有模糊聚类方法、神经网络方法及小波和分形。 近年来对于神经网络分类方法的研究相当活跃。它区别于传统的分类方法在于:在处理模式分类问题时,并不基于某个假定的概率分布,在无监督分类中,从特征空间到模式空间的映射是通过网络自组织完成的,在监督分类中,网络通过对训练样本的学习,获得权值,形成分类器,且具备容错性。人工神经网络 (ANN) 分类方法一般可获得更高精度的分类结果,因此 ANN方法在遥感分类中被广泛应用,特别是对于复杂类型的地物类型分类,ANN 方法显示了其优越性。如 Howald(1989)、McClellad(1989)、 Hepner(1990)、T.Yosh ida(1994)、K.S.Chen(1995)、J.D.Paola(1997) 等利用 ANN 分类方法对 TM 图像进行土地覆盖分类,在不同程度上提高了分类精度;Kanellopoulos(1992) 利用 ANN方法对 SPOT 影像进行了多达20类的分类,取得比统计方法更精确的结果;G.M.Foody(1996)用ANN对混合像元现象进行了分解;L.Bruzzone 等 (1997) 在 TM-5 遥感数据、空间结构信息数据、辅助数据(包括高程、坡度等)等空间数据基础下,用 ANN 方法对复杂土地利用进行了分类,比最大似然分类法提高了 9% 的精度。与统计分类方法相比较,ANN 方法具有更强的非线性映射能力,因此,能处理和分析复杂空间分布的遥感信息。2.基于知识发现的遥感信息提取

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

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。

遥感专题讲座——影像信息提取(四、面向对象特征提取)

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。 类型基本原理影像的最小单元适用数据源缺陷 传统基于光谱的分类方 法地物的光谱信息 特征 单个的影像像元 中低分辨率多光谱 和高光谱影像 丰富的空间信息利 用率几乎为零 基于专家知识决策树根据光谱特征、空 间关系和其他上 下文关系归类像 元 单个的影像像元多源数据知识获取比较复杂 面向对象的分类方法几何信息、结构信 息以及光谱信息 一个个影像对象 中高分辨率多光谱 和全色影像 速度比较慢

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。

改进CV模型在高分辨率遥感影像分割中的应用

改进CV模型在高分辨率遥感影像分割中的应用 许文宁;梅树立;王鹏新;杨勇 【期刊名称】《农业机械学报》 【年(卷),期】2011(042)003 【摘要】An improved CV model was presented according to the characters and the segmentation requirements of the remote sensing images. The correctness of the improved model was validated by the experiment. The results show that the new method can improve calculation efficiency effectively. Beside this, a continuous and closed boundary curve of the target objects can be obtained at the same time. Therefore, the land cover can be identified precisely with the help of the geometrical characteristic of the segmentation boundary.%针对遥感图像的特点及分割要求给出了一种CV简化模型,并对改进模型的正确性进行了实验验证.实验结果表明,该方法不但提高了运算速度,而且能够得到连续封闭的目标地物矢量数据,因此可方便地利用分割边界的几何特征实现地物目标的精确识别.【总页数】4页(180-183) 【关键词】遥感图像;区域分割;CV模型;应用 【作者】许文宁;梅树立;王鹏新;杨勇 【作者单位】中国农业大学信息与电气工程学院,北京,100083;中国农业大学信息与电气工程学院,北京,100083;中国农业大学信息与电气工程学院,北京,100083;中国农业机械化科学研究院,北京,100083 【正文语种】中文

IKONOS卫星遥感影像解译数据分辨率是多少

IKONOS卫星遥感影像解译数据分辨率是多少? IKONOS卫星简介 IKONOS为美国DigitalGlobe公司的高分辨率遥感卫星,于1999年09月24日发射,其影像分辨率达0.82米,为全球首颗提供1米以下分辨率的商用光学卫星,揭开了高分辨率卫星影像的时代。--广西善图科技。 IKONOS卫星基本参数

IKONOS卫星影像样片 IKONOS卫星影像 IKONOS卫星影像 卫星遥感数据分类: 一、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、高景一号 4.0.6米:quickbird、锁眼卫星 5.1米:ikonos、高分二号、kompsat、deimos、北京二号 6.1.5米:spot6、spot7、锁眼卫星 7.2.5米:spot5、alos、资源三号、高分一号(4颗)、高分六号、锁眼卫星 8.5米:spot5、rapideye、锁眼卫星、planet卫星4米

9.10米:spot5、spot4、spot3、spot2、spot1、Sentinel-卫星 10.15米:landsat5(tm)、landsat(etm)、landsat8、高分一号16米 二、卫星类型 1.光学卫星:spot2、spot3、spot4、spot5、spot6、spot7、worldview1、worldview2、worldview3、worldview4、quickbird、geoeye、ikonos、pleiades、deimos、spot1、kompsat系例、landsat5(tm)、Sentinel-卫星、landsat(etm)、rapideye、alos、kompsat系例卫星、planet卫星、高分一号、高分二号、高分六号、北京二号、高景一号、资源三号、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) 4.高光谱类卫星:高分五号、环境小卫星、ASTER卫星、EO-1卫星 三、卫星国籍 1.美国:worldview1、worldview2、worldview3、quickbird、geoeye、ikonos、landsat5(tm)、landsat(etm)、锁眼卫星、planet卫星 2.法国:pleiades、spot1、spot2、spot3、spot4、spot5、spot6 3.中国:高分一号、高分二号、高分六号、高景卫星、北京二号、资源三号等 4.德国:terrasar-x、rapideye 5.加拿大:radarsat-2 四、卫星发射年份 1.1960-1980年:锁眼卫星(0.6米分辨率至10米) 2.1980-1990年:landsat5(tm)、spot1 3.1990-2000年:spot2、spot3、spot4、landsat(etm)、ikonos 4.2000-2010年:quickbird、worldview1、worldview2、spot5、rapideye、radarsat-2、alos 5.2010-至今:高分一号、高分二号、高分三、高分四、高分五、高分六号、高分七、spot6、spot7、资源三号、worldview3、worldview4、pleiades、高景卫星、planet卫星

遥感卫星影像数据信息提取.

北京揽宇方圆信息技术有限公司 、 遥感卫星影像数据信息提取 北京揽宇方圆信息技术有限公司中科院企业,卫星影像数据服务全国领先。业务包括遥感数据获取与分发、遥感数据产品深加工与处理。按照遥感卫星数据一星多用、多星组网、多网协同的发展思路,根据观测任务的技术特征和用户需求特征,重点发展光学卫星影像、雷达卫星影像、历史卫星影像三个系列,构建由 26个星座及三类专题卫星组成的遥感卫星系统,逐步形成高、中、低空间分辨率合理配置、多种观测技术优化组合的综合高效全球观测和数据获取能力形成卫星遥感数据全球接收与全球服务能力。 (1光学卫星影像系列。 面向国土资源、环境保护、防灾减灾、水利、农业、林业、统计、地震、测绘、交通、住房城乡建设、卫生等行业以及市场应用对中、高空间分辨率遥感数据的需求,提供 worldview1、worldview2、worldview3、worldview4、quickbird、geoeye、 ikonos、pleiades、spot1、spot2、spot3、spot4、spot5、spot6、spot7、landsat5(tm、 landsat(etm、 rapideye、alos、Kompsat 卫星、北京二号、资源三 号、高分一号、高分二号等高分辨率光学观测星座。围绕行业及市场应用对基础地理信息、土地利用、植被覆盖、矿产开发、精细农业、城镇建设、交通运输、水利设施、生态建设、环境保护、水土保持、灾害评估以及热点区域应急等高精度、高重访观测业务需求,发展极轨高分辨率光学卫星星座,实现全球范围内精细化观测的数据获取能力。像国产的中分辨率光学观测星座。围绕资源调查、环境监测、防灾减灾、碳源碳汇调查、地质调查、水资源管理、农情监测等对大幅宽、快速覆盖和综合观测需求,建设高、低轨道合理配置的中分辨率光学卫星星座,实现全球范围天级快速动态观测以及全国范围小时级观测。

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 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.doczj.com/doc/8314858711.html,。

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。

一种改进的高分辨率遥感影像分割方法

第35卷第3期 地球科学———中国地质大学学报 Vol.35 No.32010年5月 Earth Science —Journal of China University of G eosciences May 2010 doi :10.3799/dqkx.2010.050 基金项目:教育部新世纪优秀人才计划资助项目(No.NCET 20720772);国家重点“863”项目(No.2007AA120503). 作者简介:高伟(1980-),男,博士生,主要从事遥感数据处理与信息提取的科研和教学工作.E 2mail :cuggaowei @hot https://www.doczj.com/doc/8314858711.html, 一种改进的高分辨率遥感影像分割方法 高 伟1,2,刘修国1,2,彭 攀1,2,陈启浩1,2 1.中国地质大学信息工程学院,湖北武汉430074 2.地理信息系统软件及其应用教育部工程中心,湖北武汉430074 摘要:分形网络演化算法是面向对象的遥感影像分类中比较成熟的一种构建对象的算法,但在分割效率上有待进一步提高, 而四叉树分割是一种高效的图像分割方法.提出了一种基于四叉树预分割的分形网络演化构建对象的方法.实验证明,该方法基本不影响影像分割的效果,而且提高了形成初始对象的效率,较大程度上提高了整体的分割效率.关键词:影像分割;分形网络演化;高空间分辨率;四叉树;地理信息系统.中图分类号:TP311 文章编号:1000-2383(2010)03-0421-05 收稿日期:2010-01-15 An Improved Method of High 2R esolution R emote Sense Image Segmentation GAO Wei 1,2,L IU Xiu 2guo 1,2,PEN G Pan 1,2,CH EN Qi 2hao 1,2 1.Facult y of I nf ormation Engineering ,China Uni versit y of Geosciences ,W uhan 430074,China 2.Engineering Research Center f or GIS S of t w are and A p plications ,Minist ry of Education ,W uhan 430074,China Abstract :Fractal net evolution approach (FN EA )is a relatively mature one among the object 2oriented image segmentation algo 2rithms ,but its efficiency is to be improved.Quad 2Tree segmentation is a kind of effective image segmentation method.In this paper ,an improved object oriented multi 2scale image segmentation method based on the quad 2tree pre 2segmentation and FN EA is introduced.The experiment shows that the effect of its segmentation result is almost the same as that of traditional FN EA method.Moreover ,It saves time. K ey w ords :image segmentation ;f ractal net evolution approach ;high 2nesolution remote sense ;quad 2tree ;geographic informa 2tion system (GIS ). 0 引言 近年来,以I KONOS 和Quick 2Bird 为代表的高空间分辨率遥感影像得到广泛应用(高伟,2006).高分辨率遥感影像具有丰富的空间信息,地物几何结构和纹理信息,便于认识地物目标的属性特征,如地物的图层值、形状、纹理、层次和专题属性,有助于提高地物定位和判读精度,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.为土地利用、城市规划、环境监测等民用方面提供了更便利、更详细的数据源.高分辨率影像的广泛应用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(Chen et al .,2009). 面向对象的高分辨率遥感影像的分类方法不仅利用地物的光谱信息,而且更多地利用几何信息和结构信息,可以结合其他空间知识和上下文信息来进行更为深入的分类,使得对高分辨率影像的分类更为合理和有效,这成为高分辨率影像信息提取的重要方法之一(Blaschke and Hay ,2001;陆关祥等,2002).在面向对象高分辨率影像的信息提取中,对遥感图像进行分割,形成具有一定特征相似性的影像区域,是实现从影像上进行地物目标计算机自动提取的第一步. 目前分形网络演化算法(Baatz and Schape ,

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

相关主题
相关文档 最新文档