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/b210096823.html,。
谱信息相对不足，影响分割的主要因素是数据量大、空间变异性高，再加上对高分影像的分析与理解需要从不同的尺度着手，因此分割的语义、尺度、效率、精度和可重复性是需要解决的问题，另外分割结果的客观评价也是尚未解决的问题之一。本文注重于高分影像分割方法体系和分割应用策略的研究现状总结，在此基础上提出目前遥感影像分割研究的热点及其发展趋势。
2 遥感影像分割方法与分析
据不完全统计，到目前为止至少发展了超过1000多种的分割方法[3]。遥感影像分割方法总的来说可分为自上而下的知识驱动和自下而上的数据驱动两大类。知识驱动型是指在分割时根据待分割对象的先验模型以及知识规则来指导分割过程。数据驱动型则根据高分影像数据自身的特征直接对图像数据进行分割，本文则属于后者范畴。
若根据待分割图像波段数的不同，分割方法可以分为灰度图像分割、彩色图像分割或多波段图像分割（遥感影像一般为此类，而灰度和彩色图像分割可认为是多波段图像分割的特例）。然而更多的学者则倾向于从分割方法的原理入手来分类图像分割方法[4-7]。例如，文献[4]将图像分割方法分为三类，即特征阈值或聚类，边缘检测和区域提取。文献[5]将图像分割方法分为阈值法，边缘检测法，统计学方法，结合区域与边界信息的方法。文献[6]将分割方法分为直方图阈值法，特征空间聚类法，边缘检测法，基于区域的方法，人工神经网络方法，基于模糊集理论的方法，物理方法以及上述方法的混合。文献[7]将分割方法分为并行边界或区域以及串行边界或区域四大类分割方法。在总结前人的研究成果之上，并考虑到遥感影像处理领域的特点，可将高分影像的分割方法分为基于像元的分割方法（阈值法，聚类法），基于边缘检测的分割方法，基于区域的分割方法和基于物理模型的分割方法，而结合特定数学理论和工具（如数学形态学、模糊数学、小波变换、人工神经网络等）的影像分割可认为是在这些分割方法上的进一步推广和发展。目前，对多波段遥感影像的分割基本上是灰度图分割方法在不同的色彩空间中的扩展应用，所以在总结灰度图像分割方法的基础上，再讨论对多波段遥感影像的分割方法。
2.1 基于像元的分割方法与分析
⑴阈值法
阈值法[9]是图像分割算法中数量最多的一类。其基于这样的假设，图像是由具有不同灰度级的区域所组成的，图像直方图被一定数量的峰所分割，每一个峰对应了一组区域，两个相邻的峰之间存在着一个谷，它对应了一个阈值[6]。根据阈值选取本身的特点可将阈值算法分为基于各像素值的阈值、基于区域性质的阈值和基于坐标位置的阈值三类[3]，见图1。
阈值法分割实现简单,不需要先验知识,算法容易设计且执行速度快；当目标区域的灰度值或其它特征相差很大时，它能有效地对图像进行分割。但当图像直方图中没有明显的峰或者谷底宽平时，或者图像中不存在明显灰度差异、灰度范围有较大重叠的时候，阈值分割就难以获得准确的结果[8]。在实际应用中由于阈值方法仅考虑了灰度属性值，忽略了像元的空间信息故而抗噪能力较差，对图像过渡区分割效果并不理想。阈值法在彩色图像分割中有一定的应用[10],在此需要扩展到多波段遥感影像中，但多维特征空间中该方法将更加复杂。
⑵聚类法
利用特征空间聚类的方法进行图像分割可认为是对阈值分割概念的推广。如果将像元的特征视为模式，则图像分割可视为一聚类过程[11]。它将图像空间中的像元用其对应的特征空间点（模式）表示，通过将特征空间中的点聚集成团而形成单独的簇或类，再将它们映射回原图像空间以形成分割结果[3]。
该种方法的好处是容易实现，利用非监督方式实现分类，并可用基于概率模型[27]的方法改良算法。
但获得关于簇的精确个数通常是极其困难的，并且同样是由于没有考虑像元的空间信息，容易产生分割区域不连通的情况。此外，由于聚类一般是全局算法，故调整类与区域的关系也比较复杂。目前，对彩色图像的聚类分割方法较多[6-7]，其中K-均值、模糊C-均值等是最常用的分类方法。但对于多波段高分影像而言，在多维特征空间进行有效的聚类分割仍将是一个难题。兼顾聚类方法的理论内涵和算法实现，可将聚类方法分为系统聚类法、分割聚类法和模糊聚类法三大类[12]，见图2。
2.2 基于边缘检测的分割方法与分析
基于边缘检测的方法主要利用像元特征在区域边界处的不连续性来分割图像，分为并行和串行两种方法[3],见图3。并行边缘检测的过程主要是，首先利用检测方法[13]确定所有的边缘点，再用一定的方法将边缘点组成目标边界。串行边缘检测的基本思想是，首先确定起始边缘点，再按一定的搜索策略顺序检测图像中的边缘点并将它们连接成轮廓，从而构成分割区域；其中连接策略一般有边缘点检测与连接交叉进行或先进行边缘点检测再连接两种情况。对于彩色图像的分割[14-16]，边界信息的含义要比灰度图像丰富很多[17]，例如具有相同色相但亮度差异悬殊的边界可以在图像中被检测出来[18]。显然，边界的亮度、色相和饱和度信息间的相关性很高，单独考虑并不能给图像分割带来良好的效果；如何将彩色分割方法扩展到多波段遥感图像的分割仍然具有一定的困难。
边缘检测方法符合人类的认知习惯，当图像各区域之间的对比明显时，该方法常能取得较好的效果。但抗噪能力较差，当边界较为模糊或者边界过多的时效果不佳，且生成一个封闭的边界也并非易事。在实际应用中基于边缘检测法的难点在于解决边缘检测时抗噪性和检测精度的矛盾[8]。若提高检测精度，则噪声产生的伪边缘会导致不合理的轮廓；若提高抗噪性，则会产生轮廓漏检和位置偏差。为改善边缘检测法，学者们提出了多种改进方法[19]，但仍不能从根本上克服此矛盾。
图1 阈值法 图2聚类法 图3基于边缘的方法 图4 基于区域的方法
Fig 1 thresholding methods Fig 2 clustering methods Fig 3 edge based methods Fig 4 region based methods
2.3 基于区域的分割方法与分析
基于区域的方法主要利用区域内象素特征的相似性[20-21]来分割图像，该类方法主要包括区域增长和区域分裂与合并两种方法[22-26],见图4。区域增长方法从若干种子点或种子区域出发，按照一定的相似性准则，对邻域像元进行判别并连接，重复上述过程直至图像中的所有像元被归并到相应的区域中,而与区域增长相关的关键问题是种子点的选择和生长准则的确定。在区域分裂方法中，起始的种子区域就是整幅图像，如果种子区域同质性程度较差则被分裂为若干子区域，这些子区域成为新的种子区域，重复上述过程直至所有的子区域都是同质的。一般合并方法常常与区域增长或区域分裂方法结合起来应用[27-28]。 基于区域的方法具有抗噪能力强，得到的区域形状紧凑，无需事先声明类别数目，容易扩展到多波段等优点[6]。此外，区域增长法对复杂场景进行分割时很有用，在自然景物的分割方面亦显示较佳的性能。
基于区域的方法时空开销较大，在确定种子点和区域同质性标准时比较困难，需设法给予改进。
2.4 基于物理模型的分割方法与分析
从遥感成像过程来看,图像数据取决于地表特征、大气、光照以及成像设备等因素,描述这种关系的模型即称为图像的物理模型，分为物理光学和几何光学两种类型。物理光学模型利用波动方程描述光的入射与反射特性，具有严格的解析意义，但过于复杂而不便应用[29]；几何光学模型采用反射与折射定律并进行了简化,是图像物理模型的主要应用形式,其中最著名的是Shafer提出的二分光反射模型[30]。
高分影像由于其细节信息表现能力突出，使得细小目标、地物的纹理和阴影、光斑等干扰因素的影响愈加突出，并且由于同类地物甚至同一地物的光谱响应变异随着空间分辨率的提高而增加，高分影像上“同物异谱”、“异物同谱”的现象非常普遍，给相关地物目标的分割带来了极大的难度。而基于物理模型的分割能够识别阴影、光斑和描述地物表面的朝向，并获得精确的分割边界[31]，有望解决遥感影像中的“同物异谱”、“异物同谱”现象；但现有的基于物理模型的分割方法[32]都具有一定的约束条件，如光照条件要求高，成像物体表面的反射特性已知、易于建模等，相对于遥感影像其应用具有很大的挑战性。尽管如此，图像的物理模型改变了图像处理依赖于低层次特征和统计信号处理的局限性,而且能够在分割的同时得到关于分割场景的物理解释,是一个值得重视的研究方向[8]。
2.5 结合特定数学理论和技术的分割方法与分析
结合特定数学理论和技术的影像分割如数学形态学、模糊技术、小波变换、神经网络等，可认为是在前述分割方法上的进一步推广和发展。目前遥感影像分割尚无自身的理论基础，鉴于高分影像其特殊的影像特征，更需引入新的理论和方法来求得分割效果的改善。
数学形态学[33]是一种分析几何形状和结构的数学方法，由一组代数算子（腐蚀、膨胀、开、闭）组成。由于其具有完备的数学基础，以逐渐成为分析图像几何特征的有力工具，但该方法一般适用于单波段图像处理，在此需扩展到多波段遥感图像处理。
模糊技术[34]提供了一种有效解决图像分割中不确定性的新机制，主要包括模糊算子、模糊集、模糊逻辑、模糊测度等。其利用隶属度函数来判断每个像素的归属问题，避免了过早做出像素归属的判定，为下一级的处理保留更多的信息，以便得出更好的分割结果[35]，但隶属度函数及成员的确定比较麻烦且算法复杂度相对较高[36]。对于高分影像的分割而言，模糊技术的引入有着广阔的应用前景。
小波变换[37]是一个新的数学分支,包括小波分解和小波重构。小波变换通过空间和频率的局域变换，以及伸缩和平移等运算对函数或信号进行多尺度的细化分析，最终达到高频处时间细分，低频处频率细分,从而为不同尺度上信号分解和表征提供了精确和统一的框架。利用小波变换进行遥感影像分割在提取图像纹理和边缘特征时有一定的应用[38-39]；研究还发现[8]，利用小波变换可在缩小图像尺寸的同时，较好地保持图像结构信息，故不失为一种良好的降低遥感影像分割计算代价的预处理方法。目前，在小波、Ridgelet 及Curvelet变换的基础上发展起来的Contourlet变换[49]是该领域研究的热点。
神经网络[40]广泛的应用于模式识别、图像处理等领域，主要包括Hopfield神经网络[41]、自组织神经网络[42]、反向传输神经网络[43]等方法；因其具有非线性以及并行和分布式存贮与处理能力而特别适合于解决聚类和分类等问题。神经网络方法的出发点是将图像分割问题转化为诸如能量最小化、分类等问题,
即先利用训练样本集对ANN 进行训练,再用训练好的ANN 去分割新的图像；另外,由于神经网络中存在大量的连接,因此容易引入空间信息[44]。其不足是初始化有可能影响分割结果、需要大量的训练样本集且训练时间过长[6]；相对于高分影像而言，难以达到大数据量处理以及非监督分类的要求。
3 高空间分辨率遥感影像分割的应用策略
基于数据驱动型的高分影像的分割策略必须充分考虑到其数据本身的特点，以及上述各方法的适用范围以及应用领域的特色。一般而言，理想的高分影像分割方法应具有以下特征，能有效处理多波段数据及纹理区域、非监督自适应性、多尺度及相应于该尺度下有效的语义理解、分割精度高、速度较快等。就目前的研究现状而言，基于数据驱动型的高分影像分割主要有输出融合和多维统一两种策略。输出融合策略一般首先对原始高分影像进行预处理（如去噪、配准、融合等），经特征抽取得到每一波段的特征图像（如梯度图）；对特征图采用一定的分割方法予以分割，再将各波段分割结果经匹配等处理后得到结果。该策略实质上仍是沿用了类似于灰度图的分割方法来对高分影像进行处理,分割时能充分利用各波段的亮度信息、细节特征表现充分[45]，但波段间联系较少。其难点在于如何选取有效的匹配策略将各波段分割结果合并成最终统一的结果。多维统一策略对预处理后的高分影像进行
转换，得到同质性（或异质性）测度图像，再采用某种分割方法予
以分割，得到最终的分割结果。如何获得有效的测度图像以及实现
对于有机联系的多波段数据在多尺度及相应于该尺度下有效的语义
理解的分割是该策略的难点所在。由于高分影像的分割方法一般要
能处理多波段数据，而波段数的增加将不可避免的增加算法和时间
复杂度，故对于多维统一策略而言降维并借鉴彩色图像现有的分割
方法（图5[6]）显得尤为可取。 ４ 结语
时至今日遥感影像分割依然是面向对象的图像分析与理解环节中的难点之一。本文对近年来国内外遥感影像分割研究进行了比较分析，得出目前遥感影像分割通常采用集成的分割方法。代表性的主要有基于区域和边界[46]、光谱和形状[47]以及光谱和纹理[48]信息的集成等。此外，基于区域的分割方法仍是遥感影像分割方法的主流，其中分水岭分割方法倍受学者们的重视，但这种方法也存在一定的局限，如分割参数人为设置的不当很容易产生过分割现象。同样商业化eCognition 软件的多尺度分割算法[47]对于不同的影像分割任务，其分割参数规律的获取亦停留在实验阶段，分割效果也不是很理想。因此如何更多地从图像自身的性质出发来提高分割方法的自适应性和有效性，减少人工参与程度成为后续工作的重点。
新的数学理论、方法和先验知识的引入有助于图像分割研究问题的深入理解和有效解决。例如，基于多分辨率分析的小波方法，不但为遥感影像的纹理分析提供了便利，也是一种良好的降低遥感影像分割计算代价的预处理方法，为遥感影像的多尺度分割提供了可能；而在小波等方法基础上发展起来的Contourlet 变换是目前该领域的研究热点。此外，模糊技术提供了一种有效解决图像分割中不确定性的新机制，尽管其计算复杂度比较高，但模糊技术有着其在处理不确定性方面十分优越的特性，将受到越来越多的关注。
最后需要指出的是，目前大多数分割方法是基于灰度图的，彩色图像的分割效果也不是十分理想[6]；如何将现有的分割方法加以扩展来适应多光谱高分影像的分割是后续研究的重点。
图5 彩色图像分割方法 Fig 5 color image segmentation
methods
参考文献
1宫鹏，黎夏，徐冰．高分辨率影像解译理论与应用方法中的一些研究问题．遥感学报，2006，10（1）：1～5．
2M. Baatz, A. Sch?pe. Multiresolution Segmentation–an Optimization Approach for High Quality Multi-scale Image Segmentation. In: STROBL, J. et al. (Hrsg.): Angewandte Geographische Information sverarbeitung XII. Beitr?ge zum AGIT-Symposium Salzburg 2000, Karlsruhe, Herbert Wichmann Verlag, Page(s):12～23.
3章毓晋.图像分割[M].北京:科学出版社,2000.
4K. S. Fu. J. K. Mui. A survey on image segmentation. Pattern Recognition, 1981, 13:3～16.
5Wladyslaw Skarbek, Andreas Koschan.Colour Image Segmentation-A Survey.October, 1994.
6H.D.Cheng, X.H.Jiang, Y. Sun. J. Wang. Color image segmentation: advances and prospects. Pattern Recognition, 2001, 34(12):2259～2281.
7Yu-Jin Zhang. Advances in Image and Video Segmentation: An Overview of Image and Video Segmentation in the Last 40 Years.2006.
8陈秋晓.高分辨率遥感影像分割方法研究[D].中国科学院研究生院博士学位论文.2004.
9Mehmet Sezgin. Bulent Sankur. Survey over image thresholding techniques and quantitative performance evaluation. Journal of Electronic Imaging, 2004, 13(1):146～165.
10Bonsiepen L. Coy W .Stable segmentation using color information. In Computer Analysis of Images and Patterns, ed. R. Klette, Proc.of CAIP'91, Dresden, September 17～19, 1991, Page(s):77～84.
11陈秋晓.改进的RPCCL聚类方法及在遥感影像分割中的应用.计算机工程与应用,2005,34:221-223.
12毛政元,李霖.空间模式的测度及其应用[M].科学出版社,2004.
13J.Canny, A computational approach to edge detection, IEEE Trans.Pattern Anal.Mach.Intell.PAMI 8, 1986, Page(s): 679～698. 14Androutsos, P.; Androutsos, D.; Plataniotis, K.N.; Venetsanopoulos, A.N.; Color edge detectors: an overview and comparison.
Electrical and Computer Engineering, 1997. IEEE 1997 Canadian Conference on Volume 2, 25～28, May 1997 Page(s):607～610.
15Ruzon M.A., Tomasi C. Color edge detection with the compass operator. Computer Vision and Pattern Recognition, 1999.
IEEE Computer Society Conference on.Volume 2,1999,Page(s):.23～25.
16Koschan A, Abidi M. Detection and classification of edges in color images. Signal Processing Magazine.IEEE Volume 22, Issue 1, 2005, Page(s):64～73.
17Nevada. A color edge detector and its use in scene segmentation. IEEE Trans. System Man Cybernet.1977, SMC～7 (11): 820～826.
18P.E.Trahanias, A.N. Venetsanopoulos. Vector order statistics operators as color edge detectors. IEEE Trans. Systems Man Cybernet.1996, Part B: Cybernetics, 26(1): 135～143.
19Lian Yishao, Bu Jiajun, Chen Chun. A novel image segmentation algorithm based on convex polygon edge detection.TENCON 2004. 2004 IEEE Region 10 Conference Volume B, 21～24, Vol.2 Nov.2004, Page(s):108～111.
20H.D.Cheng, Y.Sun. A hierarchical approach to color image segmentation using homogeneity. IEEE Trans. Image Process.2001, in press.
21G.M.ESPINDOLA, G.CAMARA, etc. Parameter selection for region-growing image segmentation algorithms using spatial autocorrelation. International Journal of Remote Sensing, 2006, 27(14):3035～3040.
22 F. Meyer, S. Beucher. Morphology segmentation. J. Visual Comm. And Image Representation, 1990, 1(1):21～46.
23L.Vincent, P.Soille. Watershed in digital spaces: an efficient algorithm based on immersion simulations. IEEE Trans. Patt. Anal.
And Mach.Int. 1991, 13(6):583～598.
24P. De Smet, R. L. Pires. Implementation and analysis of an optimized rain falling watershed algorithm. Proc.SPIE, 2000, 3974:759～766.
25Yu Yuan, Barner, K. Color Image Segmentation Using Watersheds and Joint Homogeneity-Edge Integrity Region Merging Criteria. Image .8～11 Oct.2006, Page(s):1117～1120.
26R. Ohlander, K. Price, D.R. Reddy. Picture segmentation using a recursive region splitting method, Compute. Graphics Image Process, 1978, 8: 313～333.
27Tremeau, N. Borel. A region growing and merging algorithm to color segmentation. Pattern Recognition, 1997, 30(7):1191～1203.
28陈秋晓，陈述彭, 周成虎. 基于局域同质性梯度的遥感图像分割方法及其评价.遥感学报.2006，10（3）：357～365. 29Nayar S K, Ikeuchi K, Kanade T. Suface Reflection: Physical and Geometrical Perspectives. IEEE Trans. Pattern Analysis and Machine Intelligence, 1991, 13(7): 611～634.
30Shafer S A. Using Color to Separate Reflection Components. Color Research and Application, 1985, 10:210～218.
31S.A.Shafer, T.Kanade. Using shadows in finding surface orientations. Comput. Vision Graphics Image Process.1983, 22:145～176.
32Lucchese.L, Mitra.S.K. Advances in color image segmentation. Global Telecommunications Conference, 1999.GLOBECOM '99 Volume 4:2038～2044.
33Bosworth.J.H. Acton.S.T. Morphological image segmentation by local monotonicity. Signals Systems and Computers, Conference Record of the Thirty-Third Asilomar Conference on 24～27 Oct.1999, Volume 1:53～57.
34Caillol H., Hillion A., Pieczynski W. Fuzzy random fields and unsupervised image segmentation. Geoscience and Remote Sensing, IEEE Transactions on July 1993, 31(4):801～810.
35H.D.Cheng, J. Li. Fuzzy homogeneity and scale space approach to color image segmentation. International Conference on Computer Vision, Pattern Recognition and Image Processing, Atlantic City, February 27-March 3, 2000.
36Borji A., Hamidi, M. CLPSO-based Fuzzy Color Image Segmentation. North American Fuzzy Information Processing Society, 2007. NAFIPS '07. Annual Meeting of the 24～27 June 2007, Page(s):508～513.
37崔锦泰[美].小波分析导论.程正兴译.西安交通大学出版社,1995.
38张晓东，李德仁等.atrous小波分解在边缘检测中的应用.武汉大学学报·信息科学版, 2001，26（1）：29～33.
39Acharyya M., De R.K., Kundu M.K. Segmentation of remotely sensed images using wavelet features and their evaluation in soft computing framework. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(12):2900～2905.
40M. Egmont-Petersena D. de Ridderb, H. Handelsc. Image processing with neural networks—a review. Pattern Recognition, 2002, 35:2279～2301.
41Uscumlic Marija, Reljin Irini, Dujkovic Dragi. Improvements in Image Segmentation by Applying Hopfield Neural Networks.
Neural Network Applications in Electrical Engineering, NEUREL 2006.8th Seminar on 25～27 Sept.2006, Page(s):37～40.
42Y. S. Lo, S. C. Pei. Color image segmentation using local histogram and self-organization of Kohonen feature map, International Conference on Image Processing, KOBE, Japan, October 24～28, 1999, Page(s):232～239.
43Muhammed H.H. Unsupervised fuzzy clustering and image segmentation using weighted neural networks. Image Analysis and Processing.Proceedings.12th International Conference on 17～19 Sept.2003, Page(s):308～313.
44Huang C L. Parallel image segmentation using modified Hopfield model [J]. Pattern Recognition Letters, 1993, 13(5): 345-353. 45刘永学, 李满春.基于边缘的多光谱遥感图像分割方法.遥感学报，2006，10（3）:350～356.
46X. Mu?oz, J. Freixenet, X. Cufí, J. Martí. Strategies for image segmentation combining region and boundary information.
Pattern Recognition Letters, 2003, 24:375～392.
47eCognition User Guide, 2002,http:\\https://www.doczj.com/doc/b210096823.html,.
48Yining Deng. B.S. Manjunath. Unsupervised Segmentation of Color-Texture Regions in Images and Video. IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, 2001, 23(8):800～810.
49Do M N , Vetterli M. The contourlet transform: An efficient diectional multiresolution image representation [J]. IEEE Trans.
Image Processing, 2005, 14 (12): 2091-2106.
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。
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
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
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 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。
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/b210096823.html,。
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
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
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/b210096823.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 ,
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。
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 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] 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 高分辨率遥感影像信息数据的获取 摘要 随着空间技术的不断发展，空间遥感活动中所使用的遥感器的工作波段得到了充分扩展，空间分辨率也在迅速的提高，同时遥感影像的数据量也在成几何倍数地增加。面向对象的遥感信息提取技术是最近几年才发展起来的遥感图像解译新方法，与以往采用面向图像基元的图像解译不同，它是以影像中的像素集合为分析对象，通过对各对象的特征分析进行信息提取。 关键词:高空间分辨率;面向对象 1遥感信息提取的概念 所谓遥感信息提取是指从海量、不完全的、有噪声的、模糊的、随机的实际应用遥感影像数据中提取出蕴涵在其中的大量的对用户有用的信息例如建筑物、植被、温度等，并将其形成结构化的数据放入数据库中或以其它形式提供给用户查询使用的过程。 2高分辨率遥感影像信息数据获取与特点 2.1遥感影像信息获取方式的发展 遥感技术的发展经历了四个阶段:无记录的地面遥感阶段、有记录的地面遥感阶段、空中摄影遥感阶段、航天遥感阶段。 20世纪年代70初，美国成功发射了世界上第一颗地球资源卫星Landsat-1，此卫星传感器所获得的MSS影像数据空间分辨率为88米。其后Landsat-2、3、4、5相继发射，所获得的影像数据空间分辨率为30米，SPOT卫星发射成功，可见光传感器的地面分辨率提高到10米。长期以来，航天影像测图一直局限在中小比例尺的水平，这与国土资源监测、城市规划、城市管理和工程建设等领域对大比例尺地图越来越迫切的需求存在很大的供求不平衡性，发展高空间分辨率对地观测技术势在必行。 当前，高分辨率遥感卫星的成功发射，高分辨率遥感卫星影像获取技术的高速发展，让我们能够获得更多的信息，但是，如何使用和处理这些数据并成功运用到具体的实际当中去成为当前急待解决的问题。目前已有许多学者开发出了许多遥感信息处理系统，并取得了成功，但是在影像的自动信息提取方面还是远远不能满足实际当中的需要，因此，提高信息的提取速度以及尽可能多的提取出有用的信息是遥感数据处理领域最重要的研究方向。 2.2高分辫率遥感影像的特点 高空间分辨率遥感影像与低空间分辨率遥感影像相比具有以下特点: 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作业2 高空间分辨率遥感影像分割方法实验
国外几种高分辨率遥感卫星对比
高分辨率遥感影像信息数据的获取
高分辨率遥感卫星影像图购买参数介绍
相关主题
文本预览