基于ERDAS IMAGINE 的遥感图象去云方法

遥感影像去除云的方法【摘要】：随着遥感技术的迅速发展,高分辨率遥感影像的应用越来越广泛,但它也极易受到气候因素的影响,云层遮挡就是影响之一。

去云不仅是遥感影像进行准确解译的基础,也是增强遥感数据有效性、可用性的重要途径,故遥感影像去云具有十分重要的实际意义。

本文在总结常用去云方法基础上,对遥感影像薄云去除方法从图像处理角度进行了深入研究,对遥感影像厚云处理方法亦进行了探讨并改进。

论文主要研究内容及结论如下: 1、总结常用去云方法,得到去除薄云的基本思路,为后续研究奠定基础。

2、对常用遥感影像去薄云的方法分区域处理,并探讨直方图匹配的改进,实验证明改进方法去云效果更为理想。

3、利用数学形态学中闭开运算的滤波性质,将数学形态学引入遥感影像薄云处理中。

将多结构元素数学形态学应用到去薄云中,深入的探讨了不同结构元素在去云中的作用;在传统的分通道处理和基于HIS变换处理的基础上,引入数学形态学处理彩色遥感影像的薄云。

研究表明,数学形态学方法去除影像薄云可行有效,在合理选取结构元素的条件下,处理效果优于传统方法。

4、在现有影像厚云去除方法基础上,探讨并实现了基于影像匹配的厚云去除方法。

采用同一地区的航片IKONOS影像上的厚云遮挡区域进行替换修补实验,实验证明该算法可以实现高分辨率遥感影像厚云区域的影像修复,直方图匹配及接缝处理后可以达到理想的修补视觉效果。

5、引入平均灰度、标准差、熵值、峰值信噪比和平均绝对偏差等指标对薄云去除后的影像进行统计分析评价。

比较各项指标可知,广义多结构元素方法能够较好地保持影像细节信息,去薄云处理效果最好;处理彩色遥感影像薄云时,分通道处理方法优于HIS变换方法。

，关键字：遥感影像去云图像处理同态滤波一．实习内容去除遥感影像lainer.img中的云层二．实习目的遥感成像过程极易受云雾的影响，遥感图像中被云雾遮盖的区域直接影响了图像的图像信息的判读，分析和使用，使得图像的有效利用率降低，因此，研究如何有效地减少或消除云雾的影响，对于提高遥感图像的利用率具有重要的现实意义和经济意义。

CHINA PLACENAME韩笑（辽宁省地理信息院，辽宁沈阳110034）[摘要]本文针对遥感影像的特点，介绍了如何使用ER DASIMAGINE 纠正航空影像的偏差以及应该注意的问题等。

[关键词]地图；ER DAS IMAGINE ；影像配准[中图分类号]P2[文献标识码]A[文章编号]1002-7793（2010）007－0055-001.5基于ERDAS IMAGINE 遥感影像的配准遥感图像在成像时，由于成像投影方式、传感器外方位元素变化、传感介质的不均匀、地球曲率、地形起伏、地球旋转等因素的影响，获得的遥感图像相对于地表目标存在一定的几何变形，使得图像上的几何图形与该物体在所选定的地图投影中的几何图形产生差异，造成形状或位置的失真。

这主要表现为位移、旋转、缩放、仿射、弯曲和更高阶的歪曲，且其精度直接影响后续处理工作的质量。

要在这样的麦积林区遥感图像上进行森林资源调查，必须先用ERDAS IM AGINE 进行几何精度纠正。

只有消除了几何变形，才能进一步进行分析研究，开展图像解译、专题分类等研究。

一、ERDAS IMAGINE 软件简介ERDAS IM AGINE 是美国ERDAS 公司开发的遥感图像处理系统，以其先进的图像处理技术，友好、灵活的用户界面和操作方式，面向广阔应用领域的产品模块，服务于不同层次用户的模型开发工具以及高度的RS/GIS （遥感图像处理和地理信息系统）集成功能，为遥感及相关应用领域的用户提供了内容丰富、功能强大的图像处理工具，代表了遥感图像处理系统未来的发展趋势。

利用遥感影像进行专题信息提取和专题图的制作,是遥感专业领域的一个重要内容。

它涉及遥感影像的几何纠正、镶嵌、监督或非监督分类等操作步骤。

利用ERDAS IM AGINE 9.1软件能够方便、高效地实现上述功能。

二、影像数据的预处理本文以某地区TIFF 格式遥感影像数据为例,介绍遥感专题信息提取和专题图的制作的方法,以及ERDAS IM AGINE9.1软件的操作要点。

遥感影像去除云一．去除云层的方法同态滤波法，小波变换，非监督分类四．遥感影像去除云的具体实施方案1. 显示原图像lainer.img2. 对lainer.img进行同态滤波得到lainer-homomorphic影像同态滤波是运用照度和反射率模型对遥感图像进行滤波处理，常常应用于揭示阴影区域的细节特征。

该方法的基本原理是：减少低频，增加高频，从而锐化图像边缘或细节特征的图像增强方法,一幅影像f(x,y)能被表达成照度分量和反射分量两部分的乘积：f(x,y)=i(x,y)*r(x,y)式中i(x,y) 为照度分量，r(x,y) 为反射分量。

3. 对图像lanier.img进行傅立叶变换傅里叶变换图像就是把输入的空间域彩色图像转换成频率域，把RGB彩色图像转换成一系列不同频率的二维正弦波傅里叶图像（*.fft）。

4. 低通滤波：消弱图像的高频组分，而让低频组分通过，是图像更加平滑，柔和。

操作如下所示：5.对lainer-homomorphic影像进行非监督分类非监督分类的过程及结果如下所示：6．去除云层处理一幅图像的照度分量通常表现为空间域的慢变化为特征，而反射分量往往引起突变，特别是在不同物体的连接部分，这些特征导致图像对数的傅里叶变换的低频部分与照射分量相联系，而高频部分与反射分量相联系在一起。

在图像处理过程中我们可以将云雾信息作为照射分量来处理，通过使用同态滤波器减少低频的贡献，而增加高频的贡献来达到云雾去除的效果，其处理流程如下图所示：F(x,y)→LN→FFT→H(x,y)→∮FFT→exp→u(x,y)经过同态滤波的方法去除lainer-homomorphic影像的云层遮盖的结果如下所示：五．结果评价及分析ERDAS MAGNE遥感图像处理系统，在遥感图像处理上，提供了傅里叶变换，傅里叶逆变换以及傅里叶变换编译器等功能，为实现较好的去云效果，利用同态滤波云雾去除的模型对图像进行处理。

经处理，有云雾的遥感图像得到了不同程度的去除，图像模糊程度轻，噪声滤除的效果较好。

ERDASIMAGINE遥感图像处理教程.《ERDAS IMAGINE遥感图像处理教程》根据作者多年遥感应用研究和ERDAS IMAGINE软件应用经验编著而成，系统地介绍了ERDAS IMAGINE 9.3的软件功能及遥感图像处理方法。

全书分基础篇和扩展篇两部分，共25章。

基础篇涵盖了视窗操作、数据转换、几何校正、图像拼接、图像增强、图像解译、图像分类、子像元分类、矢量功能、雷达图像、虚拟GIS、空间建模、命令工具、批处理工具、图像库管理、专题制图等ERDAS IMAGINE Professional级的所有功能，以及扩展模块Subpixel、Vector、OrthoRadar、VirtualGIS等；扩展篇则主要针对ERDAS IMAGINE 9.3的新增扩展模块进行介绍，包括图像大气校正（ATCOR）、图像自动配准（AutoSync）、高级图像镶嵌（MosaicPro）、数字摄影测量（LPS）、三维立体分析（Stereo Analyst）、自动地形提取（Automatic Terrain Extraction）、面向对象信息提取（Objective）、智能变化检测（DeltaCue）、智能矢量化（Easytrace）、二次开发（EML）等十个扩展模块的功能。

《ERDAS IMAGINE遥感图像处理教程》将遥感图像处理的理论和方法与ERDAS IMAGINE软件功能融为一体，可以作为ERDAS IMAGINE软件用户的使用教程，对其他从事遥感技术应用研究的科技人员和高校师生也有参考价值。

目录基础篇第1章概述21.1 遥感技术基础21.1.1 遥感的基本概念21.1.2 遥感的主要特点21.1.3 遥感的常用分类31.1.4 遥感的物理基础31.2 ERDAS IMAGINE软件系统6 1.2.1 ERDAS IMAGINE概述6 1.2.2 ERDAS IMAGINE安装7 1.3 ERDAS IMAGINE图标面板11 1.3.1 菜单命令及其功能111.3.2 工具图标及其功能141.4 ERDAS IMAGINE功能体系14第2章视窗操作162.1 视窗功能概述162.1.1 视窗菜单功能172.1.2 视窗工具功能172.1.3 快捷菜单功能182.1.4 常用热键功能182.2 文件菜单操作192.2.1 图像显示操作202.2.2 图形显示操作222.3 实用菜单操作232.3.1 光标查询功能232.3.2 量测功能242.3.3 数据叠加显示252.3.4 文件信息操作272.3.5 三维图像操作292.4 显示菜单操作332.4.1 文件显示顺序332.4.2 显示比例操作332.4.3 显示变换操作342.5 AOI菜单操作342.5.1 打开AOI工具面板35 2.5.2 定义AOI显示特性35 2.5.3 定义AOI种子特征35 2.5.4 保存AOI数据层36 2.6 栅格菜单操作372.6.1 栅格工具面板功能37 2.6.2 图像对比度调整392.6.3 栅格属性编辑402.6.4 图像剖面工具432.7 矢量菜单操作452.7.1 矢量工具面板功能46 2.7.2 矢量文件生成与编辑472.7.3 改变矢量要素形状482.7.4 调整矢量要素特征482.7.5 编辑矢量属性数据492.7.6 定义要素编辑参数502.8 注记菜单操作502.8.1 创建注记文件512.8.2 设置注记要素类型522.8.3 放置注记要素522.8.4 注记要素属性编辑542.8.5 添加坐标格网55第3章数据输入/输出563.1 数据输入/输出概述563.2 二进制图像数据输入573.2.1 输入单波段数据573.2.2 组合多波段数据583.3 其他图像数据输入/输出59 3.3.1 HDF图像数据输入操作59 3.3.2 JPG图像数据输入/输出60 3.3.3 TIFF图像数据输入/输出61第4章数据预处理624.1 遥感图像处理概述62 4.1.1 遥感图像几何校正62 4.1.2 遥感图像裁剪与镶嵌63 4.1.3 数据预处理模块概述63 4.2 三维地形表面处理64 4.2.1 启动三维地形表面64 4.2.2 定义地形表面参数65 4.2.3 生成三维地形表面66 4.2.4 显示三维地形表面67 4.3 图像几何校正674.3.1 图像几何校正概述67 4.3.2 资源卫星图像校正70 4.3.3 遥感图像仿射变换76 4.3.4 航空图像正射校正78 4.4 图像裁剪处理814.4.1 图像规则裁剪814.4.2 图像不规则裁剪824.4.3 图像分块裁剪844.5 图像镶嵌处理844.5.1 图像镶嵌功能概述84 4.5.2 卫星图像镶嵌处理90 4.5.3 航空图像镶嵌处理934.6 图像投影变换954.6.1 启动投影变换954.6.2 投影变换操作964.7 其他预处理功能964.7.1 生成单值栅格图像964.7.2 重新计算图像高程974.7.3 数据发布与浏览准备97 4.7.4 产生或更新图像目录98 4.7.5 图像范围与金字塔计算99第5章图像解译1005.1 图像解译功能概述1005.1.1 图像空间增强1005.1.2 图像辐射增强1015.1.3 图像光谱增强1015.1.4 高光谱基本工具1025.1.5 高光谱高级工具1035.1.6 傅里叶变换1035.1.7 地形分析功能1045.1.8 地理信息系统分析104 5.1.9 实用分析功能1055.2 空间增强处理1065.2.1 卷积增强处理106 5.2.2 非定向边缘增强107 5.2.3 聚焦分析1085.2.4 纹理分析1095.2.5 自适应滤波1105.2.6 统计滤波1115.2.7 分辨率融合1115.2.8 改进IHS融合112 5.2.9 HPF图像融合114 5.2.10 小波变换融合115 5.2.11 删减法融合1165.2.12 Ehlers图像融合117 5.2.13 锐化增强处理118 5.3 辐射增强处理1205.3.1 查找表拉伸1205.3.2 直方图均衡化120 5.3.3 直方图匹配1215.3.4 亮度反转处理122 5.3.5 去霾处理1235.3.6 降噪处理1235.3.7 去条带处理1245.4 光谱增强处理1245.4.1 主成分变换1245.4.2 主成分逆变换1255.4.3 独立分量分析1265.4.4 去相关拉伸1275.4.5 缨帽变换1275.4.6 色彩变换1295.4.7 色彩逆变换1295.4.8 指数计算1305.4.9 自然色彩变换1315.4.10 ETM反射率变换131 5.4.11 光谱混合器1335.5 高光谱基本工具135 5.5.1 自动相对反射1355.5.2 自动对数残差1365.5.3 归一化处理1365.5.4 内部平均相对反射137 5.5.5 对数残差1375.5.6 数值调整1385.5.7 光谱均值1395.5.8 信噪比功能1395.5.9 像元均值1405.5.10 光谱剖面1415.5.11 光谱数据库1425.6 高光谱高级工具142 5.6.1 异常探测1425.6.2 目标探测1475.6.3 地物制图1495.6.4 光谱分析工程向导153 5.6.5 光谱分析工作站154 5.7 傅里叶变换1565.7.1 快速傅里叶变换156 5.7.2 傅里叶变换编辑器157 5.7.3 傅里叶图像编辑158 5.7.4 傅里叶逆变换1685.7.5 傅里叶显示变换169 5.7.6 周期噪声去除1695.7.7 同态滤波1705.8 地形分析1715.8.1 坡度分析1715.8.2 坡向分析1715.8.3 高程分带1725.8.4 地形阴影1735.8.5 彩色地势1735.8.6 地形校正1755.8.7 栅格等高线1755.8.8 点视域分析1765.8.9 路径视域分析181 5.8.10 三维浮雕1825.8.11 高程转换1835.9 地理信息系统分析184 5.9.1 邻域分析1845.9.2 周长计算1865.9.3 查找分析1865.9.4 指标分析1875.9.5 叠加分析1885.9.6 矩阵分析1895.9.7 归纳分析1905.9.8 区域特征1905.10 实用分析功能191 5.10.1 变化检测1915.10.2 函数分析1925.10.3 代数运算1925.10.4 色彩聚类1935.10.5 高级色彩聚类194 5.10.6 数值调整1955.10.7 图像掩膜1965.10.8 图像退化197 5.10.9 去除坏线197 5.10.10 投影变换198 5.10.11 聚合处理199 5.10.12 形态学计算199第6章图像分类202 6.1 图像分类简介202 6.1.1 非监督分类202 6.1.2 监督分类2036.1.3 专家系统分类206 6.2 非监督分类2086.2.1 获取初始分类209 6.2.2 调整分类结果210 6.3 监督分类2126.3.1 定义分类模板213 6.3.2 评价分类模板221 6.3.3 执行监督分类226 6.3.4 评价分类结果227 6.4 分类后处理2316.4.1 聚类统计2326.4.2 过滤分析2326.4.3 去除分析2336.4.4 分类重编码2336.5 专家分类器2346.5.1 知识工程师2356.5.2 变量编辑器2396.5.3 建立知识库2426.5.4 知识分类器248第7章子像元分类2517.1 子像元分类简介2517.1.1 子像元分类的基本特征251 7.1.2 子像元分类的基本原理252 7.1.3 子像元分类的应用领域253 7.1.4 子像元分类模块概述254 7.2 子像元分类方法2567.2.1 子像元分类流程2567.2.2 图像质量确认2587.2.3 图像预处理2597.2.4 自动环境校正2607.2.5 分类特征提取2637.2.6 分类特征组合2697.2.7 分类特征评价2717.2.8 感兴趣物质分类2747.2.9 分类后处理2767.3 子像元分类实例2777.3.1 图像预处理2777.3.2 自动环境校正2777.3.3 分类特征提取2787.3.4 感兴趣物质分类2797.3.5 查看验证文件2817.3.6 分类结果比较282第8章矢量功能2838.1 空间数据概述2838.1.1 矢量数据2838.1.2 栅格数据2848.1.3 矢量和栅格数据结构比较285 8.1.4 矢量数据和栅格数据转换286 8.2 矢量模块功能简介2898.3 矢量图层基本操作2898.3.1 显示矢量图层2898.3.2 改变矢量特性2908.3.3 改变矢量符号2918.4 要素选取与查询2988.4.1 查看选择要素属性2988.4.2 多种工具选择要素2998.4.3 判别函数选择要素3008.4.4 显示矢量图层信息3028.5 创建矢量图层3038.5.1 创建矢量图层的基本方法303 8.5.2 由ASCII文件创建点图层307 8.5.3 镶嵌多边形矢量图层3088.5.4 创建矢量图层子集3108.6 矢量图层编辑3118.6.1 编辑矢量图层的基本方法311 8.6.2 变换矢量图层3138.6.3 产生多边形Label点3148.7 建立拓扑关系3148.7.1 Build矢量图层3158.7.2 Clean矢量图层3158.8 矢量图层管理3168.8.1 重命名矢量图层3168.8.2 复制矢量图层3178.8.3 删除矢量图层3178.8.4 导出矢量图层3188.9 矢量与栅格转换3188.9.1 栅格转换矢量3188.9.2 矢量转换栅格3208.10 表格数据管理3228.10.1 INFO表管理3228.10.2 区域属性统计3288.10.3 属性转换为注记329 8.11 Shapefile文件操作331 8.11.1 重新计算高程3318.11.2 投影变换操作332第9章雷达图像处理3349.1 雷达图像处理基础334 9.1.1 雷达图像增强处理334 9.1.2 雷达图像几何校正336 9.1.3 干涉雷达DEM提取336 9.2 雷达图像模块概述337 9.3 基本雷达图像处理337 9.3.1 斑点噪声压缩3389.3.2 边缘增强处理3409.3.3 雷达图像增强3419.3.4 图像纹理分析3449.3.5 图像亮度调整3459.3.6 图像斜距调整3469.4 正射雷达图像校正3479.4.1 正射雷达图像校正概述347 9.4.2 地理编码SAR图像3489.4.3 正射校正SAR图像3529.4.4 GCP正射较正SAR图像355 9.4.5 比较OrthoRadar校正效果358 9.5 雷达像对DEM提取3599.5.1 雷达像对DEM提取概述359 9.5.2 雷达立体像对数据准备359 9.5.3 立体像对提取DEM工程360 9.6 干涉雷达DEM提取3699.6.1 干涉雷达DEM提取概述369 9.6.2 干涉雷达图像数据准备369 9.6.3 干涉雷达DEM提取工程370 9.6.4 DEM高程生成3759.7 干涉雷达变化检测3769.7.1 干涉雷达变化检测模块376 9.7.2 干涉雷达变化检测操作377第10章虚拟地理信息系统381 10.1 VirtualGIS概述38110.2 VirtualGIS视窗38210.2.1 启动VirtualGIS视窗382 10.2.2 VirtualGIS视窗功能382 10.3 VirtualGIS工程38510.3.1 创建VirtualGIS工程385 10.3.2 编辑VirtualGIS视景387 10.4 VirtualGIS分析39110.4.1 洪水淹没分析39110.4.2 矢量图形分析39410.4.3 叠加文字注记39610.4.4 叠加三维模型39810.4.5 模拟雾气分析40510.4.6 威胁性与通视性分析406 10.4.7 立体视景操作40910.4.8 叠加标识图像41010.4.9 模拟云层分析41210.5 VirtualGIS导航41410.5.1 设置导航模式41410.5.2 VirtualGIS漫游415 10.6 VirtualGIS飞行41610.6.1 定义飞行路线41710.6.2 编辑飞行路线41910.6.3 执行飞行操作42010.7 三维动画制作42010.7.1 三维飞行记录42110.7.2 三维动画工具42210.8 虚拟世界编辑器42210.8.1 虚拟世界编辑器简介422 10.8.2 创建一个虚拟世界425 10.8.3 虚拟世界的空间操作429 10.9 空间视域分析43110.9.1 视域分析数据准备431 10.9.2 生成多层视域数据432 10.9.3 虚拟世界视域分析434 10.10 设置VirtualGIS默认值436 10.10.1 默认值设置环境436 10.10.2 默认值设置选项436 10.10.3 保存默认值设置439第11章空间建模工具44011.1 空间建模工具概述44011.1.1 空间建模工具的组成440 11.1.2 图形模型的基本类型441 11.1.3 图形模型的创建过程44111.2 模型生成器功能组成442 11.2.1 模型生成器菜单命令442 11.2.2 模型生成器工具图标443 11.2.3 模型生成器工具面板444 11.3 空间建模操作过程444 11.3.1 创建图形模型44411.3.2 注释图形模型44711.3.3 生成文本程序44811.3.4 打印图形模型44911.4 条件操作函数应用450第12章图像命令工具453 12.1 图像信息管理技术453 12.1.1 图像金字塔45312.1.2 图像世界文件45312.2 图像命令工具概述454 12.3 图像命令功能操作455 12.3.1 改变栅格图像类型455 12.3.2 计算图像统计值456 12.3.3 图像金字塔操作457 12.3.4 图像地图模式操作458 12.3.5 图像地图投影操作459。

基于ERDAS IMAGINE的遥感影像配准数字正射影像（DOM，Digital Orthophoto Map）是“4D”产品中比较重要的一种，是对航空（或航天）像片进行数字微分纠正和镶嵌，按一定图幅范围裁剪生成的数字正射影像集。

由于DOM同时具有地图几何精度和影像特征，且精度高、信息丰富、直观真实、制作周期短，因此被广泛应用于洪水监测、农业估产、荒漠化监测等方面。

在DOM制作过程中，多光谱影像和全色影像的配准是其中重要的一个步骤，而目前最常用的平台就是ERDAS IMAGINE。

一、ERDAS IMAGINE简介ERDAS IMAGINE是美国ERDAS公司开发的遥感影像处理系统，自问世以来就以其先进的图像处理技术，友好、简洁的用户界面和操作方式，面向广阔应用领域的产品模块，服务于不同层次用户的模型开发工具以及高度的RS/GIS（遥感图像处理和地理信息系统）集成功能，为遥感和相关应用领域的用户提供了内容丰富、功能强大的图像处理工具，代表了遥感图像处理系统未来的发展趋势。

基于以上特点和优势，利用ERDAS IMAGINE可以方便、高效地实现遥感影像的几何纠正、镶嵌、配准等一系列功能。

二、影像配准在配准之前，首先要完成影像的格式转换，使用IM-PORT模块将影像转换为ERDAS 所需的IMG格式，然后根据SPOT影像的坐标参数，添加必要的投影信息和大地坐标，再通过直方图调整、灰度拉伸、锐化等方法对影像进行空间增强，改善影像的显示效果，这样就完成了影像数据配准前的预处理。

在ERDAS中打开对应的多光谱影像和标准SPOT影像，打开Geometric Correction，选择相应的DEM文件，并设定投影方式和带号后就可以开始配准了。

配准其实就是寻找两幅图上的同名点，即实地位置相同的点。

首先，要对两幅图像全面的浏览和观察，有一个整体的印象，掌握这个地区地貌的基本情况以及地物的分布特点，特别是要留意特征比较突出的地方，作为选点的重点区域；然后开始选择同名点，由于前三组点的选择十分重要，直接影响着后期的精度，因此要保证它们的误差尽量小。

《ERDAS IMAGE遥感图像处理方法》操作一空间增强（Spatial Enhancement）1卷积增强处理（Convolution）功能：用一个系数矩阵将整个图像按照象元分块进行平均处理，用于改变图像的空间频率特征。

to效果：地物的轮廓和线条勾勒变清晰了。

2非定向边缘增强（Non-directional Edge）功能：应用两个非常通用的滤波器（Sobel 滤波器和Prewitt 滤波器），首先通过两个正交卷积算子（Horizontal算子和Vertical算子）分别对遥感图像进行边缘检测，然后将两个正交结果进行平均化处理。

to效果：效果明显而且强烈分别出邻区不同的部分。

3.聚焦分析（Focal Analysis）功能：使用类似卷积滤波的方法，选择一定的窗口呼函数，对输入图像文件的数值进行多种变换，应用窗口范围内的象元数值计算窗口中心象元的值，达到图像增强的目的。

to效果：深色地方变模糊，浅色地物图象得到增强，但也变得不清晰。

4.纹理分析（Texture Analysis）功能：通过二次变异等分析使图象的纹理结构更加清晰。

to效果：纹理边缘部分十分清晰。

5.自适应滤波（Adaptive Filter）功能：应用自适应滤波器对图像的感兴趣区域进行对比度拉伸处理。

to效果：颜色变浅了。

6.分辨率融合（Resolution Merge）功能：对不同空间分辨率遥感图像的融合处理，使处理后的遥感图像即具有较好的空间分辨率，又具有多光谱特征，达到图象增强的目的。

+ ＝效果：处理后图象既有高分辨率又有多光谱特征（彩色）。

7.锐化增强处理（Crisp Enhancement）功能：对图像进行卷积滤波处理，使整景图像的亮度得到增强而不使其专题内容发生变化。

效果：区别不大，亮度得到些许增强。

二．辐射增强（Radiometric Enhancement）1.查找表拉伸（LUT Stretch）功能：通过修改图像查找表使输出图像值发生变化。

ERDAS IMAGINE软件中的遥感影像融合方法初探——以梧州地区IKONOS影像为例海敏（广西航空遥感测绘院广西南宁530023）【摘要】本文介绍了利用ERDAS IMAGINE系统为操作平台，对遥感影像进行融合处理的各种方法和具体步骤。

【关键词】ERDAS IMAGINE 遥感融合1 图像融合的基本原理随着遥感技术的迅猛发展，光学、热红外、微波、多光谱、高光谱等大量功能各异的遥感器不断更新换代，它们以不同的空间尺度、不同的时间周期、不同的光谱范围以及不同的扫描方向和极化方式等，多方面地反映地物目标的各种特性，构成同一区域的多源数据。

与单源遥感数据（仅能反映地物目标某一个或几个方面的特征）相比，多源遥感数据既具有很重要的互补性，又存在冗余性。

融合就是将同一区域的多源遥感图像按统一的坐标系统，通过空间配准和内容复合，生成一幅比单一信息源更准确、更完全、更可靠的新图像的技术方法。

通过数据融合，一方面可有针对性地去除无用信息，消除冗余，大幅度减少数据处理量，提高数据处理的效率；另一方面又能将海量多源数据中的有用信息集中起来，融合在一起，便于各种信息特征互补，发挥各自的优势获得更多的有用信息，减少识别目标的模糊性和不确定性，从而为快捷、准确地识别和提取信息奠定基础。

2 IKONOS卫星数据介绍IKONOS是美国空间成像公司于1999年9月24日发射升空的世界第一颗高分辨率商用卫星，是由美国洛克希德马丁（Lockheed Martin）公司设计制造的。

雷神（Raytheon）公司负责建立地面接收系统和影像处理系统即客户服务系统。

IKONOS卫星一共有5个成像波段，分别是：全色波段：0.45-0.90微米；波段1（蓝色）：0.45-053微米；波段2（绿色）：0.52-0.61微米；波段3（红色）：0.64-0.72微米；波段4（近红外）：0.77-0.88微米。

其中，全色波段的地面分辨率是1米，多光谱波段的地面分辨率是4米。

基于ERDAS IMAGINE操作平台的遥感图像处理
杨金香;程学丰
【期刊名称】《测绘与空间地理信息》
【年(卷),期】2006(029)002
【摘要】随着遥感技术的日益发展,对所获取的海量数据的处理要求也越来越高.因此,本文以ERDAS IMAGINE系统为操作平台,对遥感图像的几何校正、图像融合和监督分类做了详细的介绍.
【总页数】4页(P107-110)
【作者】杨金香;程学丰
【作者单位】安徽理工大学,资源与环境工程系,安徽,淮南,232001;安徽理工大学,资源与环境工程系,安徽,淮南,232001
【正文语种】中文
【中图分类】P237
【相关文献】
1.基于ERDAS IMAGINE9.2操作平台的遥感图像融合概述 [J], 洪梅
2.企业级遥感图像处理系统——ERDAS IMAGINE V9.1介绍续(一) [J], 尚东
3.企业级遥感图像处理系统——ERDAS IMAGINE V9.1介绍续(二) [J], 尚东
4.企业级遥感图像处理系统——ERDAS IMAGINE V9.1介绍续(三) [J], 尚东
5.基于ERDAS IMAGINE遥感图像处理软件模型方法分析岛屿植被变化——以舟山为例 [J], 郭碧云
因版权原因，仅展示原文概要，查看原文内容请购买。

基于ERDAS IMAGINE 的遥感图象去云方法赖格英1 刘春燕1 辜晓青2（1 江西师范大学城市与环境科学学院，南昌 330046 2 江西省气象科学研究所，南昌 330046）摘要 本文通过对遥感图象中薄云和地形云的不同特征，提出了不同的处理方法，针对薄云慢变化的空域特征，利用高通滤波进行薄云的去除；针对地形云的地形特征，通过数字地形模型（DEM ），对地形云进行去除。

在操作上，本文利用ERDAS IMAGINE 强大的图象处理建模功能和空间分析及操作功能，实现了遥感图象中上述云覆盖噪声的消除。

关键词：ERDAS IMAGINE 遥感图象 去云处理1 引言遥感图象中，云覆盖是最常见的噪音之一，在有限光谱分辨率的情况下，云覆盖噪声很难用多光谱的方法进行去除。

对于时间分辨率低的遥感平台来说，云覆盖是造成遥感数据缺乏的重要因素之一。

因此如何有效地减少或去除云的影响，是增加遥感数据有效率的一个重要途径，也是遥感图象预处理中的一个重要问题，江西省地处我国南方的亚热带地区，地形复杂，植被多样，云覆盖率极高。

在《江西省自然灾害遥感调查》课题中，干旱调查使用的遥感资料是NOAA/A VHRR 气象卫星资料，从国家卫星气象中心处检索1991年～1998年7月～9月的卫星资料，由于云雾的影响，获取的江西区域NOAA/A VHRR 数据平均有效率不足7％，因此，客观上要求我们对有些局部有云或大范围存在薄云的图象进行去云处理，才能满足实际需要。

云覆盖类型不同，去云的方法也不同。

例如夏季地形性云多半由于地形作用形成云体，滞留在较高的山体，反映在遥感图象上，这类噪音很难用时间平均的方法进行去除；而较大范围的薄云表现出慢变化的空域趋势，在频域上即具有低频的特征。

因此，本文针对不同云体的特征，利用图象处理的基本原理，以及ERDAS IMAGINE 强大的图象处理建模功能，对遥感图象中薄云和地形云的去除进行初步的探讨。

2 薄云的去除方法2.1 薄云去除的原理当云层较薄时，遥感卫星传感器所接收到的图象是由太阳辐射经云层反射部分及太阳辐射经地物或地面反射后再穿透云层这两部分组成，即：)),(1(),().,()],([),(y x t L y x t y x aLr y x Lr y x f −+==ϕ （1）其中，),(y x f 为传感器接收到的综合信息，),(y x r 为地物或地面反射率，代表信号，),(y x t 为云层的透射率，代表噪声，L 为太阳辐射强度，a 为太阳辐射在大气传输过程中的衰减系数，并且),(y x r 、),(y x t 和a 的数值位于0与1之间。

第29卷第2期2006年04月测绘与空间地理信息GE OMAT I CS ＆SPATIAL I NFORMAT I ON TECHNOLOG YV o.l 29,N o .2A pr .,2006收稿日期:2005-08-30作者简介:杨金香(1980-),女,辽宁省丹东市人,安徽理工大学资源与环境工程系在读硕士研究生,研究方向为G IS 应用。

基于ERDAS I M AG I N E 操作平台的遥感图像处理杨金香,程学丰(安徽理工大学资源与环境工程系,安徽淮南232001)摘　要:随着遥感技术的日益发展,对所获取的海量数据的处理要求也越来越高。

因此,本文以ERDA S I M AG I NE 系统为操作平台,对遥感图像的几何校正、图像融合和监督分类做了详细的介绍。

关键词:ERDAS I M AG I NE ;遥感;图像处理中图分类号:P237 文献标识码:B 文章编号:1672-5867(2006)02-0107-04Re m ote Sensi ng I m age Processi ng on t he Base ofERDAS I MAGI NE Operati n g P l atf or mYANG Jin -xia ng ,CH E NG Xue -feng(D epar.t of R esource s ＆Env iron m en tal Eng.,A nhui U n.i o f Science ＆Techno l ogy ,H uainan 232001,Ch i na )Ab strac t :W it h t he increasing deve lopment o f re m ote sensi ng t echno l ogy ,t he dem ands o f trea t m en t to the nume rous da ta obta i ned by senso r a re higher and highe r .This paper introduce s geome tric corre ction ,fusi on and supe rv ised c l assifica tion on re m o t e sensi ng i m age in deta il on the base o f ERDA S I M AG I NE operati ng platf o r m.K ey word s :ERDA S I M AG I NE ;re m o t e sensing ;i mage pro ce ssi ng0　引　言 随着航空、航天技术、传感器技术、计算机技术的飞速发展,遥感技术的发展也日新月异,遥感的应用领域也越来越广,技术手段也越来越先进,对所获取的海量数据的处理要求也越来越高。

一种高保真同态滤波遥感影像薄云去除方法李洪利;沈焕锋;杜博;吴柯【摘要】The traditional homomorphje filtering frequently used in the cloud-removing has effect on the cloud in low-frequency region,but the traditional method used to remove thin cloud in the area of low frequency inevitably changes the region information. This article suggests a high-fidelity method of removing thin cloud from digital remote sensing images, which is based on the methods of regional template for the district judge after homomorphic filtering. After filtering only replace the cloud-regionto the result of homomorphic filtering but un-cloud region still keeps the original data. To further enhance the image fidelity,it eliminates the cloud-region influence in the further process. The experimental results show that this method can effectively remove thin cloud and keeps the high fidelity.%同态滤波是一种常用的遥感影像薄云去除方法,但传统方法在抑制薄云对应的低频区域时,会不可避免地改变非云区的辐射信息.本文提出一种高保真遥感影像薄云去除方法,在同态滤波框架内利用基于区域模板的检测方法进行云区判别,处理时仅对云区用同态滤波结果进行替换,无云区则保留原始影像的亮度值.为进一步提高影像的保真度,影像拉伸处理时进一步剔除了云区对拉伸系数的影响.实验结果表明,本文方法能够在有效去除薄云的同时保留非云区的辐射信息,具有高保真特性.【期刊名称】《遥感信息》【年(卷),期】2011(000)001【总页数】5页(P41-44,58)【关键词】同态滤波;云区判别;区域模板;去薄云【作者】李洪利;沈焕锋;杜博;吴柯【作者单位】武汉大学测绘遥感信息工程国家重点实验室,武汉,430079;武汉大学计算机学院,武汉,430079;武汉大学资源与环境科学学院,武汉,430079;武汉大学计算机学院,武汉,430079;武汉大学计算机学院,武汉,430079【正文语种】中文【中图分类】TP791 引言在光学遥感应用中,云覆盖是造成遥感数据缺乏的重要因素之一。

基于ERDAS的遥感图像预处理作者：马冰冰李宏超来源：《安徽农学通报》2015年第20期摘要：卫星遥感数据是地理信息系统数据库的重要组成部分，以此为基本数据源，根据其属性信息建立数据解译标志，在地理空间数据的获取与更新中发挥着重要作用。

该文在介绍Erdas软件的基础上，重点研究了其作业过程当中的几个主要的技术环节，包括影像几何校正、影像镶嵌、影像裁切。

关键词：Erdas图像处理软件；遥感图像；预处理中图分类号 TP751 文献标识码 A 文章编号 1007-7731（2015）20-104-021 ERDAS遥感图像处理软件简介ERDAS IMAGINE是美国ERDAS公司开发的遥感图像处理系统。

它以其先进的图像处理技术，友好、灵活的用户界面和操作方式，面向广阔应用领域的产品模块，服务于不同层次用户的模型开发工具以及高度的RS/GIS（遥感图像处理和地理信息系统）集成功能，为遥感及相关应用领域的用户提供了内容丰富且功能强大的图像处理工具。

目前，ERDAS IMAGINE软件已经成为世界上市场份额最大的专业遥感图像处理软件。

2 基于ERDAS的遥感图像预处理在遥感影像处理与分析中，预处理（Preprocessing）是最初也是最基本的影像操作。

图像校正是从具有畸变的图像中消除畸变的处理过程，消除几何畸变的过程称为几何校正（Geometric Correction）；另外，为了能更好地分析和使用遥感数字图像，还需要对遥感图像增强、滤波、变换和特征提取等处理，从而能更准确地获取和提取到所需的信息。

2.1 资料准备一幅遥感数据拿到手后，首先要做的常常是赋予遥感图像的地理坐标系统，搜集与分析有关资料、选择合适波段与恰当时相的遥感图像，不同的遥感图像可满足不同分类的精度要求。

（1）软件ERDAS8.5版本以上，（2）系统样例数，需要校正的Landsat TM图像：tmAtlanta.img；作为地理参考的校正过的SPOT：PanAtlanta.img；用于拼接处理的图像wasia1_mss.img、wasia2_mss.img。

2005年　4月第41卷　第2期北京师范大学学报(自然科学版)Journal of Beijing Nor mal University (Natural Science )Ap r .2005Vol .41　No .2基于ER DAS 二次开发的遥感图像同态滤波薄云去除算法的改进3谢华美　何启翱　郑　宁　别荣芳(北京师范大学计算机科学与技术系,100875,北京)摘要　遥感图像中,云覆盖是最常见的噪声之一.针对薄云处于低频的特点,近年来通常使用同态滤波进行去云处理,然而同态滤波对所选中的整个区域进行处理,不仅处理了有云的区域,同时也影响无云的区域,特别是边界区域受到很大的影响.本文在分析同态滤波的特点后,在运用C 语言对ERDAS 进行二次开发时,对同态滤波去云算法进行改进,既实现同态滤波对云层的处理效果,又保持无云背景地区的信息不受任何影响.关键词　同态滤波;去云;ERDAS;遥感图像分类号　TP 7513国家自然科学(青年)基金资助项目(10001006)收稿日期:2004211203 遥感图像受气候的影响很大,特别是受云层的遮挡,使得图像的利用率降低.为去除遥感图像中的薄云,不少研究者已经提出了许多有效的方法:基于多光谱图像的去云,基于多幅图像的去云,基于数据融合的去云[1],多源遥感影像的去云处理[2],等等,但是,这些方法都需要有其他同区域同来源的无云图像作为参考.在实际中,取得同区域同来源的无云参考图像并不容易,有时必须对单幅图像进行处理.同态滤波正是一种针对无参考的遥感图像进行去云处理的好方法,但是该方法也有一些缺陷.本文采纳ERDAS 作为开发平台,利用其功能强大的遥感图像处理能力,采用C 语言进行二次开发,增强了遥感图像的薄云去除能力,达到一个更加满意的去云效果.1　同态滤波去云算法原理云层是一个变化缓慢的区域,在图像中处于低频部分,遥感卫星传感器所接收到的有云的图像,可以表示为地物的照射分量和云层的反射分量的乘积[324].简化为f (x,y )=f i (x,y )・f r (x,y ).(1)对式(1)两边取对数,则有ln f (x,y )=ln f i (x,y )+ln f r (x,y ).(2)式(2)表明影像亮度值的对数等于照射分量和反射分量的对数和,是一个低频成分的函数与一个高频成分的函数的叠加,因此,我们可以通过傅里叶变换将它们转换到频域,即F {ln f (x,y )}=F{ln f i (x,y )}+F{ln f r (x,y )},(3)或记为Z (u,v )=I (u,v )+R (u,v ).(4)然后用高通滤波的方法,提取高频成分,抑止低频成分,即S (u,v )=H (u,v )Z (u,v )=H (u,v )I (u,v )+H (u,v )R (u,v ).(5)再进行傅里叶逆变换从频域回到空域:S (x,y )=F -1{S (u,v )}= F -1{H (u,v )I (u,v )}+F-1{H (u,v )R (u,v )}.(6)最后将结果作指数变换:g (x,y )=exp {S (x,y )}= exp{ln f ′i (x,y )}+exp{ln f ′r (x,y )}=f ′i (x,y )3f ′r (x,y ).(7)我们选用了巴特沃思滤波器,具体形式为H (u,v )=11+k [D (u,v )/D 0]2π,(8)其中,D 0为截止频率,k 的取值是当D (u,v )=D 0时,H(u,v )=2/2,即k =0.414.2　ER DAS 二次开发ERDAS I M AGI N E 是美国ERDAS 公司开发的遥感图像处理系统,它拥有先进的图像处理技术,友好、灵活的用户界面和操作方式,吸引了广泛的用户.该软件　第2期谢华美等:基于ERDAS二次开发的遥感图像同态滤波薄云去除算法的改进151由C语言编写,并可用C++进行编译,用户可以根据需要进行二次开发,ERDAS提供ERDAS Macr o Language(E ML)语言,用户可以根据需要定制不同的界面,用于输入参数和用户交互,同时它还提供联机帮助手册,方便用户在二次开发的过程中,熟悉内部函数的调用方法.根据同态滤波的原理,我们设置薄云去除的模型,如图1所示.引用同态滤波算法,针对不同的图像,云层的大小打开图像选取AO I输入参数同态滤波算法改进显示图像图1　薄云去除的模型和厚度不一致,需要修改2个主要的参数:巴特沃斯滤波器幂次和截止频率,以达到更好的去云效果.为便于输入参数,设置一个对话框,可以在scri p t目录下新建一个mydecl oud.e m l文件.这个文件就可以在程序内部以如下方式实现以上功能:MyStruc2>result=ee m l_Parse Va(ELEX_F I L E,"../scri p ts/mydecl oude.e m l",MyStruc2>theRoot2>r ootPart,&lclerr,EE ML_P ARSE_OPTI O N_APP_CONTEXT,(Em sc_Opaque3)MyStruc, NULL);if(lclerr){　ee m l_QueryYes No(MyStruc2>theRoot,"主界面文件出错,无法打开主界面",NULL,"yes",&lclerr);}EERR_CHECK(lclerr,EFS0("主界面文件出错,无法打开主界面"));MyStruc2>fra me=eem l_FindPart(MyStruc2>result,"cl oude",&lclerr);EERR_CHECK(lclerr,EFS0("Unable t o find the fra me’cl oude’in mydecl oude.e m l"));MyStruc2>para m1=ee m l_FindPart(MyStruc2>result,"cl oude:para m1",&lclerr);MyStruc2>para m2=ee m l_FindPart(MyStruc2>result,"cl oude:para m2",&lclerr);MyStruc2>okbut=ee m l_FindPart(MyStruc2>result,"cl oude:okbut",&lclerr);MyStruc2>cancelbut=ee m l_FindPart(MyStruc2>result,"cl oude:cancelbut",&lclerr);ee m l_AddCallback(MyStruc2>okbut,(int(3)(struct_eui_BasePart3,void3))Okbut Callback,(E m sc_Opaque3) MyStruc,"mousedown",&lclerr);ee m l_AddCallback(MyStruc2>cancelbut,(int(3)(struct_eui_BasePart3,void3))SubCancelbut Callback,(E m sc_ Opaque3)MyStruc,"mousedown",&lclerr);然后在函数Okbut Callback()内部读出这2个参数的值:m_coefficient=(int)ee m l_Get N umberPart V alue(MyStruc2>para m1);m_frequency=ee m l_Get N umberPart V alue(MyStruc2>para m2);3　算法的改进理想的去云算法是,仅对有云的区域进行处理,而对无云的区域保持灰度值不变,达到去云效果的同时,保持无云区域的低频成分.但在采用同态滤波算法的实验中,无论是截取一个感兴趣区域,还是对整幅图像进行处理,在滤去图像低频成分的同时,也会损失一部分图像的高频部分,主要的2个缺陷:一是损失图像无云区域的低频部分,二是破坏了图像的边缘信息.为了弥补第1个缺陷,常用的方法是首先进行云层识别,可以应用数学形态学来确认有云的区域[5],然后用一个与图像同等大小的二值矩阵来标识云层,其中0表示无云区域,1表示有云区域,然后对原图像有云的区域进行处理,与前面的二值矩阵相与,恢复到原图像中去,但是这种方法仍然不能准确识别有云区域.同时云的区域往往是一个不规则的图形,在使用同态滤波算法的时候,要取一个恰好包括整个云层的矩形区域来进行计算,那么一幅图像就需要被分割成了许多小矩形进行处理,同态滤波算法本身对边界的处理效果就不是很好,这样处理很复杂,不容易达到理想的效果.为了弥补第2个缺陷,可以对源图像向四周延拓,用一个更大的矩形来包含整个图像,然后进行去云处理,最后对获得的结果图像截取源图像所对应的区域,在试验中,采用了边界重复延拓、周期延拓、对称延拓和零值填补的方法[6],虽然这些方法能较好地保留源图像的边界信息,但仍然不是很好的边界处理方法,因此有必要采用一种新的方法,使图像的边界信息不予损失.为了同时弥补以上2个缺陷,我们分析同态滤波　152　北京师范大学学报(自然科学版)第41卷　处理前后结果,如表1所示,有云区域和无云区域的灰度值发生变化:对有云的区域,经过处理以后,灰度值减小;而那些无云的区域,经过处理以后,灰度值变大.比较表1中处理结果图像和原图像的灰度值,在灰度值变小的区域,就是有云的区域,在灰度值变大的区域,就是无云的区域.基于以上分析,我们可做如下处理:在有云的区域取处理后的值,即取较小的灰度值,达到了去云效果;在无云区域保留原来的值,也是取较小的灰度值,达到了保留无云区域的背景信息,从而实现了去除薄云的目的,又保留了无云区域的原有信息.设原始的有云遥感图像是X,经过同态滤波去云算法处理后得到的遥感图像是Y,我们可以假设理想的去云图像是Z,则Z 应该用如下公式表示:Z ij =X ij ,　X ij <Y ij ,表示无云区域;Y ij ,　X ij ≥Y ij ,表示有云区域.(9)4　实验结果及讨论在实验中,采用的第1幅遥感图像是1幅577×779大小的单波段图,第2幅遥感图像是一幅512×512大小的单波段图,进行同态滤波去云算法前后的数据比较如表1所示.由实验结果可知,同态滤波去云算法,在改进以前,边界处理的效果不明显,且对无云区域低频部分也受到影响;改进后,不仅保持了无云区域的低频成分,也对有云区域达到了很好的效果.表1　原始图像及去云算法改进前后的实验结果　第2期谢华美等:基于ERDAS二次开发的遥感图像同态滤波薄云去除算法的改进1535　结论由于在遥感图像中,薄云主要分布在频域平面的低频部分,这些云的存在,使得图像的动态范围缩小,细节部分被遮盖,从而降低了图像的清晰程度.普通的同态滤波方法虽然提高了图像的对比度,增加了图像的清晰程度,同时去除有薄云遮挡图像的低频成分,真正去除了薄云的覆盖.但是在实践过程中发现,这种方法不仅对有云区域进行了处理,也影响了无云区域的高频成分,特别是破坏了图像的边缘信息.正是基于这种思想,在应用C语言,对ERDAS进行二次开发时,采纳同态滤波薄云去除的改进算法,既实现了同态滤波对云层的处理效果,又保持了无云区域的细节信息.试验结果也很好地证明了这个方法的可行性.中国科学院遥感研究所图像实验室郑柯副研究员、唐聘研究员、王文杰硕士、崔琳丽博士对本研究工作给予了帮助,特此感谢.6　参考文献[1]　樊厚春.遥感图像薄云去除研究[D].北京:中国科学院,2004:4～5[2]　王惠,谭兵,沈志云.多源遥感影像的去云层处理[J].测绘学院学报,2001(9):195[3]　赵忠明,朱重光.遥感图像中薄云的去除方法[J].环境遥感,1996(8):195[4]　赖格英,刘春燕,辜晓青.基于ERDAS I M AGI N E的遥感图像去云方法[C]∥富融公司用户大会论文集.2000:2 [5]　宋平,刘正光.数学形态学在卫星云图的处理中的应用[J].微机发展,1999(4):40[6]　徐伟业,虞相宾.小波图像边界处理方法的研究[J].计算机应用与软件,2003(3):35THE I M PRO VED HOMOMO RPH I C F I L TER AL GO R I TH M FO RRE MO V I NG CLO UD O F RE MO TE SENS I NG I M AGE BASEDO N THE SECO ND EXPLO I TURE O F ERDAS TOOLXie Hua mei　He Q iπao　Zheng N ing　B ie Rongfang(Depart m ent of Computer Science,Beijing Nor mal University,100875,Beijing,China) Abstract　Cl oud cover is one of the most visible noises in re mote sensing i m age.Base on the characteristic that thin cl oud is in l ow frequency,it can be re moved by the homomor phic filter algorith m.Thismethod can p r ocess all the selected areas,both the areas with cl oud and without.Es pecially it influences the margin of the i m age.Based on this characteristic of homomor phic filter algorithm,when using the C p r ogra m language t o devel op the ERDAS t ool,the algorith m is i m p r oved and the goal of re moving the cl oud and keep ing the effect of the regi on without cl oud is achieved.Key words　homomor phic filter;re move cl oud;ERDAS t ool;re mote sensing i m age。

基于ERDAS IMAGINE遥感影像管理方法的探索王洪艳;李祥【摘要】随着卫星遥感技术的发展,不同比例尺的大量遥感影像数据进入到现实应用中,遥感影像数据不同于地形图数据,它包含数据信息量大,占用计算机资源多,而我们的服务器资源是有限的,本文基于ERDAS IMAGINE遥感处理软件的运用中有关遥感影像数据管理的方法,对遥感影像数据的管理和处理进行了探索.【期刊名称】《城市勘测》【年(卷),期】2010(000)005【总页数】3页(P98-99,103)【关键词】遥感影像数据;ERDAS IMAGINE遥感处理软件;拓展设计;共享【作者】王洪艳;李祥【作者单位】昆明市测绘研究院,云南,昆明,650051;昆明市给水工程设计院,云南,昆明,650051【正文语种】中文【中图分类】P237随着社会的发展，人们对空间数据的应用需求在不断增加，对空间数据的获取和处理能力也得到了极大地提高。

影像数据(包括航空、航天遥感，卫星影像，雷达数据等)由于成本低，更新快等特点，在各个行业得到越来越广泛的应用。

但由于数据量大，管理难度也大，直接使用不方便，这无疑是资源的巨大浪费。

影像数据种类较多，并且影像数据的分辨率高，无论是数据文件的数量、还是每个数据文件的数据量，都非常庞大。

面对如此庞大的空间数据集，如何科学有序地组织数据生产和调用，对数据进行有效管理，并能及时地向用户提供，是数据管理者和使用者遇到的问题之一。

因此，如何对卫星影像和影像数据的进行管理和存储，是我们需要解决的问题。

本人通过对ERDAS IMAGINE遥感图像处理软件的运用，了解和运用了ERDAS IMAGINE遥感处理软件的JPEG Compress Image模块图像压缩和Decompress JPEG Image解压模块功能的特点，提出了基于ERDAS IMAGINE遥感处理软件进行影像数据管理方法的探索和设想。

ERDAS IMAGINE遥感处理软件的压缩处理特点是应用JPEG压缩技术与ERDAS IMAGINE遥感处理软件融合优化成JPEG Compress Image模块，对栅格图像和遥感影像进行压缩，以便保存，同时又提供了针对压缩所生成的∗.imj文件的解压模块Decompress JPEG Image，对压缩文件进行解压和恢复。