下载文档原格式
项目名称：空天地一体化对地观测传感网的理论与方法首席科学家：张良培武汉大学起止年限：2011.1至2015.8依托部门：教育部湖北省科技厅二、预期目标(一) 总体目标系统研究对地观测传感网的理论与方法，通过多学科联合攻关，解决空天地多平台观测系统事件感知与协同观测机理、对地观测传感网数据同化与信息融合、对地观测传感网聚焦服务模型等关键科学问题，系统地揭示从事件感知到聚焦服务的转化机理，建立从空天地传感网数据实现地球陆表监测的科学理论与方法体系，为我国空天地协同对地观测系统的建立奠定理论与技术基础。
(二) 五年预期目标1. 科学目标空天地一体化对地观测理论和方法：为建立主动的、任务驱动的、动态自适应的、协同的空天地一体化观测系统奠定理论基础。
对地观测传感网多源多维数据一体化处理方法：围绕对地观测传感网的观测数据，集成数据融合与同化、智能化信息提取等技术，提供多源异质数据一体化处理、信息提取以及变化检测的新理论与新方法。
面向任务的对地观测传感网信息聚焦服务：按需提供聚合多传感器、数据、计算和决策的服务。
典型地区陆表环境综合观测与信息模拟：模拟我国典型地区陆表环境多源信息，建立多传感器综合观测实验方案，提供决策支持和应急快速反应服务。
2. 国家目标围绕我国典型地区陆表环境安全进行空天地一体化观测实验，研究空天地一体化对地观测传感网的理论与方法，提升我国对地观测能力与服务水平，为我国环境安全与自然灾害监测提供技术与方法支撑。
3.技术水平经过五年研究，在对地观测传感网架构和运行机制、空天地多传感器协同观测模型、多传感器源数据同化与融合、对地观测传感网信息聚焦服务模型等相关理论与方法方面取得突破性进展，达到国际先进水平；在事件智能感知模型、面向对象参数提取、动态变化分析等若干研究点上达到国际领先水平。
4．技术指标（1）实现50个以上的传感器信息描述；（2）数据融合与同化方法能够支持10种以上传感器；（3）提供传感器规划、观测获取、事件通知、数据处理、信息提取等10种以上服务。
测绘遥感信息工程国家重点实验室杜道生男19420500 教授中国测绘学会会员地理学地图学与地理信息系统地理信息标准化博导位置不确定性和属性不确定性的场模型测绘学报dsdu@测绘遥感信息工程国家重点实验室秦前清男19610200 教授信息与通信工程通信与信息系统数字图像处理、人工智能与智能系统博(硕)导实用小波分析西安电子科技大学出版社qqqin@测绘遥感信息工程国家重点实验室龚健雅男19570425 教授国际摄影测量与遥感协会“联邦式数据库与互操作工作组”组长测绘科学与技术摄影测量与遥感空间数据库博导《地理信息系统基础》科学出版社测绘遥感信息工程国家重点实验室李清泉男19650107 教授中国测绘学会测绘科学与技术摄影测量与遥感激光扫描数据处理博(硕)导论空间信息技术与移动通信技术集成武汉大学学报信息科学版qqli@测绘遥感信息工程国家重点实验室张良培男19620403 教授中国测绘学会测绘科学与技术摄影测量与遥感遥感、影像处理博导新型卫星遥感影像在我国困难地区测图中的应用测绘科技进步一等奖测绘遥感信息工程国家重点实验室朱庆男19660727 教授测绘科学与技术摄影测量与遥感数字摄影测量与多维GIS 博导数字高程模型武汉大学出版社测绘遥感信息工程国家重点实验室狄黎平男19630620 教授国际摄影测量与遥感学会“影象据标准”工作组副主席地理学地图学与地理信息系统数据和信息系统及标准博导ISO 19130标准国际标准组织lpd@测绘遥感信息工程国家重点实验室陈晓玲女19620410 教授国际LUCC（土地利用/土地覆盖变化）计划亚太区域通讯会员地理学地图学与地理信息系统土地利用土地覆盖变化、海岸带环境与灾害博导苏北低地系统及其对海平面上升的复杂响应地理学报，1996，51（4），340-349 cecxl@测绘遥感信息工程国家重点实验室舒红男19700126 副教授德国国家信息技术研究中心GMD客座研究员测绘科学与技术摄影测量与遥感地理信息技术硕导时态对象结构的代数模型武汉测绘科技大学学报测绘遥感信息工程国家重点实验室朱欣焰男19631100 教授计算机科学与技术计算机应用技术地理信息系统硕导GeoStar空间数据组织与管理武汉测绘科技大学学报测绘遥感信息工程国家重点实验室王伟男19621000 教授黄冈职业技术学院兼职教授计算机科学与技术计算机应用技术计算机技术及应用、空间数据库、图象处理硕导国产地理信息系统基础软件开发与应用2001年度国家信息产业部重大技术发明奖测绘遥感信息工程国家重点实验室樊红女19670303 副教授计算机科学与技术计算机软件与理论GIS理论与应用、计算机制图、空间摄像信息处理硕导ARC/INFO应用与开发技术武汉测绘科技大学出版社测绘遥感信息工程国家重点实验室达汉桥男19560409 研究员湖北省系统集成评审专家计算机科学与技术计算机应用技术计算机网络硕导VirtuoZo数字摄影测量系统1999年国家科学技术进步二等奖测绘遥感信息工程国家重点实验室张松波男19460916 教授测绘科学与技术大地测量学与测量工程工程与工业摄影测量硕导工程与工业摄影测量中国地质大学出版社，国家测绘局测绘教材三等奖测绘遥感信息工程国家重点实验室李汉武男19600900 教授测绘科学与技术大地测量学与测量工程GIS与空间信息服务硕导高校科技工作迎接新世纪的思考科技进步与对策测绘遥感信息工程国家重点实验室陈晓勇男19610911 教授日本摄影测量与遥感学会(JSPRS)测绘科学与技术大地测量学与测量工程实时测量技术、3S(GIS、GPS、RS)集成理论方法博导数学形态学及地图识别软件的开发日本亚洲航测1997年度新年技术开发及应用奖( xychen@ait.ac.th662524-5597测绘遥感信息工程国家重点实验室夏林元男19640928 副教授中国海外全球定位导航协会（CPGPS）中国协调员测绘科学与技术大地测量学与测量工程GPS卫星定位的理论与方法硕导小波分析用于GPS定位中的多路径效应研究2001年国际卫星导航大会（ION GPS 2001）最佳论文奖测绘遥感信息工程国家重点实验室邓跃进男19680816 副教授测绘科学与技术大地测量学与测量工程变形监测数据处理硕导边坡变形分析与预报的模糊人工神经网络方法武汉测绘科技大学学报，第一期（Vol.23），26~31页测绘遥感信息工程国家重点实验室李平湘男19641200 教授测绘科学与技术摄影测量与遥感图像处理硕导高分辨力影像和多光谱影像融合的理论基础研究武汉测绘科技大学学报测绘遥感信息工程国家重点实验室黄俊韬男19730400 高级工程师测绘科学与技术摄影测量与遥感地理信息系统硕导国家GIS基础软件吉奥之星的研制与工程应用国家科学技术进步二等奖测绘遥感信息工程国家重点实验室廖明生男19620524 教授中国测绘学会会员测绘科学与技术摄影测量与遥感遥感影像处理和分析博导从星载雷达影像提取地面三维信息的研究国家基金项目，基金委鉴定结题liao@测绘遥感信息工程国家重点实验室江万寿男19671206 副研究员测绘科学与技术摄影测量与遥感数字摄影测量硕导VirtuoZo数字摄影测量系统1999年国家科技进步奖二等奖测绘遥感信息工程国家重点实验室陶闯男19671100 教授美国城市和区域信息统学会会员测绘科学与技术摄影测量与遥感高性能空间影像技术及其集成博导Road CenterlineReconstruction Based On Shape from Image Sequences 最优论文奖tao@yorku.ca测绘遥感信息工程国家重点实验室林晖男19540500 教授中国海外地理信息科学协会创会会长测绘科学与技术摄影测量与遥感虚拟地理环境、空间数据挖掘、遥感博导虚拟地理环境高教出版社。
项目名称：空天地一体化对地观测传感网的理论与方法首席科学家：张良培武汉大学起止年限：2011.1至2015.8依托部门：教育部湖北省科技厅二、预期目标(一) 总体目标系统研究对地观测传感网的理论与方法，通过多学科联合攻关，解决空天地多平台观测系统事件感知与协同观测机理、对地观测传感网数据同化与信息融合、对地观测传感网聚焦服务模型等关键科学问题，系统地揭示从事件感知到聚焦服务的转化机理，建立从空天地传感网数据实现地球陆表监测的科学理论与方法体系，为我国空天地协同对地观测系统的建立奠定理论与技术基础。
(二) 五年预期目标1. 科学目标空天地一体化对地观测理论和方法：为建立主动的、任务驱动的、动态自适应的、协同的空天地一体化观测系统奠定理论基础。
对地观测传感网多源多维数据一体化处理方法：围绕对地观测传感网的观测数据，集成数据融合与同化、智能化信息提取等技术，提供多源异质数据一体化处理、信息提取以及变化检测的新理论与新方法。
面向任务的对地观测传感网信息聚焦服务：按需提供聚合多传感器、数据、计算和决策的服务。
典型地区陆表环境综合观测与信息模拟：模拟我国典型地区陆表环境多源信息，建立多传感器综合观测实验方案，提供决策支持和应急快速反应服务。
2. 国家目标围绕我国典型地区陆表环境安全进行空天地一体化观测实验，研究空天地一体化对地观测传感网的理论与方法，提升我国对地观测能力与服务水平，为我国环境安全与自然灾害监测提供技术与方法支撑。
3.技术水平经过五年研究，在对地观测传感网架构和运行机制、空天地多传感器协同观测模型、多传感器源数据同化与融合、对地观测传感网信息聚焦服务模型等相关理论与方法方面取得突破性进展，达到国际先进水平；在事件智能感知模型、面向对象参数提取、动态变化分析等若干研究点上达到国际领先水平。
4．技术指标（1）实现50个以上的传感器信息描述；（2）数据融合与同化方法能够支持10种以上传感器；（3）提供传感器规划、观测获取、事件通知、数据处理、信息提取等10种以上服务。
第1部分绪论1.1 课题背景及研究的目的意义高光谱遥感(Hyperspectral Remote Sensing)是近些年来迅速发展起来的一种全新遥感技术，它是集探测器技术、精密光学机械、微弱信号检测、计算机技术、信息处理技术于一体的综合性技术[1]。
随着遥感技术的发展，高光谱图像已经越来越广泛地被应用到海洋、植被、地质、大气、环境、军事和医学等方面[2]。
高光谱图像信息系统中重要的参数之一是空间分辨率，高光谱图像的光谱分辨率很高，但其空间分辨率较低。
例如机载可见光、红外成像光谱仪(AVIRIS)所成图像一般分辨率只达到20m*20m。
较低的空间分辨率给数据处理如目标检测与识别、混合像素解译、精准匹配等技术带来了巨大的困难。
可以说，空间分辨率已经成为高光谱图像应用效果的主要制约因素。
提高空间分辨率势必能够加强图像中目标的探测能力和识别能力。
在遥感技术快速发展的今天，对遥感图像的分辨率有着越来越高的要求，但对于现有的成像设备，由于其制作工艺和现有技术的制约，还远远不能满足各方面的要求，所以采用图像处理技术来提高空间分辨率有很大的研究价值和意义。
随着对遥感图像处理技术的提高，高光谱图像的分析从像素级发展到子像素级[3]已成为必然，由此带来的许多技术难点急待改进或解决。
高光谱图像的低空间分辨率导致了混合像素的广泛存在，即一个像素可能是几种类别的混合[4]。
对于这类像素，将其按照传统的硬分类方法归属为任一类都是不准确的。
在实际应用中，分析者常常需要更为精确的信息：混合像素内包含哪些类别，各类别所占的比例是多少，这些类别在混合像素内的空间分布是怎样的等等。
如图1.1所示。
它们各自对应的技术为光谱端元选择技术[5]，光谱解混（又称光谱解译）技术[6]和子像素制图技术（子像素制图又称为亚像元定位）[7]。
图1.1 高光谱图像混合像素处理中主要问题及对应技术本文主要研究对混合像素进行光谱解混后的子像素制图技术（Subpixel Mapping, SM）。
利用遥感提取森林生物量的方法综述一、引言森林是陆地上最大的生态系统，在全球变化研究中占有举足轻重的地位。
森林生物量是整个森林生态系统运行的能量基础和营养物质来源，是研究生物生产力、净第一性生产力、碳循环、全球变化研究的基础，因此对森林生物量测定方法进行研究具有非常重要的意义。
随着“3S”技术(地理信息系统GIS、全球定位系统GPS、遥感RS)的不断发展,对植被生物量的研究已经从小范围、二维尺度的传统地面测量发展到大范围、多维时空的遥感模型估算。
遥感不仅可以为预测生物量的模型提供数据，而且可以直接用于生物量的估算和制图。
二、利用遥感提取生物量随着全球变化研究的深入，陆地生态系统生物量的估算工作变得越来越重要。
基于遥感的生物量估算模型也逐渐由传统的经验模型向机理模型转变。
机理模型是建立在植被辐射的吸收、反射与辐射在植被冠层和大气的传输过程以及影响森林生产力的生态学因子之上的。
最初，人们用LandsatMSS来监测植被的叶面积指数和活体生物量。
后来，更多的是利用Landsat TM和NOAA A VHRR数据来监测植被生长和生物量。
如结合地面调查和TM、A VHRR数据，对数百万平方公里欧洲森林生物量的成功估算，利用TM数据对美国Colorado矮草草原地上部分生物量的估算，对美国EastMaryland落叶林的地上部分生物量的估算等。
近年来，各种星载和机载SAR 数据己被广泛用于估算陆地植物生物量，生物量估算己成为SAR数据的重要应用领域之一。
卫星遥感使人们能在大陆甚至全球尺度上监测自然资源。
过去的研究主要集中在热带和北方针叶林区。
与传统的生物量估算方法比较，遥感方法可快速、准确、无破坏地对生物量进行估算，对生态系统进行宏观监测。
研究者可以利用遥感的多时相特点定位分析同一样区一段时间后的非干扰变化，使传统方法难以解决的问题变得轻而易举，使动态监测成为可能。
且RS、GIS技术的集成推动了生物量遥感估算的进程，在GIS环境下实现包括RS信息在内的多种信息的复合，建立生物量遥感模型。
高光谱遥感技术在农林植被调查方面的应用高光谱分辨率遥感（简称高光谱遥感），是20世纪末迅速发展起来的一项集探测器技术、精密光学机械、微弱信号检测、计算机和信息处理技术于一体的全新遥感技术。
它能够获得地物的连续光谱信息，实现地物图像信息与光谱信息的同步获取，因而在地质、林业、农业、生态环境、海洋、军事等领域具有巨大的应用价值和广阔的发展前景。
植被作为遥感观测和记录的第一表层，是遥感数据反映的最直接信息。
目前，多光谱遥感已被广泛应用于植被的长势研究、沙漠化研究、气候演变规律分析等方面，但传统的多波段遥感数据对于植被的研究和应用仍仅限于一般性的红光吸收特征与近红外的反射特征及中红外的水吸收特征波段，由于受波段宽度和波段数以及波长位置的限制，往往对植被类型不敏感，对植被长势反映不理想，而高光谱遥感在对目标的空间特征成像的同时，对每个像元可在更宽范围上，形成几十个乃至几百个窄波段连续的光谱覆盖，使更深入地考察植被光谱的响应机制和物理机制成为可能，因此成为植被和林业方面监测的强有力工具。
1. 高光谱遥感在植被调查方面的优势高光谱遥感在光谱分辨率方面的提高，使地物目标的属性信息探测能力有所增强，因此，较之全色和多光谱遥感，高光谱遥感有以下显著优势：（1）成像光谱仪所获取的地物连续光谱比较真实，能全面反映自然界各种植被所固有的光谱特征以及其间的细节差异性，从而大大提高地物分类的精细程度和准确性，使得高光谱图像数据与光谱仪地面实测光谱曲线数据之间的直接匹配成为可能。
（2）高光谱图像数据提高了根据混合光谱模型进行混合像元分解的能力，减少了土壤等植被生长背景地物的影响，从而能够获取最终光谱端元的真实光谱特性曲线数据。
（3）高光谱分辨率的植被图像数据将对传统的植被指数运算予以改进，大大提高了植被指数所能反演的信息量，使人们可以直接收获诸如植被叶面积指数、生物量、光合有效吸收系数等植被生物物理参量。
（4）提高遥感高定量分析的精度和可靠性，基于高光谱分辨率的光谱吸收特征信息提取可以完成部分植被生物化学成分（如植被干物质和水分含量等）定量填图。
遥感技术在智慧城市中的应用观后感本次阅读的文章专题为“遥感技术在智慧城市中的应用”，而我选择的文章为以下两篇：一篇名为《基于遥感技术的智慧城市基础数据研究》，另一篇名为《遥感大数据促进智慧城市发展》。
尽管这两篇论文的某些内容存有交叉，但两篇文章的侧重点和详细程度却有所不同，下面愿与大家分享我的心得收获。
首先，先来谈一下第一篇《基于遥感技术的智慧城市基础数据研究》，这篇论文出自河北省第二测绘学院的王萌同学，其刊源为期刊——《智能建筑与智慧城市》。
这篇文章主要基于当时“智慧城市”建设热潮时，智慧交通、智慧物流、智慧医疗、智慧教育及智慧市政等词语不断吸引人们的眼球, 智慧城市的建设需要基础设施的支撑, 而相关基础数据的采集需要大量的技术支持的背景下，为实现技术支持、满足智慧城市对空间信息检测的综合需求，并有效提高数据采集速度, 为政府提供准确的决策依据而提出。
文章采用的主要数据来源有以下几点：第一是郭海川先生在2016年发表的论文《遥感技术在城市规划中的应用》。
第二是党安荣先生、许剑先生以及张丹明先生在2016年联合发表的论文《遥感大数据促进智慧城市发展》。
文章通过采用方法论的主要研究方法，分别对智慧城市的内涵、遥感的概念以及目前遥感技术在智慧城市建设中的主要应用领域进行了相关的定义与介绍，并列举了遥感技术在助力构建智慧城市时空框架、辅助智慧城市管理以及促进智慧环保等三方面发挥的重要作用。
最终得出以下几点结论：智慧城市是现代城市发展的必然趋势, 信息化建设逐渐成为经济发展的新引擎；智慧城市建设是一个漫长的过程, 需要不断发展和创新的科学技术作为基本的技术支撑；智慧城市基础数据的采集需要将用“大数据思维”去发掘“大数据”的潜在价值, 借助最新的遥感技术、数据挖掘技术和实时动态可视化技术等获取城市信息,可以进而全面处理和传输传统城市建设中无法实现的数据流；随着科学技术的不断完善与发展, 遥感技术的应用也在不断地完善, 它为智能化交通等建设提供了极大的助力, 也为智慧城市的到来做好了前期准备工作。
第３９卷第１２期２０１４年１２月武汉大学学报·信息科学版Ｇｅｏｍａｔｉｃｓ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ｏｆ Ｗｕｈａｎ ＵｎｉｖｅｒｓｉｔｙＶｏｌ．３９Ｎｏ．１２Ｄｅｃ．２０１４收稿日期：２０１４－０９－０４项目来源：国家自然科学基金资助项目（４１４３１１７５）。
第一作者：张良培，教授，主要研究方向为高光谱遥感、高分辨率遥感及遥感应用。
Ｅ－ｍａｉｌ：ｚｌｐ６２＠ｗｈｕ．ｅｄｕ．ｃｎＤＯＩ：１０．１３２０３／ｊ．ｗｈｕｇｉｓ２０１４０６４２文章编号：１６７１－８８６０（２０１４）１２－１３８７－０８高光谱目标探测的进展与前沿问题张良培１１ 武汉大学测绘遥感信息工程国家重点实验室，湖北武汉，４３００７９摘 要：针对高光谱目标探测问题的主要挑战，将高光谱目标探测的进展与前沿问题分为两个方面进行综述。
基于信号检测理论的方法如结构化背景的约束能量最小化方法、非结构化背景的自适应一致性余弦评估器等，是高光谱目标的探测经典算法；随着统计模式识别与机器学习领域中新技术的出现，一些数据驱动的目标探测方法逐渐成为了高光谱目标探测的前沿问题，如核方法、稀疏表达方法等。
概述了两类方法的特点，比较了各自的优势和不足，并展望了高光谱目标探测未来的发展趋势。
关键词：高光谱图像处理；目标探测；信号检测；机器学习中图法分类号：Ｐ２３１．５；Ｐ２３７ 文献标志码：Ａ 高光谱遥感技术首次将图像空间特征与丰富的光谱特征结合，具有图谱合一、波段数目多和光谱连续等突出特点［１］，被列为遥感技术在２０世纪后２０ａ三个最显著的进展之一［２－５］。
由于高光谱遥感图像可以提供区分不同物质的诊断性光谱特征信息，目标探测成为高光谱遥感图像处理中一个引人关注的重要问题。
当目标的光谱特征已知时，探测算法需要将待探测的遥感图像中目标地物与其他地物进行区分，判断目标在各个像素内的存在性［６］；当目标和背景等先验信息未知时，则需要通过异常探测方法来获取目标的信息［７－８］。
遥感原理与应用实验报告一、实验目的本次实验旨在通过实际操作和数据分析，深入理解遥感的基本原理，并掌握其在不同领域的应用方法。
具体包括：1、熟悉遥感数据的获取、处理和分析流程。
2、学会运用遥感图像处理软件，对遥感影像进行几何校正、辐射校正、图像增强等操作。
3、掌握遥感图像的分类方法，如监督分类和非监督分类，并对分类结果进行精度评价。
4、应用遥感技术解决实际问题，如土地利用/覆盖变化监测、植被指数提取等。
二、实验原理遥感是一种非接触式的对地观测技术，它通过传感器接收来自地面物体反射或发射的电磁波信息，并对这些信息进行处理、分析和解译，从而获取有关地球表面的特征和现象。
遥感的物理基础是电磁波与物质的相互作用。
不同的地物具有不同的电磁波反射、吸收和发射特性，这些特性可以通过遥感传感器测量的电磁波谱来表征。
例如，植被在近红外波段具有高反射率，而水体在可见光和近红外波段的反射率较低。
遥感图像的处理和分析基于数字图像处理技术。
几何校正用于消除遥感图像的几何变形，使其与实际地理坐标相匹配；辐射校正用于消除传感器误差和大气影响，使图像的辐射值准确反映地物的真实反射或发射特性；图像增强用于突出图像中的有用信息，提高图像的可读性和可解译性；图像分类则是根据图像中像元的特征将其划分为不同的类别，以提取地物信息。
三、实验设备与数据1、计算机：配置较高的个人计算机，用于运行遥感图像处理软件。
2、遥感图像处理软件：如 ENVI、ERDAS 等。
3、实验数据：包括不同分辨率的卫星遥感影像，如 Landsat、SPOT 等，以及相应的辅助数据，如地形图、土地利用现状图等。
四、实验步骤1、数据导入与预处理将遥感影像数据导入图像处理软件。
对影像进行辐射定标和大气校正，以消除大气对电磁波传输的影响。
2、几何校正选取地面控制点（GCP），这些点在遥感影像和参考地图上具有明确的地理位置。
通过计算 GCP 的坐标偏差，建立几何校正模型，对影像进行几何校正。
基于各向异性扩散的SAR 图像斑点噪声滤波算法张良培,王 毅,李平湘(武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079)摘 要: 在SAR(Syn thetic Aperture Radar)图像噪声抑制处理中,为了有效地保持图像边缘,作者在斑点噪声去除的各向异性扩散模型(SRAD 模型)的基础上,提出了一个基于各向异性扩散的SAR 图像斑点噪声滤波算法.该算法对应的扩散系数从理论上满足Charbonnier 等人提出的构造扩散系数准则,同时该算法能够通过对边缘直方图上累计百分比和相对信噪比阈值进行调节来得到一系列不同的滤波效果,从而满足不同的应用需求,如绘图、高分辨率或细节丰富的处理结果.实验结果表明,与传统的方法相比,该算法不论从噪声去除能力、边缘和纹理保持能力上,还是从视觉评价效果来看,都具有一定的优越性.关键词: 各向异性扩散;斑点噪声去除;S AR 图像;扩散系数;滤波中图分类号: TP751 文献标识码: A 文章编号: 0372 2112(2006)12 2250 05The Filtering Algorithm for SAR Image Speckle N oiseBased on Anisotropic DiffusionZHANG Liang pei,W ANG Yi,LI Ping xiang(State Ke y Laboratory o f Information Enginee ring in Surve ying ,Mapping and Remote Se nsing,Wuhan Unive rsit y ,Wuhan,Hube i 430079,China)Abstract: In order to effectively preserve SAR image edges while filteri ng,the au thors propose an anisotropic diffusion fil tering algorithm for speckle noise based on speckle reduction anisotropic diffusion (SRAD)model.On one hand,it can be proved that the diffusion coefficient in the proposed algorithm theoretically satis fies the conditions for the design of diffusion coefficients presented by Charbonnier ,et al;on the other hand,the proposed algorithm can achieve a series of different filtered results,through the simple adjustment of two parameters.One parameter is a thres hold of the accumulative histogram in the edge image,and the oth er one is a thres hold of the relative signal to noise ratio.And the algorithm is applicable in different applications,including mapping and applications in which fine details and high resolution are required.The experimental results show that the proposed algorithm has capabilities of efficiently filtering speckle no ise and preserving edge and textu re features.M oreover,it outperforms the four tradition al filtering methods in speckle smoothing,edge and texture preservation and visual assess ment.Key words: anisotropic diffusion;s peckle noise reduction;SAR(Synthetic Aperture Radar )image;diffusion coefficient;fil tering algorithm1 引言合成孔径雷达(SAR)图像被广泛应用于生态、水文、海洋监测和地形测绘等诸多方面.然而SAR 图像由于斑点噪声的存在而严重影响了解译和定量化研究.因此,在过去的20年中,斑点噪声抑制方法得到了深入研究,涌现了许多较为成熟的算法.这些算法主要分两类:(1)由Lee 、Frost 、Kuan 和Lopes 等人提出的基于局域统计特性的空域滤波[1~4],这类滤波器利用了局部统计参数,能够有效地滤除斑点噪声并保留边缘;(2)基于多分辨分析的去斑算法,其代表是具有多尺度分析能力的小波方法,它通过多尺度分解在去除噪声的同时可以较好地保留图像的纹理特性.近年来,各向异性扩散技术被广泛地应用于图像处理领域,其最大特点是能够有效地实现图像保边缘平滑.Yu 和Acton 等人证明,基于局域统计特性的自适应滤波器可以转化成线性扩散模型,于是他们将局部统计特性引入扩散系数中,提出了SRAD(Speckle Reducing Anisotropic Diffusion)模型[5].然而该模型仍然存在以下问题:(1)需要人为设定迭代次数,而且迭代过程中没有经过预平滑处理,方程难以得到最优解;(2)模型的扩散系数没有严格满足Charbonnier 提出的构造扩散系数准则[6];(3)由于没有对扩散系数的参数进行必要的控制,SRAD 模型可能模糊高频边缘.本文在SRAD 模型的基础上,提出了一个基于各向异性扩散的斑点噪声滤波算法.通过利用相对信噪比(Relative Sig nal Noise Ratio)和中值滤波技术改进SRAD 模型,使得方程获得最优解;同时建立了满足构造准则的扩散系数,并利用直方收稿日期:2005 09 20;修回日期:2006 03 21基金项目:国家重点基础研究发展规划(973计划)项目(No.2006CB701302);国家自然科学基金(No.40471088,No.40523005)第12期2006年12月电 子 学 报ACTA ELECTRO NICA SINICA Vol.34 No.12Dec. 2006图对系数进行了合理的控制,使得模型能够获得满足不同应用的边缘保持效果.2 各向异性扩散理论2 1 PM各向异性扩散模型Perona和Malik利用非线性思想,提出了各向异性扩散模型(PM模型)[7]:It=div[c(I) I](1)式中I是处理图像,c( )是扩散系数.为了控制模型的各向异性扩散行为,Perona和M alik提出了下面两个扩散系数:c(x)=11+(x/k)2(2)c(x)=exp -(x/k)2(3)式中k是梯度阈值.各向异性扩散最大特点在于能够实现图像保边缘平滑.传统的各向异性扩散模型虽然适合滤除加性噪声(如高斯噪声),但对斑点噪声的滤波效果不理想,容易将噪声当作边缘保留下来.2 2 SRAD模型传统的自适应空域滤波(如Lee滤波和Frost滤波)都是基于局域方差系数的,且它们能够有效地滤除斑点噪声.Yu 和Acton改进了局域方差系数,提出了SRAD模型,其对应的扩散系数为:c(q)=11+[q2(i,j;t)-q20(t)]/[q20(t)(1+q20(t))](4)其中q定义为:q2(i,j;t)=(1/2)(I/I)2-(1/16)(2I/I)2[1+(1/4)(2I/I)]2(5)式中q0(t)是尺度函数,q0(t)=var[z(t)]/z(t),为图像平坦区域的局域方差,var[z(t)]和z(t)分别表示平坦区域t时刻的方差和均值.式(4)的意义在于:当q!q0时,表示图像均匀平坦的区域,c(q)!1,此时SRAD表现为各向同性平滑滤波器;当q!q0时,表示图像的细节边缘区域,c(q)!0,SRAD 表现为保持细节.然而SRAD仍有不足:(1)模型需要进行多次实验,才能确定最优结果,从而降低了执行效率;(2)q(x, y;t)是作为边缘检测算子来识别图像边缘的[5],但由于SAR 图像往往受到斑点噪声的影响,且迭代过程中,SRAD模型并没有对噪声进行必要的抑制,因此难以检测出真实边缘;(3) SRAD在平滑的过程中对q(x,y;t)没有设定相关的控制,因此容易弱化边缘和降低对比度;(4)扩散系数(4)没有严格满足Charbonnier提出的构造扩散系数准则.3 基于各向异性扩散的斑点噪声滤波算法3 1 滤波算法3.1.1 改进的扩散系数针对PM模型中各向异性扩散方程解的不适定性问题, Catt [8]等人提出了在模型中加入高斯预平滑来获得方程最优解的正则化方法.然而高斯滤波对斑点噪声效果不理想,且容易造成边缘模糊和易位,因此采用中值滤波来滤除斑点噪声.本文首先提出一个新的扩散系数:c(q)=1/1+((q-q0)/q0)2(6)假设 和分别对应像素的边缘方向和与边缘垂直的方向,则在 -坐标系下,基于式(6)的改进模型可以转化成It=c I +c I=c(q)1+qc∀(q)c(q)I +I(7)经验证,式(6)完全满足Charbonnier等人提出的构造扩散系数准则,作者简要证明如下:(1)在图像上均匀平坦区域(q很接近q0),由(6)得li mq!qc=limq!qc =1.这表明在均匀区域,扩散系数式(6)在 和方向上的扩散速度相同,有助于提高扩散效率.(2)在图像的边缘附近(q值较大),由式(6)得li mq!#c = limq!#c=0,及li mq!#(c /c)=0.这表明在边缘附近,扩散系数式(6)在两个方向上都不做平滑,且扩散系数在沿 方向减小的速度要大于沿方向减小的速度,这在一定程度上满足准则,即在沿 方向上的扩散作用要小于方向上的扩散.同时,c <0可以保证 方向上的逆平滑,从而增强图像细节信息.(3)c(q)在[q0,+#]上是连续和单调递减的,这能够保证扩散的连续稳定性.同时(c(q))∃<0保证c(q)不是非凸函数,避免了引入理论上不合理的解.3 1 2 选择性平滑的直方图阈值在SRAD模型中,由于q(i,j,t)是用来检测图像边缘,因此对扩散模型有着非常重要的影响.在边缘检测时,SAR图像通常由于斑点噪声的影响而产生假边缘,为了消除噪声干扰,本文考虑对q(i,j;t)产生的边缘图进行直方图阈值化处理,目的是有效地控制扩散模型的边缘保持能力.假设!表示边缘图上对应直方图的累计直方图,thr表示直方图上!处对应的灰度值.根据式(4),按照经验值或手工设定确定thr,使其满足:当q(i,j;t)>thr时,模型仅在方向上进行平滑,即c =0,c=c(q),从而保持高频边缘不被破坏;当q(i,j;t)%thr 时,模型在 和方向上进行平滑,从而在一定程度上消除噪声干扰.经过阈值化处理后,图像边缘处噪声得以抑制,同时对比度提高.SRAD模型由于平滑的过程中没有设定类似的相关控制,图像边缘处噪声难以抑制,从而造成边缘弱化和对比度降低;本文算法能够通过设定不同的thr来获得满足不同应用目的(如绘图、高分辨率或细节丰富的图像)的滤波结果,其意义在于:因为雷达图像上的地物的强度信息各不同,因此边缘的强弱也各不同,根据经验采用thr进行控制,能够获得包含某种或某些地物的边缘图像,从而满足不同的应用需求.3 1 3 迭代终止准则一个好的迭代终止准则对于该滤波算法在最短时间内找到理想的解非常重要.然而在SRAD模型中,迭代次数的最优取值是通过取不同值进行比较决定的.为了更好地控制扩散行为,本文采用相对信噪比,其定义如下[9]:R-SNR(k+1)=10 log&pixe ls(I(k+1))2&pix els(I(k+1)-I(k))2(8)式中I(k)和I(k+1)分别是图像经过第k次和第k+1次迭代滤2251第 12 期张良培:基于各向异性扩散的SAR图像斑点噪声滤波算法波后的结果.于是当迭代中止准则|R-SNR(k+1)-R-SNR(k)|R-SNR(k)%∀(9)满足时,迭代过程中止.式中∀是预定义好的门限值.本文采用相对信噪比主要有以下几方面的考虑:(1)信噪比分析可以看作关于迭代次数的函数最优化问题[10],即通过函数曲线确定合适的迭代次数来获得最大信噪比;(2)由于信噪比需要真实数据作参考,而雷达图像不可避免地受到噪声的干扰而没有原始参考图像,因此本文采用相对信噪比作为迭代终止准则;(3)由式(8)、(9)可以看到,由于相对信噪比能够衡量迭代前后的图像变化,因此可以将其变化与∀作比较进行分析,从而避免重要的信息和纹理丢失.∀对迭代结果影响很大,处理普通图像时通常选为0 01,但是SAR图像中包含丰富的纹理信息,如果阈值设定∀过小,往往难以得到理想的结果,因此本文实验设定∀∋0 01.将上述的算法融入各向异性扩散模型中,就得到本文的滤波算法.经过上面的讨论,可以看出本文提出的算法能够较好地利用SRAD模型的优势并有效地滤除斑点噪声,同时能够选择性保留图像边缘,从而获得各种应用要求的保边缘平滑效果.由上文可知,累计直方图!和迭代中止阈值∀对模型的扩散行为有着重要的影响:!越大,图像上需要保留的边缘越少,算法的去噪能力越强,而边缘保持能力越弱;∀越大,迭代次数越少,算法的边缘保持能力越强,而去噪能力越弱.因此,可以考虑对!和∀进行设置,来获得不同要求的滤波效果.虽然!和∀的设置也有一定的困难,但它们对滤波结果的影响具有一定的规律性,这有助于选择合理的参数组合,从而满足不同的应用要求.3 2 滤波离散化算法将时空连续域上的图像I(x,y,t)离散化为I(ih,j h, nT),(i,j)为坐标点,n为迭代次数.迭代公式为I(n+1) i,j -I(n)i,j#t=c (i,j;n)I (i,j;n)+c(i,j;n)I(i,j,n)(10)并设定边界条件:d(n)-1=d(n)0,j,d(n)M,j=d(n)M-1,j,d(n)i,-1=d(n)i,0, d(n)i,N=d(n)i,N-1其中,扩散系数计算如下:c (i,j;n)=(q c(q))∀i,j;n=2 q20(i,j;n)-q(i,j;n) q0(i,j;n)q20(i,j;n)+(q(i,j;n)-q0(i,j;n))2c(q(i,j;n))c(i,j;n)=c(q(i,j;n))(11)式中c(q(i,j;n))可以按照文献[5]中的离散方法并结合本文提出的扩散系数(6)进行计算.二阶导数则参照文献[11]的方法进行计算.4 实验与分析4 1 实验实验采用的是意大利首都罗马北部台伯河流域农作物分布的S AR图像,如图1(a)所示.下面将本文算法同传统滤波方法进行比较.4 2 实验结果分析图1显示了各种滤波的处理结果.Lee滤波较好地保留了边缘,但边缘处的噪声仍然较明显;Frost和Gamma滤波很好地消除了斑点噪声,但图像边缘变得模糊;SRAD模型的保边缘滤波效果比较理想,但高频边缘容易模糊;本文算法较好地消除了斑点噪声,由于边缘加入了阈值控制,所以其边缘保持能力更强.(1)去噪能力实验中选取图像上的湖水一带的均匀区域作为样本(192个象素).从计算的结果上看,本文算法对应的ENL值除第一组参数和Frost滤波相当外,都要好于传统滤波和SRAD模型.(2)边缘保持能力从图像上选取49(49带有明显边缘的区域进行检验,本文采用边缘保持指数E PI来衡量边缘保持能力[12].边缘保持指数越高,滤波器的边缘保持能力越强.由表1得:(1)Lee滤波的边缘保持能力虽然最好,但由E NL的结果推断,有一部分噪声作为边缘保留下来,从而影响了边缘保持指数;(2)当∀值较小时(如∀=0 01),本文算法能够在消除斑点噪声同时更好地保持图像的细节边缘(EPI值是除Lee滤波外最高的).(3)纹理保持能力表2中,滤波图像直方图的偏度和峰度都比原始图像大.而当∀较大时(如表中∀=0 02),本文算法能够较好地保持纹理信息,同时四组参数的结果能够覆盖很大范围,如方差1208 18 1543 35,而熵值较好地论证了以上结论.2252 电 子 学 报2006年表1 本文算法和传统滤波方法ENL 和EPI 结果比较均值(M ean)标准方差(Std.)有效视数(ENL)边缘保持能力(EPI)原始SAR 图像30.0514.19 2.12 1.0000Lee 滤波30.789.21 3.340.6328Fros t 滤波31.81 4.88 6.520.3411Gamma 滤波32.43 5.90 5.500.3386SR AD 30.526.434.750.4370本文算法(!=0.8,∀=0.02)30.554.736.460.3879(!=0.8,∀=0.01)30.743.728.260.4742(!=0.99,∀=0.02)30.664.436.920.3636(!=0.99,∀=0.01)31.333.778.310.4541表2 本文算法和传统滤波算法纹理特征比较均值(M ean)方差(Variance)偏度(Skewness)峰度(Kurtos is)熵(Entropy)原始SAR 图像133.802778.390.21-0.367.38Lee 滤波134.151668.020.36-0.287.19Fros t 滤波134.701158.670.57-0.13 6.87Gamma 滤波134.841146.540.58-0.12 6.86SR AD 133.891404.060.47-0.237.06本文算法(!=0.8,∀=0.02)133.051543.350.44 0.207.13(!=0.8,∀=0.01)133.001339.640.48 0.197.02(!=0.99,∀=0.02)134.251419.060.54 0.147.06(!=0.99,∀=0.01)134.571208.180.570.136.90(4)参数的影响由图2知,随着!(thr )的增大,平滑区域变大,需要保留的边缘更少,因此ENL 有一定的提高,EPI 的结果会下降;随着∀的减小(!(thr )固定),算法的迭代次数增加,图像变得更为平滑,因此ENL 有较大的提高,而EPI 的结果会有较大的下降,这和上面对模型参数的分析是一致的.由于参数的设定不同,实验结果有一定的规律性,因此模型较好地满足了不同应用的要求.由上文知,!和∀不同的组合能够产生不同效果的扩散结果.在实际处理中,可以将边缘检测图和原始雷达图像进行比较,按照特定的应用需求,通过多次实验的比较确定!的大致范围.而实验结果证明,由于迭代次数对∀非常敏感,因此细微的调整∀的值就能更有效地获得满意的处理结果.5 结论本文在SRAD 模型的基础上,提出了一个满足Charbonnier 构造准则的扩散系数,并对扩散系数中的参数进行了合理控制,使得模型能够有选择性的保留边缘.而利用相对信噪比作为迭代中止准则避免了迭代次数的设定,使得本文算法具有较好的自适应性.实验结果证明,本文的算法在去噪能力、边缘保持和纹理保持能力上优于传统的基于统计特性的自适应滤波和SRAD 模型.作者下一步的研究目标是根据SAR 图像的斑点噪声自适应得到参数的最优组合以及滤波结果对SAR 图像分割和分类的影响.参考文献:[1]Lee J S,Dig ital enhancement and noise filtering by use of localstatistics[J].IEEE Transactions on Pattern Analysis and Ma chine Intelligence,1980,2(2):165-168.[2]Fro s t V S,S tiles J A ,Shanmugan K S,et al.A model for radarimages and its application to adaptive digital filtering of mul tiplicative noise [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1982,4(2):157-165.[3]Kuan D T ,Sawchuk A A,Strand T C,et al.Adaptive noisesmoothing filter for images with signal dependent noise [J].IEEE Transactions on Pattern Analysis and Machine Intelli gence,1985,7(2):165-177.[4]Lopes A,Nezry E,To uzi R,L aur H.M aximum a posterioris peckle filtering and first order texture models in SAR i mages [A].Proceedi ngs of the IEEE International Geo science and Remote Sensing Symposium (IGARSS )90)[C].M aryland,U SA:IEEE,1990.2409-2412.[5]Yu Y J,Acton S T.Speckle reduction anisotropic diffusion[J].IEEE Transactions on Image Pro cessing,2002,11(11):1260-1270.[6]Charbonnier P,Blanc Feraud L ,Aubert G ,et al.Determinis tic edge preserving regularization in computed imaging [J].IEEETransactions on Image Pro cessing ,1997,6(2):298-311.[7]Perona P,M alik J.Scale s pace and edge detection usinganisotropic diffusion[J].IEEE Transactions on Pattern Analysis and M achine Intelligence,1990,12(7):629-639.[8]Catt F,Lions P L ,Morel J,et al.Image selective smoothing2253第 12 期张良培:基于各向异性扩散的SAR 图像斑点噪声滤波算法and edge detection by nonlinear diffusion[J].SIAM Jo u rnal on Numerical Analysis,1992,29(1):182-193.[9]吕忆松,陈亚珠,郭玉红.基于各向异性散布的医学图像非线性滤波法[J].北京生物医学工程,2003,22(2):81-84.L Yi Song,Chen Ya Zhu,Guo Yu Hong.A medical image nonlinear filtering based on anisotropic diffusion[J].Beijing Biomedical Engineering,2003,22(2):81-84.(in Chinese) [10]K e Chen.Adaptive s moothing via contextual and lo cal disconti nuities[J].IEEE T ransactions on Pattern Analysis and M a chine Intelligence,2005,27(10):1552-1567.[11]Y ou Y L,X u W Y,Tannenbaum A,et al.Behavioral analysisof anis otropic diffusion in image processing[J].IEEE Transac tions on Image Pro cessing,1996,5(11):1539-1553. [12]韩春明,郭华东,王长林,范典.一种改进的SAR图像斑点噪声滤波方法[J].遥感学报,2004,8(2):121-127.Han Chu n Ming,Guo Hua Dong,Wang Chang L in,Fan D ian.An enhanced SAR image speckle filter[J].Journal of RemoteSensing,2004,8(2):121-127.(in Chinese)作者简介:张良培 男,1962年生,武汉大学测绘遥感信息工程国家重点实验室教授,博士生导师,主要研究方向为:高光谱遥感、遥感应用理论与方法、遥感影像处理等.E mail:zlp62@王 毅 男,1979年生,武汉大学测绘遥感信息工程国家重点实验室摄影测量与遥感专业博士研究生,主要研究方向为:遥感图像处理、模式识别和高光谱遥感.E mail:wangyi@2254 电 子 学 报2006年。
Data Base Technique •数据库技术Electronic Technology & Software Engineering 电子技术与软件工程• 173【关键词】遥感大数据 数据挖掘 自动分析现代信息技术的发展带动了数据传输模式的变革，遥感大数据作为一种现代化的遥感技术处理技术，能够适应复杂情况下的信息处理要求，并从海量的遥感数据中提取关键信息，这些关键信息将会成为支撑遥感功能开展的关键。
因此可以认为，遥感大数据体现了大数据技术的一般特征，具有明显的技术先进性优势。
1 遥感大数据的自动分析从大数据的角度来看，遥感大数据的核心就是在现有的海量遥感信息中，完成遥感观测数据向知识化转变的过程，通过构建一个具有完整语义的大数据模块，这样才能满足后续的数据挖掘需求。
1.1 遥感大数据分析模式下的信息表达在正常的环境下，遥感所能提取的信息总量巨大，并且随着遥感观测内容的增加，各种复杂的数据语义出现，传统的信息表达模式已经无法适应大数据环境下的运行要求，这在一定程度上推动了大数据环境下的遥感信息表达，并且随着相关技术的发展，其信息表达已经呈现出了以下的几种特征：（1）在遥感大数据的信息表达中，大数据的信息在提取环节已经呈现出多元离散的特征，这是因为大数据背景下需要被识别、提取的信息数量巨大，所以面对这种信息处理需求，需要通过多数据源、多时空谱的遥感影像特征来获得其中的关键数据，最终构建面向大数据的多元特征信息提取模式。
（2）遥感大数据在多元特征的归一化表达上也体现出了明显的不同性。
从现有经验可以发现，遥感大数据环境下的信息识别已经发生变化，为了可以适应未来遥感工作的需求，在大数据环境下需要将各种多元特征的遥感信息通话到大数据的应用间，这种方法有助于减少遥感大数据之间的高位混合特征空间的维数水平。
1.2 遥感大数据的自动化检索在自动化数据处理的环境下，遥感大数据应用正在朝着自动化管理的要求方向发展，遥感大数据自动分析与数据挖掘文/张玲玲在自动化检索模式下，遥感方法下所采集的各种交通网络以及地籍、大地控制等专项数据的处理要求发生变化，依靠各种自动化检索的需求，能够快速从中提取关键数据，在数据处理过程中，现有的地理信息与遥感数据服务链之间具有动态的数据处理能力，这样才能实现数据处理的服务协同优化。
