一种改进的高分辨率遥感影像分割方法

一种优化的迭代反投影超分辨率重建方法刘克俭;陈淼焱;冯琦【摘要】针对现有超分辨率重建方法存在重建的高分辨率图像具有边缘结构不清晰、高频信息提升有限的问题,提出了一种结合迭代反投影(iterative back-projection,IBP)与限制对比度自适应直方图均衡化(contrast limited adaptive histogram equalization,CLAHE)的遥感图像超分辨率重建方法.通过结合迭代反投影与限制对比度自适应直方图均衡的超分辨率重建方法重建高分辨率遥感影像,增加重建图像的纹理细节信息,并利用灰度信息与梯度特征的能量优化模型对重建图像进行优化处理.本文以不同地貌类型遥感图像为实验数据.实验结果表明,该重建方法与经典迭代反投影方法相比,纹理细节丰富,边缘结构清晰,与非局部迭代反投影(nonlocal iterative back-projection,NLIBP)相比,客观质量评价指标均有明显改善,验证了该方法具有较好的普适性与鲁棒性.【期刊名称】《遥感信息》【年(卷),期】2019(034)003【总页数】5页(P14-18)【关键词】超分辨率重建;迭代反投影;限制对比度自适应直方图均衡化;非局部迭代反投影;资源三号【作者】刘克俭;陈淼焱;冯琦【作者单位】中国人民公安大学公安遥感应用工程技术研究中心,北京100038;中国人民公安大学公安遥感应用工程技术研究中心,北京100038;中国人民公安大学公安遥感应用工程技术研究中心,北京100038【正文语种】中文【中图分类】P238.80 引言超分辨率(super resolution，SR)重建是指通过对单幅或多幅低分辨率(low-resolution，LR)图像进行处理，重建出一幅或多幅高分辨率(high-resolution，HR)图像的技术[1]。

将超分辨率重建技术应用到卫星光学遥感图像处理中，利用卫星遥感图像进行超分辨率重建，提升遥感图像的空间分辨率，是目前遥感图像处理领域新的研究热点之一。

遥感影像的变化检测与分析方法在当今科技飞速发展的时代，遥感技术凭借其能够获取大范围、多光谱、多时相的地表信息的强大能力，成为了众多领域中不可或缺的工具。

而遥感影像的变化检测与分析方法，更是在资源监测、环境评估、城市规划等方面发挥着关键作用。

遥感影像变化检测，简单来说，就是通过对比不同时期的遥感影像，找出其中发生变化的区域和特征。

这一过程就像是在玩“找不同”的游戏，但要复杂和精确得多。

为了实现准确的变化检测，首先得有高质量的遥感影像数据。

这些影像通常来自卫星、飞机等平台，包含了丰富的地物信息。

然而，在获取影像的过程中，可能会受到天气、传感器精度等因素的影响，导致影像存在噪声、几何变形等问题。

所以，在进行变化检测之前，需要对影像进行预处理，包括辐射校正、几何校正等操作，以提高影像的质量和一致性。

常用的变化检测方法可以大致分为基于像元的方法和基于对象的方法。

基于像元的方法直接对影像中的每个像素进行分析和比较。

其中，差值法是一种常见的思路，就是将两个时期的影像对应像素的灰度值相减，得到差值影像。

如果差值超过了一定的阈值，就认为该像素发生了变化。

这种方法简单直观，但容易受到噪声的干扰，而且对于光谱相似但实际发生变化的区域可能检测不出来。

相比之下，基于对象的方法则先将影像分割成不同的对象，然后再对这些对象进行变化检测。

这种方法考虑了地物的空间特征和上下文信息，能够更好地处理复杂的场景。

例如，面向对象的分类后比较法，先对不同时期的影像分别进行分类，然后比较分类结果，从而确定变化的区域。

除了上述方法，还有一些基于特征的变化检测技术。

这些特征可以是地物的形状、纹理、光谱特征等。

通过提取和比较这些特征，来判断是否发生了变化。

在进行变化检测之后，接下来就是对检测结果的分析。

这包括对变化区域的类型识别、面积计算、变化趋势预测等。

例如，在城市发展研究中，通过分析变化区域，可以了解城市扩张的方向和速度，为城市规划提供依据。

随机森林及其在遥感影像处理中应用研究一、概述随着遥感技术的飞速发展，遥感影像数据在地理信息系统、环境监测、资源管理等领域发挥着越来越重要的作用。

遥感影像处理与分析成为研究和应用的热点，而机器学习作为处理和分析遥感影像的有效工具，其重要性日益凸显。

随机森林（Random Forest，RF）作为一种高效的机器学习算法，近年来在遥感影像处理领域得到了广泛关注和应用。

随机森林算法由Leo Breiman和Adele Cutler于2001年提出，它是一种基于决策树的集成学习方法。

通过构建多棵决策树并进行投票或平均来提高预测的准确性和稳定性。

随机森林具有很多优点，如：能够处理大量特征数据、对异常值和噪声不敏感、无需进行特征选择和参数调整等。

在遥感影像处理中，随机森林算法被广泛应用于地物分类、目标检测、变化检测、参数反演等多个方面。

例如，在地物分类中，随机森林可以有效地处理高维遥感数据，提高分类的准确性在目标检测中，随机森林能够识别复杂背景下的目标，提高检测的精确度在变化检测中，随机森林可以有效地识别和分析时间序列遥感影像中的变化信息在参数反演中，随机森林能够建立遥感数据与地面参数之间的关系模型，提高反演的准确性。

1. 遥感影像处理的重要性遥感影像处理在多个领域，尤其是地球科学、环境监控、城市规划、农业管理等方面具有极其重要的地位。

随着遥感技术的不断发展，更高分辨率、更多元化的遥感影像数据正在被持续生产和应用，如何从这些数据中有效提取出有用的信息，成为了遥感影像处理领域的核心问题。

遥感影像处理对于地球科学研究具有重要意义。

通过处理和分析遥感影像，科学家可以对地球表面进行大范围、高精度的观测和研究，揭示地球表面各种自然现象的发生、发展规律，为全球气候变化研究、生态系统动态监测、资源环境评估等提供重要依据。

遥感影像处理在环境监控中发挥着重要作用。

通过遥感影像处理，可以实时监测和评估生态环境质量，如水质监测、森林覆盖变化、土地退化等，为环境保护和生态修复提供决策支持。

遥感影像云检测和去除方法综述遥感影像在现代地理信息系统（GIS）和环境研究中扮演着重要的角色。

然而，由于气候条件、传感器限制或技术问题等原因，遥感影像中常常存在云遮挡。

云遮挡会影响影像的质量，降低地物提取和分析的精度。

因此，对遥感影像进行云检测和去除是非常必要的。

本文将综述当前常用的遥感影像云检测和去除方法，并讨论它们的优缺点。

不同的方法可以分为基于光学遥感和基于雷达遥感两类。

一、基于光学遥感的云检测和去除方法1. 阈值法阈值法是最简单和常用的云检测方法之一。

它基于云的光谱特征，将云像元与非云像元分离。

通过选择适当的阈值，可以实现较好的云检测效果。

然而，由于光照条件和云的形状、纹理等因素的影响，阈值法在某些情况下存在误检和漏检的问题。

2. 纹理分析法纹理分析法利用图像中的纹理信息，通过计算纹理特征来识别云。

它可以有效地区分云与非云区域，并能够应对光照变化和云的形状变化。

但是，纹理分析法对云的覆盖程度要求较高，且计算复杂度较高。

3. 多时相法多时相法通过比较不同时间点的遥感影像，利用云的运动特征来检测云。

它可以较好地处理云的变化和遮挡问题，但需要多个时间点的影像数据，并且对云的运动速度有一定要求。

二、基于雷达遥感的云检测和去除方法1. 激光雷达法激光雷达法利用激光雷达的主动传感器特性，通过发送激光脉冲并接收反射回来的信号，来获取地物的高程信息。

由于激光雷达可以穿透云层，因此可以有效地检测云并进行去除。

然而，激光雷达数据的获取成本较高，限制了其在大规模地表覆盖的应用。

2. 合成孔径雷达（SAR）法合成孔径雷达（SAR）法是一种常用的雷达遥感云检测和去除方法。

它通过接收地面散射信号来获取地物信息。

由于雷达波长较长，可以穿透云层，因此可以实现较好的云检测和去除效果。

然而，雷达像元的分辨率相对较低，影像细节信息较少。

综上所述，遥感影像云检测和去除是遥感数据处理中的重要环节。

基于光学遥感和基于雷达遥感的方法各有优点和局限性。

基于ECLDeeplab模型提取华北地区耕地的方法随着农业现代化的不断推进，精准农业成为了当今农业发展的趋势。

而在精准农业中，耕地信息的获取和利用是至关重要的一环。

而传统的耕地调查方法效率低、成本高，无法满足现代化精准农业的需求。

基于遥感影像和深度学习模型的耕地提取方法成为了研究的热点之一。

本文将以ECLDeeplab模型为基础，结合华北地区的特点，介绍一种基于ECLDeeplab模型提取华北地区耕地的方法。

一、ECLDeeplab模型简介ECLDeeplab模型是一种基于深度卷积神经网络的图像分割模型，能够对遥感影像进行精准的分割和识别。

该模型在传统的Deeplab模型基础上进行了改进，主要包括以下几个方面：1. 空洞卷积的应用：通过空洞卷积可以扩大感受野，提高分割效果。

2. 上采样网络的设计：采用轻量级的上采样网络，减小了模型的参数规模，提高了运算效率。

3. 多尺度信息的融合：引入了多尺度信息融合模块，增强了模型对不同尺度目标的识别能力。

由于ECLDeeplab模型在图像分割任务中表现出色，因此在耕地提取的任务中也具有很好的应用前景。

二、华北地区耕地特点华北地区是中国的一个重要农业生产基地，其耕地资源丰富，但受到气候和土地利用方式的影响，耕地分布较为复杂。

具体来说，华北地区的耕地具有以下特点：1. 土地利用多样性：包括粮食作物、经济作物和园艺作物等多种类型的耕地。

2. 土地利用方式多样化：有旱地耕地、水田耕地、果园等不同的土地利用方式。

3. 土地面积不规则：受到自然地形和人为开发的影响，华北地区的耕地面积呈现出不规则分布的特点。

这些特点给耕地提取任务带来了一定的难度，需要提取模型具有很好的泛化能力和对复杂场景的适应性。

三、基于ECLDeeplab模型的耕地提取方法1. 数据准备需要收集华北地区的高分辨率遥感影像数据，并进行预处理，包括影像配准、镶嵌、辐射校正等操作，以确保输入模型的影像数据质量。

从高分辨率遥感影像中提取城市道路的新方法摘要：道路是城市交通的重要组成部分，如何高效地从遥感影像中提取道路信息一直是遥感图像处理中的研究热点。

本文提出了一种基于卷积神经网络和局部特征的新方法，实现了对高分辨率遥感影像中道路的自动提取和识别。

该方法在多个数据集上进行了测试和验证，结果表明其具有较高的准确性和鲁棒性，可为城市规划和交通管理等领域提供有效的支持。

关键词：遥感影像，道路提取，卷积神经网络，局部特征，城市规划一、引言随着城市化进程的不断推进，城市交通问题日益突出，道路建设和交通管理也成为城市规划和管理的重要任务。

遥感技术作为一种非接触式、高效率的信息获取方式，已被广泛用于城市规划和交通管理中。

而道路作为城市交通的重要组成部分，如何高效地从遥感影像中提取道路信息一直是遥感图像处理中的研究热点。

传统的道路提取方法主要基于图像处理和计算机视觉技术，如边缘检测、形态学变换、区域生长等。

然而，这些方法往往受到遥感影像本身的特点、光照条件、遮挡等因素的影响，容易出现漏检、误检等问题。

因此，如何提高道路提取的准确性和鲁棒性，成为当前道路提取研究的重要方向。

近年来，深度学习技术的发展为道路提取带来了新的思路和方法。

卷积神经网络（CNN）是深度学习的重要组成部分，其具有自动特征提取、端到端训练等优势，已被广泛用于图像分类、目标检测等领域。

在道路提取方面，CNN也被应用于道路提取模型的设计和训练中，取得了不错的效果。

然而，基于CNN的道路提取方法仍存在一些问题。

一方面，CNN需要大量的训练样本和计算资源，训练过程复杂，容易出现过拟合等问题。

另一方面，遥感影像中的道路具有多样性、复杂性和不规则性，对于CNN的特征提取和分类能力提出了更高的要求。

因此，如何进一步提高CNN在道路提取中的性能，成为当前道路提取研究的重要问题。

本文提出了一种基于卷积神经网络和局部特征的新方法，实现了对高分辨率遥感影像中道路的自动提取和识别。

基于信息熵的遥感图像分割算法研究近年来，遥感技术快速发展并应用于多个领域。

而遥感图像分割技术是遥感应用领域中一个重要的课题，其目的是将复杂的遥感图像分成不同的区域，以便于后续处理和分析。

然而，由于遥感图像具有高维、复杂和模糊的特点，遥感图像分割一直是一个难以解决的问题。

为了解决这个问题，本文将介绍一种基于信息熵的遥感图像分割算法。

一、信息熵的基础概念信息熵是热力学中的概念，用来描述系统的无序程度。

在信息论中，信息熵是用来描述信息源中信息量的概念。

在遥感图像分割问题中，可以将像素的灰度值看作是信息源的符号集，从而将信息熵的概念引入到遥感图像分割问题中来。

信息熵的计算公式为：$H(X) = -\sum_{i=1}^{n} p_{i}\log_{2}p_{i}$其中，$X$ 是信息源，$p_{i}$ 是信息源中第 $i$ 个符号出现的概率，$n$ 是符号集的大小，$\log_{2}$ 是以 $2$ 为底的对数。

信息熵的单位是比特/符号。

二、基于信息熵的遥感图像分割算法基于信息熵的遥感图像分割算法是一种无监督的分割方法。

该算法将遥感图像中的每个像素看作是符号集中的一个符号，以像素灰度值的概率分布作为符号集的概率分布。

算法步骤如下：Step 1：将遥感图像中的像素灰度值归一化到 $[0,1]$ 之间。

Step 2：根据灰度值的概率分布计算信息熵，作为图像的全局信息量。

信息熵越大，表示图像的信息量越多，也就是图像的信息更加分散，可以分成更多的区域。

Step 3：将图像分成 $K$ 个区域，并为每个区域计算灰度值的概率分布和信息熵。

Step 4：计算每个区域的加权平均信息熵：$E_{k} = -\sum_{i=1}^{n} w_{i}^{k}\log_{2}(w_{i}^{k})$其中，$w_{i}^{k}$ 是第 $k$ 个区域中灰度值为 $i$ 的像素的比重，$n$ 是灰度值的范围。

Step 5：对于图像的每个像素，计算它与各个区域之间的信息熵差异：$d_{k} = E_{k} - E_{0}$其中，$E_{0}$ 是全局信息熵。

《基于轻量化DeepLabV3+的遥感影像农作物语义分割算法研究》篇一一、引言随着遥感技术的不断发展，遥感影像在农业领域的应用日益广泛。

农作物语义分割作为遥感影像处理的关键技术之一，对于实现精准农业、提高农业生产效率具有重要意义。

然而，传统的遥感影像处理算法在面对高分辨率、大规模的遥感影像时，往往存在计算量大、实时性差等问题。

因此，本研究基于轻量化的DeepLabV3+算法，对遥感影像农作物语义分割算法进行研究，旨在提高算法的准确性和实时性。

二、相关工作在农作物语义分割领域，深度学习算法已经成为主流方法。

其中，DeepLabV3+算法以其优秀的性能和较强的特征提取能力，在许多语义分割任务中取得了优异的表现。

然而，DeepLabV3+算法的计算量较大，对于硬件设备的要求较高。

因此，本研究采用轻量化的DeepLabV3+算法，以降低计算量、提高实时性。

三、方法本研究采用轻量化的DeepLabV3+算法进行遥感影像农作物语义分割。

具体步骤如下：1. 数据准备：收集包含农作物的遥感影像数据集，并进行预处理，包括裁剪、归一化等操作。

2. 模型构建：采用轻量化的DeepLabV3+算法构建语义分割模型。

通过改进模型结构，降低计算量，提高模型的实时性。

3. 训练与优化：使用标注的遥感影像数据集对模型进行训练，通过调整模型参数和损失函数，优化模型的性能。

4. 测试与评估：使用独立的测试集对模型进行测试，评估模型的准确性和实时性。

四、实验与结果本研究所采用的实验环境为高性能计算机，实验数据集为包含多种农作物的遥感影像数据集。

实验过程中，我们对轻量化的DeepLabV3+算法进行了多次调整和优化，最终得到了较好的实验结果。

在准确率方面，我们的算法在测试集上取得了较高的准确率，能够准确地识别出不同类型的农作物。

在实时性方面，由于采用了轻量化的模型结构，我们的算法在保证准确性的同时，大大降低了计算量，提高了实时性。

五、讨论本研究基于轻量化的DeepLabV3+算法，对遥感影像农作物语义分割算法进行了研究。

遥感图像影像几何校正方法与精度评价遥感技术是一种通过航空器或卫星获取地球表面信息的技术手段。

为了获得准确的地理空间信息，遥感图像需要经过几何校正。

本文将介绍几种常用的遥感图像影像几何校正方法，并探讨它们的精度评价。

一、几何校正方法1. 多点校正法多点校正法是一种常用的几何校正方法。

它通过在图像中选择多个控制点，然后根据这些控制点在现实地面上的坐标，使用几何变换公式进行图像的几何校正。

这种方法简单易行，适用于中等分辨率的图像。

2. 数字高程模型校正法数字高程模型校正法是一种基于数字高程模型的几何校正方法。

首先，通过获取地面的数字高程模型，然后将图像与数字高程模型进行配准，最后进行几何校正。

这种方法的优点是精度较高，适用于高分辨率的图像。

3. 惯导校正法惯导校正法是一种利用航空器或卫星的惯性导航系统进行几何校正的方法。

惯性导航系统可以测量航空器或卫星的姿态和位置信息，根据这些信息对图像进行几何校正。

这种方法的精度较高，适用于航空器或卫星上配备有惯性导航系统的情况。

二、精度评价几何校正的精度评价是衡量几何校正过程中误差大小的方法。

常用的评价指标有均方根误差（RMSE）和控制点定位精度。

1. 均方根误差（RMSE）均方根误差是通过对校正前后的像素位置误差进行统计分析得到的一个指标。

它是校正后图像中所有像素位置误差的平方和的开方。

均方根误差越小，表示几何校正的精度越高。

2. 控制点定位精度控制点定位精度是通过选取一组已知坐标的控制点，然后对校正后图像中的相应像素进行位置测量，计算其与控制点的位置误差。

控制点定位精度越小，表示几何校正的精度越高。

三、案例分析以一幅航拍图像为例，使用多点校正法、数字高程模型校正法和惯导校正法进行几何校正，并对校正后的图像进行精度评价。

多点校正法得到的校正图像的RMSE为0.5个像素，控制点定位精度为2米。

数字高程模型校正法得到的校正图像的RMSE为0.2个像素，控制点定位精度为0.5米。

如何进行遥感影像增强与处理遥感影像是通过航空或卫星等方式获取的地球表面的图像数据。

由于拍摄条件、设备性能以及环境因素的限制，遥感影像常常存在一些问题，如图像模糊、噪声干扰等。

为了提高遥感影像的质量和准确性，需要进行增强和处理。

本文将介绍如何进行遥感影像增强与处理的方法和技巧。

一、图像增强的目的和方法图像增强是指通过一系列的处理方法，改善图像的视觉效果和质量。

其目的是提高图像的对比度，减少噪声，增强图像细节，以便更好地进行分析和解译。

1、直方图均衡化直方图均衡化是一种常用的图像增强方法。

它通过调整图像像素值的分布，使得图像的亮度和对比度得到均衡。

具体步骤是：首先计算图像的灰度直方图，然后根据直方图进行像素值的调整。

直方图均衡化能够有效地增强图像的细节和对比度，使得图像更易于解译。

2、滤波器增强滤波器增强方法主要是通过应用不同类型的滤波器来抑制图像中的噪声和其他干扰。

常用的滤波器有均值滤波器、中值滤波器和锐化滤波器等。

均值滤波器可以平滑图像，中值滤波器可以有效地去除椒盐噪声，而锐化滤波器可以增强图像的边缘。

3、多尺度分析多尺度分析是一种结合不同尺度的信息来进行图像增强的方法。

通过分析图像在不同尺度上的特征，可以更好地理解图像的内容。

常用的多尺度分析方法有小波变换和特征金字塔等。

小波变换能够将图像分解为不同频率的子图像，从而提取出图像的细节信息。

特征金字塔则是一种层次化的图像表示方法，可以在不同尺度上检测出图像的边缘和纹理等特征。

二、图像分割和分类的方法图像分割是指将图像分成若干个具有相同特征的区域的过程。

图像分类是指将图像分配到不同的类别或标签中的过程。

图像分割和分类是遥感影像处理中重要的一步，它可以用于自动提取和识别图像中的目标或区域。

1、基于颜色和亮度的分割方法基于颜色和亮度的分割方法是最常用的一种图像分割方法。

它通过分析图像中像素的颜色和亮度信息，将图像分成不同的区域。

常用的方法有阈值分割、区域生长和分水岭算法等。

一种改进的马尔可夫随机场分割算法闫利;章炼伟;赵展;夏旺【摘要】针对传统马尔可夫随机场没有充分考虑图像像素之间的关系导致对噪声过于敏感的问题,提出了一种改进的MRF图像分割方法.在经典MRF中加入了观察像素的邻域信息,利用拉普拉斯算子来描述MRF中似然能量的可靠性,并使用α-βswap算法获得能量最小解.采用期望最大算法对高斯混合模型进行参数估计前,进行了样本点的可靠性评判和选择,用以提高GMM的可靠性和减少EM算法解算的时间.实验证明,对于存在噪声的遥感光学影像和SAR影像,该方法较经典的马尔可夫随机场算法分割效果表现更好,解算时间也更短.【期刊名称】《遥感信息》【年(卷),期】2018(033)003【总页数】6页(P26-31)【关键词】马尔可夫随机场;高斯混合模型;EM算法;拉普拉斯算子;图像分割【作者】闫利;章炼伟;赵展;夏旺【作者单位】武汉大学测绘学院,武汉430079;武汉大学测绘学院,武汉430079;武汉大学测绘学院,武汉430079;武汉大学测绘学院,武汉430079【正文语种】中文【中图分类】TP7510 引言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[1]。

分割在遥感影像处理过程中非常重要，是遥感信息提取的基础环节。

良好的分割利于目标地物的分类、提取等后续处理。

随着遥感技术的发展，遥感影像的分辨率越来越高，随之而来的是影像噪声的大量增加[2]。

此外诸如合成孔径雷达(synthetic aperture radar，SAR)等新的成像方式也对常见的分割技术带来了挑战[3]。

上述出现的新变化增加了图像的分割难度，使得常见的聚类、分水岭[4]等分割方法不能产生很好的效果，需要引入新的方法来解决这些难题。

马尔可夫随机场(Markov random field，MRF)理论是一种概率理论，它可以被用来分析物理现象的时间或空间的相关性，在图像边缘检测、特征匹配、立体视觉、姿态估计、人脸识别中等邻域有广泛应用[5-6]。

天地图·广西高分辨率影像纠正方法探讨作者：蒙秋萍来源：《卷宗》2019年第04期摘要：介绍天地图·广西高分辨率影像基于ERDAS、Globalmapper、Photoshop等软件的纠正方法。

能够在保证精度的前提下利用常用软件进行影像纠正，让生产工作即可保证工作效率也能节约成本，解决了天地图·广西影像的生产问题，为后续的影像切片服务提供数据。

关键词：天地图·广西；影像纠正；常用软件1 引言“天地图”是国家测绘地理信息局建设的地理信息综合服务网站。

是国家地理信息公共服务平台的公众版。

“天地图”的目的在于促进地理信息资源共享和高效利用，提高其公共服务能力，改进测绘地理信息成果的服务方式，更好地满足国家信息化建设的需要，为社会公众的工作和生活提供方便。

天地图装载了覆盖全球的地理信息数据，这些数据以矢量、影像、三维三种模式展现。

与其他模式相比，影像具有自己独特的特点，如细节丰富、成像快速、直观逼真等。

而高分辨率遥感影像为此提供了重要的数据源，但是由于遥感平台位置、运动状态、地形起伏变化、地球曲率等方面的影响使遥感影像的几何特征和几何精度受到影响，对其后续的地图应用带来不便。

因此，高分辨率遥感影像需要进行纠正处理。

2 资料准备本次纠正任务选择利用遥感影像的RPC参数以及DEM进行正射改正的方法。

因此资料准备包括了待纠正影像数据准备以及辅助资料准备。

待纠正影像主要包括高分1号影像（GF1）、高分2号影像（GF2）、北京2号影像等，本文介绍以GF2与北京2号影像为主。

其中GF2的全色影像分辨率为1米，多光谱影像分辨率为4米，两者融合后影像分辨率可达1米。

北京二号影像的全色影像分辨率为0.8米，多光谱影像分辨率为3米，两者融合后影像分辨率可达0.8米。

辅助资料情况如下，参考影像为0.2米分辨率的统一航摄DOM，大地基准CGCS2000，1985国家高程基准，高斯—克吕格投影，作为采集同名控制点的参考依据。