遥感图像检测论文

遥感图像检测论文

洋河流域遥感图像土地利用分类方法研究 【摘要】遥感影像分类方法的确定是LUCC研究中的关键步骤。文章以洋河流域为研究区，分别进行了非监督分类和监督分类。针对监督分类结果中存在的误差，对水域、植被、城镇与工矿用地三种类型地物的提取分别选择了综合阈值法、植被指数法、DEM数据辅助分析法进行了改进，结果表明改进后的提取结果较监督分类直接得到的结果有了很大的改善。【关键词】遥感图像；监督分类；综合阈值法；植被指数法【中图分类号】TP79 【文献标识码】A【文章编号】1671-5969（2007）16-0164-03一、研究区域概况及图像资料（一）研究区域概况洋河流域是张家口经济发展的中心地带，水资源相对丰富。洋河发源于山西省阳高县和内蒙古兴和县，是永定河上游的一大支流，流域面积约14600km2 。在张家口市流域面积为9762km2，流经万全县、怀安县、张家口市区、宣化县、宣化区、下花园区、怀来县等，干流全长106 km，在朱官屯于桑干河汇合后流至官厅水库，是官厅水库的重要水源。洋河流域形状东西向较长，南北向较短，地形总趋势西北高、东南低。流域的东北、北部和西北沿坝头一带海拔高程1200～1500m之间，西部和南部边界海拔高程一般在500～1000m之间。流域内80％以上为丘陵山区，绝大部分为荒山秃岭。流域内大部分为黄色沙壤土，并有部分砂砾土及黄粘土，沿河川地层厚且较肥沃[1]。（二）信息源遥感信息源的选择要综合考虑其光谱分辨率、空间分辨率、时间分辨率等因素， 这是利用遥感图像进行土地利用分类的关键问题。美国的Landsat TM 图像是当前应用最为广泛的卫星遥感信息源之一，它可提供7个波段的信息， 空间分辨率为30～120m。TM数据源各波段各有特点，可进行不同地物类型的信息提取。相关资料表明TM遥感数据各波段间的信息相关关系为：TM1与TM2，TM5与TM7高度相关，相关系数达以上，信息冗余大，可以考虑不选取TM1波段。另外由于第6个波段的分辨率为120m，不利于地物信息的提取，所以亦不选取TM6波段。一般来说， 选择图像类型时，应考虑研究区域的大小、研究的目的，以及要达到的精度要求，另外不同时相遥感图像的选择对分类精度也具有很大的影响。为了能把水域、城市与工矿用地、林地、耕地、裸地区分开，以洋河流域1987年9月17日的TM图像为信息源进行研究。本文中所使用的遥感图像处理工具为美国ERDAS公司的ERDAS 软件，它是一个功能完整的、集遥感与地理信息系统于一体的专业软件，具有数据预处理、图像解译、图像分类、矢量功能、虚拟gis等多个功能。二、现有遥感图像土地利用分类的主要方法及其分析遥感图像土地利用分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像元划归到各个子空间中以实现分类[2]。按照是否有已知训练样本的分类数据，将其分为非监督分类和监督分类。它们最大的区别在于监督分类首先给定类别，而非监督分类则由图像数据本身的统计特征来确定。（一）非监督分类非监督分类是在多光谱特征空间中通过数字操作搜索像元光谱属性的自然群组的过程，这种聚类过程生成一副有m个光谱类组成的分类图。然后分析人员根据后验知识将光谱类划分或转换成感兴趣的专题信息类[3]。洋河流域内有很多山地，在图像上会产生大量的阴影，导致了像元灰度值的空间变化，这对分类结果有很大的影响。为此可以通过比值运算来去除阴影的影响，使向阳处和背阴处都毫不例外地只与地物的反射率的比值有关。常用算法：近红外波段（TM4）/红外波段（TM3），这样所得到的效果比较好，从原始图像和比值运算后的图像（图像略）中，可以清楚地看到山体阴面的阴影得到了有效的去除。经过比值运算后， 就可以对图像进行非监督分类。得到的分类结果如图1所示。非监督分类只根据地物的光谱特征进行分类，受人为因素的影响较少，不需要对地面信息有详细的了解，但由于“同物异谱、异物同谱”等现像的存在，其结果一般不如监督分类令人满意。比如官厅水库旁边的大量建筑物被分到水体一类。是因为在TM3波段上，水体和建筑物的灰度值相近， 同样在TM7波段上，裸山和建筑物的灰度值也相近。总之，在TM的6个波段上，无论采用哪个波段进行非监督分类，总有几种地物的光谱值接近，因此单纯依靠计算机自动分类取得很好的效果是非常困难的。

遥感原理与应用第一章 电磁波及遥感物理基础名词解释：1、 遥感 2、遥感技术 3、电磁波 4、电磁波谱 5、绝对黑体 6、绝对白体7、灰体 8、绝对温度 9、辐射温度 10、光谱辐射通量密度 11、大气窗口12、发射率 13、热惯量 14、热容量 15、光谱反射率 16、光谱反射特性曲线 填空题：1、电磁波谱按频率由高到低排列主要由 、 、 、 、 、 、 等组成。2、绝对黑体辐射通量密度是 和 的函数。3、一般物体的总辐射通量密度与 和 成正比关系。4、维恩位移定律表明绝对黑体的 乘 是常数。当绝对黑体的温度增高时，它的辐射峰值波长向 方向移动。5、大气层顶上太阳的辐射峰值波长为 μm选择题：(单项或多项选择)1、 绝对黑体的 ①反射率等于1 ②反射率等于0 ③发射率等于1 ④发射率等于0。2、 物体的总辐射功率与以下那几项成正比关系 ①反射率 ②发射率 ③物体温度一次方 ④物体温度二次方 ⑤物体温度三次方 ⑥物体温度四次方。3、 大气窗口是指 ①没有云的天空区域 ②电磁波能穿过大气层的局部天空区域 ③电磁波能穿过大气的电磁波谱段 ④没有障碍物阻挡的天空区域。4、 大气瑞利散射①与波长的一次方成正比关系 ②与波长的一次方成反比关系 ③与波长的二次方成正比关系 ④与波长的二次方成反比关系 ⑤与波长的四次方成正比关系 ⑥与波长的四次方成反比关系 ⑦与波长无关。5、 大气米氏散射 ①与波长的一次方成正比关系 ②与波长的一次方成反比关系 ③与波长无关。问答题：1、 电磁波谱由哪些不同特性的电磁波组成？它们有哪些不同点，又有哪些共性？2、 物体辐射通量密度与哪些因素有关？常温下黑体的辐射峰值波长是多少？3、 叙述沙土、植物和水的光谱反射率随波长变化的一般规律。4、 地物光谱反射率受哪些主要的因素影响？5、 何为大气窗口？分析形成大气窗口的原因，并列出用于从空间对地面遥感的大气窗口的波长范围。6、 传感器从大气层外探测地面物体时，接收到哪些电磁波能量？第二章 遥感平台及运行特点名词解释：1、 遥感平台 2、遥感传感器 3、卫星轨道参数 4、升交点赤经 5、轨道倾角6、近地点角距 7、地心直角坐标系 8、大地地心直角坐标系 9、卫星姿态角10、开普勒第三定理 11、重复周期 12、近圆形轨道 13、与太阳同步轨道14、近极地轨道 15、偏移系数 16、GPS 17、ERTS_1 18、LANDSAT_1 19、SPOT 20、IRS 21、CBERS 22、ZY_1 23、Space Shuttle 24、MODIS 25、IKONOS 26、Quick Bird 27、Radarsat 28、ERS 29、小卫星填空题：1、遥感卫星轨道的四大特点 。2、卫星轨道参数有 。3、卫星姿态角是 。4、遥感平台的种类可分为 、 、 三类。5、卫星姿态角可用 、 、 等 方法测定。6、与太阳同步轨道有利于 。7、LANDSAT系列卫星带有TM探测器的是 ；带有TM探测器的是 。8、SPOT系列卫星可产生异轨立体影像的是 ；可产生同轨立体影像的是 。9、ZY-1卫星空间分辨率为 。10、美国高分辨率民用卫星有 。11、小卫星主要特点包括 。12、可构成相干雷达影像的欧空局卫星是 。选择题：(单项或多项选择)1、 卫星轨道的升交点和降交点是卫星轨道与地球①黄道面的交点②地球赤道面的交点③地球子午面的交点。2、 卫星与太阳同步轨道指①卫星运行周期等于地球的公转周期②卫星运行周期等于地球的自转周期③卫星轨道面朝向太阳的角度保持不变。3、 卫星重复周期是卫星①获取同一地区影像的时间间隔②经过地面同一地点上空的间隔时间③卫星绕地球一周的时间。4、 以下哪种仪器可用作遥感卫星的姿态测量仪①AMS②TM③HRV④GPS⑤星相机。5、 问答题：1、 根据Landsat-1的运行周期，求该卫星的轨道高度。2、 根据Landsat-4/5的运行周期、重复周期和偏移系数，通过计算排出其轨道（赤道处）的分布图。3、 以Landsat-1为例，说明遥感卫星轨道的四大特点及其在遥感中的作用。4、 叙述地心直角坐标系与地心大地直角坐标系的差别和联系。5、 获得传感器姿态的方法有哪些？简述其原理。6、 简述遥感平台的发展趋势。7、 LANDSAT系列卫星、SPOT系列卫星、RADARSAT系列卫星传感器各有何特点？第三章 遥感传感器及其成像原理名词解释：1、遥感传感器 2、探测器 3、致冷器 4、红外扫描仪 5、多光谱扫描仪6、推扫式成像仪 7、成像光谱仪 8、瞬时视场 9、MSS 10、TM 11、HRV 12、SAR 14、INSAR 15、CCD 16、真实孔径侧视雷达17、合成孔径侧视雷达18、全景畸变 19、动态全景畸变 20、 静态全景畸变 21、距离分辨率22、方位分辨率23、雷达盲区24、角隅反射 25、粗加工产品 26、精加工产品27、多中心投影 28、多中心斜距投影填空题：1、MODIS影像含有 个波段,其中250米分辨率的包括 波段。2、RADARSAT-1卫星空间分辨率最高可达 ,共有 种工作模式。3、多极化的卫星为 。4、目前遥感中使用的传感器大体上可分为 等几种。5、遥感传感器大体上包括 几部份。6、MSS成像板上有 个探测单元;TM有 个探测单元。7、LANDSAT系列卫星具有全色波段的是 ,其空间分辨率为 。8、利用合成孔径技术能堤高侧视雷达的 分辨率。9、扫描仪产生的全景畸变，使影像分辨率发生变化，x方向以 变化，y方向以 变化。10、实现扫描线衔接应满足 。选择题：(单项或多项选择)1、 全景畸变引起的影像比例尺变化在X方向①与COSθ成正比②在X方向与COSθ成反比③在X方向与COS²θ成正比④在X方向与COS²θ成反比。2、 全景畸变引起的影像比例尺变化在Y方向①与COSθ成正比②与COSθ成反比③与COS²θ成正比④与COS²θ成反比。3、 TM专题制图仪有① 4个波段②6个波段③7个波段④9个波段。4、 TM专题制图仪每次同时扫描①6条扫描线②12条扫描线③16条扫描线④20条扫描线。5、 HRV成像仪获得的影像①有全景畸变②没有全景畸变。6、 SPOT卫星获取邻轨立体影像时，HRV中的平面镜最大可侧旋①10º②16º③27º④32º。7、真实孔径侧视雷达的距离分辨率与①天线孔径有关②脉冲宽度有关③发射的频率有关。7、 径侧视雷达的方位分辨率与①天线孔径有关②天线孔径无关③斜距有关④斜距无关。问答题：1、叙述侧视雷达图像的影像特征2、MSS、TM、ETM+影像各有何特点？3、有哪几种方法可以获得多光谱摄影影像？4、对物面扫描的成像仪为什么会产生全景畸变？扫描角为θ时的影像的畸变多大？5、叙述Landsat-1上的MSS多光谱扫描仪获取全球（南北纬度81°之间）表面影像的过程。6、TM专题制图仪与MSS多光谱扫描仪有何不同？7、SPOT卫星上的HRV推扫式扫描仪与TM专题制图仪有何不同？8、侧视雷达影像的分辨力、比例尺、投影性质和投影差与中心投影航空或航天像片影像有何不同？9、侧视雷达为什么要往飞机侧方发射脉冲并接收其回波成像？如果向飞机或卫星正下方发射脉冲并接收回波成像会是什么情景？10、简述INSAR测量高程的基本原理。第四章 遥感图像数字处理的基础知识名词解释：1、光学影像 2、数字影像 3、空间域图像 4、频率域图像 5、图像采样6、灰度量化7、BSQ 8、BIL 9、BMP 10、TIFF 11、ERDAS 12、PCI 13、3S集成填空题：1、光学图像是一个 函数。2、数字图像是一个 函数。3、光学图像转换成数字影像的过程包括 等步骤。4、图像数字化中采样间隔取决于图像的 ，应满足 （公式）。5、一般图像都由不同的 、 、 、 的周期性函数构成。6、3S集成一般指 、 和 的集成。选择题：(单项或多项选择)1、 数字图像的①空间坐标是离散的，灰度是连续的②灰度是离散的，空间坐标是连续的③两者都是连续的④两者都是离散的。2、 采样是对图像①取地类的样本②空间坐标离散化③灰度离散化。3、 量化是对图像①空间坐标离散化②灰度离散化③以上两者。4、 图像数字化时最佳采样间隔的大小①任意确定②取决于图像频谱的截止频率③依据成图比例尺而定。5、 图像灰度量化用6比特编码时，量化等级为①32个②64个③128个④256个。6、 BSQ是数字图像的①连续记录格式②行、波段交叉记录格式③象元、波段交叉记录格式。问答题：1、 叙述光学影像与数字影像的关系和不同点。2、 怎样才能将光学影像变成数字影像。3、 叙述空间域图像与频率域图像的关系和不同点。4、 叙述储存遥感图像有哪几种方法，列举2—3种数字图像存储格式，并说明其特点。5、叙述3S集成的形式和作用。第五章 遥感图像几何处理名词解释：1、 共线方程2、外方位元3、像点位移4、几何变形5、几何校正6、粗加工处理7、精加工处理8、多项式纠正9、间接法纠正10、直接法纠正11、灰度重采样12、最邻近像元重采样13、双线性内插14、双三次卷积15、图像配准16、数字镶嵌17、数字地面模型18、正射影像19、地理编码图象 20、DEM填空题：1、 分别写出中心投影，推扫式传感器（旁向，航向倾斜），扫描式传感器的共线方程表达式 ， ， ， 。2、 遥感图像的变形误差可以分为 和 ，又可以分为 和 。3、 外部误差是指在 处于正常的工作状态下，由 所引起的误差。包括 ， ， ， 等因素引起的变形误差。4、 传感器的六个外方位元素中 的变化对图像的综合影响使图像产生线性变化，而 使图像产生非线性变形。 5、 地球自转对于多中心投影影像产生像点位移在 方向上，位移量bb’= 。6、 TM卫星图像的粗纠正使用的参数有 ， ， ， 纠正的变形有 ， 。7、 遥感图像几何纠正的常用方法有 ， ， 。8、 多项式拟合法纠正中，项数N与其阶数n的关系 。9、 多项式拟合法纠正中，一次项纠正 ，二次项纠正 ，三次项纠正 。10、项式拟合法纠正中控制点的要求是 ， ， 。11、多项式拟合法纠正中控制点的数量要求，一次项最少需要 个控制点，二次项最少项需要 个控制点，三次项最少需要 个控制点。12、SPOT图像采用共线方程纠正时需要 ，有 未知参数，最少需要 个控制点。13、常用的灰度采样方法有 ， ， 。14、数字图象配准的方式有 ， 。15、数字图像镶嵌的关键 ， ， 。16、在姿态角都为0的情况下，中心投影像片的投影差为 ，推扫式影像（HRV）的投影差为 ，扫描仪影像（MSS）的投影差 ，侧视雷达影像（SAR）的投影差 。17、灰度采样中，双线性内插的权矩阵采用 函数求取， 双三卷积的权矩阵采用 函数求取。选择题：(单项或多项选择)1、 垂直航线方向距离越远比例尺越小的影像是①中心投影影像②推扫式影像（如SPOT影像）③逐点扫描式影像（如TM影像）④真实孔径侧视雷达影像。2、 垂直航线方向距离越远比例尺越大的影像是①中心投影影像②推扫式影像（如SPOT影像）③逐点扫描式影像（如TM影像）④真实孔径侧视雷达影像。3、 真实孔径天线侧视雷达影像上高出地面的物点其象点位移（投影差）①向底点方向位移②背向底点方向位移③不位移。4、 逐点扫描式影像（如TM影像）上高差引起的像点位移（投影差）发生在①像底点的辐射方向②扫描方向。5、 多项式纠正用一次项时必须有①1个控制点②2个控制点③3个控制点④4个控制点。6、 多项式纠正用二次项时必须有①3个控制点②4个控制点③5个控制点④6个控制点。7、 多项式纠正用一次项可以改正图像的①线性变形误差②非线性变形误差③前两者。8、 共线方程的几何意义是在任何情况下①像主点、像底点和等角点在一直线上②像点、物点和投影中心在一直线上③ 主点、灭点和像点在一直线上。问答题：1． 叙述中心投影的航空像片,MSS多光谱扫描仪影像,SPOT的HRV推扫式影像和真实孔径侧视雷达图像的几何特征。2． 列出中心投影影像、推扫式影像（旁向和航向）、逐点扫描影像和侧视雷达影像的构像方程和共线方程表达式。3． 列出中心投影影像、推扫式影像、逐点扫描影像和侧视雷达影像的投影差公式，并说明投影差产生的像点位移各自不同点。4. 已知中心投影影像姿态产生的变形误差公式为推导出推扫式影像、逐点扫描影像和侧视雷达影像的像点位移公式。5． 叙述最邻近法、双线性内插、双三次卷积重采样原理（可作图说明）和优缺点。6． 两幅影像进行数字镶嵌应解决哪些关键问题？解决的基本方法是什么？7． 叙述多项式拟合法纠正卫星图像的原理和步骤。8． 多项式拟合法选用一次项、二次项和三次项，各纠正遥感图像中的哪些变形误差？9． 多项式拟合法平差后精度应控制在什么范围内？超限了怎么办？10．叙述共线方程法纠正SPOT卫星图像的原理和步骤。11．在几何纠正的重采样中，内插像元4*4图像亮度值矩阵为：在间接法纠正过程中，某地面点反算到原始像点的坐标值为（ ,）,利用最邻近法和双线性内插法求像点的亮度值。12．叙述数字图像镶嵌的过程。13．画出各个外方位元素变化引起的图形变化情况第六章 遥感图像辐射处理名词解释：1、辐射误差2、辐射定标3、大气校正4、图像增强 5、图像直方图 6、假彩色合成 7、密度分割 8、真彩色合成 9、假彩色合成 10、伪彩色图像 11、图像平滑 12、图像锐化 13、边缘检测 14、低通滤波 15、高通滤波 17、图像融合 18、直方图正态化 19、梯度算子 20、线性拉伸 21、拉氏算子 22、直方图均衡 23、邻域法处理 填空题：1、辐射传输方程可以知道，辐射误差主要有 ， ， 。2、常用的图像增强处理技术有 ， 。3、增强的常用方法有 ， ， ， ， ， ， 等。子4、直方图均衡效果 ， ， 。5、3*3的拉普拉斯算子 。6、图像平滑和锐化的关系 。 7、NDVI= 。8、图像融合的层次 ， ， 。9、HIS中的H指 ，I指 ， S指 。 图像融合的常用算法 ， ， ， ， 等。选择题：(单项或多项选择)1、 图像增强的目的① 增加信息量②改善目视判读效果。2、 图像增强①只能在空间域中进行②只能在频率域中进行③可在两者中进行。3、 从图面上看直方图均衡后的效果是①增强了占图面面积小的灰度(地物)与周围地物的反差②减弱甚至于淹没了占图面面积小的灰度(地物)与周围地物的反差③增强了占图面面积大的灰度(地物)与周围地物的反差④减弱占图面面积大的灰度(地物)与周围地物的反差。4、 标准假彩色合成(如TM4、3、2合成)的卫星影像上大多数植被的颜色是①绿色②红色③蓝色。5、 图像边缘增强采用①低通滤波②高通滤波。6、 消弱图像噪声采用①低通滤波②高通滤波。7、 图像融合前必须先进行①图像配准②图像增强③图像分类。8、 图像融合①必须在相同分辨率图像间进行②只能在同一传感器的图像间进行③可在不同分辨率图像间进行④可在不同传感器的图像间进行⑤只限于遥感图像间进行⑥可在遥感图像和非遥感图像间进行。 问答题：10、 根据辐射传输方程，指出传感器接收的能量包含哪几方面，辐射误差及辐射误差纠正内容是什么，11、 简述遥感数字影像增强处理的目的，例举一种增强处理方法，说明其原理和步骤。12、 什么是遥感图像大气校正？为什么要进行遥感图像大气校正？请以多光谱扫描仪（MSS）资料为例，说明大气校正的原理和方法。13、 以美国陆地卫星TM图像的波段为例，分别说明遥感图像的真彩色合成与假彩色合成方案。与真彩色合成图像相比，假彩色合成图像在地物识别上有何优越性？14、 叙述美国陆地卫星ETM图像分辨率30米的5、4、3波段影像与分辨率15米的全色影像进行融合的步骤和方法。15、 说明以下直方图的影像特征。第七章 遥感图像判读名词解释：1、遥感图像判读 2、景物特征 3、判读标志 4、几何分辨率 5、辐射分辨率6、光谱分辨率 7、时间分辨率 8、波谱响应曲线 9、热阴影 10、冷阴影11、雷达盲区 12、角隅反射 13、体散射 14、影像几何特性 15、影像辐射特性16、 地物光谱特征 17、地物空间特征 18、地物时间特征填空题：1、遥感图像信息提取中使用的景物特征有 。2、遥感图像空间特征的判读标志主要有 等。3、传感器特性对判读标志影响最大的是 等。4、光谱分辨率根据 三项指标来判定。5、热红外图像上的亮度与地物的 和 有关， 比 影响更大。6、 侧视雷达图像上的亮度变化与 等有关。选择题：(单项或多项选择) 1、 遥感图像的几何分辨率指 ①象元相应地面的宽度 ②传感器瞬时视场内观察到地面的宽度 ③能根据光谱特征判读出地物性质的最小单元的地面宽度。2、 热红外图像是 ①接收地物反射的红外光成的像 ②接收地物发射的红外光成的像。3、 热红外图像上的亮度与地物的 ①反射率大小有关 ②发射率大小有关 ③反射太阳光中的红外光强度有关 ④温度高低有关。4、 侧视雷达图像垂直飞行方向的比例尺 ①离底点近的比例尺大 ②离底点远的比例尺大 ③比例尺不变。问答题：1、 遥感图像判读主要应用景物的哪些特征？2、 何为传感器的空间分辨率、辐射分辨率、光谱分辨率？3、 叙述TM多光谱图像的几何特征和辐射特征。4、 叙述地物光谱特性曲线与波谱响应曲线之间的关系和不同点？（可作图说明）5、 举例说明为什么多光谱图像比单波段图像能判读出更多的信息？6、 叙述热红外图像的几何特征和辐射特征。7、 叙述侧视雷达图像的几何特征和辐射特征。第八章 遥感图像自动识别分类名词解释：1、模式识别 2、遥感图像自动分类了 3、统计模式识别 4、结构模式识别5、光谱特征向量 6、特征空间 7、特征变换 8、特征选择 9、主分量变换10、哈达玛变换 11、穗帽变换 12、生物量指标变换 13、标准化距离14、类间离散度15、类间离散度16、类内离散度17、判别函数18、判别边界19、监督法分类20、非监督法分类21、条件概率22、先验概率23、后验概率24、贝叶斯判别规则25、马氏距离26、欧氏距离27、计程距离28、错分概率29、训练样区 30、最大似然法分类 31、最小距离法分类32、ISODATA法分类33、混淆矩阵填空题：1、遥感图像上的地物在特征空间聚类的一般特点是 等。2、特征变换在遥感图像分类中的作用是 。3、遥感图像特征变换的主要方法有 等。4、特征选择的目的是 。5、标准化距离的公式 。6、马氏距离公式 ，欧氏距离公式 ，计程距离公式 。7、最大似然法分类判别函数 。8、分类后处理主要包括 ， 。选择题：(单项或多项选择)1、 同类地物在特征空间聚在①同一点上②同一个区域③不同区域。2、 同类地物在特征空间聚类呈①随机分布②近似正态分布③均匀分布。3、 标准化距离大可以说明①类间离散度大，类内离散度也大②类间离散度小，类内离散度大③类间离散度大，和/或类内离散度小④类间离散度小，类内离散度也小。4、 监督分类方法是①先分类后识别的方法②边学习边分类的方法③人工干预和监督下的分类方法。5、 两类地物的最大似然法分类判别边界在①两类地物分布概率相等处②两类地物均值的中值位置③其中一类地物分布概率的最大处。6、 ISODATA法分类的样区①尽量选在同一类别中②尽量包含所需识别的类别③类别是已知的④类别是未知的。问答题：1、 什么叫特征空间？地物在特征空间聚类有哪些特性？2、 作图并说明遥感影像主分量变换的原理和它在遥感中的主要作用。3、 叙述生物量指标变换的原理及其作用。4、 为什么要进行特征选择？列举几种特征选择的主要方法和原理。5、 叙述监督分类与非监督分类的区别。6、 叙述最大似然法分类原理及存在的缺点。7、 叙述最小距离法分类的原理和步骤。8、 叙述ISODATA法非监督分类的原理和步骤。9、 叙述图像增强中的平滑处理与分类后的平滑处理的异同点。10、述改善仅用光谱特征的统计模式识别自动分类的主要方法和基本原理。11、评价以下的混淆矩阵，并求出平均可信度和加权可信度。类 别 1 2 3 4 5 12345其它类 象元数 135 276 463 178 30512、根据下图中两类地物在一维特征空间中的分布，画出最大似然法、最小距离法的判别边界并分析和比较它们的错分概率。第九章 遥感技术的应用名词解释：1、卫星影像地图 2、DRG 3、DLG 4、GIS 5、同轨立体影像 6、邻轨立体影像 7、沙尘暴 8、海洋赤潮 9、地质构造 10、植被指数 11、森林立地条件12、臭氧空洞 13、土壤侵蚀 14、遥感考古 15、蓝冰填空题：1、 利用遥感图像修测地形图，修测的主要内容有 等。2、遥感图像制作影像图时控制点来源有 等。3、森林立地因子包括 等。4、多时遥感影像监测冰川流速的步骤是 等。选择题：(单项或多项选择) 1、 分辨率30米的TM影像，按规范要求的平面精度（图上），适合制作哪种比例尺的影像图 ①1：10000 ②1：100000 ③1：500000。2、 按规范要求的平面精度制作卫星影像图，选控制点用的地形图比例尺，应比影像图的比例尺 ①大一个等级 ②小一个等级。问答题：1、 举例说明制作不同比例尺卫星影像地图时怎样选择遥感图像？2、 叙述遥感监测南极冰川流速和流量的基本方法。3、 中国南方草场三级分类的内容是什么？TM影像可能提取出哪些信息？4、 叙述遥感调查中国南方草场资源的基本方法。5、 叙

自己进百度去查啊!!!!~~~~~~

森林资源调查中SPOT5遥感图像处理方法探讨王照利、黄生、张敏中、马胜利（国家林业局西北林业规划设计院，遥感计算中心，西安710048）本文发表于＜陕西林业科技＞2005 摘要：目前，多光谱、高空间分辨率的SPOT5卫星遥感数据被广泛应用到森林资源调查中。本文结合SPOT5遥感数据的特点，根据森林资源调查的需要，从遥感数据的正射校正、波段组合、融合处理和数据变换处理等方面探讨了SPOT5数据的处理和信息提取。探讨性地提出了适应于森林资源调查的SPOT5遥感数据处理方法。关键词：SPOT5 遥感数据，森林资源调查、数据处理DISCUSSION ON SPOT5 IMAGE DATA PROCESSING FOR FOREST INVENTORYWang Zhaoli, Huangsheng,Zhangminzhong,Ma Shengli(Northwest Institute for Forest Inventory, Planning &Design, Xi’an China 710048)Abstract: Now days, high spatial resolution and multispectral SPOT5 image data are widely applied in forest inventory in China. Based on the characteristics of SPOT5 image and requirements of forest inventory, this paper discusses the processing procedures of ordering image data, ortho-rectification, image bands composition and image data fusion. The complete steps of image processing for forest inventory are words: SPOT5 image data，forest inventory, data processing前言卫星遥感影像具有空间宏观性、视角广、多分辨率（光谱和空间）、多时相、周期性、信息量丰富等特点，所以卫星遥感影像既可以提供森林资源的宏观空间分布信息又能提供局部的详细信息以及随时间、空间变化的信息等[1]。目前在林业领域卫星遥感数据被广泛的应用于不同尺度层次的森林资源调查、资源监测、病虫害、火灾监测等方面。2002年5月法国SPOT地球观测卫星系列之5号卫星（即SPOT5星）发射。SPOT5遥感数据的多光谱波段空间分辨率为10米（短波红外空间分辨率为20米），但全色波段空间分辨率达到米。SPOT5遥感数据的高空间分辨率和多光谱分辨率为森林资源调查提供了丰富的、可靠的、高精度的基础数据源。从性价比分析，在其他高分辨率遥感数据目前比较昂贵的状况下，SPOT5遥感数据比较适宜应用于大面积的森林资源调查，可大幅度的森林调查的减少外业工作量、提高工作效率。在我国SPOT5卫星数据已被大量地应用于森林资源调查工作中，尤其，是在森林资源“二类”调查中被作基本的森林资源信息源提取各类信息。针对于将多光谱分辨率和高空间分辨率的SPOT5遥感数据应用于森林资源调查的数据处理技术和方法鲜有报道。本文总结工作实践，结合SPOT5遥感数据的特点，根据森林资源调查的需要，从遥感数据的订购、正射校正、波段组合、融合处理和数据变换处理等方面探讨了SPOT5数据的基本处理方法。1．SPOT5卫星遥感数据特点SPOT卫星系统采用线性阵列传感器和推扫式扫描技术，具有旋转式平面镜可以进行倾斜观察获得倾斜图像和立体像对。采用与太阳同步的近极地的椭圆形轨道，轨道高度约832Km，轨道倾角 ，每天绕地球14圈多，重复覆盖周期26天[2]。由于有倾斜观测功能，使重复覆盖周期减少到2-3天。SPOT5卫星载有2台高分辨率几何成像仪（HRG）、1台高分辨率立体成像装置（HRS）和1台宽视域植被探测仪（VGT）。高分辨率几何成像仪的波段选择是总结了多年的研究成果，认为HRG的波段设置（见表1）足以取得辨别作物和植被类型的最佳效果。本文主要探讨HRG高空间分辨率数据的处理。2．SPOT5数据的处理方法和过程SPOT5数据处理工作流程： 遥感数据的订购订购数据时，用户需向数据代理商提供购买区域的四个角的大地坐标或者数据的景号（PATH/ROW）。特别应该注意数据订购时间和用户拿到数据之间有时间差，间隔时间长短因用户的要求、天气、卫星重复覆盖周期而异。相对于其他卫星数据，比较有利的一面是SPOT5卫星装置有旋转式平面镜可以进行倾斜观察，用户可向代理商申请红色编程提前得到调查区域的遥感数据，但要支付编程费。对于遥感数据的时相、云量、入射角、阴影量、是否购买高空间分辨率的全色波段等用户根据自己具体的工作需要向代理商提出限制要求。根据我们对SPOT5遥感数据的使用，对于森林资源调查，北方9，10月份和11月初的遥感影像比较适宜。代理商向用户提供经过处理的不同级别的影像产品，在森林资源调查中建议购买SPOT1A级产品，用户可根据自己的工作需要进行处理，同时也可减少费用。 基础数据准备大比例尺地形图和高精度DEM是进行SPOT5遥感数据高精度正射校正必需的基础地理数据。建议购买1：10000地形图和1：25000数字高程模型（DEM）。将1：1万地形图扫描，扫描分辨率设置为300DPI。将扫描好的地形图进行几何精纠正，纠正精度控制在毫米内。从测绘部门购买的1：1万地形图为北京54坐标系3度分带高斯克吕格投影，而1：万DEM为北京54坐标系6度分带投影。在数据准备时，将校正好的1：1万地形图通过换带转换转成和DEM一致的6度分带投影。对于没有1：1万地形图的地区，建议使用差分GPS接收机采集地面控制点。几何正射校正正射校正过程应用了法国SPOT公司发行的GEOIMAGE软件。GEOIMAGE软件有针对SPOT5卫星数据开发的SPOT5物理模型。模型模块自动读取DEM信息。SPOT 物理模型可读取卫星在获取遥感数据的瞬间状态参数，这些参数存贮在数据的头文件中[3]。卫星状态参数包括：卫星成像瞬间的经纬度、高度、倾角等。卫星状态参数能够帮助提高几何校正的精度。以校正好的1：1万地形图为基准，在影像图上找出和地形图上地物相匹配的明显地物作为地面控制点。在进行正射校正时，应先进行全色波段数据校正，然后以校正好的全色波段数据为基准进行多光谱数据校正。以全色波段数据为基准校正多光谱波段就比较容易校正，且能提高两者的匹配精度。地面控制点应分布均匀，影像的边缘部分布要有控制点分布，同时在不同的高程范围最好都有控制点。地面控制点的数量因地形地貌的复杂程度而定，根据我们的经验，一景60KmX60Km的SPOT5数据，一般地势平缓的地区20个左右控制点即可达到满意的结果，在高山区25个左右控制点就可使正射校正精度满足要求。重采样方法采用双线性内插法。 辐射校正用户购买的SPOT5的各级数据，数据提供商已经根据卫星的记录参数对遥感数据做了辐射校正，即消除了传感器自身引起的、大气辐射引起的辐射噪声。若果影像存在薄雾或地形高差较大引起的辐射误差情况，用户应进一步进行辐射校正处理。薄雾的简单消除原理是基于近红外波段不受大气辐射影响，清澈的水体或死阴影区的数值应为零。从各波段数据中减去近红外波段的水体或阴影的不为零值。地形起伏引起的辐射误差校正公式: f (x,y)=g(x,y)/cosa，g(x,y)为坡度为a的倾斜面上的地物影像；f (x,y)为校正后的影像。由于坡度因子参与校正所以需要DEM支持。 波段组合根据SPOT5数据波谱特征（表1），各波段分别记录反映了植被的不同特征方面：B4（SWIR）短波红外反映植物和土壤的含水量，利于植被水分状况和长势分析；B3（NIR）近红外波段对植被类别、密度、生长力、病虫害等的变化敏感；B2（RED）红光波段对植被的覆盖度、植被的生长状况敏感；B1（VIS）可见光波段对植物的叶绿素和叶绿素浓度敏感。经过比较分析和实际应用发现SPOT5的B3、B4、B2波段组合对植被类型的识别要优于B3、B2和B1的组合。但由于B4波段的空间分辨率为20米，使B342组合对植被空间几何细节表达没有B321组合清晰，例如林缘界线信息表达方面B321要优于B342。 影像数据融合对于购买有高空间分辨率全色波段数据的用户，进行数据融合是必不可少的。影像数据融合能够综合不同波段、不同空间分辨率数据（层）的特征，融合后的数据具有更丰富、更可靠的信息[4]。 根据影像数据融合的水平阶段，影像融合分为：像元级、特征级和决策级三个层次。为了最大限度的从SPOT5遥感数据中提取森林植被信息，应进行像元级的数据融合，将米的全色波段和10米多光谱数据进行融合。融合得到的新数据既具有全色波段数据的高空间分辨率特征又具有多光谱特征。像元级数据融合的方法多种多样，根据数据融合的目的，即最大限度的突显森林植被信息，应选取B4、B3、B2和PAN波段，根据我们的试验Brovey 融合算法方法比较理想：遥感影像地图将融合好的数据按Rfused、Gfused、Bfused组合，叠加上行政界线、公里格网、坐标、比例尺等辅助信息，按1：1万地形图分幅生成1：1万纸质图作为外业手图。3. 结果和讨论 几何精度利用SPOT5物理模型，采用1：1万地形图和万DEM ，经过正射校正处理，可使影像的几何精度控制在2个像元内（<10米）,达到1：1万制图标准要求。为以遥感影像为基础信息源提取林分调查因子、区划林班界线生成大比例尺的林相图、森林分布图提供了几何精度保障。 波段选择对于没有全色波段的情况，SPOT5数据的B342组合有利于森林植被类型的识别。在应用遥感技术进行森林资源调查区划中，林分类型信息提取是最为重要的环节，所以B342波段组合是小班区划和外业手图的最佳组合。 融合效果融合数据技术使SPOT5遥感影像既具有全色波段的高空间分辨率又拥有多光谱数据的光谱分辨率，丰富了遥感影像的信息量。采用Brovey算法使SPOT5遥感影像从色彩、纹理等方面增强了影像的可判读性，提高了小班因子正判率和林分小班的区划精度。参考文献1．周成虎，杨晓梅，骆剑承等.《遥感影像地学理解与分析》，科学出版社，北京，2001，．赵英时.《遥感应用分析原理与方法》，科学出版社，北京，．北京视宝卫星图像有限公司.《专业制图工作室GEOIMAGE用户指南》，2004，．Christine Pohl. Geometric Aspects of Multisensor Image Fusion for Topographic Map Updating in The Humid Tropics, ITC Publication, 1996,世纪遥感与GIS的发展来源： 李德仁 时间： 2005-08-11-23:09 浏览次数: 7921世纪遥感与GIS的发展李德仁（武汉大学测绘遥感信息工程国家重点实验室，武汉市珞瑜路129号，430079）摘要：在20世纪，人类的一大进步是实现了太空对地观测，即可以从空中和太空对人类赖以生存的地球通过非接触传感器的遥感进行观测，并将所得到的数据和信息存储在计算机网络上，为人类社会的可持续发展服务。在短短的30年中，遥感和GIS作为一个边缘交叉学科已发展成为一门科学、技术和经济实体。本文深入地论述了21世纪中遥感的6大发展趋势和GIS的5个发展特征。关键词：发展趋势；航空航天遥感；地理信息系统；对地观测中图法分类号：P208；随着计算机技术、空间技术和信息技术的发展，人类实现了从空中和太空来观测和感知人类赖以生存的地球的理想，并能将所感知到的结果通过计算机网络在全球流通，为人类的生存、繁荣和可持续发展服务。在20世纪后半叶，遥感和地理信息系统作为一门新兴的科学和技术，迅速地成长起来。1 遥感技术的主要发展趋势 航空航天遥感传感器数据获取技术趋向三多（多平台、多传感器、多角度）和三高（高空间分辨率、高光谱分辨率和高时相分辨率）从空中和太空观测地球获取影像是20世纪的重大成果之一，短短几十年，遥感数据获取手段迅猛发展。遥感平台有地球同步轨道卫星（35000km）、太阳同步卫星（600—1000km）、太空飞船（200—300km）、航天飞机（240—350km）、探空火箭（200—1000km），并且还有高、中、低空飞机、升空气球、无人飞机等；传感器有框幅式光学相机、缝隙、全景相机、光机扫描仪、光电扫描仪、CCD线阵、面阵扫描仪、微波散射计雷达测高仪、激光扫描仪和合成孔径雷达等，它们几乎覆盖了可透过大气窗口的所有电磁波段。三行CCD阵列可以同时得到3个角度的扫描成像，EOS Terra卫星上的MISR可同时从9个角度对地成像。卫星遥感的空间分辨率从Ikonos Ⅱ的1m，进一步提高到Quckbird（快鸟）的，高光谱分辨率已达到5—6nm，500—600个波段。在轨的美国EO-1高光谱遥感卫星，具有220个波段，EOS AM-1（Terra）和EOS PM-1（Aqua）卫星上的MODIS具有36个波段的中等分辨率成像光谱仪。时间分辨率的提高主要依赖于小卫星技术的发展，通过发射地球同步轨道卫星和合理分布的小卫星星座，以及传感器的大角度倾斜，可以以1—3d的周期获得感兴趣地区的遥感影像。由于具有全天候、全天时的特点，以及用INSAR和D-INSAR，特别是双天线INSAR进行高精度三位地形及其变化测定的可能性，SAR雷达卫星为全世界各国所普遍关注。例如，美国宇航局的长远计划是要发射一系列太阳同步和地球同步的长波SAR,美国国防部则要发射一系列短波SAR，实现干涉重访问间隔为8d、3d和1d，空间分辨率分别为20m、5m和2m。我国在机载和星载SAR传感器及其应用研究方面正在形成体系。“十五”期间，我国将全方位地推进遥感数据获取的手段，形成自主的高分辨率资源卫星、雷达卫星、测图卫星和对环境与灾害进行实时监测的小卫星群。 航空航天遥感对地定位趋向于不依赖地面控制确定影像目标的实地位置（三维坐标），解决影像目标在哪儿（Where）是摄影测量与遥感的主要任务之一。在已成功用于生产的全自动化GPS空中三角测量的基础上，利用DGPS和INS惯性导航系统的组合，可形成航空/航天影像传感器的位置与姿态的自动测量和稳定装置（POS），从而可实现定点摄影成像和无地面控制的高精度对地直接定位。在航空摄影条件下的精度可达到dm级，在卫星遥感的条件下，其精度可达到m级。该技术的推广应用，将改变目前摄影测量和遥感的作业流程，从而实现实时测图和实时数据库更新。若与高精度激光扫描仪集成，可实现实时三维测量（LIDAR），自动生成数字表面模型（DSM），并可推算出数字高程模型（DEM）。美国NASA在1994年和1997年两次将航天激光测高仪（SLA）安装在航天飞机上，企图建立基于SLA的全球控制点数据库，激光点大小为100m，间隔为750m，每秒10个脉冲；随后又提出了地学激光测高系统（GLAS）计划，已于2002年12月19日将该卫星IICESat（cloud and land elevation satellite）发射上天。该卫星装有激光测距系统、GPS接收机和恒星跟踪姿态测定系统。GLAS发射近红外光（1064nm）和可见绿光（532nm）的短脉冲（4ns）。激光脉冲频率为40次/s，激光点大小实地为70m，间隔为170m，其高程精度要明显高于SRTM，可望达到m级。他们的下一步计划是要在2015年之前使星载LIDAR的激光测高精度达到dm和cm级。法国利用设在全球的54个站点向卫星发射信号，通过测定多普勒频移，以精确解求卫星的空间坐标，具有极高的精度。测定距地球1300km的Topex/Poseidon卫星的高度，精度达到±3cm。用来测定SPOT 4卫星的轨道，3个坐标方向达到±5cm精度，对于SPOT 5和Envisat，可望达到±1m精度。若忽略SPOT 5传感器的角元素，直接进行无地面控制的正射像片制作，精度可达到±15m，完全可以满足国家安全和西部开发的需求。 摄影测量与遥感数据的计算机处理更趋向自动化和智能化从影像数据中自动提取地物目标，解决它的属性和语义（What）是摄影测量与遥感的另一大任务。在已取得影像匹配成果的基础上，影像目标的自动识别技术主要集中在影像融合技术，基于统计和基于结构的目标识别与分类，处理的对象既包括高分辨率影像，也更加注重高光谱影像。随着遥感数据量的增大，数据融合和信息融合技术逐渐成熟。压缩倍率高、速度快的影像数据压缩方法也已商业化。我国学者在这些方面取得了不少可喜的成果。 利用多时像影像数据自动发现地表覆盖的变化趋向实时化利用遥感影像自动进行变化监测（What change）关系到我国的经济建设和国防建设。过去人工方法投入大，周期长。随着各类空间数据库的建立和大量新的影像数据源的出现，实时自动化监测已成为研究的一个热点。自动变化监测研究包括利用新旧影像（DOM）的对比、新影像与旧数字地图（DLS）的对比来自动发现变化和更新数据库。目前的变化监测是先将新影像与旧影像（或数字地图）进行配准，然后再提取变化目标，这在精度、速度与自动化处理方面都有不足之处。笔者提出了把配准与变化监测同步的整体处理[1]。最理想的方法是将影像目标三维重建与变化监测一起进行，实现三维变化监测和自动更新。进一步的发展则是利用智能传感器，将数据处理在轨完成，发送回来的直接为信息，而不一定为影像数据。 摄影测量与遥感在构建“数字地球”、“数字中国”、“数字省市”和“数字文化遗产”中正在发挥愈来愈大的作用“数字地球”概念是在全球信息化浪潮推进下形成的。1999年12月在北京成功地召开了第一届国际“数字地球”大会后，我国正积极推进“数字中国”和“数字省市”的建设，2001年国家测绘局完成了构建“数字中国”地理空间基础框架的总体战略研究。在已完成1∶100万和1∶25万全国空间数据库的基础上，2001年全国各省市测绘局开始1∶5万空间数据库的建库工作。在这个数据量达11TB的巨型数据库中，摄影测量与遥感将用来建设DOM（数字正射影像）、DEM（数字高程模型）、DLG（数字线划图）和CP（控制点数据库）。如果要建立全国1m分辨率影像数据库，其数据量将达到60TB。如果整个“数字地球”均达到1m分辨率，其数据量之大可想而知。本世纪内可望建成这一分辨率的数字地球。“数字文化遗产”是目前联合国和许多国家关心的一个问题，涉及到近景成像、计算机视觉和虚拟现实技术。在近景成像和近景三位量测方面，有室内各种三维激光扫描与成像仪器，还可以直接由视频摄像机的系列图像获取目标场三维重建信息。它们所获取的数据经过计算机自动处理后，可以在虚拟现实技术支持下形成文化遗迹的三维仿真，而且可以按照时间序列，将历史文化在时间隧道中再现，对文化遗产保护、复原与研究具有重要意义。 全定量化遥感方法将走向实用从遥感科学的本质讲，通过对地球表层（包括岩石圈、水圈、大气圈和生物圈4大圈层）的遥感，其目的是为了获得有关地物目标的几何与物理特性，所以需要通过全定量化遥感方法进行反演。几何方程式是有显式表示的数学方程，而物理方程一直是隐式。目前的遥感解译与目标识别并没有通过物理方程反演，而是采用了基于灰度或加上一定知识的统计、结构和纹理的影像分析方法。但随着对成像机理、地物波谱反射特征、大气模型、气溶胶的研究深入和数据积累，多角度、多传感器、高光谱及雷达卫星遥感技术的成熟，相信在21世纪，估计几何与物理方程式的全定量化遥感方法将逐步由理论研究走向实用化，遥感基础理论研究将迈上新的台阶。只有实现了遥感定量化，才可能真正实现自动化和实时化。2 GIS技术的主要发展趋势 空间数据库趋向图形、影像和DEM三库一体化和面向对象[2]GIS发展曾经历过栅格、矢量两个不同数据结构发展阶段，目前随着高分辨率卫星遥感数据的飞快增长和数字地球、数码城市的需求，形成了面向对象的数据模型和三库（图形矢量库、影像栅格库和DEM格网库）一体化的数据结构。这样的数据库结构使GIS的发展更加趋向自然化、逼真化，更加贴近用户。以面向应用的GIS软件为前台，以大型关系数据库（Oracle 8i,9i等)为后台数据库管理，成为当前GIS技术的主流趋势。 空间数据表达趋向多比例尺、多尺度、动态多位和实时三维可视化在传统的GIS中，空间数据是以二维形式存储并挂接相应的属性数据。目前，空间数据表达的趋势是基于金字塔和LOD（level of detail）技术的多比例尺空间数据库，在不同尺度表示时可自动显示出相应比例尺或相应分辨率的数据，多比例尺数据集的跨度要比传统地图的比例尺大，在显示不同比例尺数据时，可采用LOD或地图综合技术。真三维GIS的空间数据要存储三维坐标。动态GIS在土地变更调查、土地覆盖变化监测中已有较好的应用，真四维的时空GIS将有望从理论研究转入实用阶段。基于三库一体化的时空3D可视化技术发展势头迅猛，已能再PC机上实现GIS环境下的三维建筑物室外室内漫游、信息查询、空间分析、剖面分析和阴影分析等，基于虚拟现实技术的真三维GIS将使人们在现实空间外，可以同时拥有一个Cyber空间。 空间分析和辅助决策智能化需要利用数据挖掘方法从空间数据库和属性数据库中发现更多的有用知识GIS是以应用导向的空间信息技术，空间分析与辅助决策支持是GIS的高水平应用，它需要基于知识的智能系统。知识的获取是专家系统中最困难的任务。随着各种类型数据库的建立，从数据库中挖掘知识成为当今计算机界一个非常引人注目的课题。从GIS空间数据库中发现的知识可以有效的支持遥感图像解译，以解决“同物异谱”和“同谱异物”的问题。反过来，从属性数据库中挖掘的知识又具有优化资源配置等一些列空间分析的功能[3]。尽管数据挖掘和知识发现这一命题仍处于理论研究阶段，但随着数据库的快速增大和对数据挖掘工具的深入研究，其应用前景是不可估量的。 通过Web服务器和WAP服务器的互联网和移动GIS将推进联邦数据库和互操作的研究及地学信息服务事业随着计算机通讯网络（包括有线和无线网）的大容量和高速化，GIS已成为在网络上的分布式异构系统。许多不同单位、不同组织维护管理的既独立又互联互用的联邦数据库，将可提供全社会各行各业的应用需要。因此，联邦数据库和互操作（federal databases & interoperability）问题成为当前国际GIS联合研究的一个热点。互操作意味着数据库中数据的直接共享，GIS规律功能模块的互操作与共享，以及多点之间的相同工作，这方面的研究已显示出明显的成效。未来的GIS用户将可能在网络上缴纳为其需要所选用数据和软件功能模块的使用费，而不必购买这个数据库和整套的GIS软硬件，这些成果产生的直接效果是GIS应用将走向地学信息服务。目前已兴起的LBS和MLS，即基于位置的服务和移动定位服务，突出地反映了这种变化趋势。它引起的革命性变化使GIS将走出研究院所和政府机关，成为全社会人人具备的信息服务工具。我国目前已有2亿个手机用户，若每人每月为MLS支付10元费用，全国一年的产值将达到240亿。可以预测在不久的将来，地学信息将能随时随地为任何人和任何事情进行4A服务（geo-in-formation for anyone and anything at anywhere and anytime）。 地理信息科学的研究有望在本世纪形成较完整的理论框架体系笔者曾扼要地叙述了地球空间信息科学的7大理论问题[4]：（1）地球空间信息的基准，包括几何基准、物理基准和时间基准；（2）地球空间信息标准，包括空间数据采集、存储与交换标准、空间数据精度与质量标准、空间信息的分类与代码标准、空间信息的安全

遥感图像检测论文怎么写

摄影测量与遥感技术发展论文主要通过对摄影技术与遥感技术的发展进行了研究，并对其在各个方面的运用进行了论述。

摄影测量与遥感技术发展论文【1】

摘要：随着经济的不断发展，科学的不断进步，摄影测量与遥感技术因其运用范围广、作用大而走上了逐渐发展的道路，并且对国民经济生活起着重要的影响。

关键词：摄影测量;遥感技术;发展;应用

摄影测量与遥感技术被划分在地球空间信息科学的范畴内，它在获取地球表面、环境等信息时是通过非接触成像传感器来实现的，并对其进行分析、记录、表达以及测量的科学与技术。

3S技术的应用、运用遥感技术以及数字摄影测量是其主要研究方向。

在多个领域内都可以运用遥感技术与摄影测量，比如：自然灾害、勘查土木工程、监测环境以及国土资源调查等。

随着我国经济的不断发展，运用到遥感技术与摄影测量的领域也在逐渐的增多。

在人类认识宇宙方面，遥感技术与摄影测量为人类提供了新的方式与方法，也为人类对地球的认知以及和谐共处提供了新的方向。

遥感技术和摄影测量可以提供比例不同的地形图以服务于各种工作，并且还能实现基础地理信息数据库的建立;遥感技术与摄影测量与地图制图、大地测量、工程测量以及卫星定位等构成了一整套技术系统，是测绘行业的支柱。

一、摄影测量与遥感技术的发展

从摄影测量与遥感技术的发展来看，摄影测量与遥感技术在近30年的时间里已经涉及到城市建设、水利、测绘、海洋、农业、气象、林业等各个领域，在我国的经济发展中起着至关重要的作用。

摄影测量从20世纪70年代后期从模拟摄影中分离出来，并逐渐步入数字摄影阶段，摄影测量正在逐渐的转变为数字化测绘技术体系。

(一)摄影测量与遥感技术有利于推动测绘技术的进步

我国的摄影测量从上世纪70年代后期经历一个系统的转变。

在经历了模拟摄影测量以及解析摄影测量阶段之后，摄影测量终于步入了数字摄影测量的阶段，这也成为我国传统测绘体系解体，测绘技术新体系兴起的标志。

首先，从数字影像的类型来看，当前我国已经建立了数字栅格图、数字高程模型以及数字正射影像，土地利用与地名数据库也随之建立起来，摄影测量与数据库的多样性在一定程度上为生产运用提供了可能，从而进一步推动了测绘技术的发展。

其次，由于摄影测量与遥感技术的飞速发展，也逐渐被国家所重视，并利用这两项技术来完成了各种地理比例尺地形图的绘制。

此外，还推动了诸多具有全国界别的基础地理信息数据库的建立。

比如：比例尺级别为1：50000，1：1000000等的国家级地理信息数据库;除开国家级的，还有省级、县级等的地理信息数据库等。

(二)摄影测量与遥感技术有利于提升空间数据的获取能力

我国获取空间数据的能力在经过五十年的发展，有了较大的提升。

对具有自主知识产权的处理遥感数据平台进行了研发，从而推动了国产卫星遥感影像地面处理系统的建立，并在摄影测量方面积极进行研究和探索，为我国独立处理信息、获取观测体系的建立提供了坚实的基础。

首先，从获取数据的能力方面来看，传感器在国家863以及973计划的支持上成功被研制出来，成功发射了对地观测的包括通信卫星、海洋卫星、气象卫星以及资源卫星等五十多颗卫星，并推动了资源、风云、环境减灾以及海洋四大民用对地观测卫星体系的建立，实现了从太阳和地球同步轨道对地球多传感器、多平台的观测以及对地球表面分辨率不同的雷达和光学图像的获取，并将这些获取的数据用于对海洋现象、大气成分、自然灾害以及水循环等各个方面的监测。

其次，从数据储备方面来看，数据积累已经成功的覆盖了全国海域、陆地以及我国周围国家和地区的包括一千五百万平方公里的地球表面数据。

二、摄影测量与遥感技术在国民经济各项领域中的运用

(一)摄影测量与遥感技术在应对自然灾害中的运用

在发生自然灾害时，为了能够第一时间了解灾情的具体分布，获取高分辨率灾区遥感影像，可以采用低空无人遥感、航天、航空遥感等方式，对灾区原有的地理信息以及尺度进行整合，推动地理信息服务平台的建立，将多尺度影像地图制作出来，及时、有效的提供地理信息以及地图数据支持，为及时制定出应对自然灾害的措施提供了依据。

比如在汶川地震时，在灾区道路交通与通信严重受损的情况下，通过摄影测量与遥感技术在第一时间获取了灾区的详细信息与资料，并利用航空遥感技术和无人机连续、动态的实现对灾区的监测，并对道路交通以及房屋倒塌等情况进行分析，建立起灾区地理信息综合服务平台，将灾区的地理信息数据进行整合，比如水系、居民地以及交通等，为各级抗震救灾指挥部门作出正确的决策以及救援人员的搜救工作提供了及时有效的灾情信息。

在灾区的救援工作中，发挥着至关重要的作用。

(二)摄影测量与遥感技术在气象中的运用

在气象方面中，摄影测量与遥感技术主要运用在对各种气象灾害的.预报和监测两方面。

在热带天气系统的监测方面，气象卫星发挥着极其重要的作用，尤其是对于台风的预报和监测。

在我国的春、夏季中，雷雨、暴雨等作为多发性的灾害性天气，在监测和分析方面，如果运用常规的气象观测资料是非常困难的。

利用具有高空间分辨率和高时间密度特点的卫星云图以及卫星产品，可以对对流系统的演变、发生、移动以及发展过程进行全方位的监测，从而为对流天气的分析和提前预警提供了非常重要的信息。

三、结语

摄影测量与遥感技术的应用已经逐渐步入信息化阶段。

随着我国航空航天技术的不断发展，如何将各行各业的发展与摄影测量和遥感技术相结合从而推动我国经济的发展，已经成为未来摄影测量和遥感技术发展的主要方向。

【参考文献】

[1]张景雄.地理信息系统与科学[M].武汉：武汉大学出版社，2010：108―114

[2]张剑清.潘励.王树根.摄影测量学[M].武汉：武汉大学出版社，2009：89―93

[3]李德仁.王树根.周月琴.摄影测量与遥感概论[M].北京：测绘出版社，2008：131―137

[4]乔瑞亭.孙和利.李欣.摄影与空中摄影学[M].武汉：武汉大学出版社，2008：178―182

[5]窦超.李兆钧.浅谈摄影测量与遥感的发展应用[M].青海国土经略，2011(06)：29―31

摄影测量与遥感技术的新特点及技术【2】

摘要：本文主要分析了近年来我国摄影测量与遥感技术表现出的许多新的特点，分别从航空摄影自动定位技术、近景摄影测量、低空摄影测量、SAR数据处理、多源空间数据挖掘等方面进行了总结与论述。

关键词：电子科技论文发表,科技论文网,自动定位技术,近景摄影测量,低空摄影测量,SAR数据处理,多源空间数据挖掘

前言：摄影测量与遥感是从摄影影像和其他非接触传感器系统获取所研究物体，主要是地球及其环境的可靠信息，并对其进行记录、量测、分析与应用表达的科学和技术。

随着摄影测量发展到数字摄影测量阶段及多传感器、多分辨率、多光谱、多时段遥感影像与空间科学、电子科学、地球科学、计算机科学以及其他边缘学科的交叉渗透、相互融合，摄影测量与遥感已逐渐发展成为一门新型的地球空间信息科学。

1、航空摄影自动定位技术

近年来，随着卫星导航和传感器技术的进步，遥感对地目标定位逐步摆脱了地面控制点的束缚，向少控制点甚至是无控制点的方向发展。

利用基于载波相位测量的GPS动态定位技术测定航空影像获取时刻投影中心的3维坐标，以此为基础研究了GPS辅助空中三角测量理论和质量控制方法，在加密区四角布设地面控制点的GPS辅助光束法区域网平差的精度可满足摄影测量规范的精度要求，大量减少了航空摄影测量所需的地面控制点。

研究成果已大规模用于国家基础测绘，产生了显著的社会和经济效益。

开展利用在飞机上装载IMU和GPS构成的POS系统直接获取航摄像片6个外方位元素的多传感器航空遥感集成平台研究，可实现定点航空摄影和无地面控制的高精度对地目标定位。

研究成果表明，在1：5万及以下比例尺的4D产品生产中，可直接使用POS系统测得的像片外方位元素进行影像定向，基本无需地面控制点和摄影测量加密，从而改变了航空摄影测量的作业模式，并使无图区、困难地区的地形测绘和空间信息数据的实时更新成为可能。

2、近景摄影测量技术

近景摄影测量的研究应用领域已涉及空间飞行器制造、航空工业、船舶工业、汽车工业、核能工业、化学工业以及医学、生物工程、公安刑事侦破、交通事故及其他事故现场处理、古建筑建档和恢复、大型工程建设监测等方面。

利用数字相机与实时数字近景摄影测量技术相结合建立相应的工业零件检测系统。

该类系统使用高重叠度序列图像作为影像数据源，利用较多同名特征的冗余观测值成功地进行粗差剔除，根据2维序列图像导出物体不同部位的3维信息，然后将这些3维信息融为统一的表面模型，实现了高精度3维重建。

利用数码相机与全站仪集成形成一个全新的测量系统——摄影全站仪系统。

尽管传统近景摄影测量近年来得巨大发展，但必须在被测物体表面或周围布设一定数量的控制点，摄影测量工作者心中的“无接触测量“没有真正实现。

全站仪作为一种高精度测量仪器在工程测量中被广泛接受，本质上它是一种基于”点“的测量仪器。

将它与基于”面“的摄影测量有机地结合起来，形成一个全新的测量系统——摄影全站仪系统。

在该系统中，量测数码相机安装在全站仪的望远镜上，测量时利用全站仪进行导线测量，在每个导线点利用量测数码相机对被测物体进行摄影。

每张影像对应的方位元素可以由导线测量与全站仪的读数中获取。

3、低空摄影测量技术

近年来随着低空飞行平台(固定翼模型飞机、飞艇、直升机、有人驾驶小型飞机)及其辅助设备的进一步完善、数码相机的快速普及和数字摄影测量技术的日趋成熟，由地面通过无线电通讯网络，实现起飞、到达指定空域、进行遥感飞行以及返回地面等操作的低空遥感平台为获取地面任意角度的清晰影像提供了重要途径。

建立基于无人驾驶飞行器的低空数字摄影测量与遥感硬件系统。

硬件平台包括无人驾驶遥控飞行平台，差分GPS接收机，姿态传感器，高性能数码相机和视频摄像机，数据通讯设备，影像监视与高速数据采集设备，高性能计算机等等。

需要深入研究无人驾驶飞行平台的飞行特性，并研制三轴旋转云台、差分GPS无线通讯、视频数据的自动下传、自动曝光等关键技术。

研究无人驾驶飞行平台的自动控制策略。

在飞行器上搭载飞控计算机，由差分GPS数据得到飞艇(相机)的精确位置，在此基础上对较低分辨率的视频序列影像进行匹配，结合姿态传感器的输出信号实时自动确定飞行器的姿态，从而进行飞行自动控制，并将所有数据同时下传到地面监控计算机。

研究多基线立体影像中连接点的多影像匹配方法与克服影像几何变形的稳健影像匹配方法。

数字表面模型与正射影像的自动获取及立体测图。

4、SAN数据处理技术

SAR成像具有全天时、全天候的工作能力，它与可见光红外相比具有独特的优势。

随着我国SAR传感器研制技术的进一步发展，先后研制了不同波段，不同极化方式，空间分辨率达到 In的传感器，并在SAR立体测绘方面设计了不同轨道和相同轨道的重复观测，为我国开展SAR技术的相关研究奠定了数据基础。

根据不同应用目的的SAR图像与可见光图像的融合。

利用SAR和可见光反映地物不同特性的特点，在提取不同土壤性质以及洪水监测和灾害评估方面采用不同的融合方法，取得了一定的理论成果，并完成了国家和部门的科研课题。

SAR图像噪声去除方法。

由于SAR的成像特点，造成了SAR图像的信噪比低，噪声严重。

提出了自适应滤波思想，基于图斑的去噪方法以及噪声去除方法的评价等。

机载和星载重复轨道的SAR立体测图技术以及星载的InSAR技术和D—InSAR的突破。

完成了星载InSAR生成DEM及D—InSAR形变检测的相关软件开发，利用极化SAR数据提取地物目标，开展极化干涉测量的研究。

5、多源空间数据挖掘技术

多源空间数据挖掘技术主要研究应用数学方法和专业知识从多源对地观测数据中，提取各种面向应用目的的地学信息。

从遥感图像数据中挖掘GIS数据。

在统计模式识别的基础上，通过神经网络、模糊识别和专家系统等技术实现图像光谱特征自动分类。

基于纹理分析的分类识别。

包括基于统计法的纹理分析、基于分形法的纹理分析、基于小波变换的纹理分析、基于结构法的纹理分析、基于模型法的纹理分析和空间/频率域联合纹理分析等。

遥感图像的解译信息提取。

把计算机自动识别出来的影像，结合GIS数据库或解译员的知识，确定其对应的地学属性。

包括基于GIS数据的图像信息识别、基于地学知识辅助的图像信息识别、基于专家知识辅助的图像信息识别、基于立体观察的图像信息识别、基于矢量栅格转化的信息提取和基于多源数据融合的信息识别等。

摄影测量与遥感的现状及发展趋势【3】

摘 要：随着信息时代的来临，人类社会步入全方位信息时代，各种新兴的科学技术迅猛发展，并广泛应用于人类生活中去。

摄影测量与遥感技术被广泛应用于我国测绘工作去，本文探讨了我国摄影测量与遥感的发展现状以及展望了发展趋势。

关键词：摄影测量;遥感;现状

随着信息时代的来临，人类社会步入全方位信息时代，各种新兴的科学技术迅猛发展，并广泛应用于人类生活中去。

摄影测量经历了模拟摄影测量、解析摄影测量和数字摄影测量三个阶段。

而在这期间，从遥感数据源到遥感数据处理、遥感平台和遥感器以及遥感的理论基础探讨和实际应用，都发生了巨大的变化。

数字地球(digitalearth)的概念是基于信息高速公路的假设和地理空间信息学的高速发展而产生的，数字地球为摄影测量与遥感学科提供了难得一遇的机会和明确的发展方向，与此同时，也向摄影测量和遥感技术提出了一些列的挑战。

而摄影测量和遥感学科是为数字地球提供空间框架图像数据及从数据图像中获得相关信息惟一技术手段

一、国内外摄影测量与遥感的现状

(一)摄影测量现状

摄影测量经历了漫长的发展过程，随着计算机技术以及自动控制技术的高数发展，进入20世纪末期的时候，基于全数字自动测图软件的完成，数字摄影测量工作站获得了迅猛发展并普遍存在于测量工作中。

进入21世纪后，科学技术的提升帮助摄影测量进入了数字化时代，数字摄影测量学学科与计算机科学有了大面积的知识交叉，摄影测量工具也变为较为经济的计算机输入输出设备，这种革命性的变革，使得数字摄影测量提升到了另一个台阶，数字摄影测量的语义信息提取、影像识别与分析等方面均产生了从质到量的变化。

目前我国各省测绘局均已广泛应用了数字摄影测量，建立了数字化测绘生产基地，实现了全数字化摄影测量与全球定位系统之间的有机合成，并且应用与测量实际工作中。

(二)遥感技术现状

目前遥感技术主要应用在日常的天气、海洋、环境预报及灾害监测、土地利用、城市规划、荒漠化监测、环境保护等方面，为社会带来了巨大的经济利益。

尤其要提出的是航天遥感，是利用卫星遥感获取各种信息是目前最有效的方法。

在实现数字地球概念，卫星遥感技术具有很重要的地位。

数字地球的实际意义就是将地球转为一个虚拟的球体，以数字形式来表达地球上的不同种类的信息，实现三维式和多分辨形式的地球描述。

数字地球是一个数量庞大的工程，从长远来看，信息量的更新一集信息的收取都需要卫星遥感技术提供可靠的信息源，换句话说，卫星遥感是实现数字地球的必要手段，也是其他手段不能够替代的。

二、摄影测量与遥感的应用与主要技术

(一)摄影测量与遥感在地籍测量中的应用

应用数字摄影测量与遥感模式进行地籍测量前景非常广阔。

航空航天事业的飞速发展，为高分辨率卫星遥感影像技术为空间地理信息提供主要的数据元。

主要以激光成像雷达、双天线SAR系统等三维数字摄影测量系统。

利用卫星遥感进行土地资源调查和土地利用动态监测，为快速及时的变更地籍测量做好参照，同时还能顺利的完成地籍线画图的测绘，还可以得到正射影像地籍图、三维立体数字地籍图等附属产品。

数字摄影测量主要以大比例尺航空像片为数据采集对象，利用该技术在航片上采集地籍数据，实行空三加密。

数字摄影测量与模式得到的地籍图信息丰富，实时性强;大部分工作均在室内完成，降低劳动强度与人工成本，还能大幅度提高工作效率，是一种非常实用的地籍测量模式。

(二)摄影测量在三维模型表面重建的应用

三维物体的重建技术可广泛应用于古建筑重建和文物保护、医学重建、工业量测、人脸重建、人体重建及程勘察等方面，这种技术主要通过手持量测数码相机进行操作，得到一组具有短基线和多度重叠的图片，通过立体匹配获取可靠的模型点数据。

基于短基线多影像数字摄影测量的快速三维重建技术能够解决静静摄影测量中不能同时兼顾变形早点近景和远景的问题，在操作过程中采用量测数码相机以及手持拍摄方式，使得这种技术简单快速，并且具有高度自动化的有点。

(三)遥感自动定位技术的应用

遥感自动定位技术能够确定影响目标的实际位置，并且准确的解译影响属性，在GPS空中三角测量的基础上，利用惯性导航系统，形成航空影响传感器，实现高精度的定点摄影成像。

在卫星遥感条件下，精度甚至可以达到米级。

遥感自动定位技术的应用，有助于实现实时测图和实时数据更新的作业流程，能够大量减少野外像控测量的工作量。

三、摄影测量与遥感发展展望

目前，摄影测量与遥感技术在数据获取与处理、信息服务和数据分析方面都有了新的进展，数据获取装备发展迅猛，数据处理系统自动化程度相应的提高，航空摄影测量软件实现模块化和标准化，实现了内外一体化的航空摄影测量方法，遥感影像信息管理能力增强。

除此之外，还可以看到测绘领域的全球化进程日益加剧。

四、结语

虽然现在摄影测量与遥感技术相对发展迅速，并且已经广泛应用与测绘工作中，逐步实现数字化与智能化。

在我国目前，摄影测量与遥感装备存在产品种类单一、生产效率低等实际生产问题，这是与飞速发展的信息产业背道而驰的，达不到国际水平。

需要国家发展测绘仪器制造业和专业软件开发能力，跨学科展开合作，集中优势力量，通过政府出台政策来引导市场发展，我国想要在摄影测量与遥感上取得更大的飞跃，还有一段很长的路要走。

参考文献：

[1]李德仁等.地球空间信息学与数字地球[C].空间数据基础设施与数字地球论文集，1999.

[2]刘经南.激光扫描测高技术的发展与现状[M].武汉大学学报，2003(2)：132-137.

[3]郑立中，陈秀万.中国卫星遥感与定位技术应用的现状和发展[A].中国遥感奋进创新二十年学术论丈集[C].北京：气象出版社，2001.

一、资料的收集与分析 遥感制图所需的资料范围较广，一般需要收集如下资料 1、编制地区的普通地图 、 （1）比例尺最好与成图比例尺一致或稍大于成图比例尺 （2）选用面积变形较小的地图投影 2、遥感资料 后几年的影像 在选择遥感图像时，要遵循以下几个原则： （1）空间分辨率及制图比例尺的选择 空间分辨率指像素 代表的地面范围的大小，即扫描仪的瞬时视场或地面物体能分辨的最小单元。 空间分辨率指像素所代表的地面范围的大小，即扫描仪的瞬时视场或地面物体能分辨的最小单元的地面范围的大小 由于遥感制图是利用遥感图像来提取专题制图信息的，因此在选择遥感图像空间分辨率时要考虑以 下两点要素：一是判读目标的最小尺寸，二是地图成图比例尺。遥感图像的空间分辨率与地图比例尺有 密切关系：空间分辨率越高图像可放大的倍数越大，地图的成图比例尺也越大。 遥感图像的比例尺应与成图比例尺一致或象片比例尺稍大于成图比例尺，这样可以避免成图比例尺 大尺度变换的繁琐技术问题。但对于专题要素的判读、分类、描绘来说，往往要选择大于地图比例尺的 象片为宜。 （2）波谱分辨率与波段的选择 波谱分辨率是指传感器在接受目标辐射的波谱时能分辨的最小波长间隔。间隔越小，分辨率越高。 波谱分辨率是指传感器在接受目标辐射的波谱时能分辨的最小波长间隔。间隔越小，分辨率越高。 是指传感器在接受目标辐射的波谱时能分辨的最小波长间隔 波谱分辨率，是由传感器所使用的波段数目，也就是选择的通道数，以及波段的波长和宽度所决定。各 遥感器波普分辨率在设计时， 都是有针对性的， 多波段的传感器提供了空间环境不同的信息。 TM 为例： 以 TM1 蓝波段：对叶绿素和夜色素浓度敏感，用于区分土壤与植被、落叶林与针叶林、近海水域制图。 TM2 绿波段：对无病害植物叶绿素反射敏感 TM3 红波段：对叶绿素吸收敏感，用于区分植物种类。 TM4 近红外波段：对无病害植物近红外反射敏感，用于生物量测定及水域判别。 TM5 中红外波段：对植物含水量和云的不同反射敏感，可判断含水量和雪、云。 TM6 远红外波段：作温度图，植物热强度测量 TM 图象的性质 波段 1 2 3 4 5 6 7 光谱范围 （微米） — — — — — — — 光谱性质 蓝 绿 红 近红外 中（近）红外 热（中）红外 中红外 地面分辨 率（米） 30 30 30 30 30 120 30 主 要 应 用 地壤与植被分类 健康植物的绿色反射率 探测不同植物的叶绿素吸收 生物量测量，水体制图 植物湿度测量，区分云与雪 植物热强度测量，其它热制图 水热法制图，地质采矿 包括航空象片、卫星象片及它们的底片和磁带、航空象片镶辑图、若为动态监测还需要前 （3）时间分辨率与时相的选择 遥感图像是某一瞬间地面实况的记录，而地理现象是变化、发展的。因此，在一系列按时间序列成像的 遥感图像 多时相遥感图像中，必然存在着最能揭示地理现象本质的“最佳时相”图像 把传感器对同一目标进行重复探测时， 相邻两次探测的时间间隔称为遥感图像的时间分辨率。 Landsat 如 1、2、3 的图像最高时间分辨率为 18 天，Landsat4、5、7 为 16 天，SPOT-4 为 26 天，而静止气象卫星的 时间分辨率仅为半小时。 遥感图像的时间分辨率对动态监测尤为重要。如：天气预报、灾害监测等需要短周期的时间分辨率，因 此常以“小时”为单位。植物、作物的长势监测、估产等需要用“旬”或“日”为单位。 显然只有气象卫星的图像信息才能满足这种要求；研究植被的季相节律、农作物的长势，目前以选择 landsat-TM 或 SPOT 遥感信息为宜。 3、其他资料 土地现状图、土地利用报告 、编图地区的统计资料、政府文件、地方志等 二、确立专题要素的分类系统 三、遥感图像处理 1、遥感图像处理方法的选择 、 （1）光学处理法 常用的方法有：假彩色合成（加色法、减色法）、等密度分割、图像相关掩膜。 （2）数字图像校正 方法：辐射校正、几何校正 （3）数字图像增强的方法： A. 对比度变换 B.空间滤波：是指在图像空间或空间频率对输入图像应用若干滤波函数而获得改进的输出图像的技术。 空间滤波 常用的空间滤波的方法有：平滑和锐化。 ：平滑和锐化 平滑：图像中出现某些亮度变化过大的区域，或出现不该有的亮点（“噪声”）时，采用平滑的方法可以减小变化， 平滑 使亮度平缓或去掉不必要的“噪声”点。具体方法有：均值平滑、中值滤波 均值平滑、 均值平滑 锐化：为了突出图像的边缘、线状目标或某些亮度变化率大的部分，可采用锐化方法。常用的几种方法：罗伯特 锐化 梯度、索伯尔梯度、拉普拉斯算法、定向检测 C.彩色变换 彩色变换就是将黑白图像转换成彩色图像的方法。主用的方法有单波段彩色变换、多波段彩色变换、 彩色变换: 彩色变换 HLS 变换等。 D.图像运算 E.多光谱变换 多光谱变换: 多光谱变换 两幅或多幅单波段影像，完成空间配准后，通过一系列运算，可以实现图像增强，达到提取某些信息 或去掉某些不必要信息的目的。方法：差值运算、比值运算 多光谱变换就是指用某种变换把信息集中于较少（一般为 3 个）波段内。常用的方法有：主成分分 主成分分 变换） 缨帽变换（ 、缨帽变换 变换） 、沃尔什—哈达玛变换、傅立叶变换、植被指数变换、斜变 析（K-L 变换） 缨帽变换（K-T 变换） 、 换、余弦变换等等。 主成分分析（ 变换） 主成分分析（K-L 变换）的主要特性有二： a．能够把原来多个波段中的有用信息尽量集中到数目尽可能少的新的组分图像中。 b．还能够使新的组分图像中的组分之间互不相关，也就是说各个组分包含的信息内容是不重叠的。 K-L 变换的缺点 的缺点是不能排除无用以至有碍的噪声和干扰因素。 的缺点 缨帽变换（ 变换） ：它是 Kauth 和 Thomas（1976 年）通过分析 MSS 图像反映农作物或植被生长过程的数据结 缨帽变换（K-T 变换） 构后，提出的正交线性变换。 K-T 变换的特点：a．能够把原来多个波段中的有用信息压缩到较少的新的波段内。 b．要求新波段正交或近似正交。 c．分离或削弱无用的干扰因素。 （4）多源信息复合 ） 四、遥感图像的判读 1、遥感图像目视判读 遥感图像的判读标志： 遥感图像的判读标志：是指图像上反映出的地物和现象的图像特征，是以深浅不同的黑白色调（灰阶） 或不同的色彩构成的各种各样图形现象出来的。 遥感图像的判读标志可概括为：颜色、形状、空间位置 ：颜色、形状、 颜色——色调、 颜色、 颜色——色调、 颜色、阴影 ——色调 形状——形状、纹理、 大小 、 形状 、 位置——位置、图型、相关布局 位置 2、目视解译的方法 （1）直接判读法（2）对比分析法 （3）信息复合法（4）综合推理法（5）地理相关分析法 （1）直接判读法：是根据遥感影像目视判读直接标志，直接确定目标地物属性与范围的一种方法。 直接判读法 例如，在可见光黑白像片上，水体对光线的吸收率强，反射率低，水体呈现灰黑到黑色，根据色调可以从影像 上直接判读出水体，根据水体的形状则可以直接分辨出水体是河流，或者是湖泊。在 MSS4、5、7 三波段假彩色影 像上，植被颜色为红色，根据地物颜色色调，可以直接区别植物与背景。 （2）对比分析法 此方法包括同类地物对比分析法、空间对比分析法和时相动态对比法。 A.同类地物对比分析法 同类地物对比分析法是在同一景遥感影像上，由已知地物推出未知目标地物的方法。 同类地物对比分析法 B.空间对比分析法 空间对比分析法是根据待判读区域的特点，选择另一个熟悉的与遥感图像区域特征类似的影像，将两个影像相互 空间对比分析法 对比分析，由已知影像为依据判读未知影像的一种方法。 C.时相动态对比法，是利用同一地区不同时间成像的遥感影像加以对比分析，了解同一目标地物动态变化的一种解 .时相动态对比法 译方法。 （3）信息复合法：利用透明专题图或者透明地形图与遥感图像重合，根据专题图或者地形图提供的多种辅助信息， 信息复合法 识别遥感图像上目标地物的方法。 （4）综合推理法：综合考虑遥感图像多种解译特征，结合生活常识，分析、推断某种目标地物的方法。 综合推理法 （5）地理相关分析法：根据地理环境中各种地理要素之间的相互依存，相互制约的关系，借助专业知识，分析推断 地理相关分析法 某种地理要素性质、类型、状况与分布的方法。 3、目视解译的基本步骤 （1）准备工作 •选择合适波段与恰当时相的遥感影像 •相关专题地图的准备 •工具材料准备 •熟悉地理概况 •确定专题分类系统 （2）室内初步解译与判读区的野外考察 室内建立初步判读标志 •初步解译的主要任务是掌握解译区域特点，确立典型解译样区，建立目视解译标志，探索解译方法，为全面解译 奠定基础。 •在室内初步解译的工作重点是建立影像解译标准，为了保证解译标志的正确性和可靠性，必须进行解译区的野外 调查。野外调查之前，需要制定野外调查方案与调查路线。 野外考察验正判读标志 在野外调查中，为了建立研究区的判读标志，必须做大量认真细致的工作，填写各种地物的判读标志登记表， 以作为建立地区性的判读标志的依据。在此基础上，制订出影像判读的专题分类系统，根据目标地物与影像特征之 间的关系，通过影像反复判读和野外对比检验，建立遥感影像判读标志。 （3）室内详细判读 在详细判读过程中，要及时将解译中出现的疑难点、边界不清楚的地方和有待验证的问题详细记录下来，留待野 外验证与补判阶段解决。 （4）野外验证与补判 野外验证指再次到遥感影像判读区去实地核实解译的结果。主要内容包括两方面： •检验专题解译中图斑的内容是否正确。 •验证图斑界线是否定位准确，并根据野外实际考察情况修正目标地物的分布界线。 （5）目视解译成果的转绘与制图 遥感图像目视判读成果，一般以专题图或遥感影像图的形式表现出来。 五、遥感图像计算机解译 图像分类方法 监督分类 1.(1) 最小距离法 最小距离法（minimum distance classifier） •以特征空间中的距离作为像素分类的依据。 •在遥感图象上对每一类别选取一个具有代表意义的统计特征量；计算待分像元与已知类别之间的距离，将其归 属于距离最小的一类。 •最小距离分类法原理简单，分类精度不很高，但计算速度快，它可以在快速浏览分类概况中使用。 (2) 分级切割分类法 分级切割分类法（multi-level slice classifier） 多级切割法（multi-level slice classifier）是根据设定在各轴上的值域分割多维特征空间的分类方法。 (3) 特征曲线窗口法 •特征曲线窗口法分类的依据是：相同的地物在相同的地域环境及成像条件下，其特征曲线是相同或相近的，而不 同地物的特征曲线差别明显。 •特征曲线窗口法分类的效果取决于特征参数的选择和窗口大小。各特征参数窗口大小的选择可以不同，它要根据 地物在各特征参数空间里的分布情况而定。 (4) 最大似然法 最大似然法（maximum likelihood classifier） •地物图象可以以其光谱特征向量 X 作为亮度在光谱特征空间中找到一个相应的特征点，来自于同类地物的各种特 征点在特征空间中将形成一种属于某种概率分布的集群。 • 判别某一特征点类属的合理途径是对其落进不同类别集群中的条件概率进行比较， 相应于条件概率大的那个类别， 应是该特征点的归属。 2、监督分类步骤 （1）选择有代表性的训练场，确定各类地物的范围界线。 （2）对各类地物光谱值统计，提取各地物的数值特征。 （3）确定分类判别函数：最小距离法、马氏距离法等。 （4）分类参数、阈值的确定；各类地物像元数值的分布都围绕一个中心特征值，散布在空间的一定范围，因此需要 给出各类地物类型阈值，限定分布范围，构成分类器。 （5）分类：利用分类器分类。 （6）检验：对初步分类结果精度进行检验（分类精度、面积精度、位置精度等） 对分类器进行调整。 （7）待分类影象分类。 （8）分类结果的矢量化。 非监督分类 前提：遥感影象上同类物体在同样条件下具有相同的光谱信息特征，依靠影象上不同类地物光谱信息（或纹理信息） 进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的个别类进行确认。 非监督分类方法是在没有先验类别（训练区）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度 非监督分类方法 的大小进行归类合并（将相似度大的像元归为一类）的方法。主要有： （1）分级集群法（2）动态聚类法 第二节 从影像生成专题地图一、目视解释的专题地图（1）影像预处理 包括遥感数据的图像校正、图像增强，有时还需要实验室提供监督或非监督分类的图像。（2）目视解译 经过建立影像判读标志，野外判读，室内解译，得到绘有图斑的专题解译原图。（3）地图概括 按比例尺及分类的要求，进行专题解译原图的概括。专题地图需要正规的地理底图，所以地图概括的同时也进行图斑向地理底图的转绘。（4）地图整饰 在转绘完专题图斑的地理底图上进行专题地图的整饰工作。二、数字图像处理的专题制图（1）影像预处理 同目视解译类似，影响经过图像校正、图像增强，得到供计算机分类用的遥感影像数据。（2）按专题要求进行影像分类。（3）专题类别的地图概括 包括在预处理中消除影像的孤立点，依成图比例尺对图斑尺寸的限制进行栅格影像的概括。（4）图斑的栅格/矢量变换。（5）与地理底图叠加，生成专题地图。三、遥感系列制图系列地图，简单说就是在内容上和时间上有关联的一组地图。我们所讨论的系列地图，是指根据共同的制图目的，利用同一的制图信息源，按照统一的设计原则，成套编制的遥感专题地图。地理底图的编制程序：采用常规的方法编制地理底图时，首先选择制图范围内相应比例尺的地形图，进行展点、镶嵌、照像，制成地图薄膜片，然后将膜片蒙在影像图上，用以更新地形图的地理要素。经过地图概括，最后制成供转绘专题影像图的地理底图，其比例尺与专题影响图相同。遥感系列制图的基本要求1.统一信息源2.统一对制图区域地理特征的认识3.制定统一的设计原则4.按一定的规则顺序成图

洋河流域遥感图像土地利用分类方法研究 【摘要】遥感影像分类方法的确定是LUCC研究中的关键步骤。文章以洋河流域为研究区，分别进行了非监督分类和监督分类。针对监督分类结果中存在的误差，对水域、植被、城镇与工矿用地三种类型地物的提取分别选择了综合阈值法、植被指数法、DEM数据辅助分析法进行了改进，结果表明改进后的提取结果较监督分类直接得到的结果有了很大的改善。【关键词】遥感图像；监督分类；综合阈值法；植被指数法【中图分类号】TP79 【文献标识码】A【文章编号】1671-5969（2007）16-0164-03一、研究区域概况及图像资料（一）研究区域概况洋河流域是张家口经济发展的中心地带，水资源相对丰富。洋河发源于山西省阳高县和内蒙古兴和县，是永定河上游的一大支流，流域面积约14600km2 。在张家口市流域面积为9762km2，流经万全县、怀安县、张家口市区、宣化县、宣化区、下花园区、怀来县等，干流全长106 km，在朱官屯于桑干河汇合后流至官厅水库，是官厅水库的重要水源。洋河流域形状东西向较长，南北向较短，地形总趋势西北高、东南低。流域的东北、北部和西北沿坝头一带海拔高程1200～1500m之间，西部和南部边界海拔高程一般在500～1000m之间。流域内80％以上为丘陵山区，绝大部分为荒山秃岭。流域内大部分为黄色沙壤土，并有部分砂砾土及黄粘土，沿河川地层厚且较肥沃[1]。（二）信息源遥感信息源的选择要综合考虑其光谱分辨率、空间分辨率、时间分辨率等因素， 这是利用遥感图像进行土地利用分类的关键问题。美国的Landsat TM 图像是当前应用最为广泛的卫星遥感信息源之一，它可提供7个波段的信息， 空间分辨率为30～120m。TM数据源各波段各有特点，可进行不同地物类型的信息提取。相关资料表明TM遥感数据各波段间的信息相关关系为：TM1与TM2，TM5与TM7高度相关，相关系数达以上，信息冗余大，可以考虑不选取TM1波段。另外由于第6个波段的分辨率为120m，不利于地物信息的提取，所以亦不选取TM6波段。一般来说， 选择图像类型时，应考虑研究区域的大小、研究的目的，以及要达到的精度要求，另外不同时相遥感图像的选择对分类精度也具有很大的影响。为了能把水域、城市与工矿用地、林地、耕地、裸地区分开，以洋河流域1987年9月17日的TM图像为信息源进行研究。本文中所使用的遥感图像处理工具为美国ERDAS公司的ERDAS 软件，它是一个功能完整的、集遥感与地理信息系统于一体的专业软件，具有数据预处理、图像解译、图像分类、矢量功能、虚拟gis等多个功能。二、现有遥感图像土地利用分类的主要方法及其分析遥感图像土地利用分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像元划归到各个子空间中以实现分类[2]。按照是否有已知训练样本的分类数据，将其分为非监督分类和监督分类。它们最大的区别在于监督分类首先给定类别，而非监督分类则由图像数据本身的统计特征来确定。（一）非监督分类非监督分类是在多光谱特征空间中通过数字操作搜索像元光谱属性的自然群组的过程，这种聚类过程生成一副有m个光谱类组成的分类图。然后分析人员根据后验知识将光谱类划分或转换成感兴趣的专题信息类[3]。洋河流域内有很多山地，在图像上会产生大量的阴影，导致了像元灰度值的空间变化，这对分类结果有很大的影响。为此可以通过比值运算来去除阴影的影响，使向阳处和背阴处都毫不例外地只与地物的反射率的比值有关。常用算法：近红外波段（TM4）/红外波段（TM3），这样所得到的效果比较好，从原始图像和比值运算后的图像（图像略）中，可以清楚地看到山体阴面的阴影得到了有效的去除。经过比值运算后， 就可以对图像进行非监督分类。得到的分类结果如图1所示。非监督分类只根据地物的光谱特征进行分类，受人为因素的影响较少，不需要对地面信息有详细的了解，但由于“同物异谱、异物同谱”等现像的存在，其结果一般不如监督分类令人满意。比如官厅水库旁边的大量建筑物被分到水体一类。是因为在TM3波段上，水体和建筑物的灰度值相近， 同样在TM7波段上，裸山和建筑物的灰度值也相近。总之，在TM的6个波段上，无论采用哪个波段进行非监督分类，总有几种地物的光谱值接近，因此单纯依靠计算机自动分类取得很好的效果是非常困难的。

图像检测论文

首先一篇完整的论文里面肯定是包含图片的，那么就能让内容更加的清晰起到一定的指导好处，所以大部分文章里面都会加入必要的图片。其实对于图片的检测来说，其他检测系统会显得非常薄弱，甚至连检测图片的作用都很小。因此，在对论文上的图片进行鉴定时，不是检测不到，就是全部加了扰码。

其实，图片能不能被系统识别到，关键还是取决于图片内容是不是能转换成文字内容，尽管目前技术很早就达到了一定的水平，但部分查重系统还是存在一些不足。如今大部分查重系统都无法对图片进行识别查重，但是我们会注意到，实际上检测系统是做不到这一点的，但是论文检测软件已经开始可以对其进行检测了，说明论文检测软件的权威性。

论文查重系统会不断的升级，已经比较完善。其实这方面的技术人员会因为缺乏图像识别而不断改进，论文查重一定要按照学校的要求提交。

图中最主要的看图中的内容。如果图片是全文的话，检测的时候可以转换一下，再检测一下。所以选择论文检测软件在完成定稿时进行论文检测，保证最优的论文检测报告。

您好，论文查重不进行查重图片。论文查重只会对论文的纯文本内容进行检测，对于图片部分是 不进 行查重的。学生在引用图片时，虽然图片不会查重，但是建议学生在引用图片时注明好引用来源， 不 能随意复制别人的图片导致侵权现象。如果学生担心论文纯文本内容会提升论文重复率，可以将纯文 本内容采用图片的形式展现出来，并且需要注意替换后看论文总字数是否达到学校的标准。众所周知，图片是由图形、图像等构成的平面媒体，图片的格式多种多样，但从总体上看，可分为 两类：一类是点阵图，如 BMP、 JPG等格式都是点阵图，而 SWF、 CDR和 AI等属于矢量图形。图 画在文章中可以起到很大的辅助作用尽管现在在网上可以搜索到很多的论文查重系统，但大多数的论文查重系统并不支持对论文中图片内。容的检测，目前只有知网有对论文图片进行检测的技术。因此现在大家要用除知网之外的论文查重系统的话，里面的论文图片就不能查重了，希望回答对您有帮助。

（一）选题毕业论文（设计）题目应符合本专业的培养目标和教学要求，具有综合性和创新性。本科生要根据自己的实际情况和专业特长，选择适当的论文题目，但所写论文要与本专业所学课程有关。（二）查阅资料、列出论文提纲题目选定后，要在指导教师指导下开展调研和进行实验，搜集、查阅有关资料，进行加工、提炼，然后列出详细的写作提纲。（三）完成初稿根据所列提纲，按指导教师的意见认真完成初稿。（四）定稿初稿须经指导教师审阅，并按其意见和要求进行修改，然后定稿。一般毕业论文题目的选择最好不要太泛，越具体越好，而且老师希望学生能结合自己学过的知识对问题进行分析和解决。不知道你是否确定了选题，确定选题了接下来你需要根据选题去查阅前辈们的相关论文，看看人家是怎么规划论文整体框架的；其次就是需要自己动手收集资料了，进而整理和分析资料得出自己的论文框架；最后就是按照框架去组织论文了。你如果需要什么参考资料和范文我可以提供给你。还有什么不了解的可以直接问我，希望可以帮到你，祝写作过程顺利毕业论文选题的方法:一、尽快确定毕业论文的选题方向 在毕业论文工作布置后,每个人都应遵循选题的基本原则,在较短的时间内把选题的方向确定下来。从毕业论文题目的性质来看,基本上可以分为两大类:一类是社会主义现代化建设实践中提出的理论和实际问题;另一类是专业学科本身发展中存在的基本范畴和基本理论问题。大学生应根据自己的志趣和爱好,尽快从上述两大类中确定一个方向。二、在初步调查研究的基础上选定毕业论文的具体题目在选题的方向确定以后,还要经过一定的调查和研究,来进一步确定选题的范围,以至最后选定具体题目。下面介绍两种常见的选题方法。 浏览捕捉法 :这种方法就是通过对占有的文献资料快速地、大量地阅读,在比较中来确定论文题目地方法。浏览,一般是在资料占有达到一定数量时集中一段时间进行,这样便于对资料作集中的比较和鉴别。浏览的目的是在咀嚼消化已有资料的过程中,提出问题,寻找自己的研究课题。这就需要对收集到的材料作一全面的阅读研究,主要的、次要的、不同角度的、不同观点的都应了解,不能看了一些资料,有了一点看法,就到此为止,急于动笔。也不能“先入为主”,以自己头脑中原有的观点或看了第一篇资料后得到的看法去决定取舍。而应冷静地、客观地对所有资料作认真的分析思考。在浩如烟海,内容丰富的资料中吸取营养,反复思考琢磨许多时候之后,必然会有所发现,这是搞科学研究的人时常会碰到的情形。 浏览捕捉法一般可按以下步骤进行:第一步,广泛地浏览资料。在浏览中要注意勤作笔录,随时记下资料的纲目,记下资料中对自己影响最深刻的观点、论据、论证方法等,记下脑海中涌现的点滴体会。当然,手抄笔录并不等于有言必录,有文必录,而是要做细心的选择,有目的、有重点地摘录,当详则详,当略则略,一些相同的或类似的观点和材料则不必重复摘录,只需记下资料来源及页码就行,以避免浪费时间和精力。第二步,是将阅读所得到的方方面面的内容,进行分类、排列、组合,从中寻找问题、发现问题,材料可按纲目分类,如分成: 系统介绍有关问题研究发展概况的资料; 对某一个问题研究情况的资料; 对同一问题几种不同观点的资料; 对某一问题研究最新的资料和成果等等。第三步,将自己在研究中的体会与资料分别加以比较,找出哪些体会在资料中没有或部分没有;哪些体会虽然资料已有,但自己对此有不同看法;哪些体会和资料是基本一致的;哪些体会是在资料基础上的深化和发挥等等。经过几番深思熟虑的思考过程,就容易萌生自己的想法。把这种想法及时捕捉住,再作进一步的思考,选题的目标也就会渐渐明确起来。希望可以帮到你，有什么不懂的可以问我

数字图像处理是利用计算机对图像信息进行加工以满足人的视觉心理或者应用需求的行为，应用广泛，多用于测绘学、大气科学、天文学、美图、使图像提高辨识等。这里学术堂为大家整理了一些数字图像处理毕业论文题目，希望对你有用。1、基于模糊分析的图像处理方法及其在无损检测中的应用研究2、数字图像处理与识别系统的开发3、关于数字图像处理在运动目标检测和医学检验中若干应用的研究4、基于ARM和DSP的嵌入式实时图像处理系统设计与研究5、基于图像处理技术的齿轮参数测量研究6、图像处理技术在玻璃缺陷检测中的应用研究7、图像处理技术在机械零件检测系统中的应用8、基于MATLAB的X光图像处理方法9、基于图像处理技术的自动报靶系统研究10、多小波变换及其在数字图像处理中的应用11、基于图像处理的检测系统的研究与设计12、基于DSP的图像处理系统的设计13、医学超声图像处理研究14、基于DSP的视频图像处理系统设计15、基于FPGA的图像处理算法的研究与硬件设计

yolo遥感目标检测论文

在目标检测中，IoU 为预测框 (Prediction) 和真实框 (Ground truth) 的交并比。如下图所示，在关于小猫的目标检测中，紫线边框为预测框 (Prediction)，红线边框为真实框 (Ground truth)。

在目标检测任务中，通常取 IoU≥，认为召回。如果 IoU 阈值设置更高，召回率将会降低，但定位框则更加精确。

理想的情况，当然是预测框与真实框重叠越多越好，如果两者完全重叠，则交集与并集面积相同，此时 IoU 等于 1。

之前的目标检测方法需要先产生候选区再检测的方法虽然有相对较高的检测准确率，但运行速度较慢。

YOLO 将识别与定位合二为一，结构简便，检测速度快，更快的 Fast YOLO 可以达到 155FPS。

YOLO 网络借鉴了 GoogLeNet 分类网络结构，不同的是 YOLO 使用 1x1 卷积层和 3x3 卷积层替代 inception module。如下图所示，整个检测网络包括 24 个卷积层和 2 个全连接层。其中，卷积层用来提取图像特征，全连接层用来预测图像位置和类别概率值。

如上图所示，损失函数分为坐标预测（蓝色框）、含有物体的边界框的 confidence 预测（红色框）、不含有物体的边界框的 confidence 预测（黄色框）、分类预测（紫色框）四个部分。

由于不同大小的边界框对预测偏差的敏感度不同，小的边界框对预测偏差的敏感度更大。为了均衡不同尺寸边界框对预测偏差的敏感度的差异。作者巧妙的对边界框的 w,h 取均值再求 L2 loss. YOLO 中更重视坐标预测，赋予坐标损失更大的权重，记为 coord，在 pascal voc 训练中 coodd=5 ，classification error 部分的权重取 1。

某边界框的置信度定义为：某边界框的 confidence = 该边界框存在某类对象的概率 pr (object)* 该边界框与该对象的 ground truth 的 IOU 值 ，若该边界框存在某个对象 pr (object)=1 ，否则 pr (object)=0 。由于一幅图中大部分网格中是没有物体的，这些网格中的边界框的 confidence 置为 0，相比于有物体的网格，这些不包含物体的网格更多，对梯度更新的贡献更大，会导致网络不稳定。为了平衡上述问题，YOLO 损失函数中对没有物体的边界框的 confidence error 赋予较小的权重，记为 noobj，对有物体的边界框的 confidence error 赋予较大的权重。在 pascal VOC 训练中 noobj= ，有物体的边界框的 confidence error 的权重设为 1.

YOLOv1 虽然检测速度快，但在定位方面不够准确，并且召回率较低。为了提升定位准确度，改善召回率，YOLOv2 在 YOLOv1 的基础上提出了几种改进策略

YOLOv2 中在每个卷积层后加 Batch Normalization (BN) 层，去掉 dropout. BN 层可以起到一定的正则化效果，能提升模型收敛速度，防止模型过拟合。YOLOv2 通过使用 BN 层使得 mAP 提高了 2%。

目前的大部分检测模型都会使用主流分类网络（如 vgg、resnet）在 ImageNet 上的预训练模型作为特征提取器，而这些分类网络大部分都是以小于 256x256 的图片作为输入进行训练的，低分辨率会影响模型检测能力。YOLOv2 将输入图片的分辨率提升至 448x448，为了使网络适应新的分辨率，YOLOv2 先在 ImageNet 上以 448x448 的分辨率对网络进行 10 个 epoch 的微调，让网络适应高分辨率的输入。通过使用高分辨率的输入，YOLOv2 的 mAP 提升了约 4%。

YOLOv1 利用全连接层直接对边界框进行预测，导致丢失较多空间信息，定位不准。YOLOv2 去掉了 YOLOv1 中的全连接层，使用 Anchor Boxes 预测边界框，同时为了得到更高分辨率的特征图，YOLOv2 还去掉了一个池化层。由于图片中的物体都倾向于出现在图片的中心位置，若特征图恰好有一个中心位置，利用这个中心位置预测中心点落入该位置的物体，对这些物体的检测会更容易。所以总希望得到的特征图的宽高都为奇数。YOLOv2 通过缩减网络，使用 416x416 的输入，模型下采样的总步长为 32，最后得到 13x13 的特征图， 然后对 13x13 的特征图的每个 cell 预测 5 个 anchor boxes ，对每个 anchor box 预测边界框的位置信息、置信度和一套分类概率值。使用 anchor boxes 之后，YOLOv2 可以预测 13x13x5=845 个边界框，模型的召回率由原来的 81% 提升到 88%，mAP 由原来的 降低到 . 召回率提升了 7%，准确率下降了 。

YOLOv2 采用 Darknet-19，其网络结构如下图所示，包括 19 个卷积层和 5 个 max pooling 层，主要采用 3x3 卷积和 1x1 卷积， 这里 1x1 卷积可以压缩特征图通道数以降低模型计算量和参数 ，每个卷积层后使用 BN 层 以加快模型收敛同时防止过拟合。最终采用 global avg pool 做预测。采用 YOLOv2，模型的 mAP 值没有显著提升，但计算量减少了。

在 Faster R-CNN 和 SSD 中，先验框都是手动设定的，带有一定的主观性。YOLOv2 采用 k-means 聚类算法对训练集中的边界框做了聚类分析，选用 boxes 之间的 IOU 值作为聚类指标。综合考虑模型复杂度和召回率，最终选择 5 个聚类中心，得到 5 个先验框，发现其中中扁长的框较少，而瘦高的框更多，更符合行人特征。通过对比实验，发现用聚类分析得到的先验框比手动选择的先验框有更高的平均 IOU 值，这使得模型更容易训练学习。

Faster R-CNN 使用 anchor boxes 预测边界框相对先验框的偏移量，由于没有对偏移量进行约束，每个位置预测的边界框可以落在图片任何位置，会导致模型不稳定，加长训练时间。YOLOv2 沿用 YOLOv1 的方法，根据所在网格单元的位置来预测坐标，则 Ground Truth 的值介于 0 到 1 之间。网络中将得到的网络预测结果再输入 sigmoid 函数中，让输出结果介于 0 到 1 之间。设一个网格相对于图片左上角的偏移量是 cx，cy。先验框的宽度和高度分别是 pw 和 ph，则预测的边界框相对于特征图的中心坐标 (bx，by) 和宽高 bw、bh 的计算公式如下图所示。

YOLOv2 结合 Dimention Clusters, 通过对边界框的位置预测进行约束，使模型更容易稳定训练，这种方式使得模型的 mAP 值提升了约 5%。

YOLOv2 借鉴 SSD 使用多尺度的特征图做检测，提出 pass through 层将高分辨率的特征图与低分辨率的特征图联系在一起，从而实现多尺度检测。YOLOv2 提取 Darknet-19 最后一个 max pool 层的输入，得到 26x26x512 的特征图。经过 1x1x64 的卷积以降低特征图的维度，得到 26x26x64 的特征图，然后经过 pass through 层的处理变成 13x13x256 的特征图（抽取原特征图每个 2x2 的局部区域组成新的 channel，即原特征图大小降低 4 倍，channel 增加 4 倍），再与 13x13x1024 大小的特征图连接，变成 13x13x1280 的特征图，最后在这些特征图上做预测。使用 Fine-Grained Features，YOLOv2 的性能提升了 1%.

YOLOv2 中使用的 Darknet-19 网络结构中只有卷积层和池化层，所以其对输入图片的大小没有限制。YOLOv2 采用多尺度输入的方式训练，在训练过程中每隔 10 个 batches , 重新随机选择输入图片的尺寸，由于 Darknet-19 下采样总步长为 32，输入图片的尺寸一般选择 32 的倍数 {320,352,…,608}。采用 Multi-Scale Training, 可以适应不同大小的图片输入，** 当采用低分辨率的图片输入时，mAP 值略有下降，但速度更快，当采用高分辨率的图片输入时，能得到较高 mAP 值，但速度有所下降。**

YOLOv2 借鉴了很多其它目标检测方法的一些技巧，如 Faster R-CNN 的 anchor boxes, SSD 中的多尺度检测。除此之外，YOLOv2 在网络设计上做了很多 tricks, 使它能在保证速度的同时提高检测准确率，Multi-Scale Training 更使得同一个模型适应不同大小的输入，从而可以在速度和精度上进行自由权衡。

YOLO v2 对 YOLO v1 的缺陷进行优化，大幅度高了检测的性能，但仍存在一定的问题， 如无法解决重叠问题的分类等 。

将 256x256 的图片分别输入以 Darknet-19，ResNet-101，ResNet-152 和 Darknet-53 为基础网络的分类模型中，实验得到的结果如下图所示。可以看到 Darknet-53 比 ResNet-101 的性能更好，而且速度是其 倍，Darknet-53 与 ResNet-152 性能相似但速度几乎是其 2 倍。注意到，Darknet-53 相比于其它网络结构实现了每秒最高的浮点计算量，说明其网络结构能更好的利用 GPU。

YOLOv3 借鉴了 FPN 的思想，从不同尺度提取特征。相比 YOLOv2，YOLOv3 提取最后 3 层特征图，不仅在每个特征图上分别独立做预测，同时通过将小特征图上采样到与大的特征图相同大小，然后与大的特征图拼接做进一步预测。用维度聚类的思想聚类出 9 种尺度的 anchor box，将 9 种尺度的 anchor box 均匀的分配给 3 种尺度的特征图 .

在实际应用场合中，一个物体有可能输入多个类别，单纯的单标签分类在实际场景中存在一定的限制。举例来说，一辆车它既可以属于 car（小汽车）类别，也可以属于 vehicle（交通工具），用单标签分类只能得到一个类别。因此在 YOLO v3 在网络结构中把原先的 softmax 层换成了逻辑回归层，从而实现把单标签分类改成多标签分类。用多个 logistic 分类器代替 softmax 并不会降低准确率，可以维持 YOLO 的检测精度不下降。

对于对象检测，不仅要考虑精度，还要考虑实时运行的性能，虽然现在算力大幅度上升，但是普通的设备跑起来还是有点吃力。提高精度和加快速率仍是目标检测的重大课题，道阻且长！

参考：

YOLOv1 参考

YOLOv2 参考

YOLOv3 参考

：非极大抑制

YOLO v1:You Only Look Once: Unified, Real-Time Object Detection YOLO v2:YOLO9000：Better，Faster，Stronger YOLO v3:YOLOv3: An Incremental Improvement

近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类，一类是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN），它们是two-stage的，需要先使用启发式方法（selective search）或者CNN网络（RPN）产生Region Proposal，然后再在Region Proposal上做分类与回归。而另一类是Yolo，SSD这类one-stage算法，其仅仅使用一个CNN网络直接预测不同目标的类别与位置。第一类方法是准确度高一些，但是速度慢，但是第二类算法是速度快，但是准确性要低一些。这里我们谈的是Yolo-v1版本算法，其性能是差于后来的SSD算法的，但是Yolo后来也继续进行改进，产生了Yolo9000、YOLO v3算法。

传统方法常采用滑动窗口法，滑动窗口的目标检测算法思路非常简单，它将检测问题转化为了图像分类问题。其基本原理就是采用不同大小和比例（宽高比）的窗口在整张图片上以一定的步长进行滑动，然后对这些窗口对应的区域做图像分类，这样就可以实现对整张图片的检测了，如 DPM 就是采用这种思路。但是这个方法有致命的缺点，就是你并不知道要检测的目标大小是什么规模，所以你要设置不同大小和比例的窗口去滑动，而且还要选取合适的步长。但是这样会产生很多的子区域，并且都要经过分类器去做预测，这需要很大的计算量，所以你的分类器不能太复杂，因为要保证速度。解决思路之一就是减少要分类的子区域，这就是R-CNN的一个改进策略，其采用了 selective search 方法来找到最有可能包含目标的子区域（Region Proposal），其实可以看成采用启发式方法过滤掉很多子区域，这会提升效率。

如果你使用的是CNN分类器，那么滑动窗口是非常耗时的。但是结合卷积运算的特点，我们可以使用CNN实现更高效的滑动窗口方法。这里要介绍的是一种全卷积的方法，简单来说就是网络中用卷积层代替了全连接层，如图所示。输入图片大小是16x16，经过一系列卷积操作，提取了2x2的特征图，但是这个2x2的图上每个元素都是和原图是一一对应的，如图上蓝色的格子对应蓝色的区域，这不就是相当于在原图上做大小为14x14的窗口滑动，且步长为2，共产生4个字区域。最终输出的通道数为4，可以看成4个类别的预测概率值，这样一次CNN计算就可以实现窗口滑动的所有子区域的分类预测。这其实是overfeat算法的思路。之所可以CNN可以实现这样的效果是因为卷积操作的特性，就是图片的空间位置信息的不变性，尽管卷积过程中图片大小减少，但是位置对应关系还是保存的。这个思路也被R-CNN借鉴，从而诞生了Fast R-cNN算法。

上面尽管可以减少滑动窗口的计算量，但是只是针对一个固定大小与步长的窗口，这是远远不够的。Yolo算法很好的解决了这个问题，它不再是窗口滑动了，而是直接将原始图片分割成互不重合的小方块，然后通过卷积最后生产这样大小的特征图，基于上面的分析，可以认为特征图的每个元素也是对应原始图片的一个小方块，然后用每个元素来可以预测那些中心点在该小方格内的目标，这就是Yolo算法的朴素思想。

整体来看，Yolo算法采用一个单独的CNN模型实现end-to-end的目标检测，整个系统如图所示：首先将输入图片resize到448x448，然后送入CNN网络，最后处理网络预测结果得到检测的目标。相比R-CNN算法，其是一个统一的框架，其速度更快，而且Yolo的训练过程也是end-to-end的。

具体来说，Yolo的CNN网络将输入的图片分割成 网格，然后每个单元格负责去检测那些中心点落在该格子内的目标，如图所示，可以看到狗这个目标的中心落在左下角一个单元格内，那么该单元格负责预测这个狗。每个单元格会预测B个边界框（bounding box）以及边界框的 置信度 （confidence score）。所谓置信度其实包含两个方面，一是这个边界框含有目标的可能性大小，二是这个边界框的准确度。前者记为 ，当该边界框是背景时（即不包含目标），此时 。而当该边界框包含目标时， 。边界框的准确度可以用预测框与实际框（ground truth）的 IOU （intersection over union，交并比）来表征，记为 IOU 。因此置信度可以定义为 。

很多人可能将Yolo的置信度看成边界框是否含有目标的概率，但是其实它是两个因子的乘积，预测框的准确度也反映在里面。边界框的大小与位置可以用4个值来表征：(x,y,h,w)，其中(x,y)是边界框的中心坐标，而w和h是边界框的宽与高。还有一点要注意，中心坐标的预测值(x,y)是相对于每个单元格左上角坐标点的偏移值，并且单位是相对于单元格大小的，单元格的坐标定义如图所示。而边界框的w和h预测值是相对于整个图片的宽与高的比例，这样理论上4个元素的大小应该在[0,1]范围。这样，每个边界框的预测值实际上包含5个元素：(x,y,w,h,c)，其中前4个表征边界框的大小与位置，而最后一个值是置信度。

值得注意的是，不管一个单元格预测多少个边界框，其只预测一组类别概率值，这是Yolo算法的一个缺点，在后来的改进版本中，Yolo9000是把类别概率预测值与边界框是绑定在一起的。同时，我们可以计算出各个边界框类别置信度（class-specificconfidence scores）:

边界框类别置信度表征的是该边界框中目标属于各个类别的可能性大小以及边界框匹配目标的好坏。后面会说，一般会根据类别置信度来过滤网络的预测框。

总结一下，每个单元格需要预测 个值。如果将输入图片划分为 网格，那么最终预测值为 大小的张量。整个模型的预测值结构如下图所示。对于PASCALVOC数据，其共有20个类别，如果使用S=7,B=2,那么最终的预测结果就是 大小的张量。在下面的网络结构中我们会详细讲述每个单元格的预测值的分布位置。

Yolo采用卷积网络来提取特征，然后使用全连接层来得到预测值。网络结构参考GooLeNet模型，包含24个卷积层和2个全连接层，如图所示。对于卷积层，主要使用1x1卷积来做channle reduction，然后紧跟3x3卷积。对于卷积层和全连接层，采用Leaky ReLU激活函数：max(x,0)。但是最后一层却采用线性激活函数。除了上面这个结构，文章还提出了一个轻量级版本Fast Yolo，其仅使用9个卷积层，并且卷积层中使用更少的卷积核。

可以看到网络的最后输出为 大小的张量。这和前面的讨论是一致的。这个张量所代表的具体含义如图所示。对于每一个单元格，前20个元素是类别概率值，然后2个元素是边界框置信度，两者相乘可以得到类别置信度，最后8个元素是边界框的(x,y,w,h)。大家可能会感到奇怪，对于边界框为什么把置信度c和(x,y,w,h)都分开排列，而不是按照(x,y,w,h,c)这样排列，其实纯粹是为了计算方便，因为实际上这30个元素都是对应一个单元格，其排列是可以任意的。但是分离排布，可以方便地提取每一个部分。这里来解释一下，首先网络的预测值是一个二维张量P，其shape为 。

采用切片，那么 就是类别概率部分; 是置信度部分; 是边界框的预测结果。这样，提取每个部分是非常方便的，这会方面后面的训练及预测时的计算。

在训练之前，先在ImageNet上进行了预训练，其预训练的分类模型采用图中前20个卷积层，然后添加一个average-pool层和全连接层。预训练之后，在预训练得到的20层卷积层之上加上随机初始化的4个卷积层和2个全连接层。由于检测任务一般需要更高清的图片，所以将网络的输入从224x224增加到了448x448。整个网络的流程如下图所示：

损失函数计算如下：

其中第一项是边界框中心坐标的误差项， 指的是第i个单元格存在目标，且该单元格中的第j个边界框负责预测该目标。第二项是边界框的高与宽的误差项。第三项是包含目标的边界框的置信度误差项。第四项是不包含目标的边界框的置信度误差项。而最后一项是包含目标的单元格的分类误差项， 指的是第i个单元格存在目标。

在说明Yolo算法的预测过程之前，这里先介绍一下非极大值抑制算法（non maximum suppression, NMS），这个算法不单单是针对Yolo算法的，而是所有的检测算法中都会用到。NMS算法主要解决的是一个目标被多次检测的问题，如图中人脸检测，可以看到人脸被多次检测，但是其实我们希望最后仅仅输出其中一个最好的预测框，比如对于美女，只想要红色那个检测结果。那么可以采用NMS算法来实现这样的效果：首先从所有的检测框中找到置信度最大的那个框，然后挨个计算其与剩余框的IOU，如果其值大于一定阈值（重合度过高），那么就将该框剔除；然后对剩余的检测框重复上述过程，直到处理完所有的检测框。

下面就来分析Yolo的预测过程，这里我们不考虑batch，认为只是预测一张输入图片。根据前面的分析，最终的网络输出是 ，但是我们可以将其分割成三个部分：类别概率部分为 ，置信度部分为 ，而边界框部分为 （对于这部分不要忘记根据原始图片计算出其真实值）。然后将前两项相乘可以得到 类别置信度值为 ，这里总共预测了 边界框。

所有的准备数据已经得到了，那么先说第一种策略来得到检测框的结果。首先，对于每个预测框根据类别置信度选取置信度最大的那个类别作为其预测标签，经过这层处理我们得到各个预测框的预测类别及对应的置信度值，其大小都是[7,7,2]。一般情况下，会设置置信度阈值，就是将置信度小于该阈值的box过滤掉，所以经过这层处理，剩余的是置信度比较高的预测框。最后再对这些预测框使用NMS算法，最后留下来的就是检测结果。一个值得注意的点是NMS是对所有预测框一视同仁，还是区分每个类别，分别使用NMS。Ng在中讲应该区分每个类别分别使用NMS，但是看了很多实现，其实还是同等对待所有的框，可能是不同类别的目标出现在相同位置这种概率很低吧。

上面的预测方法应该非常简单明了，但是对于Yolo算法，其却采用了另外一个不同的处理思路（至少从C源码看是这样的），其区别就是先使用NMS，然后再确定各个box的类别。其基本过程如图所示。对于98个boxes，首先将小于置信度阈值的值归0，然后分类别地对置信度值采用NMS，这里NMS处理结果不是剔除，而是将其置信度值归为0。最后才是确定各个box的类别，当其置信度值不为0时才做出检测结果输出。这个策略不是很直接，但是貌似Yolo源码就是这样做的。Yolo论文里面说NMS算法对Yolo的性能是影响很大的，所以可能这种策略对Yolo更好。

总结一下Yolo的优缺点。首先是优点，Yolo采用一个CNN网络来实现检测，是单管道策略，其训练与预测都是end-to-end，所以Yolo算法比较简洁且速度快。第二点由于Yolo是对整张图片做卷积，所以其在检测目标有更大的视野，它不容易对背景误判。另外，Yolo的泛化能力强，在做迁移时，模型鲁棒性高。

Yolo的缺点，首先Yolo各个单元格仅仅预测两个边界框，而且属于一个类别。对于小物体，Yolo的表现会不如人意。这方面的改进可以看SSD，其采用多尺度单元格。也可以看Faster R-CNN，其采用了anchor boxes。Yolo对于在物体的宽高比方面泛化率低，就是无法定位不寻常比例的物体。当然Yolo的定位不准确也是很大的问题。

参考链接 YOLO算法的原理与实现

遥感图像分类方法比较研究论文

图像分类是与图像信息提取和增强不同的遥感图像处理中另一重要的方面，与图像增强后仍需人为解译不同，它企图用计算机做出定量的决定来代替人为视觉判译步骤。因此，分类处理后输出的是一幅专题图像。在此图像中，原来图像中的每一个象元依据不同的统计决定准则被划归为不同的地表覆盖类，由于是一种统计决定，必然伴随着某种错误的概率。因此，在逻辑上的合理要求是，对每一个象元所做的决定，应是使整个被分类面积即对大量单个象元的分类的某个错误判据为最小。

以下是几种常用的遥感图像分类方法：

1.最大似然分类（maximum likelihood classification）

最大似然分类是一种基于贝叶斯判别准则的非线性监督分类方法，需要知道已知的或确定的训练样区典型标准的先验概率P（wi）和条件概率密度函数P（wi，x）。P（wi）通常根据各种先验知识给出或假定它们相等：P（wix）则是首先确定其分布形式，然后利用训练样本估计其参数。一般假设为正态分布，或通过数学方法化为正态分布。其判别函数集为：

Di（x）=P（wix），i=1，2，…，m （2-2）

如果Di（x）≥ Dj（x），则x属于wi类。其中，j≠i，j=1，2，…，m。m为类别数。

从上述最大似然分类的说明看，其关键就在于已知类别的定义，先验概率的确定，参与分类的变量的好坏和结果误差评价。直到现在，最大似然分类至少还有两个缺点：一是事先大量人力已知光谱类的选择和定义：二是需要长时间的计算机分类计算时间。实际上这也使得最大似然分类法遥感应用受到了限制，因此许多人专门研究改进算法以便解决和缩减图像分类的时间，提高分类的精度。Solst和Lillesand（1991）为了解决已知类别定义消耗大量人力的缺点，发展了半自动训练法进行已知光谱类的定义。Fabio Maselli等（1992）利用Skidmore和Tumer提出的非参数分类器计算出各已知类训练集的先验概率，然后将它们插入常规的最大似然分类过程中进行分类。该方法融合了非参数和参数分类过程的优点，提高了分类的精度。

通常情况下，地形会影响到训练集数据，这样训练集光谱数据就偏离了最大似然分类的假设条件正态分布，从而常规的最大似然分类法在地形起伏较大的地区效果并不太好。为了解决这一问题，和和（1993）提出了一种改进的最大似然分类算法，即去掉每一类数据集中与第一主成分相关的信息（地形信息）然后再进行分类。通过试验，这种方法是有效的，分类精度得到了提高。

（1993）用光谱和空间信息进行分类改进了最大似然分类方法。该方法简单易行，大大提高了正确分类的概率。和Fabio Maselli（1992）用误差矩阵提高最大似然分类面积估计的精度。Irina Kerl（1996）加最大似然分类精度的一种方法，即多概率比较法。他对同一遥感数据的原始波段、主成分和植被指数的22种组合进行了最大似然分类，发现没有一种波段组合的分类能给出图像中所有土地利用类型的精确分类，每一波段组合仅对图像中的一两类土地利用类型分类有效。因此他提出将能有效区分出所要决定的土地利用类型的几个波段组合的分类结果进行组合来进行图像分类，并称这种方法为多概率比较法，这种方法的基础就是图像数据不同波段组合的分类结果之间分类概率大小的比较。应用这种方法提高了分类的精度。

2.最小距离分类（minimum distance classification）

最小距离分类是一种线性判别监督分类方法，也需要对训练区模式样本进行统计分析，是大似然分类法中的一种极为重要的特殊情况。最小距离分类在算法上比较简单，首先需选出要区分类别的训练样区，并且从图像数据中求出各类训练样区各个波段的均值和标准差，然后再计算图像中其他各个象元的灰度值向量到各已知类训练样区均值向量之间的距离。如果距离小于指定的阈值（一般取标准差的倍数），且与某一类的距离最近，就将该象元划归为某类。因此称为最小距离分类。该方法的精度主要取决于已知类训练样区的多少和样本区的统计精度。另外，距离度量的方法不同，分类的结果也不相同，常见的有：

（1）明氏距离（minkowski distance）

中亚地区高光谱遥感地物蚀变信息识别与提取

当q=2时，即为欧氏距离，而当q趋于无穷时，得到切比雪夫距离。明氏距离，特别是其中的欧氏距离，在实际中用得较多，但它存在着两方面的缺点：一是它与各指标的量纲有关；为克服这一缺点，常常采用先将数据规格化的方法。二是它没有考虑变量之间的相关性。一种改进的距离就是马氏距离。

（2）马氏距离（mahalanobis distance）

中亚地区高光谱遥感地物蚀变信息识别与提取

当 中各特征间完全不相关，这时的马氏距离即为欧氏距离。

总之，最小距离分类是一个能在程序上经济有效实现的简单方法，与最大似然方法不同，它在理论上并不使平均分类错误为最小，所得到的精度与最大似然分类法可相比拟，而计算时间却只有后者的一半。

3.平行管道分类（parallelepiped classification）

平行管道分类是一种最简单的分类方法，是通过研究训练样区数据的各个光谱成分的直方图来进行分类的图像直方图中灰度值的上下限描述了图像中每个波段中类别的灰度值范围。某一光谱类在所有波段的灰度值范围定义了一个多维的平行管道。通过分类计算，图像中的未知象元被划分到属于已知一光谱类的平行管道内，因此称该方法为平行管道分类。这种方法简单易行，但也有几个缺点：①各已知光谱类的平行管道之间必定具有一定的间隔，如果图像中的象元落在这些间隔内，则这些象元不被分类。②对于图像中相关性强的光谱类，它们所定义的平行管道之间必定具有某些重叠，结果落在重叠区的这些象元不能被很好地分离。③没有考虑已知光谱类的先验概率。④根据直方图定义的已知光谱类的平行管道仅仅是通常用来定义光谱类特征的椭圆平面的粗略表示。

和（1996）提出改进方法。改进过的平行管道方法基于每个图像波段内两类之间累积百分比直方图的最大差值自动分离已知目标类，这种分离值和图像波段都是自动选择的。他利用改进过的平行管道分类对TM遥感数据进行了森林覆盖分类，结果取得了较好的效果，提高了分类的精度。

4.模糊分类（fuzzy classification）

模糊理论（fuzzy theory）是处理模糊性的理论的总称，它是以1965年由Zadeh提出的模糊集合论为基础的。模糊分类即是建立在模糊理论之上的分类方法。在常规遥感图像分类中，图像中的每个象元都被划归为某一种地物类型，象元和类别之间一一对应，并没有考虑遥感图像中实际存在的混合象元问题，即某一象元中同时存在有几种地物类型，所以这种分类方法的结果必然存在有误差，这也是常规遥感图像分类方法的局限性。模糊分类法正好克服了这一不足，它利用象元隶属度表示象元的归属问题。当一象元对某一类地物的隶属度为0时，表示该象元不属于该类；当一象元对某一类地物的隶属度为1时，表示该象元属于该类；当一象元对某一类地物的隶属度为0和1之间的数时，表示该象元以该隶属度属于该类，也即表明该象元为混合象元。模糊分类的方法有很多，大多是常规分类方法的扩展。（1990）详细讨论了遥感图像模糊监督分类的意义，他认为模糊监督分类与常规分类方法相比，在3个方面有所改进：①用模糊集合表示地学信息更合理；②光谱空间的模糊划分；③分类参数的模糊估计。

Paolo Gamba等（1996）利用完全模糊分类链对多光谱遥感图像进行了分类，他们不仅考虑了图像中象元的光谱特征，而且还考虑了图像中邻近象元之间空间上的相互关系，结果图像的分类精度得到了提高。

5.神经元网络分类（neural network classification）

神经元网络的结构包含一个输入层、一个输出层以及一个或多个隐层。输入层结点数与参加分类的特征数相同，输出层结点数与最终类别数相同，而中间隐含层结点数则由实验来确定。神经元网络分类主要就是网络的训练迭代，要达到一定的精度，往往需要很多次的迭代，这是非常费时的，然而网络训练一经完成，则可较快地应用于分类识别。

等（1995）基于分类误差百分比和用户CPU时间比较了4 种神经元网络的遥感应用，他发现后向传播神经元网络算法（back-propagation neural network algorithm）需要最多的迭代次数，是其中最慢获得88%分类精度的算法。动态学习神经元网络算法（dynamic-learning neural network algorithm）只需迭代两次，占用591 s的CPU时间就可获得85%的分类精度，达到86%的分类精度需要迭代5次，占用CPU时间 s；功能连接神经元网络算（functional link neural network algorithm）分类精度比快速学习神经元网络算（fast-learning neural network algorithm）算法低，但占用了较少的CPU时间；快速学习神经元网络算法提供了最高的分类精度，但两次迭代运算后比功能连接神经元网络算法和动态学习神经元网络算法需要更长的CPU时间。另外，许多研究者利用神经元网络算法对遥感图像数据进行了分类（Mcclellan et al.，1989；Benediktsson et al.，1990；Kanellopoulos et al.，1991；Heermann and Khazenie，1992；Bischof et al.，1992），这些研究表明神经元网络分类能够给出好的分类结果，该结果与常规最大似然分类算法取得的分类精度大致相当，如神经元网络分类算法应用恰当，则分类精度更高。（1996）研究了神经元网络技术的遥感图像分类，发现监督分类中训练样本数据的排列影响着分类的精度，因此必须注意由于简单地神经元网络算法学习阶段训练样本数据的重新排列所造成的分类结果的改变。另外，他还研究了混合象元问题，结果表明通过学习混合数据，神经元网络算法能有效地减少分类的误差。

维概率密度函数（N-dimensional probability density functions）

Haluk Cetin和Donald （1991）利用N维概率密度函数对多维遥感数据进行了分类和填图。N维概率密度函数是一种用来显示、分析和分类数据的算法，源于常称的频率透视图，但又克服了早先方法的内在限制。利用N维概率密度函数算法进行的交互式分类过程是一种新的多维数据的分类方法，它提供了遥感数据分布的清晰透视和监督分类中被选择的训练区分布的清晰透视。经过多维数据和训练区分布的N维概率密度函数的制图后，N维概率密度函数空间根据训练区数据的分布被划分，然后将N维概率密度函数的这种划分当作查询表（look-up table）分类遥感图像数据。对非监督分类，N维概率密度函数图可以提供数据分布的一种有价值的代表，数据分布可直接用来选择类别数和数据初始聚类时类均值的位置。与传统的统计分类方法，例如最大似然分类和最小距离分类，需要大量计算机内存、计算缓慢、对显示重叠类能力有限相比，N维概率密度函数分类速度极快，可利用无限制的波段数，图形地显示数据和类别的分布。Haluk Cetin和Timothy 和Donald （1993）利用N维概率密度函数对TM等多种遥感数据源数据进行了分类、可视化和增强，结果取得了良好的效果，取得了比传统分类方法较高的分类精度。

7.其他分类方法

和（1993）提出了一种新的遥感图像快速分类器该分类器是一种非参数分类器，叫做整体平均分类（ensemble-average classifier），利用了最小距离的概念，算法步骤如下：

①计算每一组的整体平均值（一般为均值）Mi，i=1，2，...，C

②如果满足下列两式，那么任一随机象元X将被划归wi组。

XT（Mi-Mj）＜ Tij，j≠ I （2-5）

中亚地区高光谱遥感地物蚀变信息识别与提取

式中Tij=-Tij。

③经过①②步后，随机象元X被划归为正确的类。

另外，通过对参与计算变量的排序和部分一总和逻辑的考虑，可大大降低该算法计算的时间。与最小距离（欧氏距离）和最大似然分类器相比，整体平均分类器所用时间最少，分类精度与最小距离大致相同，对像农田面积和森林这样的名义类型的分类十分有效。

Haluk Cetin（1996）提出了一种分类方法：类间距离频率分布法（interclass distance frequency dis-tribution），这是多光谱数据非参数分类方法的一种。类间距离频率分布过程简单，是一种有力的可视化技术，它图形地显示多光谱数据和类分布。首先选择感兴趣的类，这些类的统计信息从典型的训练样区可获得。利用类的平均测量矢量计算多光谱数据中每个象元的距离，并存放在一个两维数据分布数组中。选择其他类的训练区，训练区数据的分布通过距离计算可获得。通过可视化地检查结果，建立分类查询表（look-up table），然后利用分类查询表进行多光谱图像数据的分类，具体细节请参见原文。

Prakash等（1996）改进了遥感数据凝聚聚类分析，这是一种基于相互近邻概念，用来进行多光谱数据分类的非参数、层次、凝聚聚类分析算法。该方法定义了围绕象元的感兴趣区域（area of interest around each pixel），然后在它内部寻找分类时初始合并操作需要的k最近邻，将象元的特征值、波段值和象元的相对位置值一起考虑，提出了改进的距离量度，这样，大大减少了计算的时间和内存的需求，降低了分类的误差概率。

Steven 和Bradley （1992）设计了3阶段分类器进行遥感图像的分类，它由一个基于四叉树的分割算子、一个高斯最小距离均值测试和一个包括辅助地理网数据和光谱曲线测量的最终测试构成。与最大似然分类技术相比，3阶段分类器的总体分类精度得到了提高，减少计算时间，另外仅需最少的训练样区数据（它们在复杂地形区很难获得）。

洋河流域遥感图像土地利用分类方法研究 【摘要】遥感影像分类方法的确定是LUCC研究中的关键步骤。文章以洋河流域为研究区，分别进行了非监督分类和监督分类。针对监督分类结果中存在的误差，对水域、植被、城镇与工矿用地三种类型地物的提取分别选择了综合阈值法、植被指数法、DEM数据辅助分析法进行了改进，结果表明改进后的提取结果较监督分类直接得到的结果有了很大的改善。【关键词】遥感图像；监督分类；综合阈值法；植被指数法【中图分类号】TP79 【文献标识码】A【文章编号】1671-5969（2007）16-0164-03一、研究区域概况及图像资料（一）研究区域概况洋河流域是张家口经济发展的中心地带，水资源相对丰富。洋河发源于山西省阳高县和内蒙古兴和县，是永定河上游的一大支流，流域面积约14600km2 。在张家口市流域面积为9762km2，流经万全县、怀安县、张家口市区、宣化县、宣化区、下花园区、怀来县等，干流全长106 km，在朱官屯于桑干河汇合后流至官厅水库，是官厅水库的重要水源。洋河流域形状东西向较长，南北向较短，地形总趋势西北高、东南低。流域的东北、北部和西北沿坝头一带海拔高程1200～1500m之间，西部和南部边界海拔高程一般在500～1000m之间。流域内80％以上为丘陵山区，绝大部分为荒山秃岭。流域内大部分为黄色沙壤土，并有部分砂砾土及黄粘土，沿河川地层厚且较肥沃[1]。（二）信息源遥感信息源的选择要综合考虑其光谱分辨率、空间分辨率、时间分辨率等因素， 这是利用遥感图像进行土地利用分类的关键问题。美国的Landsat TM 图像是当前应用最为广泛的卫星遥感信息源之一，它可提供7个波段的信息， 空间分辨率为30～120m。TM数据源各波段各有特点，可进行不同地物类型的信息提取。相关资料表明TM遥感数据各波段间的信息相关关系为：TM1与TM2，TM5与TM7高度相关，相关系数达以上，信息冗余大，可以考虑不选取TM1波段。另外由于第6个波段的分辨率为120m，不利于地物信息的提取，所以亦不选取TM6波段。一般来说， 选择图像类型时，应考虑研究区域的大小、研究的目的，以及要达到的精度要求，另外不同时相遥感图像的选择对分类精度也具有很大的影响。为了能把水域、城市与工矿用地、林地、耕地、裸地区分开，以洋河流域1987年9月17日的TM图像为信息源进行研究。本文中所使用的遥感图像处理工具为美国ERDAS公司的ERDAS 软件，它是一个功能完整的、集遥感与地理信息系统于一体的专业软件，具有数据预处理、图像解译、图像分类、矢量功能、虚拟gis等多个功能。二、现有遥感图像土地利用分类的主要方法及其分析遥感图像土地利用分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分为互不重叠的子空间，然后将图像中的各个像元划归到各个子空间中以实现分类[2]。按照是否有已知训练样本的分类数据，将其分为非监督分类和监督分类。它们最大的区别在于监督分类首先给定类别，而非监督分类则由图像数据本身的统计特征来确定。（一）非监督分类非监督分类是在多光谱特征空间中通过数字操作搜索像元光谱属性的自然群组的过程，这种聚类过程生成一副有m个光谱类组成的分类图。然后分析人员根据后验知识将光谱类划分或转换成感兴趣的专题信息类[3]。洋河流域内有很多山地，在图像上会产生大量的阴影，导致了像元灰度值的空间变化，这对分类结果有很大的影响。为此可以通过比值运算来去除阴影的影响，使向阳处和背阴处都毫不例外地只与地物的反射率的比值有关。常用算法：近红外波段（TM4）/红外波段（TM3），这样所得到的效果比较好，从原始图像和比值运算后的图像（图像略）中，可以清楚地看到山体阴面的阴影得到了有效的去除。经过比值运算后， 就可以对图像进行非监督分类。得到的分类结果如图1所示。非监督分类只根据地物的光谱特征进行分类，受人为因素的影响较少，不需要对地面信息有详细的了解，但由于“同物异谱、异物同谱”等现像的存在，其结果一般不如监督分类令人满意。比如官厅水库旁边的大量建筑物被分到水体一类。是因为在TM3波段上，水体和建筑物的灰度值相近， 同样在TM7波段上，裸山和建筑物的灰度值也相近。总之，在TM的6个波段上，无论采用哪个波段进行非监督分类，总有几种地物的光谱值接近，因此单纯依靠计算机自动分类取得很好的效果是非常困难的。

随心所欲的写咯