精华内容
下载资源
问答
  • 遥感影像处理

    2013-06-06 17:15:48
    武大测绘遥感重点实验室开发的遥感影像处理软件,其代码为开源的,可以网上下载,此为其培训大纲。
  • 遥感影像处理全流程一.预处理二.几何纠正三.图像裁剪四.图像镶嵌和匀色五.图像增强六.遥感信息提取参考资料 一.预处理 1.降噪处理 由于传感器的因素,一些获取的遥感图像中,会出现周期性的噪声,我们必须对...

    一.预处理

    1.降噪处理
    由于传感器的因素,一些获取的遥感图像中,会出现周期性的噪声,我们必须对其进行消除或减弱方可使用。
    (1)除周期性噪声和尖锐性噪声
    周期性噪声一般重叠在原图像上,成为周期性的干涉图形,具有不同的幅度、频率、和相位。它形成一系列的尖峰或者亮斑,代表在某些空间频率位置最为突出。一般可以用带通或者槽形滤波的方法来消除。
    消除尖峰噪声,特别是与扫描方向不平行的,一般用傅立叶变换进行滤波处理的方法比较方便。

    图1 消除噪声前

    图2 消除噪声后

    (2)除坏线和条带
    去除遥感图像中的坏线。遥感图像中通常会出现与扫描方向平行的条带,还有一些与辐射信号无关的条带噪声,一般称为坏线。一般采用傅里叶变换和低通滤波进行消除或减弱。

    图3 去条纹前

    图4 去条纹后

    图5 去条带前

    图6 去条带后

    2.薄云处理
    由于天气原因,对于有些遥感图形中出现的薄云可以进行减弱处理。
    3.阴影处理
    由于太阳高度角的原因,有些图像会出现山体阴影,可以采用比值法对其进行消除。

    二.几何纠正

    通常我们获取的遥感影像一般都是Level2级产品,为使其定位准确,我们在使用遥感图像前,必须对其进行几何精纠正,在地形起伏较大地区,还必须对其进行正射纠正。特殊情况下还须对遥感图像进行大气纠正,此处不做阐述。
    1.图像配准
    为同一地区的两种数据源能在同一个地理坐标系中进行叠加显示和数学运算,必须先将其中一种数据源的地理坐标配准到另一种数据源的地理坐标上,这个过程叫做配准。
    (1)影像对栅格图像的配准
    将一幅遥感影像配准到相同地区另一幅影像或栅格地图中,使其在空间位置能重合叠加显示。

    图7 图像配准前

    图8 图像配准后

    (2)影像对矢量图形的配准
    将一幅遥感影像配准到相同地区一幅矢量图形中,使其在空间位置上能进行重合叠加显示。
    2.几何粗纠正
    这种校正是针对引起几何畸变的原因进行的,地面接收站在提供给用户资料前,已按常规处理方案与图像同时接收到的有关运行姿态、传感器性能指标、大气状态、太阳高度角对该幅图像几何畸变进行了校正.
    3.几何精纠正
    为准确对遥感数据进行地理定位,需要将遥感数据准确定位到特定的地理坐标系的,这个过程称为几何精纠正。
    (1)图像对图像的纠正
    利用已有准确地理坐标和投影信息的遥感影像,对原始遥感影像进行纠正,使其具有准确的地理坐标和投影信息。
    (2)图像对地图(栅格或矢量)
    利用已有准确地理坐标和投影信息的扫描地形图或矢量地形图,对原始遥感影像进行纠正,使其具有准确的地理坐标和投影信息。

    图9 参考地形图

    图10 待纠正影像

    图11 纠正后影像和地形图套和效果

    (3)图像对已知坐标点(地面控制点)
    利用已有准确地理坐标和投影信息的已知坐标点或地面控制点,对原始遥感影像进行纠正,使其具有准确的地理坐标和投影信息。
    4.正射纠正
    利用已有地理参考数据(影像、地形图和控制点等)和数字高程模型数据(DEM、GDEM),对原始遥感影像进行纠正,可消除或减弱地形起伏带来的影像变形,使得遥感影像具有准确的地面坐标和投影信息。

    图12 数字正射影像图

    三.图像裁剪

    在日常遥感应用中,常常只对遥感影像中的一个特定的范围内的信息感兴趣,这就需要将遥感影像裁减成研究范围的大小。

    图39 原始影像

    1.按ROI裁剪
    根据ROI(感兴趣区域)范围大小对被裁减影像进行裁剪。

    图40 按ROI(行政区)域裁剪

    2.按文件裁剪
    按照指定影像文件的范围大小对被裁减影像进行裁剪。
    3.按地图裁剪
    根据地图的地理坐标或经纬度的范围对被裁减影像进行裁剪。

    图41 按地图坐标范围裁剪

    四.图像镶嵌和匀色

    1.图像镶嵌
    也叫图像拼接,是将两幅或多幅数字影像(它们有可能是在不同的摄影条件下获取的)拼在一起,构成一幅整体图像的技术过程。
    通常是先对每幅图像进行几何校正,将它们规划到统一的坐标系中,然后对它们进行裁剪,去掉重叠的部分,再将裁剪后的多幅影像装配起来形成一幅大幅面的影像。

    图42镶嵌左影像

    图43 镶嵌右影像

    图44 镶嵌结果影像

    2.影像匀色
    在实际应用中,我们用来进行图像镶嵌的遥感影像,经常来源于不同传感器、不同时相的遥感数据,在做图象镶嵌时经常会出现色调不一致,这时就需要结合实际情况和整体协调性对参与镶嵌的影像进行匀色。

    图45 匀色前影像

    图46 匀色后影像

    五.图像增强

    为使遥感图像所包含的地物信息可读性更强,感兴趣目标更突出,需要对遥感图像进行增强处理。
    1.彩色合成
    为了充分利用色彩在遥感图像判读和信息提取中的优势,常常利用彩色合成的方法对多光谱图像进行处理,以得到彩色图像。
    彩色图像可以分为真彩色图像和假彩色图像。

    图13真彩色合成( TM321)

    图14 假彩色合成(TM432)

    2.直方图变换
    统计每幅图像的各亮度的像元数而得到的随机分布图,即为该幅图像的直方图。
    一般来说,包含大量像元的图像,像元的亮度随机分布应是正态分布。直方图为非正态分布,说明图像的亮度分布偏亮、偏暗或亮度过于集中,图像的对比度小,需要调整该直方图到正态分布,以改善图像的质量。

    图15 直方图拉伸前(原图偏暗)

    图16 直方图拉伸后

    图17 直方图拉伸前(原图对比度不强)

    图18 直方图拉伸后(线性拉伸)

    3.密度分割
    将灰度图像按照像元的灰度值进行分级,再分级赋以不同的颜色,使原有灰度图像变成伪彩色图像,达到图像增强的目的。

    图19 原始图像

    图20 密度分割图像

    4.灰度颠倒
    灰度颠倒是将图像的灰度范围先拉伸到显示设备的动态范围(如0~255)到饱和状态,然后再进行颠倒,使正像和负像互换。

    图21 灰度颠倒前

    图22 灰度颠倒后

    5.图像间运算
    两幅或多幅单波段图像,空间配准后可进行算术运算,实现图像的增强。常见的有加法运算、减法运算、比值运算和综合运算。例如:
    减法运算:可突现出两波段差值大的地物,如红外-红,可突现植被信息。
    比值运算:常用于计算植被指数、消除地形阴影等。
    植被指数:NDVI=(IR-R)/(IR+R)

    图23 原始图像

    图24 NDVI植被指数图像

    6.邻域增强
    又叫滤波处理,是在被处理像元周围的像元参与下进行的运算处理,邻域的范围取决于滤波器的大小,如3×3或5×5等。
    邻区法处理用于去噪声、图像平滑、锐化和相关运算 。

    图25 原始图像

    图26 拉普拉斯滤波图像(5×5)

    7.主成分分析
    也叫PCA变换,可以用来消除特征向量中各特征之间的相关性,并进行特征选择。
    主成分分析算法还可以用来进行高光谱图像数据的压缩和信息融合。例如:对LandsatTM的6个波段的多光谱图像(热红外波段除外)进行主成分分析,然后把得到的第1,2,3主分量图像进行彩色合成,可以获得信息量非常丰富的彩色图像。

    图27 第一主成分

    图28 第二主成分

    图29 第三主成分

    图30 第四主成分

    图31第五主成分

    图32 第六主成分

    8.K-T变换
    即Kauth-Thomas变换,又称为“缨帽变换”。这种变换着眼点在于农作物生长过程而区别于其他植被覆盖,力争抓住地面景物在多光谱空间中的特征。
    目前对这个变换的研究主要集中在MSS与TM两种遥感数据的应用分析方面。

    图33 第一主分量(亮度)

    图34 第二主分量(绿度)

    图35第三主分量

    9.图像融合
    遥感图像信息融合是将多源遥感数据在统一的地理坐标系中,采用一定的算法生成一组新的信息或合成图像的过程。
    不同的遥感数据具有不同的空间分辨率、波谱分辨率和时相分辨率,如果能将它们各自的优势综合起来,可以弥补单一图像上信息的不足,这样不仅扩大了各自信息的应用范围,而且大大提高了遥感影像分析的精度。

    图36 多光谱影像

    图 37高分辨率影像

    图38 融合影像(HSV融合)

    六.遥感信息提取

    遥感图像中目标地物的特征是地物电磁波的辐射差异在遥感影像上的反映。依据遥感图像上的地物特征,识别地物类型、性质、空间位置、形状、大小等属性的过程即为遥感信息提取。
    目前信息提取的方法有:目视判读法和计算机分类法。其中目视判读是最常用的方法。
    1.目视判读
    也叫人工解译,即用人工的方法判读遥感影像,对遥感影像上目标地物的范围进行手工勾绘,达到信息提取的目的。

    图47 人工解译水系

    2.图像分类
    是依据是地物的光谱特征,确定判别函数和相应的判别准则,将图像所有的像元按性质分为若干类别的过程。
    (1)监督分类
    在研究区域选有代表性的训练场地作为样本,通过选择特征参数(如亮度的均值、方差等),建立判别函数,对样本进行分类,依据样本的分类特征来识别样本像元的归属类别的方法。

    图48 原图像

    图49 监督分类图像

    (2)非监督分类
    没有先验的样本类别,根据像元间的相似度大小进行归类,将相似度大的归为一类的方法。
    (3)其他分类方
    包括神经网络分类、分形分类、模糊分类等分类方法,以及他数据挖掘方法如模式识别、人工智能等,在这里不做进一步阐述。

    参考资料

    https://blog.csdn.net/u010666165/article/details/81449081

    展开全文
  • envi遥感影像处理

    2014-12-30 17:49:15
    envi遥感影像处理专题与实践
  • 遥感影像处理笔记

    2014-11-25 16:23:20
    遥感影像处理笔记 GIS GIS基础
  • ENVI遥感影像处理教程

    2015-05-19 09:35:38
    ENVI遥感影像处理教程
  • 遥感影像处理流程

    千次阅读 2015-11-15 23:23:14
    遥感影像处理流程

    一.预处理
    1.降噪处理
    由于传感器的因素,一些获取的遥感图像中,会出现周期性的噪声,我们必须对其进行消除或减弱方可使用。
    (1)除周期性噪声和尖锐性噪声
    周期性噪声一般重叠在原图像上,成为周期性的干涉图形,具有不同的幅度、频率、和相位。它形成一系列的尖峰或者亮斑,代表在某些空间频率位置最为突出。一般可以用带通或者槽形滤波的方法来消除。
    消除尖峰噪声,特别是与扫描方向不平行的,一般用傅立叶变换进行滤波处理的方法比较方便。

    图1 消除噪声前

    图2 消除噪声后

    (2)除坏线和条带
    去除遥感图像中的坏线。遥感图像中通常会出现与扫描方向平行的条带,还有一些与辐射信号无关的条带噪声,一般称为坏线。一般采用傅里叶变换和低通滤波进行消除或减弱。

    图3 去条纹前

    图4 去条纹后

    图5 去条带前

    图6 去条带后

    2.薄云处理
    由于天气原因,对于有些遥感图形中出现的薄云可以进行减弱处理。
    3.阴影处理
    由于太阳高度角的原因,有些图像会出现山体阴影,可以采用比值法对其进行消除。

    二.几何纠正
    通常我们获取的遥感影像一般都是Level2级产品,为使其定位准确,我们在使用遥感图像前,必须对其进行几何精纠正,在地形起伏较大地区,还必须对其进行正射纠正。特殊情况下还须对遥感图像进行大气纠正,此处不做阐述。
    1.图像配准
    为同一地区的两种数据源能在同一个地理坐标系中进行叠加显示和数学运算,必须先将其中一种数据源的地理坐标配准到另一种数据源的地理坐标上,这个过程叫做配准。
    (1)影像对栅格图像的配准
    将一幅遥感影像配准到相同地区另一幅影像或栅格地图中,使其在空间位置能重合叠加显示。

    图7 图像配准前

    图8 图像配准后

    (2)影像对矢量图形的配准
    将一幅遥感影像配准到相同地区一幅矢量图形中,使其在空间位置上能进行重合叠加显示。
    2.几何粗纠正
    这种校正是针对引起几何畸变的原因进行的,地面接收站在提供给用户资料前,已按常规处理方案与图像同时接收到的有关运行姿态、传感器性能指标、大气状态、太阳高度角对该幅图像几何畸变进行了校正.
    3.几何精纠正
    为准确对遥感数据进行地理定位,需要将遥感数据准确定位到特定的地理坐标系的,这个过程称为几何精纠正。
    (1)图像对图像的纠正
    利用已有准确地理坐标和投影信息的遥感影像,对原始遥感影像进行纠正,使其具有准确的地理坐标和投影信息。
    (2)图像对地图(栅格或矢量)
    利用已有准确地理坐标和投影信息的扫描地形图或矢量地形图,对原始遥感影像进行纠正,使其具有准确的地理坐标和投影信息。

    图9 参考地形图

    图10 待纠正影像

    图11 纠正后影像和地形图套和效果

    (3)图像对已知坐标点(地面控制点)
    利用已有准确地理坐标和投影信息的已知坐标点或地面控制点,对原始遥感影像进行纠正,使其具有准确的地理坐标和投影信息。
    4.正射纠正
    利用已有地理参考数据(影像、地形图和控制点等)和数字高程模型数据(DEM、GDEM),对原始遥感影像进行纠正,可消除或减弱地形起伏带来的影像变形,使得遥感影像具有准确的地面坐标和投影信息。

    图12 数字正射影像图

    三.图像增强
    为使遥感图像所包含的地物信息可读性更强,感兴趣目标更突出,需要对遥感图像进行增强处理。
    1.彩色合成
    为了充分利用色彩在遥感图像判读和信息提取中的优势,常常利用彩色合成的方法对多光谱图像进行处理,以得到彩色图像。
    彩色图像可以分为真彩色图像和假彩色图像。

    图13真彩色合成( TM321)

    图14 假彩色合成(TM432)

    2.直方图变换
    统计每幅图像的各亮度的像元数而得到的随机分布图,即为该幅图像的直方图。
    一般来说,包含大量像元的图像,像元的亮度随机分布应是正态分布。直方图为非正态分布,说明图像的亮度分布偏亮、偏暗或亮度过于集中,图像的对比度小,需要调整该直方图到正态分布,以改善图像的质量。

    图15 直方图拉伸前(原图偏暗)

    图16 直方图拉伸后

    图17 直方图拉伸前(原图对比度不强)

    图18 直方图拉伸后(线性拉伸)

    3.密度分割
    将灰度图像按照像元的灰度值进行分级,再分级赋以不同的颜色,使原有灰度图像变成伪彩色图像,达到图像增强的目的。

    图19 原始图像

    图20 密度分割图像

    4.灰度颠倒
    灰度颠倒是将图像的灰度范围先拉伸到显示设备的动态范围(如0~255)到饱和状态,然后再进行颠倒,使正像和负像互换。

    图21 灰度颠倒前

    图22 灰度颠倒后

    5.图像间运算
    两幅或多幅单波段图像,空间配准后可进行算术运算,实现图像的增强。常见的有加法运算、减法运算、比值运算和综合运算。例如:
    减法运算:可突现出两波段差值大的地物,如红外-红,可突现植被信息。
    比值运算:常用于计算植被指数、消除地形阴影等。
    植被指数:NDVI=(IR-R)/(IR+R)

    图23 原始图像

    图24 NDVI植被指数图像

    6.邻域增强
    又叫滤波处理,是在被处理像元周围的像元参与下进行的运算处理,邻域的范围取决于滤波器的大小,如3×3或5×5等。
    邻区法处理用于去噪声、图像平滑、锐化和相关运算 。

    图25 原始图像

    图26 拉普拉斯滤波图像(5×5)

    7.主成分分析
    也叫PCA变换,可以用来消除特征向量中各特征之间的相关性,并进行特征选择。
    主成分分析算法还可以用来进行高光谱图像数据的压缩和信息融合。例如:对LandsatTM的6个波段的多光谱图像(热红外波段除外)进行主成分分析,然后把得到的第1,2,3主分量图像进行彩色合成,可以获得信息量非常丰富的彩色图像。

    图27 第一主成分

    图28 第二主成分

    图29 第三主成分

    图30 第四主成分

    图31第五主成分

    图32 第六主成分

    8.K-T变换
    即Kauth-Thomas变换,又称为“缨帽变换”。这种变换着眼点在于农作物生长过程而区别于其他植被覆盖,力争抓住地面景物在多光谱空间中的特征。
    目前对这个变换的研究主要集中在MSS与TM两种遥感数据的应用分析方面。

    图33 第一主分量(亮度)

    图34 第二主分量(绿度)

    图35第三主分量

    9.图像融合
    遥感图像信息融合是将多源遥感数据在统一的地理坐标系中,采用一定的算法生成一组新的信息或合成图像的过程。
    不同的遥感数据具有不同的空间分辨率、波谱分辨率和时相分辨率,如果能将它们各自的优势综合起来,可以弥补单一图像上信息的不足,这样不仅扩大了各自信息的应用范围,而且大大提高了遥感影像分析的精度。

    图36 多光谱影像

    图 37高分辨率影像

    图38 融合影像(HSV融合)

    四.图像裁剪
    在日常遥感应用中,常常只对遥感影像中的一个特定的范围内的信息感兴趣,这就需要将遥感影像裁减成研究范围的大小。

    图39 原始影像

    1.按ROI裁剪
    根据ROI(感兴趣区域)范围大小对被裁减影像进行裁剪。

    图40 按ROI(行政区)域裁剪

    2.按文件裁剪
    按照指定影像文件的范围大小对被裁减影像进行裁剪。
    3.按地图裁剪
    根据地图的地理坐标或经纬度的范围对被裁减影像进行裁剪。

    图41 按地图坐标范围裁剪

    五.图像镶嵌和匀色
    1.图像镶嵌
    也叫图像拼接,是将两幅或多幅数字影像(它们有可能是在不同的摄影条件下获取的)拼在一起,构成一幅整体图像的技术过程。
    通常是先对每幅图像进行几何校正,将它们规划到统一的坐标系中,然后对它们进行裁剪,去掉重叠的部分,再将裁剪后的多幅影像装配起来形成一幅大幅面的影像。

    图42镶嵌左影像

    图43 镶嵌右影像

    图44 镶嵌结果影像

    2.影像匀色
    在实际应用中,我们用来进行图像镶嵌的遥感影像,经常来源于不同传感器、不同时相的遥感数据,在做图象镶嵌时经常会出现色调不一致,这时就需要结合实际情况和整体协调性对参与镶嵌的影像进行匀色。

    图45 匀色前影像

    图46 匀色后影像

    六.遥感信息提取
    遥感图像中目标地物的特征是地物电磁波的辐射差异在遥感影像上的反映。依据遥感图像上的地物特征,识别地物类型、性质、空间位置、形状、大小等属性的过程即为遥感信息提取。
    目前信息提取的方法有:目视判读法和计算机分类法。其中目视判读是最常用的方法。
    1.目视判读
    也叫人工解译,即用人工的方法判读遥感影像,对遥感影像上目标地物的范围进行手工勾绘,达到信息提取的目的。

    图47 人工解译水系

    2.图像分类
    是依据是地物的光谱特征,确定判别函数和相应的判别准则,将图像所有的像元按性质分为若干类别的过程。
    (1)监督分类
    在研究区域选有代表性的训练场地作为样本,通过选择特征参数(如亮度的均值、方差等),建立判别函数,对样本进行分类,依据样本的分类特征来识别样本像元的归属类别的方法。

    图48 原图像

    图49 监督分类图像

    (2)非监督分类
    没有先验的样本类别,根据像元间的相似度大小进行归类,将相似度大的归为一类的方法。
    (3)其他分类方
    包括神经网络分类、分形分类、模糊分类等分类方法,以及他数据挖掘方法如模式识别、人工智能等,在这里不做进一步阐述。

    转载自:http://blog.csdn.net/liminlu0314/article/details/8757262

    展开全文
  • ENVI遥感影像处理实用手册,结合实例详细讲解ENVI软件的具体操作方法
  • 一个非常详细的ENVI遥感影像处理参考文档。
  • 《Erdas遥感影像处理入门实战教程》以Erdas2010版本经典界面进行实战教学,设计12章内容,正式教学内容总共45课时,15个小时时长。从软件界面开始,到最后的高级应用,适合入门级、初级、中级的人员学习、工作、教师...
  • envi遥感影像处理使用手册,包括了遥感影像处理的全部方法和详细的介绍,是很有用的资源
  • 小样本下遥感影像处理 1 为何存在小样本问题 1.1 智能提取很难 在遥感影像上的深度学习智能提取算法 精度无法满足生产需要,在实际的生产作业中目前基本还是靠人工或者人机交互(计算机利用算法处理完,人工修改),...

    小样本下遥感影像处理

    1 为何存在小样本问题

    1.1 智能提取很难

    在遥感影像上的深度学习智能提取算法 精度无法满足生产需要,在实际的生产作业中目前基本还是靠人工或者人机交互(计算机利用算法处理完,人工修改),

    1. 对于不同的遥感数据源来说

      光谱数量不统一、光谱的波段取值不统一、空间分辨率多样化。

    2. 对于相同的遥感数据源来说

      不同地区的影像颜色不一致、纹理有偏差等等。

    3. 对于需要提取的地物来说

      如果地物有固定的形状,比如飞机、船舶、房屋等,提取的精度还说得过去,一旦提取不确定形状、不确定纹理的地物时就会产生很大的偏差,比如林地,稠密的和稀疏的纹理是不同的。

    1.2 遥感影像数据不足

    1. 遥感数据的特殊性。

      遥感数据的空间分辨率,时间分辨率,光谱分辨率以及辐射分辨率互相制约,使得满足一些学科的遥感数据是不足的。无法在满足高空间分辨率的同时满足高的光谱分辨率… …

    2. 遥感影像内容敏感性。

      卫星的定标参数都是不公开的,同事不同卫星平台的影像对相同地物的光谱响应值都不是一致的,也对算法的迁移能力有影响。还有一些军事目标的识别样本,军方做出来了也不公开。

    3. 遥感影像数据集制作成本高昂且通用性不强。

      遥感影像属于特殊的图像,对图像的预处理工作较多。

    1.3 遥感影像公开数据集

    对数据集的说明以及下载链接:https://zhangbin0917.github.io/遥感数据集/。以影像分类和目标检测为例
    在这里插入图片描述在这里插入图片描述

    1.4 小样本图像分类算法

    常用的小样本公开数据集主要有:Omniglot、CIFAR-100、Mini-ImageNet、Tiered-ImageNet和CUB-100。

    Omniglot 数据集包含来自 50 个不同字母的 1623 个不同手写字符;

    CIFAR-100有100个类,每个类包含600个图像,每类各有500个训练图像和100个测试图像。CIFAR-100中的100个类被分成20个超类(包含动物、植物、静物、车辆、家具、自然场景,人类)。每个图像都带有一个“精细”标签(它所属的类)和一个“粗糙”标签(它所属的超类)。

    Mini-ImageNet取自ImageNet中,包含100个类别,每个类别中包含600个样本数据。其中64个类别数据作为训练集,16个类别数据作为验证集,20个类别数据作为测试集。

    Tiered-ImageNet同样取自ImageNet,共有34个大类别(category),每个类别包含10到30个类别(class)。这些分为20个训练,6个验证和8个测试类别;

    CUB-100数据集包含训练集包含100个类别,验证集包含50个类别,测试集包含50个类别。对于312维度的元向量,模型对鸟类的种类、颜色、羽毛等属性进行编码得到。
    在这里插入图片描述

    2 遥感影像处理一般过程

    2.1 深度学习应用于遥感影像处理

    主要包括三个主要部分:输入数据、核心深度网络和预期的输出数据。输入输出数据对依赖于特定的应用程序,比如对于基于像素的分类,就依赖于光谱空间特征及其特征表征(无监督)或标签信息(监督)。

    中间的网络结构可以依据需要进行选择,如CNN(由多个特征提取阶段组成,每个阶段由卷积层、非线性层、池化层组成)、RNN(有一个循环单元,网络状态依赖于输入以及上一时刻的状态,常用于处理序列相关的问题)、AE(自编码,一种用于学习的对称神经网络,以无监督方式从数据集获得的特征通过最大限度地减小重构误差将数据放在编码层,将其重构放在解码层)、ResNet(加入残差学习单元即短路机制,输入可以直接连接到输出,使得整个网络只需要学习残差,可解决梯度消失问题)等等。
    在这里插入图片描述
    (通用的总体框架)

    2.2 遥感影像预处理

    受数据采集时遥感系统和传感器的限制以及大气的影响,所观测到的遥感影像与真实状况有一定差距。因此,在下一步的分类识别任务之前,需要进行预处理以提高影像数据质量。而类似去噪、去模糊、超分辨率和泛锐化方法大多是基于信号处理界标准的图像处理技术,而我们更希望是通过模型去进行辐射校正、几何校正等预处理步骤。事实上,如果我们能通过一组训练样本有效地对输入(观测数据)和输出(理想数据)之间的内在相关性建模,那么同样的模型就可以增强观测到的RS图像。根据上一节的基本技术,DL可以有效地探索这种内在关联。

    2.3 基于像素的分类

    在这里插入图片描述
    (常见类别)

    基于遥感影像像素的分类方案主要包括三个步骤:数据输入、层次DL模型训练、分类。

    输入矢量可以是光谱特征(光谱信息通常包含丰富的鉴别信息)、空间特征(土地覆盖在空间域上是连续的,相邻像素很可能属于同一类,利用空间特征可以显著提高分类精度)或光谱-空间特征;对于隐层,设计一个深层网络结构来学习输入数据的期望特征表示;最后利用在第二步(DL网络的顶层)中学习到的特征进行分类。
    在这里插入图片描述
    (基于像素分类的总体流程)

    2.4 目标识别

    舰船、飞机、车辆等遥感影像中的目标识别由于目标体积小、数量多,且邻近环境复杂,容易导致识别算法将不相关的地物误当成目标物。对于复杂环境下的目标识别,性能依赖于从目标中提取的特征。通过深度学习方法可以以高频率提取底层特征,比如物体的边缘、轮廓等,无论目标的形状、大小、颜色或旋转角度如何;还可以从输入的影像或图像块中学习层次表示,比如由低层特征组成的目标部分,使遥感目标的识别具有辨别性和鲁棒性。
    在这里插入图片描述

    2.5 场景理解

    从遥感数据中有效地表示和理解场景。框架由四部分组成:1)patch提取,2)feature提取,3)feature表示,4)classification
    在这里插入图片描述
    关于特征提取,可以使用学习的特征提取器从训练图像和测试图像中提取特征
    在这里插入图片描述
    上述过程最终都需要对数据进行标注
    在这里插入图片描述

    2.6 小样本下遥感影像处理

    主要还是考虑迁移学习、数据增强和应用注意力机制。

    利用迁移学习可以减小模型训练的代价,同时达到让卷积神经网络适应小样本数据的目的。迁移学习是在图像特征提取阶段实现的。
    在这里插入图片描述
    若基于特征迁移需找出基类数据和新类数据之间共同的特征,通过特征变换的方式将基类数据的知识进行迁移,用于新类数据分类。若基于关系迁移则建立基类数据和新类数据之间相关知识的映射, 通过这种关系映射来进行学习。基于共享参数的迁移需要找到基类数据模型和新类数据模型之间的共享参数或者相同的先验分布,利用这些参数或者先验分布进行知识迁移。

    小样本学习的训练样本量较少, 提取到的信息相对有限, 可以利用注意力机制在有限的训练样本下,提取到对图像具有表示性更强的特征,并且使得该特征能够显著影响分类效果。小样本学习从本质上讲是想让机器学会人类的学习方式以及泛化能力,人类能够在图像识别任务中很好的利用注意力机制,此外,注意力机制能够提高神经网络的可解释性。其直观性、通用性以及可解释性能够对小样本图像分类任务提供重要帮助。

    展开全文
  • 《ENVI 5.X 遥感影像处理入门实战教程》以ENVI5.3版本进行实战教学(适用ENVI5.X各版本学习),从软件界面开始,到最后的高级应用,适合入门级、初级、中级的人员学习、工作、教师教学参考。 ~~~GIS思维再次倾力推出...
  • ENVI遥感影像处理专题与实践,操作步骤,实用,基础技术
  • ImageXuite RS 遥感影像处理系统
  • ENVI遥感影像处理专题与实践 光盘里面有所需要的资源
  • ENVI_4_遥感影像处理实用手册ENVI_4_遥感影像处理实用手册
  • GDAL遥感影像处理

    热门讨论 2013-04-28 16:59:57
    这是我自己在mfc下利用gdal库实现的遥感影像显示模块,能显示绝大部分的遥感影像格式数据。打开影像是可以同时打开多幅影像,程序默认对每幅影像建立各自的金字塔文件以便后面操作,同时程序默认将影像拉伸到0-255...
  • 基于gdal进行重新设计,包装,封装成的遥感影像开发库,对进行遥感影像处理的同行比较有用,比如gdal的rasteIO函数有很多参数,经过封装只用输入2,3个参数即可,方便进行软件及项目的开发。
  • 当前,研究开发遥感影像处理智能系统已经是一项紧迫的任务。讨论研究了这类系统的几个重要的问题。这一系统应以影像分割形成的像斑作为分析处理的对象,为此,需要采取多尺度分割方法。针对每一地物类别选择最佳尺度...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,159
精华内容 463
关键字:

遥感影像处理