高分遥感影像信息处理与信息提取.pptx

高分遥感影像处理与信息提取技术汪闽提纲遥感处理与信息提取简介遥感图像处理遥感图像分类遥感图像专题信息提取与目标识别遥感图像变化检测遥感信息提取的概念遥感信息提取的概念遥感信息提取，是遥感成像过程的逆过程，是从遥感对地面实况的模拟影像中提取有关信息、反演地面原型的过程。需要根据专业的要求，运用物理模型、解译特征标志和实践经验与知识，定性、定量地提取出物理量、时空分布、功能结构等有关信息。主要方法主要方法应用应用数据源数据源空间空间分辨率分辨率光谱光谱分辨率分辨率时间时间分辨率分辨率定量遥感反演模型大气、海洋、生态环境动态监测MODIS、AVHRR低高高遥感分类监督与非监督分类土地覆盖与土地利用、农林TM、SPOT4、CBERS中中中目标识别分割、模式识别城市、军事、设施SPOT5、IKONOS、QuickBird高低中 以影像为主要类型的空间数据获取能力得到不断提高，而高分辨率遥感更是逐渐成为了面向社会发展、经济建设、国防安全和社会大众需求等最重要的空间信息来源，我国中长期科学和技术发展规划中明确提出要建设高分辨率对地观测系统，系统建成后将全面应用服务于各行各业。影像数据处理、分析、理解和决策应用等构成了遥感应用的技术链，而信息提取与目标识别更是遥感从数据转换为信息进而开展应用服务的核心技术。由于高空间分辨率遥感影像的特点，高精度、高效率目标自动识别问题一直是极大的技术难点，已经是大规模应用的瓶颈。高分辨率遥感应用中的主要问题高分辨率遥感信息提取中的主要问题应用瓶颈问题：数据量和空间计算复杂性骤增，影像噪声更为明显，周围环境影响加大，同物异谱和同谱异物现象普遍存在，这些因素给遥感影像数据处理与分析带来了新的难题，极大地影响了高空间分辨率影像信息提取和目标识别的精度与效率；如何解决：与传统的主要依赖于波谱信息的处理与分析方法相比较，必须更多地考虑图像的结构、形态、分布等空间特征信息，这也是伴随图像理解和高效能计算技术发展的新一代遥感信息处理与分析技术。高分辨率遥感影像处理 图像辐射校正影像几何纠正、配准、影像拼接影像增强 影像融合.几何校正图像的几何校正（geometric correction）是指从具有几何畸变的图像中消除畸变的过程，从而建立图像上的像元坐标与目标物的地理坐标间的对应关系，并使其符合地图投影系统的过程。由遥感器引起的图像几何畸变几何畸变校正几何校正的方法系统性校正：当知道了消除图像几何畸变的理论校正公式时，可把该式中所含的与遥感器构造有关的校准数据（焦距等）及遥感器的位置、姿态等的测量值代入到理论校正式中进行几何校正。该方法对遥感器的内部畸变大多是有效的。可是在很多情况下，遥感器的位置及姿态的测量值精度不高，所以外部畸变的校正精度也不高。几何畸变校正几何校正的方法非系统性校正：利用控制点的图像坐标和地图坐标的对应关系，近似地确定所给的图像坐标系和应输出的地图坐标系之间的坐标变换式。坐标变换式经常采用1次、2次等角变换式，2次、3次投影变换式或高次多项式。坐标变换式的系数可从控制点的图像坐标值和地图坐标值中根据最小2乘法求出。几何畸变校正几何校正的方法复合校正：把理论校正式与利用控制点确定的校正式组合起来进行校正。分阶段校正的方法，即首先根据理论校正式消除几何畸变（如内部畸变等），然后利用少数控制点，根据所确定的低次校正式消除残余的畸变（外部畸变等）；提高几何校正精度的方法，即利用控制点以较高的精度推算理论校正式中所含的遥感器参数、遥感器的位置及姿态参数。几何畸变校正 常用的是一种通用的精校正方法，适合于在地面平坦，不需考虑高程信息，或地面起伏较大而无高程信息，以及传感器的位置和姿态参数无法获取的情况时应用。有时根据遥感平台的各种参数已做过一次校正，但仍不能满足要求，就可以用该方法作遥感影像相对于地面坐标的配准校正，遥感影像相对于地图投影坐标系统的配准校正，以及不同类型或不同时相的遥感影像之间的几何配准和复合分析，以得到比较精确的结果。几何精纠正的一般过程1.收集资料；2.导入影像数据；3.选取地面控制点（GCP），确定其空间坐标；4.确定纠正所需的几何校正模型；5.确定输出影像范围；6.插值和像元几何位置变换方法；7.像元的灰度重采样 8.产生纠正后的数字影像控制点的选取几何校正的第一步便是位置计算，首先是对所选取的二元多项式求系数。这时必须已知一组控制点坐标。控制点数目的确定其最低限是按未知系数的多少来确定的。一次多项式有6个系数，就需要有6个方程来求解，需3个控制点的3对坐标值，即6个坐标数。2次多项式有 12个系数，需要 12个方程（6个控制点）。依次类推，n次多项式，控制点的最少数目为(n+1)(n+2)/2。实际工作表明，选取最少数目的控制点来校正图像，效果往往不好。在图像边缘处，在地面特征变化大的地区，如河流拐弯处等，由于没有控制点，而靠计算推出对应点，会使图像变形。因此，在条件允许的情况下，控制点数的选取都要大于最低数很多。控制点的选取控制点选取的原则一般来说，控制点应选取图像上易分辨且较精细的特征点，这很容易通过目视方法辨别，如道路交叉点、河流分叉处、海岸线弯曲处、飞机场、城廓边缘等。特征变化大的地区应多选些。图像边缘部分一定要选取控制点，以避免外推。此外，尽可能满幅均匀选取，特征实在不明显的大面积区域（如沙漠），可用求延长线交点的办法来弥补，但应尽可能避免这样做，以避免造成人为的误差。二次多项式校正数学模型基本数学模型形式用最小二乘法通过GCP数据进行曲面拟合求系数：待求系数的个数：M=(n+1)(N+2)/2重采样方法一对输入图像的各个像元在变换后的输出图像坐标系上的相应位置进行计算，把各个像元的数据投影到该位置上重采样方法二对输出图像的各个像元在输入图像坐标系的相应位置进行逆运算，求出该位置上的像元数据，保持图像行列数不变。此系目前多数软件中通常采用的方法。图像内插法一：最近邻法（NN，Nearest Neighborhood）最近邻法：以距内插点最近的观测点的像元值为所求的像元值。该方法最大可产生1/2像元的位置误差，但优点是不破坏原来的像元值，处理速度快。图像内插法二：双线性内插法（BL，Bi-Linear）使用内插点周围的4个观测点的像元值，对所求的像元值进行线性内插。该方法的缺点是破坏了原来的数据，但具有平均化的滤波效果。图像内插法三：3次卷积内插法（CC，cubic convolution）使用内插点周围的16个观测点的像元值，用3次卷积函数对所求像元值进行内插。该方法的缺点是破坏了原来的数据，但具有图像的均衡化和清晰化的效果，可得到较高的图像质量。遥感图像配准图像配准（或图像匹配）是评价两幅或多幅图像的相似性以确定同名点的过程。图像配准算法就是设法建立两幅图像之间的对应关系,确定相应几何变换参数,对两幅图像中的一幅进行几何变换的方法。图像配准参考图像（主图像）待配准图像（辅图像）配准图像用词说明各种图像配准的文献都会出现各种图像配准的文献都会出现“配准、匹配、配准、匹配、几何校正几何校正”三个词，它们的含义比较相似。三个词，它们的含义比较相似。一般两幅图像之间用一般两幅图像之间用“配准（配准（register,register,registrationregistration）”；寻找同名特征；寻找同名特征(点点)的过的过程叫程叫“匹配（匹配（match,matchingmatch,matching）”;根据主根据主辅图像之间的几何变换关系，对辅图像进行逐辅图像之间的几何变换关系，对辅图像进行逐像素处理变为配准图像的过程叫做像素处理变为配准图像的过程叫做“几何校正几何校正（geometric correctiongeometric correction）”。配准方法分类按照配准算法所利用的图像信息，可以分为基于区域的方法和基于特征的方法。基于区域的匹配主要是模板匹配和基于相位（频率）的匹配方法；基于特征的匹配包括基于特征点集的匹配和基于线特征（图像中边缘信息）的匹配算法。按自动化程度可以分为人工、半自动和全自动三种类型。模板匹配模板匹配法是在一幅影像中选取一个的影像窗口作模板，大小通常为55或77，然后通过相关函数的计算来找到它在搜索图中的坐标位置。相似性测度用以下测度来衡量用以下测度来衡量T和和Si,j的相似程度：的相似程度：根据施瓦兹不等式，根据施瓦兹不等式，并且在，并且在 比值为常数时取极大值为比值为常数时取极大值为1。但实际上两幅不同图像的。但实际上两幅不同图像的P值值介于介于0和和1之间，很难达到理想值。根据经验取某个阈值之间，很难达到理想值。根据经验取某个阈值P0，如果，如果P P0，则匹配成功；，则匹配成功；P河滩地河流居民地（城市县城乡镇集村）菜地水田，居民地与河流、菜地易混。TM2：同TM1。TM3：道路河滩地城市河流乡镇县城集村菜地水田，城市与河滩地、河流，乡镇与河流,集村与菜地易混。TM4：菜地水田集村道路乡镇河滩地县城河流城市TM5：道路菜地集村河滩地乡镇城市县城水田河流TM6：城市县城乡镇集村河流水田河滩地菜地道路TM7：道路城市乡镇河滩地县城集村菜地水田河流TM图像上的居民地识别提取基于光谱知识的居民地提取模型城镇：TM5TM4 TM4-TM7K2乡村 TM4-TM5K1 TM3-TM7K2数据源：DMC+4“北京一号”小卫星系统基于GABOR滤波的居民地提取方法南京师范大学 地理科学学院居民地的纹理特征表现(a)(b)(c)(d)(e)(f)Extraction of several residential areas(from left to right,up to down):(a)source(b)segmentation with Gabor filtering(c)result with opening(d)1st scale(e)8th scale(f)13th scale(a)(b)(c)(d)南京师范大学 地理科学学院n基于水陆关联信息的桥梁提取南京师范大学 地理科学学院桥梁识别整体框架12342024/8/11 周日90船舶提取方法高分辨率遥感影像水体与陆地分割基于灰度的自动、半自动分割基于SVM的区域分类水体与陆地二值分割图像分割后处理水体多边形矢量化与特征表达船舶基元水体边界的凸向检测疑似船舶区域形体约束：长度、宽度、长宽比、形状规整度、面积对称度2024/8/11 周日91 大型船舶提取方法大型船舶提取方法五 高分遥感目标识别算法实现基元归并和目标分类基元归并和目标分类92线要素提取中低分辨率的遥感图像上（如TM图像），道路一般仅为一到几个像素宽，为此适合采用边缘检测的方式进行提取。高分辨率遥感图像上（如“北京一号”小卫星），道路达到十余个乃至几十个像素，呈现条带状（为统一起见，我们仍称其为线状地物）。内部细节信息更为丰富，造成更为突出的同物异谱现象，为其自动提取带来更大困难。在遥感图像特征地物提取中，线状地物道路是一个非常重要的课题，无论在民用方面还是军用方面都具有重要的意义。道路提取概述道路网络提取按实现方式可分为自动与半自动提取两大类;按其实现的步骤，一般可大致分为以下几个基本步骤:1）道路特征的增强；2）道路“种子点”的确定，确定可能的道路点;为此，人们提出了各种道路检测算子，有基于像素分类、边 缘检测和模板匹配等方法；3）将“种子点”扩展成段;有基于规则的边缘点自动连接、动态规划等等；4）道路段的确认、自动连接，并形成道路网络;这一步骤涉及到自动编组算法、顾及上下文知识的连接假设生成和假设验证、地物语义关系表达、多源数据的融合等高层次自动图像解译方法。半自动道路提取半自动道路特征提取即利用人机交互的形式进行特征提取和识别，其主要思想是人工首先提供初始道路点（种子点）有时还提供初始方向，然后再由计算机进行处理识别，同时适当进行人机交互，这方面已有很多研究，并取得了较好的效果。96国内外研究现状道路提取一般可以归纳为全自动提取方法及半自动提取方法。在全自动提取方面在全自动提取方面在半自动提取方面在半自动提取方面1）基于平行线对的道路）基于平行线对的道路提取提取2）基于二值化和知识的）基于二值化和知识的道路提取道路提取3）基于窗口模型特征的）基于窗口模型特征的道路提取道路提取4）多分辨率提取算法）多分辨率提取算法1）基于像素与背景的算子模型的道路提取）基于像素与背景的算子模型的道路提取2）基于树结构的特征判别模型的道路提取）基于树结构的特征判别模型的道路提取3）基于最小二乘）基于最小二乘B样条曲线的道路提取样条曲线的道路提取4）基于类与模糊集的道路网络提取）基于类与模糊集的道路网络提取5）动态规划方法）动态规划方法6）基于边缘跟踪的方法）基于边缘跟踪的方法7）利用统计和结构信息的提取算法）利用统计和结构信息的提取算法8）Snakes模型模型各种道路表现形式剖面建模“扫描蛇”道路追踪两种不同的道路色调道路剖面建模(1)1）设某个道路检测连线区间为:X=0,k,则连线下像元灰度值是位置的函数：2）则连线内任意位置的灰度梯度为：3）梯度极大的位置集合定义：4）梯度极小的位置集合：道路剖面建模(2)(5)则可能的道路剖面是X 上的某个子区间，构成可能道路剖面集合 道路剖面建模(3)(6)做如下特征函数定义 剖面宽度：剖面灰度最大值:剖面灰度最小值：剖面灰度均值：剖面外周边环境的灰度均值：剖面最大灰度差：剖面和周围地物灰度差：道路剖面建模(4)(7)则合适的道路剖面集合满足如下条件：Ini_w是初始道路宽度，Tw+,Tw-,Tin,Tout 是预先设置的阈值。其中，Tw+,Tw-是当前道路宽度和初始宽度的比值的上下限，Tin是内部灰度差的上限,Tout是道路内部灰度和周围环境的灰度差的下限。设置以上参数的依据是道路建模的假设条件。如果同时有多个合适剖面，可挑选宽度最接近初始宽度的一个。算法流程:以一条道路为例步骤步骤1：设置道路追踪的起始连线：设置道路追踪的起始连线步骤步骤2：起始连线两侧的剖面分析、追踪得到道路边界：起始连线两侧的剖面分析、追踪得到道路边界 步骤步骤2.1:从起始连线开始，根据道路走向从起始连线开始，根据道路走向45度方位角为界，区分度方位角为界，区分横向道路与纵向道路，横向道路选择纵向扫描线，纵向道路选择横向道路与纵向道路，横向道路选择纵向扫描线，纵向道路选择横向扫描线横向扫描线;步骤步骤2.2:以约以约1.2倍起始路宽的宽度（可调节），在某个扫描扇面倍起始路宽的宽度（可调节），在某个扫描扇面的角度范围内，做若干个追踪方向上的剖面检测连线，即派遣若的角度范围内，做若干个追踪方向上的剖面检测连线，即派遣若干条干条“扫描蛇扫描蛇”；根据剖面的灰度分布、梯度极值、宽度等特征；根据剖面的灰度分布、梯度极值、宽度等特征信息搜索每个蛇节上的合适剖面，并进行投票登记；信息搜索每个蛇节上的合适剖面，并进行投票登记；步骤步骤2.3:选择票数最多的一条蛇，选择其尾部合适剖面作为下一选择票数最多的一条蛇，选择其尾部合适剖面作为下一个开始追踪的剖面位置，并登记道路端点信息；个开始追踪的剖面位置，并登记道路端点信息；步骤步骤2.4:重复子步骤重复子步骤1,2,3,直到本次追踪结束；直到本次追踪结束；步骤步骤3：结果的矢量化表达：结果的矢量化表达实例分析：小卫星全色影象放大的局部间断道路提取南京师范大学 地理科学学院交叉道路提取Quickbird 影象道路提取115主动轮廓模型研究主动轮廓模型（Active Contour Model），也称“蛇”（Snakes）模型，是Kass等人在1987年提出的。模型的主要思想就是从一条初始曲线出发，在一定规则的约束下，经过不断地演化，运动曲线最终可以将目标分离出来。这样，在实际应用中结合一定的先验知识，针对具体的任务，有选择的利用相关信息，便可以达到更方便、更准确的目的。116主动轮廓模型研究主动轮廓模型可以表示为定义在s0,1上的参数曲线，即：v(s)=(x(s),y(s)。轮廓上的总能量可以定义为：117基于Snakes模型的道路位置优化技术路线118基于Snakes模型的道路位置优化乡村区域道路网提取乡村区域道路网提取 正确提取的比率分别为暗道路94.4%、亮道路95.0%。在利用Snakes模型优化之后，均方根误差有明显下降，暗道路由4.4下降到1.2，亮道路由3.5下降到0.9，提取结果更加接近于真实道路。119基于Snakes模型的道路位置优化城郊道路网提取城郊道路网提取 道路正确识别率约93.8，通过Snakes模型的优化后，均方根误差由5.7降低到1.2。120基于Snakes模型的道路位置优化城市区域道路网络提取城市区域道路网络提取 在城市区域，正确识别率下降到68.3%。通过Snakes模型的优化后，均方根误差由5.9降低到1.1。121基于Snakes模型的道路位置优化河流网络提取河流网络提取 在算法参数没有修改的情况下，方法取得了很好的提取效果，其正确识别率达到了93%，显示了方法的普适性，通过Snakes模型的优化后，均方根误差由5.2降低到1.1。遥感图像变化检测遥感图像变化检测是利用对同一地区在不同时期拍摄的两幅遥感图像，采用图像处理和模式识别等手段，检测出该地区的地物变化信息的过程，它在环境、农业、水利和军事等诸多领域都有着非常广泛的应用。像素级：比值法、差值法、回归、植被指数法、主成分分析等等。特征级目标级123像素级变化检测传统的基于像元的变化检测方法，仅从像元本身的光谱特征进行分析，能够描述与提取的特征非常有限，进而造成变化检测效果欠佳。我们从图中所标注的区域可以看出，该区域没有发生变化，但是却误检为变化区域，并且结果图中存在大量的“椒盐”噪声。(a)第一时相数据 （b）第二时相数据（c）结果图 124基于多特征证据融合的变化检测高空间分辨率遥感图像所具有的地物细节明显、光谱混淆现象严重的特点造成单纯依据图像灰度特征的变化检测方法变得不太适用。为此，依据更为稳定的图像特征，进行高空间分辨率遥感图像的变化检测，逐渐成为研究的热点。不同的视觉特征反映了图像不同侧面并互为补充，单独使用某一特征进行变化检测都有可能造成漏检或误检，为此，应该考虑综合利用多特征进行变化检测。本方法对边缘、纹理、梯度等多证据进行证据融合，实现了多种变化证据的综合利用。125证据理论简介证据理论作为一种数学工具，它允许人们对不精确、不确定性问题进行建模，并进行推理。证据理论可以根据各源信息对系统整体进行归纳和估计，做出正确的决策。证据理论是建立在一个非空集合 U上的理论，称为U辨别框架，它由一系列互斥且穷举的元素组成。对于问题域中任意命题 A，都应属于幂集 2U，则可在2U上定义一个基本概率赋值函数(BPAF)m：2U 0,1，使m满足 m()=0 126 证据理论简介 对于不同的证据源，证据理论采用正交和来组合这些证据源。设m1，m2，mn是n个基本概率赋值函数，则其正交和为：m=m1m2 mn 且定义为 m()=0 （）其中 k反映了证据的冲突程度。1274.3 技术步骤多 特 征提取128技术步骤定义BPAF129技术步骤多证据融合130实验与分析实验与分析 （a）数据一03年ALOS数据 （b）数据一05年ALOS数据 （c）数据二03年ALOS数据 （d）数据二05年ALOS数据131(a)梯度、纹理和边缘特征融合的检测结果 (b)边缘和梯度特征融合的检测结果(c)纹理和边缘特征融合的检测结果 (d)纹理和梯度特征融合的检测结果三种证据源的各种组合方式比较检测出了主要变化区域，但较敏感检测出了主要变化区域检测出了主要变化区域，存在误检存在误检和漏检132 (e)边缘特征的检测结果 (f)梯度特征的检测结果 (g)纹理特征的检测结果 (h)基于相似度验证的方法检测结果三种证据源的各种组合方式比较漏检严重漏检严重误检严重漏检严重133变化检测方法变化像元数检测出的变化像元数及检测概率检测出的非变化像元数及虚警概率相似度验证方法550932501545.4%10121.8%边缘和梯度特征融合方法550935005790.8%51789.3%梯度、纹理和边缘特征融合方法550935123993.0%562710.2%变化检测结果分析 从上表可以看出基于相似度验证的方法检测概率只有45.4%，而梯度、纹理和边缘特征三者进行融合检测方法与边缘、梯度特征二者进行融合检测方法的检测概率都在90%以上。可以看出，梯度、纹理和边缘特征三者进行融合的检测结果与边缘、梯度特征二者进行融合的检测结果相对较好，都检测出了该区域的主要变化区域，但梯度、纹理和边缘特征三者进行融合对变化较为敏感。