高光谱遥感原理与方法篇1

关键词：地质勘探;矿产;遥感找矿;国土资源

近年来，随着科学技术的进步和国际环境的影响与促进，我国的遥感技术也逐步发展并趋于成熟，目前已经建立了集信息的采集、处理、应用等环节于一体的国土资源遥感技术体系。可以说，我国已经把遥感技术应用于地质调查、矿产勘查、矿山开发、环境监测、城市规划等重要领域。

1遥感找矿技术概述

随着科学技术的不断发展与进步，国际、国内的地质矿产勘探工作都不同程度地得到了很大的技术支撑，地质勘探业迅速崛起，遥感找矿技术已经成为一项较为成熟的地质找矿方法。

遥感找矿技术主要是指运用遥感技术进行地质矿藏的发现、开采等工程。该技术的理论支撑是遥感技术，按照光谱分为可见光遥感、红外遥感和微波遥感。遥感技术用于地质找矿作业，能够全面、客观地记录和分析矿山的物质成分和结构，大大提高和改善了发现矿藏的几率和速度，并且分析结果更加精确和科学。

遥感找矿技术主要是依据大地层中的各种物理化学物质所发生的反射、透射等物理作用而产生的电磁波，来传递各种地质成分的特征信息。各种物质的物理化学特性与其发出的光谱的特息相关，物质成分及结构的差异使得不同物质的内部对不同波长的光子进行选择性的吸收和反射、透射等物理作用。一般而言，具有稳定的物理结构和稳定的化学性质的物质具有稳定的光谱吸收特征，而不同的矿物质又具有不同的电磁波辐射能力。在遥感找矿技术中，我们利用波谱仪等遥感设备对野外采集的样品进行光谱试验，获取数据并测量其光谱曲线，再与资料库中的已知光谱进行比较，可以确定矿物质中所含有的各种成分，并进一步判断其含量与纯度。这样，我们就利用遥感找矿技术，成功地为决策者开发利用矿山资源提供了可靠资料。

2遥感找矿技术在地质勘探中的运用

遥感找矿技术可以用以提取地质构造，对地质勘探具有重要意义。根据现有资料，重要的矿产主要分布在地壳板块的边界地带以及不同块体的结合部位。遥感找矿技术能够对地质成分进行全面的分析和反馈，帮助地质勘探工作者提供可靠信息，如地表岩层、地质构造、地貌特征、水体和植被分布等。地质勘探测量工作者，可通过这些信息提取潜伏的地质构造特征，比如地表褶皱、地层断裂等。

遥感找矿技术主要利用金属矿床形成的特定光谱异常区进行工作，通过遥感技术形成图形和图像。质地中存在的各种矿物质的光谱曲线波动不一样，比如围岩的光谱曲线会相对很平缓，每个波段之间的差值也十分小;而矿化蚀变岩的光谱曲线波动较大，每个波段之间的差值也很大。这样，根据不同的光谱曲线，就能确定地质的性质，为地质勘探工作提供数据。

可以看出，提取蚀变信息是遥感技术在地质找矿工作中的一项主要手段。那么，遥感找矿技术是如何进行处理蚀变信息的？目前可以用单一的热红外波段或者比值分析，也可以将二者结合，再对蚀变信息进行增强，然后与已知的大量数据进行对比分析。例如，在植被覆盖非常广泛或者冰雪大量覆盖的地区，为了在不遗失任何信息的前提下去除干扰，我们可以采用比值处理法，这就是通常所说的图像预处理;我们也可以利用热红外光谱技术探测物体的辐射能量，从而压抑森林植被和积雪造成的信号干扰。

目前，地质矿产勘探遥感找矿技术已经为我国的基础地质调查、矿产资源勘查和环境地质调查与评价提供了重要的数据资料。我国目前已经形成了关于地质矿产勘探遥感找矿技术运用的工作流程和技术方法，开发了"野外调查微机辅助遥感图像解译系统"，为中国地质调查局制定了1∶25万遥感地质调查的技术规定，绘制了相关精度和比例的影像图，并做了详细的遥感地质解译，编制了航磁系列图、推断地质图和地球地质物理断面图等图件。成功运用该项技术进行了不同地区的区域地质岩性填图，确定各类火成岩体的分布，准确圈定了火山岩及火山机构，为直接或间接找矿等工作服务。这一系列的科研成果，都标明地质矿产勘探遥感找矿技术在我国地质勘探工作领域所发挥的积极作用。

3地质矿产勘探遥感找矿技术的发展前景

在我国，地质勘查技术方法不断取得创新，找矿方式方法也取得突破性进展。国家也在不断加强地质矿产勘探遥感找矿技术开发体系的建设，提高地质勘查的能力。根据目前我国的国家需求和社会需求，结合我国地质矿产勘探遥感找矿技术的发展现状，未来几年将重点加强开展并加强以下3个业务体系的建设：

（1）矿产资源航空物探与遥感勘查应用体系;（2）环境地质、工程地质、地质灾害调查与监测多领域应用与服务体系;（3）海洋与陆域油气资源航空物探遥感调查体系;上述业务体系体现了遥感找矿技术在地质矿产勘探领域的重要应用和拓展。开发和完善以上体系，需要我们不断加强技术创新，坚持自主开发为主与引进外部技术为辅相结合的机制，不断提高和完善我国地质矿产勘探遥感找矿技术的自主创新能力。

4对当前遥感找矿技术的几点建议

4.1加强技术装备建设，加大投资力度。

我国疆土地域跨越较大，而且国土资源复杂，如果只采用单一的运载工具，就无法适用于中西部地区的测量作业，同时又缺少适合于高原地区和山区遥感勘查飞行的直升机。对于海洋资源，大航程超低空海洋航空物探专用飞机的开发运用将成为严重制约海洋资源调查能力的关键资源。国内设备对数据的记录、处理能力精度不高，缺乏航重、航电以及航空气测设备等，这就造成一部分遥感信息源的缺乏。国外高精度遥感数据价格昂贵，而国产资源卫星数量少、分辨率和精度难以满足自身要求，严重制约我国地质矿产勘探工程的快速发展。

4.2需要提高技术层次，深化应用技术的研究与开发。

地质矿产勘探遥感找矿技术的应用领域不断扩展与遥感技术工程化能力不足的矛盾比较突出，因此随着我国国土资源管理对遥感找矿技术的业务化应用的迫切需求，遥感技术的自动化、工程化程度有待提高。

结束语

遥感找矿技术作为矿产勘查领域内的新生力量，在易找矿日益减少的情况下，将会起到越来越重要作用。许多遥感找矿的成功经验所带来的有益启示是，遥感应用必须与物化探、磁力、重力、地震探矿方法相结合，还需要进一步重视地热、地气的热力作用，深入研究生物地球化学效应、地球化学填图方法、生物成矿和数字地质的空间统计分析方法。只有加深对地表成矿信息的理解和诠释，才有可能对深部的、海底的隐伏矿床由此及彼、由表及里，从地球系统科学与地质信息科学的深度作出科学的推论和预测。

参考文献

高光谱遥感原理与方法篇2

ZhuRuirong；QuHuaying

（YunnanLand&ResourcesVocationalCollege，Kunming650217，China）

摘要：在分析空间数据获取现状的基础上提出空间数据挖掘的必要性，对遥感影像分类技术和方法进行了研究，提出GIS平台和数据挖掘算法集成所挖掘的知识是其影像分类的重要知识源。最后通过实验对以上的研究和分析进行了验证。

Abstract：Basedonthestatusquoofspatialdataobtaining,thenecessityofspatialdataminingisputforward.Throughtheresearchofremotesensingimageclassificationtechnologyandmethodologies,theknowledgeminedandintegratedfromGISplatformanddataminingalgorithmshasbeenrecognizedastheimportantknowledgesourceofimageclassification.Finally,theresearchandanalysishasbeenverifiedthroughtheexperiment.

关键词：GIS空间数据挖掘遥感影像分类

Keywords：GIS;spatialdatamining;remotesensingimage;classification

中图分类号：TP7文献标识码：A文章编号：1006-4311（2011）14-0193-02

0引言

进入信息时代，计算机技术、遥感技术的快速发展使得实时、全天候、大面积的获取地球表面信息的高精度、高分辨率、多时相的数字影像成为现实，遥感数据每天以数百GB的速率递增。但与之相对应的却是影像处理的理论和技术手段的严重滞后，在遥感影像信息提取的过程中，常常发生“同物异谱”和“异物同谱”的现象，影响了分类的精度，同时影像信息提取还局限于人工目视解译的阶段，工作效率低下，影像数据的获取和遥感影像信息提取的速度严重不协调。利用GIS辅助遥感影像信息智能提取技术的研究对GIS和RS的集成，和空间数据生产效率的提高都有着重要的理论和现实意义。而数据挖掘可以作为其中一个重要的手段和工具。本文利用数据挖掘和知识发现（DataMiningandKnowledgeDiscover）技术，挖掘空间数据库和数据文件中的知识，并将知识运用到遥感影像的分类过程中，通过知识来改善影像的分类精度。

1遥感数据和GIS数据的关系

在遥感影像和GIS数据之间，存在着数据和知识上巨大的互补性，而利用数据挖掘的手段，可以从GIS数据中挖掘出知识来解释遥感的影像数据，同时用遥感的数据来反演和更新GIS数据（如图1）。

从上图可以看出，数据挖掘是将大量数据信息转换为有用知识的有效工具，具体到在GIS和遥感信息提取中的作用如下：①在遥感影像解译中应用。用于遥感影像解译中的约束、辅助、引导，解决同谱异物、同物异谱问题，减少分类识别的疑义度，提高解译的可靠性、精度和速度。空间数据挖掘是建立遥感影像理解专家系统知识获取的重要技术手段和工具，遥感影像解译的结果又可用于更新GIS数据库。②GIS智能化分析。空间数据挖掘获取的知识同现有GIS分析工具获取的信息相比更加概括、精炼，并可发现现有GIS分析工具无法获取的隐含的模式和规律，因此空间数据挖掘本身就是GIS智能化分析工具，也是构成GIS专家系统和决策支持系统的重要工具。因此，空间数据挖掘技术将会促进遥感与GIS的智能化集成。（如图2）

2基于知识的遥感影像分类方法

由于传统的遥感影像的分类方法推理规则单一，非遥感信息融入困难，且大多是基于要素相互独立、空间参数化分布等前提假设条件下的数理统计方法，很难进行地学中要素之间相互关联、分布复杂的空间信息处理与分析。考虑到目视解译和数字解译的优势和缺点，为了解决遥感影像信息提取中存在的种种问题，许多学者提出了基于知识的遥感影像信息提取的方法。在GIS数据或地学知识与遥感数据集成分类的方法中，主要有三类：一是信息复合的方法。二是基于规则判断的决策树分类方法。三是影像分类与规则判断结合的办法。

基于知识的遥感影像信息提取，其基本内容应包括知识的发现、应用知识建立提取模型、利用遥感数据和模型提取遥感信息。在知识发现方面包括从单期遥感图像上发现有关地物的光谱特征知识、空间结构与形态知识、地物之间的空间关系知识。主要从两个方面进行遥感影像的信息提取：

2.1基于光谱知识的信息提取：比如公路提取模型：

R■=∫mag[f（s）]■ds=maxmum（1）

R■=∑{g[f（s）]-g■}■=minmum（2）

基于光谱特性的信息提取是在对遥感信息机理初步研究的基础上找到的一种信息提取方法，它需要地物与背景之间在光谱上是可分的，与背景之间存着较少的同谱现象，并且地物内部的光谱最好要一致，当地物内部光谱不一致时，可以借助于地物内部的特征成分光谱进行提取，当地物内部成分的光谱与背景之间存着较多同谱现象时，须借助于地物的其它知识进行提取。

2.2基于纹理知识的信息提取纹理是指灰度值在空间上的变化，它是由一些纹理基元按照不同的空间配置形式所构成的一种图案。共生矩阵纹理法是比较传统的纹理描述方法，它可从多个侧面描述影像纹理特征。

灰度共生矩阵属二阶统计量，被定义为从灰度为i的点离开某个固定位置关系δ=（dx，dy）的点上灰度为j的概率（或频率）:

P■（i，j）（i，j=0，1，2，…，N-1）（3）

式中N表示灰度级数而i、j为灰度值，不同的位置关系δ对应着特定距离和方向上的共生矩阵。显然，将所有的δ纳入考虑，计算量将极为庞大。根据Jensen的研究，由于TM影像的分辨率较之航空图像或SPOT图像为低，取某个固定的δ（如令δ=（1，0）或δ=（2，2））计算共生矩阵即可。下一步，便可由共生矩阵求解若干纹理特征量，用4种典型和常用的量，分别是能量E（P），熵H（P），均质性L（P），惯性力矩（反差）I（P）；纹理特征提取的结果有两种形式：一是纹理特征度量参数本身；另一种是纹理特征参数对影像进行初步分类后得到的纹理分类图像。

3试验

为了检验基于知识的遥感影像分类方法的有效性，实验中所用的遥感影像为ErdasImageine8.6所带的示例影像数据，参照土地资源调查中土地利用分类方式，并根据图像的特点，将要分类的影像确定为12个类别，其类别如下：高等级道路、一般道路、平坦地区、缓坡地区、陡峭地区、极陡地区、水域、湿地、密林、中密度森林、稀疏林、建筑用地。

基于知识的分类体系可以利用决策树来表示各种数据之间的关系，在实验中，知识有4种数据来源，数据源及其类别属性分别为：道路：离散型(0，1，2)；数字坡度模型：连续型；预分类图像：离散型(0~20)；树林密度模型：连续型；待分类图像：连续型。

本试验中采用常规最大似然法和基于知识分类方法分别对影像进行分类。原始贝叶斯分类结果（如图3），基于知识的分类结果（如图4）。

从实验结果图中可以看出：基于知识的分类，由于充分利用了规则中的先验知识，其结果较贝叶斯分类更加详细。

4结论

基于知识的遥感影像分类技术是遥感信息提取未来发展的方向，在GIS支持下基于空间数据挖掘技术进行遥感影响分类与信息提取，可以综合地物光谱特征、GIS数据、领域知识、空间分析功能等，其分类结果较传统技术下的分类结果有着明显的优越性。进行但是受限于计算技术、人工智能和数据挖掘技术的发展水平，知识的准确、快速的获取存在着一定的困难，实现自动化的知识获取有很大的难度，在挖掘模型与GIS集成方面离可供实际操作的完全集成系统还有一定的距离，人机交互式的知识获取方式在一定时期内仍然是知识获取的方式。

参考文献：

[1]邸凯昌．空间数据发掘与知识发现[M]．武汉：武汉大学出版社，2001.

[2]梅安新等．遥感导论[M]．北京：高等教育出版社，2001.

[3]王清毅．目前数据挖掘算法的评价[J]．小型微型计算机系统，2000，21（01）.

高光谱遥感原理与方法篇3

关键词：ETM+遥感影像；融合；评价指标；松花坝水源区

中图分类号：S7718；P28349

文献标识码：A文章编号：1671-3168（2012）06-0022-04

收稿日期：2012-11-13

基金项目：水利部公益性行业项目“高原盆地城市水源地保护和恢复技术研究”（201101042）。

作者简介：董金义（1986-），男，云南保山人，硕士研究生。主要研究方向为三维GIS和遥感技术应用。Email：dongjinyi@163com。

遥感影像融合是20世纪70年代提出的数据融合理论，如何将同一地区不同特性遥感影像有效地结合在一起是当前研究的热点之一。遥感影像融合是解决多源海量数据富集表示的有效途径之一，它能够整合不同空间和光谱分辨率的信息，产生比单一数据含有更多细节的融合数据[1]。目前，多源遥感影像融合一般可以分为像元级、特征级和决策级3个层次[2]。如何有效地将多源海量遥感数据融合在一起，并使得融合后的影像既保持多光谱影像的光谱特征，又具有较高的纹理细节辨识能力[3]，这对影像融合具有重要的意义。根据融合所用传感器的不同，影像融合形式一般分为2种：一种是多传感器在同一时间或者不同时间获取的关于同一具体场景的影像融合；另一种是单一传感器在不同时间或者不同环境条件下获取的某一具体场景的影像融合。

鉴于现有的传感器，选取松花坝水源区Landsat7ETM+遥感影像，使用不同方法进行融合对比，可避免在影像融合中由于不同时相和不同传感器所造成的各种参数差异问题，解决了影像融合中配准精度问题[4]，并通过几种融合方法进行对比分析，找出一种适合于此区域的最佳影像融合方法，对该区域遥感解译精度的提高具有重要意义。

1研究区概况

松花坝水源区地处昆明市东北面的嵩明、官渡两县（区）内，北部和寻甸县接壤、西部与富民县相交。地理位置为102°45′～102°59′E，25°08′～25°27′N，南北长36km，东西宽24km，水源区保护面积为593km2。流域地形复杂，地貌结构多样。地势东北高西南低，属低山和中高山地貌，海拔1920～2800m。最高点位于北部梁王山上的大尖山，海拔最低处在松华坝水库坝址。属亚热带西部山地高原季风气候。

2影像融合及评价方法

此次实验对像元级遥感影像融合问题进行对比分析。像元级影像融合常用的算法有多种，本次采用IHS变换、Brovey变换、PCA变换、Gram-Schmidt变换、CN变换和小波变换等方法对研究区遥感影像进行融合对比分析。

林业调查规划第37卷第6期董金义，等：松花坝水源区Landsat7ETM+遥感影像融合对比研究

21影像融合方法

211IHS变换

IHS彩色变化是将标准RGB图像有效地分离为代表空间信息的明度（I）、代表波谱信息的色别（H）以及饱和度（S）[2]。该算法首先将多光谱图像的3个波段映射到RGB彩色空间，然后再由RGB彩色空间变换到IHS彩色空间；融合过程则是用高分辨率全色影像去代替IHS彩色空间中的I分量，最后将IHS彩色空间变换到RGB彩色空间即可得到融合影像。在影像融合中，主要采用的ISH技术有直接法和替代法2种方式。RGB与HIS空间的变换关系式为：

212Brovey变换

用Brovey锐化方法对彩色图像和高分辨率数据进行数学合成，从而达到图像锐化效果。彩色图像中的每一个波段都乘以高分辨率数据与彩色波段总和的比值。表达式为：

213PCA变换

主成分分析（PrincipalComponentAnalysis），是基于变量之间的相互关系，在尽量不丢失信息的前提下进行的一种多维正交线性变换。变换公式为：

Y=TX（5）

其中：X是待变换图像的数据矩阵，Y是变换后的图像数据矩阵，T是变换矩阵。

214Gram-Schmidt变换

Gram-Schmidt变换是线性代数和多元统计中常用的方法，它通过对矩阵或多维影像进行正交化，从而消除冗余信息。变换产生的各个分量只是正交，各分量信息量没有明显的变化。另外，Gram-Schmidt变换后的第一分量GSI就是变换前的第一分量，其数值没有变化[5]。

215CN变换

CN波谱锐化的彩色标准化算法也被称为能量分离变换（EnergySubdivisionTransform），它使用来自锐化图像的高空间分辨率波段对输入图像的低空间分辨率波段进行增强。该功能仅对包含在锐化图像波段的波谱范围内的输入波段进行锐化，其他输入波段被直接输出，不发生变换。

216小波变换

小波变换是基于频率域的图像处理方法，通过分解与重构能够得到不同方向上的细节信息，再按一定的规则融合，从而得到具有针对性的融合信息。基于小波变换的图像融合方法通常采用多分辨分析和Mallat快速算法，将原始图像利用小波变换分解成多层次的近似图像和细节图像，它们分别代表了图像的不同结构[6]。LL分量集中了原始图像主要低频成分，LH、HL、HH分量分别对应着原图像垂直方向、水平方向和对角方向的高频边缘信息。通常的做法是对全色和多光谱图像进行小波分解，得到相应的分量，然后根据需要重新组合生成新的各个分量，最后进行小波反变换重建影像[7]。

22遥感影像融合评价指标

评价融合影像的质量是遥感图像融合的一个重要步骤。本次采用的评价指标如下：

221定性评价指标

定性评价可依据技术经验对融合图像是否配准，是否有重影，是否有明显的色彩畸变进行判定。此方法可以对直观的影像融合效果进行快速评定，方便快捷，但是主观性太强，无法保证评价的准确度。

222定量评价指标

采用均值、标准差、信息熵、相关系数作为评价指标对实验区进行分析对比。其中，均值越大说明影像含信息量越高。标准差大，则图像灰度级分散，图像反差大，信息量丰富。信息熵越大，可以认为融合图像的信息量增加，融合图像所含的信息越丰富，融合质量越好。相关系数接近1时，说明两者的相关性越强，融合影像对原始影像光谱信息的保留性越好。

3数据来源及处理

31数据来源

研究数据来源于国际科学数据服务平台，2002年2月9日，云量为零的Landsat-7ETM+影像数据。将研究区的ETM+的1、2、3（R，G，B）波段作为多光谱数据，其空间分辨率为30m，第八波段的全色波段作为高分辨率数据，其空间分辨率为15m。

32数据预处理

为了能够更加准确地对融合后的影像进行定量评价，对数据进行以下处理：

321波段组合及裁剪

分别将2景ETM+单波段数据进行合成（不包含第六波段和第八波段），并在ENVI中利用松花坝水源区矢量边界裁剪出研究区的多光谱数据及全色波段数据。

322地形校正

地形校正是复杂地区遥感影像预处理的重要步骤之一，对提高地表参数遥感定量化精度具有重要意义。本研究区地形复杂，是否进行地形校正对融合对比分析的定量评价结果有影响。目前，国内外各种地形校正方法为基于波段比、DEM和超球面3类方法[8]。本次实验在30m的DEM数据的支持下，采用面向坡向地形校正法对松花坝水源区进行地形校正。

323辐射定标

通过利用ENVI查看影像光谱曲线，结果表明，原始影像没有进行过大气校正。为了能够准确地对融合结果进行定量评价，因此，在ENVI中对遥感影像多光谱数据及全色波段进行辐射定标处理，将其DN值转换为辐射亮度值。

324大气校正

使用定标后的影像进行大气校正，目的在于消除大气和光照等因素对地物反射的影响，便于获得地物反射率、辐射率或者地表温度等真实物理模型参数。在ENVI中将ETM+的多光谱数据使用FLAASH模块进行校正，全色波段则使用对数残差法进行大气校正。最终经过以上处理的数据分别进行不同方法融合后的效果如图1～图8所示。

4遥感影像融合结果分析与评价

41目视评价

1）通过IHS融合后，影像的空间分辨率提高

了，色彩的亮度、色度、饱和度都有较明显的改变，颜色分布与地物信息的吻合度比较高。

2）Brovey、CN融合后的影像色彩畸变比较大，与多光谱影像相比较，影像空间分辨率有所提高。

3）PCA变换后的影像清晰度高，颜色的畸变很小，和Gram-Schmidt处理的影像效果类似，颜色的匹配不是很理想，整个影像的色调基本上一致，色彩不够丰富。

4）Gram-Schmidt处理后的影像总体上来说空间分辨率有很大的提高，清晰度高，但颜色的匹配还不是很理想，整个影像的色调基本上一致。

5）小波融合存在一定程度的光谱信息丢失。在空间分辨率上较好地保持了图像的细节信息，具有良好的清晰度。

42定量评价

为了客观、定量地评价影像融合结果，利用ENVI计算原始影像和6种融合算法获得的融合影像在各个波段的均值、标准差、信息熵和相关系数。以第一波段为例，其结果见表1。

表1试验区遥感影像融合评价指标结果统计

Tab1pilotremotesensingimagefusionevaluationindexresultsstatistics

均值标准差信息熵相关系数

原始多光谱影像117915679117

原始全色影像1516213109

HIS变换14547550123093

Brovey变换1142070123089

PCA变换223115642113095

Gram-Schmidt变换162815452099096

CN变换451074035086

小波变换84614931091097

43整体质量评价

结合均值、标准差、信息熵及相关系数等评价指标，可以看出PCA变换是此区域Landsat7ETM+遥感影像最佳的数据融合方法，CN变换效果最差。

5结语

在研究遥感影像像素级融合算法的基础上，采用IHS变换、Brovey变换、PCA变换、Gram-Schmidt变换、CN变换和小波变换等影像融合方法对松花坝水源区Landsat7ETM+多光谱与全色影像进行融合对比。通过定性和定量方法对融合效果进行比较分析。结果表明，6种融合方法都可不同程度地改善影像的空间分辨率或者光谱特征。所以，在进行影像融合时，要根据区域情况来选择合适的融合方法。综合所采用的评价指标可以看出，PCA变换是此区域Landsat7ETM+遥感影像融合的最佳方法。

参考文献：

[1]张继贤多源遥感数据融合的发展趋势[J]国际摄影测量与遥感动态专题，2011，2（4）：18-20

[2]赵英时遥感应用分析原理与方法[M]北京：科学出版社

[3]吴学文，徐涵秋多分辨率分解的遥感影像融合方法对比分析[J]地球信息科学学报，2010，3（6）：419-424

[4]徐涵秋Landsat7ETM+影像的融合和自动分类研究[J]遥感学报，2005，9（2）：186-194

[5]李存军，刘良云，王纪华，等两种高保真遥感影像融合方法[J]中国图像图形学报，2004，9（11）：1376-1385

[6]强赞霞遥感图像的融合及应用[D]武汉：华中科技大学，2005

高光谱遥感原理与方法篇4

[关键词]摄影测量遥感技术

[中图分类号]P23[文献码]B[文章编号]1000-405X（2014）-3-102-1

1摄影测量与遥感技术概述

1.1摄影测量技术

摄影测量学的方法很多，其中航空摄影测量的理论是最常用的。航空摄影测量是利用飞机上摄取的地表相片为依据进行量测判断拍摄的地面上物体大小、形状、空间位置关系，从而建立被摄取的地区的地形图信息数据资料。航空摄影是在一定的高度按规定的时间间隔对要测绘的区域进行连续重叠摄影。要求所拍摄的图片能够覆盖整个待测区，并且有一定的重叠度。摄影测量的主要任务是对地观测，因此测绘各种比例尺的地形图和专题图，建立地形图数据库，并贮备各种地理信息系统的建立与更新时需要的基础数据。

1.2遥感技术

遥感技术系统由空间信息采集系统，地面接收、传输和预处理系统，地面实况调查系统，信息提取与分析应用系统几部分组成。空间信息采集系统由遥感器和遥感平台组成，遥感平台是遥感器的载体为其提供工作平台。遥感器是用来收集、记录被测目标的特征信息并发送到地面接收站的设备。地面接收站主要是接受、处理、存档和发散各类卫星传输的数据，并把数据记录在高密度磁带、光盘上。保存和记录数据后地面工作站依靠计算机进行图像预处理。地面实况调查系统主要是进行在空间遥感信息获取前所进行的地物波谱特征测量，还有在空间遥感信息获取的同时进行与遥感有关的各种遥测数据的收集。最后将收集的遥感图像信息有针对性的提取，进行具体领域的应用或辅助研究。

2摄影测量与遥感在铁路测量中的应用

2.1选线应用

线路一般应尽量采用直线以及较大半径的曲线连接，以缩短线路的长度，节省造价及营运消耗。在纵断面上则应尽量减小坡度，以提高车速。同时，铁路线路还应绕避不良地质和水文地段，并尽量绕避重要建筑物以及少占农田等，以保证线路工程的质量。为了满足上述要求，必须利用铁路沿线的地形、地貌、地质、等资料，而摄影测量与遥感技术是提供这些资料有效的技术手段。摄影测量与遥感技术在选线中的应用主要有两方面：一是摄影测量与遥感所获得的地形图以及数字高程模型是线路设计的主要资料；二是航空或者卫星遥感影像可直接或间接提供大量的有关各种地物属性的信息，为解译各种地质现象和水文要素创造良好的条件。航空或卫星影像反映地表地物宏观、逼真，借助遥感图像处理软件处理解译，并根据影像所反映出来的纹理、色调、图形等特征，可以判释区域内地层、地质构造等现象。

2.2既有线路测量应用

既有线路摄影测量与遥感技术是以航空像片或卫星遥感影像为测绘基础，配以一定的野外工作获取大比例尺地形图。其应用可归纳为：加速既有线路复测工作，加快获得完整的既有铁路技术基础资料。大比例尺地形图可满足多方面的使用要求。采用摄影测量与遥感技术测绘大比例尺地形图的优点：一是采用了国家统一的平面坐标系和高程系，与国家基本图或其他部门的地形图可以沟通使用。二是航测图片和遥感卫星图片覆盖面积大、表达现场逼真，可获得精度较高的大比例尺地形图。

2.3沿线环境动态监测

利用遥感技术可以对铁路的运行状况、沿线地质环境变化等进行动态的监测。由于遥感图像视野开阔、影像逼真，不受地形、交通的限制，获取资料快，可在室内条件下全天候开展影像判释。此外，遥感技术为从宏观背景研究地质灾害的形成与地形、地质构造等提供了方便，从而有利于揭示其产生原因和分布规律。可随时获取铁路沿线地形地层构造、地质灾害及环境变化等情况，还可提供DTM，各种比例尺地形图、透视图、各种地质专题图、各种统计数字等资料。

3遥感新技术在铁路测量中的应用

3.1SAR干涉测量

雷达干涉测量是利用复雷达图像的相位差信息来提取地面目标地形三维信息的技术。获取数据的方式，分别是沿轨道向、与轨道交叉向、重复飞行干涉测量。雷达干涉测量有特定的数据处理技术流程，与传统遥感影像数据处理完全不同，主要包括：用轨道参数法或控制点法测定基线，图像粗配准和精配准；随后进行相位解缠，其中最常用的方法有：枝切法、条纹检测法、最小二乘法、基于网络规划的算法。差分干涉测量技术是在雷达干涉测量的基础上发展起来的，它是利用复雷达图像的相位差信息来提取地面目标微小地形变化信息的技术。根据消除地形效应所采用的方法不同，差分干涉测量可分为基于DEM模拟条纹和基于生成的从干涉纹图的差分测量。

3.2高分辨率卫星遥感

航空遥感、卫星遥感等，虽然已经得到较多的应用，但在反映细节构造、精细信息、局部特征时，由于分辨率的限制而不能提供详实而全面的信息。而高分辨率卫星遥感影像既提供高几何分辨率的全色波段，又提供多光谱数据，通过一定的数据融合方法，就可提供分辨率更高的多光谱数据。高分辨率卫星遥感可应用为：提供充分、丰富、精确的信息，保证了进行科学合理的新线的选线工作；将为建立3S地质灾害信息立体防治系统和铁路管理系统提供多源、多平台、多时相、多层次、多领域的实时、丰富、准确、可靠的信息。

3.3高光谱遥感

高光谱遥感与常规遥感技术不同之处主要是窄波段、多通道，具有图像与光谱合二为一的优点，它以纳米级的超高光谱分辨率和几十或几百个波段同时对地表地物成像，能够获得地物的连续光谱信息。这样，在传统的二维遥感的基础上增加了光谱维，形成了一种独特的三维遥感。通过获取图像上任何一个像元或像元组合反映的地球表面物质的光谱特性，经过计算机图像处理就能达到快速区分和识别地表地物的目的。利用高光谱数据与专题图结合，可以全面对感兴趣区域地质进行研究并进行细分，判释区域内地层、地质构造等，给铁路选线提供可靠的依据。还可充分利用高光谱图像中丰富的纹理细节进行信息提取。

在铁路建设中，摄影测量与遥感作为一种先进的勘测技术手段，在提高选线质量和勘测资料质量；提高勘测设计效率；改善勘测工作条件；节省基建投资等方面，具有明显的经济效益和社会效益，是工程勘测设计和现代化管理的重要内容。

参考文献

高光谱遥感原理与方法篇5

关键词：遥感影像；空间数据；环境监测

中图分类号：TP311.52文献标识码：A文章编号：1674-7712（2013）12-0000-01

一、遥感的基本概念与原理

（一）遥感概述。遥感技术是20世纪60年代在航空摄影测量的基础上迅速发展起来的一门综合性空间数据采集技术。所谓的遥感，就是从远处在不直接接触地表目标物和现象的情况下，获取其信息的科学和技术。遥感具有以下特点：探测范围广，能够提供综合宏观的视角；获取手段多样，获取的信息量大；获取信息快，更新周期短，可进行动态监测；全天候作业；遥感技术可以根据不同的目的和任务，选用不同的波段和不同的遥感仪器，取得所需的信息等等。

（二）遥感的物理基础。不同地物具有不同的电磁波辐射特性，表现在遥感图像上就具有不同的图像特征。电磁波是由振源发出的由交变电场和磁场相互激发在空气中传播的电磁震荡。而我们将不同电磁波段透过大气后衰减的程度不一样原因进行了介绍，可知有些波段的电磁辐射能够透过大气层时衰减较小，即透过率较高，这个波谱范围，叫做“大气窗口”。

遥感除了利用上述的大气窗口作为工作波段外，有些气象卫星是选择非透明区作为大气波段（如水汽，二氧化碳，臭氧吸收区），以测量它的含量，分布，温度等，不同的大气投射窗口对应于不同的光谱范围，适于使用不同的传感器，因此，研究地面的光谱特性，选用合适的大气透射窗口和传感器对于提高遥感探测的质量具有十分重要的意义。

二、遥感平台与传感器

（一）遥感平台。遥感数据获取是在由遥感平台和传感器构成的数据获取技术系统的支持下实现的。遥感平台可以分为地面平台、航空平台和航天平台三种。由于各种平台和传感器都有自己的适用范围和局限性，因此往往随着具体任务的性质和要求的不同而采用不同的组合方式，从而实现在不同高度上应用遥感技术。

遥感平台主要依据遥感图像的空间分辨率，一般的说，近地遥感具有较高的空间分辨率，但观察范围较小，而航空遥感地面分辨率虽然中等，但其观测范围广，航天遥感地面分辨率低，但覆盖范围广。

（二）传感器传感器一般由采集单元、探测与信号转化单元、记录与通信单元组成。各种卫星通过不同的遥感技术实现不同的用途。各种卫星通过不同的遥感技术，实现了不同的用途。数字工程中常用的遥感数据有Landsat和TMM遥感、SPOT和Radarsat以及我国的资源卫星数据和高分辨率卫星遥感数据。传感器的类型大类上分为主动式和被动式，其中又各分为非图像式和扫描图像式。

三、遥感图像及其特征

遥感的核心问题就是不同地物的反射辐射或发生辐射在各种遥感图像上的表现特征的判别，当然，不同的目的的需要精心的设计对于遥感成像的方式或选择波段，这样我们才能使不同的地物在图像特征区别。遥感图像反映的信息主要有几何信息，波谱信息，空间信息和时间信息等。

（一）几何特征。遥感图像不仅反映了地物的波谱信息，而且还反映了地物的空间信息形成特征，一般包括空间频率信息，边缘线性构造清息，结构或纹理信息以及几何信息等。影响遥感空间信息的主要因素有传感器的空间分辨率、图像投影性质、比例尺和几何熵变等。

（二）光谱信息。遥感图像中每个像元的亮度值代表的是该像元中地物的平均辐射值，它是随地物的成分、纹理、状态、表面特征及所使用电磁波段的不同而变化的。遥感图像的信息虽主要取决于两个因素：波谱分辨率和空间分辨率。前者主要影响波谱信息量，后者主要影响空间信息量。多波段图像的信息量除上述两个因素外还与波段的选择和数目有关。

（三）时间特征。同一地物对象由于其在不同的阶段含有不同的成分等原因造成对象在不同阶段具有不同的光谱特性，表现在遥感图像上就是该地物在不同时间段的图像上具有不同的图像特征。时相主要影响图像的处理效果，利用对泳衣区域各个阶段分别进行遥感，加以对比而研究，则可以获取该区域的连续变化特征。

四、遥感处理的基本流程与技术

利用遥感的手段进行数字工程空间信息更新时，应用需求以及卫星影像数据处理流程会有所不同，但是主要的过程和技术方法基本一致，在利用遥感影像进行空间数据更新的关键技术和流程主要可归纳为一下几个方面：遥感波段（卫星遥感数据）选择；卫星影像读入；卫星遥感影像处理技术；信息提取技术；矢量编辑与地图更新技术。

五、遥感应用

随着卫星数据图像空间分辨率、光谱分辨率及时间分辨率的不断提高，以及遥感数据购买费用的逐步下降，卫星数据图像的应用领域越来越广，从图像中提取信息的要求也越来越多，遥感已经成为获取地面信息的主要手段。

利用遥感技术可以制作各种遥感相关产品――数字正射影像（DOM）、数字线划图（DLG）、数字高程（地形）模型（DEM/DTM）、数字栅格模型（DRG）等4D产品；提供行业或部门专题地理数据――专题影像地图；利用遥感数据进行基础地理数据的产生或更新等。

（一）基础数据更新。比如用SPOT/ERS卫星影像更新地图数据为例，可以采用影响的几何纠正、色彩转换技术、统计和算法以及影像融合技术。遥感数据又有多波段、多时相的信息源，且能快速真实地提供丰富的地表空间信息，遥感已经成为地图更新和制作的有效而又重要的手段。我国目前的若干地形图大都在20世纪70年代测绘生产的，目前也都面临这地图更新的问题。

（二）土地利用调查与动态监测。土地利用基础数据对于数字工程进行土地规划与开发、土地管理、开发利用潜力分析等很重要。目前，中小比例尺的土地利用遥感动态监测与变更，主要应用TM、ETM、SPOT等遥感影像。利用遥感技术进行土地利用现状调查，调查精度比常规调查方法高，且时间短速度快。农作物与植被方面，用于农业气象、作物监测等领域的观测参数需要有更高的光谱分辨率，一般是短波红外波段。根据农业耕作和土地利用特点，选定影响最佳的获取时间应在5月―6月或9月―10月。研究的主要技术过程主要有下面几个：数据预处理、影像合成、不同数据源图像融合、图像分类和后处理、外业调绘、内业分析以及成果输出和更新。

（三）灾害调查与监测。各种自然灾害往往需要制作大比例尺图，以判明水灾发生时的洪涝区域、地震发生后的建筑物损坏情况、火灾发生后对地区造成的破坏等。地质灾害的调查、火灾监控和油污与赤潮监测。为了能将不同的信息区别开来，一般都要进行色彩合成，即在3个通道上安装3个波段图像，然后分别负于红绿蓝并叠合在一起，形成彩色图像，合成后的彩色图像含有丰富的颜色信息，便于解释，理解和处理。

参考文献：

高光谱遥感原理与方法篇6

【关键词】多光谱；混合像元；端元

0引言

遥感影像的像元很少是由单一均质的地表覆盖类型组成，一般都是几种地物的混合。因此影像中像元的光谱特征并不是单一地物的光谱特征，而是几种地物光谱特征的混合反映，这给遥感解译造成困扰。混合像元问题不仅是遥感技术向定量化深入发展的重要障碍，而且也严重影响计算机处理的效果或计算机技术在遥感领域中的应用[1]。

遥感影像端元提取是理解遥感影像空间与特征空间的纽带，它是进行遥感影像混合像元分解的首要步骤，直接影响混合像元分解的精度，是进行定量遥感反演的基础，因而混合像元分解理论在遥感影像的理解与运用上占据重要的地位[2]。现行的端元来源有两种，一是使用光谱仪在地面或实验室测量到的“参考端元”[3]；二是在遥感图像上得到的“图像端元”[4]。但是由于各种因素，诸如不同传感器光谱响应、大气影响、辐射条件等，地面实测光谱很难与影响建立起关系，并且实测有较大的主观性。而从影像本身获取端元简单、方便，且获取的端元具有与影像数据相同的度量尺度[5]，因此从影像本身获取端元是目前获取有效端元的主要途径和研究的热点。

目前，国内外针对端元提取的算法大都集中于高光谱影像，高光谱影像以其图谱合一技术为端元的提取提供了广阔的空间[6]，而对于高空间分辨率低光谱分辨率的多光谱影像端元提取算法很少。如何从多光谱影像仅有的几个波段中有效的提取端元信息，是多光谱遥感影像混合像元分解的关键。现行的端元提取算法集中于凸面体分析，通过求取影像的本征维数来确定端元的数目，端元数目即为本征维数加一[7]。以TM多光谱影像为例，分辨率为30米的多光谱影像有6个波段，即便这6个波段互不相关，其本征维数不会超过6维，最多能够提取7个端元。对于实际应用来说，端元提取的理论在TM等多光谱影像上是难以应用的。为此，本文提出了一种基于分类结果的多光谱遥感影像端元提取方法。该方法结合监督分类、纯净像元指数提取和凸面体理论来提取端元，解决了多光谱遥感影像端元提取数量限制和精度问题，为多光谱遥感影像端元提取提供了新的思路。

1端元提取方法思路与实现

本文设计的多光谱遥感影像分类和端元提取方法用到了监督分类算法（最大似然法）、像元纯净指数算法和凸面体分析理论。

该方法的基本思想如下：首先通过监督分类将原始数据划分为不同的区块，分块后的影像块间差异较大，有效抑制了背景信息的影响；然后通过对每个区块的光谱特征分析，确定分块端元的数目；最后对图像进行MNF变换，利用纯净像元提取方法提取端元光谱。具体流程图如图1。该方法的实现步骤如下：

（1）对原图像进行监督分类，根据图像所显示区域实际土地覆盖情况将原图像分为若干类别，所有类别依次对原图像进行掩膜处理，将原图像裁剪成若干区块。

（2）对每个区块进行光谱特征分析。根据分块的结果，将影像投影到二维散点图空间，分析光谱特征散点图空间分布特点和复杂程度，确定区块端元数目。

（3）通过凸面体分析技术，采用沙漏流程，首先对影像进行MNF变换，根据光谱特征分析确定的端元数目，设置MNF变换输出的维数。降维之后借助纯净像元指数和n维可视化工具收集端元波谱。

2实验与分析

2.1实验数据

实验所用数据为经过预处理的云南省大理市TM多光谱遥感影像数据。TM数据在可见光/近红外/短波红外/热红外0.45～12.5μm的大气窗口上设置了7个波段，而出TM6波段空间分辨率为120m外，其他波段空间分辨率均为30m。本文采用TM1～TM5、TM7这六个波段进行处理，波长范围为0.45～2.35μm，如图2所示（5，4，3波段彩色合成），图像大小为400行×400列。

2.2实验过程

根据实验数据所示区域实际土地覆盖情况以及数据图像的可分性，将实验区土地覆盖划分为建筑用地、农地、水域、林地和裸地等5类。在影像区域内均匀地选取各类型的样本数据，使用样本数据对影像进行最大似然法监督分类。分类结果如图3所示，其中红色代表建筑用地、黄色代表农地、蓝色代表水域、绿色代表林地、青色代表裸地。

根据分类结果，对实验数据进行裁剪，得到5块类别不一的影像，在此选取农地和林地影像进行研究。分块影像如图4所示（5，4，3波段彩色合成），其中a为农地影像，b为林地影像。

根据分块的结果，将影像投影到二维散点图空间，如图5所示，其中a为农地影像二维散点图，b为林地影像二维散点图。分析光谱特征散点图空间分布特点和复杂程度，确定分块影像的端元数目。农地影像二维散点图呈直线型分布，分布结构比较简单，从该区域影像空间能够提取2个有效端元。林地影像二维散点图明显有3个犄角，说明从该影像空间能够提取3个有效端元。

对分块影像进行MNF变换，MNF变换实现降维与噪声白化作用，目的是寻找影像的本征维数。根据光谱特征分析确定的端元数目，设置MNF变换的波段输出维数。农地和林地影像MNF变换的波段输出维数分别设置为2和3。降维之后进行像元纯净指数计算（PPI），PPI算法的实质是把端元往给定的投影线上投影，查看端元的投影次数，端元一般位于投影次数最多的地方。根据纯净像元落在相应影像中的位置，判断农地影像中的两个端元为水田（主要作物为水稻）和旱地（主要作物为玉米、土豆等），林地影像中的三个端元为阔叶林、针叶林和灌木林。最终提取的端元波谱曲线如图6所示，其中a为农地影像端元提取结果，实线所示为水田光谱曲线，虚线所示为旱地光谱曲线；b为林地影像端元提取结果，实线所示为阔叶林光谱曲线，点虚线为针叶林光谱曲线，长虚线为灌木林光谱曲线。

2.3实验结果分析

在混合像元分解过程中，端元的选择尤为重要，因为它直接影响混合像元分解的精度。为了检验本文提出的端元提取方法的有效性，在此从遥感影像中手动选取相应地物，绘制平均光谱曲线，与提取到的端元光谱曲线作对比。由于TM影像空间分辨率较低，很难从影像中判别相应的地物，借助森林资源二类调查数据，从相应地物的小班中勾画感兴趣区，绘制成平均光谱曲线。如图7所示，a中实线所示为水田平均光谱曲线，虚线所示为旱地平均光谱曲线；b中实线所示为阔叶林平均光谱曲线，点虚线为针叶林平均光谱曲线，长虚线为灌木林平均光谱曲线。对比图6可以看到，各地类的平均光谱曲线差异性明显小于端元光谱曲线，这是由于混合像元大量存在造成的；而从曲线特征来看，平均光谱曲线与端元光谱曲线的折点位置相似，这表明提取到的端元有效，能够表征相应的地物。

3结束语

本文针对多光谱遥感影像光谱分辨率较低，波段较少，并且波段间的相关性较大，影像噪声严重的现象，提出了一种基于分类结果的端元提取方法，该方法能够克服凸面体分析理论应用到多光谱影像端元提取的数量限制，提高了端元提取的精度。这种通过光谱先聚再分的思想，充分利用了遥感影像的空间和光谱信息，为多光谱遥感影像的端元提取提供了一种新的思路。

本文提出的端元提取方法基于最大似然法监督分类结果，分类的误差会传递给后续的端元提取过程。本文还可以尝试采用其他的分类方法代替，以降低分类结果的误差，如支持向量机、随机森林、面向对象的分类方法等。但是如何减少分类误差向下传导将会是今后一个重要的研究方向。

【参考文献】

[1]吕长春，王忠武，钱少猛.混合像元分解模型综述[J].遥感信息，2003（3）：55-58.

[2]耿修瑞，高光谱影像目标探测与分类[D].北京：中国科学院研究生院（遥感应用研究所），2005.

[3]RobertsDA，GardnerM，ChurchR，etal.RemoteSensingofEnvironment[J].1998，65：267

[4]RashedT，WeeksJR，GadallaMS，etal.GeocartoInternational[J].2001，16（4）：5.

[5]李素，李文正，周建军.遥感影像混合像元分解中的端元选择方法综述[J].地理与地理信息科学，2007，23（5）：35-36