地理信息系统基础（2018版） 遥感影像数据 P2.2.2-1高分辨率遥感影像.pptVIP

高分辨率遥感影像 目录 1.高分辨率遥感卫星 2.遥感影像信息提取 1.几种高分辨率遥感卫星 SPOT-5 IKONOS Quickbird WorldView 比较 传感器 波谱范围 分辨率 重访周期 Spot-5 两台HRG 一台HRS 一台VGT 绿色0.50~0.59μm 红色 0.61- 0.68μm 近红外 0.78 - 0.89μm 短波红外 0.78- 0.89μm 全色 0.48 - 0.71μm 全色 5或2.5m 多光谱10m 26天 IKONOS 全色波段 多光谱 蓝色 0.45-053 μm 绿色 0.52-0.61 μm 红色 0.64-0.72 μm 近红外 0.77-0.88 μm 全色： 1 米 多光谱： 4 米 2.9天 Quickbird 全色波段 多光谱 蓝：0.45-0.52μm 绿： 0.52-0.66μm 红： 0.63-0.69μm 近红外： 0.76-0.9μm 全色0.61-0.72m 多光谱2.44-2.88m 1-6天 Worldview-2 全色波段 多光谱 蓝 0.45-0.51μm 绿 0.51-0.58μm 红 0.63-0.69μm 近红外0.77-0.895μm 全色0.5米 多光谱1.8米 1.1天 Spot-5影像 IKONOS影像 Quickbird影像 Worldview-2影像 2.信息提取 高空间分辨率遥感影像海量数据、复杂细节和尺度依赖的特点决定了高分辨率遥感影像处理的技术难点 。 传统基于像元的遥感影像分析方法大都只是针对影像的光谱特征 ，仅从光谱特征出发进行遥感影像的分析处理所能得到的信息是极其有限的 。 基于特征基元的面向对象方法 无论是对高分辨率遥感影像的信息提取还是地物目标识别，特征基元提取往往是关键的前期工作，进而才能在此特征基元的基础上进行特征的表达和组合，完成信息提取和目标识别。 图像的最小单元不再是单个的像素，而是一个个对象，后续的图像分析和处理也都基于对象进行。 面向对象的遥感分类方法的关键是图像分割，也就是，如何准确地、有效地提取图像上几何信息和结构信息。 图像分割是将图像划分为互不相连的区域，每个区域具有相同的属性，这种属性可以是灰度、纹理或其他属性。 图像分割主要有边缘检测和区域生长两个方面。 基于边缘分割算法的实验 Laplacian算子是一种二阶导数算子。 数字图像函数的Laplacian值是借助各种模板卷积实现的。 通常的模板是一种3×3模板 4邻域定义的模板： h4,1= 或 h4，2= 8邻域定义的模板： 或者 IKONOS图像的Laplacian实验结果 结论 如何充分的有效利用高分辨率遥感图像的光谱信息和空间结构信息，是高分辨率遥感数据处理方法的关键。 可尝试探索新的多尺度多层次分割算法，将有关信息（如纹理信息）或约束条件加入分割过程中。 可尝试建立可靠的分割结果评价标准：基于具体应用（特征提取和面向对象分类）、基于地面参考数据的评价方法。 参考文献 宫鹏等.高分辨率影像解译理论与应用方法中的一些研究问题[J].遥感学报. 赵书河.高分辨率遥感数据处理方法实验研究[J].地学前缘. 明冬萍等.高分辨率遥感影像信息提取与目标识别技术研究[J].测绘科学. 祝振江.基于面向对象分类法的高分辨率遥感影像矿山信息提取应用研究[D].北京地质大学（北京）资源与环境遥感.