前言：中文期刊网精心挑选了遥感影像范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
遥感影像范文1
引 言
随着遥感技术的发展，各种各样的传感器也不断出现，对于同一地区，我们可以得到用不同传感器获取的不同尺度、不同时相特别是不同光谱信息的遥感影像数据。不同源的数据反映了区域的不同方面的特征，如何合理的综合利用这些多源数据，对于遥感应用十分关键。显然，影像融合为我们提供了一个很好的途径。影像融合就是将不同源的数据配准后变换到同一尺度、同一坐标系，然后采用一定的融合方法将各种数据的信息充分的结合起来，产生一种更适合应用的影像数据的新技术。
图像融合一般分为三个层次：①像素级融合。像素级融合也称数据级融合，是指对传感器采集来的数据进行采集、分析和处理，生成目标特征而获得融合图像；②特征级融合。是指对预处理和特征提取后获得的景物信息如边缘、形状、轮廓、方向、区域和距离等信息进行综合与处理；③决策级融合。是指根据一定的准则以及每个决策的可信度作出最优决策，数据融合的容错能力即由此而来。
图像融合的算法有很多，传统的算法主要有：HIS变换的融合、小波变换融合、主成分变换融合、高通滤波变换法、比值运算法、Brovey变换法等等，最近也提出了一些新的或改进型的图像融合算法，比如Contourlet变换融合、基于HSV变换与atrous变换的图像融合、一种基于最大区域熵值的图像融合方法、基于小波包的融合等等。下面本文将对其中一些算法进行介绍并分析。
1 目前较为流行的影像融合算法分析
1.1 小波变换法
1.2 Brovey变换法
Brovery变换（Brovery Transform，BT）：是一种用来对来自不同传感器的数据进行融合的较为简单的融合方法，该方法将多光谱各波段进行归一化，然后将高分辨率全色影像与归一化后的各波段相乘得到融合后的影像。其计算公式为：
R=pan×band3/（band1+band2+band3）
G=pan×band2/（band1+band2+band3）
B=pan×band1/（band1+band2+band3）
式中：pan表示高分辨率全色影像，band1、band2、band3表示多光谱的3个波段。
1.3 主成分变换
主成分分析，又称K-L变换法，它的几何意义是把原始特征空间的特征轴旋转到平行于混合集群结构轴的方向去，得到新的特征轴。PCA变换的具体步骤：多光谱波段经过PCA变换后，将全色高分辨率影像进行灰度拉伸，使其均值和方差与PCA变换的第一分量的影像一致；然后用拉伸过的高分辨率全色影像代替第一分量；最后经过PCA逆变换得到融合影像。
实际操作是将原来的各个因素指标（这些指标中部分有相关关系）重新组合，组合后的新指标是互不相关的。在由这些新指标组成的新特征轴中，只用前几个分量图像就能完全表征原始集群的有效信息，图像中彼此相关的数据被压缩，而特征得到了突出，此方法在对于具有相关因子的多源遥感数据进行融合时具有显著优势。该方法的局限性在于：①图像在做主成分分析时，第一分量的信息表达的是原各波段中信息的共同变换部分，其与高分辨率图像中细节变化的含义略有不同。高分辨率图像经过拉伸后虽然与第一分量具有高相似性，但融合后的图像在空间分辨率和光谱分辨率上会有所变化；②由于光谱信息的变化，使融合图像不能用于地物识别和反演工作，但是它可以改进目视判读的效果提高分类制图的精度。
1.4 高通滤波变换法
高通滤波（High-PassFilter，HPF）方法是把高分辨率影像进行傅立叶变换从空间域转换到频率域，然后在频率域内对傅立叶图像进行高通滤波，获取图像的高频分量，将高频部分融合到多光谱图像中，以突出细节部分，获取最后融合图像。此方法虽然有效地保留了原多光谱信息，却在对高分辨率波段影像滤波时滤掉的大部分纹理信息。高通滤波法融合流程如图1所示。
1.5 小波变换
小波变换（Wavelettransform，WT）首先对参与融合的遥感图像数据进行小波正变换，将图像分解为高频信息和低频信息。分别抽取来自高空间分辨率影像分解后的高频信息和低空间分辨率的低频信息进行小波逆变换，生成融合图像。小波变换的图像融合算法流程如图2所示。
遥感影像的信息融合方法，如主成分分析和基于IHS变换等，均存在原有分辨率的影像光谱信息部分丢失的问题。而小波变换可对多个波段的影像信息融合，既能充分利用高分辨率影像的空间信息，又能保持低分辨率影像的光谱信息的最大完整性，这也是当前遥感影像融合技术研究的主要目标。
小波变换应用于影像融合的优势在于它可以将影像分解到不同的频率域，在不同的频率域运用不同的融合规则，得到融合影像的多分辨分解，从而在融合影像中保留原影像在不同频率域的显著特征。但小波变换进行融合也有两个缺点：一是小波变换进行融合容易产生较为明显的分块效应；二是直接用低分辨率影像的低频部分去替代高分辨率影像的低频部分，这样在一定程度上损失了高分辨率影像的细节信息。改进小波变换的缺点，成为现在研究的热点之一。近年来出现了一些改进的小波变换算法。
文献[3]采用了一种基于离散小波变换的新融合算法：首先，采用小波多分辨分析和马拉特快速算法，将原始图像分解成近似图像和细节图像，然后在各层的特征域上进行有针对性的融合，最后通过小波逆变换完成图像重建。
文献[2]提出了一种将小波变换和MNF变换结合的遥感影像融合的方法。
文献[1]提出了一种基于正交小波包的局域方差遥感图像融合新算法.该算法利用正交小波包变换，把图像分解成不同尺度的低频和高频部分，采用小波包局域窗口和子区域窗口统计，把小波包系数分类成边缘和非边缘系数.在融合处理中，把低频图像的小波包系数平均值作为融合后的低频系数，高频细节系数根据不同区域特征选择方法以及对应图像小波包系数的多窗口区域方差，来确定融合后高频小波包系数。
2 影像融合的评价准则
融合影像的整体质量评价指标主要有：平均梯度、熵、相关系数以及UIQI（Universal Image QualityIndex）指标等。
2.1 平均梯度
平均梯度g的大小可敏感地反映影像表达微小细节反差的能力。其计算公式为：
g=■■■2
一般来说，g越大，表明影像越清晰。因此可以用来评价融合影像和原影像在微小细节表达能力上的差异。
2.2 相关系数
相关系数反应了两幅影像的相关程度，也反映了影像融合前后的改变程度，其定义如下：
ρ=■
其中F为融合生成图像的灰度值，f为融合图像的均值；A为源图像灰度值，a为源图像的均值。
2.3 UIQI
Zhou Wang等在文献[4]中提出了一种新的影像质量评价指标UIQI（Universal Image Quality Index）。假设x={xi│i=1，2，…，N}和y={yi│i=1，2，…，N}分别为原始影像和待评价影像的信号。文中定义的图像质量评价指标为：
Q=■
其中：
■=■■x■，■=■■y■，σ■■=■■（x■-■）■，σ■■=■■（y■-■）■
σ■=■■（x■-■）（y■-■）
在实际应用中，采用局部评价的策略。首先选定B×B大小的窗口，从左上角开始逐像素移动，每一步按照上面的方法可以计算得到一个Qj，假设共移动了M步，则按下面的公式就可计算得到一个图像质量评价指标Q：
Q=■■Qj
此即为UIQI。
参考文献
[1]李慧，林克正.基于小波包的遥感图像融合新算法[J].哈尔滨理工大学学报，2009，（14）：68～71.
[2]李海涛，顾海燕，林卉，韩颜顺，杨景辉.基于小波变换和MNF变换的遥感影像融合[J].山东科技大学学报自然科学版，2007，（26）：56～60.
遥感影像范文2
关键词：多源遥感；多分辨率；影像融合；像素级
中图分类号：P407文献标识码： A
1引言
随着遥感技术的发展，光学、红外、微波和激光雷达等大量不同卫星传感器的应用，获取同一地区的多源遥感影像数据（多时相、多光谱、多传感器、多平台和多分辨率）越来越多，为环境监测、资源调查、地形测绘和军事应用等领域提供了多层次的遥感影像金字塔。
与单源遥感影像数据相比，多源遥感影像数据所提供的信息具有冗余性、互补性和合作性。通过影像融合可以从不同的遥感影像中获取更多的有用信息，补充单源影像信息的不足。在遥感中，遥感影像融合是将覆盖同一地区的多源影像在统一地理坐标系中，按照一定的算法进行处理产生出比单源影像更精确、更完全、更可靠的影像的过程[1][2]。多源遥感影像融合不仅仅表现在多源遥感影像信息之间的叠加方面，还表现在利用多源遥感影像信息进行目标识别决策上。它能提高影像的空间分解力和清晰度，平面测图精度、分类精度与可靠性，增强解释和动态监测能力，减少影像模糊度，有效提高遥感影像数据的利用率[3][10]。
多源遥感影像融合可以分为像素级、特征级和决策级三个层次。这三个层次上所采用的融合算法各不相同，像素级融合算法主要有代数运算法、高通滤波法、HIS变换法、主分量分析法（PCA）、分量替换法及小波分析融合法；特征和决策级融合算法主要有贝叶斯统计决策理论、D-S证据推理、模糊推理和人工神经网络等[1][4][8-9][11-13]。
像素级融合直接在原始数据层上进行融合，该层次的融合准确性最高，能够提供其它层次上的融合处理所不具有的更丰富、更精确、更可靠的细节信息，有利于图像的进一步分析、处理与理解。它是特征级图像融合和决策级图像融合的基础。但是与其它两个层次的融合相比，像素级融合需要处理的信息量最大，处理时间较长，对设备的要求也比较高。目前在图像融合方面，研究较为成熟，应用较为广泛的方法大多属于像素级图像融合[7]。因此，本文将着重介绍像素级图像融合方法。这类算法大体上可以分为三类：（1）简单图像融合算法，如比值和加权乘法、Brovey 变换法、高通滤波法（2）分量替换图像融合算法，如HIS 变换法[5]、主成分分析法（3）多分辨率图像融合算法，如金字塔融合法、小波变换融合方法[14]。
2遥感影像融合方法
2.1简单图像融合方法
简单图像融合算法不对融合的各个源图像进行任何图像分解或变换，而是直接对各个源图像中对应像素点分别进行选择、平均或加权平均等简单处理，最终融合成一幅新的图像。
2.1.1加权融合方法
为了将高空间分辨率影像的空间信息传递到低空间分辨率的多光谱影像上，获取空间分辨率提高的多光谱影像，基于像元的加权融合对两幅图像，按下式进行：
(1)
权系数，可根据经验对某被融会影像，需强调的程度确定，也可运用相关系数确定融会影像的权重，以减少冗余度。
采用该方法融合的影像包含高分辨率影像的细节，空间分辨率有所提高，可用于TM和SPOT全色影像的融合，但融合后的影像与原多光谱影像的光谱特征有较大的差异。
2.1.2乘积性融合方法
Cliche提出了三种乘积性融合方法对SPOT全色影像和多光谱影像进行融合，表达式为：
(2)
(3)
(4)
式中，为全色影像，为第i波段多光谱影像。式（2）对红、绿波段同全色影像融合效果较好，而对红外波段因与全色影像相关性小，效果并不理想。式（3）会导致融合的影像反差变小。式（4）对红外波段采用加权融合，且权值大，可获得较好的视觉效果。
2.1.3比值融合方法
针对不同影像类型学者们提出了多种比值融合法，如Pradines融合法、Price融合法、Munechicka融合法和Brovey融合法等，其中Brovey融合法是最常用的一种比值融合方法。该方法假设高分辨率全色影像与低分辨率多光谱影像的光谱响应范围相同。
该方法能在增强影像的同时保持或增强原多光谱影像的光谱信息，不仅有利于地物的识别，还能在一定程度上消除太阳光照度、地形起伏、阴影和云影等的影响，可用于SPOT全色与其多光谱影像，SPOT全色与TM多光谱影像的融合[6]，但不能用于波谱范围不一致的全色影像和多光谱影像融合的问题。
2.1.4高通滤波融合方法
高通滤波融合法将高分辨率影像中的几何信息逐像素叠加到低分辨率影像中而进行融合。通过高通滤波滤掉了绝大部分的光谱信息而保留了与空间信息有关的高频成分，再把高通滤波的结果加到各光谱影像数据中，经过这种处理就可把高分辨率影像的空间信息与多光谱影像数据的光谱信息融合了，形成高频信息特征突出的融合图像。
该方法的优点是能提高多光谱影像的空间分辨率，同时保留了原始多光谱影像的光谱信息，能减小阴影的影响，并且对于参与融合的多光谱影像的波段数没有限制。融合的影像对于农作物识别与分类尤其适用。
2.2分量替换图像融合方法
分量替换融合算法将低空间分辨率多光谱影像进行某种变换，然后由高空间分辨率影像代替与其高度相关的分量，最后经逆变换获得空间分辨率增强的多光谱影像。
2.2.1彩色变换融合方法
HIS变换将图像处理常用的RGB彩色空间变换到HIS空间。HIS空间用色调H，亮度I和饱和度S表示，图像融合只在亮度通道上进行即用全色波段影像替换经HIS变换后得到的亮度分量，而图像的色调和饱和度保持不变。
通过正变换、替代和逆变换获得的融合影像既具有全色影像的高分辨率优点，又保持了多光谱影像的色调和饱和度，有利于改善判读、分类和提高制图精度等，适用于城区资源调查和视觉分析等。但是由于两类影像不可能完全相关，因此融合的影像中光谱特性的扭曲是可觉察的，且HIS方法只能同时对三个波段的多光谱影像和全色影像进行融合[5][6]。
2.2.2主分量变换融合方法
主分量变换(PCA)亦称K-L变换，是一种最小均方误差意义上的的多维(多波段)最优正交线性变换，它能够消除模式特征之间的相关性，用若干个分量图像就能完全表征原始集群的有效信息，图像中的彼此相关的数据被压缩而特征得到了突出，在影像数据压缩、特征选择和具有相关因子的多源数据进行融合时具有显著的优势。
采用主分量变换融合法不仅清晰度和空间分辨率比多光谱影像提高了，而且在保留原多光谱影像的光谱特征方面由于HIS融合法，即光谱特征扭曲度小，可增强多光谱影像的判读和量测性，且可以在多个波段上进行融合。该方法可用于融合特征互补性强的源图像，一个典型的应用就是利用PCA方法对SAR和多光谱数据进行融合[6]。
遥感影像范文3
1.1遥感影像基本定义及介绍
遥感技术自诞生之日起,应用逐步延伸至我们日常生活的每个角落。1943年德国开始利用航空相片制作各种比例尺的影像地图。1945年前后美国开始产生影像地图,我国在20世界70年代开始研制影像地图。[1]在日常工作中,我们常常接触到遥感影像,谈及遥感技术及其应用。那么具体是指什么呢?所谓遥感影像,是指纪录各种地物电磁波数据而生成的各种格式的影像数据,在遥感中主要是指航空影像和卫星影像。目前遥感影像图无论在农业的土地资源调查,农作物生长状况及其生态环境的监测,还是在林业的森林资源调查,监测森林病虫害、沙漠化或是在海洋资源的开发与利用,海洋环境污染监测都有着非常重要的应用。[2]
1.2遥感影像的四个基本特征
遥感影像有其四个基本的影像特征:空间分辨率、光谱分辨率、辐射分辨率、时间分辨率。通常意义上,我们平时最多谈及精度的问题,常常是指空间分辨率(SpatialResolution),又称地面分辨率。后者是针对地面而言,指可以识别的最小地面距离或最小目标物的大小。前者是针对遥感器或图像而言的,指图像上能够详细区分的最小单元的尺寸或大小,或指遥感器区分两个目标的最小角度或线性距离的度量。它们均反映对两个非常靠近的目标物的识别、区分能力,有时也称分辨力或解像力。光谱分辨率(SpectralResolution)指遥感器接受目标辐射时能分辨的最小波长间隔。间隔越小,分辨率越高。所选用的波段数量的多少、各波段的波长位置、及波长间隔的大小,这三个因素共同决定光谱分辨率。光谱分辨率越高,专题研究的针对性越强,对物体的识别精度越高,遥感应用分析的效果也就越好。但是,面对大量多波段信息以及它所提供的这些微小的差异,人们要直接地将它们与地物特征联系起来,综合解译是比较困准的,而多波段的数据分析,可以改善识别和提取信息特征的概率和精度。辐射分辨率(RadiantResolution)指探测器的灵敏度——遥感器感测元件在接收光谱信号时能分辨的最小辐射度差,或指对两个不同辐射源的辐射量的分辨能力。一般用灰度的分级数来表示,即最暗——最亮灰度值(亮度值)间分级的数目——量化级数。它对于目标识别是一个很有意义的元素。时间分辨率(TemporalResolution)是关于遥感影像间隔时间的一项性能指标。遥感探测器按一定的时间周期重复采集数据,这种重复周期,又称回归周期。它是由飞行器的轨道高度、轨道倾角、运行周期、轨道间隔、偏栘系数等参数所决定。这种重复观测的最小时间间隔称为时间分辨率。
2常用遥感影像
2.1一般遥感影像
目前,常用的中分辨率资源卫星有LandsateTM5、中巴资源卫星;以及常用的高空间分辨率的Spot5、Rapideye、Alos、QuickBird、WorldviewⅠ、WorldviewⅡ等。高分辨率遥感影像图信息丰富、成本低、可读性和可量测性强、客观真实的反映地理空间状况,充分表现出遥感影像和地图的双重优势,具有广阔的发展前景。[3]LandsateTM5、中巴资源卫星对大区域范围内的资源变化、国土资源变化、自然或人为灾害、环境污染、矿藏勘探有着较大的优势,但是因为分辨率低,所以在林业遥感判读中误判率相较于其他几种高精度遥感影像高,适合大面积地区的使用,譬如内蒙草原的退化变化以及荒漠化变化的监测等。其中ALOS因卫星故障已经于2011年4月开始较少使用。QuickBird虽然精度较高,但它一般对城区影像的覆盖较多较集中,对山区覆盖较少,而且存档数据很少,需要提前预定。不仅如此,QuickBird数据费用较高,综合以上原因,QuickBird数据一般很难大范围使用,所以在林业项目中使用较少。
2.2前沿遥感影像
WorldviewⅠ、WorldviewⅡ均为Digitalglobe公司的商业成像卫星系统,被认为是全球分辨率最高、响应最敏捷的商业成像卫星。这两颗卫星还将具备现代化的地理定位精度能力和极佳的响应能力,能够快速瞄准要拍摄的目标和有效地进行同轨立体成像。其中WorldviewⅠ为0.5米分辨率。相较于WorldviewⅠ,WorldviewⅡ载有多光谱遥感器不仅将具有4个业内标准谱段(红、绿、蓝、近红外),还将包括四个额外谱段(海岸、黄、红边和近红外Ⅱ),能够提供0.4米全色图像和1.8米分辨率的多光谱图像。需要特别一提的是,WorldviewⅡ提供的四个额外谱段(海岸、黄、红边和近红外Ⅱ)可进行新的彩色波段分析:(1)海岸波段,这个波段支持植物鉴定和分析,也支持基于叶绿素和渗水的规格参数表的深海探测研究。由于该波段经常受到大气散射的影响,已经应用于大气层纠正技术。(2)黄色波段,过去经常被说成是yellow-ness特征指标,是重要的植物应用波段。该波段将被作为辅助纠正真色度的波段,以符合人类视觉的欣赏习惯。(3)红色边缘波段,辅助分析有关植物生长情况,可以直接反映出植物健康状况有关信息。(4)近红外Ⅱ波段,这个波段部分重叠在NIR1波段上,但较少受到大气层的影响。该波段支持植物分析和单位面积内生物数量的研究。林业工作对遥感影像的植被信息较为关注,以上提及的四个额外谱段能提供较多的植被信息。国外相关机构已经将四个特色谱段应用于前沿科学研究,譬如生物量遥感估测应用等等。美中不足的是,相较于其他类型的遥感影像,WorldviewⅠ,WorldviewⅡ影像费用较高,在质量和技术上领先但价格上不占优势,不易于大范围的使用。
2.3林业工作中应用较多遥感影像
除去以上谈及的几种类型的遥感影像,在工作中较多使用到的是Spot5和Rapideye这2种遥感影像。Spot5是由法国发射的一颗卫星,常规提供2.5米全色影像和10米多光谱影像。SPOT5卫星影像的专业制图比例尺为1:25,000,概览成图比例尺极限为1:10,000。工作中,我们通常将2.5米全色影像与10米多光谱影像在正射纠正完后进行融合,生成2.5米空间精度的影像用于林业应用。Rapideye卫星为德国所有的商用卫星,主要性能优势:大范围覆盖、高重访率、高分辨率、5米的多光谱获取数据方式,省去了其他种类遥感影像需要全色影像与多光谱影像融合的步骤,这些优点整合在一起,让RapidEye拥有了空前的优势。RapidEye是第一颗提供“红边”波段的商业卫星,结合4个业内标准谱段(红、绿、蓝、近红外)适用于监测植被状况和检测生长异常情况,在林业领域应用中较为有利。
3遥感影像准备及处理过程
3.1遥感影像准备
每种遥感卫星对地面覆盖范围不同,轨道不同,重访周期不同,拍摄时间、角度不同等等原因,还常受天气影响。因此根据实际需要使用的日期,来查询各景遥感影像是一件颇费周章的工作,一般需要向影像公司提前预定。实际工作中往往要求前后两期遥感影像对比,前后两期遥感影像对时间上的要求较为苛刻,因而这些工作往往经由熟悉遥感业务的高级技术人员执行。另外,遥感影像的购买、使用、存储需要考虑到保密工作,这一点也是需要谨慎对待。工作经验总结出Spot5、Rapideye有时因侧视角度过大原因,导致某些区域拉伸变形,尤其是高海拔山区部分;影像角度需要提前检查,侧视角度最佳保持在20以下。而较小侧视角可以保证邻近2景影像良好的接边,并能保证正射纠正后空间位置的准确性。
3.2遥感影像处理
3.2.1DOM及DEM数据准备通常,在条件良好的情况下,工作中使用1∶10000或更高精度的航片或是已经经过处理的高精度卫片作为DOM参考;但也可以使用的是1∶50000或1∶10000地形图作为参考。在实际工作中,我们往往会遇到DOM参考影像的空间分辨率不一致。在参考选用时,应该按照优先使用高精度DOM参考影像,然后再退而求其次的原则,保证校准的精度。一般地形图需要通过扫描形成DRG数据,在扫描图基础上进行逐公里网定位纠正处理,以达到精确的地理定位。DEM数据一般采用国家标准的1:50000DEM,或采用1∶10000、1∶50000矢量数据生成。DEM覆盖范围要大于遥感影像覆盖范围,这样才能保证遥感影像的有效纠正。
遥感影像范文4
关键词： 单类分类； 面向对象技术； 遥感影像； 支持向量机
中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2016）07?0048?03
Abstract： One?class classification is to extract a specific class in remote sensing image. In combination with the object?oriented analysis method， the one?class classifier is used to extract the interest class from the remote sensing image. The distribution characteristics of object?oriented remote sensing image data and segmentation parameter selection are discussed. And then， on the basis of image object generated from segmentation， the method of one?class support vector machine is used to extract the specific classification information in remote sensing image. The result of object?oriented one?class classification method is compared with the experimental result， it shows that the object?oriented one?class classification method has higher classification accuracy.
Keywords： one?class classification； object?oriented technology； remote sensing image； support vector machine
0 引 言
单类信息提取是遥感影像分类中的一种特殊情况，旨在提取影像中的某个特定的类别，例如植被、水田、水体、岩矿提取等[1?4]，都是单类信息提取问题。提取遥感影像中的特定类别信息，既可以采用传统的多类分类器，也可以使用单类分类器。采用传统的多类分类方法，需要采集影像中的所有地物类别样本对分类器进行训练；而使用单类分类方法，只需采集兴趣类别样本对分类器进行训练，分类结果也是提取单个的兴趣类别，即正类信息。单类分类是遥感影像信息提取的新方法，研究者提出的分类器主要有支持向量相关的方法、最大熵方法等[5?7]。典型的基于支持向量的方法是单类支持向量机（One?Class Support?Vector Machine，OCSVM）[5]。OCSVM方法适合高维空间数据处理，但是在实际应用中需要设置较多的自由参数，而且分类结果对参数敏感。另一个基于支持向量的方法是 Transductive SVM（TSVM）方法[6]，该方法的特点是除了兴趣类别样本外，还要利用未标记样本对分类器进行训练。支持向量相关的方法还有SVDD方法（Support Vector Data Description，SVDD）[8?9]，其主要思想是利用包含正类样本的尽可能小的超球进行判别，SVDD和OCSVM方法类似，具有小样本训练的优势，其主要问题也是分类结果对参数设置敏感。近几年提出的单类分类方法还有PUL（Positive And Unlabeled Learning）算法[10]和MAXENT方法[7]，两种方法用于提取高分辨率遥感影像中的单类信息，实验表明分类精度高于OCSVM方法。
在遥感影像分析中，面向对象思想是首先将影像分割成匀质区域即对象，然后以这些匀质区域为单元进行遥感影像的处理与分析[11?12]。与以往基于单个像素的方法相比，由于图像区域的生成过程中不仅考虑像素的光谱信息，还结合了邻近像素的空间信息，因此，面向对象方法具有其独特的优势。此外，遥感影像分割产生的图像对象具有更加丰富的属性信息，包含光谱、大小、形状以及纹理等属性，在遥感影像分析中增加了分类的依据。本文研究基于影像对象的遥感影像单类分类，利用面向对象分析方法的优势，仅依靠兴趣类别训练样本，进行遥感影像单类信息提取。
1 面向对象的遥感影像分析
1.1 数据分析
面向对象的遥感影像分析中，以分割后产生的影像对象为处理单元，影像对象的光谱特征值是其中所有像素的均值。因此，在影像分割后实际上生成了另外一个数据集，该数据集中的数据元素是若干像素的光谱特征值平均后的均值总体。一般情况下，新的数据集中的数据元素比分割前小得多，而且标准差也发生变化。
所以，从理论分析来看，面向对象的遥感影像分类中，分割后数据集的期望值不变，而类内方差为分割前的[1m]倍；因此，影像数据中各个类别之间的类间距离不变，类内方差大大减小，增加了类别可分性。在单类分类中，由于只选取兴趣类别训练样本，没有其他类别作为比较，需要设定相应的阈值参数，类间可分性的增加，降低了分类阈值参数选择的难度，从而提高了分类精度。
1.2 分割尺度选择
面向对象分类方法中影像分割的粗细程度也称为分割尺度，不同的分割尺度反映了分割后影像对象的面积大小，大尺度值生成的影像对象大，小尺度则对应较小的影像对象。一般情况下，影像分割采用统一的尺度，而事实上，在一定的遥感影像中，每个类别都有其最佳的尺度值。在实际应用中，不同的分割方法具有不同的参数设置情况，这些参数就决定了分割的尺度，最佳尺度的选择是个复杂的问题，这里暂不深入研究。本文根据兴趣类别的训练样区，采用启发式方法确定图像分割尺度，尺度的选择独立于具体的分割方法。首先将原图像进行多尺度分割，在从小到大的多尺度分割过程中，当分割结果将兴趣类别的每个训练样区都分割成一个图像对象时，即每个训练样区包含在单一的图像对象中，而邻近的非兴趣类别划分在不同的图像对象中，此时的分割尺度作为最终分割结果。
2 实验结果
实验数据如图1（a）所示，影像中包括四个类别：不透水面、草地、林地和水体。分别对这四个地物类别进行单类分类并对结果进行精度评价。单类分类的精度评价指标有生产者精度、用户精度、总体精度和Kappa系数。生产者精度指某一类别的正确分类数占参考数据中该类别像素总数的比例，而用户精度指某一类别正确分类数占分为该类像素总数的比例。总体精度和Kappa反映的是结果中正类和负类的综合评价指标。首先以区域合并方法做影像分割，产生匀质的图像斑块，分割结果如图1（b）所示。
以OCSVM作为单类分类器，采用基于影像对象和基于像素两种方法，提取兴趣类别，并做比较分析。OCSVM方法中选择RBF核函数，并通过10折交叉验证获得各种参数。在实验中，通过目视解译为每个类别选择训练样本和测试样本。
实验影像中各地物类别提取的实验结果如图2所示，对应的分类精度估计见表1。表1中面向对象方法的单类分类精度明显高于基于像素的方法，包括每个类别的各项评价指标，面向对象方法都能获得了较高的精度。从实验结果中可以看出，基于像素的单类分类结果包含较多细小的斑点，有正类的也有负类的，而采用面向对象方法的分类结果比较平滑均匀，这正是面向对象方法的优势，将邻近区域合并成为匀质的斑块再分类的结果，更符合人的视觉习惯。
另一实验数据为图3所示的高分辨率SPOT5影像，通过目视解译其中包括不透水面、植被、裸地和水体四个类别，分别基于像素和影像对象对其进行各个单类的提取。训练样本和测试样本都采用目视解译选择，并对分类结果进行评价。SPOT5影像中的各地物类别提取的实验结果如图4所示，对应的分类精度估计见表2，可以看出，在高分辨率遥感影像单类分类中，面向对象方法的分类精度高于基于像素的方法。
3 结 语
本文研究了面向对象的遥感影像单类分类问题。单类分类是遥感应用中的一个重要方面，采用的单类分类器是一种特殊的分类器，在学习过程中只需要兴趣类别的训练样本。单类分类器一般都需要设置阈值判断未知样本的类别归属，因此，对于类间可分性小的数据集具有一定的局限性。面向对象方法在分割阶段结合了影像的空间信息和光谱信息，增加了分类依据。另一方面，面向对象方法对原影像数据集进行优化，减小了类内方差，增加了类间可分性，使得单类分类器分类精度提高。
参考文献
[1] TOOKE T R， COOPS N C， GOODWIN N R， et al. Extracting urban vegetation characteristics using spectral mixture analysis and decision tree classifications [J]. Remote sensing of environment， 2009， 113（2）： 398?407.
[2] 张友水，原立峰，姚永慧.多时相MODIS影像水田信息提取研究[J].遥感学报，2007，11（2）：282?288.
[3] 徐涵秋.利用改进的归一化差异水体指数（MNDWI）提取水体信息的研究[J].遥感学报，2005，9（5）：589?595.
[4] 闫柏琨，王润生，甘甫平，等.热红外遥感岩矿信息提取研究进展[J].地球科学进展，2005，20（10）：1116?1126.
[5] SCHOLKOPF B， PLATT J C， SHAWE?TAYLOR J， et al. Estimating the support of a high?dimensional distribution [J]. Neural computation， 2001， 13（7）：1443?1471.
[6] BRUZZONE L， CHI M， MARCONCINI M. A novel transductive SVM for semisupervised classification of remote?sensing images [J]. IEEE transactions on geoscience and remote sensing， 2006， 44（11）： 3363?3373.
[7] LI W K， GUO Q H. A maximum entropy approach to one?class classification of remote sensing imagery [J]. International journal of remote sensing， 2010， 31（8）： 2227?2235.
[8] MUNOZ?MARI J， BRUZZONE L， CAMPS?VAILS G. A support vector domain description approach to supervised classification of remote sensing images [J]. IEEE transactions on geoscience and remote sensing， 2007， 45（8）： 2683?2692.
[9] SANCHEZ?HERNANDEZ C， BOYD D S， FOODY G M. One?class classification for mapping a specific land?cover class： SVDD classification of fenland [J]. IEEE transactions on geo?science and remote sensing， 2007， 45（4）： 1061?1073.
[10] LI W K， GUO Q H， ELKAN C. A positive and unlabeled learning algorithm for one?class classification of remote?sen?sing data [J]. IEEE transactions on geoscience and remote sensing， 2011， 49（2）： 717?725.
遥感影像范文5
关键词：遥感影像数据库管理系统；要求；管理模式
中图分类号：P23 文献标识码：A
遥感技术的发展准确来说应该开始于人类第一颗人造卫星发射。经过几十年来的发展，遥感影像的应用范围越来越广泛，涉及到了军事、科学研究、气象预报等等多个行业领域，也正是由于遥感影像的应用越来越广泛，遥感影像数据量越来越大。遥感影像数据量与日剧增以后，遥感影像的发展必然呈现出越来越繁荣的趋势，数据量也会越来越大，面对这样的情况，对建设遥感影像数据库管理系统提出了更高的标准。
1 遥感影像数据库管理系统所具备的要求分析
遥感影像是记录电磁波的胶片，与我们日常的影像数据存在很大的区别，从遥感影像数据特征来进行分析，遥感影像数据库管理系统需要具备以下几点要求：
1.1 在实际当中，遥感影像的来源有很多渠道，如航空影像、卫星影像等等，因此，遥感影像数据库管理系统的兼容性要强。
1.2 遥感影像具有一个很明显的特点就是能够表现立体空间，支持空间表达对于应高影像来说是至关重要的，所以遥感影像数据库管理系统对于空间数据索引和数据查询具有一定的能力。
1.3 由于遥感影像数据库来源于很多的渠道，影像数据也没有统一的标准，所以对于遥感影像要满足多尺度的特性。
1.4 遥感影像数据库管理系统必须具备“无缝性”，主要表现在其一集合空间的无缝，遥感影像的存储一般来说具有固定的存储模式，而无缝性的要求就是要打破这种模式，构建一个无缝的区域，用户在使用的时候图幅是透明的。二是色彩空间的无缝性，遥感影像数据库管理系统在一定区域和分辨率范围内，影像色彩的变化应当是平滑的，不能出现明显的差异。其三是尺度空间的无缝性，在操作遥感影像数据缩放的时候，应该保持不同尺寸之间的遥感影像能够平稳的过渡。其四是影像数据和元数据的无缝性，该性质是遥感影像数据库管理系统建设当中需要着重强调的。
1.5 遥感影像应用较为广泛，对于商业用途来说，系统的通用性、扩展性以及维护性是非常重要的。
1.6 随着社会经济的发展，遥感影像数据量急剧增加，遥感数据库管理系统的储存量也应该是海量的，必须要达到TB级。
1.7 从数据可视化的角度上来说，遥感影像数据库管理系统的建设应该以零延迟为目标。
2 遥感影像数据库系统管理模式研究
从大体上来说，遥感数据库系统管理的主要方式可以分为三大类，一个是基于文件的方式，其次是基于数据库的方式，最后就是文件和数据库混合的方式，下面文章对三种方法进行简单的分析：
2.1 基于文件的方式
遥感影像数据库管理系统基于文件方式进行管理的主要优点就是结构不复杂，并且维护的费用也不高，技术相对来说较为成熟。同时也存在一定的缺点，主要表现为安全性能不高，不能支持多用户进行并发操作，元数据管理效率较低等等。因此，对于这种管理方式来说在多数据量的环境下性能表现力不从心，大多数情况下只能适用于遥感影像数据量较小的环境下。
2.2 文件和数据库混合的方式
文件和数据库混合的方式的主要原理是将遥感影像数据以文件的形式保存在服务器上，但是与之对应的元数据却分隔开来保存在了数据库当中，这种管理方式的主要优点是遥感影像数据存储的效率高，但是相对难度也会增大很多，并且随着时间的推移，遥感影像数据量会不断增多，并且后期的维护难度也非常大。
2.3 基于数据库的方式
基于数据库的遥感影像管理模式主要以分布式对象对应关系数据库管理遥感影像数据，该方式不仅可以给中央服务器减负，还可以减少产生瓶颈的几率，提高数据的传送率、查询以及更新效率，可以大大缩短相应时间，并且能够支持多用户的并发访问，这些都是其他管理模式无法比拟的。除此之外目前的数据库都设置了安全访问控制机制，这样的设置能够为开发人员省下了不少的麻烦，提高效率。
3 遥感影像数据库管理系统建设对比分析
由于工作的需要，遥感影像数据库管理系统的功能要求越来越高，为了更好的进行分析研究，文章对比了传统遥感影像数据库系统来论述。
3.1 传统遥感影像数据库管理系统分析
3.1.1 关系数据库系统
传统的关系数据库对于遥感影像数据的处理仅限于数值和字符串，并没有丰富的数据类型，这对于遥感影像的使用、研究来说是极其不方便的，建立在对象层来挖掘面向对象应该是目前的主流，对于对象数据库的存储和访问不能优化，其效率不高，而且技术上也存在严重的问题。
3.1.2 对象数据库系统
在上个世纪八十年代以来，对了遥感影像数据的最好技术就是面对象技术，这种技术的应用能够使得系统当中的数据模型表现的更加直观、并且性能更加的问题，后期维护也较为方便，同时这种系统也存在致命的缺陷，对于SQL的支持很少，实际的工作当中，许多软件需要应用到SQL接口。
3.2 对象一关系数据库系统
对象一关系数据库管理系统具备最大的优势就是具有面向对象的建模能力，对于复杂的遥感影像数据都能进行分析，用户可以直接使用数据管理工具，将遥感影像应用的具体范围与系统实现无缝结合，极大的提高了工作效率。
在目前来说，对象一关系数据库管理模式还处在研发阶段，只能说是一种新兴的技术，其应用的行业领域也较窄，相比上文论述的遥关系数据库管理来说还尚不成熟，关系数据库系统的所有操作只是按照既定的操作标准来执行，相对来说非常简单，但是其致命缺点有限的数据类型以及程序设计中数据结构是制约关系数据库系统发展的最大障碍。而遥感影像数据对象一关系数据库管理系统能够将面向对象的建模能力和关系数据库的功能实现了有机的结合，理论上来说都优于上述两种遥感影像数据库管理系统，还能将关系数据库系统缺点转换成优势，具有高度的扩展性、管理复杂遥感影像数据的能力也大大提高，用户通过自定义的功能和索引表达，对于各种类型的遥感影像数据实现访问、存储以及恢复等功能。
遥感影像数据对象一关系数据库管理系统通过开放SQL平台，可以最大限度的避免定义复杂对象的专有数据结构，使得遥感影像数据库管理系统的应用更加广泛。
4 遥感影像数据库管理系统建设的技术分析
随着遥感技术的不断发展，遥感影像数据量增长速度越来越快，在这样的背景下，必须要研发出一套高效的管理应用系统，将遥感影像的分发以及处理能力提升到新的高度，与此同时还需要很好的契合遥感影像数据制作影像海图等各方面应用需求。高效科学的遥感影像数据库管理系统建设成为了业内关注的焦点。鉴于此，文章对遥感影像数据库管理系统建设的总体构架以及相关的技术问题提出了几点愚见。
4.1 遥感影像数据库管理系统建设的总体架构
针对日常生产生活对遥感影像数据库管理系统提出的功能和要求，总的来说，系统的总体框架可以分成四层： 基础设施层、数据层、逻辑层和应用层。在这四个层次当中，基础设施层是整个遥感影像数据库管理系统运行的基础，主要包含了系统的软硬件运行环境以及网络运行环境的建设；第二层数据层对于整个遥感影像数据库管理系统来说，是非常关键的组成部分，也应该是建设的重中之重，其主要的功能是对采集的原始遥感影像、影像元数据以及矢量数据等等进行储存；而对于逻辑层来说，主要的工作就是对客户端访问遥感影像数据库所需的功能部件进行优化升级；最后的应用层主要就是对遥感影像数据库管理系统当中的集成影像进行日常的管理和维护，同时提供查询、分析以及分发等等功能。
4.2 遥感影像数据库管理系统功的能设计
结合上文对遥感影像数据库管理系统总体架构分析，所提出的四层主要架构需要实现的功能，可以将遥感影像数据库管理系统分为五个子系统。
4.2.1 质检入库子系统
遥感影像采集后需录入到系统当中，但是在此之前需要对遥感影像进行质检，主要检查的内容包括了遥感影像的完整性、一致性等等，并且通过工程化方式对遥感影像、元数据等等实现快速入库，支持断点续传、后台任务同时进行。
4.2.2 组织管理子系统
该子系统是对遥感影像数据管理的核心部分，主要对数据库当中遥感影像的参数进行配制、同时还包含了数据建模、数据备份以及数据共享等等应用，方便遥感影像数据的共享和管理系统的集成。
4.2.3 分发服务子系统
需要在系统中引入电子商务模式的影像分发服务，实现对数据库中遥感影像的查询、分发等功能，同时在改子系统当中提供开放的数据接口。
4.2.4 技术支援子系统
对入库的遥感影像数据进行规范化处理，包括了元数据的采集、快视图提取、镶嵌、配准等。
4.2.5 配置维护子系统
主要的工作是支持和维护遥感影像数据库管理系统的运行，提供一系列的安全管理配套功能，如用户管理、日志信息维护等。
结语
遥感技术随着社会经济的发展，应用越来越广泛，面对与日俱增的遥感影像数据，必须要建立一个强大的遥感影像数据库管理，这也是遥感影像发展的必然趋势。遥感影像信息系统核心技术设计的范围较广、难度较大，目前有很多的学者在进行这方面的研究，本文对遥感影像数据库管理系统的建设只是进行了粗浅的探讨，相信随着研究的深入和科技的发展，遥感影像数据库管理系统建设相关研究会更加的深入，遥感影像也会更加方便的应用于我们的各项工作当中。
参考文献
[1]黄杰，刘仁义，刘南，沈林芳，王娜. 海量遥感影像管理与可视化系统的研究与实现[J]. 浙江大学学报（理学版）. 2008（06）.
遥感影像范文6
关键词：遥感信息 目视解译 计算机信息提取
遥感实际上是通过接收（包括主动接收和被动接收方式）探测目标物电磁辐射信息的强弱来表征的，它可以转化为图像的形式以相片或数字图像表现。多波段影像是用多波段遥感器对同一目标（或地区）一次同步摄影或扫描获得的若干幅波段不同的影像。
在遥感影像处理分析过程中，可供利用的影像特征包括：光谱特征、空间特征、极化特征和时间特性。在影像要素中，除色调/彩色与物体的波谱特征有直接的关系外，其余大多与物体的空间特征有关。像元的色调/彩色或波谱特征是最基本的影像要素，如果物体之间或物体与背景之间没有色调/彩色上的差异的话，他们的鉴别就无从说起。其次的影像要素有大小、形状和纹理，它们是构成某种物体或现象的元色调/彩色在空间（即影像）上分布的产物。物体的大小与影像比例尺密切相关；物体影像的形状是物体固有的属性；而纹理则是一组影像中的色调/彩色变化重复出现的产物，一般会给人以影像粗糙或平滑的视觉印象，在区分不同物体和现象时起重要作用。第三级影像要素包括图形、高度和阴影三者，图形往往是一些人工和自然现象所特有的影像特征。
遥感信息提取方法分类
常用的遥感信息提取的方法有两大类：一是目视解译，二是计算机信息提取。
1.1目视解译
目视解译是指利用图像的影像特征（色调或色彩，即波谱特征）和空间特征（形状、大小、阴影、纹理、图形、位置和布局），与多种非遥感信息资料（如地形图、各种专题图）组合，运用其相关规律，进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程。早期的目视解译多是纯人工在相片上解译，后来发展为人机交互方式，并应用一系列图像处理方法进行影像的增强，提高影像的视觉效果后在计算机屏幕上解译。
遥感影像目视解译原则
遥感影像目视解译的原则是先“宏观”后“微观”；先“整体”后“局部”；先“已知”后“未知”；先“易”后“难”等。一般判读顺序为，在中小比例尺像片上通常首先判读水系，确定水系的位置和流向，再根据水系确定分水岭的位置，区分流域范围，然后再判读大片农田的位置、居民点的分布和交通道路。在此基础上，再进行地质、地貌等专门要素的判读。
遥感影像目视解译方法
（1）总体观察
观察图像特征，分析图像对判读目的任务的可判读性和各判读目标间的内在联系。观察各种直接判读标志在图像上的反映，从而可以把图像分成大类别以及其他易于识别的地面特征。
（2）对比分析
对比分析包括多波段、多时域图像、多类型图像的对比分析和各判读标志的对比分析。多波段图像对比有利于识别在某一波段图像上灰度相近但在其它波段图像上灰度差别较大的物体；多时域图像对比分析主要用于物体的变化繁衍情况监测；而多各个类型图像对比分析则包括不同成像方式、不同光源成像、不同比例尺图像等之间的对比。各种直接判读标志之间的对比分析，可以识别标志相同（如色调、形状），而另一些标识不同（纹理、结构）的物体。对比分析可以增加不同物体在图像上的差别，以达到识别目的。
（3）综合分析
综合分析主要应用间接判读标志、已有的判读资料、统计资料，对图像上表现得很不明显，或毫无表现的物体、现象进行判读。间接判读标志之间相互制约、相互依存。根据这一特点，可作更加深入细致的判读。如对已知判读为农作物的影像范围，按农作物与气候、地貌、土质的依赖关系，可以进一步区别出作物的种属；河口泥沙沉积的速度、数量与河流汇水区域的土质、地貌、植被等因素有关，长江、黄河河口泥沙沉积情况不同，正是因为流域内的自然环境不同所至。地图资料和统计资料是前人劳动的可靠结果，在判读中起着重要的参考作用，但必须结合现有图像进行综合分析，才能取得满意的结果。实地调查资料，限于某些地区或某些类别的抽样，不一定完全代表整个判读范围的全部特征。只有在综合分析的基础上，才能恰当应用、正确判读。
（4）参数分析
参数分析是在空间遥感的同时，测定遥感区域内一些典型物体（样本）的辐射特性数据、大气透过率和遥感器响应率等数据，然后对这些数据进行分析，达到区分物体的目的。大气透过率的测定可同时在空间和地面测定太阳辐射照度，按简单比值确定。仪器响应率由实验室或飞行定标获取。利用这些数据判定未知物体属性可从两个方面进行。其一，用样本在图像上的灰度与其他影像块比较，凡灰度与某样本灰度值相同者，则与该样本同属性；其二，由地面大量测定各种物体的反射特性或发射特性，然后把它们转化成灰度。然后根据遥感区域内各种物体的灰度，比较图像上的灰度，即可确定各类物体的分布范围。
1.2计算机信息提取
利用计算机进行遥感信息的自动提取则必须使用数字图像，由于地物在同一波段、同一地物在不同波段都具有不同的波谱特征，通过对某种地物在各波段的波谱曲线进行分析，根据其特点进行相应的增强处理后，可以在遥感影像上识别并提取同类目标物。早期的自动分类和图像分割主要是基于光谱特征，后来发展为结合光谱特征、纹理特征、形状特征、空间关系特征等综合因素的计算机信息提取。
1.2.1自动分类
常用的信息提取方法是遥感影像计算机自动分类。首先，对遥感影像室内预判读，然后进行野外调查，旨在建立各种类型的地物与影像特征之间的对应关系并对室内预判结果进行验证。工作转入室内后，选择训练样本并对其进行统计分析，用适当的分类器对遥感数据分类，对分类结果进行后处理，最后进行精度评价。遥感影像的分类一般是基于地物光谱特征、地物形状特征、空间关系特征等方面特征，目前大多数研究还是基于地物光谱特征。在计算机分类之前，往往要做些预处理，如校正、增强、滤波等，以突出目标物特征或消除同一类型目标的不同部位因照射条件不同、地形变化、扫描观测角的不同而造成的亮度差异等。利用遥感图像进行分类，就是对单个像元或比较匀质的像元组给出对应其特征的名称，其原理是利用图像识别技术实现对遥感图像的自动分类。计算机用以识别和分类的主要标志是物体的光谱特性，图像上的其它信息如大小、形状、纹理等标志尚未充分利用。计算机图像分类方法，常见的有两种，即监督分类和非监督分类。监督分类，首先要从欲分类的图像区域中选定一些训练样区，在这样训练区中地物的类别是已知的，用它建立分类标准，然后计算机将按同样的标准对整个图像进行识别和分类。它是一种由已知样本，外推未知区域类别的方法；非监督分类是一种无先验（已知）类别标准的分类方法。对于待研究的对象和区域，没有已知类别或训练样本作标准，而是利用图像数据本身能在特征测量空间中聚集成群的特点，先形成各个数据集，然后再核对这些数据集所代表的物体类别。与监督分类相比，非监督分类具有下列优点：不需要对被研究的地区有事先的了解，对分类的结果与精度要求相同的条件下，在时间和成本上较为节省，但实际上，非监督分类不如监督分类的精度高，所以监督分类使用的更为广泛。
1.2.2纹理特征分析
细小地物在影像上有规律地重复出现，它反映了色调变化的频率，纹理形式很多，包括点、斑、格、垅、栅。在这些形式的基础上根据粗细、疏密、宽窄、长短、直斜和隐显等条件还可再细分为更多的类型。每种类型的地物在影像上都有本身的纹理图案，因此，可以从影像的这一特征识别地物。纹理反映的是亮度（灰度）的空间变化情况，有三个主要标志：某种局部的序列性在比该序列更大的区域内不断重复；序列由基本部分非随机排列组成；各部分大致都是均匀的统一体，在纹理区域内的任何地方都有大致相同的结构尺寸。这个序列的基本部分通常称为纹理基元。因此可以认为纹理是由基元按某种确定性的规律或统计性的规律排列组成的，前者称为确定性纹理（如人工纹理），后者呈随机性纹理（或自然纹理）。对纹理的描述可通过纹理的粗细度、平滑性、颗粒性、随机性、方向性、直线性、周期性、重复性等这些定性或定量的概念特征来表征。相应的众多纹理特征提取算法也可归纳为两大类，即结构法和统计法。结构法把纹理视为由基本纹理元按特定的排列规则构成的周期性重复模式，因此常采用基于传统的Fourier频谱分析方法以确定纹理元及其排列规律。此外结构元统计法和文法纹理分析也是常用的提取方法。结构法在提取自然景观中不规则纹理时就遇到困难，这些纹理很难通过纹理元的重复出现来表示，而且纹理元的抽取和排列规则的表达本身就是一个极其困难的问题。在遥感影像中纹理绝大部分属随机性，服从统计分布，一般采用统计法纹理分析。目前用得比较多的方法包括：共生矩阵法、分形维方法、马尔可夫随机场方法等。共生矩阵是一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。
1.2.3图像分割
图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程，此处特性可以是像素的灰度、颜色、纹理等预先定义的目标可以对应单个区域，也可以对应多个区域。图像分割是由图像处理到图像分析的关键步骤，在图像工程中占据重要的位置。一方面，它是目标表达的基础，对特征测量有重要的影响；另一方面，因为图像分割及其基于分割的目标表达、特征抽取和参数测量的将原始图像转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。
图像分割是图像理解的基础，而在理论上图像分割又依赖图像理解，彼此是紧密关联的。图像分割在一般意义下是十分困难的问题，目前的图像分割一般作为图像的前期处理阶段，是针对分割对象的技术，是与问题相关的，如最常用到的利用阈值化处理进行的图像分割。图像分割有三种不同的途径，其一是将各象素划归到相应物体或区域的象素聚类方法即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘象素再将边缘象素连接起来构成边界形成分割。
1）阈值与图像分割
阈值是在分割时作为区分物体与背景象素的门限，大于或等于阈值的象素属于物体，而其它属于背景。这种方法对于在物体与背景之间存在明显差别（对比）的景物分割十分有效。实际上，在任何实际应用的图像处理系统中，都要用到阈值化技术。为了有效地分割物体与背景，人们发展了各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等等。 2）梯度与图像分割
当物体与背景有明显对比度时，物体的边界处于图像梯度最高的点上，通过跟踪图像中具有最高梯度的点的方式获得物体的边界，可以实现图像分割。这种方法容易受到噪声的影响而偏离物体边界，通常需要在跟踪前对梯度图像进行平滑等处理，再采用边界搜索跟踪算法来实现。
3）边界提取与轮廓跟踪
为了获得图像的边缘人们提出了多种边缘检测方法，如Sobel, Canny edge, LoG。在边缘图像的基础上，需要通过平滑、形态学等处理去除噪声点、毛刺、空洞等不需要的部分，再通过细化、边缘连接和跟踪等方法获得物体的轮廓边界。
4）Hough变换
对于图像中某些符合参数模型的主导特征，如直线、圆、椭圆等，可以通过对其参数进行聚类的方法，抽取相应的特征。
5）区域增长
区域增长方法是根据同一物体区域内象素的相似性质来聚集象素点的方法，从初始区域（如小邻域或甚至于每个象素）开始，将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域，直至没有可以归并的点或其它小区域为止。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。
区域增长方法是一种比较普遍的方法，在没有先验知识可以利用时，可以取得最佳的性能，可以用来分割比较复杂的图像，如自然景物。但是，区域增长方法是一种迭代的方法，空间和时间开销都比较大。
1.2.4面向对象的遥感信息提取
