• 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。
遥感数据的融合
遥感数据的融合主要指不同传感器的遥感数据 的融合，以及不同时相的遥感数据的融合。融 合方式的确定应根据目标空间分布、光谱反射 特性及时相规律方面的特征选择不同的遥感图 像数据，它们在空间分辨率、光谱分辨率和时 间分辨率方面相互补充，以形成一个更有利的 识别环境，来识别所要识别的目标或类型。
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。
介于0和1之间，很难达到理想值。根据经验取某个阈值P0 ，如果P> P0，则匹配成功； P< P0，则匹配失败。
金字塔模板匹配
• 为了加快搜索速度，很多影像匹配 方法使用金字塔影像。
• 对影像进行一次采样率为 1/n(n=2,3)的重采样，即把影像的 每n×n个像素变为一个像素，这 样就得到一对长、宽都为原来1/n 的影像，把它作为金字塔的第二层 。
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。
基于特征的配准算法
• 基于特征的算法(feature-based matching)先提取图像
显著特征，再进行特征匹配，大大压缩了图像信息的数据 量，同时保持了图像的位移、旋转、比例方面的特征，故 在配准时计算量小，速度较快、鲁棒性好。当两幅图像之 间的线性位置关系不明确时，应使用基于特征的匹配。
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。
相似性测度
• 用以下测度来衡量T和Si,j的相似程度：
MM
Si, j (m,n)T(m,n)
P
m1n1
MM
MM
[Si,j(m,n)]2
[T(m,n)]2
m1n1
m1n1
S i,j (m, n)
• 根据施瓦兹不等式，0P1，并且在 T (m , n )
比值为常数时取极大值为1。但实际上两幅不同图像的P值
– 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
n ni
X
a ij u i v j
0
L
n
n j
aijulivlj
ulsvlt
L
Xlulsvlt
l1 i0 j0
l 1
L
n
n j bijulivlj ulsvlt
L
Ylulsvlt
l1 i0 j0
l 1
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
• 一般来说特征匹配算法可分为四步: – 1.特征提取; – 2.特征描述; – 3.特征匹配； – 4.非特征像素之间的匹配。
基于特征的配准步骤
• 在特征匹配前，首先要从两幅图像中提取灰度变化明 显的点、线等特征形成特征集。
• 在两幅图像对应的特征集中利用特征匹配算法尽可能 的将存在匹配关系的特征对选择出来。
• 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5×5或7×7，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。
• 一般两幅图像之间用“配准（register, registration）”；寻找同名特征(点) 的过 程叫“匹配（match, matching）”; 根据主 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“几何校正 （geometric correction）”。
配准方法分类
• 通过特征建立两幅图像之间的多项式变换关系，达到 以点代面的效果。
• 对于非特征像素点，利用上述多项式变换关系来进行 几何校正，从而实现两幅图像之间逐像素的配准。
基于SIFT特征的图像配准
SIFT 特征匹配算法是目前国内外特征点匹配研究领域的热点 与难点，其匹配能力较强，可以处两幅图像之间发生平移、旋 转、仿射变换情况下的匹配问题，甚至在某种程度上对任意角 度拍摄图像也具备较为稳定的特征匹配能力。
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。
各种融合方法（ERDAS）
• HIS变换 • PCA变换 • Brovey变换 • 乘法复合 • 小波 • 高通滤波 •…
融合实际例子
特征提取
(外部资料)
遥感图像分类
遥感图像分类原理与过程
遥感图像计算机分类的依据是遥感图像像素的相似度。在遥感 图像分类过程中，常使用距离和相关系数来衡量相似度。
• 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。
• 再对第二层用同样方法进行一次采 样率为1/n的重采样，又得到第三 层（顶层）。
• 原始影像作为金字塔影像的底层。
金字塔影像匹配的步骤
• 第一步：顶层的匹配，得到一个平移初始值 。 • 第二步：根据平移初始值乘以n得到第二层平
移量初始值，在它m×m个像元的邻域内进行 模板匹配。 • 第三步：根据第二层匹配值乘以n得到第三层 平移量初始值，再进行一次模板匹配。 • 如果影像尺寸不是特别大，可以只用两层金字 塔。
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。
目标 分割、模 识别 式识别
大气、海 洋、生态 环境动态 监测
土地覆盖 与土地利 用、农林
城市、军 事、设施
数据源
MODIS、 AVHRR
TM、SPOT4、 CBERS
SPOT5、 IKONOS、 QuickBird
空间 分辨率
低
中
高
光谱 分辨率