本文目录一览：
1、遥感数字图像定量反演的方法
2、遥感影像中，地理配准中的控制点
3、实验十二 遥感图像几何精校正：Image to Map方式
4、遥感影像预处理及影像制图
遥感数字图像定量反演的方法
遥感数字图像可以用Google earth engine python API来实现定量反演。
用基于GEE的python API，主要实现以下内容：
站点数据和遥感影像匹配。
利用机器学习/深度学习模型进行匹配数据的训练。
将训练的模型用于GEE上的影像数据，实现参数反演结果成图。
提取影像的metedata，作为模型的输入数据。
注意，直接采用img.get( )得到的是computerobject这种类型的结果，无法在机器学习模型中输入和计算，应加上.getInfo()。
总结如下：
反演，在人工智能领域又称为人工智能反演(inversion with artificial intelligence),是指能够模仿人类智能的计算机程序系统即人工智能专家系统，它具有学习和推理的功能。例如模拟退火最优化系统、人工神经网络系统等。
在反问题求解过程中应用人工智能的方法技术，引导局部或全局寻优，这种反演方法称为人工智能反演技术。
遥感影像中，地理配准中的控制点
首先这个需要借助专业的软件，遥感和GIS的都行，比如ArcGIS，MapGIS，或者Erdas、envi等都可以，都有图像的校正和配准功能。其次还要有坐标参考，一种是知道遥感图上至少4个点的坐标（某些地物的准确坐标），或者已经配准的地形图，或者已有坐标参考的影像图。
实验十二 遥感图像几何精校正：Image to Map方式
一、实验目的
通过ENVI的Image to Map Registration功能命令使用，学会用带地理坐标的地形图（Map）去校正几何畸变的遥感影像，使后者也成为一幅无畸变的带地理坐标的遥感图像，从而加深对遥感图像几何校正的理解。
二、实验内容
①桂林市TM 影像的Image和Map控制点GCPs选择；②Image和Map的控制点坐标提取和输入；③基于Image to Map的图像空间配准；④插值算法选择；⑤坐标投影确定；⑥Wrap操作；⑦遥感图像坐标网覆盖。
三、实验要求
①课前准备好地形图上的控制点坐标数据；②控制点选择必须是其所在位置具有清晰可辨的点位识别特征，如点、两线交点和单线锐角拐点等；③控制点在影像上要均匀分布；④全图区内的控制点数量不能少于20个；⑤对校正前后的图像进行比较分析。
四、技术条件
①微型计算机；②桂林市TM 卫星影像数据；③ENVI软件；④Photoshop软件（ver.6.0以上）和ACDSee软件（ver.4.0以上）。
五，实验步骤
（1）图像输入。在ENVI主菜单栏中选择“FileOpen Image File”，出现文件目录窗口，将桂林市TM 1～7波段的数据调入“Available Bands List”窗口，从波段列表中选择TM1显示之。
（2）几何校正方案选择。在ENVI主菜单栏中，选择“Map”，在其下拉菜单中，选择“MapRegistrationSelect GCPs: ImagetoMap”，如图12-1所示。
（3）坐标投影确定。在选择“Select GCPs:Image to Map”之后，出现“Image to Map Registration”窗口。此框中列出了各种坐标投影，从中选择本实验采用的投影及地图分带“GK Zone18”（高斯克吕格投影18度带）；并点击打开“Datum..”，出现“Select Geogprhic Datum”（选择地理坐标系统窗口），从中选择“WGS-84”；并在“Image to Map Registration”窗口中，对影像空间分辨率尺寸“X Pixel Size”和“Y Pixel Size”都输入所处理遥感影像的空间分辨率。这里是TM为30m。然后，对此两个窗口分别点击【OK】按钮退出，如图12-2所示。
图12-1“Image to Map”处理方案选的操作界面
图12-2 几何校正坐标投影确定的操作界面
（4）输入控制点坐标数据。在执行完步骤（3）后，出现“Ground Control Points Selection”（选控制点）窗口，如图12-3所示。在此窗口中，左边的上下两个空白框是要输入的控制点的W GS-84坐标值（E对应于X坐标，N对应于Y坐标），右边的“Image X”和“Image Y”分别为与该控制点对应的遥感影像图像元样（Sample）、行（Line）坐标值（S,L）。只能是手工输入（包括可以将WORD表格中的数据拷贝到此粘贴）。增加新点输入或者修改数据可以通过操作【Add Point】按钮实现。
图12-3 几何校正坐标投影确定的操作界面
（5） Warp（纠正）处理图像选择。在完成步骤（4）的控制点坐标数据输入之后，不必退出“Ground Control Points Selection”界面，直接在该窗口上方的菜单中，打开“Options”，出现下拉菜单，菜单最上面一项是对正在显示的图像作纠正，第二项是对磁盘文件中的图像作纠正，本实验选择第一项，如图12-4所示。
图12-4“Warp”（纠正）处理图像选择的操作界面
（6）执行Warp（纠正）处理。在执行步骤（5）后，出现“Reigstration Parameters”（校正参数）框，如图12-5所示。在该框中，左侧为前面各项操作形成的数据，一般不必再改动。右侧的四行中，从上到下依次是：校正方法（Method）、重采样（Resampling）、背景值（Background）和输出校正图像的存储位置（Output Result to），对“Method”采取多项式（2次），对“Resampling”可选择“Nearest Neighbor”（最邻近）、“Bilniear”（双线性插值）或“Cubic Convolution”（三次卷积）。对存储位置，如果是试验处理，可以存在Memory；如果是正式结果，就可以作为文件存到磁盘上，如图12-5所示。
设置完这些校正参数后，点击【OK】按钮，完成Image to Map方式几何精校正。
图12-5 执行“Warp”（纠正）处理的操作界面
（7）用Photoshop软件将经过几何校正的图像与原始图像并列打开，观察比较几何校正前后影像有何差异，用WORD文档记录，取名为《几何校正前后差异分析》，存入自己的工作文件夹。
六、实验报告
（1）简述实验过程。
（2）回答问题：①“Image to Map”是何含义？②运用“Image to Map”功能需要做哪些相应的准备工作？③参考实验十一的②题和③题。
实验报告格式见附录一。
遥感影像预处理及影像制图
遥感影像在成像过程中受太阳高度角、大气状况、地球曲率、地形起伏、传感器自身的性能等因素影响，存在明显的几何和辐射畸形。在对遥感影像进行信息提取和定量分析之前，需要对其进行预处理，主要包括:几何校正、辐射校正、遥感图像处理和影像制图。经过预处理的影像，需经过图像处理及影像制图，再用于遥感解译。
原始遥感影像通常存在严重的几何变形，这种几何变形一般分为系统性和非系统性两大类。系统性几何变形是有规律和可以预测的，因此可以应用模拟遥感平台及遥感器内部变形的数学公式或模型来预测。非系统性几何变形是不规律的，可以是遥感器平台高度、经纬度、速度和姿态等的不稳定，以及地球曲率和空气折射的变化等，一般很难预测。
遥感影像几何校正的目的主要是消除影像上的几何变形，使影像能与实地在空间位置关系上准确对应起来。一般校正的内容主要包括：系统几何校正，投影变形校正和几何精校正。其中，系统几何校正和投影变形校正主要由地面接收站在向用户提供资料之前，已经按照常规的处理方案结合影像同时接收到的有关运行姿态、传感器性能指标、大气状况、太阳高度角等数据对该幅影像的几何畸变进行了几何粗校正。而对于广大影象用户拿到的影像数据，所要真正做的几何校正是几何精校正，也就是在保证精度达到要求的条件下，利用一定的数学模型将影像转换到所需要的投影下，这样就能使影像和其他具有相同地理参数的同地区数据在空间位置上相匹配。
几何精校正通常采用多项式法进行校正。该方法机理是通过若干控制点，建立不同影像间的多项式空间变换和像元插值运算，实现遥感影像与实际地理图件间的配准，达到消减及消除遥感影像的几何畸变的目的。
1.1.1 地面控制点的选取及多项式校正模型
1. 地面控制点的选取
选取控制点是为于建立影像上像素点与实际地物同名点或地图上对应点之间的对应关系，要求对控制点的选取数量要足够多，精度也要有一定的保证。控制点的精度和选取的难易度与影像质量地物特征及影像空间分辨率密切相关，这是几何校正中最重要的一步。地面控制点选取的原则如下：地面控制点在影像上有明显的、清晰的地别标志，如道路交叉点、河流岔口、建筑物边界、农田界线；地面控制点上的地物不随时间而变化，以保证当两幅不同时段的影像或地图在进行几何校正时，可以同时识来；在没有做过地形校正的影像上选控制点时，应在同一地形高度上进行；地面控转应当均匀地分布在整幅影像内，而且要有一定的数量保证。
2.多项式校正模型
控制点选择好之后，要分别计算控制点在基准影像和待配准影像上的像元坐标或相应的地理坐标。然后选择合适的坐标变换函数（即数学校正模型），建立基准影像和待配准影像之间的坐标对应关系式，通常又称为多项式校正模型。对于一般的几何校正，可以使用一次线性多项式校正模型，对于精度要求较高的可以使用二次或三次多项式校正模型。对影像进行多项式校正的目的是对待配准影像的像元坐标进行重新定位，使其与基准影像的坐标相对应。
1.1.2 影像重采样
重新定位后的像元在原影像中的分布是不均匀的，即输出影像像元点在输人影像中的行列号不是或不全是整数关系。因此，需要根据输出影像上的各像元在输入影像中的位置，对原始影像按一定规则重新采样，进行亮度值的插值计算，建立新的影像矩阵。
常用的内插方法包括：
①最邻近法，是将最邻近的像元值赋予新像元，如将原影像中某像元的亮度值赋给输出影像中对应的带阴影的像元。该方法的优点是输出影像仍然保持原来的像元值，过程简单，处理速度快。但是该方法也有局限性，即该方法最大可产生半个像元的位置偏移，可能造成输出影像中某些地物的不连贯。
②双线性内插法，是使用邻近4个点的像元值，按照其距内插点的距离赋予不同的权重，进行线性内插。该方法具有平均化的滤波效果，边缘受到平滑作用，从而产生一个比较连贯的输出影像。其缺点是破坏了原来的像元值，在之后的波谱识别分类分析中，会引起一些问题。
③三次卷积内插法，是使用内插点周围的16个像元值，用三次卷积函数进行内插。这是三种重采样方法中较为复杂的一种，它对影像特征边缘有所增强，并具有均衡化和清晰化的效果，但是它仍然破坏了原来的像元值，且计算量较大。
影像重采样不仅是在几何校正中重要的一步，而且在一些图像处理中也是需要的，如在对不同时段、不同空间分辨率影像之间，以及与GIS中其他数据进行配准和不同层之间复合。
国内外对大气校正的研究有许多成果，主要是采用不同的校正模型来处理，主要包括如下方法：
①图像特征模型法：这是一种相对的大气校正法，不需要测量实际的大气环境情况及实际地面光谱，仅仅是利用遥感影像所包含的信息，如一些植被指数运算可以部分消除大气影响，以及暗目标法等。一般只适用于小范围，并且处理后的影像存在不同的噪声，效果不是很好。
②统计模型法：即利用遥感影像上选定的地物的灰度值和相应成像时间实地所测的地物反射光谱值，建立统计模型，计算校正量来对整幅影像进行校正。该方法需要成像时的实测光谱数据，对于以往没有实测数据的历史影像和实地条件困难无法进行实测的影像数据，不能用此方法来校正。
③理论模型法：主要利用大气辐射传输理论建立方程，建立大气改正模型来校正大气干扰。该方法基于严密的物理模型，是一种绝对大气校正方法。
1.3.1 遥感图像融合和增强
1.遥感图像融合
图像融合是通过一种特定的算法将两幅或多幅图像合成一幅新图像。多源遥感影像数据所含有的信息具有合作性、互补性，以及影像数据的冗余性。为了更加合理、有效地利用数据的信息，遥感图像融合能使分别具有一定空间分辨率、波谱分辨率和时间分辨率的一组图像数据全部纳入统一的时空内，构成一组新的空间信息，融合成一幅新的图像，弥补了单一信息的不足，达到了多种信息资源的相互补充，改善了目标识别的视觉效果，提高了综合分析的精度。
2.遥感图像增强
遥感图像增强的目的是突出相关的主题信息，提高图像的视觉效果。常用的图像增强方法包括：图像反差调整、图像平滑、图像锐化、多光谱图像四则预算等。
1.3.2 图像镶嵌和影像制图
1.图像镶嵌
当工作区域涉及不同景数据时，影像制图过程中必须进行镶嵌处理，镶嵌处理过程实质是一个在数据重叠范围内的配准和色调调整的过程。应根据图幅分布情况，选出处于工作区中心部位的一幅图像作为镶嵌的基准像幅，其他图像以此为基准依次准近到远进行镶嵌。
（1）图像几何配准
对要镶嵌的图像进行精确配准，使它们处于同样的空间坐标系统之下。一般采用在图像之间利用控制点进行配准，另外再使用同名点进行配准，即依据两景数据上的同名量数据配准到另外一景数据的过程中，使两幅图像重叠部位几何上更趋于一致。
（2）相邻图像颜色匹配
针对一定方法对相邻图像进行颜色匹配，使不同时相的图像在颜色上相互协调致。为了使建立的颜色匹配方程更准确，所选的用于相邻两图像色调匹配、调整的共同区域要尽可能大，选择有代表性的区域用于色调匹配。在遥感图像上有时会有云及各种噪声，在选择匹配区域时要避开这些区域，否则会对匹配方程产生影响，从而降低色调匹配的精度。采用不规则的多边形（而不是简单的矩形）来界定用于建立色调匹配方程的图像区域。这样既可避开云、噪声，又可获得尽可能大的、有代表性的图像色调匹配区域，以便均衡化镶嵌后输出图像的亮度值和对比度。相邻图像颜色匹配处理过程中要满足“先整体后局部，逐步对地物细节调整”的原则。
（3）重采样
重采样是从高分辨率遥感影像中提取低分辨率影像的过程。重采样可以提高图像处理效率，常见的重采样方法有最邻近像元法、双线性内插法及双三次卷积法等。在正射纠正过程中要准确地应用重采样方法，同时应确保影像纠正的像素大小和重采样方式满足项目成图和项目本身要求。
4）单景影像处理
a.去云雾
卫星影像云雾的存在会对影像的判读产生影响，可选择合适的算法或者用不同时相的影像替换的方法进行去云雾处理。
b.去阴影
阴影区域可以通过人眼确认其范围，在阴影区范围内进行亮度和对比度的局部调整可以去除阴影。处理后的阴影区域和非阴影区域的色调和亮度值会有一定程度的差异，因此需要对整张影像进行适当的亮度及对比度的调整来过渡，以达到良好的视觉效果。
c.偏色处理
一般要处理的影像是选取多光谱中的R（红）、G（绿）、B（蓝）通道进行合成从而生成的彩色影像。在RGB色彩系统中，每个通道都有0到255共256种亮度值，而三个通道的值混合后（256×256×256）就能够产生大约1677万种颜色，应通过对不同通道的亮度值进行调整达到地物的真实色彩。
d.多景影像一致性调整
当一景影像的颜色调到了最真实的色调后就可以将其他影像的色调向其靠拢，这一过程较为复杂，需要反复尝试积累经验。
e.镶嵌接边
（1）设定合适的羽化值。走镶嵌线时应选择合适的羽化值，一般同轨影像间差异较小，其羽化值也应比异轨影像选择的羽化值小。
（2）走镶嵌线。多幅影像的拼接时应使质量好的影像压盖质量差的影像，新影像压盖旧影像，其拼接后几何接边常常会产生很明显的硬接边，走镶嵌线可以消除影像拼接后接边线明显的问题，但应注意镶嵌线要尽量避开道路、河流等地物，如果不能避免则应增大羽化值。
2. 影像制图原则
（1）影像必须层次丰富、颜色均匀、反差适中、清晰、不变色。
（2）影像图上随机抽取地物点的平面位置中误差不大于+0.5mm，特殊情况下不大于+0.75mm。
（3）图廓线的实际尺寸和理论尺寸的绝对值不应该超限，展点图边长0.15mm，对角线0.20mm，影像原图边长0.20mm，对角线0.30mm。
（4）制作彩色影像图应选择3个或以上的多光谱波段影像，波段之间配准误差不大于0.2mm，图像套合误差不大于0.3mm，制作彩色遥感影像图要求选择全色波段或根据需要选择一个波段的影像。
京公网安备 11010802041100号