loading
1技术路线
原始数据 平面控制 高程数据 数据查询 正射校正 数据获取 辐射校正 辐射定标 数据预处理 配准融合 大气校正 质量检查 整体镶嵌 整理提交 范围裁切 DOM技术流程图
实地调查高分解译高景一号MUX影像高景一号Pan影像样本数据样本筛选辐射定标训练样本集验证样本集影像预处理大气校正影像融合灰度级量化...影像数据植被指数多样性选择NDVI/EVI/NDWI/...纹理特征多样性选择Mean/Entropy/ASM/...GLCM计算光谱特征影像集纹理特征影像集分类训练样本影像集随机森林分类研究区作物分类结果验证样本 精度评价
土地利用分类技术流程
水体粗提取遥感图像边界膨胀图像分割先验阈值区间ROI区域水陆二值图最小连通区去除直方图统计图像分割阈值水体掩膜图像 水体分布提取技术流程
数据获取 水面实测光谱数据水体固有光学量数据实测水质参数数据光学遥感数据数据处理光谱特征分析固有光学特性分析水体提取水体光学分类大气校正基于水面实测光谱的水质参数反演算法反演算法精度评价基于光学遥感数据的水质参数反演策略最优反演算法模块开发水质参数反演软件模块开发
水质参数反演技术路线图
建筑物提取提取技术路线图
2影像正射校正方案 2.1正射校正原理
遥感影像获取的过程中会受到各种不定因素的影响，如：传感器的成像方式、地形起伏、地球曲率、大气折射等，导致图像本身的几何位置、形状、尺寸等与其对应的地物不一致，发生变形。通过一定的数学模型来改正和消除遥感影像产生的变形的过程称为几何校正。
通常情况下，对影像进行粗略几何校正时，需要利用卫星等提供的一些轨道、姿态参数以及与地面系统相关的处理参数来进行校正。当精度要求较高时需对影像进行几何精校正，即利
用地面控制点及畸变模型对原始影像进行校正。
经过粗校正之后接收到的全色影像数据中的大部分地物已经实现了重叠，只有个别仍存在偏差。此时，需要利用DEM数据对全色影像做正射校正，生成全色影像的正射影像图。
正射校正是将中心投影的影像进行纠正形成正射投影影像的过程，先把影像化分为许多小区域，之后根据相关参数按照对应的中心投影构像方程或者特定的数学模型用控制点进行解算，得到解算模型后利用数字高程模型对原始遥感影像进行校正，最终获得数字正射影像。
2.2正射校正方法
1、正射校正的计算方法
a.计算地面点坐标。若正射影像上任意一点P的中心坐标为（X1,Y1），由其左下角图廓点的地面坐标（X0,Y0）与其比例尺分母M计算得到P点对应的坐标（X,Y）。
公式（1）
b.计算像点坐标。运用反解公式计算原始影像上对应像元点的坐标P（x,y），反解公式为：
X?X0??fa3?X?Xs??b3?Y?Ys??c3?Z?Zs?a1?X?Xs??b1?Y?Ys??c1?Z?Zs?
公式（2）
Y?Y0??fa2?X?Xs??b2?Y?Ys??c2?Z?Zs?a3?X?Xs??b3?Y?Ys??c3?Z?Zs?其中：Z是像元点P的高程，是数字高程模型DEM内插得到的，再将像元点坐标转换成数字化影像的坐标或扫描坐标（I,J）。
I?L1X?L2Y?L3Z?L4
L9X?L10Y?L11Z?1公式（3） J?L5X?L6Y?L7Z?L8
L9X?L10Y?L11Z?1c.灰度内插。灰度内插可以采用双线性内插（因为所得的像元坐标不一定落在像素中心），求像元点P的灰度值g（x,y）。
d.灰度赋值。将像元点P的灰度值赋给校正后的像元点P，即：
G(X,Y)?g(x,y) 公式（4）
对每个校正像素逐个进行计算，即能得到数字正射影像（DOM）。 2、校正步骤 a.校正控制点采集
1. 采用基础底图和高程数据为纠正基础，纠正控制点要均匀分布，控制区域大于片区范围。每景控制点数量在9-15个之间，山地适当增加控制点。
控制点点位示意图
2. 选取影像清晰、易于判别、明显的特征地物点进行校正，如道路交叉处、球场角、围墙角等位置。
3. 相邻景重叠区选取不少于3个公共点，上下相邻的影像由于重叠较少，较难实现共用控制点时，在实际工作中，尽量采用独立控制点。
4. 控制点选取时，应避免在调查底图镶嵌线附近，不同生产单位生产的相邻底图区域，以及更高分辨率遥感数据源生产底图的平原、丘陵区高速公路和桥梁等地物上选点。
5. 在纠正单元内，如果纠正参考的基础底图同时包括1:1万和1:5万两种，可根据控制点分布区基础底图比例尺，对一景数据分块后，采用各自基础底图分别纠正。但其中一种比例尺基础底图只占小部分可整体纠正。
根据纠正过程中软件自动记录的控制点残差文件，检查正射纠正控制点点位精度。要求纠正控制点残差中误差应不大于下表中的规定，取中误差的两倍为其最大误差。若控制点残差超限，则查找原因并重新选点。
纠正控制点残差表
地形类别 残差中误差
平地、丘陵地（像素） 1.0 山地、高山地（像素） 2.0 b.校正方法
分别对全色和多光谱遥感影像做正射纠正，得到全色正射影像和多光谱正射影像。分为单景纠正和区域网平差法纠正。
（1）单景纠正
不同轨道、不同时相的遥感影像，通常对单景数据采用有理函数模型进行正射纠正。RPC（Rational Polynomial Coefficients）有理多项式模型在遥感影像几何处理中有广泛应用，是模拟构筑真实传感器模型的常用计算方法。建立地面点与对应影像像点几何关系，不同RPC模型参数个数不同，导致所需要最小控制点数目不同。一般而言，基于RPC模型的单景影像纠正需在影像上至少采集9个控制点。如图所示。
单景纠正图
（2）区域网平差法
当工作区涉及连片多景同源遥感数据且相邻影像间重叠度达到要求时，优先使用区域网平
差纠正方法对多景影像进行整体纠正。相邻景影像重叠区内至少选取3个公共点。采用有理函数模型，如图所示。
区域网纠正图
2.3校正精度检查
对正射纠正完的单景（区域网）影像进行纠正精度的初步检查。
以DOM影像作为参考标准，采用ERDAS中的“拉窗帘”工具对正射纠正后的成果与参考影像平面位置偏差进行比较。若影像发生了明显抖动或错位现象，则量测该处同名点误差。如果点位偏差超出最大误差限差，需要对影像重新进行正射校正；如果没有超出限差，继续下步工序，以确保接下来的影像处理工作顺利进行。
“拉窗帘”对正射纠正精度进行检查图
叠加配准后的全色影像和多光谱影像，以略大于原始分辨率的比例沿主要线状地物及特征地物线进行“拉窗帘”检查，对比检查二者的配准精度。
“拉窗帘”检查全色多光谱影像配准精度图
DOM成果几何精度限差表
地形类别 相对误差(m) 平地、丘陵地 5 山地、高山地 7.5 特殊困难地区 按地形类别放宽0.5倍 注：1.相对误差因侧视角超限、基础底图和高程数据等控制资料精度不足引起，且无法改正的特殊地区除外，但该地区周边不超限。
通过DOM成果与已有参考数据进行定量比对，统计解算DOM成果的几何精度。具体方法是以参考数据作为标准，选取DOM成果数据上同名像点（北京全市域影像均匀选取300-400
个检查点位，如下图所示），计算每个检查点平面位置偏差，最后按公式统计中误差，作为DOM纠正中误差。
几何精度质量检查图
（1）解算每个点位检查点和标准点之间的平面坐标差
?x2??y2；
（2）用以下公式统计山区几何中误差、平原区几何中误差以及全市域几何中误差。
M???i?1n2in
通过以上公示计算几何中误差得到几何校正结果的精度，如果不符合要求，则需要重新进行校正。
3影像辐射校正方案 3.1辐射校正原理
辐射校正是指对由于外界因素，数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正，消除或改正因辐射误差而引起影像畸变的过程。
利用传感器观测目标的反射或辐射能量时，所得到的测量值与目标的光谱反射率或光谱辐
射亮度等物理量之间的差值叫做辐射误差。辐射误差造成了遥感图像的失真，影响遥感图像的判读和解译，因此，必须进行消除或减弱。需要指出的是，导致遥感图像辐射量失真的因素很多，除了由遥感器灵敏度特性引起的畸变之外，还有视场角、太阳角、地形起伏以及大气吸收、散射等的强烈影响。
遥感图像辐射校正主要包括三个方面 ：（1）传感器的灵敏度特性引起的辐射误差，如光学镜头的非均匀性引起的边缘减光现象、光电变换系统的灵敏度特性引起的辐射畸变等；（2）光照条件差异引起的辐射误差，如太阳高度角的不同引起的辐射畸变校正、地面倾斜、起伏引起的辐射畸变校正等；（3）大气散射和吸收引起的辐射误差改正。
辐射校正的目的主要包括：1、尽可能消除因传感器自身条件、薄雾等大气条件、太阳位置和角度条件及某些不可避免的噪声等引起的传感器的测量值与目标的光谱反射率或光谱辐射亮度等物理量之间的差异；2、尽可能恢复图像的本来面目，为遥感图像的识别、分类、解译等后续工作奠定基础。
辐射校正分为辐射定标和大气校正两部分。
辐射定标是用户需要计算地物的光谱反射率或光谱辐射亮度时，或者需要对不同时间、不同传感器获取的图像进行比较时，都必须将图像的亮度灰度值转换为绝对的辐射亮度，这个过程就是辐射定标。
大气校正是指传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映，其中包含了由大气吸收，尤其是散射作用造成的辐射量误差。大气校正就是消除这些由大气影响所造成的辐射误差，反演地物真实的表面反射率的过程。
辐射校正流程图
3.2辐射校正方法
辐射定标主要分为两种类型：统计型和物理型。统计型是基于陆地表面变量和遥感数据的相关关系，优点在于容易建立并且可以有效地概括从局部区域获取的数据，例如经验线性定标法，内部平场域法等，另一方面，物理模型遵循遥感系统的物理规律，它们也可以建立因果关系。如果初始的模型不好，通过加入新的知识和信息就可以知道应该在哪部分改进模型。但是建立和学习这些物理模型的过程漫长而曲折。模型是对现实的抽象；所以一个逼真的模型可能非常复杂，包含大量的变量。例如6s模型，Mortran等。
用于大气辐射传输校正的模型主要有5S模型、6S模型、LOWTRAN模型、MODTRAN模型、ACORN模型、FLAASH模型和ATCOR模型。
1、ACORN模型
一种基于图像自身的大气校正软件，可以实现图像辐射值到表观地表反射率的转换，其工作波长范围是350-2500nm。在目前的大气校正程序一般都把地表假定为水平朗伯体,这主要是因为我们一般很难获取地表的充足信息以完成地形校正, 因此大气校正的结果称为拉伸的地表反射率, 又称表观反射率, 在地形信息已知的情况下,可以将表观反射率转为地表反射率。
Acorn所提供的最高级的大气校正形式是基于辐射传输理论的, 大气校正的方法是基于
chandrasekhar (1960,dover) 公式, 描述了太阳辐射源、大气、和地表对辐射的贡献关系。Caorn提供了一系列大气校正策略,包括经验法和基于辐射传输理论的方法, 既可以对高光谱数据进行大气校正, 也可以对多光谱图像数据进行大气校正, 校正模式如下:
1) 模式1:对定标后的高光谱数据进行辐射传输大气校正,输出项为地表 表观反射率。
2)模式1.5:对定标后的高光谱数据利用水气和液体水光谱你和技术进行 辐射传输大气校正。
3) 模式2: 对高光谱大气校正结果进行独立的光谱增强。 4) 模式3:利用经验线性法对高光谱数据进行大气校正 5) 模式4: 对高光谱数据进行卷积处理得到多光谱数据 6) 模式5:对定标的多光谱数据进行辐射传输大气校正 7) 模式6: 对多光谱的大气校正结果进行独立的光谱增强 2、LOWTRAN模型
LOWTRAN是一种低分辦率(分辦率大于等于20cm-1)大气辐射传输模式。它提供了6种参考大气模式的温度、气压、密度的垂直廓线,水汽、臭氧、甲烷、一氧化碳、一氧化二氮的混合比垂直廓线, 其他 13 种微量气体的垂直廓线, 城乡大气气溶胶、雾、沙尘、火山喷发物、云、雨的廓线, 辐射参量 ( 如消光系数、吸收系数、 非对称因子的光谱分布),以及地外太阳光谱。
lowtran7 可以根据用户的需要 ,设置水平、倾斜及垂直路径, 地对空、 空对地等各种探测几何形式, 适用对象广泛。lowtran7的基本算法包括透过率计算方法, 多次散射处理和几何路径计算。
1) 多次散射处理
lowtran 采用改进的累加法，自海平面开始向上直至大气的上界, 全面考虑整层大气和地表、云层的反射贡献,逐层确定大气分层每一界面上的综合透过率、吸收率 、反射率和辐射通里。再用得到的通里计算散射源函数,用二流近似解求辐射传输方程。
2) 透过率计算
该模型在单纯计算透过率或仅考虑单次散射时,采用参数化经验方法计算带平均透过率, 在计算多次散射时, 采用k-分布法。
3) 光线几何路径计算
考虑了地球曲率和大气折射效应，将大气看做球面分层，逐层考虑大气折射效应。
3、MODTRAN模型
MODTARN (ModerateResolutionTransmission) 这是由美国空军地球物理实验 (AFGL)开发的计算大气透过率及辐射的软件包。 MODTRAN从LOWTRAN 发展而来, 它提高 LOWTRAN的光谱分辨率。MODTRAN 的基本算法包括透过率计算, 多次散射处理和几何路径计算等。需要输入的参数有四类：计算模式,大气参数,气溶胶参数和云模式。MODTRAN 有四种计算模式：透过率,热辐射,包括太阳或月亮的单次散射的辐射率, 直射太阳辐照度计算。
用MODTRAN 进行大气纠正的一般步骤是:首先输入反射率,运行MODTRAN得到大气层顶(TOA)光谱辐射,解得相关参数；然后利用这些参数带入公式进行大气纠正。
MODTRAN可以计算 0 到 50000cm- 1 的大气透过率和辐射亮度, 它在 440nm 到无限大的波长范围精度是 2cm- 1, 在 22680 到 50000cm- 1 紫外波 (200-440nm) 范围的精度是 20cm-1, 在给定辐射传输驱动、 气溶胶和云参数、 光源与遥感器的几何立体对和地面光谱信息的基础上, 根据辐射传输方程来计算大气的透过率以及辐射亮度。
MODTRAN输入输出参数
(1)控制运行参数: 如何采用何种辐射传输程序, 是否进行多次散射计算等; (2)遥感器参数: 如遥感器的波段参数,观测的波束(波长范围);
(3)大气参数: 其中大气模型通过 card1 中的选项确定,其他具体参数包括气溶胶;
(4) 观测几何条件: 在 card1 中有关于几何条件的选项, 另外在card3 中主要为几 何参数的输入选项,它通过多种方式组合来实现几何参数的输入,可根据计算的方便进行选择； (5)地表参量: 在card1 中提洪了地表参数设定的初步选项,所以只能在 card4根据card1中设定的参数对地表的参数进行具体设定。
所有的输入都通过 card1 进行 控制, 然后在由后续的 card 进行具体社这 设定所有参数之后,就可以用 modtran来模拟大气辐射传输过程
4、5S模型
1986年, 法国里尔科技大学大气光学实验室 TanreD.,DeuzeJ.L, 等人为了简化大气辐射传输方程, 开发了太阳光谱波段卫星信 号模拟程序 5S(SIMULATION OF THE SATELLITESIGNAL IN THE SOLAR SPECTRUM 用来模拟地气系统中太阳辐射的传输过程 并计算卫星入瞳处辐射亮度。
5、6S模型
1997年, 美国马里兰大学地理系 Eric Vemote对5s进行了改进, 发展到6S
(SECONDSIMULATION OF THE SATELLITE SIGNAL IN THE SOLAR SPECTRUM),6S吸收了最新的散射计算方法,使太阳光谱波段的散射计算精度比 5S有所提高。
6S (Second Simulation of the Satellite Signal in the SolarSpectrum ) 大气校正模型是 Eric F.Vermote etal.(1997)在 5S 模型的基础上发展起来的。 6S 模型可以很好地模拟太阳光在太阳-地面目标-传感器的传输过程中所受到的大气影响。 相对于 5S模型,6S模型考虑了地面目标的海拔高度、非朗伯平面的情况和新的吸收气体种类(CH4,N20,CO) 通过采用 theartapproximation 近似算法和 S0s 运算法则, 提高了瑞利和气溶胶散射作用的计算精度。 光谱步长提高到了 2.5nm。 6S 模型建立在辐射传输理论基础之上, 模型应用范围广,不受研究区特点及目标类型等的影响。
6S描述了大气如何影响辐射在太阳-地表-遥感器之间的传输。需要输入的参数有:几何参数（遥感器类型、成像年月日和经纬度）；大气中的水和臭氧浓度；气溶胶浓度；附设条件、观测波段和海拔高度；地表覆盖类型和反射率。6S预先设置了50多种波段模型，包括MODIS，AVHRR，TM等常见传感器的可见光近红外波段。
它其中主要包括以下几个部分:
太阳 、 地物与传感器之间的几何关系:;大气模式; 气溶胶模式; 传感器的光谱特性:地表反射率。这5个部分便构成了辐射传输模型,考虑了大气顶的大阳辐射能里通过大气传递到地表,以及地表的辰射辐射通过大气到达传感器的整个辐射传输过程。
65的输入参数主要有9个部分组成:(1)几何参数(2)大气模式(3)气溶旋模式(4)气溶胶浓度(5)地面高度(6)探测器高度(7)探测器的光谱条件(8)地表特性(9)表观反射率
6、FLAASH模型
它是ENVI下的一个模块,FLAASH 参数如下: (1)图像中心点坐标
可以从相应的 HDF 文件中找到, 也可以从屏幕上直接读取影橡的中 心坐标, 对反演结果影响不大。 当影像位于西半球时, 经度为负值； (2)传感器类型
当选择传感器类型时,模块会选择相应的类型的传感器波段响应函数,同时系统一般会自动设置传感器的高度和图像的空间分辨率； (3) 海拔高度
海拔高度为研究区的平均海揣；
(4) 数据获取日期和卫星过境时间
卫星过境时间为格林尼治时间，可以从相应的HDF文件中找到； (5) 大气模型
模块提供热带, 中纬度夏季,中纬度冬季、极地夏季、极地冬季和美国标准大气模型, 研究者根据数据获取时间选择相应的大气模型； (6)水气反演
大多数多光谱数据不推荐反演水汽含量； (7)气溶胶模型
可供选择的气溶胶模型有无气溶胶、城市气溶胶、乡村气溶胶、 海洋气溶和对流层气溶胶模型。当能见度大于40Km时,气溶胶垫型选择对反演设有太多影响，一般情兄下利用ASTER数据不做气溶胶反演。
7、ATCOR模型
ATCOR大气校正模型由德国Wessling光电研究所 Richter 博士于1990年研究提出并且经过大量验证和评估的一种快速大气校正算法。ATCOR模型有两种模式,一种是适用于卫星图像的模式,包括1996年提出的用于平坦地面的ATCOR2模型和1998年提出的可以推广到山区崎岖地面的ATCOR3模型; 另一种是适用于机载和航拍的ATCOR4模型。ATCOR模型算法的核心部分是一个以MODTRAN4代码计算辐射传输方程的数据库, 通过输入传感器几何条件, 光谱特征及成像时的气溶胶等参数,通过插值法计算查找表, 从而进行精确快速的大气校正。
进行大气校正前,先利用模块的 ATCOR3 DeriveTerrain Files功能对 DEM文件进行计算获得坡度、坡向、天空可视因子和阴影。DEM文件必须为投影坐标系,如果进行了投影转换必预保证像素的X和Y边长相等。输入 DEM正确的获取时间和经纬度后就可进行计算，其中 Skyview 和 Shadow 文件计算所需时间比较长。获得上述4个文件后，就可以开始进行大气校正处理了。
ATCOR大气校正流程
3.3校正准确度检查
辐射校正结果为地表反射率产品，与原始数据的DN值所表现的光谱曲线明显差异，矫正
后结果跟接近于地物的真是光谱曲线，通过对比校正前后数据的光谱曲线，检查校正成果的准确度。
大气校正前后对比图
大气校正前后某地物光谱曲线对比图
4影像融合方案
多源数据的融合依据监测区情况不同、数据源的不同类型，其融合方法也不同。但总体上分为以下几个步骤：融合前影像处理、融合单元的选择、最佳融合算法的选取及实现以及融合后的处理和效果检查。其技术路线下图所示。
数据融合技术路线图
4.1影像融合技术要求
a) 光学遥感数据之间的配准中误差应不超过1个像元素；
b) 融合后的图像影像中，各种地类特征应明显，边界应清晰，通过目视解译可以区分各
种地类信息。
c) 影像融合一般以景为单位，不同数据源也可采用完整辖区为单元。
d) 相同季节融合后影像要色调基本一致，不同季节影像色彩应反映当时地类光谱特征。 e) 根据影像波段的光谱范围、地物和地形特征等因素，选择能清晰表现土地利用类型特
征和边界、色彩接近自然的融合算法。 f) 融合影像应无重影、模糊等现象。
4.2影像融合前影像处理
对纠正、配准后满足精度要求的全色与多光谱数据，融合前还需要对其进行预处理。一方面，提高全色数据的亮度，增强局部反差突出纹理细节，尽可能降低噪声；另一方面，对多光谱数据进行色彩增强，拉大不同地类之间的色彩反差，突出其多光谱彩色信息。
1、全色数据处理
在融合中要突出全色数据的高分辨率特征，因此融合前处理的目的是为了增强局部灰度的反差从而突出纹理细节和加强纹理能量，通过细化来尽可能减少噪音。特别强调在增强局部灰度反差时只是增加灰度的值，原灰度关系保持不变。考虑到土地利用遥感监测需要从遥感影像上直接判读地类信息，从而发现新增建设用地图斑。因此，在拉伸方法选择上不应采用非线性拉伸。否则原灰度值的大小关系会发生变化，从而使影像产生灰度扭曲，增加含义不明确的伪信息，影响解译精度。
2、多光谱数据处理
多光谱数据具有多个光谱波段和丰富的光谱信息，不同波段影像对不同地物有特殊的贡献。因此在影像融合前需要进行最佳波段的选择组合和彩色合成，以最大程度地利用各波段的信息量，辅助影像的判读与分析。在融合影像中，多光谱数据的贡献主要是光谱信息。融合前以色彩增强为主，调整亮度、色度、饱和度，拉开不同地类之间的色彩反差，对局部的纹理要求不高。有时为了保证光谱色彩，还允许削弱纹理信息来确保融合影像图的效果。
4.3影像融合方法
选取融合方法的原则：
1．能清晰地表现纹理信息，能突出主要地类（如水体、建筑群、耕地、道路等）。 2．影像光谱特征还原真实、准确、无光谱异常；
3．各种地类特征明显，边界清晰，通过目视解译可以区分各种地类信息。 4．融合影像色调均匀、反差适中、色彩接近自然真彩色。
在遥感影像处理过程中，通常采用的融合方法有IHS变换、主成分变换、加权乘积、比值
变换、小波变换、高通滤波、BROVERY、结合GRB与IHS变换的PANSHARP融合等多种方法，其中IHS变换和PANSHARP融合方法对图像融合有较好的效果。BROVERY通常用于低植被、高度发暗的影像。
（1）高通滤波变换法
高通滤波和低通滤波常用于影像纹理和细节处理方面。影像的细节提取往往是通过对影像进行高通滤波来实现，影像细节与多光谱影像的色彩信息相加是融合的最基本原理。
高通滤波变换目的是提高影像高频细节，突出影像结构信息。各种高层板状建筑表现非常明显，交通和水体的边缘规则、无模糊。由于在突出高频信息同时，部分低频信息会受到压制，往往整体影像的结构比较细碎。色彩表现上，高通滤波变换效果一般，色调的层次感不强。
（2）主成分变换（PCA）
主成分变换在数学上是将矩阵展开分解为其协方差矩阵的特征向量的加权，对于图像而言主分量变换是图像按照特征向量在其特征空间上分解为多元空间。经过变换可将噪音向量剔除掉，保证融合图像信息度的良好。遥感影像进行分解时，第一、二主分量往往占总信息量（即方差）的90%以上，而其余各分量总和最多也不过10%。利用PC变换可很方便地将影像的结构信息通过第一主分量表达出来。主分量变换显著优点是将庞杂的多波段数据用尽可能少的波段表达出来，而且数据信息量几乎没有损失，从而达到数据压缩的目的。
主分量变换在进行融合中有两种变换方法，一种将参与变换的各波段包括高光谱在内统一进行主分量变换，然后反变换。另一种是指将多光谱的多个波段先做主分量变换，用高光谱影像全色波段替换第一主分量。再进行反主分量变换。得到融合影像。
主分量变换中参与变换的多光谱数据不受波段数限制，可以接受三个以上波段的多光谱数据和高光谱数据进行变换。主分量变换合成的影像色彩突出，各种地类的色彩能够较少的丢失和偏移。影像纹理信息结构明显、突出。
（3）IHS变换法
IHS变换是一类基于IHS色彩模型的基础、应用广泛的融合变换方法。IHS色彩是不同于RGB的另一种色彩模型系统，它将RGB图像转换色相H、亮I和饱和度S三个分量，图像的描述依据色相、亮度和饱和度三个要素来实现。I表示图像亮度， H代表色度，S表示饱和度。IHS变换能有效地将RGB系统中影像代表纹理的亮度I与其光谱信息H、S相分开。
运用IHS变换技术融合的原理为：用另一影像替代IHS三个分量中的某一分量，其中亮度分量被替代最为常用。当高分辨率全色影像与多光谱影像融合时，首先将多光谱的影像根据输
入图像的RGB值利用正变换式从RGB系统变换至IHS彩色空间，得到亮度I、色度H及饱和度S的三个分量，将高分辨率全色影像与亮度进行直方图匹配，然后去掉I，并用预处理准备好的高分辨率全色影像代替。与H、S一起利用相应的逆变换式变换至RGB系统，得到融合后的影像。
IHS变换的融合方法只在亮度通道上进行，图像的色调和饱和度保持不变。因此，通过变换、替代、逆变换获得的融合图像，既具有全色图像高分辨率的纹理，又保持了多光谱图像的色调和饱和度。
（4）基于小波变换法
在众多图像融合技术中，基于小波变换的图像融合方法已成为多数图像处理系统的标准算法之一。这类算法主要是利用人眼对局部对比度的变化比较敏感这一事情，根据一定的融合规则，在多幅原图像中选择出最显著的特征，例如边缘、线段等，并将这些特征保留在最终的合成图像中。
在一幅图像的小波变换中，绝对值较大的小波系数对应于边缘这些较为显著的特征，所以大部分基于小波变换的图像融合算法主要研究如何选择合成图像中的小波系数，也就是三个方面上的高频系数，从而达到保留图像边缘的目的。虽然小波系数（高频系数）的选择对于保留图像的边缘等特性具有非常主要的作用，同时尺度系数（低频系数）决定了图像的轮廓，因此正确地选择尺度系数对提高合成图像的视觉效果具有举足轻重的作用。通过基于小波变换图像融合中小波基的选取或融合规则及融合算子的不同选择，可得到满意的融合图像。
（5）Pan Sharpening（全色锐化）融合算法
Pan Sharpening（全色锐化）融合算法是由加拿大新布伦瑞克大学的张云博士（2002）开发的。Pan Sharpening（全色锐化）融合算法相比较其他融合方法，与众不同的地方主要体现在两方面：一方面它是基于最小二乘算法对参与融合影像波段的灰度值进行最佳匹配，使原始多光谱、全色数据与融合后多光谱、全色数据之间的灰度值关系达到近似，融合后影像在色彩保真的同时，同时保留了地物纹理细节和空间分布细节；另一方面算法还对参与运算的所有波段进行特有的统计分析运算，通过分析来消除融合效果对操作员经验的依赖以及数据自身质量的优劣，提高融合过程的效率。
4.4融合后影像增强处理
1．基于直方图的图像增强
融合后影像处理是保证成果质量的重要技术环节，融合后影像通常亮度偏低、灰阶分布动态范围小，色彩不够丰富。直方图均衡化算法是图象增强空域法中常用的算法之一，它以概率理论作基础，通过对已知灰度概率密度的图像进行某种变换使其变成一幅概率密度服从均匀分布的新图像，这样调节了灰度取值的动态范围，增强了图像的对比度，从而达到图像增强的目的。此外，采用线性或非线性拉伸、亮度对比度、色彩平衡、色度、饱和度和明度调整等方法进行色调调整。处理后的影像要达到灰阶分布具有较大动态范围，纹理清晰、色调均匀、反差适中，色彩接近自然真彩色，可以清晰判别耕地等重要地类类型。
较小灰度动态范围图 较大灰度动态范围图
为了形成完整的监测区影像文件，对分块融合的影像须进行色调调整。色调调整时应保留多光谱影像的光谱信息和全色影像的纹理细节，以便进行变化信息分析。同时，注意视觉效果，为去除杂色保证整体反差，必要时牺牲部分光谱信息和纹理，达到自然真彩色的效果，但要区分不同地类边界。
2．去云雾
采用数字图像处理技术对遥感图像进行去雾处理的方法有很多种，这里采用图像增强算法，即从遥感图像呈现的低亮度和低对比度的特征考虑，按照特定需要突出图像中的某些信息，削弱或去除某些不需要的信息来完成的。我们通过灰度直方图变换方法把有雾图像的直方图变换为均匀分布的形式，从而增加像素灰度值的动态范围达到增强雾天图像整体对比度的效果。
去云雾前后效果对比图
3．局部对比对增强算法
直方图均衡化可以有效地调节图像动态范围，增强图像整体的对比度，但是由于其在调整动态范围的过程中合并了一些出现概率较低的灰度级，从而导致细节的丢失，对此可使用局部对比度增强的方法强化图像局部细节。
4.5影像融合效果检查
1．检查融合影像整体亮度、色彩反差是否适度、是否有蒙雾。
2．检查融合影像整体色调是否均匀连贯。不同季节影像只要求亮度均匀，植被变化引起的色彩差异可不考虑。
3．检查融合影像纹理及色彩信息是否丰富，有无细节损失，层次深度是否足够，特别是各植被、地物等地类是否可见和容易判读。
4．检查清晰度。判断各种地物边缘是否清晰明确，特别是城乡结合部建设用地与耕地等边界是否清晰明确。
5影像镶嵌方案 5.1基本原理
影像镶嵌是指对一幅或若干幅图像通过几何镶嵌、色调调整、去重叠等处理，镶嵌到一幅大的背景图像中的影像处理方法。
5.2基本原则
镶嵌时应对多景影像数据的重叠带进行严格配准，镶嵌误差不低于配准误差，镶嵌区应保证有10-15个像素的重叠带。影像镶嵌时除了要满足在镶嵌线上相邻影像几何特征一致性，还要求相邻影像的色调保持一致。镶嵌影像应保证色调均匀、反差适中，如果两幅或多幅相邻影像时相不同使得影像光谱特征反差较大时，应在保证影像上地物不失真的前提下进行匀色，尽量保证镶嵌区域相关影像色彩过渡自然平滑。
1、原则上，镶嵌只针对采样间隔相同影像。需在相邻数据重叠区域进行如下处理：首先，在相邻数据重叠区勾绘镶嵌线，镶嵌线勾绘尽量靠近采样间隔较小影像的外边缘，以保证其数据使用率最大化。然后对镶嵌线两侧影像进行裁切，裁掉重叠区域影像，为避免因坐标系转换导致接边处出现漏缝，对于采样间隔小的影像严格沿镶嵌线裁切，采样间隔大的影像应适当外扩一定范围，原则上不超过10个像素进行裁切。
2、镶嵌前进行重叠检查。景与景间重叠限差应符合要求。重叠误差超限时应立即查明原
因，并进行必要的返工，使其符合规定的接边要求。采用“拉窗帘”方式目视检查相邻影像间重叠区域的精度，若同名地物出现“抖动”或“错位”现象，则量测该处同名点误差，两者接边精度不超过1个像素。
3、镶嵌时应尽可能保留分辨率高、时相新、云雾量少、质量好的影像。 4、选取镶嵌线对DOM进行镶嵌，镶嵌处无地物错位、模糊、重影和晕边现象。 5、时相相同或相近的镶嵌影像纹理、色彩自然过渡；时相差距较大、地物特征差异明显的镶嵌影像，允许存在光谱差异，但同一地块内光谱特征尽量一致。
5.3重叠精度检查
叠加相邻纠正单元，采用“拉窗帘”方式逐屏幕目视检查相邻纠正单元间重叠区域的精度，若同名地物出现“抖动”或“错位”现象，则量测该处同名点误差，两者相对精度应满足下表要求。
1. 相邻影像采样间隔≤１米时，其相对误差限差满足表中规定。
相对误差限差表
地形类别 相对误差
平地、丘陵（采样间隔） 2.0倍 山地、高山地（采样间隔） 8.0倍 2. 基础底图采样间隔＞１米时，其相对误差限差满足表中规定。
相对误差限差表
地形类别 相对误差 平地、丘陵（采样间隔） 山地、高山地（采样间隔） 2.0倍 4.0倍 注：相对误差因侧视角超限、基础底图和高程数据等控制资料精度不足引起，且无法改正的特殊地区除外，但该区域周边不超限。
5.4镶嵌步骤
1、镶嵌线选取
镶嵌线应尽量选取线状地物或地块边界等明显分界线，以便使镶嵌影像中的拼缝尽可能地消除，使不同时相影像镶嵌时保证同一地块完整，有利于判读。在协同作业的情况下，要保证相邻图幅重叠范围内影像一致，裁切时重叠区域内的镶嵌线必须保持一致，做到同步改动，同
步切图。且镶嵌后影像应避开云、雾、雪及其他质量相对较差的区域，使镶嵌处无裂缝、模糊、重影现象。
2、镶嵌
对重叠精度满足要求的相同采样间隔纠正后影像进行镶嵌。当相邻两景影像时相或质量相差不大时，保持影像纹理、色彩自然过渡；时相差距较大、地物特征差异明显时，保持各自的纹理和色彩，但同一地块内光谱特征保持一致。
影像镶嵌线勾绘示意图
5.5质量检查
镶嵌质量的好坏直接影响到遥感影像的使用，出现裂缝、重影、模糊等都会降低数据质量。检查需要从几何质量和光谱质量这两方面进行评价。
首先，在几何质量上，需要检查相邻影像重叠区域内同名点的几何偏差是不是超过限制要求；重点检查镶嵌区域是否出现裂缝、重影、模糊，看镶嵌线是否合理。
其次，在光谱质量上，需要检查纹理、色彩是否过渡自然。相邻两景影像镶嵌后，重叠区色彩是否均匀过渡，是否出现过渡平滑导致失真的现象。
如果出现裂缝、重影、模糊、纹理不清晰、色彩过渡不自然等情况，需要及时查清原因，进行必要的返工，直至满足要求为止。
公司形象展示