遥感图像辐射定标数据要怎么获取

看你遥感图像是什么数据，TM、SPOT等常见数据，百度一下定标系数就能找到。如果其他卫星，比如资源卫星、环境卫星等，可以到数据下载服务网站，亦或者mail数据服务中心。什么卫星的数据？

遥感的对地观测系统是一个信息流交换的过程：电磁波与地表物体相互作用形成地表信息交流。而遥感影像信息提取技术就是最大限度地从遥感图像上的光谱信息反演出目标地物本身的属性特征信息。进而可对地球表层资源与环境进行探测、分析，并揭示其要素的空间分布特征与时空变化规律。遥感影像信息的提取技术是建立在对地物规律有充分的了解的基础之上的，其综合物理手段、数学方法和地物状态识别等认识，通过对影像的处理与分析，获得能反映区域内地物的分布规律和变化过程的有效信息的技术方法。

遥感地物识别主要依赖于地物的光谱和空间特征的差异。多光谱由于光谱分辨率低，地物的光谱特征表现不充分，地物识别主要依赖地物的空间特征，包括灰度、颜色、纹理、形态和空间关系。信息处理和信息提取主要是应用图像增强、图像变换和图像分析方法，增强图像的色调、颜色以及纹理的差异，达到最大限度地区分地物的目的。随着成像光谱仪研制成功以及其产业化的发展，遥感地物信息提取也随之进入了一个崭新的时代。成像光谱对地物的识别主要是依赖于地物的光谱特征，是直接利用岩石矿物的光谱特征进行地物识别，定量分析地物信息。下面从多光谱和高光谱遥感信息处理两方面来加以论述。

1多光谱方法研究进展

多光谱的信息提取主要集中于：色调信息提取，纹理信息提取，信息融合。

（1）色调信息提取

对于色调信息提取，主要是采用一些增强处理，扩大图像中地物间的灰度差别，以突出目标信息或改善图像效果，提高解译标志的判别能力，如反差扩展、彩色增强、运算增强、变换增强等，这些传统的图像处理方法在一定程度上满足了应用的需要。近年来发展了一系列的以主成分变换为主的信息提取技术，在岩矿信息提取中发挥了重要的作用。如张满郎（1996）提出修正的直接主成分分析提取铁氧化物信息。OF 变换（Maxium Noise Fraction Transformation）（Kruse，1996，Creen，et al，1988），NAPC（Noise-adjust Principal Components Transform）（Lee，et al，1990）、分块主成分变换（Jia，et al，1999）、基于主成分的对应分析（Carr，et al，1999），以及基于主成分分析的空间自相关特征提取（Warner，et al，1997）、子空K投影（Harsanyl，et al，1997）和高维数据二阶特征分析（Lee，et al，1993；Haertel，et al，1999）等，也是基于主成分分析进行信息特征选择与特征提取。同时，根据模式识别的原理，提出并设计出监督分类与非监督分类方法：以及利用决策树进行分类识别（Wrbka，et al，1999；Friedl，et al，1999；Hansen et al，1996），这些技术与方法是建立在图像灰度特征之上，利用数理统计的知识进行地物分类与信息提取。

（2）纹理信息提取

遥感影像的边缘和纹理信息对线环构造的识别具有一定作用，但却似乎无助于岩性的识别。边缘信息提取通常采用滤波算子或锐化的方法进行（Gross，et al，1998；Varbel，2000）。纹理信息提取通常采用共生矩阵、傅立叶功率谱和纹理谱等方法。

（3）信息融合

多源数据融合研究也非常普及与深入，其技术方法涉及不同的数理知识（Jimen，et al，1999；Pohl，1998；Robinson，et al，2000；Price，1999；Gross et al，1998），比如小波信息融合。应用面涉及非遥感数据（王润生，1992；朱亮璞，1994），如遥感数据与地化数据、物探数据的叠置与融合。这些方法一方面开阔了遥感的应用视野，另一方面也扩展了遥感的应用能力。

总的来说，多光谱遥感岩矿信息提取主要是基于图像灰度特征，即基于岩矿的反射率强度差异，采用一些数学变换方法，增强或突出目标信息，使之易于目视解译。在数据处理中，由于波段有限，未能有效地导入岩矿类别的光谱知识，其结果精度更多地取决于研究人员的经验。

2高光谱方法研究进展

成像光谱技术是多光谱技术发展的飞跃，它是在对目标对象的空间特征成像的同时，对每个空间象元经过色散或分光形成几十个乃至几百个窄波段以进行连续的光谱覆盖。形成的遥感数据可以用“图像立方体（三维）”来形象描述，其中两维表示空间，另一维表征光谱。这样，在光谱和空间信息综合的三维空间内，可以任意地获得地物“连续”的光谱以及其诊断性特征光谱，从而能够基于地物光谱知识直接识别目标地物，并可进一步地获取定量化的地物信息。在地质应用中，矿物识别和信息处理技术可分为：①基于单个诊断性吸收的特征参数；②基于完全波形特征以及③基于光谱知识模型三大类型。

岩石矿物单个诊断性吸收特征可以用吸收波段位置（λ）、吸收深度（H）、吸收宽度（w），吸收面积（A）、吸收对称性（d）、吸收的数目（n）和排序参数作一完整地表征。根据端元矿物的单个诊断性吸收波形，从成像光谱数据中提取并增强这些参数信息，可直接用于识别岩矿类型。如IHS编码与吸收波段图（Kruse，1988）是利用连续法去除后的光谱图像，定义出波段吸收中心位置图像，波段深度图像以及波段半极值宽度图像，并分别赋予HS I 空间的明度（H）、强度（l）和饱和度（S），然后逆变换到RGB色度空间。从而根据色调差异进行矿物直接识别。在描述岩矿单个诊断性吸收特征参数中，吸收深度是一非常重要的特征指标而受到重视。如相对吸收深度图（RBD image，Relative absorption Band-depthimage）（Crowley，et al，1989）采用比值运算来增强识别端元的吸收深度，即根据要识别端元的单个诊断性吸收峰的两侧肩部反射率之和，除以其谷中心邻近两侧对应波长的反射率之和的商图像，来表征端元矿物诊断性吸收峰的相对吸收深度。不同端元矿物的RBD图像，除象元本身比值大小代表了端元矿物存在的可能性外，通过进一步地诸如PC变换分析进行特征增强与选择来识别端元矿物。由于吸收峰的非对称性，采用RBD方法难以准确描述其特征。连续插值波段算法（CIBR，continuum interpolated band algorithm）（De Jong，1998）和光谱吸收指数图像（SAI，spectral absorption index image）（王晋年等，1996）与相对吸收深度图方法类似，但引入了对称度因子，使其对吸收特征的描述更为合理。CIBR是利用诊断性光谱吸收谷中心的辐射值，除以左右肩部的辐射值与吸收特征对称度因子之积的和，产生相应的商图像，用以增强不同矿物的诊断性吸收深度，进行矿物识别。SAI方法与CIBR类似，也是对单个吸收波形肩部的特征增加了对称度因子。上述方法类似于常规比值或彩色增强处理。与常规增强处理最大不同之处在于有机地融入端元矿物的光谱特征这一先验知识，针对性、目的性更明确。由于大气辐射对遥感数据中波谱特征的影响、光谱混合形成的光谱漂移和变异对单个波形的影响，使识别结果含有较大的干扰。

成像光谱最大的优势在于利用有限细分的光谱波段，去再现象元对应物的波谱曲线。这样，利用整个光谱曲线进行矿物匹配识别，可以在一定程度上改善单个波形的不确定性影响（如光谱漂移、变异等），提高识别的精度。基于整个波形的识别技术方法是在参考光谱与象元光谱组成的二维空间中，合理地选择测度函数度量标准光谱或实测光谱与图像光谱的相似程度。例如，光谱匹配（SM，Spectral matching）（Baugh，et al，1998）利用岩矿光谱矢量的欧氏距离测度函数，即求图像象元光谱与参考光谱在光谱空间中的差异大小。距离愈小，表示图像端元光谱或待识别的端元光谱与来自实验室或野外实测的参考光谱之间拟合程度愈高。类似地，相似指数（SI，similarity index algorithm）（Fenstermaker，et al，1994）是基于欧氏距离侧度，根据已知地物类型的图像象元平均光谱与未知图像象元光谱的波段差值平方和的均值大小来识别地物。以上两种方法比基于单个吸收波形参数识别技术可靠。但往往由于光谱数据分辨率的影响，其光谱的差异不明显，同时又因欧氏距离测度固有的缺陷而难以对地物进行准确分类与识别。光谱角识别方法（SAM，spectral angle mapper）（Ben-Dor，et al，1994；Crosta，et al，1998；Drake，et al，1998：Yuhas，et al，1992）是在由岩矿光谱组成的多维光谱矢量空间，利用一个岩矿光谱矢量的角度测度函数求解岩矿参考光谱端元矢量（r）与图像象元光谱矢量（t）的相似程度。参考端元光谱既可来自实验室、野外测量，也可来自已知类别的图像象元光谱。根据两者相似程度大小，识别与提取矿化蚀变信息。该方法的难点在于如何合理地选择阈值进行信息分割。不过，从已有应用的角度看，该方法简单易行、比较可靠。交叉相关匹配（Fer-rier，et al，1999；Varder Meer，et al，1997）是使用一个相关因子（r）作为相似性指数，通过逐象元交叉相关匹配进行矿物识别。当参考光谱与检验光谱完全匹配时，其位置m=0；参考光谱向长波方向移动时，其m＜0。反之，m＞0。在RGB空间，分别赋予斜度（skewness），t检验值与相关因子以R，G，B；若在“0”匹配位置，其斜度、t检验值与相关因子（r）均接近于“1”而显示为白色，从而识别出端元矿物。对于矿物的智能识别，往往也采用完全谱形。例如，Tetracord矿物识别软件是基于UNIX平台，利用光谱数据库中的光谱与图像光谱拟合从而自动进行识别矿物；王润生等（1999）根据矿物的完全波形，利用神经网络进行矿物自动识别。以上方法在具有大量已知地物光谱时适应性强。对图像地物识别更有用。但明显不足是由于实际地物光谱变异、获取数据受观测角以及颗粒大小的影响而造成光谱变化，对于整体光谱特征差别不太大的地物，准确匹配比较困难，造成岩矿识别与分析上的混淆和误差。

基于光谱模型的识别的技术方法是建立在一定的光学、光谱学、结晶学和数学理论之上的信号处理技术方法。它不仅能够克服上述方法存在的缺陷，而且在识别地物类型的同时精确地量化地表物质的组成和其他的物理特性。例如，建立在Hapke光谱双向反射理论基础之上的线性混合光谱分解模型（SMA/SUM）（Adams，et al，1986；Mustard，et al，1987；Roberts，et al，1997；Sabol，et al，1992；Settle，et al，1993；Shipman，et al；1987：Shimabukuro，et al，1991；Smith，et al，1985），可以根据不同地物或者不同象元光谱反射率响应的差异，构造光谱线性分解模型。一个象元内并非存在单一类型地物，而更多地由不同类型地物组成。因此，在大多数情况下，象元光谱并非为纯地物光谱的线性混合，而更多地表现为非线性。对于单散射，可作为线性模型分解，多散射则认为非线性混合。由于平均单散射反照率丰度主要依赖于成分含量不同而可以认为是线性混合（Mustard，et al，1987）。这样，通过单散射反照率（SSA）转换，即可以利用算子W=（3r+6）r/（1 +2r）2，将非线性“线性化”，再进行光谱分解。Tompkins（1996）提出修正的光谱混合分析（MSMA）模型。该模型利用虚拟端元，采用一个阻尼最小二乘算法，根据一定的先验知识，有效地并最终可以选择亚像端元进行光谱分解，提高了SMA实用性。与SMA相比，MSMA最大的不同表现在：①端元以及其丰度均作为未知变量；②对数据组中所有象元同时求解。对于能量约束最小模型（CEM，constrained en-ergy minimization technique）（Farrand，et al，1997；Farrand，et al，1996；Resmini，et al，1997）是在成像光谱图像序列中，运用一个目标区域（或ROI区域，region of insteresting）与象元光谱（ri）相关的权系数wk来描述象元向量的数字值y，从而进行特征选择与分解进行地物识别与信息提取。与混合光谱分解模型一样，该分解结果在一定程度上，不仅代表了识别象元的类型信息，而且有机地表示了其丰度比值。与混合光谱分解模型不同的是，该方法更多地依赖于目标区域的统计特征，但结果更精确。总之，这些方法更多地依赖光谱学知识与数理方法，在实际应用中由于难以确定特征参数或难以准确地描述光谱模型而限制了该类技术方法的应用。不过，由于该类方法在识别地物的同时量化物质组成，因此就其发展趋势而言，随着一系列技术的成熟与光谱学、结晶学等知识的深入发展，识别精度的改善与量化能力的提高，其应用将会越来越广泛。

国内也相继开展了一些成像光谱进行矿物直接识别应用试验，但由于国产传感器的性能尚不够完善，数据信噪比较低。但在定性岩矿识别方面取得了一定的收获。如甘甫平等（2000）利用基于波形特征组合的主成分分析有效地对河北张家口后沟金矿区进行了岩性划分；刘庆生（1999）利用对应分析提取出内蒙古某矿区的含金蚀变。在直接定量矿化识别、识别模型和识别谱系等方面都落后于美国等发达国家，相比还存在一定差距。

总之，岩矿光谱学机理研究、遥感信息提取基础与遥感信息提取方法技术研究，三者之间相辅相成，具有一定的对应关系。

遥感地物光谱应用基础与遥感影像信息提取技术研究随着遥感光谱成像技术的发展而发展，两者研究方向与趋势都主要集中在光谱特征知识与地物物理化学属性的关联以及光谱物理模型两大方面。对地物物化属性与光谱特征的相关性和对光谱物理模型的深入分析与研究可从不同的角度为遥感直接识别矿物、提取地物的分布规律、属性、物化性质以及进行地物深层次信息挖掘等提供理论基础支撑，推动遥感应用技术的发展。遥感地学应用的实用化与产业化是遥感地物光谱应用基础与遥感地物影响信息提取技术研究相互促进的结果。

地物光谱学机理研究、遥感信息提取基础与遥感信息提取方法技术研究的发展将导致三者的结合，并最终综合于遥感应用模型和技术集成中，以便充分利用各自的优势，提高遥感应用能力并增强对地质应用的理解，以及模拟、评估和预测地学发展的规律。

常用的遥感图像处理软件有：ERDAS、PCI、ENVI等。各软件的特点如下：

1ERDAS：ERDAS是一款遥感图像处理系统软件。它以其先进的图像处理技术，友好、灵活的用户界面和 *** 作方式，面向广阔应用领域的产品模块，

服务于不同层次用户的模型开发工具以及高度的RS/GIS集成功能，为遥感及相关应用领域的用户提供了内容丰富而功能强大的图像处理工具，该软件功能强大，在该行业中占有一定市场份额。

2PCI：PCI 集成到一个具有同一界面、同一使用规则、同一代码库、同一开发环境的一个新产品系列，该产品系列被称之为PCIGEOMATICA。

对于20多年来一直致力于向地学界提供全方位解决方案的PCI公司来说，始终坚持领先一步的原则，地理咨讯永远在变迁，而地理咨讯软件更处于变迁的前沿。

3ENVI：ENVI是一个完整的遥感图像处理平台，应用汇集中的软件处理技术覆盖了图像数据的输入/输出、图像定标、图像增强、纠正、正射校正、镶嵌、数据融合以及各种变换、信息提取、图像分类、基于知识的决策树分类、与GIS的整合、DEM及地形信息提取、雷达数据处理、三维立体显示分析。

扩展资料

遥感图像处理功能

1、遥感图像校正

遥感图像校正是指纠正变形的图像数据或低质量的图像数据，从而更加真实地反映其情景。图像校正主要包括辐射校正与几何校正两种。

2、遥感图像增强

遥感图像增强是通过增加图像中各某些特征在外观上的反差来提高图像的目视解译性能。主要包括对比度变换、空间滤波、彩色变换、图像运算和多光谱变换等。

图像校正是以消除伴随观测而产生的误差与畸变．使遥感观测数据更接近于真实值为主要目的的处理，而图像增强则把重点放在使分析者能从视觉上便于识别图像内容之上。

3、遥感图像镶嵌

遥感图像镶嵌是将两幅或多幅数字图像(它们有可能是在不同的摄影条件下获取的)拼接在一起，构成一幅更大范围的遥感图像。

4、遥感图像融合

遥感图像融合是将多源遥感数据在统一的地理坐标系中采用一定算法生成一组新的信息或合成图像的过程。遥感图像融合将多种遥感平台、多时相遥感数据之问以及遥感数据与非遥感数据之间的信息进行组合匹配、信息补充，融合后的数据更有利于综合分析。

5、遥感图像自动判读

遥感图像自动判读是根据遥感图像数据特征的差异和变化，通过计算机处理，自动输出地物目标的识别分类结果。它是计算机模式识另Ⅱ技术在遥感领域的具体应用，可提高从遥感数据中提取信息的速度与客观性。自动判读的方法主要包括监督分类法和非监督分类法。

参考资料来源：百度百科-Erdas

参考资料来源：百度百科-PCI

参考资料来源：百度百科-ENVI

本研究以 2008 年 3 月 16 日地震前 IKONOS 遥感影像和 2008 年 9 月 1 日地震后QuickBird 遥感影像为数据源，采用基于多源多时相变化检测技术开展遥感震害信息提取。

基于多源多时相变化检测技术的遥感震害信息提取数据的预处理不同于普通的遥感影像数据的预处理，其对两时相影像质量的要求较高 ( 不管在辐射校正、几何校正还是影像配准等环节中均要求比较高的精度) ，因为这直接关系到后续震害信息提取的准确性。为满足 “快速、高效、准确”的要求，本节提出了基于变化检测技术的多源多时相遥感震害信息提取影像预处理技术流程 ( 图 4 －2) ，通过实验证明取得了良好效果。

( 一) 无控制点共线方程几何校正法

共线方程建立在图像坐标与地面坐标严格的数学变换关系基础上，是对成像空间几何形态的直接描述。该方法的校正过程需要用到数字高程模型，可以在一定程度上修正因地形起伏而引起的投影差和几何变形。当今，所有的卫星遥感数据都附带了卫星传感器的精确位置、高度、速度、太阳高度角和姿态等参数，这些信息一般保存在遥感影像的头文件或 ＲPC 文件里，所以能够十分方便地在没有地面控制点的情况下使用共线方程几何校正法进行较高精度的几何纠正和定位。

高分辨率遥感影像由于幅宽窄、空间分辨率高，受地球切平面、地球曲率等影响相对较小，影像内部几何畸变较小，所以一般在使用了共线方程几何校正法对高分辨率遥感影像进行几何校正后，都能够达到比较好的效果。由于共线方程几何校正法只需要提供卫星传感器飞行的相关参数就能对影像进行纠正，省去了选取控制点的步骤，节省了时间，满足了 “快捷、准确”的要求，所以本研究选择无控制点共线方程几何校正法对影像进行第一次 “粗”校正。

在 ENVI 软件中，分别读取 IKONOS 和 QuickBird 数据的 ＲPC 文件 ( txt 格式) ，然后在 Georeference 模块中分别对全色和多光谱波段进行无控制点共线方程的几何校正。

图 4 －2 遥感震害信息提取影像预处理技术流程图

( 二) 正射校正

遥感图像成图时，由于受到各种不确定因素的影响，例如传感器的成像方式、外方位元素的变化、地形起伏、地球曲率、大气折射等，图像本身的几何形状与其对应的地物形状往往会不一致，发生几何变形 ( 畸变) 。遥感图像的几何变形是指原始图像上各地物的几何位置、形状、尺寸、方位等特征与在参照系统中的表达要求不一致时产生的变形。为了消除这些因素带来的几何变形，为后续影像配准做好铺垫，还需要利用研究区域的DEM 对影像做数字正射校 正，分别生 成 震 前、震 后 两时相 的 数 字 正 射 影 像 图 ( Digital Orthophoto Map，简称 DOM) 。数字正射纠正的原理就是将中心投影的影像通过数字元纠正形成正射投影的过程 ( 陈文凯，2007) 。

本文的正射校正在 ENVI 软件的 Orthorectification 模块中完成。得到震前、震后两时相的 DOM 后，还应当检查其与 DEM 的匹配情况，与 DEM 同名地物点的点位中误差不能大于表 4 －1 的规定，如果超过规定，需要重新进行正射校正。

表 4 －1 DOM 与 DEM 地物点的点位中误差

( 三) 图像融合

对全色数据与多光谱数据的 DOM 进行融合，形成兼具高分辨率空间信息和多光谱彩色信息的融合影像。融合前须对多光谱数据进行色彩增强处理，拉大不同地类之间的色彩反差，突出其彩色信息; 同时对影像进行色调调整，提高全色数据的对比度和亮度，增强局部反差，突出纹理细节，降低噪声。融合后须检查影像是否出现重影、模糊等现象，检查影像纹理细节与色彩，判断融合前的处理是否正确，如果存在以上问题，需要返回重新融合。融合后影像如果亮度偏低、灰阶较窄，可采用线性拉伸、亮度对比度等方法进行色调调整，但是应注意尽量保留融合数据的光谱信息和空间信息。

研究为了使融合后的数据仍然保持多光谱特性 ( 四个波段: 红、绿、蓝、近红外) ，便于标准化植被指数 NDVI 的计算，在 EＲDAS 软件下，采用 Subtractive resolution merge 模块( 此种融合方法能够使融合后的数据保持原有的多光谱特性) ，分别对 IKONOS 和 QuickBird数据的全色波段和多光谱波段进行融合，取得了良好的效果 ( 图4 －3、图4 －4) 。

图 4 －3 IKONOS 融合影像 ( 1m)

图 4 －4 QuickBird 融合影像 ( 0 6m)

( 四) 图像配准

震前、震后 DOM 影像在经过无控制点共线方程几何校正和正射校正之后，已基本实现了叠置，大部分地物都能比较好地重叠在一起，不过也有个别目标存在偏差现象。图 4 －5 中左侧为震后 QuickBird 影像，右侧为 IKONOS 影像，中间黑色划线标注区域的池塘重叠效果存在着偏差，在这种情况下，需要进行影像之间的配准。图像配准也叫影像的精校正，是指消除图像中的几何变形，产生一幅符合某种地图投影或图形表达要求的新图像过程。

图 4 －5 震前、震后 DOM 影像叠置的效果( 黑色划线区域内存在偏差)

本节所指的图像配准是多图像的几何配准，多图像是指同一地区不同时刻的图像 ( 多时相图像) 或者不同传感器获取的多源图像，这里 IKONOS 和 QuickBird 影像就属于多源多时相遥感影像。多图像几何配准就是指将多图像的同名像点通过几何变换实现精确重叠，通常称为相对配准; 如果将相对配准后得到的多图像归入同一地图坐标系统当中，就叫做绝对配准。

本研究中震前与震后的融合 DOM 影像之间的配准工作在 EＲDAS 软件的 Image Geometric Correction 模块中进行，以震后 QuickBird 影像 DOM 为参照，选择二次多项式校正模型配准震前 IKONOS 影像 DOM，手动选取了 6 个同名控制点建立了多项式模型之后，这时 EＲDAS 软件会根据模型自动找出后面控制点在图像中对应的位置，这时只要在图像窗口中校正其位置即可，节省了时间。同名配准控制点的残差应当满足表 4 － 2 的要求。共选取 20 个地面控制点 ( GCP) ，这 20 个控制点总的均方根误差 ( ＲMSE) 为 ±1 0773，各个地面控制点坐标值和 ＲMSE 见表4 －3。最后选择最近邻域法 ( Nearest Neighbor) 对影像进行重采样。

表 4 －2 配准控制点残差

表 4 －3 各个地面控制点的坐标和 ＲMSE

续表

DOM 影像几何配准之后，需要对质量进行检查控制。首先校正震前、震后 DOM 影像的同名地物点的点位中误差不能大于表 4 －4 的规定，另外检查两个时相的 DOM 影像与土地利用现状图 ( LUDＲG) 的匹配情况，精度不能大于表 4 － 5 的规定。如果不满足要求，还需要利用土地利用现状图对两时相 DOM 影像进行第二次配准。

表 4 －4 多时相 DOM 同名地物点配准精度

表 4 －5 DOM 相对于土地利用现状图的精度

( 五) 影像辐射增强处理

由于震前、震后 DOM 影像获取的时间不同，地面接收到的太阳辐射度不同，加之高分辨率遥感影像本身像元间光谱的异质性较强，使得两个 DOM 影像在外观上肯定存在一些差异，对震害变化信息检测带来不利影响。为了消除这些不利影响，提高震害信息提取精度，需要事先对震前、震后两时相 DOM 影像做辐射增强处理，主要包括自适应性滤波处理和直方图匹配。

为了控制高分辨率遥感数据中的随机噪声 ( 随机噪声往往影响地类之间的均匀性及边界的稳定性) 和像元间光谱的强异质性，需要对影像进行空间滤波处理。本研究采用 ENVI 软件中的 Frost 自适应性滤波对震前、震后 DOM 影像进行滤波处理，在降低像元光谱异质性，使影像平滑的同时，较好地保持了地类边缘和纹理的清晰。Frost 自适应性滤波是以权重为自适应调节参数的滤波器，对每一个像元都确定一个权重，然后逐个进行滤波。

本研究所说的直方图匹配是指对图像查找表进行数学变换，使一幅多光谱遥感图像所有波段的直方图与另一幅遥感图像所有对应波段相似，其经常用于相邻图像之间的拼接或者多时相遥感图像动态变化信息检测研究的预处理工作，经过直方图匹配可以消除部分由于太阳高度角或者大气辐射造成的多源遥感影像间光谱信息的差异性 ( 党安荣等，2003) 。

本研究在 EＲDAS 软件中以震后 QuickBird 影像 DOM 为标准，对震前 IKONOS 影像DOM 的各个波段完成直方图匹配处理。从上节融合后的结果 ( 图 4 － 3、图 4 － 4) 中可以发现，QuickBird 融合影像在研究区域内存在一片厚厚的云层以及由云层引起的阴影，导致云层和阴影范围内的信息完全丢失，严重影响了数据质量。在这种情况下，使用去除薄云的处理方法无法解决问题，然而也不能使用去除厚云的替补方法，因为后续工作是震害变化信息的提取，如果用其他的影像数据进行替换 ( 例如灾前 IKONOS 数据) ，势必会影响到后面变化信息提取的精度。经过综合考虑，决定在不能修复厚云及其阴影区域的情况下，通过分类单独提出云层和阴影，然后建立掩膜图层，在 QuickBird 影像上剔除上述区域，不参与后续研究。同样在震前 IKONOS 影像上也剔除掉相同的区域。最终经过辐射增强处理以及剔除厚云和阴影部分的前、后两时相 DOM 影像效果见图 4 －6 和图 4 －7。

图 4 －6 IKONOS 最终 DOM 影像 ( 1m)

图 4 －7 QuickBird 最终 DOM 影像 ( 0 6m)

数字图像是不同亮度值像元的行、列矩阵数据，其最基本的特点就是像元的空间坐标和亮度取值都被离散化了，即只能取有限的、确定的值。所以离散和有限是数字图像最基本的数学特征。所谓遥感数据处理，就是依据数字图像的特征，构造各种数字模型和相应的算法，由计算机进行运算 ( 矩阵变换) 处理，进而获得更加有利于实际应用的输出图像及有关数据和资料。

数字图像处理在算法上基本可归为两类: 一类为点处理，即实现图像变换运算时只输入图像空间上一个像元点的值，逐点处理，直到所有点都处理完毕，如反差增强、比值增强等; 另一类为邻域处理，即为了产生一个新像元的输出，需要输入与该像元相邻的若干个像元的数值。这类算法一般用作空间特征的处理，如各种滤波处理。点处理和邻域处理有各自不同的适应面，在设计算法时，需针对不同的处理对象和处理目标加以选择。

遥感数字图像处理，数据量通常很大，往往要同时针对一组数字图像 ( 多波段、多时相等) 作多种处理，因此，需要依据遥感图像所具有的波谱特征、空间特征和时间特性，按照不同的对象和要求构造各种不同的数学模型，设计出不同的算法。目前遥感数据处理主要包括以下四方面的内容。

1 图像恢复处理

旨在改正或补偿成像过程中的辐射失真、几何畸变、各种噪声以及高频信息的损失等。属预处理范畴，一般包括辐射校正、几何校正、数字放大、数字镶嵌等。

2 图像增强处理

对经过恢复处理的数据通过某种数学变换，扩大影像间的灰度差异，以突出目标信息或改善图像的视觉效果，提高可解译性。主要包括有反差增强、彩色增强、运算增强、滤波增强、变换增强等方法。

3 图像复合处理

对同一地区各种不同来源的数字图像按统一的地理坐标做空间配准叠合，以进行不同信息源之间的对比或综合分析。通常也称多元信息复合，既包括遥感与遥感信息的复合，也包括遥感与非遥感地学信息的复合。

4 图像分类处理

对多重遥感数据，根据其像元在多维波谱空间的特征 ( 亮度值向量) ，按一定的统计决策标准，由计算机划分和识别出不同的波谱集群类型，据以实现地质体的自动识别分类，主要包括监督分类和非监督分类。

遥感数据处理的过程和各部分内容的关系如图 4-1 所示。本章将从遥感地质应用的角度简要介绍其中几种常用的处理方法。

图 4-1 遥感数据处理流程

开展遥感地质找矿工作的关键之一是精心选择和获取遥感数据。不同构造单元具有相异的地理地貌特征、不同成矿条件和各自的成矿地质背景。所以选择与研究区成矿特征相适应的遥感数据，是遥感地质找矿取得良好效果的保证。

一、TM与ETM+数据特征

陆地卫星TM和ETM+分别属于美国陆地资源卫星的第二代和第三代传感器系统，具有一定的继承性。两者之间的多光谱波段数相同，都为7个波段，ETM+增加了一个地面分辨率为15m的全色（PAN）波段，以及将TM6波段的空间分辨率提高到60m。多光谱数据空间分辨满足1∶20万的制图要求。对重点矿区（带）进行遥感地质解译，可以通过8波段与多光谱数据融合方法将影像空间分辨率提高到15m，能够达到1∶5万地图草测精度。因此该数据能够满足本次项目中对遥感地质信息提取的要求。

表5-1列出了TM、ETM+遥感数据的主要性能指标。可以看出，ETM（TM）1～4波段为可见光及近红外光，含铁矿物在此波段有明显的光谱吸收特征，对于探测干旱、半干旱环境中含褐铁矿的岩石、土壤有较好效果；ETM7对于出露地表的粘土与碳酸盐矿物敏感，将ETM7和ETM2～5组合分析，对于识别含铁粘土矿物非常有效，这类矿物通常是热液蚀变的标志；TM6可以探测地表的热辐射强度，对于识别与金矿化密切相关的石英脉本身及含石英较多的岩石是非常有用的。总之，能从TM图像中提取三种基本的光谱信息，即铁染强度、岩石土壤中的羟基和碳酸盐根矿物，是地质找矿的十分重要的资料。

表5-1 TM和ETM+的主要性能参数及光谱识别标志

二、工作使用的数据

研究区分布较广，主要涉及研究区的图像有3景，数据景号与采集日期见表5-2。

表5-2 研究区内遥感数据景号与采集日期

三、多波段遥感数据最佳波段组合优选

由于人们对彩色敏感程度比对全色大得多，遥感图像应用研究中多采用RGB彩色合成图像及彩色空间变换图像来进行构造、地层岩性和岩体等解译。然而ETM+图像有7个波段，各波段物理性质不同，且各波段之间信息又有一定重叠和冗余。一般图像的方差越大，包含的信息越多；相关系数越小，波段间信息冗余度越小。所以要求图像方差要大而相关性要小这样两个条件。基于上述依据，目前最佳波段选择的主要方法有：熵与联合熵、OIF指数法、方差-协方差矩阵特征值法等。其中OIF指数法，该方法是美国查维茨提出，理论依据是：图像数据的标准差越大，所包含的信息量也越多，波段的相关系数越小，表明各波段的图像数据独立性也就越高，信息的冗余度也就越小。由于计算方法简单，易于 *** 作，所以最常用。但这些波段选择方法只考虑到两个方面：信息量和相关性，而没有考虑到研究对象的光谱特征和卫星传感器的用途，即要使波段组合后研究地物的光谱特征差异最大。综合各方面因素，在本文中采用“最佳指数（OIF）+光谱特征分析”法。

四、遥感图像处理

遥感图像处理过程中始终以区域控矿地质理论为基础，结合工作区的自然地理地貌环境，在充分总结成矿规律的基础上，从遥感图像或数据中提取不同层次、不同内容的与成矿有关的控矿要素，圈定成矿远景区。

数据处理过程包括：

1）数据预处理：包括图像数据分析，校正，配准，子区裁剪等 *** 作。

2）数据处理：包括图像增强、信息提取等。主要有两方面工作，即图像分类、解译和成矿信息提取。

3）生成专题图层：研究区构造格架、影像构造单元划分，蚀变遥感异常信息以及成矿位场等图层，为多元信息统计分析提供数据源。

遥感图像处理流程（图5-1）。

五、遥感蚀变异常提取

（一）遥感技术应用于斑岩铜矿勘查的理论基础

1蚀变信息提取的物理学基础

近三十年来，中外学者进行了岩石和矿物波谱特性的大量研究工作，这些研究涉及晶体场理论、矿物学、固体物理学、量子力学、遥感岩石学等众多领域。在多年岩石和矿物波谱特征研究的基础上，特别是80年代发射的陆地卫星LandsatV增设了两个短波红外波段：TM5（155～175μm）和TM7（208～235μm），为找矿提供了可以提取具有找矿标志意义的热液蚀变遥感信息。美国国家宇航局（NASA）1998年发射的主力遥感卫星LandsatⅦ号进一步将全色波段的空间分辨率由LandsatV卫星的30m提高到15m。

图5-1 遥感图像处理流程

从HuntGR（1978）和他领导的实验室的研究成果以及阎积惠等（1995）依据矿物反射波谱特征吸收谱带特点的定性分类研究中可以知道：主要造岩矿物在可见光—近红外光谱（035～25μm）并不产生具有鉴定意义的反射谱带，其光谱特征主要由岩石中为数不多的次要矿物决定：

一是含铁（Fe2+、Fe3+）基团产生，含铁矿物主要有角闪石、赤铁矿、褐铁矿、针铁矿、磁铁矿、黄钾铁矾等，他们在TM1—TM4波段有强的吸收带，若岩石中含多量的Fe3+，而含Fe2+很少，这类岩石的主要吸收谱带位于TM4和TM1波段，反射波长相当于TM3波段的电磁波。若含大量的Fe2+、含Fe3+很少，则主要吸收谱带位于1波段，对于波长相当于TM2波段的电磁波有某种程度的反射。

二是含羟基（OH-）、水（H20）或碳酸根基团产生，羟基的吸收谱带主要有二处：22μm，23μm，由于OH-在22～23μm附近存在强吸收谷（称为羟基谱带），使得TM7产生低值，TM5产生高值，含羟基矿物大多为次级蚀变矿物，如高岭土、叶蜡石、云母类矿物、绿泥石、绿帘石等，水在14μm和19μm处有特征吸收带。含碳酸根矿物主要有五个特征吸收谱带（19～255μm），较强的两个在235μm和255μm波长处（称为碳酸根谱带），相对较弱的在19μm、20μm、216μm三处。常见矿物包括方解石、白云石、石膏、菱镁矿等。

2遥感应用的地质学基础

从控矿因素的分析得知，成矿规律的研究必须从分析控制和影响矿床形成的各种地质因素着手，通过对地层、岩体、断裂、蚀变等地质因素分析，确定控矿地质因素，分析其对成矿有利的程度。

围岩蚀变现象作为找矿标志已有数百年历史，发现的大型金属、非金属矿床更是不胜枚举：北美、俄罗斯的大部分斑岩铜矿、我国的铜官山铜矿、犹他州的大铝矿、西澳大利亚的大型金矿、墨西哥的大铂矿、美国许多白钨矿、世界大多数锡矿、哈萨克斯坦的刚玉矿等。有用元素的逐步富集是形成矿床的根本，而这种成矿物质通常由成矿热液进行迁移搬运和卸载沉淀。近矿围岩蚀变主要是不同类型的热液与周围岩石相互作用的产物，是成矿物质逐步富集成矿过程中留下的印迹。热液来源主要有：岩浆作用有关的热液、变质作用有关的热液以及地下水环流热液等。热液流体在运移过程中由于其温度、物理化学条件以及围岩组分差异，形成不同的蚀变矿物，按照围岩组分可以分为三类：中酸性岩的蚀变（云英岩化、绢云母化、钠长石化、钾长石化）、基性、超基性岩的蚀变（蛇纹石化、绿泥石化、青磐岩化、碳酸盐化）、石灰岩及其他碳酸盐类的蚀变（矽卡岩化、硅化、重晶石化、白云岩化）。并且不同类型的围岩蚀变指示矿床存在的意义不同，这是由于各种蚀变和矿石同样是成矿作用的产物，从而在时间空间上矿和有关的蚀变存在密切的联系，并且不同类型的蚀变及其组合专属一定的矿床（矿种或矿床类型），因而可以用蚀变来预测矿化矿产资源（Курекнн1954）。近矿围岩蚀变的研究和热液蚀变岩石的发现，可以指示找矿的空间范围，增加找到矿床的机会。而斑岩铜矿的形成过程中蚀变特征尤其明显。

（二）蚀变遥感异常信息提取方法

本次工作中主要采用的是主分量分析法、比值法增强蚀变遥感异常信息，通过阈值处理（决策树技术）分级提取。工作过程为：预处理（去干扰）→信息提取→异常优化。

1预处理

（1）高端切割去云及盐碱地的影响

根据图像采样统计结果，云的光谱特征在TM（ETM）1、2、3的灰度值相对较高，TM（ETM）5、7的灰度值相对较低；盐碱地一般表现为在TM（ETM）3的灰度值相对较高，其次为TM（ETM）5、7、2、1。本次工作采用ETM1高端切割来去除云的干扰，采用ETM3的高端切割来去除盐碱地的影响，效果较好。

（2）比值法消除植被影响

植被是蚀变异常提取过程中常见的干扰因素。工作区虽然植被覆盖较少，但为了能尽可能完全地提取致矿异常，还是做了此项处理。根据植物的光谱曲线特征绿色植被在TM（ETM）4（076～090μm）的反射率最高，可以认为，只有当有其他因素影响时，TM（ETM）5才可能大于TM（ETM）4，因此，可以选取ETM5/4≤1来消除植被干扰。

2信息提取

一般常见的图像处理方法有：主分量分析、光谱角法、比值法等。下面简要介绍这几种方法的基本原理：

（1）主分量分析（PCA：PrinCipal Component Analysis）又称主成分分析，在计算机处理中称K—L变换。TM数据在图像处理系统中经K-L变换将TM图像转变为一组互不相关的表征函数序列，目的在于压缩TM的波谱维数、突出地物类别、提取与矿化有关的蚀变信息。K-L变换在数学含义上，它是一种基于图像统计特征的多维正交线性变换。经过这种变换后生成一组新的组分图像（数目等于或小于原波段数），是输入的若干图像的线性组合，即：

新疆北部主要斑岩铜矿带

其中，X是原多波段图像的数据矩阵，矩阵元素为P个波段的像元值向量；Y是输出的主组分矩阵，即q个组分的像元值向量，一般q≤p；T为变换核矩，通常为由变换波段之间的协方差矩阵所产生的特征向量矩阵。

新疆北部主要斑岩铜矿带

y1=t11x1+t12x2+…+t1pxp 第一组分

…

yq=tq1x1+tq2x2+…+tqpxp 第q组分

y1，y2…yq按协方差矩阵的特征值大小依次排序。

K—L变换后，第一组分（y1）取得最大信息量（可达90%左右），其余依次减少，一、二、三组分基本是已集中了绝大部分信息，后面组分包含的信息量往往已非常小。

（2）光谱角法

把每一个多维空间点以其空间特征向量来表征，并以空间向量角的相似性作为判据。它是一种监督分类，要求每一类别有一个已知参考谱。此参考谱可以是地面实测入库光谱，也可以是已知条件的图面单元的统计入库结果（又称图像采样）。为了直观，设三维空间点P在彩色坐标系中的特征向量为OP，以此向量为轴作小角锥（图5-2），凡位于此小角锥内的空间点都视为相似的。

图5-2 光谱角法原理

根据线性代数理论，向量α、β间夹角θ为

新疆北部主要斑岩铜矿带

式中，（d，β）为n维向量d，β的内积，|α|、|β|分别为向量d，β的长度，当存在已知矿点或矿床时，可以利用光谱角法圈定与其有相似谱特征的成矿远景区，以减少主分量分析所获异常中的非矿异常；当存在两种以上已知矿点时，可以用光谱角法对主分量分析异常进行类别区分。这两点是光谱角法在异常信息提取中对主分量分析法可以起的辅助作用。

（3）比值法

大量的研究成果表明，蚀变矿物在不同TM波段之间存在光谱反差，其中含羟基的粘土矿物和碳酸盐矿物，在TM7波段具有强吸收，在TM5波段为强反射，而褐铁矿在TM3表现为高反射，在TM1、TM2和TM4则具不同程度的吸收特征，故TM5/TM7、TM3/TM1、TM5/TM4和TM4/TM3通常可用于增强提取上述特定的热液蚀变信息。

一、遥感数据及其特征

滇东北地区铅锌矿遥感地质调查工作共分为三个层次，其中1∶5万层次及1∶25万层次使用美国陆地卫星(Landsat-7)ETM+数据作为基础数据，1∶1万层次使用美国快鸟(QuickBird)卫星数据作为基础数据。

(一)ETM+数据

ETM+数据是美国1999年4月所发射的陆地7号卫星携带的增强型主题成像仪(ETM+)对地球表面所采集的数据，其基本参数、设计波段的特征及设计用途见表3-1。

表3-1Landsat-7卫星参数及数据特征

长期对Landsat系列卫星数据在地质方面的应用研究表明，Landsat卫星数据各个波段都能提供地质构造、地形地貌信息。其中，5、6、7波段信息量更为丰富，1、2、3、4波段能够区分岩石中的铁、锰矿物和含铁、锰矿物的相对含量，尤其是4波段对于三价铁的矿物比较敏感，可以借此区分岩性，5波段对绿帘石族特征谱带敏感，7波段识别碳酸盐岩、绿片岩、绢云片岩和粘土岩及粘土矿物聚集带的效果较好，6波段对于识别地热异常、岩石和构造的含水性及鉴别地质构造有一定的用途。另外，Landsat-7还增加了一个15m分辨率的全色波段，从视觉效果上直接提高了对地物的识别，见表3-2。

表3-2 Landsat-7ETM+数据特征及在地质上的用途简表

图3-1 滇东北地区ETM数据分布示意图

本次工作范围占有ETM数据129-041及129-042两景，时相均为2001年12月23日。工作范围在两景数据中的位置如图3-1。数据元数据情况见表3-3。

表3-3 129-041，129-042卫星数据元数据特征

续表

(二)快鸟(Quick Bird)卫星数据

快鸟(Quick Bird)是美国Digital Globel(Earth Watch)公司2001年10月发射的高分辨率卫星，其空间最高分辨率为61cm，可制作比例尺在1∶1万左右的影像。卫星参数及数据特征见表3-4。

表3-4 Quick Bird卫星参数及数据特征

快鸟卫星数据的波段设置，与ETM数据具有一定的对应性，1、2、3、4波段波长范围完全一致，只是在全色波段快鸟数据比ETM数据的波长范围略窄一些。

大比例尺遥感地质调查工作主要布设于彝良毛坪地区，购置快鸟数据80km2，范围为X:3038000—3046000，Y:35392000—35402000。属于现拍数据，数据采集时间为2004年5月8日，其元数据特征见表3-5。

表3-5 毛坪地区快鸟卫星数据元数据特征

二、遥感数据处理

(一)数据处理软件

遥感图像处理主要使用加拿大专业遥感图像处理软件PCIGeomatica80及美国著名专业遥感图像处理软件ENVI35。

(二)数据处理流程

遥感数据处理的主要流程包括数据组织(即数据种类选择、范围确认、时相选择、订购等)、数据镶嵌(单景数据不存在此过程)、几何校正、图像生成、图像增强、图像整饰等过程，见图3-2。

图3-2 数据处理流程图

(三)数据处理

1数据镶嵌

所谓镶嵌，就是将相邻两景图像拼接、形成大图像的过程。在图像镶嵌过程中如果使用不同时相的数据，由于数据成像的季节、太阳高度角不同，导致同名像元点在不同的数据上可能表现为不同的灰阶;当使用相同时相数据时，由于地面站后期人为分景、单独处理，也会导致同名像元点在不同的数据上有可能表现为不同的灰阶，同一地物在不同数据上表现出不同特征。因此说，图像的镶嵌过程是一个数据重叠范围内的配准过程。

滇东北地区1∶5万工作区涉及129-041及129-042两景数据，数据镶嵌是在PCIGeomatica遥感图像处理平台的GCPworks模块中完成的。镶嵌过程中侧重于重叠数据范围内同名点的选择及镶嵌线的选择。一般每两景图像上下镶嵌选择10～15个GCP。在镶嵌线的选择上，避免一条直线，根据镶嵌区的地貌特征尽量使镶嵌线通过色差较大的地方，避免人为造成线性体。然后利用PCI提供的ColourMatching功能对镶嵌区内的图像色彩进行匹配，使镶嵌后图像的色彩在镶嵌线两侧柔和过渡，达到无缝的效果。

2几何校正

(1)几何校正方法

由于卫星姿态与轨道、地球运动和形状、遥感器本身的性能和扫描镜的不规则、探测器的配置、检测器采样延迟、数模转换的误差等等原因，均会导致原始遥感图像的严重几何变形，不能直接使用。一般而言，卫星地面站会根据卫星轨道的各种参数将图像进行粗略的校正，但往往由于遥感器的位置及姿态的测量值不高，其粗校正后的图像仍存在不小的几何变形。用户需要利用地面控制点和多项式纠正模型做进一步的几何纠正。只有按照一定的投影模式对原始图像进行几何精校正后的图像，才能使图像上每个像元具有相应的准确的地理坐标，只有进行几何精校正后的图像才能制作成能与其他图件配合使用的“地图(map)”。几何纠正的步骤有以下3步:

1)地面控制点(GCP)的选择。地面控制点的选择一般有两种方法，实地测量和在相同比例尺或更大比例尺地形图上采点。地面控制点选择的原则是，选择在图像上显示清晰、实地不(或很少)随时间变化的定位识别标志，如道路交叉点、河流交汇处等。另外，控制点要在校正范围内均匀分布，并保证一定的数量。

2)多项式模型纠正。多项式模型纠正就是在图像像元坐标(x，y)与地形图上相应点的地理坐标(X，Y)之间通过适当的坐标多项式模型(坐标变换函数)建立一种关系，从而通过像元的重新定位把图像拟合到地形图上。多项式校正模型的数学表达式为:

滇东北铅锌银矿床遥感地质与成矿预测

式中:aij，bij为多项式系数;N为多项式次数，取决于图像的变形程度、控制点的数量和地形位移的大小。

3)重采样。由于经过了多项式校正，重新定位后的像元在原图像中分布是不均匀的，因此需要对原图像按一定的规则重新采样，进行亮度值的插值计算，建立新的图像矩阵。常用的重采样方法有最临近法、双线性内插法、三次卷积内插法。3种方法在地物边缘增强、地物连贯性、计算速度等方面各有利弊。其中三次卷积内插法对边缘有所增强，并具有均衡化和清晰化的效果，但计算量大。

(2)1∶5万工作范围图像几何校正

1∶5万工作范围图像校正使用相应范围的1∶5万地形图60幅。校正点的选择是在60幅地形图上均匀选择GCP203点，校正模型选择了二次多项式拟合，重采样方法使用三次卷积内插法。校正后的图像投影方式为高斯投影、6°分带，中央经线为105°，椭球体采用克拉索夫斯基1954椭球体，与地形图保持一致。

(3)1∶1万工作范围图像几何校正

由于缺少相同比例尺地形图，收集到的地形资料只有区内1∶5万地形图和极少部分1∶2000地形图，因此校正点的采集采用地形图采点与野外实地测点相结合的方法完成。共采集GCP33个。校正模型选择了二次多项式拟合，重采样方法使用三次卷积内插法。校正后的图像投影方式为高斯投影、3°分带，中央经线为105°，椭球体采用克拉索夫斯基1954椭球体。

3彩色合成

彩色合成的目的是将单色波段每像元的28(即256)色空间扩展到224(即16777216)色空间，增强目标地物的可视性，提高目视解译效果。通过色彩丰富、信息携带量大的基础彩色图像，解译人员才能充分识别图像的信息，进行地质解译。

为达到最佳的彩色合成效果，参加合成的波段选择常遵循以下原则:

1)参加合成的单波段有较大的方差，即波段本身具有较大的信息量。

2)参加合成的各波段间相关系数较小，避免信息的重复和冗余。

3)参加合成的三波段图像的均值要相近，避免合成图像产生严重偏色。

4)为突出目标地物，要选择目标物体显示较为突出的波段。

彩色合成图像为3个波段，赋予红、绿、蓝三原色的合成图像。

1∶5万工作范围基础图像制作选择了波段7、4、2合成方案，1∶25万工作范围基础图像选择了波段4、5、3合成方案，1∶1万工作区基础图像选择了波段3、2、1合成方案。选择依据将在“数据特征”一节中进行分析。

4图像增强

图像增强的目的是为了突出相关的主题信息，提高图像的视觉效果，使解译分析者能更容易地识别图像内容，从而从图像中提取更有用的信息。图像增强的方法很多，从其作用的空间来看可以分为光谱增强和空间增强。这两种增强类型在整个图像处理和信息提取过程中都很常用。对于基础图像的增强一般采用光谱增强，从像元的对比度及波段间的亮度等方面改善图像的视觉效果，基本不改变目标地物的形状、大小等特征。

项目工作中的3种基础图像在生成后均采用光谱增强。根据图像各波段的直方图分布，分析整幅图像中像元间对比度的差异大小，确定光谱增强的具体手段。其中1∶5万范围的波段7、4、2合成图像面积大，地物种类多，信息丰富，增强过程中要求各种信息的充分显示，因此使用直方图均衡化的方法，理论上使图像中的各种亮度值均衡分布。1∶25万范围的波段4、5、3合成图像，图像范围相对较小，又由于地形切割较深，造成图像上山体阴影所占面积较大，而西南角地区比较平坦，反射率较高，像元亮度大，因此选择线性拉伸的方法进行增强。1∶1万范围的快鸟卫星波段3、2、1数据合成影像中，红尖山—姜家湾—花苗寨一带植被覆盖较多，造成影像上大面积绿色，使用线性拉伸的方法可以保证原始图像的对比度不再有大改变。

图3-3 毛坪地区图像不同拉伸方法效果对比图

拉伸方法应用效果以毛坪地区1∶1万影像为例，见图3-3。由图中可以看出，不拉伸的图像显然色彩层次太少，使用均方根拉伸的图像总体上提高了图形的亮度，压抑了像元间对比度的扩展，同时亮度高的地区彩色层次减少;直方图均衡化的图像提高了像元间的对比度，在原图像的暗色地区使色彩层次增加，但高亮色地区由于像元频率的增高而使色彩层次减少;线性拉伸不同程度地克服了以上几种拉伸的弊端，使图像色彩趋于丰富，层次趋于明显，便于解译者的解译。

在解译过程中为突出某种特征地物也可采用其他的增强手段，这里不再赘述。

5图像融合

为了提高图像清晰度，同时充分发挥多波段数据的特点，需要将高分辨率的全色波段与参加彩色合成的多光谱波段进行融合处理。融合后的图像可以发挥多光谱图像与高分辨率图像各自的优势，弥补不足，改善遥感图像目标识别的准确率，提高遥感图像的综合分析精度。

融合方法大致可以分为彩色相关技术和数学方法两大类。彩色相关技术包括彩色合成、彩色空间变换等，有利于保持分辨率和色彩特征，如IHS变换法。常用的融合方法有IHS变换法、PCA变换法、HPF变换法与小波变换法等。

鉴于工作目的，为了提高地面分辨率和保持低分辨率图像的光谱信息，工作中选择了IHS变换方法，即将标准的RGB图像分离为空间信息的明度、波谱信息的色别及饱和度，而后用高分辨率图像代替明度再进行反变换的融合方法。融合后的图像既具有较高的分辨率，又具有与原图像相同的色度与饱和度。其具体过程如图3-4。

项目工作中所采用的ETM数据7个30m多光谱波段与15mPAN波段源于同一传感器，快鸟数据的4个24m多光谱波段与其06mPAN波段也源于同一传感器，因此数据融合过程中不存在数据配准问题，只对低分辨率波段进行重采样，并对参加融合的各波段进行直方图匹配，再进行IHS变换和RGB变换。其中低分辨率波段的重采样使用的方法为三次卷积内插法。融合前后图像特征如图3-5所示。

图3-4 IHS变换融合流程图

图3-5 融合前、后图像特征对比示意图

(四)图像处理精度评价

镶嵌校正过程中的精度评价常常使用RMS误差(均方根)来衡量，RMS是GCP的输入位置和逆转换之间的距离;它是在用转换矩阵对一个GCP做转换时所期望输出的坐标与实际输出的坐标之间的偏差。

滇东北铅锌银矿床遥感地质与成矿预测

式中:Ri为GCPi的RMS误差，XRi为GCPi的X残差，YRi为GCPi的Y残差。

整幅图像的总RMS误差:

滇东北铅锌银矿床遥感地质与成矿预测

式中:T为总RMS误差。

11∶5万镶嵌精度

数据镶嵌的误差大小对几何校正有很大影响，大的误差将人为增大图像的畸变。工作中1∶5万工作范围需要129-041与129-042两景数据上下镶嵌，按照《1/25万遥感地质调查技术规定》(DD2001—01)对镶嵌配准精度的规定同比计算，预设镶嵌误差T≤040。镶嵌过程中共采集镶嵌GCP13个，纠正模型1次，误差见表3-6。

表3-6 1∶5万图像镶嵌误差

由表3-6中可以看出，T=0311，小于预设值040，能够满足无缝镶嵌的要求。

2校正精度

(1)1∶5万图像校正精度

校正精度按照《1/25万遥感地质调查技术规定》(DD2001—01)对图像校正精度及校正点数目的同比计算，预设校正误差T≤080。校正过程中在60幅1∶5万地形图上基本均匀地选择203点，经误差调整选择有效校正GCP190个，校正多项式模型选择二次多项式，其误差见表3-7，由表中可以看出，T=0794，小于预设值080，能够达到规范要求。

表3-7 1∶5万图像校正误差

(2)1∶1万图像校正精度

由于工作区只收集到1∶5万地形图和占很小部分的1∶2000地形地质图，且1∶5万地形图年代比较久远，因此在几何校正过程中误差较大。由于图像细节清晰，不影响使用与定位。

3融合精度

低分辨率数据与高分辨率数据融合的目的是为了提高分辨率，为此，图像融合前后清晰程度的改变成为融合精度评价的主要指标。图像的清晰度是指地物的边界或影线两侧附近灰度有明显差异，即灰度变化率大小，它反映图像微小细节反差变化的速率，即图像多维方向上密度变化的速率，可用g来表示，一般来说融合前后g的变化越大则融合后图像的清晰度越高。

滇东北铅锌银矿床遥感地质与成矿预测

ETM30m多光谱波段与15m全色波段融合前后的值及快鸟数据24m多光谱数据与06m全色波段融合前后的g值对比见表3-8。由表中可以看出，融合后密度变化速率比原来提高几十到上百倍，表明图像融合后精度有很大提高。

表3-8 融合精度对照

三、工作区遥感数据

(一)1∶5万工作范围ETM数据特征

1∶5万工作范围图像行列数为9233(列)×12423(行)(插值为15m)，总像元数为114701559点，由于左上角数据缺少使1140点为无效像素。

数据基本统计特征如表3-9至表3-11，各波段直方图见图3-6。

表3-9 1∶5万范围ETM数据基本统计特征

表3-10 1∶5万范围ETM数据波段间协方差矩阵

表3-11 1∶5万范围ETM数据波段间相关系数矩阵

从以上统计参数来看，8个波段的均值除60m分辨率的波段6和15m分辨率的PAN波段外，其他6个波段相差不大。8个波段的标准差从大到小排列为S5＞S7＞S4＞S3＞S6＞S8＞S2＞S1，表明波段5的像元亮度值离散程度最大，波段1最小。对于波段间的相关系数而言(由于6波段与8波段分辨率的不同而不考虑)，R12、R23、R25、R35、R45、R57、R37、R27均比较大，数值在080以上，而R13、R24、R34、R47相对较小，数值在07～08之间，相关系数最小的为R14、R15、R17，数值在05～06之间，相关系数大小也表征了波段间信息冗余的多少。1∶5万工作范围的彩色合成方案就是根据以上的统计数据结合彩色合成波段选择的其他原则而确定的。

直方图是图像范围内每个亮度值(DN)的像元数量的统计分布，能够直观反映原始图像的质量信息，如亮度值分布范围、亮度值分布规律，也可直接大致判读出图像的中值等参数。从8个波段的直方图可以看出波段4、5、7的直方图呈双峰表现，主峰在50～60出现，而在10～15之间又出现一个表现很窄的次峰，这是由于图像上的阴影及水体的像元亮度值所产生的，由此大致可以计算出阴影及水体在图像中所占的面积，以波段5为例计算出所占比例为6%左右。其他各波段的直方图比较接近正态分布。

协方差矩阵反映各个波段各自亮度值取值的分散程度，同时又能反映不同波段间的相关密切程度，它是单波段图像统计表与相关系数矩阵的合成，同时又能反向分裂。

图3-6 1∶5万范围ETM各波段图像直方图

(二)1∶25万工作范围ETM数据特征

1∶25万工作范围行列数为3000(列)×1860(行)，总像元数为5580000点，插值后分辨率为15m。数据基本统计特征如表3-12至表3-14，各波段直方图如图3-7。

表3-12 1∶25万范围ETM数据基本统计特征

表3-13 1∶25万范围ETM数据波段间协方差矩阵

表3-14 1∶25万范围ETM数据波段间相关系数矩阵

图3-7 1∶25万范围ETM各波段图像直方图

从以上统计参数来看，8个波段的均值除60m分辨率的波段6为110表现较大，15m分辨率的PAN波段为29表现较小外，其他1、4、5三个波段数值相差不多，在50左右，2、3、7三个波段也相差不大，在37左右。8个波段的标准差从大到小排列为S5＞S4＞S7＞S3＞S8＞S6＞S2＞S1，表明波段5的像元亮度值离散程度最大，波段1最小。对于波段间的相关系数而言(由于6波段与8波段分辨率的不同而不考虑)，R57、R23、R73表现最大，数值在09以上，R12、R13、R25、R27、R35、R45次之，数值在08～09之间，而R24、R34、R47相对较小，数值在07～08之间，相关系数最小的为R14、R15、R17，数值在05～06之间，相关系数大小也表征了波段间信息冗余的多少。1∶25万工作范围的彩色合成方案就是根据以上的统计数据结合彩色合成波段选择的其他原则而决定的。

8个波段的直方图形态大致与1∶5万范围一致，表现意义相同，不再赘述。

(三)1∶1万工作范围QB数据特征

1∶1万工作范围采用高分辨率的QB数据，其多光谱波段只有4个，分辨率为24m，工作范围图像行列数为4168(列)×3407(行)，总像元数为14200376点。多光谱数据基本统计特征如表3-15、表3-16，各波段直方图如图3-8。

表3-15 1∶1万范围QB数据基本统计特征

表3-16 1∶1万范围QB数据波段间相关系数矩阵

从以上统计可以看出，QB数据4个波段中1、2、3波段的相关系数均较大(R12=R23=096，R13=089)，只有近红外波段与其他波段的相关系数很小(R14=029，R24=037，R34=020)，同时可以看出近红外波段的中值与标准差也与其他波段相差很大，这是由于工作区内大面积植被所引起的。众所周知，绿色植物的叶绿素对可见光红波段(06～07μm)有强吸收，而叶内组织对近红外波段(07～11μm)有高反射，因此大面积植被将会直接改变相关波段的像元亮度值的分布。在基础图像彩色合成波段选择中，依据各项原则结合统计参数，选择波段1、2、3参与合成，为使合成后图像接近真彩色，合成方案为3(R)+2(G)+1(B)。

图3-8 1∶1万范围QB各波段图像直方图

四、遥感信息增强与提取

为了突出地质目标，增强微弱岩石蚀变信息，在图像处理过程中的不同阶段使用了多种信息增强技术方法，主要有地表三维技术、比值运算、KL变换、空间滤波、彩色变换技术等(表3-17)。

表3-17 工作中采用的主要信息增强方法技术及用途

(一)地表三维技术

地表三维技术是利用DEM(数字高程模型)将地图上的二维平面空间按高程的差异制作成一种地形上连续起伏变化的曲面，从而更真实地反映地表地貌的自然景观，突出显示特殊岩性的特殊地貌特征。

毛坪地区地表三维影像的制作利用了1∶5万DEM与QB3、2、1彩色合成图像;1∶5万DEM来源于1∶5万地形图，通过等高线数字化—高程赋值—DEM生成等过程实现。地表三维影像的制作主要有DEM与影像的配准及配准后的DEM与影像的复合两个过程。

图3-9是毛坪地区地表三维景观局部，其中视点为(103°54'27″，27°27'26″)，视向45°，视角60°，视域60°。

图3-9 毛坪地区快鸟遥感影像地表三维景观(局部)

从毛坪地区地表三维影像可以看出左侧发育柱状节理的玄武岩及右侧二叠系灰岩地貌景观。

(二)图像比值运算

比值运算是将两个波段中不同亮度的地物成辐射状投射到一个曲线上，从而可非线性地夸大不同地物间的反差，它能够压抑影像上由于地形坡度和方向而引起的辐射量变化，减小环境条件的影响，提供任何单波段都不具有的独特信息。其运算公式为:

滇东北铅锌银矿床遥感地质与成矿预测

式中:DNm(x，y)，DNn(x，y)分别是像元(x，y)在m和n波段上的亮度值;Rmn(x，y)为输出的比值。工作中比值运算主要运用于以下两方面。

1计算植被覆盖度

植被覆盖度(f)是指某一时间某一地区内植被冠层的垂直投影面积与区域总面积之比。遥感地质解译主要是利用地表物体的光谱反射特性的差异，提取与地质工作有关的信息，工作的特点主要针对地表岩石、构造等，当地表植被覆盖时，对这些信息的解译将造成阻碍。因此，了解工作区的植被覆盖度能客观评价该区遥感地质解译的可解译程度。

研究表明绿色植物在可见光红波段(06～07μm)有强的吸收(叶绿素引起)，在近红外波段(07～11μm)有高的反射和透射(叶内组织引起)。因此，在这两个波段使用比值运算可以充分表达它们反射率之间的差异，制作植被为高亮显示的植被信息图，并直接在图像上以像元数目比值求解植被覆盖度。

2提取矿化蚀变信息

ETM的不同波段在地质上有不同的应用，这主要取决于各种与矿有关的蚀变矿物在不同波段存在波谱特征上的差异。图3-26是典型蚀变矿物的反射波谱曲线，从图中可看出，通常所讲的泥化蚀变矿物(即含有OH-、CO2-3)在22μm附近有明显吸收带，并与TM7波长范围相吻合。而在波段5的波长范围(155～175μm)内少有矿物的吸收谱带，多数都表现出高反射的特点，未蚀变矿物在波段5范围均没有明显的波谱特征，表现在TM5与TM7两个波段的相对亮度值的相对差异。因此，常常可使用波段5/7比值来突出含羟基和CO2-3类的蚀变矿物特征。另外，由图中可以看出三价铁矿物在波段1具有强的吸收，而在波段3具有相对强的反射;二价铁矿物在波段4具有强的吸收，而在波段5相对具有反射特征，因此也常用波段5/4、3/1比值来突出铁类矿物蚀变特征。比值后的图像上欲突出的蚀变特征常以高亮值显示而被提取出来。

(三)KL变换

KL变换又称为主成分分析，是在统计特征基础上的多维(如多波段)正交线性变换。多波段图像通过这种变换后产生一组新的组分图像，把原来多个波段中的信息进行集中和重组，并使新组分图像之间互不相关。其运算公式为:

滇东北铅锌银矿床遥感地质与成矿预测

其中，X为原图像p个波段的像元值向量，Y为变换后的q个组分的像元值向量，q≤

，T为变换矩阵。

KL变换要求Y的分量Yj与Yk相互独立，且若有j＜k，则Yj的方差小于Yk的方差，所以必须有:

滇东北铅锌银矿床遥感地质与成矿预测

又因为:

所以:

即把矩阵D(X)变为对角矩阵Λ，对角线元素λ1、λ2…λp是D(X)的特征值，也分别是Y1、Y2…Yp的方差。

KL变换后的新组分图像中，一般第一组分具有大量的信息，但它包含了地形、植被等因素，对地质体的区分而言就成为干扰因素;其他组分虽然具有小的方差，包含的信息量少，但它可能正好突出了区分某些地质体的信息。因此，当需要对诸多信息进行综合时，往往使用KL变换后的第一组分，当要求某种特征信息时就选择相关的其他主组分。如图3-10，在B7单波段上玄武岩和火山碎屑岩界线显示隐约(或不显示)，而在KL变换(参与波段B1、B2、B3、B4、B5、B6、B7)后的PC3上，界线显示明显。

图3-10 KL变换前后岩性边界对比影像

此外，KL变换也是提取与铁化和泥化有关蚀变的遥感信息的重要方法。通过对KL变换后的特征矩阵进行分析，选择富集特征信息的主组分，对蚀变信息的提取又很大的帮助。在后面信息提取过程中已经使用。

(四)空间信息增强

空间信息增强是指通过改变图像空间特征或频率来增强图像上信息的手段，即改变图像的“粗糙”或“平滑”程度来增强特征信息的方法。工作中使用了方向滤波和平均值滤波。

1方向滤波

方向滤波是梯度法边缘增强的一种，它通过指定的8个方向的滤波模块对图像按方向进行边缘增强。工作中主要使用在线性体的解译和统计中，滤波后的图像突出显示了某个方向的线性体特征，同时对与该方向正交的线性体进行模糊。如图3-11所示，7波段的图像在分别使用 个方向模板滤波后，分别突出显示了45°方向和135°方向的线性体。

图3-11 方向滤波前后图像对比

2平滑滤波

当需要去除图像上的噪声时，往往使用平滑滤波或低通滤波，加强图像中的低频成分，减弱图像的高频成分，使图像由“粗糙”变得“光滑”。均值滤波就是一种典型的平滑滤波方法，即用局部范围内临域像元亮度均值代替中心原像元亮度值。工作中平滑滤波主要使用在遥感蚀变信息提取后，信息噪声的去除。如图3-12所示，提取的锈水河铅锌矿异常在平滑滤波后，杂乱细小的信息斑点被去除，信息成“块”成“带”出现，方便了对异常分布的分析。

图3-12 平滑滤波前后PCT分级效果对比

(五)彩色变换技术

彩色变换技术是指将彩色图像在不同的彩色坐标系统之间的变换，主要应用在不同遥感器的数据或不同性质的数据融合后彩色合成图像的产生。在图像融合上常使用IHS变换，其简式如下:

滇东北铅锌银矿床遥感地质与成矿预测

变换后RGB混色系统分离为代表空间信息的明度(I)和代表波谱信息的色别(H)、饱和度(S)。从公式可以看出，明度(I)是3个波段的平均亮度，融合时使用直方图匹配后的高分辨率波段代替I，与原来的H、S一起进行IHS变换的反变换，重新变换到RGB空间，这样图像既保证了高分辨率数据的参与，提高地面分辨能力，又保持了原来多光谱波段的光谱特征。其融合效果参见图3-5。

另外，项目工作中较常用的是RGB彩色合成，当图像的饱和度缺乏时，也通过IHS变换的方法，专门对变换后的饱和度分量(S)进行调整，反变换后的图像可解译性会明显提高。

以上就是关于遥感图像辐射定标数据要怎么获取全部的内容，包括:遥感图像辐射定标数据要怎么获取、遥感影像信息的提取技术方法研究进展、遥感图像处理软件有哪些等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！