遥感图像处理算法研究

杨明江

摘要：遥感图像是各种传感器获取信息的产物，提供了探测对象丰富的光谱信息和空间信息，已被广泛地应用于民用和军事领域。因此针对现有遥感图像处理方法的一些不足，研究适用于遥感图像特性并且更有效的处理方法，具有重要的理论意义和实际应用价值。

关键词：遥感图像处理；边缘检测；小波变换

1 引言

遥感技术的出现为人类认识自己所生存的区域、海域以及整个地球表面的地貌、地况提供了新的途径。随着遥感技术的发展逐渐成熟，其应用也逐步扩大，从传统的军事侦察和测绘发展到农业、土地利用、气象、环境监测、灾害分析以及全球气候变化等各方面。遥感技术通过处理地面目标反射、辐射以及散射的电磁波信号，实现目标的检测、识别及定性描述。

2 遥感图像处理的主要技术

2.1遥感图像匹配

图像匹配是指将两幅或多幅图像进行比较，找到它们的共有景物，或者根据已知目标图像到未知目标图像中寻找相应的特定目标。因为遥感图像的信息量一般比较大，往往受到几何失真、地表变化和地面杂波等因素的影响，因此遥感图像的匹配更为困难。

2.2红外和可见光遥感图像融合

由不同种类的遥感传感器得到的遥感图像在光谱、空间分辨率等方面有各自的优缺点，因此将不同类别遥感图像的优势互补，从而可提高图像的可信度和清晰度，为后期的特征提取、分类等提供了更精确可靠的图像信息，所以在安全监控、军事、卫星遥感、医学等领域有着广泛的应用。红外传感器和可见光传感器是较常见的两种类型的传感器，前者根据目标热辐射进行成像，因此对场景的亮度变化不敏感；而后者具有较高的清晰度，能够反映不同目标的轮廓边缘等细节信息。将红外图像和可见光图像融合，可以充分保留图像的细节边缘和较亮的目标，易于后续对目标的进一步处理与检测。

2.3 SAR图像边缘检测

图像边缘反映了图像的最基本特征，被广泛地应用于图像处理的各个领域中。在 SAR 图像中，部分主要的线性目标通常表现为不同类的边界，常常包含很多边缘特征，如桥梁、道路、河流、建筑物等。因而边缘检测是 SAR 图像目标识别中的一个关键步骤，在 SAR 图像军事和地质应用中有着重要意义。因为有相干斑噪声的干扰，如何完整地获取 SAR 图像的边缘成为了SAR 图像处理中的难题。于是许多学者不断地探求针对 SAR 图像的性能优越的边缘检测方法。

2.4 遥感图像分类

遥感图像分类是根据地表的纹理、颜色、地形等特征，将遥感图像划分为若干个不同的种类，是目前遥感技术应用的主要方向之一。它能够迅速地识别遥感图像上的地物种类特征，为地面资源环境的动态监控提供信息，主要应用于土地规划、灾情监控、沙漠化等方面。然而遥感图像数据往往比较复杂，包含类别较多，导致多类别数据的精确分类和识别比较困难。传统的分类方法不善于提取空间信息，往往会有漏分和错分现象，并且分类后有较多零散区域，目前已出现了很多改进的分类方法。

2.5 遥感图像变化检测

随着人口迅速的增长，土地资源变得越来越重要，为了有效地保护和合理地开发土地资源，需要实时准确地掌握土地利用状况。遥感技术能够使用不同的遥感器或不同的波段，快速获取大范围的地球资源信息，且不受地面条件限制，具有传统航测所无法比拟的优点，成为了土地利用、变化检测的重要技术手段。遥感图像变化检测就是对同一地区的多时相遥感图像进行分析，并给出地表变化的信息，在地物地层分析、灾情估计、道路交通分析、森林采伐等领域得到广泛应用。

3 遥感图像处理的基本算法研究

3.1 图像匹配算法

SURF 算法是对 SIFT 算法的改进，它在大大提高了匹配速度的同时，却降低了匹配的精度，基于 Contourlet 和 SURF 的遥感图像匹配方法首先充分利用 Contourlet 变换对图像进行多尺度多方向分解，得到包含大量信息的低频图像；然后把低频图像作为 SURF算法的输入图像进行预匹配，可以去除高频噪声的影响；再利用 RANSAC 方法去除预匹配中还存在的误匹配。该方法与 SIFT 和 SURF 算法具有更高的运算速率和匹配精度，还具有更高的抗噪声、抗旋转和抗亮度变化性能，是一种快速有效的遥感图像匹配方法。

3.2 图像融合算法

为了尽可能地保留红外遥感图像中的探测目标信息和可见光遥感图像的轮廓细节信息，结合 NSST 和动态 WNMF 的红外和可见光遥感图像融合算法首先对两幅源图像进行非下采样 Shearlet 变换；然后对低通子带采用动态 WNMF 融合算法，对带通方向子带采取绝对值取大的融合算法，最后利用非下采样 Shearlet 反变换得到融合结果。与 NSCT 和 PCNN、NSCT 和 NMF、Shearlet 变换和 PCNN 等方法相比，该方法融合后的图像边缘轮廓更为清晰，且运行时间较少。

3.3 图像边缘检测算法

针对 SAR 图像中的相干斑噪声，基于 NSCT、各向异性扩散和改进数学形态学的 SAR 图像边缘检测方法首先利用 NSCT 对 SAR 图像进行多尺度分解，再通过各向异性扩散分别对低频和高频子带进行去噪处理，其中低频子带采用 TV 扩散，高频子带则采用 PM模型，保留图像的边缘和纹理等细节。然后，对去噪后的低频子带和高频子带分别使用改进的边缘检测算子和模极大值方法；最后对得到的低频边缘子图像和高频边缘子图像进行加权融合，实现 SAR 图像边缘检测。与 Canny 方法、Sobel 方法、Prewitt 方法和小波模极大值方法相比，该方法有效抑制了噪声的干扰，获得的图像边缘轮廓清晰完整，特征明显。

3.4 遥感图像分类算法

针对遥感图像地表形状显著、纹理丰富等特点，基于 Log-gabor、Krawtchouk矩和支持向量机的遥感图像分类算法首先用 Log-gabor 变换提取遥感图像的纹理特征，再结合 Krawtchouk 矩提取出遥感图像的边缘形状特征，最后利用 SVM 进行遥感图像分类。实验结果表明，与基于 Gabor、Log-gabor、Krawtchouk 矩不变量等特征的分类方法相比，该方法充分利用了地物空间关系、空间位置、形状、纹理等特征，能更有效减少遥感图像分类过程中的不确定性，具有更高的分类准确性。

3.5 图像变化检测算法

基于小波变换和 KICA 的遥感图像变化检测方法。首先利用小波变换分解遥感图像，以降低后续处理的运算复杂度，再通过核函数将分解后的数据映射到高维特征空间，然后在该空间中用 ICA 方法处理数据，以降低角度、光照等非线性混合因素的干扰，提高变化检测的精确度；最后根據变化图像和背景图像在小波域中高频分量的差异，自动分辨出变化分量，实现了变化检测智能化。该方法在边缘细节方面处理得较好，精度较高，运算速度相对基于 KICA 方法有一定的提高。

4 结语

研究遥感图像处理中的关键技术具有重要的价值，较好地实现遥感图像中有用信息的提取，使得遥感图像处理算法具有更高的效率、更优的性能。该技术在林业、农业、地质勘探、土地利用、气象分析、环境监测、灾害评估、军事侦察等领域有广阔的应用。

参考文献：

[1] 王先敏， 曾庆化， 熊智， 等. 结合惯性导航特性的快速景象匹配算法[J]. 系统工程与电子技术， 2011， 33（9）： 2055～2059.

[2] 吴一全， 武燕燕. 利用 NSCT 和 Krawtchouk 矩进行图像检索[J]. 武汉大学学报（信息科学版）， 2011， 36（6）： 691～694.