遥感影像特征提取

遥感影像特征提取是为了利用仪器进行图像判读及分析处理。这一过程从原始图像数据中挖掘出有助于分析的标志、统计量等参数。特征提取是通过变换图像，强调其代表性的特征，以定量提取以下三种特征： 光谱特征：从颜色、灰度或波段间的亮度比中提取目标物的光谱特征。

主成分分析也称为K-L变换，是在统计特征基础上的多维（如多波段）正交线性变换，也是遥感数字图像处理中最常用的一种变换算法。线性变换方法进行特征提取的目的是，从高维数据空间中，产生出一个合适的低维子空间，使数据在这个空间中的分布可以在某种最优意义上描述原来的数据。

遥感影像的分类方法可分为监督与非监督两大类，适用于中低分辨率的数据。监督分类基于传统统计分析、神经网络、模式识别等原理。非监督分类，也称聚类分析或点群分类，无需先验知识，仅利用影像中地物的光谱或纹理信息进行特征提取和分类。

将遥感影像分割成小块，因为纹理特征不可能孤立存在于单一像素点中。使用`graycomatrix`函数计算每一小块的灰度共生矩阵。 应用`graycoprops`函数提取每个共生矩阵的主要纹理特征，包括对比度（Contrast）、相关性（Correlation）、能量（Energy）和同质性（Homogeneity）。

在遥感图像的实际应用中，特征提取、分类与类聚处理是关键步骤。通过主成分分析法，多光谱图像数据的波段间相关关系得以消除，大幅减少信息量，且第一至第三主成分覆盖了绝大部分信息。主成分分析法又称为K-L变换，但信息集中的主成分图像可能不利于后续分析。

遥感的分类及应用概况

1、遥感按电磁波谱段不同主要分为可见光遥感、红外遥感、多谱段遥感、紫外遥感和微波遥感。可见光遥感使用感光胶片或光电探测器，对0.4～0.7微米可见光进行遥感，具有较高地面分辨率，但在白昼使用。红外遥感分为近红外、中红外和远红外，分别用于物体辐射遥感，具有昼夜工作能力。

2、多方面收集数据可以促进遥感技术的应用，主要包括：利用多平台进行遥感探测，即从不同高度的平台上对同一目标物进行数据采集；利用几个光谱波段进行同步数据采集的多光谱遥感；以及多时相遥感，即对同一目标物在多个时段进行数据的重复采集。

3、成像遥感、非成像遥感。根据应用领域分类很多，例举如下 环境遥感、大气遥感、资源遥感、海洋遥感、地质遥感、农业遥感、林业遥感等。

4、首先，环境监测是遥感技术的重要应用领域之一。通过卫星上的传感器收集地球表面的红外辐射、微波等数据，可以测量大气污染、水体污染、土壤污染等情况。例如，通过遥感技术可以对酸雨进行监测，对污染源进行定位和追踪，为环境保护提供科学依据。其次，资源调查是遥感技术的另一个重要应用领域。

5、遥感技术按照平台分类，主要包括地面遥感、航空遥感和航天遥感三种类型。地面遥感是指将传感器安置在地面平台上，如车载、船载、手提或固定、活动高架平台等，工作范围通常在1千米以内。这种方式便于操作和控制，能够获取地面特定区域的详细信息。

6、遥感系统按照不同的标准可以划分为多个类别。首先，根据遥感器的载体不同，遥感系统可以分为地面遥感、航空遥感和航天遥感三种类型。

遥感图像分类法

1、他对同一遥感数据的原始波段、主成分和植被指数的22种组合进行了最大似然分类，发现没有一种波段组合的分类能给出图像中所有土地利用类型的精确分类，每一波段组合仅对图像中的一两类土地利用类型分类有效。

2、利用遥感图像进行分类，就是对单个像元或比较匀质的像元组给出对应其特征的名称，其原理是利用图像识别技术实现对遥感图像的自动分类。计算机用以识别和分类的主要标志是物体的光谱特性，图像上的其它信息如大小、形状、纹理等标志尚未充分利用。 计算机图像分类方法，常见的有两种，即监督分类和非监督分类。

3、遥感图像分类主要分为监督分类和非监督分类，根据最小分类单元，可进一步细分为基于像元的分类、基于对象的分类和基于混合像元分解的分类。不同类型的遥感图像（如多光谱、高光谱、合成孔径雷达图像）采用的分类方法也有所不同。目标分类通常在特征空间中进行，因此特征表达与学习至关重要。

4、纹理分析法考虑像元在波谱空间的位置进行分类，不依赖图像形状信息，是一种实用的分类方法。然而，遥感图像中包含多种地物，波谱特性的相近性及噪声干扰，限制了分类准确度。为提高分类精度，需不断研发改进遥感技术和分类方法，并结合多时相、多种遥感数据与相关数据库。

5、遥感图像分类基于图像中地物的光谱信息和空间信息，通过计算机分析，将图像中的像元按照规则或算法划分为不同类别，实现对实际地物的对应信息获取。遥感图像分类的特点包括数据量大、复杂性高和需要预处理等。

6、对于五米以上高分辨率遥感图像分类，目前大致有两种思路。一是采取一些非参数的分类方法：因为传统的参数法，一是基于像元，二是基于概率统计。这两条在高分辨率中因为类内方差变大，类间方差变变小，没有明显的聚类中心，存在这明显的重叠。所以考虑一些非参数的方法进行监督分类。

遥感信息自动提取技术

基于深度学习的方法：随着深度学习技术的发展，越来越多的深度学习模型被应用到遥感专题信息提取中，如卷积神经网络（CNN）、循环神经网络（RNN）等，这些方法能够处理更复杂的地表特征，提高信息提取的准确性。 光谱分析：通过分析遥感图像的光谱特性，可以提取出地表的物质组成、植被覆盖、水体等信息。

雷达遥感技术则可以在云层和植被覆盖下，穿透障碍物获取地表高程和地形信息，具有强大的穿透能力。LIDAR技术则可以提供地表的三维点云数据，为地形建模和地貌分析提供了重要数据支持。这些提取方法各有特点，如高分辨率、全球覆盖、多源数据融合等，使得地学信息提取更加准确和全面。

除受风成黄土、植被、雪被、草甸土、阴影以及冰缘冻融作用所产生的碎屑坡积物等因素干扰不能有效提取信息外，其他地区均提取出大量岩石、构造和矿化蚀变信息。野外验证表明，不同的遥感数据均可有效地提取地质信息，但是适用范围和提取信息量存在差别。

从研究区成矿模式来讲，提取构造带、蚀变带是本区遥感信息提取的主要目标。本次工作采取构造信息和蚀变信息提取两种方法相结合策略，其基本思想是将提取出的构造信息和蚀变信息，结合工作区的化探和地质信息进行多源信息综合分析，以圈定稀有金属成矿远景区。

遥感信息提取方法

1、光谱分析：通过分析遥感图像的光谱特性，可以提取出地表的物质组成、植被覆盖、水体等信息。 纹理分析：通过分析遥感图像的纹理特性，可以提取出地表的地形、建筑物、道路等信息。以上各种方法有各自的优点和适用情况，通常在实际应用中需要根据具体的任务和数据特性选择合适的方法。

2、本次试验采用的主要信息提取方法包括基于掩膜图像的主成分分析、矿物指数和光谱角度填图方法等。 对于所有ASTER数据，常规图像均采用通道1（红、绿、蓝）假彩色合成，这种合成方案尽管植被的信息比较突出，但有利于后续使用者对照其他信息的图件判别地质体的色调异常与来源于植被的干扰异常。

3、遥感地学信息提取的方法多种多样，其中包括光谱分析、多光谱及高光谱遥感、雷达遥感以及LIDAR技术。光谱分析通过分析不同波长的反射或辐射特性来提取地表信息，这为我们提供了直观的地表物质成分数据。多光谱和高光谱遥感技术能够收集更为丰富的光谱信息，有助于更精确地识别地表特征。

4、综上所述，遥感信息提取的过程实质是应用知识概念模型，对影像空间模型属性进行逻辑推陈出新理论的过程。应用好逻辑规律（知识发现）构建“公理体系”，即可做到事半功倍的效果。