不同种类遥感图像汇总 !!

这篇具有很好参考价值的文章主要介绍了不同种类遥感图像汇总 !!。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

文章目录

前言

1、可见光遥感图像

2、全色遥感图像

3、多光谱遥感图像

4、高光谱遥感图像

5、红外遥感图像

6、激光雷达图像

7、合成孔径雷达遥感图像


前言

遥感技术是从远距离感知目标反射或自身辐射的电磁波、可见光、红外线,对目标进行探测和识别的技术。遥感卫星是搭载了相关遥感传感器,利用遥感器收集地球或大气目标辐射或反射 的电磁波信息,并记录下来,由信启、传输设备发送回地面,通过电磁波转换、识别得到可视图像,即我们常说的卫星图像。

遥感图像具有宏观、客观、综合、实时、动态、快速等特点,为地球资源调查与开发,国土整治,环境监测,以及全球性研究,提供了一种新的探测手段,广泛用于测绘、动态监测、地球资源调查、地质灾害调查与救治、军事侦查等领域。

遥感图像主要包括六个种类:

  1. 可见光遥感图像
  2. 全色遥感图像
  3. 多/高光谱遥感图像
  4. 红外遥感图像
  5. Lidar遥感图像
  6. 合成孔径雷达遥感图像

1、可见光遥感图像

从20世纪60年代采用的多像机型传感器多光谱摄影,到多镜头型传感器多光谱图像获取,多光谱摄影技术是航空遥感的重要发展。可见光遥感图像是多光谱图像中的特殊案例,此类图像是现实生活中最常应用的遥感图像。

不同种类遥感图像汇总 !!,遥感,计算机视觉,人工智能

可见光是指特指能够引起正常人类视觉的电磁波,自然属于电磁波的一种。其波长在波长为400~760nm的可见光。而自然中存在的光是不同波长的光叠加后的组合,每个波长的光有不同的光强,这些光波叠加起来能表示所有自然光,在人类视网膜转化下被人类认知为红、橙、黄、绿、蓝、靛、紫的不同颜色。而RGB遥感图像则是把红色光谱、蓝色光谱、绿色光谱三种通道的波进行了融合。目前人类把可见光图像特征用到了地形、地物判别上。

所谓光谱(Spectrum)是复色光经过色散系统(如棱镜、光栅)分光后,被色散分离成的单色光,通过成像系统,投射在探测器上成为按波长(或频率)大小依次排列的图案,即成为光学频谱。

多光谱技术(Multispectral)是指能同时获取多个光学频谱波段(通常大于等于3个),并在可见光的基础上向红外光和紫外光两个方向扩展的光谱探测技术。常见实现方法是通过各种滤光片与多种感光胶片的组合,使其在同一时刻分别接收同一目标在不同窄光谱波段范围内辐射或反射的光信号,得到目标在几张不同光谱带的照片。

2、全色遥感图像

与RGB遥感图像不同,全色图像是遥感器获取整个可见光波区的黑白影像称全色影像。因此,全色图像是单通道的,其中全色是指全部可见光波段0.38~0.76um。因为是单波段,所以在图上显示为灰度图片。全色遥感图像一般空间分辨率高,但无法显示地物色彩,也就是图像的光谱信息少。

实际操作中,我们经常将全色图像与多波段图像融合处理,得到既有全色图像的高分辨率,又有多波段图像的彩色信息的图像。

不同种类遥感图像汇总 !!,遥感,计算机视觉,人工智能

3、多光谱遥感图像

可见光遥感图像是多光谱图像中的特殊案例,而在我们的普遍认知中多光谱不仅包含3个光谱,应该由数十到数百的个光谱组成。多个光谱的信息不仅带来了更多的颜色信息,多样的光谱组合也对地球表面物质的性质判断做出了辅助。

举例来说,蓝色波段(band1; 0.433–0.453 μm)主要应用海岸带观测;短波红外波段(band 9; 1.360–1.390μm)包括水汽强吸收特征可用于云检测。

以2013年2月11日发射的Landsat系列最新卫星Landsat8为例,Landsat8对于各个光谱的波长信息:

不同种类遥感图像汇总 !!,遥感,计算机视觉,人工智能

它携带有OLI陆地成像仪和TIRS热红外传感器,Landsat8的OLI陆地成像仪包括9个波段,OLI包括了ETM+传感器所有的波段,为了避免大气吸收特征,OLI对波段进行了重新调整,比较大的调整是OLI Band5(0.845–0.885μm),排除了0.825μm处水汽吸收特征;OLI全色波段Band8波段范围较窄,这种方式可以在全色图像上更好区分植被和无植被特征。

4、高光谱遥感图像

多光谱成像(Multispectral)一般只有几个到十几个光谱,由于光谱信息其实也就对应了色彩信息,所以多波段遥感图像可以得到地物的色彩信息,但是空间分辨率较低。更进一步,光谱通道越多,其分辨物体的能力就越强,即光谱分辨率越高。

不同种类遥感图像汇总 !!,遥感,计算机视觉,人工智能

高光谱成像(Hypespectral)是一种可以捕获和分析一片空间区域内逐点上光谱的精细技术,由于可以检测到单个对象不同空间位置上的独特光谱“特征”因此可以检测到在视觉上无法区分的物质。

5、红外遥感图像

红外遥感(infraredremote sensing)是指传感器工作波段限于红外波段范围之内的遥感。因为红外遥感在电磁波谱红外谱段进行,主要感受地面物体反射或自身辐射的红外线,有时可不受黑夜限制。又由于红外线波长较长,大气中穿透力强,红外摄影时不受烟雾影响,透过很厚的大气层仍能拍摄到地面清晰的像片。但是,他仍存在分辨率差、对比度低、信噪比低、视觉效果模糊等缺点。

比如,CO2增加引起全球变暖,随之而来的海表面温度增加和海平面增高已引起人们的普遍关注。下图就是通过红外遥感对于全球海表面温度的观测。

不同种类遥感图像汇总 !!,遥感,计算机视觉,人工智能

6、激光雷达图像

LiDAR是激光雷达,通过对从空中或空间飞行器上发射的激光角度和探测到的激光距离来解算激光点的地面坐标。

不同种类遥感图像汇总 !!,遥感,计算机视觉,人工智能

7、合成孔径雷达遥感图像

合成孔径雷达(SAR)是用小孔径天线通过运动和数学计算而达到大孔径雷达的测量效果的技术。其生成的遥感影像的每一像素不仅包含反映地表微波反射强度即所谓的灰度值,而且还包含与雷达斜距(一般取样到垂直于平台飞行方向的斜距上)有关的相位值,这两个信息分量可用一个复数表示。

这说明SAR图像像素所记录的相位信息不仅包含距离信息,而且还包含地面分辨元诸要素的附加相位贡献,而后者表现出极大的随机性,因此一般被视为噪声,对干涉分析带来不便。

不同种类遥感图像汇总 !!,遥感,计算机视觉,人工智能文章来源地址https://www.toymoban.com/news/detail-834448.html

到了这里,关于不同种类遥感图像汇总 !!的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 《高级计算机视觉》期末样题汇总

    说明:电子科技大学2022年研究生课程《高级计算机视觉》期末样题。 给出下列数据,写出按照行的方向的游程长度编码。 答: (1,2),(2,4),(3,2) (1,2),(2,4),(3,2) (3,2),(5,6) (3,2),(5,6) (2,4),(7,4) (2,4),(7,4) (2,

    2024年02月04日
    浏览(55)
  • 深度学习卫星遥感图像检测与识别 -opencv python 目标检测 计算机竞赛

    🔥 优质竞赛项目系列,今天要分享的是 🚩 **深度学习卫星遥感图像检测与识别 ** 该项目较为新颖,适合作为竞赛课题方向,学长非常推荐! 🥇学长这里给一个题目综合评分(每项满分5分) 难度系数:3分 工作量:3分 创新点:5分 🧿 更多资料, 项目分享: https://gitee.com/da

    2024年02月03日
    浏览(71)
  • 计算机视觉领域经典模型汇总(2023.09.08

    一、RCNN系列 1、RCNN RCNN是用于目标检测的经典方法,其核心思想是将目标检测任务分解为两个主要步骤:候选区域生成和目标分类。 候选区域生成:RCNN的第一步是生成可能包含目标的候选区域,RCNN使用传统的计算机视觉技术,特别是 选择性搜索(Selective Search)算法 ,这是一

    2024年02月09日
    浏览(52)
  • 计算机设计大赛 深度学习卫星遥感图像检测与识别 -opencv python 目标检测

    🔥 优质竞赛项目系列,今天要分享的是 🚩 **深度学习卫星遥感图像检测与识别 ** 该项目较为新颖,适合作为竞赛课题方向,学长非常推荐! 🥇学长这里给一个题目综合评分(每项满分5分) 难度系数:3分 工作量:3分 创新点:5分 🧿 更多资料, 项目分享: https://gitee.com/da

    2024年02月22日
    浏览(80)
  • 计算机毕设 深度学习卫星遥感图像检测与识别 -opencv python 目标检测

    🔥 这两年开始毕业设计和毕业答辩的要求和难度不断提升,传统的毕设题目缺少创新和亮点,往往达不到毕业答辩的要求,这两年不断有学弟学妹告诉学长自己做的项目系统达不到老师的要求。 为了大家能够顺利以及最少的精力通过毕设,学长分享优质毕业设计项目,今天

    2024年02月14日
    浏览(66)
  • 【计算机视觉 | 图像分类】arxiv 计算机视觉关于图像分类的学术速递(6月 29 日论文合集)

    基于多示例学习的全幻灯片图像分类的伪袋混合增强 论文地址: 鉴于十亿像素图像建模的特殊情况,多实例学习(MIL)已成为全幻灯片图像(WSI)分类最重要的框架之一。 在当前实践中,大多数 MIL 网络在训练中经常面临两个不可避免的问题:i)WSI 数据不足,ii)神经网络

    2024年02月11日
    浏览(57)
  • 【计算机视觉 | 图像分割】arxiv 计算机视觉关于图像分割的学术速递(7 月 6 日论文合集)

    面向跨域语义分割的提示扩散表示法 虽然最初设计用于图像生成,扩散模型最近已证明提供了优秀的预训练的特征表示语义分割。这一结果引起了兴趣,我们开始探索扩散预训练表示如何推广到新的领域,这是任何表示的关键能力。我们发现,扩散预训练实现了非凡的领域泛

    2024年02月12日
    浏览(58)
  • 【计算机视觉 | 图像分割】arxiv 计算机视觉关于图像分割的学术速递(8 月 30 日论文合集)

    Novis:端到端近在线视频实例分割实例 直到最近,视频实例分割(VIS)社区在以下共同信念下操作:离线方法通常优于逐帧在线处理。然而,最近在线方法的成功质疑这种信念,特别是对于具有挑战性和长视频序列。我们将这项工作理解为对最近观察结果的反驳,并呼吁社区

    2024年02月09日
    浏览(75)
  • 计算机视觉——图像视觉显著性检测

    目录 系列文章目录 零、问题描述 一、图像显著性检测 1.定义 2.难点 二、常用评价标准和计算方法 1.综述 2.ROS曲线详述 2.1 混淆矩阵 2.2 ROC曲线简介 2.3 ROC曲线绘制及其判别标准 2.4 ROC曲线补充 三、Fast and Efficient Saliency (FES) 1.算法简介 2.项目导入与解析 3.FES注意预测实践 4.评价

    2024年02月03日
    浏览(57)
  • 计算机视觉 -- 图像分割

    引入问题: 在自动驾驶系统中,如果用之前的检测网络(例如Faster-Rcnn),试想,倘若前方有一处急转弯,系统只在道路上给出一个矩形标识,这样一来车辆很有可能判断不出是该避让还是径直上前,车祸一触即发。因此,对新技术的诉求应运而生,该技术须能识别具体路况

    2024年02月11日
    浏览(65)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包