dota遙感圖像像素為多少
㈠ 什麼是遙感影像的解析度說出解析度大小和影像顯示地表信息能力之間的關系
遙感影像的解析度指圖像上能夠詳細區分的最小單元的尺寸或大小，或指遙感器區分兩個目標的最小角度或線性距離的度量。解析度越大，影像顯示地表信息的能力越強。
解析度決定了點陣圖圖像細節的精細程度。通常情況下，圖像的解析度越高，所包含的像素就越多，圖像就越清晰，印刷的質量也就越好。同時，它也會增加文件佔用的存儲空間。
遙感影像（簡稱：RS，英文：Remote Sensing Image）是指記錄各種地物電磁波大小的膠片或照片，主要分為航空像片和衛星相片。
遙感影像的解析度還包括光譜解析度（Spectral Resolution）、輻射解析度（Radiant Resolution）、時間解析度（Temporal Resolution）、空間解析度（Spatial Resolution）。
(1)dota遙感圖像像素為多少擴展閱讀：
遙感影像的應用：
1、土地覆蓋監測：土地覆蓋是人地相互作用過程的最終體現，也是地球表層系統最明顯的景觀標志，土地覆蓋變化又會引發一系列環境的改變。遙感技術因其能提供動態、豐富和廉價的數據源已成為獲取土地覆蓋信息最為行之有效的手段。
2、森林覆蓋監測：森林是陸地生態系統的主體，是人類賴以生存的基礎資源。傳統五年一次的一類調查和十年一次的二類調查存在更新周期長、歷經時間長、樣地易被特殊對待、數據可比性差等缺陷，難以科學、准確評估森林資源和生態狀況變化。
3、遙感具有宏觀性、客觀性、周期性、便捷性等特點，已經在森林資源清查(一類調查)和規劃設計調查(二類調查)中大顯身手。
4、草地覆蓋監測：草地是僅次於森林資源的陸地植物資源。遙感技術在草地資源調查、分類和制圖中得到應用，大大地提高了草地資源調查與制圖的精度，促使草地分類由定性逐漸走向定量化，可以完成草地退化監測與評估，節省了人力、物力和財力。
5、濕地資源監測：濕地是地球上水陸相互作用形成的獨特的生態系統，是自然界最富生態多樣性的景觀和人類最重要的生存環境之一。
㈡ 遙感數據及其處理
一、遙感數據及其特徵
滇東北地區鉛鋅礦遙感地質調查工作共分為三個層次，其中1∶5萬層次及1∶2.5萬層次使用美國陸地衛星(Landsat-7)ETM+數據作為基礎數據，1∶1萬層次使用美國快鳥(QuickBird)衛星數據作為基礎數據。
(一)ETM+數據
ETM+數據是美國1999年4月所發射的陸地7號衛星攜帶的增強型主題成像儀(ETM+)對地球表面所採集的數據，其基本參數、設計波段的特徵及設計用途見表3-1。
表3-1Landsat-7衛星參數及數據特徵
長期對Landsat系列衛星數據在地質方面的應用研究表明，Landsat衛星數據各個波段都能提供地質構造、地形地貌信息。其中，5、6、7波段信息量更為豐富，1、2、3、4波段能夠區分岩石中的鐵、錳礦物和含鐵、錳礦物的相對含量，尤其是4波段對於三價鐵的礦物比較敏感，可以藉此區分岩性，5波段對綠簾石族特徵譜帶敏感，7波段識別碳酸鹽岩、綠片岩、絹雲片岩和粘土岩及粘土礦物聚集帶的效果較好，6波段對於識別地熱異常、岩石和構造的含水性及鑒別地質構造有一定的用途。另外，Landsat-7還增加了一個15m解析度的全色波段，從視覺效果上直接提高了對地物的識別，見表3-2。
表3-2 Landsat-7ETM+數據特徵及在地質上的用途簡表
圖3-1 滇東北地區ETM數據分布示意圖
本次工作范圍佔有ETM數據129-041及129-042兩景，時相均為2001年12月23日。工作范圍在兩景數據中的位置如圖3-1。數據元數據情況見表3-3。
表3-3 129-041，129-042衛星數據元數據特徵
續表
(二)快鳥(Quick Bird)衛星數據
快鳥(Quick Bird)是美國Digital Globel(Earth Watch)公司2001年10月發射的高解析度衛星，其空間最高解析度為61cm，可製作比例尺在1∶1萬左右的影像。衛星參數及數據特徵見表3-4。
表3-4 Quick Bird衛星參數及數據特徵
快鳥衛星數據的波段設置，與ETM數據具有一定的對應性，1、2、3、4波段波長范圍完全一致，只是在全色波段快鳥數據比ETM數據的波長范圍略窄一些。
大比例尺遙感地質調查工作主要布設於彝良毛坪地區，購置快鳥數據80km2，范圍為X:3038000—3046000，Y:35392000—35402000。屬於現拍數據，數據採集時間為2004年5月8日，其元數據特徵見表3-5。
表3-5 毛坪地區快鳥衛星數據元數據特徵
二、遙感數據處理
(一)數據處理軟體
遙感圖像處理主要使用加拿大專業遙感圖像處理軟體PCIGeomatica8.0及美國著名專業遙感圖像處理軟體ENVI3.5。
(二)數據處理流程
遙感數據處理的主要流程包括數據組織(即數據種類選擇、范圍確認、時相選擇、訂購等)、數據鑲嵌(單景數據不存在此過程)、幾何校正、圖像生成、圖像增強、圖像整飾等過程，見圖3-2。
圖3-2 數據處理流程圖
(三)數據處理
1.數據鑲嵌
所謂鑲嵌，就是將相鄰兩景圖像拼接、形成大圖像的過程。在圖像鑲嵌過程中如果使用不同時相的數據，由於數據成像的季節、太陽高度角不同，導致同名像元點在不同的數據上可能表現為不同的灰階;當使用相同時相數據時，由於地面站後期人為分景、單獨處理，也會導致同名像元點在不同的數據上有可能表現為不同的灰階，同一地物在不同數據上表現出不同特徵。因此說，圖像的鑲嵌過程是一個數據重疊范圍內的配准過程。
滇東北地區1∶5萬工作區涉及129-041及129-042兩景數據，數據鑲嵌是在PCIGeomatica遙感圖像處理平台的GCPworks模塊中完成的。鑲嵌過程中側重於重疊數據范圍內同名點的選擇及鑲嵌線的選擇。一般每兩景圖像上下鑲嵌選擇10～15個GCP。在鑲嵌線的選擇上，避免一條直線，根據鑲嵌區的地貌特徵盡量使鑲嵌線通過色差較大的地方，避免人為造成線性體。然後利用PCI提供的ColourMatching功能對鑲嵌區內的圖像色彩進行匹配，使鑲嵌後圖像的色彩在鑲嵌線兩側柔和過渡，達到無縫的效果。
2.幾何校正
(1)幾何校正方法
由於衛星姿態與軌道、地球運動和形狀、遙感器本身的性能和掃描鏡的不規則、探測器的配置、檢測器采樣延遲、數模轉換的誤差等等原因，均會導致原始遙感圖像的嚴重幾何變形，不能直接使用。一般而言，衛星地面站會根據衛星軌道的各種參數將圖像進行粗略的校正，但往往由於遙感器的位置及姿態的測量值不高，其粗校正後的圖像仍存在不小的幾何變形。用戶需要利用地面控制點和多項式糾正模型做進一步的幾何糾正。只有按照一定的投影模式對原始圖像進行幾何精校正後的圖像，才能使圖像上每個像元具有相應的准確的地理坐標，只有進行幾何精校正後的圖像才能製作成能與其他圖件配合使用的「地圖(map)」。幾何糾正的步驟有以下3步:
1)地面控制點(GCP)的選擇。地面控制點的選擇一般有兩種方法，實地測量和在相同比例尺或更大比例尺地形圖上采點。地面控制點選擇的原則是，選擇在圖像上顯示清晰、實地不(或很少)隨時間變化的定位識別標志，如道路交叉點、河流交匯處等。另外，控制點要在校正范圍內均勻分布，並保證一定的數量。
2)多項式模型糾正。多項式模型糾正就是在圖像像元坐標(x，y)與地形圖上相應點的地理坐標(X，Y)之間通過適當的坐標多項式模型(坐標變換函數)建立一種關系，從而通過像元的重新定位把圖像擬合到地形圖上。多項式校正模型的數學表達式為:
滇東北鉛鋅銀礦床遙感地質與成礦預測
式中:aij，bij為多項式系數;N為多項式次數，取決於圖像的變形程度、控制點的數量和地形位移的大小。
3)重采樣。由於經過了多項式校正，重新定位後的像元在原圖像中分布是不均勻的，因此需要對原圖像按一定的規則重新采樣，進行亮度值的插值計算，建立新的圖像矩陣。常用的重采樣方法有最臨近法、雙線性內插法、三次卷積內插法。3種方法在地物邊緣增強、地物連貫性、計算速度等方面各有利弊。其中三次卷積內插法對邊緣有所增強，並具有均衡化和清晰化的效果，但計算量大。
(2)1∶5萬工作范圍圖像幾何校正
1∶5萬工作范圍圖像校正使用相應范圍的1∶5萬地形圖60幅。校正點的選擇是在60幅地形圖上均勻選擇GCP203點，校正模型選擇了二次多項式擬合，重采樣方法使用三次卷積內插法。校正後的圖像投影方式為高斯投影、6°分帶，中央經線為105°，橢球體採用克拉索夫斯基1954橢球體，與地形圖保持一致。
(3)1∶1萬工作范圍圖像幾何校正
由於缺少相同比例尺地形圖，收集到的地形資料只有區內1∶5萬地形圖和極少部分1∶2000地形圖，因此校正點的採集採用地形圖采點與野外實地測點相結合的方法完成。共採集GCP33個。校正模型選擇了二次多項式擬合，重采樣方法使用三次卷積內插法。校正後的圖像投影方式為高斯投影、3°分帶，中央經線為105°，橢球體採用克拉索夫斯基1954橢球體。
3.彩色合成
彩色合成的目的是將單色波段每像元的28(即256)色空間擴展到224(即16777216)色空間，增強目標地物的可視性，提高目視解譯效果。通過色彩豐富、信息攜帶量大的基礎彩色圖像，解譯人員才能充分識別圖像的信息，進行地質解譯。
為達到最佳的彩色合成效果，參加合成的波段選擇常遵循以下原則:
1)參加合成的單波段有較大的方差，即波段本身具有較大的信息量。
2)參加合成的各波段間相關系數較小，避免信息的重復和冗餘。
3)參加合成的三波段圖像的均值要相近，避免合成圖像產生嚴重偏色。
4)為突出目標地物，要選擇目標物體顯示較為突出的波段。
彩色合成圖像為3個波段，賦予紅、綠、藍三原色的合成圖像。
1∶5萬工作范圍基礎圖像製作選擇了波段7、4、2合成方案，1∶2.5萬工作范圍基礎圖像選擇了波段4、5、3合成方案，1∶1萬工作區基礎圖像選擇了波段3、2、1合成方案。選擇依據將在「數據特徵」一節中進行分析。
4.圖像增強
圖像增強的目的是為了突出相關的主題信息，提高圖像的視覺效果，使解譯分析者能更容易地識別圖像內容，從而從圖像中提取更有用的信息。圖像增強的方法很多，從其作用的空間來看可以分為光譜增強和空間增強。這兩種增強類型在整個圖像處理和信息提取過程中都很常用。對於基礎圖像的增強一般採用光譜增強，從像元的對比度及波段間的亮度等方面改善圖像的視覺效果，基本不改變目標地物的形狀、大小等特徵。
項目工作中的3種基礎圖像在生成後均採用光譜增強。根據圖像各波段的直方圖分布，分析整幅圖像中像元間對比度的差異大小，確定光譜增強的具體手段。其中1∶5萬范圍的波段7、4、2合成圖像面積大，地物種類多，信息豐富，增強過程中要求各種信息的充分顯示，因此使用直方圖均衡化的方法，理論上使圖像中的各種亮度值均衡分布。1∶2.5萬范圍的波段4、5、3合成圖像，圖像范圍相對較小，又由於地形切割較深，造成圖像上山體陰影所佔面積較大，而西南角地區比較平坦，反射率較高，像元亮度大，因此選擇線性拉伸的方法進行增強。1∶1萬范圍的快鳥衛星波段3、2、1數據合成影像中，紅尖山—姜家灣—花苗寨一帶植被覆蓋較多，造成影像上大面積綠色，使用線性拉伸的方法可以保證原始圖像的對比度不再有大改變。
圖3-3 毛坪地區圖像不同拉伸方法效果對比圖
拉伸方法應用效果以毛坪地區1∶1萬影像為例，見圖3-3。由圖中可以看出，不拉伸的圖像顯然色彩層次太少，使用均方根拉伸的圖像總體上提高了圖形的亮度，壓抑了像元間對比度的擴展，同時亮度高的地區彩色層次減少;直方圖均衡化的圖像提高了像元間的對比度，在原圖像的暗色地區使色彩層次增加，但高亮色地區由於像元頻率的增高而使色彩層次減少;線性拉伸不同程度地克服了以上幾種拉伸的弊端，使圖像色彩趨於豐富，層次趨於明顯，便於解譯者的解譯。
在解譯過程中為突出某種特徵地物也可採用其他的增強手段，這里不再贅述。
5.圖像融合
為了提高圖像清晰度，同時充分發揮多波段數據的特點，需要將高解析度的全色波段與參加彩色合成的多光譜波段進行融合處理。融合後的圖像可以發揮多光譜圖像與高解析度圖像各自的優勢，彌補不足，改善遙感圖像目標識別的准確率，提高遙感圖像的綜合分析精度。
融合方法大致可以分為彩色相關技術和數學方法兩大類。彩色相關技術包括彩色合成、彩色空間變換等，有利於保持解析度和色彩特徵，如IHS變換法。常用的融合方法有IHS變換法、PCA變換法、HPF變換法與小波變換法等。
鑒於工作目的，為了提高地面解析度和保持低解析度圖像的光譜信息，工作中選擇了IHS變換方法，即將標準的RGB圖像分離為空間信息的明度、波譜信息的色別及飽和度，而後用高解析度圖像代替明度再進行反變換的融合方法。融合後的圖像既具有較高的解析度，又具有與原圖像相同的色度與飽和度。其具體過程如圖3-4。
項目工作中所採用的ETM數據7個30m多光譜波段與15mPAN波段源於同一感測器，快鳥數據的4個2.4m多光譜波段與其0.6mPAN波段也源於同一感測器，因此數據融合過程中不存在數據配准問題，只對低解析度波段進行重采樣，並對參加融合的各波段進行直方圖匹配，再進行IHS變換和RGB變換。其中低解析度波段的重采樣使用的方法為三次卷積內插法。融合前後圖像特徵如圖3-5所示。
圖3-4 IHS變換融合流程圖
圖3-5 融合前、後圖像特徵對比示意圖
(四)圖像處理精度評價
鑲嵌校正過程中的精度評價常常使用RMS誤差(均方根)來衡量，RMS是GCP的輸入位置和逆轉換之間的距離;它是在用轉換矩陣對一個GCP做轉換時所期望輸出的坐標與實際輸出的坐標之間的偏差。
滇東北鉛鋅銀礦床遙感地質與成礦預測
式中:Ri為GCPi的RMS誤差，XRi為GCPi的X殘差，YRi為GCPi的Y殘差。
整幅圖像的總RMS誤差:
滇東北鉛鋅銀礦床遙感地質與成礦預測
式中:T為總RMS誤差。
1.1∶5萬鑲嵌精度
數據鑲嵌的誤差大小對幾何校正有很大影響，大的誤差將人為增大圖像的畸變。工作中1∶5萬工作范圍需要129-041與129-042兩景數據上下鑲嵌，按照《1/25萬遙感地質調查技術規定》(DD2001—01)對鑲嵌配准精度的規定同比計算，預設鑲嵌誤差T≤0.40。鑲嵌過程中共採集鑲嵌GCP13個，糾正模型1次，誤差見表3-6。
表3-6 1∶5萬圖像鑲嵌誤差
由表3-6中可以看出，T=0.311，小於預設值0.40，能夠滿足無縫鑲嵌的要求。
2.校正精度
(1)1∶5萬圖像校正精度
校正精度按照《1/25萬遙感地質調查技術規定》(DD2001—01)對圖像校正精度及校正點數目的同比計算，預設校正誤差T≤0.80。校正過程中在60幅1∶5萬地形圖上基本均勻地選擇203點，經誤差調整選擇有效校正GCP190個，校正多項式模型選擇二次多項式，其誤差見表3-7，由表中可以看出，T=0.794，小於預設值0.80，能夠達到規范要求。
表3-7 1∶5萬圖像校正誤差
(2)1∶1萬圖像校正精度
由於工作區只收集到1∶5萬地形圖和占很小部分的1∶2000地形地質圖，且1∶5萬地形圖年代比較久遠，因此在幾何校正過程中誤差較大。由於圖像細節清晰，不影響使用與定位。
3.融合精度
低解析度數據與高解析度數據融合的目的是為了提高解析度，為此，圖像融合前後清晰程度的改變成為融合精度評價的主要指標。圖像的清晰度是指地物的邊界或影線兩側附近灰度有明顯差異，即灰度變化率大小，它反映圖像微小細節反差變化的速率，即圖像多維方向上密度變化的速率，可用g來表示，一般來說融合前後g的變化越大則融合後圖像的清晰度越高。
滇東北鉛鋅銀礦床遙感地質與成礦預測
ETM30m多光譜波段與15m全色波段融合前後的值及快鳥數據2.4m多光譜數據與0.6m全色波段融合前後的g值對比見表3-8。由表中可以看出，融合後密度變化速率比原來提高幾十到上百倍，表明圖像融合後精度有很大提高。
表3-8 融合精度對照
三、工作區遙感數據
(一)1∶5萬工作范圍ETM數據特徵
1∶5萬工作范圍圖像行列數為9233(列)×12423(行)(插值為15m)，總像元數為114701559點，由於左上角數據缺少使1140點為無效像素。
數據基本統計特徵如表3-9至表3-11，各波段直方圖見圖3-6。
表3-9 1∶5萬范圍ETM數據基本統計特徵
表3-10 1∶5萬范圍ETM數據波段間協方差矩陣
表3-11 1∶5萬范圍ETM數據波段間相關系數矩陣
從以上統計參數來看，8個波段的均值除60m解析度的波段6和15m解析度的PAN波段外，其他6個波段相差不大。8個波段的標准差從大到小排列為S5＞S7＞S4＞S3＞S6＞S8＞S2＞S1，表明波段5的像元亮度值離散程度最大，波段1最小。對於波段間的相關系數而言(由於6波段與8波段解析度的不同而不考慮)，R12、R23、R25、R35、R45、R57、R37、R27均比較大，數值在0.80以上，而R13、R24、R34、R47相對較小，數值在0.7～0.8之間，相關系數最小的為R14、R15、R17，數值在0.5～0.6之間，相關系數大小也表徵了波段間信息冗餘的多少。1∶5萬工作范圍的彩色合成方案就是根據以上的統計數據結合彩色合成波段選擇的其他原則而確定的。
直方圖是圖像范圍內每個亮度值(DN)的像元數量的統計分布，能夠直觀反映原始圖像的質量信息，如亮度值分布范圍、亮度值分布規律，也可直接大致判讀出圖像的中值等參數。從8個波段的直方圖可以看出波段4、5、7的直方圖呈雙峰表現，主峰在50～60出現，而在10～15之間又出現一個表現很窄的次峰，這是由於圖像上的陰影及水體的像元亮度值所產生的，由此大致可以計算出陰影及水體在圖像中所佔的面積，以波段5為例計算出所佔比例為6%左右。其他各波段的直方圖比較接近正態分布。
協方差矩陣反映各個波段各自亮度值取值的分散程度，同時又能反映不同波段間的相關密切程度，它是單波段圖像統計表與相關系數矩陣的合成，同時又能反向分裂。
圖3-6 1∶5萬范圍ETM各波段圖像直方圖
(二)1∶2.5萬工作范圍ETM數據特徵
1∶2.5萬工作范圍行列數為3000(列)×1860(行)，總像元數為5580000點，插值後解析度為15m。數據基本統計特徵如表3-12至表3-14，各波段直方圖如圖3-7。
表3-12 1∶2.5萬范圍ETM數據基本統計特徵
表3-13 1∶2.5萬范圍ETM數據波段間協方差矩陣
表3-14 1∶2.5萬范圍ETM數據波段間相關系數矩陣
圖3-7 1∶2.5萬范圍ETM各波段圖像直方圖
從以上統計參數來看，8個波段的均值除60m解析度的波段6為110表現較大，15m解析度的PAN波段為29表現較小外，其他1、4、5三個波段數值相差不多，在50左右，2、3、7三個波段也相差不大，在37左右。8個波段的標准差從大到小排列為S5＞S4＞S7＞S3＞S8＞S6＞S2＞S1，表明波段5的像元亮度值離散程度最大，波段1最小。對於波段間的相關系數而言(由於6波段與8波段解析度的不同而不考慮)，R57、R23、R73表現最大，數值在0.9以上，R12、R13、R25、R27、R35、R45次之，數值在0.8～0.9之間，而R24、R34、R47相對較小，數值在0.7～0.8之間，相關系數最小的為R14、R15、R17，數值在0.5～0.6之間，相關系數大小也表徵了波段間信息冗餘的多少。1∶2.5萬工作范圍的彩色合成方案就是根據以上的統計數據結合彩色合成波段選擇的其他原則而決定的。
8個波段的直方圖形態大致與1∶5萬范圍一致，表現意義相同，不再贅述。
(三)1∶1萬工作范圍QB數據特徵
1∶1萬工作范圍採用高解析度的QB數據，其多光譜波段只有4個，解析度為2.4m，工作范圍圖像行列數為4168(列)×3407(行)，總像元數為14200376點。多光譜數據基本統計特徵如表3-15、表3-16，各波段直方圖如圖3-8。
表3-15 1∶1萬范圍QB數據基本統計特徵
表3-16 1∶1萬范圍QB數據波段間相關系數矩陣
從以上統計可以看出，QB數據4個波段中1、2、3波段的相關系數均較大(R12=R23=0.96，R13=0.89)，只有近紅外波段與其他波段的相關系數很小(R14=0.29，R24=0.37，R34=0.20)，同時可以看出近紅外波段的中值與標准差也與其他波段相差很大，這是由於工作區內大面積植被所引起的。眾所周知，綠色植物的葉綠素對可見光紅波段(0.6～0.7μm)有強吸收，而葉內組織對近紅外波段(0.7～1.1μm)有高反射，因此大面積植被將會直接改變相關波段的像元亮度值的分布。在基礎圖像彩色合成波段選擇中，依據各項原則結合統計參數，選擇波段1、2、3參與合成，為使合成後圖像接近真彩色，合成方案為3(R)+2(G)+1(B)。
圖3-8 1∶1萬范圍QB各波段圖像直方圖
四、遙感信息增強與提取
為了突出地質目標，增強微弱岩石蝕變信息，在圖像處理過程中的不同階段使用了多種信息增強技術方法，主要有地表三維技術、比值運算、KL變換、空間濾波、彩色變換技術等(表3-17)。
表3-17 工作中採用的主要信息增強方法技術及用途
(一)地表三維技術
地表三維技術是利用DEM(數字高程模型)將地圖上的二維平面空間按高程的差異製作成一種地形上連續起伏變化的曲面，從而更真實地反映地表地貌的自然景觀，突出顯示特殊岩性的特殊地貌特徵。
毛坪地區地表三維影像的製作利用了1∶5萬DEM與QB3、2、1彩色合成圖像;1∶5萬DEM來源於1∶5萬地形圖，通過等高線數字化—高程賦值—DEM生成等過程實現。地表三維影像的製作主要有DEM與影像的配准及配准後的DEM與影像的復合兩個過程。
圖3-9是毛坪地區地表三維景觀局部，其中視點為(103°54བྷ″，27°27བ″)，視向45°，視角60°，視域60°。
圖3-9 毛坪地區快鳥遙感影像地表三維景觀(局部)
從毛坪地區地表三維影像可以看出左側發育柱狀節理的玄武岩及右側二疊系灰岩地貌景觀。
(二)圖像比值運算
比值運算是將兩個波段中不同亮度的地物成輻射狀投射到一個曲線上，從而可非線性地誇大不同地物間的反差，它能夠壓抑影像上由於地形坡度和方向而引起的輻射量變化，減小環境條件的影響，提供任何單波段都不具有的獨特信息。其運算公式為:
滇東北鉛鋅銀礦床遙感地質與成礦預測
式中:DNm(x，y)，DNn(x，y)分別是像元(x，y)在m和n波段上的亮度值;Rmn(x，y)為輸出的比值。工作中比值運算主要運用於以下兩方面。
1.計算植被覆蓋度
植被覆蓋度(f)是指某一時間某一地區內植被冠層的垂直投影面積與區域總面積之比。遙感地質解譯主要是利用地表物體的光譜反射特性的差異，提取與地質工作有關的信息，工作的特點主要針對地表岩石、構造等，當地表植被覆蓋時，對這些信息的解譯將造成阻礙。因此，了解工作區的植被覆蓋度能客觀評價該區遙感地質解譯的可解譯程度。
研究表明綠色植物在可見光紅波段(0.6～0.7μm)有強的吸收(葉綠素引起)，在近紅外波段(0.7～1.1μm)有高的反射和透射(葉內組織引起)。因此，在這兩個波段使用比值運算可以充分表達它們反射率之間的差異，製作植被為高亮顯示的植被信息圖，並直接在圖像上以像元數目比值求解植被覆蓋度。
2.提取礦化蝕變信息
ETM的不同波段在地質上有不同的應用，這主要取決於各種與礦有關的蝕變礦物在不同波段存在波譜特徵上的差異。圖3-26是典型蝕變礦物的反射波譜曲線，從圖中可看出，通常所講的泥化蝕變礦物(即含有OH-、CO2-3)在2.2μm附近有明顯吸收帶，並與TM7波長范圍相吻合。而在波段5的波長范圍(1.55～1.75μm)內少有礦物的吸收譜帶，多數都表現出高反射的特點，未蝕變礦物在波段5范圍均沒有明顯的波譜特徵，表現在TM5與TM7兩個波段的相對亮度值的相對差異。因此，常常可使用波段5/7比值來突出含羥基和CO2-3類的蝕變礦物特徵。另外，由圖中可以看出三價鐵礦物在波段1具有強的吸收，而在波段3具有相對強的反射;二價鐵礦物在波段4具有強的吸收，而在波段5相對具有反射特徵，因此也常用波段5/4、3/1比值來突出鐵類礦物蝕變特徵。比值後的圖像上欲突出的蝕變特徵常以高亮值顯示而被提取出來。
(三)KL變換
KL變換又稱為主成分分析，是在統計特徵基礎上的多維(如多波段)正交線性變換。多波段圖像通過這種變換後產生一組新的組分圖像，把原來多個波段中的信息進行集中和重組，並使新組分圖像之間互不相關。其運算公式為:
滇東北鉛鋅銀礦床遙感地質與成礦預測
其中，X為原圖像p個波段的像元值向量，Y為變換後的q個組分的像元值向量，q≤
，T為變換矩陣。
KL變換要求Y的分量Yj與Yk相互獨立，且若有j＜k，則Yj的方差小於Yk的方差，所以必須有:
滇東北鉛鋅銀礦床遙感地質與成礦預測
又因為:
所以:
即把矩陣D(X)變為對角矩陣Λ，對角線元素λ1、λ2…λp是D(X)的特徵值，也分別是Y1、Y2…Yp的方差。
KL變換後的新組分圖像中，一般第一組分具有大量的信息，但它包含了地形、植被等因素，對地質體的區分而言就成為干擾因素;其他組分雖然具有小的方差，包含的信息量少，但它可能正好突出了區分某些地質體的信息。因此，當需要對諸多信息進行綜合時，往往使用KL變換後的第一組分，當要求某種特徵信息時就選擇相關的其他主組分。如圖3-10，在B7單波段上玄武岩和火山碎屑岩界線顯示隱約(或不顯示)，而在KL變換(參與波段B1、B2、B3、B4、B5、B6、B7)後的PC3上，界線顯示明顯。
圖3-10 KL變換前後岩性邊界對比影像
此外，KL變換也是提取與鐵化和泥化有關蝕變的遙感信息的重要方法。通過對KL變換後的特徵矩陣進行分析，選擇富集特徵信息的主組分，對蝕變信息的提取又很大的幫助。在後面信息提取過程中已經使用。
(四)空間信息增強
空間信息增強是指通過改變圖像空間特徵或頻率來增強圖像上信息的手段，即改變圖像的「粗糙」或「平滑」程度來增強特徵信息的方法。工作中使用了方向濾波和平均值濾波。
1.方向濾波
方向濾波是梯度法邊緣增強的一種，它通過指定的8個方向的濾波模塊對圖像按方向進行邊緣增強。工作中主要使用在線性體的解譯和統計中，濾波後的圖像突出顯示了某個方向的線性體特徵，同時對與該方向正交的線性體進行模糊。如圖3-11所示，7波段的圖像在分別使用 個方向模板濾波後，分別突出顯示了45°方向和135°方向的線性體。
圖3-11 方向濾波前後圖像對比
2.平滑濾波
當需要去除圖像上的雜訊時，往往使用平滑濾波或低通濾波，加強圖像中的低頻成分，減弱圖像的高頻成分，使圖像由「粗糙」變得「光滑」。均值濾波就是一種典型的平滑濾波方法，即用局部范圍內臨域像元亮度均值代替中心原像元亮度值。工作中平滑濾波主要使用在遙感蝕變信息提取後，信息雜訊的去除。如圖3-12所示，提取的銹水河鉛鋅礦異常在平滑濾波後，雜亂細小的信息斑點被去除，信息成「塊」成「帶」出現，方便了對異常分布的分析。
圖3-12 平滑濾波前後PCT分級效果對比
(五)彩色變換技術
彩色變換技術是指將彩色圖像在不同的彩色坐標系統之間的變換，主要應用在不同遙感器的數據或不同性質的數據融合後彩色合成圖像的產生。在圖像融合上常使用IHS變換，其簡式如下:
滇東北鉛鋅銀礦床遙感地質與成礦預測
變換後RGB混色系統分離為代表空間信息的明度(I)和代表波譜信息的色別(H)、飽和度(S)。從公式可以看出，明度(I)是3個波段的平均亮度，融合時使用直方圖匹配後的高解析度波段代替I，與原來的H、S一起進行IHS變換的反變換，重新變換到RGB空間，這樣圖像既保證了高解析度數據的參與，提高地面分辨能力，又保持了原來多光譜波段的光譜特徵。其融合效果參見圖3-5。
另外，項目工作中較常用的是RGB彩色合成，當圖像的飽和度缺乏時，也通過IHS變換的方法，專門對變換後的飽和度分量(S)進行調整，反變換後的圖像可解譯性會明顯提高。
㈢ DOTA V1.5數據集：基於航空圖像的大規模目標檢測數據集
目標檢測是計算機視覺任務中一個具有挑戰性的方向。盡管在過去十年中目標檢測在自然場景中有了重大突破，但是在航拍圖像的進展是十分緩慢的，這不僅是因為地球表面相同類別物體的規模、方向和形狀有著巨大的差異，而且還因為缺少航拍影像中目標對象的標注信息。為了推進「Earth Vision」（也稱為「地球觀測和遙感」）中目標檢測的研究，我們提出了用於航拍影像中用於目標檢測的大規模數據集（DOTA）。我們從不同的感測器和平台收集了2806個航拍影像，每張圖像的大小約為4000*4000像素，並包含了各種不同比例、方向和形狀的目標對象。航拍圖像專家將這些DOTA數據集圖像中常見的15種對象類別進行標注。完全注釋之後的DOTA數據集圖像包含188282個實例，每個實例都由四點確定的任意四邊形（8 d.o.f.）標記。為了建立地球視覺中目標檢測的基準，我們評估了DOTA上最新的目標檢測演算法。實驗表明，DOTA能夠代表真實的地球視覺應用，並具有一定的挑戰性。
Earth Vision中的目標檢測是指在將地球表面感興趣的物體（例如車輛、飛機場）定位並預測他們的類別。與傳統的目標檢測數據集相反，在傳統的目標檢測數據集中，物體的位置通常由於重力而以一種向上的姿態出現，航拍圖像中物體的實例通常以任意狀態出現，如圖1所示，這取決於航拍視角的關系。
由於計算機視覺領域的最新進展以及Earth Vision應用的高要求，有大量的研究者已經開始圍繞航拍影像中的目標檢測開展研究，這些方法中的大多數嘗試將原有的目標檢測演算法應用在航拍影像中。最近，在基於深度學習的目標檢測演算法取得巨大成功的鼓舞下，Earth Vision的研究者們基於大規模數據集（ImageNet和MSCOCO數據集）預訓練模型上進行微調網路的方法，使之在航拍數據集檢測中有所改善。
盡管這種基於微調的方法是可行的，但是如圖1所示，航拍圖像中的目標檢測與常規的目標檢測有著以下方面的區別：
近年來，在一些較為依賴數據的研究中，數據集扮演著十分重要的角色，像MSCOCO這樣的大型數據集在促進目標檢測和圖像捕捉研究方面發揮了重要的作用。當涉及到分類任務和場景識別任務時，ImageNet以及Places也很重要。
但是，在航拍目標檢測中，缺少像MSCOCO和ImageNet這樣在圖像數量和詳細注釋方面的數據集，特別是對於開發基於深度學習的演算法時，這是Earth Vision研究的主要障礙之一。航拍目標檢測對於車輛計數，遠程目標跟蹤和無人駕駛領域非常有用。因此，創建一個能實際應用的大規模數據集並提出富有挑戰性的航拍目標檢測基準對於促進該領域的研究十分必要。
我們認為，一個好的航拍影像數據集應該具有以下四個屬性：
1）大量的圖片；2）每個類別都有很多實例；3）合適角度的目標注釋框；4）許多不同類別的對象，這使得數據集能夠應用到實際中。然而目前所公開的航拍數據集存在以下缺點：圖像數據和類別不足，缺少更精細的注釋以及解析度過低。而且，它們缺少復雜性並不能足以應用再實際現實世界中。
像TAS，VEDAI，COWC等數據集只關注車輛，UCAS-AOD包含汽車和飛機，HRSC2016隻包含船隻，雖然有標注細致的分類信息。但所有這些數據集在類別的數量上都是少的，這對它們在復雜場景的泛化適應上有所約束。作為對比，NWPU VHR-10數據集由10種類型的物體組成，而它的總實例數大概只有3000。關於這些已存在的數據集的具體比較細節在表1中給出。我們在第四部分可以看到，對比這些航拍數據集，DOTA具有更龐大的目標實例數目、隨意但是均勻的方向，多樣性的分類目錄和復雜的航拍場景。此外，DOTA數據集中的場景與真實場景更加一致，所以DOTA數據集對於真實世界應用開發來說是更有幫助的。
當涉及到普通對象數據集時，ImageNet和MSCOCO因其具有大量的圖像、更多的類別和詳細的注釋而被大多數研究人員所選擇。在所有對象檢測數據集中，ImageNet的圖像數量最多。但是每個圖像的平均實例數遠少於MSCOCO和我們的DOTA數據集，而且必須擁有干凈的背景和精心選擇的場景帶來了局限性，DOTA數據集中的圖像包含大量的對象實例，其中一些圖片具有1000多個實例。 PASCAL VOC數據集在每個圖像和場景的實例上與ImageNet相似，但是圖像數量不足使得它不適合處理大多數檢測需求。我們的DOTA數據集在實例編號和場景類型方面類似於MSCOCO，但是DOTA的類別不如MSCOCO那樣多，因為可以在航拍影像中能清晰看到的對象時非常有限的。
此外，在上文提到的大規模普遍目標檢測基準中DOTA數據集的特別之處在於使用OBB方法注釋，OBB可以很好的區分目標物體的離散與聚集，在第三部分詳細描述了使用OBB注釋目標物體的好處。在表2中對DOTA,PASCAL VOC,ImageNet and MSCOCO等數據集的比較中給出不同點。
在航拍數據集中由於存在多種多樣的感測器被使用的情況，導致數據集產生偏差。為了消除這些偏差，我們數據集中的圖片是由多解析度多感測器和多平台收集而來的，如谷歌地球。為了提高數據的多樣性，我們收集的圖片的城市是由圖像判讀方面的專家來挑選的。在挑選過程中，會記錄下精確的地理坐標，來捕捉圖片使得確保沒有重復的圖像。
我們的DOTA數據集注釋選擇了15種類別，包括飛機、船隻、儲蓄罐、棒球內場、網球場、籃球場、田徑場、海港、橋、大型車輛、小型車輛、直升飛機、英式足球場、環狀交叉路口、游泳池。
標注類別是由圖像判讀方面的莊家根據目標物體的普遍性和現實世界中存在的價值來挑選的，前十個類別在已有的數據集中很普遍，我們保留了下來，除了將交通工具的汽車分為大型和小型，因為兩種類型的汽車在航拍圖像上區別很大。其他的類別主要是由於現實場景的應用。我們選擇直升機是考慮到航拍圖像中運動物體具有重要的意義，環狀交叉路口被選中是因為它在巷道分析中具有重要意義。
要不要把「stuff」作為一類是值得探討的，在SUN數據集中，一般說來沒有明確的定義說明什麼是stuff一類，比如海港、機場、停車場。但是，它們提供的語義信息是對檢測有幫助的。我們只採納了海港分類，因為它的邊界容易定義，並且在我們的圖片源信息中有豐富的實例。最後拓展的分類是足球場。
在表2我們比較了DOTA和NWPU VHR_10，後者在先前存在的航拍圖像目標檢測數據集中有更多的分類數。而且DOTA在目錄分類數目和每一類下的實例數目都遠超過了NWPU VHR-10。
我們考慮了許多不同的注釋方法。在計算機視覺領域，許多視覺概念（比如區域說明，目標，屬性，關系）都可以被一個注釋邊框說明，對邊框的一個普遍描述一般採用 ，其中 表示位置， 是邊框的寬和高度。
沒有一定方向的物體可以採用這種注釋方式充分注釋。然而，在航拍影像中的文本和物體以這種方式標記的邊界框不能精確或緊湊地貼合物體的輪廓。如圖3（c）所示的極端但實際的普遍存在情況和圖（d）比起來，兩個邊界框之間的重疊是如此之大以至於最先進的對象檢測方法也不能區分它們。為了解決這一問題，我們需要一種其他更適合面向這種有一定方向物體的注釋方法。
一個可選選項是採用基於 的邊界框，它被應用於一些文本檢測基準，即 ，其中 表示從邊界框與水平方向的夾角度。但這種方法的缺點是依舊不能貼合圍繞住那些不同部分之間可能有較大變形的物體。考慮到航拍圖像中物體的復雜場景和物體的各種方位，我們需要放棄這種方法選擇其他更靈活易懂的方式。一種可供選擇的方法是使用任意四邊形邊界框，它可以被描述為： ，其中 表示圖像中定向邊界框的頂點的位置，頂點按順時針順序排列，這種方法在定向場景的文本檢測中廣泛使用。我們受到這些研究的啟發，在注釋物體時使用這種任意四邊形邊界框的方式。
為了進行更具體的注釋，如圖3所示，我們強調了第一點 的重要性，該點通常表示對象的「首部」。對於直升機，大型車輛，小型車輛，港口，棒球鑽石，輪船和飛機等類別，我們選擇與之豐富的潛在用途有關的點作為起始點。對於足球場，游泳池，橋梁，地面田徑場，籃球場和網球場類別來說，沒有視覺上的線索來確定第一個點，因此我們通常選擇左上角的點作為起點。
我們在圖4中展示了DOTA數據集中一些已經注釋過的例子(不是全部的初始圖像)
為了確保訓練數據和測試數據分布大致相同，我們隨機選擇原始圖像的一半作為訓練集，將1/6作為驗證集，將1/3作為測試集。 我們將為訓練集和驗證集公開提供所有帶有原始事實的原始圖像，但不會為測試集提供。 為了進行測試，我們目前正在構建評估服務。
與其他圖像數據集相比，航拍圖像一般尺寸很大。我們的數據集中圖像的原始大小約為800×800到4000×4000之間不等，而常規數據集中的大多數圖像（例如PASCAL-VOC和MSCOCO）則不超過1000×1000。我們在原始完整圖像上進標注，而不將其分割成塊，以避免將單個實例分割成不同碎片的情況。
如圖1（f）所示，我們的數據集在不同方向的實例中達到了比較好的平衡，這對於網路檢測器的魯棒性提升有很大幫助。此外，我們的數據集更接近真實場景，因為在現實世界中通常會看到各種方向的對象。
我們還為數據集中的每幅圖像提供了空間解析度，這可以推斷出實例的實際大小。空間解析度對檢測任務的重要性有兩個方面。首先，它使模型對於相同類別的各種對象更具適應性和魯棒性。眾所周知，從遠處看物體會顯得更小。具有不同大小的同一對象會給模型造成麻煩並損害分類。但是，通過提供解析度信息而不是對象的大小，模型可以更加關注形狀。其次，可以進行進行更精細的分類。例如，將一艘小船與一艘大型軍艦區分開是很簡單的。
空間解析度還可以用於過濾數據集中標記錯誤的離群值，因為大多數類別的類內實際大小變化是有限的。在較小的空間解析度范圍內，選擇與同類物體尺寸相差較大的物體，可以發現離群值(Outliers)。
按照[33]中的規定，我們將水平邊框的高度（簡稱為像素大小）稱為實例大小的度量。我們根據水平邊界框的高度將數據集中的所有實例分為三個部分：較小的范圍為10到50，中間的范圍為50到300，較大的范圍為300以上。圖3說明了不同數據集中的三個實例拆分的百分比。顯然，PASCAL VOC數據集，NWPU VHR-10數據集和DLR 3K Munich Vehicle數據集分別由中間實例，中間實例和較小實例主導。但是，我們在小實例和中間實例之間實現了良好的平衡，這與現實世界場景更加相似，因此有助於在實際應用中更好地捕獲不同大小的對象。
值得注意的是，像素大小在不同類別中有所不同。例如，車輛可能小到30像素，但是橋梁可能大到1200像素，比車輛大40倍。不同類別實例之間的巨大差異使檢測任務更具挑戰性，因為模型必須足夠靈活以處理極小的物體。
表3：航拍圖像和自然圖像中某些數據集的實例大小分布比較
對於基於錨的模型，例如Faster RCNN和YOLO V2，長寬比是至關重要的因素。我們對數據集中所有實例的兩種長寬比進行計數，以提供更好的模型設計參考：1）最低程度受限於水平邊界框的橫縱、2）原始四邊形邊框的長寬比。圖5說明了我們數據集中實例的兩種縱橫比分布類型，我們可以看到實例的縱橫比差異很大。此外，DOTA數據集中有許多橫縱比較大的實例。
航拍圖像中常常包括數以千計的實例，它們完全與自然場景圖像不同。例如IMANEET數據集中每張圖像平均包含2個類別和2個實例，MSCCO共有3.5個類別、7.7個實例。如圖5所示我們的DOTA數據集更豐富，每個圖像的實例可以高達2000個。
在一幅圖像中有如此多的實例，不可避免地會看到很密集的實例聚集在某個區域。在COCO數據集中，實例並不是逐個注釋的，因為圖像中的遮擋使之難以將實例與其相鄰實例區分開來。在這些情況下，實例組被標記為一個屬性名為「crowd」的片段。然而，這種情況不會在航拍圖像下出現，因為從航拍視角來看，很少有遮擋物。因此，我們可以在擁擠的實例場景中將實例一個個分別標注。圖4展示了聚集著很多實例的一個例子。在這種情況下檢測物體對現有的檢測方法提出了巨大的挑戰。
我們在DOTA上評估了最新的物體檢測方法。對於水平物體檢測，我們謹慎地選擇Faster R-CNN，R-FCN，YOLO V2和SSD作為我們的基準測試演算法，因為它們在一般物體檢測中具有出色的性能。對於定向對象檢測，我們修改了原始的Faster R-CNN演算法，以便可以預測正確定向的邊界框，表示為 。
值得注意的是，R-FCN和Faster R-CNN的骨幹網路分別ResNet-101，用於SSD的是Inception V2，YOLO V2用的是GoogLeNet 。
為了全面評估基於深度學習的DOTA檢測方法的現狀，我們提出了兩個任務，即在水平邊界框（簡稱HBB）上進行檢測以及在定向邊界框（簡稱OBB）上進行檢測。更具體地說，無論採用何種方法訓練，我們都根據兩種不同的基礎事實（HBB或OBB）評估這些方法。
DOTA的圖像太大，無法直接發送到基於CNN的探測器。因此，我們將原始圖像裁剪為一系列1024*1024的面片，步幅設置為512。注意在裁剪過程中，完整的物體可能會被切成兩部分。為了方便起見，我們將原始對象的面積為 ，劃分部分 的面積為 然後計算：
最終我們將U<0.7的部分標記為「difficult」，其他的標記和原始注釋一樣。對於那些新生成的部分的頂點我們需要保證它們可以被一個具有4個順時針排列頂點的定向邊界框用一種合適的方法來描述。
在測試階段，我們首先將裁剪後的面片送到一個臨時的結果中，然後將結果合並在一起，來重構原始圖像的檢測，最後我們對預測結果使用NMS(非極大值抑制演算法)。我們設置NMS的參數閾值對於水平邊界框（簡稱HBB）將閾值設置為0.3，定向的邊界框閾值設置為0.1。通過使用這種方式，我們在基於CNN的模型上訓練和測試了DOTA數據集。
對於評價的度量，我們使用和PSASCAL VOC一樣的mAP計算方式。
HBB實驗的ground truth 是通過在原始的已標注的邊界框上計算軸對稱邊界框產生的，為了公平起見，我們將實驗的配置以及超參數設置為與文章[4,16,25,26]一致。
在表4中給出了HBB實驗的預測結果，我們注意到SSD上的結果比其他模型低很多。我們懷疑可能是因為SSD數據集數據增長策略中的隨意裁剪操作，這種操作在普通的目標檢測中有用，但是在航拍圖像目標檢測的大規模小實例上作用有所降低。實驗結果也進一步表明了航拍圖像和普通目標圖像檢測在實例大小上的巨大差別。
OBB的預測比較困難，因為現有的目標檢測方法並非針對定向對象而設計。因此，我們依據准確性和效率選擇Faster R-CNN作為基礎框架，然後對其進行修改使之能預測定向的邊界框。
由RPN（候選區域生成網路）產生的RoIs（興趣區域）是可以被表示為 的矩形框，更為詳盡的解釋是 。在R-CNN程序中，每個RoI都附加有一個ground truth定向邊界框寫作: ，然後R-CNN的輸出目標 由以下等式計算:
其中 。
其他配置和超參數設置保持與Faster R-CNN中所述相同。數值結果顯示在表5中。為了與我們為OBB實施的Faster R-CNN進行比較，我們評估了OBB地面實況在HBB上訓練的YOLO V2，R-FCN，SSD和Faster R-CNN。如表5所示，在HBB上訓練的那些方法的結果比在OBB上訓練的Faster R-CNN的結果低得多，這表明對於空中場景中的定向目標檢測，相應地調整這些方法可能會得到更好的結果。
當我們分析表4中呈現的數據結果時，小型汽車，大型汽車，船隻的分類結果不盡人意，因為它們的尺寸較小，並且在航拍圖像中位置十分密集。然而大型的離散物體如飛機，游泳池、網球場等，表現出的效果較好。
在圖6中我們比較了HBB和OBB兩種檢測方式的結果。在圖6(a)和6(b)中表示的緊密圖像中，HBB實驗的定位精度要比OBB實驗差的多，並且許多結果受到先前工作的限制。所以OBB回歸是定向物體檢測的一個正確方式，並且可以被真正在實際中應用。在圖6(c)中，使用OBB來標注縱橫比較大的物體（比如橋和海港），對於現在的檢測器來說很難做回歸。但是在HBB方法中，這些物體通常有著較為普通的縱橫比，因此結果如圖6(d)看起來比OBB好很多。但是在一些極度擁擠的場景下，比如圖6(e)和6(f)，HBB和OBB的結果並不盡如人意，表明了現階段檢測器具有一定的缺陷。
交叉數據集驗證是數據集泛化能力的一個評價方式。我們選擇UCAS-AOD數據集來做交叉數據集泛化，因為它與其他航空物體檢測數據集相比有著更大的數據量。因為沒有UCAS-AOD數據集的官方劃分方式，於是我們隨機選擇1110個進行訓練和400個進行測試。選擇YOLO V2作為所有測試實驗的檢測器，並且將所有的ground truth使用HBB標注。將UCAS-AOD數據集中原始圖片大小改為960*544作為輸入的圖片大小，其餘的配置不改變。
結果顯示在表6中，對於YOLOv2-A模型而言兩個數據集之間的性能差異分別為35.8和15.6。這表明DOTA極大地覆蓋了UCAS-AOD，並且具有更多的模式和特性，而UCAS-AOD則不具備這種特性。兩種模型在DOTA上的結果都很低，這表明DOTA更具挑戰性。
我們建立了一個大型數據集，用於航拍圖像中進行定向物體檢測，這個數據集比這個領域中所有現有的數據集都要大。 與一般對象檢測基準相反，我們使用定向邊界框標注大量分布良好的定向物體。 我們猜測這個數據集是具有挑戰性的，並且非常類似於自然的航拍場景，更適合實際應用。我們還為航拍圖像物體檢測建立了基準，並展示了通過修改主流檢測演算法生成定向邊界框的可行性。
這個數據集在大圖片中檢測密集排列的小實例和具有任意方向的超大實例都將特別有意義且具有挑戰性。我們相信DOTA不僅會推動Earth Vision中物體檢測演算法的發展，而且還會對計算機視覺中的一般物體檢測提出有趣的問題。
㈣ 泰坦遙感圖像處理軟體的Titan Image V8.0特點
1、強大的數據支持能力
1） 能夠直接操作PCI PIX、TIF、GEOTIFF、BMP、JPEG、RAW主流遙感影像數據格式，並支持Titan GIS 、ArcView SHP、MapInfo MIF、DXF等上百種數據格式的讀取、轉換。
2) 具備開放、靈活的底層架構，提供強大的對新增數據源支持能力
2、豐富高效的遙感圖像處理功能 持國內外主流遙感影像的高精度處理功能 提供上百種核心遙感影像處理工具供用戶選擇 集成高空間解析度衛星數據及航空數據處理、高光譜、雷達數據處理功能，滿足用戶多種需求 3、方便友好的操作方式
基於國內用戶使用習慣的深入調研和理解，提供貼合用戶操作習慣的使用流程，界面友好，操作方便，易學易用；
支持多任務處理功能，允許用戶同時執行多個處理操作。系統以後台執行操作的方式，並行執行多個處理任務。提高圖像處理的效率，節省用戶的時間。
4、強大的GIS功能
支持大多數常用GIS數據源，提供對矢量庫、影像庫、影像文件、各種GIS專題數據的疊加顯示及地圖整飾工作；提供了高質量、專業化的影像圖製作。
5、豐富的二次開發函數庫 提供多達上百種的C++圖像處理演算法庫和靈活多樣的演算法擴展實現模式，支持VC++開發環境； 2） 提供細顆粒度開發組件，支持.NET、C++開發環境。
6、緊密的更新升級機制 密跟蹤國產遙感衛星發射計劃，快速實現對新增感測器的支持，以提供對TH、ZY-3、ZY02-C的支持 密切跟蹤國家相關標准規范修訂，確保軟體系統的同步更新 關注用戶體驗，針對用戶反饋及時更新 三、Titan Image V8.0 新特性 新增無人機數據處理模塊：針對國土、環保、林業等行業的應急保障需求，提供無人機數據的快速定向、自動匹配、空三處理、正射校正以及鑲嵌功能，操作簡便、高效快捷、通用性強 新增基於衛星遙感影像立體像對的DEM提取功能：能處理P5、天繪、資源三號等多種感測器，支持DEM快速生產； 新增影像自動接邊功能：針對影像鑲嵌時重疊區域出現錯位的問題，提供自動接邊處理功能，有效糾正范圍可達50個像素，為用戶提供高質量的鑲嵌結果； 全新的高光譜數據處理模塊：從實際工程應用出發，增加多種獨創的高光譜處理函數，極大豐富了原有的演算法庫，能處理主流高光譜衛星遙感數據及實驗室光譜儀數據，為高光譜數據用戶提供更加專業、實用的高光譜數據處理方法； 全新組織的影像工具箱：對影像工具箱的功能進行了重組，新增遙感影像立體像對DEM提取功能，並集成了原幾何配准、影像鑲嵌模塊，提高了影像工具箱的影像處理能力 改進面向對象分類功能：改進圖像分割演算法的運行效率，能更好的支持大數據量的分割，提高面向對象分類的實用性 改進影像鑲嵌功能：對自動鑲嵌線生成演算法進行了重新設計，提高鑲嵌效率； 四、Titan Image V8.0 產品功能 Titan Image8.0流程化定製模塊提供一個工作流處理的定製工具，提供了遙感圖像常用操作和處理演算法，用戶只需根據數據處理的要求，很方便地定製所需的數據處理流程，系統即可根據用戶的要求自動、批量地處理圖像數據。用戶也可以根據數據處理要求的變化而相應地更改數據處理流程。 可視化操作界面； 可定製與擴展的數據處理流程； 批處理與高效性。 重點項目介紹：
遙感數據處理商用軟體（863重點項目）
遙感數據處理商用軟體項目由北京東方泰坦科技股份有限公司主持，採用遙感領域成熟的研究成果和先進的軟體開發技術，研製開發了完全自主知識產權、實用、可靠、先進的泰坦遙感圖像處理軟體系統，該系統目前已達到了和國際知名遙感圖像處理軟體同等技術水平。系統由軟體集成環境、幾何校正，影像鑲嵌，雷達數據處理，高光譜數據處理，高空間解析度數據處理、三維飛行、影像庫服務管理九個主模塊組成，同時具有強大的二次開發功能，滿足了我國各行業遙感應用的需要。目前該軟體已經在眾多行業得到了廣泛的應用，被很多行業用戶選定為本行業的底層支撐軟體平台；獲得了國家多部門多次表彰，並被指定為「國家級重點新產品」。
多源遙感數據處理與服務系統（863重點項目）
該項目由北京東方泰坦科技股份有限公司牽頭武漢大學、中科院遙感應用研究所、中國測繪科學研究院三家單位共同參加完成的面向國家和行業部門提供大范圍、綜合、高效的多源遙感數據處理與應用服務，實現我國自主衛星遙感數據綜合化、流程化處理與應用。該系統借鑒國際多源遙感處理和產品加工前沿技術，建立專業的遙感圖像加工處理系統（高解析度處理專業模塊、SAR數據專業處理模塊、高光譜數據處理專業模塊和紅外遙感數據專業處理模塊），為「多源遙感數據綜合處理與服務系統」提供技術支撐。 該項目的成果，為我國自主產權的大數據量遙感數據快速並行處理系統奠定了基礎。
投資項目遙感動態監測與管理信息系統（863重點項目）
北京東方泰坦科技股份有限公司作為項目承擔單位負責整個項目的管理和核心技術的攻關及產品研發。該項目針對國家統計局在投資項目動態監測與管理方面的重大需求，通過制定相關標准和規范，基於遙感技術，結合GIS、GPS技術，研究對投資項目進行遙感動態監測與管理的機理、模型和技術方法，建立投資項目遙感動態監測與管理業務運行系統。該系統解決了目前統計業務中空間地理信息缺乏、數據更新遲緩、實地取證困難、數據難保真等方面的問題，全面提升對投資項目的宏觀監測管理水平，為國家統計局投資司的投資項目監測管理業務實現「陽光統計」、「科學統計」提供技術手段，為投資項目的重點監測與預警、快速遙感調查應急反應、統計輔助巡查等提供新的技術支撐和信息服務。該項目的成果，在重點投資項目的實施監測、用地監測管理等應用中，得到廣泛應用。
泰坦 (Titan)大型空間信息處理系統軟體平台（北京市科技攻關重大計劃）
本項目在泰坦GIS、遙感、制圖等軟體基礎上，研發形成了可以支撐大型空間信息處理應用的軟體平台，該平台可以進行遙感圖像的網路分布式處理，海量空間數據管理，研製了空間信息應用開發組件庫，特別是在大型空間信息處理系統平台集成技術上的創新成果，得到了專家組的一致認可。項目成果在「北京一號小衛星深加工」、「網路導航及產業鏈構造」等多個民用和軍用項目中得到應用，開發了國內各領域的大量用戶，取得了很好的經濟和社會效益，項目成果榮獲2006年「北京市科技進步二等獎」，較好地推動了我國自主創新的空間信息軟體行業的發展。
土地整理遙感監測技術研究與應用（863項目）
該項目是國家科技部在對地觀測與導航領域設立的863專題項目，項目對遙感技術及地理信息系統在土地整理中的應用進行了深入研究。主要包括基於遙感數據的土地資源整理標准研究，基於成像光譜與雷達數據等多源數據融合的土地質量信息提取，基於「3S」技術的全國、區域、縣域和鄉級不同尺度的土地資源調查、監測技術方法體系構建。該項目由國土資源部有關部門具體組織協調管理，由北京東方泰坦科技股份有限公司具體實施完成。該項目成果為土地變化的快速監測，建庫管理提供了基礎。
高(多)光譜遙感礦物蝕變信息提取技術及軟體開發（863項目）
該項目是國家科技部在資源環境技術領域設立的863專題項目，由北京東方泰坦科技股份有限公司具體實施完成。根據冶金勘查部門的具體應用要求，北京東方泰坦科技股份有限公司完成了基於GIS的遙感圖像標准制圖技術與規範文本，研發完成了遙感礦物蝕變信息提取技術的軟體系統以及示範區的系列應用成果。形成了一套比較完備的遙感礦物蝕變信息提取的方法體系和工程化的解決方案（或工作流程）；構建了不同地質與生態景觀區遙感礦物蝕變信息提取的最佳方法組合模式；提交了一套遙感礦物蝕變信息提取技術的軟體系統。該系統在西藏地質勘查及南非找礦中，被有關部門廣泛採用。
大數據量數據壓縮、傳輸與規模化處理關鍵技術研究（國防科工委「十一五」民用遙感衛星應用技術研究項目）
該項目是國防科工委在「十一五」我國民用遙感衛星應用技術發展領域設立的研究項目，項目完成了建立統一的大數據量航空、航天遙感數據的存儲和管理模型，大數據量遙感影像的快速高質量壓縮機制，大數據量遙感數據的大規模處理平台三大任務。該項目研究了包括海量空間數據的壓縮演算法研究、海量高速率數據的實時傳輸與記錄研究、高性能遙感數據處理技術研究等，為遙感空間數據的快速壓縮、網上發布與處理奠定了基礎。
㈤ 遙感影像的三種主要格式定義
遙感圖像包括多個波段，有多種存儲格式，但基本的通用格式有三種，即BSQ、BIL和BIP格式。
1、BSQ(band sequential)是像素按波段順序依次排列的數據格式。即先按照波段順序分塊排列，在每個波段塊內，再按照行列順序排列。同一波段的像素保存在一個塊中，這保證了像素空間位置的連續性。
2、BIL(band interleaved by line)格式中，像素先以行為單位分塊，在每個塊內，按照波段順序排列像素。同一行不同波段的數據保存在一個數據塊中。像素的空間位置在列的方向上是連續的。
3、BIP(band interleaved by Pixel)格式中，以像素為核心，像素的各個波段數據保存在一起，打破了像素空間位置的連續性。保持行的順序不變，在列的方向上按列分塊，每個塊內為當前像素不同波段的像素值。
(5)dota遙感圖像像素為多少擴展閱讀
各類遙感圖像都存在在幾何校正的問題。由於人們已習慣使用正射投影的地形圖，因此對各類遙感影像的畸變都必須以地形圖為基準進行幾何校正。幾何校正大致如下：
①選擇控制點：在遙感圖像和地形圖上分別選擇同名控制點，以建立圖像與地圖之間的投影關系，這些控制點應該選在能明顯定位的地方，如河流交叉點等。
②建立整體映射函數：根據圖像的幾何畸變性質及地面控制點的多少來確定校正數學模型，建立起圖像與地圖之間的空間變換關系，如多項式方法、仿射變換方法等。
③重采樣內插：為了使校正後的輸出圖像像元與輸入的未校正圖像相對應,根據確定的校正公式，對輸入圖像的數據重新排列。在重采樣中，由於所計算的對應位置的坐標不是整數值，必須通過對周圍的像元值進行內插來求出新的像元值。
㈥ 解析度是單位長度的像素數,為什麼在遙感影像處理中解析度單位是米
1、解析度是一個總概念，除了影像解析度以外，還有空間解析度、光譜解析度、輻射解析度等等，其含義和要素各有不同；
2、單就影像解析度而言，通常是指單位長度的像素數。但影像解析度是一個總概念，其中還細分不同的子解析度。不同的子解析度，單位長度的標準是有不同的；
3、影像解析度中單位長度雖然各有不同，但各個具體領域中的影像解析度的單位長度，都是有全球共識的默認的獨立的標准。如果不採用默認共識的長度標准，則需要自行換算；
4、家用（ 或普通 ）領域的影像解析度，單位長度通常確定為英寸，比如列印（ 噴繪 ）解析度（ DPI ）是指每英寸墨點數，顯示解析度（ PPI ）是指每英寸像素數。有些地方比如中國大陸有不習慣採用英寸的，測可換算為毫米；
5、專業領域的影像解析度，單位長度標准各有不同。比如顯微影像的解析度單位長度是微米，航空和衛星影像的解析度單位長度就是米，等等；
6、遙感解析度用於航空影像和衛星影響，故解析度的標准單位長度就是米；
7、有些實驗室為了便於比較、通常將解析度的單位長度統一為某個約定俗成的單位，比如統一換算為英寸等，但其本質是一樣的；
8、至於有其他網友說的相機全畫幅與手機的區別，與解析度單位長度風馬牛不相及，更是與遙感解析度毫不相關。全畫幅與手機影像的區別，是在感測器 ADC 技術相同時（ 當然還有鏡頭和處理器 ），像素總數（ 決定輸出畫幅 ）和像素密度（ 決定影響質量 ）的區別，這與遙感影像解析度不搭界的。
㈦ 誰能告訴我遙感影像的空間解析度、光譜解析度、時間解析度分別是什麼含義遙感影像還有哪幾種解析度
遙感影像還有地面解析度、影像解析度。
1、空間解析度，是指遙感圖像上能夠詳細區分的最小單元的尺寸或大小，是用來表徵影像分辨地面目標細節的指標。通常用像元大小、像解率或視場角來表示。
2、光譜解析度，是指感測器所能記錄的電磁波譜中，某一特定的波長范圍值，波長范圍值越寬，光譜解析度越低。
3、時間解析度，是指在同一區域進行的相鄰兩次遙感觀測的最小時間間隔。對軌道衛星，亦稱覆蓋周期。時間間隔大，時間解析度低，反之時間解析度高。
4、地面解析度，是衡量遙感圖像能有差別地區分開兩個相鄰地物的最小距離的能力。超過解析度的限度，相鄰兩物體在圖像上即表現為一個單一的目標。
5、影像解析度，是指遙感解析度在不同比例尺的具體影像上的反映。遙感解析度隨遙感影像的比例尺不同而變化， 像素和解析度是成正比的，像素越大，解析度也越高。
(7)dota遙感圖像像素為多少擴展閱讀：
感測器的波段數越多，波段寬度越窄，地面物體的信息越容易區分和識別，針對性越強。成像光譜儀所得到的圖像在對地表植被和岩石的化學成分分析中具有重要意義，因為高光譜遙感能提供豐富的光譜信息，足夠的光譜解析度可以區分出那些具有診斷性光譜特徵的地表物質。
對於特定的目標，選擇的感測器並非波段越多，光譜解析度越高，效果就越好，而要根據目標的光譜特性和必需的地面解析度來綜合考慮。在某些情況下，波段太多，解析度太高，接收到的信息量太大，形成海量數據，反而會掩蓋地物輻射特性，不利於快速探測和識別地物。
參考資料來源：
網路——空間解析度
網路——光譜解析度
網路——時間解析度
網路——地面解析度
網路——影像解析度
㈧ 遙感中的精度（如30米）與地圖學中的比例尺（如1：1000）有什麼區別
這兩者之間沒有什麼聯系。
遙感中講的30米是指，一幅遙感影像中，每個像素（像素是什麼應該知道吧）對應地面距離為30米。這個術語叫做地面解析度。本質上是地面30×30米大小的地方，對應遙感圖像中的一個像素。
將地圖學中講的1：1000比例尺地圖一幅，變成圖像後，每個像素代表的距離為：
25.4毫米 × 圖像解析度（如400dpi）× 地圖比例尺（1000）= 63.5毫米=0.0635米
也就是說，在按400dpi掃描的1:1000地圖中，每個像素代表實地距離0.0635米。
但是要注意，這個0.0635米與遙感中的「地面解析度為0.0635米」不是一個概念。
㈨ 衛星解析度的概念
解析度可以從顯示解析度與圖像解析度兩個方向來分類。
顯示解析度(屏幕解析度)是屏幕圖像的精密度，是指顯示器所能顯示的像素有多少。由於屏幕上的點、線和面都是由像素組成的，顯示器可顯示的像素越多，畫面就越精細，同樣的屏幕區域內能顯示的信息也越多，所以解析度是個非常重要的性能指標之一。可以把整個圖像想像成是一個大型的棋盤，而解析度的表示方式就是所有經線和緯線交叉點的數目。顯示解析度一定的情況下，顯示屏越小圖像越清晰，反之，顯示屏大小固定時，顯示解析度越高圖像越清晰。
圖像解析度則是單位英寸中所包含的像素點數，其定義更趨近於解析度本身的定義。
世界高解析度衛星排名：
隨著認識地球、研究地球的深入，人類逐漸將視點從地面、低空擴展到太空，對地球的觀測也越來越對連續性、快速性、精確性等提出了更高要求。
高解析度對地觀測衛星隨之進入了人類的視野，它們個個「身懷絕技」，以便更全面、更清楚、更深刻地了解地球及其周圍環境，成為人類在太空安裝的高效「監控眼」。
高分市場軍用領跑
簡單來講，高解析度對地觀測衛星可以劃分為軍用和民用兩類用途，而且二者都有廣闊的應用市場。
軍用遙感衛星和民用遙感衛星在原理上並無二致，主要區別體現在衛星所使用的譜段和對地面解析度要求上的差異。軍用遙感衛星主要在可見光或近紅外譜段成像，解析度優於1米。
也正因此，軍用遙感衛星大部分都屬於高解析度對地觀測衛星，只有少數用於普查的軍用遙感衛星為了提高時間解析度，而選擇較高的運行軌道，從而使得衛星的空間解析度有所減弱。
與之相比，民用遙感衛星則主要在多光譜成像，以便識別地面各種特徵，其解析度高低差異參差不齊，但其總體水平普遍在軍用衛星之下。
在軍用高解析度光學成像遙感衛星領域，美國鎖眼12號衛星最為突出。它採用了大面陣探測器、大型反射望遠鏡系統、數字成像系統、自適應光學成像技術、實時圖像傳輸技術等，鏡頭口徑3米，焦距27米，解析度達0.1米。