遙感圖像的特征提取方法研究

1、<p><b>　　龍巖學(xué)院</b></p><p>　　資源工程學(xué)院畢業(yè)論文</p><p>　　題 目： 遙感圖像的特征提取方法研究 </p><p><b>　　資源工程學(xué)院 </b></p><p>　　遙感圖像的特征提取方法研究

2、 </p><p>　　【摘要】 隨著科技的發(fā)展和遙感圖像所包含的內(nèi)容愈加豐富，對遙感圖像目標(biāo)的自動識別和分類應(yīng)用也愈加廣泛。圖像識別分類的部分步驟如下：經(jīng)圖像處理來進(jìn)行校正坐標(biāo)、輻射等；數(shù)字圖像增強(qiáng)達(dá)到提高清晰度、對比度等來突出目標(biāo)信息；圖像融合是影像包含的數(shù)據(jù)更有利于分析、特征提取來滿足用戶需要……其中特征提取的內(nèi)容和方法顯得非常重要，它直接決定了識別和分類的效率和準(zhǔn)確性。如何為不同類別的遙感圖像提取相對

3、應(yīng)的有良好表征好且受噪聲小的特征參數(shù)，是應(yīng)用研究的一個重要問題。</p><p>　　【關(guān)鍵詞】目標(biāo)自動識別分類；圖像處理；數(shù)字圖像增強(qiáng)；圖像融合；特征提取</p><p><b>　　目錄</b></p><p><b>　　1、緒論1</b></p><p>　　1.1論文的研究背景及意義

4、1</p><p>　　1.2圖像特征提取方法的研究現(xiàn)狀1</p><p>　　1.3常用的特征提取方法總結(jié)1</p><p>　　1.3.1光譜特征1</p><p>　　1.3.2紋理特征2</p><p>　　1.4本文的研究內(nèi)容3</p><p>　　2.特征提取前的圖像

5、處理3</p><p>　　2.1圖像融合技術(shù)3</p><p>　　2.2圖像最佳波段組合5</p><p>　　3.遙感圖像的特征提取方法7</p><p>　　3.1主成分分析7</p><p>　　3.2核主成分分析8</p><p>　　3.3兩種方法特征提取效果對比10

6、</p><p><b>　　3.4總結(jié)12</b></p><p><b>　　4.結(jié)束語13</b></p><p><b>　　5.致謝詞13</b></p><p><b>　　1、緒論</b></p><p>　　論

7、文的研究背景及意義</p><p>　　遙感技術(shù)在新紀(jì)元開始迅猛發(fā)展，使可得的遙感數(shù)據(jù)源大大增加。高光譜、多時相和立體觀測影像等豐富的遙感影像數(shù)據(jù)為信息的獲取提供了可能性，但對數(shù)據(jù)挖掘帶來了難題：數(shù)據(jù)交叉重疊，冗余度大，計算量大等等。</p><p>　　遙感應(yīng)用已經(jīng)遍布各行各業(yè)，鑒于遙感圖像特征提取方法還屬于新興課題，各種算法、方法帶有一定的經(jīng)驗(yàn)性，還不成熟。特征提取能夠去除冗余的信息，

8、還能提高目標(biāo)物的識別精度、減少分類過程中的運(yùn)算量等作用。對遙感圖像特征提取方法進(jìn)行研究，結(jié)合圖像處理、變換、融合等手段，能夠準(zhǔn)確快速提取目標(biāo)信息，滿足用戶需求。</p><p>　　所謂圖像的特征，通常是將遙感圖像用數(shù)值、符號或圖形來表示，反映著圖像中基本的重要信息，把獲取圖像特征信息的過程稱為特征提取。遙感信息特征提取方法手段各異，特征的提取并非越多越好，提取什么樣的特征，到什么程度，這都要根據(jù)實(shí)際要解決的問題

9、來決定，適當(dāng)調(diào)整，節(jié)省人力物力。不同領(lǐng)域的圖像都有自己獨(dú)特的特征，并且結(jié)構(gòu)也不一樣，圖像反映出來的目標(biāo)受視覺影響，如區(qū)域亮度、邊緣輪廓、紋理或色彩等各不一樣，而有些則是需要通過變換或者測量才能得到所需要的特征。</p><p>　　圖像特征提取方法的研究現(xiàn)狀</p><p>　　在上世紀(jì)七、八十年代，用軟件來處理圖像的技術(shù)發(fā)展才剛起步，遙感信息特征提取主要是依靠人工目視解譯來完成[1]。人

10、工目視解譯花費(fèi)時間長，嚴(yán)重影響了信息利用效率。隨著計算機(jī)技術(shù)的發(fā)展以及遙感軟件的開發(fā)，遙感信息的提取也從人工逐步轉(zhuǎn)向自動化。圖像的特征提取非常實(shí)用，在國內(nèi)外測繪界、模式識別與人工智能等多個領(lǐng)域都對圖像特征這塊領(lǐng)域做了深入研究，特別是在線狀特征提取的研究上。例如美國的Mckeown實(shí)驗(yàn)室、瑞士的Amobe項目、德國的波恩大學(xué)、奧地利的格拉茨大學(xué)和法國地理學(xué)院等；還有我國的一些著名高校如武漢大學(xué)、國防科技大學(xué)、信息工程大學(xué)等在這方面都作了很

11、多工作[2]。</p><p>　　圖像特征提取的總體思想是： 將提取的特征抽象化 </p><p>　　特征提取 提取圖像的特征值 模式識

12、別</p><p>　　和特征參數(shù) </p><p><b>　　解譯圖像</b></p><p>　　圖像預(yù)處理 建立特征空間</p><p>　　圖1-1 圖像特征處理大概流

13、程</p><p>　　在理論上，特征提取從兩大方面入手。一種方法是特征選擇，指從原有的m個特征空間中，按照一定的要求選出n個特征；另一種方法是特征變換，指的是將原來的特征空間通過線性變換、非線性變換或者其他的某種數(shù)字變換生成一組新的特征空間的過程。</p><p>　　常用的特征提取方法總結(jié)</p><p><b>　　1.3.1光譜特征</b&g

14、t;</p><p>　　一般遙感圖像上的光譜特征是通過多光譜圖像上的像元亮度表現(xiàn)出來，不同的物體在同一波段中的亮度表現(xiàn)不一致；不同的物體在不同波段圖像上亮度呈現(xiàn)的規(guī)律也有差別，人們通過掌握物體的像元亮度，配合光譜特征曲線，以此來辨識目標(biāo)。光譜特征表示地物的特性，與空間結(jié)構(gòu)排列無關(guān)，在光譜特性曲線上體現(xiàn)出來，因此即使在像元亮度差別不大的時候也可以分辨出不同地物[3]。</p><p>　　

15、圖1-2 地物光譜特征曲線</p><p>　　表1-1 特征變換常用的變換方法</p><p><b>　　1.3.2紋理特征</b></p><p>　　紋理是圖像的重要特征之一。所謂紋理，圖像在某些區(qū)域以色調(diào)變化或顏色變化表現(xiàn)出來的重復(fù)出現(xiàn)的圖案。這種圖案是重復(fù)影像中出現(xiàn)的某些區(qū)域的特征。紋理特征有個獨(dú)特之處，就是表征比較穩(wěn)定，不取決

16、于物體表面色調(diào)或亮度。圖像的同質(zhì)化現(xiàn)象、灰度空間布局、表面獨(dú)有的視覺特征及其周圍環(huán)境都能從紋理特征中顯像出來，并且綜合考慮到宏觀結(jié)構(gòu)特點(diǎn)[6]。</p><p>　　基于紋理特征的統(tǒng)計分類方法是作為光譜特征統(tǒng)計分類方法的一個輔助手段。</p><p>　　表2-3 紋理特征提取常用方法</p><p>　　遙感圖像的解譯，除了上述的特征之外，還需要利用地物的邊緣特

17、征、顏色特征、形狀特征和空間關(guān)系特征等。 </p><p>　　由于圖像有很強(qiáng)的領(lǐng)域性，不同行業(yè)要求的信息不一致，盡管人們提出了很多算法，但現(xiàn)有的算法基本上還處于實(shí)驗(yàn)階段，其準(zhǔn)確性、實(shí)用性、通用性等方法離大規(guī)模應(yīng)用要求還有很大差距[7]。</p><p><b>　　本文的研究內(nèi)容</b></p><p>　　遙感圖像包含著各種數(shù)據(jù)，建筑物、行

18、道樹、水文、地形和植被等各種線性與非線性特征，并且有著復(fù)雜的空間關(guān)系。本文的主要研究內(nèi)容一是如何根據(jù)用戶的需要，對遙感數(shù)據(jù)源進(jìn)行有選擇性的加工處理和特征提取，得到最能反映目標(biāo)的本質(zhì)特征；二是對比現(xiàn)有的一些特征提取方法的特點(diǎn)，指出存在的缺陷。</p><p>　　2.特征提取前的圖像處理</p><p><b>　　2.1圖像融合技術(shù)</b></p>&l

19、t;p>　　遙感技術(shù)的發(fā)展提供了多源遙感數(shù)據(jù)，為圖像融合提供前提，可以從不同圖像中得到更多信息，補(bǔ)充單一傳感器的不足[7]。圖像融合是指將通過多源信息通道收集到的圖像按一定的算法，將其信道的信息最大限度利用，綜合成一種新的圖像的過程[8]。當(dāng)今傳感器開發(fā)技術(shù)很難提供既滿足分辨率并且擁有豐富信息的圖像，舉個實(shí)際例子，spot全色波段圖像的空間分辨率相對較高，而光譜分辨率卻很低，而TM多光譜圖像包含著豐富的遙感信息，將二者進(jìn)行融合，可

20、以將兩者各自的優(yōu)點(diǎn)融合在一起，提高多光譜圖像的分辨率，增強(qiáng)圖像特征。</p><p>　　圖像融合一般可以分為三個級別，分別是基于像素的圖像融合，基于特征的圖像融合和基于決策的圖像融合，每種融合又有多種融合方式[9]。圖像融合的算法很多，要根據(jù)融合目的、用戶選擇、數(shù)據(jù)源類型來選擇適當(dāng)?shù)姆椒?。下面主要介紹基于像素和基于特征的圖像融合。像素級融合是在對圖像在原始數(shù)據(jù)層上進(jìn)行融合，強(qiáng)調(diào)的是圖像信息在像元基礎(chǔ)上的綜合，對

21、柵格數(shù)據(jù)進(jìn)行相互幾何配準(zhǔn)，讓每個像元都意義對應(yīng)，然后進(jìn)行圖像合并處理，提高圖像中有用信息成分。特征級融合原理是提取圖像特征，如邊緣特征、地物特征，然后將融合后的特征與其他影像進(jìn)行融合?；谔卣鞯膱D像融合常用的方法一是對兩個不同特征的圖像做邊緣加強(qiáng)，然后加權(quán)融合；二是對其中一個圖像做邊緣提取，然后融合到另一個圖像上。 </p><p>　　舉例分析：（像素級）基于主成分變換的圖像融合[10]。<

22、;/p><p>　　在Erdas軟件中，操作如下：</p><p>　　在主菜單上選擇Image Interpreter▕Spatial Enhancement▕Resolution Merge</p><p>　　輸入高分辨率圖像spots.img ,多光譜圖像 dmtm.img ,定義輸出文件名 reso-merge.img（做主分量變換）</p>&

23、lt;p>　　選擇主成分變換的融合方法</p><p>　　設(shè)置重采樣方法為Bilinear Interpolation</p><p>　　選擇輸出數(shù)據(jù)位Stretch Unsigned 8 bit, 輸出波段為 Select Layers 1:7[11]。</p><p><b>　　如下圖所示</b></p><

24、p>　　圖2-1 高分辨率圖像 圖2-2 多光譜圖像</p><p>　　圖2-3 經(jīng)過PCA融合后的同時具有高光譜信息的分辨率融合圖像</p><p>　　將圖2-3分別與圖2-1和圖2-2進(jìn)行簡單比較，可以輕松地得出結(jié)論：融合后的圖像辨別力增強(qiáng)了，特別是左上角中不同的植被能夠辨別出來，還有公路旁的池塘等地物。從視覺上來講，圖

25、像邊界清晰，各種目標(biāo)地物輪廓明顯，有益于特征提取?？傮w來講，圖像融合數(shù)據(jù)的優(yōu)點(diǎn)可以總結(jié)如下：數(shù)據(jù)來源可靠；增加測量維數(shù)，增加置信度；性能穩(wěn)定，容錯性好；擴(kuò)展了空間、時間的覆蓋等[12]。</p><p>　　2.2圖像最佳波段組合</p><p>　　遙感技術(shù)在特征提取上還存在經(jīng)驗(yàn)性，目前還是以人工目視解譯為主。提升人機(jī)交互式的人工智能解譯技術(shù)是提升特征提取精確性的前提。在圖像解譯的工作中

26、，圖像合成波段的選擇結(jié)果將直接影響到今后作為解譯基礎(chǔ)的遙感圖像的質(zhì)量和使用性[13] 。選擇影響的最佳波段進(jìn)行組合，如將TM 4、5、3進(jìn)行組合，合成后的圖像清晰、反差適中、色調(diào)豐富、易于判別等視覺優(yōu)勢，從而達(dá)到提高目視解譯精度的目的。</p><p>　　對組合后的波段進(jìn)行評價，是用最佳指數(shù)因子OIF作為參數(shù)：圖像數(shù)據(jù)的標(biāo)準(zhǔn)差代表著圖像信息的豐富度，標(biāo)準(zhǔn)差越大，則信息量也就越多；波段間的相關(guān)系數(shù)則表示各個波段質(zhì)

27、之間的獨(dú)立性，相關(guān)系數(shù)越小，表明各個波段之間包含的數(shù)據(jù)獨(dú)立性越高，信息冗余度越小[14]。</p><p><b>　　OIF=</b></p><p>　　上述公式含義：第i個波段的標(biāo)準(zhǔn)差用Si來表示，Rij則代表波段i和波段j的相關(guān)系數(shù)。</p><p>　　計算n個波段的相關(guān)系數(shù)矩陣，分別求出所有可能三組合波段的值。根據(jù)得出的數(shù)據(jù)可選擇出

28、最佳波段組合方案。</p><p>　　表2-1 Landsat-4、5上TM 各波段主要參數(shù)</p><p>　　舉例分析：選取以云南省一幅影像為例，這幅遙感影像攝于92年8月16號，軌道號是129/043該地區(qū)覆蓋了昆明市和大部分周邊地區(qū)，該影像中覆蓋的水體區(qū)域多，更具有代表性。由水體在0.4-0.8μm之間反射較強(qiáng)，根據(jù)TM圖像的波段范圍，可知只要選擇1,2,3,4波段進(jìn)行三波段組

29、合。經(jīng)過ERDAS軟件進(jìn)行數(shù)據(jù)處理，結(jié)果如下：</p><p>　　表2-2 各個波段光譜特征統(tǒng)計表</p><p>　　由第四波段的標(biāo)準(zhǔn)差最大，可知第四波段含有的信息量最豐富。</p><p>　　表2-3 各個波段的相關(guān)度統(tǒng)計表</p><p>　　由上個表格所顯示的數(shù)據(jù)可知道，波段3與波段4之間的相關(guān)值最小，可知二者包含的信息相互獨(dú)立

30、性最好。且波段1、2、3之間的相關(guān)系數(shù)都比較大，所以最有可能的波段組合是134、234、124</p><p>　　表2-4 OIF計算結(jié)果統(tǒng)計表</p><p>　　由上面的表格可得到波段134組合的OIF計算機(jī)最大，代表著兩兩波段之間標(biāo)準(zhǔn)差最大，相關(guān)系數(shù)最小，所以134波段組合是最優(yōu)選擇方案。</p><p><b>　　如圖所示：</b>

31、;</p><p>　　圖2-4 1、2、4波段組合效果圖 圖2-5 1、3、4波段組合效果圖 圖2-6 2、3、4波段組合效果圖</p><p>　　3.遙感圖像的特征提取方法</p><p><b>　　3.1主成分分析</b></p><p>　　主成分分析后的圖像能夠起到壓縮數(shù)據(jù)的目的，并且能讓原來多個有

32、用信息集中到少數(shù)幾個相互獨(dú)立的波段中。是圖像特征提取中常用的一種線性變換方法。 </p><p><b>　　PCA實(shí)現(xiàn)步驟：</b></p><p>　　將原始圖像中m個波段數(shù)據(jù)寫成矩陣為：</p><p><b>　　(3.1)</b></p><p>　　行列分別為個波段數(shù)和每幅圖像中的個像元

33、數(shù)。</p><p>　　將圖像乘以一個線性變換矩陣T，做線性變換 </p><p>　　其中為原始圖像數(shù)據(jù)矩陣，為變換后的數(shù)據(jù)矩陣。</p><p>　　A.求出原始圖像協(xié)方差矩陣，的協(xié)方差矩為： (3.2)</p><p>　　式中：

34、 (3.3)</p><p><b>　　(3.4)</b></p><p>　?。礊榈趥€波段的均值） (3.5)</p><p><b>　　(3.6) </b></

35、p><p>　　S是一個實(shí)對稱矩陣。</p><p>　　B.求矩陣的特征值和特征向量，并組成變換矩陣，具體如下?？紤]特征方程：</p><p>　　式中，為單位矩陣，為特征向量。</p><p>　　根據(jù)上述的特征方程求出協(xié)方差矩陣的各個特征值 ，將其按從大到小排列，經(jīng)過歸一化求得各特征值對應(yīng)的單位特征向量。</p><p

36、><b>　?。?</b></p><p>　　若以各特征向量為列構(gòu)成矩陣，即： </p><p>　　矩陣滿足：（單位矩陣），則矩陣是正交矩陣。將矩陣轉(zhuǎn)置，得到變換矩陣，將其代入，則： (3.7)</p><p>　　式中矩陣的行向量為第主成分

37、。</p><p><b>　　3.2核主成分分析</b></p><p>　　核主成分分析是一種提高原始數(shù)據(jù)的非線性變換處理方法，能夠提高數(shù)據(jù)的信噪比，一般是將核函數(shù)與一般的主成分分析有機(jī)結(jié)合而形成。</p><p>　　KPCA算法的基本步驟如下:</p><p>　　（1）選擇合適的核函數(shù)及參數(shù)(如高斯徑向基核函數(shù)

38、) </p><p>　　（2）選擇一定數(shù)量的樣本，并進(jìn)行樣本向量零均值處理；</p><p>　?。?）通過核函數(shù)計算核矩陣K；</p><p>　?。?）計算核矩陣K的特征值和特征向量；</p><p>　?。?）將非零特征向量按從大到小排列，選取前面r個作為作為主分量；</p><p>　　（6）將特征空間中所有

39、的光譜向量投影到特征向量上</p><p>　　3.3兩種方法特征提取效果對比</p><p>　　舉例分析：以美國華盛頓特區(qū)作為研究對象，該TM圖像拍攝于2009年6月29日，軌道號是015/033。3-2是6幅原始多光譜圖像，經(jīng)過主成分分析后，得到圖像如3-2所示；經(jīng)過核主成分分析后，得到的結(jié)果如圖3-3所示。</p><p>　　圖3-1 6幅原始多波段圖像

40、</p><p>　　圖3-2 用PCA方法提取的主成分圖像</p><p>　　表2-1 主成分變換的特征值</p><p>　　表中數(shù)據(jù)表明，前三個主成分了占總信息量的絕大部分，達(dá)到數(shù)據(jù)壓縮的目的；并且前幾個主分量的信噪比大，噪聲相對更小，能夠突出信息。</p><p>　　圖3-4 用KPCA方法提取的主成分圖像</p>

41、<p>　　對比兩組分別用不同特征變換處理過后的圖像，對圖像進(jìn)行評價。單純從定性評價來講，PCA方法更側(cè)重于城區(qū)，而KPCA則在河流等部分目標(biāo)更加突出，并且信息含量更加豐富。從定量評價來講，由于PCA和KPCA二者都是把絕大部分的數(shù)據(jù)壓縮到少數(shù)幾個主成分中去的技術(shù)，因此，方差可作為一個重要的指標(biāo)來評價經(jīng)過PCA和KPCA處理過后的圖片。將PCA、KPCA、改進(jìn)的FCM+KPCA方法獲得的各主成分?jǐn)?shù)據(jù)的方差標(biāo)準(zhǔn)化，如圖3-5

42、所示。圖中橫縱坐標(biāo)分別代表的含義是按方差減少順序排列的分量和標(biāo)準(zhǔn)化方差的比例。圖（1）、圖（2）分別是PCA、KPCA、方法獲得的各主成分?jǐn)?shù)據(jù)的標(biāo)準(zhǔn)化方差的比例圖。</p><p>　?。?） （2）</p><p>　　圖3-5 兩種方法的方差比較圖</p><p><b>　　3.4總結(jié)</b><

43、/p><p>　　KPCA方法是因?yàn)樗崛〉奶卣餍畔⒈Ａ敉暾吞卣魈崛∷俣瓤斓奶攸c(diǎn)。KPCA有諸多優(yōu)點(diǎn)，比如去除噪聲，進(jìn)行人臉和三維物體識別等，都在遙感圖像分析等方面都有廣泛的應(yīng)用。但是KPCA處理后的圖片特征不是很明顯，主要是因?yàn)榉蔷€性變換引起的。本人由于能力有限，只能對現(xiàn)有的方法進(jìn)行分析，還沒能發(fā)現(xiàn)一種既能留有充分的信息又有鮮明特征的特征提取方法。</p><p><b>　　4

44、.結(jié)束語</b></p><p>　　遙感圖像信息計算機(jī)自動提取研究到盡頭已有三十多年的歷史了，國內(nèi)外專家也做了大量工作，結(jié)合用戶需要，提出了許多方法，但有些方法過程繁復(fù)，計算復(fù)雜，不容易操作，并且結(jié)果往往是不盡人意。近些年，遙感技術(shù)的迅速發(fā)展，大量的數(shù)據(jù)讓影像檢索和處理更加困難，冗余度增加，并且計算復(fù)雜，遙感影像數(shù)據(jù)庫的建立已經(jīng)迫在眉睫[15]。</p><p>　　目前，利

45、用顏色特征、形狀特征等來處理遙感圖像進(jìn)行分類識別的研究都是處于輔助地位，需要往這些方面多加研究。在遙感分類中，沒能利用多種特征進(jìn)行綜合分析提取，導(dǎo)致提取的遙感信息不夠豐富，不夠全面，所以圖像融合和多源信息復(fù)合用于特征提取領(lǐng)域，也是遙感圖像分類研究新方向和發(fā)展重點(diǎn)。</p><p><b>　　5.致謝詞</b></p><p>　　本論文是在陳老師的悉心指導(dǎo)之下完成的

46、。他平易近人的人格魅力深深地感染和激勵著我。從課題的選擇到開題報告，從研究方案的確定到論文的最終完成，陳老師都嚴(yán)格把關(guān)，精益求精，始終給予我細(xì)心的指導(dǎo)和不懈的支持，在此衷心向陳老師表示感謝和敬意。從師四載，收獲頗豐。 </p><p>　　同時，感謝資源工程學(xué)院測繪專業(yè)的老師和同學(xué)們，在這四年中伴我走過美好、難忘的時光！</p><p><b>　　參考文獻(xiàn)</b>&

47、lt;/p><p>　　[1] 張新宇.基于地理信息系統(tǒng)的遙感圖像特征提取模塊的實(shí)現(xiàn)[C].吉林大學(xué)博碩論文.2003.</p><p>　　[2] 李燕.基于模型約束的遙感影像道路智能提取技術(shù)研究：碩士學(xué)位論文。鄭州：解放軍信息工程大學(xué)。2003)</p><p>　　[3] 駱玉霞，陳煥偉.遙感圖像的特征提取與選擇研究[J]. Information Re

48、cording Materials：2002，3(2)</p><p>　　[4] 徐貴力,毛罕平.利用傅里葉變換提取圖像紋理特征新方法[J]。光電工程，2004,31（11）：55-58</p><p>　　[5] 胡子付，曾志遠(yuǎn)，張振龍等.小波和IHS變換結(jié)合實(shí)現(xiàn)ETM圖像波段融合[J].地球信息科學(xué), 2005，7(4)：29 -32</p><p>

49、;　　[6] 章孝燦、黃智才、戴企成等.遙感數(shù)字圖像處理. 杭州天目山路148號：浙江大學(xué)出版社，2008，319-331.</p><p>　　[7] 張克軍.遙感圖像特征提取方法研究[C].西北工業(yè)大學(xué)博碩論文.2007.</p><p>　　[8] 王巖、楊愛玲、劉秀娟等.基于Erdas軟件正射影像圖的制作[J]. 測繪與空間地理信息.2007，30(5):104-105</p

50、><p>　　[9] 王潤平，劉維妮.遙感技術(shù)在活動斷層研究中的應(yīng)用[J].山西建筑：2006.</p><p>　　[10] 陳丹.基于PCA變換的多傳感器圖像融合質(zhì)量評價[J].科技廣場, 2009，(1)：133 -135</p><p>　　[11] 湯國安、楊昕、鄧鳳東等.Erdas遙感數(shù)字圖像處理實(shí)驗(yàn)教程. 北京東黃城根北街6號：科學(xué)出版社，2009.<

51、;/p><p>　　[12] 張若琳，萬力，張發(fā)旺.土地利用遙感分類方法研究進(jìn)展[J]. 南水北調(diào)與水利科技：2006.</p><p>　　[13] 徐青，張艷，邢帥等.遙感影像融合與分辨率增強(qiáng)技術(shù). 北京東黃城根北街6號：科學(xué)出版社，2007.</p><p>　　[14] 馮恩國，秦奮，李淑香。居民地信息提取的最優(yōu)波段組合方案研究—以開封市區(qū)為例[J]。水土保持研

52、究，1995,（03）:1-5</p><p>　　[15] 李德仁.論21世紀(jì)遙感與GIS的發(fā)展. 武漢大學(xué)學(xué)報（信息科學(xué)版）：2003，28（2），127-131.</p><p>　　Study the Feature Extraction Method of Remote Sensing Image </p><p>　　Resource engineeri

53、ng institute Major in Engineering of Surveying and Mapping</p><p>　　No.2010092542 Name: LiMeiying Tutor: ChenShaojie</p><p>　　【Abstract】With the development of science and the generati

54、on and exchange of a large number of image information, the automatic identification and classification of image has been widely applied. Part of image recognition classification steps are as follows: correction of image

55、 processing to coordinate, radiation, etc. Digital image enhancement to improve clarity and contrast to highlight the target information; Image fusion is image containing data, more conducive to analysis and feature extr

56、ac</p><p>　　【Key Word 】Image preprocessing  Automatic identification and classification of target </p><p>　　Feature extraction Digital image enhancement Imag