摄影测量与遥感技术发展研究资料.docx

摄影测量与遥感技术发展研究资料.docx

《摄影测量与遥感技术发展研究资料.docx》由会员分享，可在线阅读，更多相关《摄影测量与遥感技术发展研究资料.docx（20页珍藏版）》请在冰豆网上搜索。

摄影测量与遥感技术发展研究资料

学科报告▏摄影测量与遥感技术发展研究　

近年来，随着航天航空技术、计算机技术、网络通信技术和信息技术的飞速发展，摄影测量与遥感多种传感器和遥感平台出现并逐渐成熟，遥感数据获取的能力不断增强，形成了以多源（多平台、多传感器、多角度）、高分辨率（光谱、空间、时间、辐射）为特点的高效、多样、快速的空天地一体化数据获取手段。

　　在数据处理方面，针对高空间分辨率、高光谱分辨率、合成孔径雷达（SAR）以及激光雷达（LiDAR）等专题数据处理的算法在性能上得到进一步完善。

　　高分辨率遥感图像中虽然地物细节非常丰富，但是基于像元的图像分析易受地物几何形态多样、光谱异质性强、地物对象多尺度化等因素影响，因此必须强调空间关系、几何特征的应用以及多尺度分析。

目前，面向对象分析成为高分辨率遥感图像的主流分析方法。

而通过多源遥感数据综合利用高分辨率与中低分辨率遥感图像发挥各自的优势，有益于提高信息解译能力。

多时相遥感的重点是面向对象变化检测技术的研究以及空间特征在变化检测中的有效利用研究。

　　高光谱遥感技术，除硬件性能不断提高外，关于高光谱影像处理研究主要集中在特征挖掘、分类、混合像元分解、目标识别、参数反演、高性能计算等方面。

　　针对SAR数据的处理包括相干分析、相位干涉（即合成孔径雷达干涉）、幅度追踪、极化分析、层析建模和立体摄影测量等多种数据处理技术。

其中，多时相SAR干涉测量、极化干涉测量和SAR层析建模技术是近来SAR数据处理和研究的热点。

　　激光雷达（LiDAR）根据应用目的不同以及技术上的差异，其数据处理研究集中在探测空气污染物、获取气溶胶高度特征、森林结构参数提取和森林制图以及提高点云滤波以及地物模型重建算法精度及效率等方面。

　　此外，随着航空航天遥感正在朝“三多”（多传感器、多平台、多角度）和“四高”（高空间分辨率、高光谱分辨率、高时相分辨率、高辐射分辨率）方向发展，遥感的应用分析正在由定性转向定量，航空航天遥感数据已经成为地形图测绘与更新的主要数据源，遥感数据产品呈现出高/中/低空间分辨率、多光谱/高光谱/合成孔径雷达共存的趋势。

传感器及其平台的迅速发展，大大增加了空间数据获取的途径和来源。

如何高效、快捷、准确地处理这些种类繁多、形式各异的海量数据，成为自动化遥感数据处理领域所面临的新的技术挑战。

因此，寻求切实可行的海量数据处理的方式和方法、最大限度地实现自动化、实现测绘行业从劳动密集型到技术密集型产业的转换，是自动化数据处理所迫切需要解决的关键问题。

　　在摄影测量与遥感学科方面，目前国内高校中摄影测量与遥感本科专业建设主要依托测绘科学与技术学科，近年来国内高校在摄影测量与遥感学术建制、人才培养、基础研究平台建设等方面均有所进展。

　　本报告首先分别从高分辨率遥感技术、高光谱遥感技术、合成孔径雷达技术以及激光雷达技术等方面回顾了近两年摄影测量与遥感专业技术进展，并归纳总结了典型高校近年来摄影测量与遥感学科建设的主要进展，然后比较分析了国内外摄影测量与遥感技术发展动态及方向，最后对本专业发展趋势及前景进行了展望。

　　二、本专业国内发展现状

　　⒈专业技术进展

　　⑴高分辨率遥感技术

　　高分辨率遥感图像中虽然地物细节非常丰富，但是基于像元的图像分析易受地物几何形态多样、光谱异质性强、地物对象多尺度化等因素影响，因此必须强调空间关系、几何特征的应用以及多尺度分析。

目前，面向对象分析成为高分辨率遥感图像的主流分析方法。

即，首先图像分割必须具有多尺度分割的能力，以聚合不同尺度的地物对象。

图像分割研究中多尺度分割算法的创新（Zhang，etal.，2014）、分割参数优化与分割尺度选择（Witharana，etal.，2014）等是热点问题，特别是如何从多尺度中自动选择若干个具有地理意义的尺度进行分析（Yang，etal.，2014）需要重点关注。

在对象分析阶段，如何提取有效的对象特征、如何有效地应用分类器（Huangetal.，2014）是提高分类结果精度的重要途径。

此外，也有学者将投票决策或者马尔科夫随机场、条件随机场等方法引入到高分辨率遥感影像分类过程中（Moser，etal.，2013;Zhong，etal.，2014）。

　　近年来，利用多源、多时相遥感数据也是高分辨率遥感图像信息提取的重点之一。

通过多源遥感数据综合利用高分辨率与中低分辨率遥感图像发挥各自的优势，有益于提高信息解译能力。

多时相遥感的重点是面向对象变化检测技术的研究，以及空间特征在变化检测中的有效利用研究（Chen，etal.，2013）。

另外，几何配准、光照差异、成像角度、阴影差异等对高分辨率遥感图像变化检测具有重要的影响，目前已有研究试图消除或剥离这些因素的影响（BruzzoneandBovolo，2013;Chen，etal.，2014），值得进一步关注。

　　最新的研究动态表明，对高分辨率遥感图像场景的机器理解将成为研究热点。

场景中复杂目标识别、场景分类等问题引起了较多的关注（CheriyadatA.M.，2014;Zhang，etal.，2015）。

而图像的场景理解研究需要标准的数据集作为支撑，目前已有若干数据集出现（Zhang，etal.，2015），但还需要进一步发展和完善。

此外，随着高分辨率遥感图像数据的日渐丰富，图像数据的管理、检索问题成为大规模数据应用的瓶颈。

目前国际上已建立了多个基于内容的图像检索与信息挖掘系统（QuartulliandOlaizola，2013），国内研究人员对这方面的关注还相对较少。

　　⑵高光谱遥感技术

　　高光谱遥感技术，除硬件性能不断提高外，其影像处理技术一直是学者研究的焦点，目前关于高光谱影像处理研究主要集中在特征挖掘、分类、混合像元分解、目标识别、参数反演、高性能计算等方面。

　　在影像特征挖掘方面，大量算法是在特征提取、特征选择两种策略框架下提出，包括从原始波段集中选择若干波段的特征选择方法、对原始波段集进行线性或非线性变换实现降维的特征提取方法等（何明一，等，2013）。

各种非线性特征提取方法是近年来的研究热点，流形学习在高光谱数据降维中体现出了明显的优点（Lunga，etal.，2014）。

（孙伟伟，等，2013）基于等距映射和局部切空间排列非线性降维，提出了两种流形坐标的差异图法来提取高光谱影像内部的潜在特征。

　　在分类方面，由于光谱-空间分类是提升高光谱遥感影像分类精度和可靠性的有效方法，因此形态学剖面、扩展形态剖面、扩展属性剖面、马尔可夫随机场等特征描述技术，结合特征复合核函数以及支持向量机被提出用于提高影像分类精度（李娜，等，2014;Khodadadzadeh，etal.，2014）。

此外，继过去几年支持向量机（SVM）、多元逻辑回归（MLR）等的研究不断深入之后，新型分类器的发展是高光谱影像分类一个重要的研究方向，最近两年，极限学习机（ELM）作为一种新的快速分类算法开始得到重视（Samat，Du，etal.，2014）。

同时，人工DNA计算也在高光谱遥感数据编码、匹配与分类中体现出了很好的效果（Jiao，Zhong，andZhang，2014）。

稀疏表达近年来也在高光谱影像分类中得到进一步的应用（Qian，etal.，2013;Li，etal.，2014a&2014b）。

此外，多分类器集成是高光谱遥感影像分类另外一个重要的发展方向。

在Boosting、Bagging、RandomForest等集成学习算法在高光谱遥感影像分类中得到良好应用效果的基础上，（Xia，etal.，2014）将另外一种最新的多分类器方法—RotationForest用于高光谱影像分类，并和单分类器SVM以及其他多分类器算法包括Bagging、AdaBoost、RandomForest进行了比较，结果表明，RotationForest分类性能优于SVM和其他多分类器方法。

　　混合像元分解（unmixing）是高光谱遥感影像处理另外一个内容，关键问题包括端元数量确定、端元提取、端元丰度求解模型等。

鉴于稀疏表示的优秀性能，近来稀疏表示在混合像元分解中得到了较多的应用（宋义刚，等，2013）。

在端元提取方面，空间-光谱特征综合的端元提取体现出了明显的优点。

（Ma，etal.，2014）则从信号处理的视角对高光谱混合像元分解进行了综述，重点探讨了信号处理前沿方法在高光谱混合像元分解中的应用。

　　高光谱目标识别主要是利用感兴趣目标的特征和精细光谱信号实现目标识别，已在安全、军事等领域具有广泛深入的应用（张良培，2014）。

高光谱目标识别主要包括两个步骤：

一是异常检测以确定与背景具有不同光谱特征的像元，二是确定目标是否是感兴趣的像元（Bioucas-Dias，etal.，2013）。

近年来，稀疏表达、核学习和非线性模型也在目标识别中得到了应用，特别是基于核学习的方法能够取得优于线性模型的效果。

迁移学习通过在源影像和目标影像中的知识迁移，能够进一步提高目标识别算法的性能（Zhang，etal.，2014）。

高光谱遥感定量参数地表反演的模型主要包括统计模型、物理模型和混合模型（Bioucas-Dias，etal.，2013）。

统计模型仍然是目前应用最为广泛的高光谱物理参数反演模型，除传统线性回归模型外，偏最小二乘回归、支持向量回归、高斯过程回归、人工神经网络等体现出了明显的优越，如Tan等利用地面实测光谱对矿区复垦农田土壤砷含量进行反演（Tan，etal.，2014b）。

物理反演模型基于辐射传输模型，主要用于植被参数正演和反演，重点是前向模型的建立。

混合模型则综合了统计模型和物理模型的优点（Bioucas-Dias，etal.，2013）。

　　此外，高光谱数据与其他数据的融合也是当前高光谱信息处理一个重要方面，如成像光谱数据与机载LiDAR数据融合用于森林生态系统描述（Torabzadeh，etal.，2014;刘丽娟，等，2013）、高光谱与多光谱影像融合等（Palsson，etal.，2014）。

　　在应用方面，高光谱遥感应用的研究近年来的主要集中在农作物无损检测与品质评价、农业病害检测、植被参数反演、土壤参数（重金属、有机质、盐分等）反演（史舟，等，2014;于士凯，等，2013;付馨，等，2013）、矿物蚀变信息提取与岩矿识别（刘汉湖，等，2013）、水体富营养化评价、油气资源探测（周子勇，2014）等方面。

　　⑶合成孔径雷达（SAR）技术

　　鉴于SAR影像中包含有振幅、相位、极化、时空变化等多种信息，针对这些信息的处理衍生了相干分析、相位干涉（即合成孔径雷达干涉）、幅度追踪、极化分析、层析建模和立体摄影测量等多种数据处理技术。

其中，多时相SAR干涉测量、极化干涉测量和SAR层析建模技术是近来SAR数据处理和研究的热点。

　　SAR干涉测量（InSAR）是利用覆盖同一地区的两景或多景影像获取地表地形或形变信息的一种技术。

由于InSAR对地表位移的高度敏感性，其在地表形变监测中得到了广泛应用，该技术被称为差分InSAR（即DifferentialInSAR，DInSAR）。

然而，由于受到时空失相关、大气延迟和“二轨”DInSAR中的地表高程误差的影响，其在缓慢累积地表形变监测中的应用受到限制。

因此，关于DInSAR的研究和应用逐步转向地震、火山、滑坡及冰流和矿产开采等引发的显著地表形变的监测，并出现了分孔径干涉（Multi-ApertureInterferometry，MAI）和基于SAR强度信息的像素偏移量（PixelOffsetTracking，POT）估计技术及与DInSAR进行结合反演地表三维形变的技术，弥补了DInSAR仅能测量单一LOS向形变的不足。

针对常规DInSAR在监测缓慢地表形变中所存在的缺陷，国外学者率先提出永久散射体干涉（PSI），小基线集（SBAS）干涉为代表的多时相InSAR（MTInSAR）技术。

目前，MTInSAR已成为地表长时间形变序列监测的重要技术手段。

除了经典的PSI、SBAS方法，还出现了如干涉点目标分析（IPTA）、时空解缠网络法（STUN）、半PS算法（QPS）、PS网络化分析（PSNA）、StaMPS、时域相干点目标分析算法（TCPInSAR）等改进算法（D.Lunga，etal.，2014）。

这些MTInSAR算法的共同点是均针对高质量的点目标进行分析解算，面对自然地表高质量点目标较少的区域，这些方法无法同时保证形变的精度和点位的密度。

　　由于极化SAR（Pol-SAR）具有对地表地物空间分布高度敏感的特性，将极化与干涉技术结合形成极化干涉SAR（Pol-InSAR），则可以同时把目标的精细物理特征与空间分布特性结合起来，并提取它们之间的相互关系。

Pol-InSAR已在地形测绘、微地形变化检测、植被生物量估计等众多领域得到应用。

特别地，双极化或全极化SAR与MTInSAR技术相结合，利用目标散射极化信息可以选择出更多高相位质量的相干目标点，从而获取高分辨率和高精度的地表形变场（AlipourS.，etal.，2013;NavarroSanchez，V.D.，etal.，2014）。

　　此外，将合成孔径的原理引入到三维空间，可以克服传统InSAR技术难以区分同一分辨单元内不同散射体信息的缺陷，这就是近年来兴起的层析SAR（TomographicSAR，TomoSAR）技术（庞礴，等，2013）。

随着TerraSAR-X和COSMO-SkyMed等具有1m分辨率的高分辨星载SAR系统的投入使用，为城市区域和人造目标的层析三维（3D）成像研究提供了更加有利的条件，并且能够促进复杂地区长时间序列形变的监测，即4D甚至5D层析SAR技术（3D空间+时间+温度）（FornaroG.，etal.，2014）。

国内外众多研究机构，如德国宇航中心（DLR）、武汉大学及中科院电子所等已经利用SAR层析技术在建筑物三维信息提取、森林垂直反演，城市动态形变监测等领域展开了研究和应用。

　　总之，日益丰富的SAR数据和不断提升的对地观测需求，对现阶段SAR数据处理方法和效率都提出了更高的要求。

目前国内已有众多SAR遥感研究团队紧跟国际前沿，在SAR传感器及平台研发、数据处理等方面取得了长足的进展，并在时序InSAR的研究和应用方面处于国际先进水平。

　　⑷激光雷达（LiDAR）技术

　　激光雷达（LiDAR）根据应用目的不同以及技术上的差异，其数据处理研究目前主要集中在以下方面：

　　在大气探测方面。

通过LiDAR数据可以估算空气中球形和非球形粒子的消光系数，之后对消光系数中非球形和球形气溶胶的贡献，可较好的探测空气污染物;基于LiDAR基于利用聚类分析方法估算大气边界层;根据LiDAR数据的反射信号可提取气溶胶垂直分布。

　　在植被提取方面。

由于LiDAR提供了测量森林结构参数的方法，包括平均冠层高度、高度一致性、水平冠层分布、叶面积密度轮廓的变量系数、森林覆盖、密度等参数，根据这些参数可准确反演森林材积、树干蓄积、地上生物量等植被信息;同时研究发现从LiDAR波形数据中计算出波形宽度、样本偏度、波形振幅、波形标准差和第一偏度系数/标准差与生物量密度具有相关性;根据冠层高度信息可以准确探测精准的物种分布模型以及栖息地制图信息;生成的高度信息与MODIS、MISE数据结合可生成高精度LAI;通过对冠层点云数据体元化可以计算出光穿透系数以及树冠叶面积，对于估算森林叶方向分布以及森林制图具有重要意义。

　　在地貌重建方面。

通过激光后向散射信号可提取自然风化断层陡坡信息，重建断层历史;利用LiDAR生成的高精度DEM结合斜导数方法生成坡度等信息表征地貌特征，可用来分析地形，进行山崩、泥石流制图，改善地表流动模型等;同时可获取断层线方向分布，对于理解地震灾害非常重要。

因此，作为利用LiDAR数据重建DEM的关键技术——点云滤波算法，提高滤波结果精度以及算法的自动化程度仍是点云数据处理研究的重点。

　　此外，基于LiDAR点云的地物提取及建模仍是LiDAR数据处理研究的重点内容，包括建筑物、电力线、道路及桥梁的提取及重建等。

随着LiDAR系统在数据获取性能上的提高，点云的密度不断提高，因此，针对地物提取及重建的效率和质量仍是当前和未来LiDAR点云处理研究的一个重要方向。

　　⑸自动化遥感测绘技术

　　传感器及其平台的迅速发展，大大增加了空间数据获取的途径和来源。

如何高效、快捷、准确地处理这些种类繁多、形式各异的海量数据，成为自动化遥感数据处理领域所面临的新的技术挑战，因此，寻求切实可行的海量数据处理的方式和方法，最大限度地实现自动化，实现测绘行业从劳动密集型到技术密集型产业的转换，是自动化数据处理所迫切需要解决的关键问题。

　　①自动化遥感数据处理技术

　　自动化数据处理是从多源异构航空航天遥感数据经过精准几何、辐射处理到空间信息及地学知识转化的关键步骤。

目前，针对多源、异构遥感数据的快速自动化处理通常需要涉及以下关键技术：

　　❶高性能遥感数据集群与协同处理技术。

如新一代高性能遥感数据集群处理技术、基于网络的遥感影像处理的远程调用与协作机制等。

　　❷高分辨率航空航天光学遥感数据处理技术。

如高精度遥感成像模型及有理函数模型、多线阵/多角度多视影像区域网平差技术、稀少或无控制的卫星影像高精度定位技术、多角度多视影像自动匹配及三维信息提取技术、多源异构遥感影像融合处理及信息提取技术等。

　　❸合成孔径雷达（SAR）数据处理技术。

如机载/星载SAR高精度干涉地形测量技术、自主产权的多模态、分布式SAR干涉测量数据处理技术、超宽带SAR隐形地面目标探测处理技术、激光SAR地形测绘数据处理技术及自主产权的自动化、智能化、集成化SAR数据处理专业系统。

　　❹激光雷达（LiDAR）数据处理技术。

如激光点云数据处理、条带平差和拼接方法、DSM自动/自适应滤波和DEM生成技术、激光扫描数据与影像数据综合分析及三维地形信息提取技术等。

　　❺智能化遥感数据解译技术。

如空间信息认知模型和遥感影像智能解译理论、新型遥感影像信息解译与目标识别智能方法、遥感影像智能解译的尺度模型及多尺度分析方法、基于图斑的遥感影像智能解译与变化提取技术、高分辨率影像解译与自动识别软件系统等。

　　②高精度影像匹配算法

　　影像匹配——尽管这一问题已经研究了几十年，但至今仍存在许多限制因素。

关于影像匹配算法的分类最直观的方式是基于配准基元进行分类，也即是围绕单一兴趣点附近的灰度窗口进行匹配，可以归类为“基于区域的匹配”算法ABM（Area-BasedMatching）和“基于特征的匹配”算法FBM（Feature-BasedMatching）。

从匹配策略上分类，当今主流的算法分为两种主要的思路，一是通过立体像对的匹配以及匹配得到的视差图的融合完成整个匹配过程（HermannandKlette，2013）;另一种则通过多视影像的同名对应完成匹配过程（Multi-ViewStereo-MVS）（Toldo，etal.，2013）。

　　从相似性测度上看，现今提出的大多数匹配算法都是基于相似性（Similarity）或者光学一致性（Photo-Consistency），这些方法比较的是影像之间的像素值，根据算法的不同这些测度可以定义在影像空间或者物方空间。

而其中最常见的测度或者说匹配代价有以下几种：

强度差异的绝对值或者平方值，NormalizedCross-Correlation（NCC），密集特征描述，Census变换，互信息，基于梯度的算法以及BRDFs（BidirectionalReflectanceDistributionFunctions）方法。

密集的多视重建方法将同时使用多视的光学和几何一致性，为初始化匹配流程，许多多视匹配方法需要一个粗略的场景表面模型做为初值。

　　密集匹配已成为得到表达地表的密集3D点云的关键步骤。

目前密集匹配方法可以分为采用多层次的双向密集匹配方法以及采用多视密集匹配算法。

密集匹配算法中真正的创新点除了基于像素的匹配外，在于将不同的基本相关算法、一致性测度、可视性模型、形状知识、约束条件和最优化策略集成到多步流程之中。

在许多方法中，执行这一集成策略的方式大多通过多分辨率的途径完成。

如今的商业软件包也正在朝此方向推进。

　　总之，影像匹配技术虽经过了多年的发展，但是其潜力并没有完全被发掘。

目前影像匹配的进展主要在三方面进行：

　　❶GPU，网格计算，FPGA等加速现有的算法（SGM等）;

　　❷通过增加多传感器增加额外的信息（如倾斜影像）;

　　❸发展影像理解技术（较为困难，进展缓慢）。

　　③三维城市精细建模技术

　　由于传统的航空摄影和机载LiDAR技术手段难以获取大量的地物侧面纹理，难以进行三维城市全景精细建模，而发展迅速的倾斜摄影技术可在获取顶面纹理的同时，其搭载的倾斜相机能够同时获得地物的侧面纹理，可为三维城市精细建模提供数据基础。

但是由于倾斜视角的存在，导致获得的相片遮挡严重，相片内部的尺度不一，造成了倾斜影像自动处理的困难。

目前，倾斜影像的处理技术主要包括区域网平差处理，点云构网以及多视纹理映射等。

　　区域网平差方面。

在倾斜影像的多相机联合平差问题上，已有学者提出在光束法平差过程中引入一些额外的约束条件（影像之间的相对位置，场景中的垂线等），或者简单地利用已经经过定向的下视影像与GNSS/IMU信息，解算未经定向的倾斜相片。

其中E.Rupnik（2013）利用无约束的平差方式得到了较好的结果（0.5个像素的σ），该平差方式设定每一个影像都使用独立的外方位元素（EO），对于相同相机拍摄的影像使用共同的的内方位元素（IO），则此时的处理方法就是传统的共线方程的组合。

这种方式没有加入诸如影像之间的偏移等的约束，但缺点在于方程的数量急剧增大。

　　点云的三维构网方面。

在获得密集的三维点云的基础上重建出物体的表面是影像建模的另一重要问题。

到目前为止，已有大量的解决方案被提出，如基于Delaunay三角网的方法，Ball-Pivoting算法，基于水平集的算法以及基于泊松方程的表面构建算法。

但这些算法在重建三维模型时，如何快速从海量点云中构建特征无损的精细模型仍是目前需要解决的问题。

　　自动纹理映射方面。

纹理映射过程中的需要解决两个问题，第一选择最佳的相片，第二纹理的色彩过渡问题。

对于问题一，研究人员通过构建最优选片模型，通过计分投票的方式得到最佳纹理候选片。

对于问题二，已有大量学者进行过相关研究，如多波段色彩融合方法以及泊松融合方法，两者都是色彩过渡处理的经典方法，但由于泊松融合的优点是不需要大范围的重叠区域，适用性更广。

　　⒉摄影测量与遥感学科进展

　　目前，国内高校中摄影测量与遥感本科专业建设主要依托测绘科学与技术学科，开设的高校有武汉大学、解放军信息工程大学、同济大学、中国矿业大学、西南交通大学、中南大学等，同时也有多所综合性大学设置了摄影测量与遥感学科，培养研究生，如北京大学、南京大学等。

本节将简要介绍代表性高校在摄影测量与遥感学术建制、人才培养、基础研究平台建设等方面所取得的主要进展。

　　武汉大学作为拥有全国首批国家重点学科和“211工程”重点建设学科摄影测量与遥感的高校，自1956年以来，经过当代中国测绘事业的开拓者、摄影测量与遥感学科奠基人王之卓院士和学术带头人李德仁院士、张祖勋院士、龚健雅院士等专家的辛勤耕耘，学校已形成从学士、硕士、博士到博士后的完整人才培养体系。

现有遥感科学与技术、地理国情监测2个本科专业;拥有摄影测量与遥感、地图学与地理信息系统、模式识别与智能系统3个学术型硕士学位授权点和测绘工程领域专业硕士学位授权点;拥有摄影测量与遥感、地图制图学与地理信息工程2个博士学位授权点;设有测绘科学与技术博士后科研流动站。

武汉大学遥感信息工程学院于