摄影测量与遥感技术发展研究Word文档格式.docx

摄影测量与遥感技术发展研究Word文档格式.docx

《摄影测量与遥感技术发展研究Word文档格式.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Word文档格式.docx（21页珍藏版）》请在冰豆网上搜索。

　　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

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