XiaoMi-AI文件搜索系统
World File Search SystemIKONOS
IKONOS 高分辨率卫星图像地面点的精度评估
摘要 为了评估综合全球定位系统 (GPS)、惯性导航系统 (INS) 和高分辨率线阵 CCD 传感器数据所得地面点的几何精度，本文介绍了光束法平差的数学模型以及地面点可达精度与地面控制点 (GCPS) 数量和分布、GCPS 和检查点的图像测量误差以及轨道拟合多项式阶数的关系的实验结果。介绍在俄亥俄州中部麦迪逊县建立的大地控制网，用于测试模拟的新一代 IKONOS 高分辨率卫星影像的精度。基于机载高分辨率立体相机 [I~RSC] 系统和模拟的 IKONOS 影像（SpaceImaging, Inc.），进行了各种实验方案，涉及不同立体模型配置的几何强度、GCPS 数量和分布的影响以及 GCPS 和检查点的图像测量误差的影响。最后通过本次试验研究提出了一些提高地面点几何精度的建议和建议。
使用...在非常高分辨率的卫星数据中映射阴影
摘要 IKONOS 等多光谱扫描仪 (MSS) 具有非常高的空间分辨率，因此可提供有关陆地特征的极佳信息来源。这些扫描仪的图像可能包含阴影，这会导致辐射信息部分或全部丢失，从而导致误解或分类不准确。此外，阴影的识别对于多种应用都至关重要。本研究的目标是开发基于计算机的算法来检测 IKONOS 全色 (1× 1 m) 和 MSS 波段 (4×4 m) 中的阴影。我们将纽约市的 IKONOS 全色和 MSS 图像子集转换为 HSV 颜色空间，并使用直方图分析确定强度阈值。划定潜在的阳光照射和阴影区域，并采用边缘检测技术消除非阴影、低强度区域并识别图像子集上的阴影区域。我们在一系列时间数据集上测试了结果，以开发一个能够检测阴影并从高分辨率卫星图像中提取阴影的强大模型。
沼泽表面遥感（JNCC 报告编号 366）
我们发现，Ikonos 卫星传感器数据非常适合低地高地沼泽栖息地分类任务。尽管该传感器只有四个相对较宽的光谱带，但它们位于能够很好地识别主要高地沼泽土地覆盖类别的光谱部分。我们发现，该任务所需的大部分光谱信息都包含在三个可见波段内。近红外波段在植被测绘和监测中非常有用，但我们发现它用处不大，尽管该波段的数据可用于识别低地高地沼泽的外部边界。我们发现，Ikonos 数据对于该任务最重要的属性是其高空间分辨率（多光谱模式下为 4 米）和出色的几何特性。这些特性使得人们能够像解读小比例彩色航空照片一样解读 Ikonos 图像。事实上，该项目的成果之一是重新认识了视觉图像解释的重要性，尽管它基于经过处理和增强以最大化其信息内容的数字数据。
检测复杂的建筑物形状...
由于遥感领域提供了新的传感器和技术来积累城市区域的数据，这些区域的三维表示在各种应用中引起了很大的兴趣。三维城市区域表示可用于详细的城市监测、变化和损坏检测目的。为了获得三维表示，最简单和最便宜的方法之一是使用数字高程模型 (DEM)，它是使用立体视觉技术从非常高分辨率的立体卫星图像生成的。不幸的是，在应用 DEM 生成过程后，我们无法直接获得三维城市区域表示。在仅使用一个立体图像对生成的 DEM 中，通常噪声、匹配误差和建筑物墙壁位置的不确定性非常高。这些不良影响增加了三维表示的复杂性。因此，自动 DEM 增强是一个开放且具有挑战性的问题。为了增强 DEM，我们在此提出了一种基于建筑物形状检测的方法。我们使用慕尼黑的 DEM 和正射全色 Ikonos 图像来解释我们的方法。在对 DEM 和 Ikonos 图像进行预处理后，我们对 DEM 应用局部阈值来检测建筑物等高城市物体的大致位置。为了检测复杂的建筑物形状，我们开发了之前的矩形形状检测（箱体拟合）算法。不幸的是，我们研究区域中的建筑物形状非常复杂。我们假设可以通过像链条一样拟合小矩形来检测这些复杂建筑物的形状。因此，我们将检测到的建筑物分成细长的子部分。然后，我们将之前的矩形形状检测算法应用于这些子部分。在形状检测中，我们考虑 Ikonos 图像的 Canny 边缘以适应矩形框。合并所有检测到的矩形后，我们可以检测甚至非常复杂的建筑结构的形状。最后，使用检测到的建筑物形状，我们在 DEM 中细化建筑物边缘并平滑建筑物屋顶上的噪声。我们相信实施的增强功能不仅可以提供更好的视觉三维城市区域表示，而且还将导致详细的变化和损坏调查。
使用内部灰度方差和数字表面模型从卫星图像中自动检测建筑物
摘要 自动建筑物提取最近被认为是遥感操作中的一项活跃研究。它已经进行了 20 多年，但由于图像分辨率、变化和细节级别，自动提取仍然遇到问题。由于物体密度高和场景复杂，这将是一个更大的挑战，尤其是在城市地区。本文将介绍一个高分辨率全色图像的理想框架，有助于可靠和准确的建筑物提取操作。提出的框架以及对领域知识（空间和光谱特性）的考虑提供了诸如场景中物体的性质、它们的光学相互作用及其对结果图像的影响等特征。为了更好地分析场景的几何性质，我们使用数字表面模型 (DSM)。已使用来自 IKONOS 和 QuickBird 卫星的各种图像对提出的算法进行了评估。结果表明，与最先进的方法相比，所提出的算法准确且有效。
地球遥感图像的多传感器配准
假设系统校正系统在几个像素内给出近似配准，我们开发了用于多传感器数据的自动图像配准方法，目标是实现亚像素精度。自动图像配准通常由三个步骤定义：特征提取、特征匹配和数据重采样或融合。我们之前的工作重点是基于使用不同特征的图像相关方法。在本文中，我们研究了不同的特征匹配技术，并提出了五种算法，其中特征是原始灰度或小波类特征，特征匹配基于梯度下降优化、统计稳健匹配和互信息。这些算法在多个多传感器数据集上进行了测试和比较，这些数据集覆盖了 EOS 核心站点之一，即堪萨斯州的 Konza Prairie，来自四个不同的传感器：IKONOS（4m）、Landsat-7/ETM+（30m）、MODIS（500m）和 SeaWIFS（1 000m）。
正射校正 VHR 空间图像数据的几何质量评估
正射影像被广泛认为是各种专题制图应用的数据源；在欧盟 (EU)，管理共同农业政策的信息系统现在通常基于数字正射影像覆盖，其标称几何质量为 1:10,000 地图比例尺当量和 1m 像素大小或更高 (Kay et al., 1997)。尽管如此，机载图像采集需要一定程度的访问，而这并不总是可行的，而所谓的“非常高分辨率”(VHR) 卫星传感器的可用性允许采集具有图像内容质量特征的数据，以满足农村地区或农业制图和监测的需求 (Petrie, 2002)。目前使用三种主要方法从 QuickBird 和 IKONOS 数据生成正射影像：严格的传感器模型（例如，Toutin 和 Cheng，2003）、使用地面控制点计算的有理多项式系数 (RPC) 方法或使用影像供应商提供的 RPC 信息。前两种
正射影像 VHR 空间图像数据的几何质量评估
正射影像被广泛认为是各种专题制图应用的数据源；在欧盟 (EU)，管理共同农业政策的信息系统目前通常基于数字正射影像覆盖，其标称几何质量为 1:10,000 地图比例尺等效和 1m 像素大小或更高 (Kay et al., 1997)。尽管如此，机载图像采集需要一定程度的访问权限，而这并不总是可行的，而所谓的“非常高分辨率”(VHR) 卫星传感器的可用性允许采集具有图像内容质量特征的数据，以满足农村地区或农业制图和监测的需求 (Petrie, 2002)。目前使用 QuickBird 和 IKONOS 数据生成正射影像的主要方法有三种：严格的传感器模型（例如，Toutin 和 Cheng，2003）、使用地面控制点计算的有理多项式系数 (RPC) 方法，或使用影像供应商提供的 RPC 信息。前两种
高分辨率卫星成像传感器，用于精确...
摘要 精准农业的核心概念是管理田间土壤和作物生长的变化，以更有效地利用农业投入。自 20 世纪 80 年代中后期农业技术开始发展以来，遥感一直是精准农业不可或缺的一部分。地面平台、载人飞机、卫星以及最近的无人机上搭载的各种类型的遥感器都已用于精准农业应用。自 20 世纪 70 年代以来，最初的卫星传感器（如 Landsat 和 SPOT）已广泛用于大面积地理区域的农业应用，但由于其空间分辨率相对较粗且重访时间较长，因此在精准农业中的应用有限。高分辨率卫星传感器的最新发展大大缩小了卫星图像和机载图像之间的空间分辨率差距。自 1999 年第一颗高分辨率卫星传感器 IKONOS 发射以来，已有许多商用高分辨率卫星传感器问世。这些成像传感器不仅可以提供高空间分辨率的图像，还可以重复查看同一目标区域。高重访频率和快速数据周转时间，加上其相对较大的空中覆盖范围，使高分辨率卫星传感器对包括精准农业在内的许多应用具有吸引力。本文将概述市售的高分辨率
坦桑尼亚 LIWALE 的 L 波段 SAR - SUA IR
作为坦桑尼亚-挪威 REDD+ 监测报告和核查 (MRV) 合作项目的一部分，分别来自 Envisat ASAR 和 ALOS Palsar 的 2007-2011 C 和 L 波段合成孔径雷达 (SAR) 后向散射数据已被处理、分析并用于坦桑尼亚林迪地区 Liwale 区研究区的森林和森林变化制图。国家林业资源监测和评估 (NAFORMA) 项目的森林资源清查地块的土地覆盖观测数据已被用于训练高斯混合模型和 k 均值分类器，这些模型和分类器已被组合起来，以便将研究区域划分为森林、林地和非森林区域。通过对 2007-2011 年 ALOS Palsar 覆盖范围内的 HH 和 HV 极化中的最大后向散射马赛克进行分类，提取了最大森林和林地扩展掩模，并可用于通过过滤非森林地区的变化来有效地绘制年际森林变化图。还分析了 Envisat ASAR APS（交替极化模式），旨在改进基于 ALOS Palsar 的森林/林地/非森林分类。显然，C 波段 SAR 和 L 波段 SAR 的组合提供了有用的信息，可以平滑分类，尤其是增加林地类别，但尚未证实对墙到墙土地类型分类的整体改进。结果的质量评估和验证是使用来自 WorldView、Ikonos 和 RapidEye 以及 NAFORMA 现场观测的非常高分辨率光学数据进行的。