{{Infobox
| title = 遥感图像解译与分类
| en_title = Remote Sensing Image Interpretation and Classification
| image = Supervised_classification_example.jpg
| image_caption = 监督分类流程示意图：从选择训练样本到生成最终的分类图。
| field = [[遥感]]
| principle = 根据遥感影像上地物表现出的光谱、纹理、形状等特征，识别地物类别并提取专题信息的过程。
| core_concept = 光谱特征、空间特征、监督分类、非监督分类
| application = [[土地利用]]/[[土地覆盖]]变化监测、[[自然资源]]调查、[[环境监测]]、[[城市规划]]
}}

'''遥感图像解译'''（Remote Sensing Image Interpretation）是指通过直接观察或借助计算机，分析和识别遥感影像上的各种地物，并提取有用信息的过程。'''遥感图像分类'''（Remote Sensing Image Classification）是图像解译中最核心、应用最广泛的技术之一，其目的是根据地物在遥感影像上不同的'''光谱特征'''或其他特征，为影像中的每一个像元（Pixel）赋予一个特定的类别标签（如水体、植被、建筑等），从而生成专题地图。

解译与分类是利用遥感数据获取地球表面信息、服务于各种应用的关键环节。

== 解译的标志 ==
在人工目视解译中，解译员主要依赖以下八大特征（或称“解译标志”）来识别地物：
1. '''色调/颜色 (Tone/Color)'''：地物对不同光谱波段的反射率差异，在影像上表现为不同的灰度值（黑白影像）或颜色（彩色影像）。这是最基本、最重要的解译标志。
2. '''形状 (Shape)'''：地物的外部轮廓。例如，飞机场的跑道、河流、矩形的农田等都具有独特的形状。
3. '''大小 (Size)'''：地物相对于影像中其他熟悉地物的尺寸。例如，可以根据大小区分高速公路和乡村小路。
4. '''纹理 (Texture)'''：影像上由像元灰度频繁、重复变化而形成的特征，表现为粗糙或平滑。例如，森林的纹理通常比草地更粗糙。
5. '''阴影 (Shadow)'''：地物因自身高度或周边地物遮挡阳光而产生的阴影。阴影可以辅助判断地物的高度和形状（如高楼、桥梁）。
6. '''模式 (Pattern)'''：地物的空间排列方式。例如，城市中街道网络的格网状模式，果园中树木的行列式模式。
7. '''位置 (Site)'''：地物所处的地理环境。例如，商业区通常位于城市中心，水库通常建在山谷的出口处。
8. '''组合 (Association)'''：不同地物之间的关联关系。例如，一个大型体育场旁边通常会有关联的停车场和道路。

== 计算机图像分类方法 ==
随着计算机技术的发展，自动或半自动的图像分类已成为主流。主要分为两大类：

=== 监督分类 (Supervised Classification) ===
也称为“训练区分类法”。其过程是：
1. '''选择训练样本'''：由操作员在影像上勾选出若干块已知真实类别（通过实地调查或高分辨率影像确认）的区域，作为“训练样本”或“感兴趣区”（Region of Interest, ROI）。
2. '''特征提取'''：计算机分析训练样本的光谱特征（如每个波段的均值、方差等），为每个地物类别建立一个判别模型或“签名”（Signature）。
3. '''分类'''：计算机逐个检查影像中的每一个未知像元，根据其光谱特征与哪个类别的模型最相似，就将其归入该类别。
4. '''精度评价'''：使用独立于训练样本的“测试样本”来评估分类结果的准确性。

常用的监督分类算法包括：最小距离法、最大似然法（Maximum Likelihood）、支持向量机（SVM）、随机森林（Random Forest）以及近年来兴起的深度学习方法（如CNN）。

=== 非监督分类 (Unsupervised Classification) ===
也称为“聚类分析”。其过程是：
1. '''聚类'''：由计算机自动根据像元光谱特征的相似性，将影像中的所有像元“物以类聚”成若干个簇（Cluster）。操作员无需提供任何先验知识，只需指定希望生成的簇的数量。
2. '''类别定义'''：在聚类完成后，由操作员对每个簇所代表的实际地物类别进行识别和命名。

常用的非监督分类算法包括：K-均值（K-Means）、ISODATA等。非监督分类通常用于对测区地物类别完全未知的情况进行初步探索。

=== 面向对象的分类 (Object-Based Image Analysis, OBIA) ===
传统的分类方法都是基于单个像元的光谱值，这常常导致分类结果出现“椒盐噪声”。面向对象的分类方法首先将影像分割成许多个同质的'''对象'''（即由多个相邻且相似的像元组成的图斑），然后再对这些对象进行分类。在分类时，不仅可以利用对象的光谱特征，还可以利用其形状、大小、纹理、与邻域对象的关系等多种特征，因此通常能获得比基于像元的方法更准确、更符合地理实体边界的分类结果。

== 参见 ==
* [[遥感]]
* [[土地利用]]
* [[模式识别]]
* [[计算机视觉]]

[[Category:摄影测量与遥感]]

立体视觉与立体像对

2025-09-09T13:20:21Z

WikiBot：通过 API 自动上传页面

{{Infobox
| title = 立体像对与立体视觉
| en_title = Stereo Pair & Stereopsis
| image = Stereoscopy_diagram.svg
| image_caption = 立体视觉原理示意图：左右眼从不同视角观察同一物体，大脑将两幅有差异的图像融合成具有深度感的立体知觉。
| field = [[摄影测量]]、计算机视觉
| principle = 模拟人眼双目视差，从两幅或多幅图像中获取对象的三维几何信息。
| core_concept = 视差、同名像点、核线
| application = [[摄影测量]]、[[机器人]]导航、三维重建、虚拟现实
}}

'''立体像对'''（Stereo Pair）是指从两个不同位置拍摄的、对同一区域具有重叠覆盖范围的两张像片（或图像）。这种设置模拟了人类的双眼视觉系统。

'''立体视觉'''（Stereopsis 或 Stereoscopic Vision）则是指大脑将来自左、右眼的，具有微小差异的两幅图像进行融合，从而产生深度和距离感的生理和心理过程。在[[摄影测量]]和计算机视觉中，该术语被借用来描述通过处理立体像对，以恢复场景三维几何信息的技术。

立体像对和立体视觉是[[摄影测量]]获取地面三维坐标、建立地形模型的基础。

== 核心概念 ==

=== 视差 (Parallax) ===
视差是立体视觉中的最核心概念。它是指当从两个不同视点观察同一个物体时，该物体在两个视网膜（或像片）上成像位置的差异。这个差异量（称为'''视差值'''）与物体的距离直接相关：距离观察者越近的物体，其视差越大；反之，距离越远的物体，视差越小。通过精确测量同名点在立体像对上的视差，就可以计算出该点的三维坐标，特别是高程。

=== 同名像点 (Homologous Points) ===
同一个空间点在立体像对的两张像片上的对应成像点，称为一对同名像点。准确地寻找和匹配同名像点，是立体视觉计算的前提。

=== 核线 (Epipolar Line) ===
核线是立体几何中的一个重要约束，可以极大地简化同名像点的搜索过程。对于左像片上的任意一个像点，其在右像片上的同名像点必然位于一条已知的直线上，这条直线就称为右像片的'''核线'''。反之亦然。这意味着，寻找同名像点的过程不再是整个二维图像的搜索，而简化为在一维的核线上进行搜索，极大地提高了匹配的效率和可靠性。

== 立体像对的获取 ==
* '''航空摄影'''：飞行器（如飞机、[[无人机]]）在规划的航线上飞行，通过相机按一定的时间间隔连续拍摄，确保相邻像片之间具有足够的航向重叠度（通常为60%以上），从而形成航带状的立体像对。
* '''地面摄影'''：使用两个相机（或一个移动的相机）从不同位置拍摄物体，获取立体像对，常用于近景摄影测量和三维重建。
* '''卫星摄影'''：通过同一颗卫星在不同轨道位置，或不同卫星组成的星座，对同一地区进行拍摄，获取卫星影像立体像对。

== 应用 ==
* '''地形图测绘'''：通过立体测图仪或数字摄影测量工作站，作业员可以观测立体像对形成的立体模型，并勾绘出等高线、地物地貌，从而生产[[地形图]]。
* '''[[数字高程模型]] (DEM) 生成'''：通过对立体像对进行密集的同名点自动匹配，可以为区域内的大量点计算高程，从而生成数字高程模型。
* '''三维重建'''：在计算机视觉中，利用立体视觉技术可以对物体或场景进行精确的三维建模。
* '''机器人导航'''：搭载双目摄像头的[[机器人]]可以利用立体视觉实时感知环境的深度信息，实现避障和路径规划。

== 参见 ==
* [[摄影测量]]
* [[空中三角测量]]
* [[视差]]
* [[计算机视觉]]

[[Category:摄影测量与遥感]]

空中三角测量

2025-09-09T13:20:15Z

WikiBot：通过 API 自动上传页面

{{Infobox
| title = 空中三角测量
| en_title = Aerial Triangulation
| abbr = AT
| image = Aerial_triangulation_scheme.svg
| image_caption = 空中三角测量示意图，通过连接点将多张航摄像片构成的航带连接成一个整体模型。
| field = [[摄影测量]]
| principle = 利用少量地面控制点，通过[[立体像对]]的几何关系，在航摄区域内加密大量的地面点坐标。
| core_concept = [[立体像对]]、连接点、区域网平差
| application = [[地形图测绘]]、[[数字高程模型]]（DEM）生产、[[数字正射影像图]]（DOM）生产
}}

'''空中三角测量'''（Aerial Triangulation, AT），简称'''空三'''，是[[摄影测量]]中的一个核心技术环节。其基本任务是，在获取了具有重叠度的航摄像片（或遥感影像）后，利用少量在地面上实际测量的'''控制点'''（Ground Control Points, GCPs），通过解析或数字化的方法，一次性解算出所有像片的精确外方位元素（即像片在拍摄瞬间的空间位置和姿态）以及大量未知加密点的三维地面坐标。

空中三角测量是连接单个[[立体像对]]，并将其组合成一个大型、连续、具有统一坐标系统的区域模型的过程。它极大地减少了昂贵且耗时的野外控制点测量工作，是高效生产大范围[[地形图]]、[[数字高程模型]]（DEM）和[[数字正射影像图]]（DOM）的关键步骤。

== 基本原理 ==
空中三角测量的原理建立在'''共线方程'''和'''[[立体像对]]'''的几何关系之上。共线方程描述了物点、像点和摄影中心三点在一条直线上的几何关系。对于一个航摄区域内的多张像片，同一个地面点会出现在不同的像片上，形成同名像点。

通过在重叠区域内选择'''连接点'''（Tie Points），这些点将相邻的像片和航带连接起来。将所有像片的共线方程以及地面控制点的已知坐标联立起来，形成一个庞大的超定方程组。通过'''最小二乘法'''进行'''区域网平差'''（Bundle Block Adjustment），可以一次性解求出最优的未知参数，包括：

1. 所有像片的外方位元素（6个参数/像片：3个位置参数 `X_s, Y_s, Z_s` 和3个姿态参数 `ω, φ, κ`）。
2. 所有加密点（包括连接点）的三维地面坐标 `X, Y, Z`。

== 主要步骤 ==
1. '''内方位'''：恢复每张像片的内方位元素，即确定像片坐标系与像框坐标系的关系。对于数字摄影测量，这一步通常在相机出厂标定时完成。
2立体像对]]的相对姿态，建立局部立体模型。
3. '''连接点与控制点量测'''：在立体模型或数字影像上，精确量测地面控制点和自动选择的连接点的像点坐标。
4. '''区域网平差'''：将所有观测值（像点坐标）和已知值（地面控制点坐标）纳入一个统一的数学模型中，进行整体平差计算，得到最终结果。
5. '''精度评定'''：利用检查点（不参与平差计算的控制点）来评定空三成果的精度，确保其满足后续生产的要求。

== 发展与现状 ==
随着计算机技术和数字摄影测量的发展，现代空中三角测量已经高度自动化。软件可以自动匹配数以万计的同名像点作为连接点，并进行稳健的区域网平差计算。结合'''[[全球导航卫星系统]]'''（GNSS）和'''惯性测量单元'''（IMU）辅助的航空摄影，可以直接测定高精度的像片外方位元素，这种技术称为'''直接地理配准'''（Direct Georeferencing），可以进一步减少甚至完全无需地面控制点，极大地提高了作业效率。

== 参见 ==
* [[摄影测量]]
* [[立体像对]]
* [[数字高程模型 (DEM)]]
* [[数字正射影像图 (DOM)]]
* [[全球导航卫星系统 (GNSS)]]

[[Category:摄影测量与遥感]]