书名：遥感图像处理技术及应用
ISBN：978-7-115-63628-7
本书由人民邮电出版社发行数字版。版权所有，侵权必究。
您购买的人民邮电出版社电子书仅供您个人使用，未经授权，不得以任何方式复制和传播本书内容。
我们愿意相信读者具有这样的良知和觉悟，与我们共同保护知识产权。
如果购买者有侵权行为，我们可能对该用户实施包括但不限于关闭该帐号等维权措施，并可能追究法律责任。
编 著 张 晔
责任编辑 刘盛平
人民邮电出版社出版发行 北京市丰台区成寿寺路11号
邮编 100164 电子邮件 315@ptpress.com.cn
网址 http://www.ptpress.com.cn
读者服务热线：(010)81055410
反盗版热线：(010)81055315
本书是作者及团队多年从事遥感图像处理及应用研究的工作总结。本书共10章，主要包括遥感图像处理涉及的基础理论、遥感图像处理涉及的共性技术，以及遥感图像处理技术及应用三大部分：第一部分（第1～3章）包括绪论、电磁特性及遥感成像、图像变换与分解；第二部分（第4～6章）包括遥感图像增强、遥感图像恢复、遥感图像压缩编码；第三部分（第7～10章）包括遥感图像特征提取及描述、遥感图像分类、遥感图像目标检测与识别、多源遥感图像解译及应用。
本书可以作为高等学校电子信息工程、测绘科学与技术、地图学与地理信息系统等专业高年级本科生及研究生的教材，也可以作为相关领域科研人员的参考书。
遥感图像在人类探索、了解、认知世界中起着其他信源无法替代的重要作用，已成为人类感知物理世界的主要信源。遥感图像通常是指通过装载在遥感平台上的各类传感器，对各种被观测对象进行远距离探测获取的图像数据。从信息获取的角度，遥感不仅通过空天平台扩大了人类视觉系统获取信息的空间范围，而且通过多种传感器提高了多样化探测信息的能力，进而获取人类视觉系统无法感知到的遥感信息，显著拓展并提升了人类感知和认识世界的能力。遥感图像尽管千差万别，但本质上反映的是被观测对象的物理特性或状态。对遥感图像进行处理可以获取被观测对象的主要图像特征、挖掘并提取有价值的信息，使之最大限度地服务于人类、满足人类的应用需求。目前，遥感图像处理技术已广泛应用于农林资源调查、作物长势监视、自然灾害监测、海洋污染调查等民用领域，以及航空航天遥感图像判读、导弹制导、雷达及声呐图像处理等国防领域。
随着计算机技术、成像技术、人工智能、认知科学研究的快速发展以及人类对图像应用需求的不断扩大，人们通过遥感手段探测图像的方式也更加多样化。提高遥感图像空间分辨率、光谱分辨率始终是遥感技术发展追求的目标。目前，遥感图像在可见光全色图像的基础上，正朝着增加波段数、提高光谱分辨率和扩大电磁波探测范围、实现全波段覆盖两大方向发展。前者的典型代表是多光谱图像和高光谱图像，后者的典型代表是热红外图像和合成孔径雷达图像。全天候、全天时、多体制传感器不仅可以获取性能各异的多源遥感图像，而且获得的遥感图像数据更加海量、信息量更加丰富，这为遥感图像处理技术发展增加了新的研究方向和课题。从技术发展的趋势看，遥感图像处理正从“定性”向“定量”发展，不仅要考虑图像形状、大小、模式、色调或色彩、纹理、阴影、位置、布局和空间分辨率等空间特征，更要考虑图像反射率、发射率、温度以及结构量参数等目标内在的物理属性和生化参数。发展先进遥感图像处理技术，深度挖掘、解译遥感图像高价值信息，一直是图像处理科研工作者追求的目标。
我和张晔教授相识于哈尔滨工业大学攻读博士研究生时代，他是我的学长，30多年来我们一直保持学术交往。张晔教授爱党爱国爱教育，为人坦诚谦虚，长期从事图像处理与模式识别的教学和科研工作，在遥感图像处理技术及应用领域取得了多项创新性成果，在遥感图像处理技术方向培养了大批高层次人才，为遥感图像处理技术的发展、应用和人才培养作出了突出贡献。
本书以电磁波波粒二象性为物理基础，系统介绍了遥感图像信息探测、处理、解译及应用，阐述了遥感图像处理技术的基本理论、基本概念和基本方法，并汇入了作者在长期研究中取得的新成果及实践经验。希望本书的出版能够促进我国遥感图像处理技术的发展，推动遥感科学技术的广泛应用。经过遥感领域专家多年努力，遥感科学与技术已发展成为一级学科，也希望本书的出版能对遥感科学与技术学科的发展起到积极的促进作用。
中国科学院院士
2024年6月于北京
在人类感知世界的各种信息中，约有75%的信息是通过视觉系统获取的，进而也就形成了信号处理领域的独特分支，即图像处理。遥感作为一门新兴的综合性科学技术，不仅通过航空航天载荷平台扩大了人类视觉信息获取的范围，而且也通过多种传感器扩大了多样化探测信息的能力及图像处理技术新途径。理论上，尽管遥感图像处理及应用所涉及的可见光、高光谱、热红外、合成孔径雷达等多源图像特性可能千差万别，但无论是哪种传感器还是以什么方式探测的图像，都是用来描述电磁波的信号，而电磁波的信号又是反映地物目标物理特性的。所以遥感图像处理的核心就是通过现代信号处理技术，将感知的电磁波信号转换为人类应用需求的有价值信息。目前，图像处理技术已在自动目标识别、计算机视觉、遥感、机器人、自动驾驶、复杂智能制造系统、医学图像处理以及国防等众多领域有着广泛的应用，在遥感领域的研究内容尤其深入、应用潜能巨大。
目前，遥感图像处理技术及应用主要面临三方面的科学问题：（1）基于遥感成像系统信息感知的物理特性，如何客观地描述或表达数字图像信号；（2）经过数字图像处理后的结果，是否能满足人类的应用需求；（3）对于给定感知图像和应用要求，设计的处理算法是否最优。为此，本书在编排结构上，基本围绕这些科学问题展开，主要内容包括遥感图像处理涉及的基础理论、遥感图像处理涉及的共性技术，以及遥感图像处理技术及应用三大部分，共计10章。第一部分（第1～3章）为遥感图像处理涉及的基础理论：第1章系统介绍了遥感图像处理涉及的基本概念、基本理论和基本方法；第 2 章从图像物理特性出发，系统介绍数字图像处理中所涉及的数学及物理模型，以及遥感图像数字表示等；第 3 章主要介绍在图像处理中所涉及的傅里叶变换、离散余弦变换、小波变换等，其目的是将图像分解成简单形式以利于进一步处理。第二部分（第 4～6章）为遥感图像处理涉及的共性技术：第4章和第5章分别介绍遥感图像增强和遥感图像恢复，二者的共同点都是改善给定遥感图像的质量，以便进一步地进行遥感图像解译；第6章介绍遥感图像处理领域相对独立的研究方向，其目的是解决遥感图像大数据量与其传输或存储之间的矛盾。第三部分（第7～10章）为遥感图像处理技术及应用：第7章介绍遥感图像特征提取及描述，可理解为是一种信息高度浓缩的过程，是进一步实现图像分类、分割、目标识别、参数反演等技术的重要基础；第8章介绍遥感图像分类，主要任务是辨识图像中每个像素可能包含的不同地物目标类别；第9章的主要任务是将一个或多个感兴趣的特定目标与一个或多个其他目标区分开来并加以辨识，不同于遥感图像分类，这里的内容更加强调相似目标之间的精细区分；第10章介绍多源遥感图像的本质特征或互补信息，以实现遥感图像精细解译及深层次应用。
本书的突出特点主要体现在以下4个方面。
1．以航空航天领域对遥感图像处理的需求为牵引，理论和实际应用相结合
遥感图像信息探测的最终目的是服务于人类，满足人类的应用需求。在实际应用中，无论是遥感系统设计还是处理算法研究等，都离不开应用需求的约束，二者之间相互依赖、相互关联、相互制约。本书以航空航天领域对遥感图像处理的需求为牵引，采用理论和实际应用相结合的方式进行结构安排，在增加遥感图像处理技术实用性的同时，也避免了其处理算法介绍的空洞性。
2．紧跟国际学术前沿，引入机器学习等新技术于遥感图像处理及应用中
随着人工智能、思维科学等研究的迅速发展，遥感图像处理技术也向着更高、更深层次方向发展。本书在内容选取上，除了系统介绍图像处理的基础理论和经典技术，还在遥感图像处理及应用中引入机器学习等新技术，更加符合遥感技术和图像处理技术的发展趋势。
3．集图像信息探测—传递—处理—应用于一体，使物理模型和数学模型统一
人类认识世界往往是透过现象看本质，遥感图像处理技术也是如此。图像处理算法的设计不仅要考虑图像空间的外在几何特征和物理属性，更要考虑其构成图像目标的内在生化参数等本质信息所在。本书集图像信息探测—传递—处理—应用于一体，使探测所反映的物理模型与处理及解译技术所体现的数学模型达到统一，避免数字图像处理算法设计只从数字开始而忽略物理信息传递过程的弊端。
4．将研究新成果和实践新经验纳入本书，提高了相关内容的科学性和可读性
本书是作者及其团队从事研究生培养近30年、从事遥感图像处理及应用研究近40年的深刻体会，以及120余名研究生/留学生等的学术成果的总结。本书既包含了遥感图像处理技术及应用所涉及的基础理论和解译方法，也将科学研究新成果和实践新经验等纳入其中，对相关领域从业人员具有借鉴和指导作用。
本书由哈尔滨工业大学电子与信息工程学院张晔教授编著，张钧萍、陈浩、张腊梅、胡悦等参与了编写工作。本书的编写得到了哈尔滨工业大学杰出校友、空间遥感应用专家、中国科学院院士周志鑫的大力支持和帮助。周院士对本书的编写提出了许多指导性意见，还专门为本书作序，在此向周院士表示衷心感谢。
本书的许多内容和实验结果参考了作者指导过的研究生和留学生，以及团队其他成员及其研究生/留学生的学术成果，在此对他（她）们参与的研究工作以及对团队所作的贡献表示感谢。同时，感谢北京二十一世纪空间技术应用股份有限公司为本书提供的部分卫星图像。
在本书的编写过程中，作者对书中内容进行了逐字推敲，以提高可读性；对书中的图、表和实验案例等都进行了认真梳理，希望有助于读者对相关内容的理解和消化；对涉及的概念、理论和技术，都进行了适当的评述和分析，希望能讲清楚它们的物理意义和应用价值。
由于作者水平有限，书中不足之处，敬请读者批评指正。
张晔
2024年4月1日于哈尔滨
人类可以通过眼、耳、鼻、舌等身体的部位感知世界。这样可以获取各种感兴趣的信号，进一步通过信号处理技术就能提取感兴趣的信息。例如，图1-1所示为描述“哈尔滨工业大学”的一段语音信号图像，是人类听觉系统感知到的一维语音信号。类似于人类大脑通过对听觉系统和视觉系统获得的信号进行分析与理解，提取人类相互之间日常交流的信息并指导人类各种社会活动的认知过程，人们通过计算机系统对获得的各种信号进行分析和加工等处理，就形成了信号处理研究领域的核心内容。我国有一句谚语叫“百闻不如一见”，借用到信号处理领域，说的就是“听觉系统”感知多次语音信号，都不如“视觉系统”感知一次图像信号的信息度高。研究表明，在人类可以接收的各种信息中，约有 75%的信息是通过视觉系统获取的，进而也就形成了信号处理领域的独特分支，即图像处理。目前，图像处理技术已在自动目标识别、计算机视觉、遥感、机器人、自动驾驶、复杂智能制造系统、医学图像处理以及国防等众多领域有着广泛的应用，在遥感领域的研究内容（如土地利用变化监测等）尤其深入。
图1-1 描述哈尔滨工业大学的一段语音信号图像
遥感是指非接触、遥远地感知目标信息。关于遥感的概念，唐代诗人王之涣在《登鹳雀楼》中就写道“欲穷千里目，更上一层楼”，意思就是“如果要想遍览千里风景，那就请再登上一层高楼”，即“站得高，看得远”。因此，为了探测更多、更远，甚至人类无法到达的地方的信息，人们通过不断探索，发明了飞机、卫星等遥感探测平台，从遥远的平台上来观测地球，获得更多有价值的信息，进而诞生了遥感这门新兴的综合性科学技术[1-2]。
遥感技术最基本的产品就是遥感图像。广义来讲，人类视觉系统（human visual system，HVS）可以理解为工作在电磁波可见光波段的一种遥感传感器。遥感图像通常是指遥感平台上的各种传感器对地表各类地物和现象进行远距离探测，接收并记录电磁波信号，进而形成各种不同类型的人类视觉系统可以感知的图像。此时的传感器不仅仅局限于人类视觉系统所能感知的可见光波段，而是可以扩展到红外、微波等波段。从信号探测的角度，所有传感器感知到的图像信号都是电磁波的函数，区分这些图像信号的关键就是它们的波长。需要注意的是，遥感成像最初源于“摄影测量”和“胶片成像”的影像，因此在一些文献中也通常称其为“遥感影像”。
随着遥感技术和图像处理技术的飞速发展以及人们对图像应用需求的不断扩大，人们通过遥感平台探测图像的手段也更加多样化。可见光-近红外、多光谱和高光谱、中红外和热红外、合成孔径雷达（synthetic aperture radar，SAR）等多种传感器所获得的多源遥感图像数据量更加巨大、信息量更加丰富。如何从这些不同类型遥感图像中提取有价值的信息，使它们最大限度地服务于人类，正是遥感图像处理及解译技术要完成的任务。遥感图像处理及解译就是基于现代信号处理技术，根据电磁波与地表物体的作用机理及被探测目标的电磁特性，对这些图像数据进行分析、加工等，最后形成有价值的信息来服务于人类应用需求的综合性技术。为此，本书以电磁波波粒二象性为物理基础，以航空航天应用需求或应用案例为牵引，以经典图像处理和人工智能等新技术相结合，系统地介绍遥感图像的信息探测、压缩传输、解译处理及应用等相关内容。
从人类视觉系统感知信息的角度，图像是一个二维光强度函数
，
表示光在空间中的坐标位置，函数值的大小是随着光强弱变化来记录图像亮度信息的像素值。早在1839年，法国画家达盖尔就公布了其发明的“达盖尔银版摄影术”，世界上第一台可携式木箱照相机诞生，自此人们可以用胶片来记录以往的图像信息。随着社会的进步，人们除了渴望照相机具有更高的成像质量，也产生了这些图像信息在人类社会中如何相互交换（即通信）、如何保存（即存储），以及长期保存的照片退化后又如何恢复等一系列社会应用需求，进而促进了图像处理技术的出现与发展。反过来，图像处理技术的发展又促进了人类社会的进一步繁荣。因此，人们一直不断研究图像信号的探测方式和处理方法，以获得更多、更全面的多维度图像信号，进而采用图像处理手段获得更多满足人们应用需求的有价值信息。
传统意义上，二维光强度函数通常称为连续图像，又称为模拟图像。在电子传感器开发和采用以前，胶片照相机利用感光胶片的化学反应来检测场景内能量的变化，通过胶片的显影来获得其检测信号的记录，这样胶片就成了场景探测与信息记录的成像工具。连续图像的最大特点是物理概念明确，从信息论的角度，信息量无穷大。但连续图像的最大问题是不利于传输、保存和处理。随着数字计算机技术的发展，再加上计算机只能处理离散数字信号，因此人们发展了数字图像处理技术。数字图像处理又可以理解为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。连续图像到数字图像的转换通常包括图像空间坐标采样、能量函数值量化两个数字化过程。这种数字化过程的完成通常被称为模数转换（analog-to-digital conversion，ADC），具体的采样、量化原理将在第2章详细介绍，这里只对其概念进行简单的描述。
利用扫描式传感器，图像被扫描成行、行再被采样成列，这样就构成了一幅二维空间网格；接着对网格上的函数值进行量化，就形成了一个所谓的图像像素或像元，其像素值称为灰度值，被量化成离散量级，即数值（digital number，DN）。离散化的网格所有像素的集合矩阵就构成了一幅数字图像，如图1-2所示。
图1-2 从模拟图像到数字图像
对于数字图像，有两点需要进一步说明。① 图像网格的大小决定了图像空间分辨率。对于扫描式成像系统，扫描的行距离由传感器性能决定，采样间隔大小根据采样定理的采样频率
决定（采样频率大于或等于信号最高频率
的两倍，即
，第2章将详细介绍）。采样间隔为采样频率的倒数，这样采样频率越高，采样间隔越小，图像空间分辨率越高，如图1-3所示。图1-3（a）中的
和
分别为低分辨率图像的网格尺寸，
和
为对应
轴和
轴方向的采样间隔；图1-3（b）中的
和
分别为高分辨率图像的网格尺寸，
和
为对应轴和轴方向的采样间隔。如果低分辨率图像和高分辨率图像之间的放大倍数为
，则
、
。从信息论的角度，高的采样频率意味着可以获得更多的信号高频信息，体现图像的细节信息就越丰富。② 图像像素的量化尺度大小决定了图像辐射分辨率。量化尺度的大小通常用二进制比特的位数来度量，由模数转换器的性能决定。一般来说，量化的比特位数越多，图像辐射分辨率越高，数字信号对模拟信号近似的精度越高。例如，对于光电转换的峰峰值为1 V的电压信号，如果采用8 bit进行数字化量化，则量化尺度为256（28）个灰度级，其模数转换精度为1/256。总之，图像空间分辨率和辐射分辨率越高，数字图像与模拟图像的近似程度越高，其数据量也随之增加。数据量的增加给数字图像传输、存储以及处理等环节的性能提出了更高的要求。因此，如何确定图像的采样间隔和量化等级，还需要根据实际应用的指标要求来确定。
图1-3 采样间隔与图像分辨率之间的关系
特别需要指出的是，随着电荷耦合器件（charged couple device，CCD）等电子传感器的出现，数字图像处理技术获得了蓬勃发展。这些电子传感器可以直接产生一种与原始场景能量变化相对应的电信号，并可把图像记录到磁性或光学存储介质中。相对而言，数字图像处理方法操作简单，构建满足特定处理任务需求的图像处理系统较容易。同时，随着计算机硬件和软件技术的发展，信号处理效率越来越高，提取的各种图像信息也越来越准确。
理论上讲，光是一种电磁波，其能量主要来源于太阳的电磁辐射，而传统的黑白或灰度图像是电磁波在可见光波段（波长为0.38～0.76 μm）对光强度的一种能量反射。根据电磁理论，可见光波段主要包括紫、蓝、青、绿、黄、橙、红等颜色光，而千差万别的彩色世界，绝大多数可以通过红、绿、蓝3种颜色光按照一定比例混合而成。因此，先对红、绿、蓝3个波段上同一场景光强度的反射能量分别成像，然后再对三者进行组合处理，就形成了彩色图像，如图1-4所示。国际上常把红、绿、蓝3种颜色定义为颜色的三基色，它们对应的电磁波波长分别为0.7 μm、0.546 μm和0.4358 μm。
*图1-4 灰度图像与彩色图像
与灰度图像相比，彩色图像探测的地物目标信息更加丰富。除了空间信息外，每个像素分别有红、绿、蓝 3 个灰度值，反映了像素不同的光谱信息，可以看作一个三维向量（vector）。此时，对于空间分辨率大小相同的图像，如果每个波段的辐射分辨率都为8 bit，则灰度图像可描述的地物目标状态为28，而彩色图像可描述的状态为28×28×28=224，即彩色图像可描述的信息更加丰富，但相应的数据量也大大增加，从而导致图像处理难度更高。
前面介绍的每幅图像都可以看作一幅静止图像，把多幅静止图像按照视觉系统的特性要求连接起来便形成图像序列，这就是动态图像。动态图像的典型代表就是所谓的视频图像。具体来讲，视频图像就是一系列的静止图像序列，通常每幅静止图像称为帧（frame），如图1-5所示。根据人眼视觉系统的驻留特性，当视频以超过一定的更新率或帧率（frame rate）［如PAL制电视规定帧率为25帧/s（frame per second，fps）］连续播放时，静止图像看起来就变成了连续的视频图像。
图1-5 视频图像
视频图像是一种对客观事物更为形象、生动的描述，其最大特点是除了具有静止图像的空间相关性外，还具有较强的时间相关性和冗余度。因此，在视频图像处理方法中更应该考虑其时间相关性，特别是帧与帧之间的信息增量，以及处理算法的实时性。例如，要想实时处理标准的PAL制视频图像信号，处理算法必须每秒要处理25帧图像，也就是要在40 ms内处理完一幅静止图像。
数字图像处理技术可以理解为利用计算机对图像进行加工和处理过程中所涉及的理论和方法的总称。数字图像处理技术作为计算机视觉的一个重要组成部分，其最高目标是用计算机模拟人类视觉系统，包括信息感知、处理、理解和推理等。从信号角度看，数字图像处理技术又属于信号处理领域的一个重要分支，主要涉及3个方面的问题：① 结合成像信息感知的物理特性，如何描述或表示数字图像信号？② 数字图像处理后的结果，是否能满足人类的应用需求？③ 对于给定感知图像和应用要求，设计的处理算法是否最优？只有综合解决好这些问题，才能证明所采用处理技术的合理性、正确性和有效性。
随着计算机技术和人工智能、思维科学研究的迅速发展，数字图像处理技术也向着更深层次发展，人们更希望利用计算机系统解释图像，像人类视觉系统一样认知外部世界。目前，数字图像处理技术主要涉及下面3种典型的处理层次[3-4]。
（1）低层处理：低层处理是在图像像素级层面上进行的，主要完成图像到图像间的处理操作，如图像变换、图像增强、图像恢复等。
（2）中层处理：中层处理是以图像为输入，输出从图像中提取的特征，并对感兴趣的目标进行非图像形式的描述，如图像分类、区域分割、目标识别等。
（3）高层处理：高层处理是在中层处理的基础上，通过采用与人类思维推理相似的技术，对图像及客观景象进行解译和理解等。
数字图像处理涉及的技术主要包括：图像采集、获取、编码、存储和传输，图像合成和产生，图像显示和输出，图像变换、增强、恢复和重建，图像分割，目标检测、表达和描述，特征提取和测量，序列图像校正，三维景象重建复原，图像数据库建立、索引和提取，图像分类、表示和识别，图像模型建立和匹配，图像（景象）解释和理解等。
目前，数字图像处理技术已广泛应用于通信（图像传真、可视电话、数字电视等）、深空探测（探月等）、遥感（林业资源调查、自然灾害监测、海洋调查等）、生物医学（X射线、超声、断层及核磁共振等）、工业生产（无损探伤、石油勘探、工业机器人视觉等）、天气预报（卫星云图测绘等）、军事任务（目标识别、导弹制导、雷达及声呐图像等）、公安侦缉（指纹识别、伪钞识别等）等众多领域。特别地，遥感图像处理技术作为数字图像处理领域的一个重要分支，与传统的视觉图像处理技术相比，除具有众多共同之处，还具有其自身的处理特点和应用要求：① 遥感图像传感器所获得的数据是多波段的，包括多光谱、高光谱、红外、合成孔径雷达等图像，比计算机视觉领域的视觉图像复杂得多；② 遥感图像处理不但需要对获得的图像进行分析，而且往往还需要从中反演出能够反映地物目标的物化参数等本质特性；③ 遥感图像中的地物目标具有尺度复杂性，存在严重的“同物异谱”或“同谱异物”等现象，辨识更加困难；④ 遥感图像解译的信宿不仅仅是针对人类视觉系统，往往也针对某种特殊的应用。理论上，尽管获得的遥感图像可能千差万别，但无论是哪个波段或以什么方式探测的图像都是用来描述电磁波信号的，而电磁波信号又是反映地物目标物理特性的。因此，遥感图像处理的核心就是通过现代信号处理手段，将感知的电磁波信号转化为人类需求的有价值信息。
从人类视觉系统角度，人类感知的是电磁波可见光范围内的反射、辐射等信息。因此，对“图”与“像”的定义是，“图”是物体透射或反射光的能量分布，而“像”是人类视觉系统对图的接收在大脑中形成的印象或认识。在可见光图像（视觉图像）处理领域，图像是通过光学传感器形成的二维光强度函数，是三维物理世界在二维数据空间上获得的投影数据，其数值反映了目标或背景的物化特性。从广义角度来说，人类视觉系统既可以理解成一种光学传感器，也可以理解成一个“遥感”系统。但狭义上讲，遥感是指在航天或航空平台上，利用可见光、红外、微波等各种传感器，通过摄影、扫描等方式，对地球目标进行观测，接收并记录电磁波信号，再根据电磁波与地物目标的作用机理及对探测目标的电磁特性进行分析，进而获取目标特征及其变化信息的综合技术[5]。从应用需求角度，遥感对地观测要解决两个重要问题：一个是几何结构问题，另一个是物理属性问题。前者是摄影测量的目标，后者则要回答观测的对象是什么。这两个问题正是遥感技术要进一步解决的核心问题。
在应用中，遥感技术可以从以下几个角度进行分类[5]。
（1）根据搭载传感器的遥感平台距离地面高低不同，遥感技术可分为地面遥感（车载、舰船等）、航空遥感（飞机、气球等）和航天遥感（卫星、航天飞船等）。
（2）根据传感器探测方式的不同，遥感技术可分为主动式遥感和被动式遥感。前者由传感器主动地向被探测目标发射一定波长的电磁波，然后接收并记录从目标反射回来的电磁波；后者的传感器不向被探测目标发射电磁波，而是直接接收并记录目标反射太阳辐射或目标自身发射的电磁波。
（3）根据传感器探测电磁波波段的不同，遥感技术可分为紫外遥感（波长为0.3～0.38 μm）、可见光遥感（波长为0.38～0.76 μm）、红外遥感（波长为0.76～14 μm）、微波遥感（波长为1 mm～1 m）、多光谱/高光谱遥感（探测波段在可见光与近红外波段范围）等。
（4）根据遥感应用领域的不同，遥感技术可分为环境遥感、大气遥感、资源遥感、海洋遥感、地质遥感、农业遥感和林业遥感等。
航空遥感是指从飞机、飞艇、氢气球等空中平台对地观测的遥感技术。1906年4月，美国旧金山发生7.9级地震。乔治·劳伦斯（George Lawrence）就从600 m左右的高空拍下了旧金山的震后废墟图像，如图1-6所示，航空摄影由此诞生。20世纪60年代初，人们在航空摄影技术的基础上发展了航空遥感这门新兴的技术。航空遥感的突出特点是灵活性强、图像分辨率高，但也存在飞行高度低、观测范围小等弊端。1957年，苏联发射了第一颗人造地球卫星Sputnik 1号，使人类探测宇宙空间成为可能。1972年，美国发射了第一颗陆地卫星多光谱扫描仪（Landsat multispectral scanner system，Landsat MSS），之后又发射了专题制图仪（thematic mapper，TM）和增强型专题制图仪（enhanced thematic mapper plus，ETM+）等系列卫星，并引入了多光谱的概念，标志着航天遥感时代的开始。遥感图像作为人类最直观认识遥远世界的载体，在各个领域都发挥了非常重要的作用。随之而来的，自然形成了遥感图像处理这个独特的新领域。遥感图像将人类直观感觉延伸到遥远的高空，成为直观感知和测控地面各种变化信息的重要途径。经过几十年的迅速发展，遥感技术已经成为一门实用、先进的空间探测技术。
图1-6 航空遥感图像
与地面观测相比，航空/航天遥感具有以下独特的特点。
（1）观测范围大。航空/航天遥感探测能在较短时间内，从空中乃至宇宙空间对大范围地区进行对地观测，并从中获取有价值的遥感数据。这些数据拓展了人们的视觉空间，为宏观地掌握地面事物的现状情况创造了极为有利的条件，同时，也为宏观地研究自然现象和规律提供了宝贵的第一手资料。
（2）观测周期短。航空/航天遥感探测能周期性、重复地对同一地区进行多次对地观测，这有助于人们通过所获取的遥感数据，发现并动态地跟踪地球上许多事物的变化。在监测天气状况、自然灾害、环境污染，甚至军事目标等方面，遥感技术的应用都显得格外重要。
（3）数据综合性强。航空/航天遥感探测所获取的是同一时段、覆盖大范围地区的遥感数据，这些数据综合地展现了地球上许多自然与人文现象，宏观地反映了地球上各种事物的形态与分布，真实地体现了地质、地貌、土壤、植被、水文、人工构筑物等地物特征，全面地揭示了地理事物之间的关联性。
遥感技术的物理基础是电磁波及其对应的电磁波谱特性。遥感图像数据反映的是成像区域内地物电磁波辐射能量，具有明确的物理意义。地物反射和发射电磁波能量的能力又直接与地物目标本身的属性和状态有关。因此，对遥感图像像素值大小和变化规律进行分析和处理，可以有效地识别和研究地物类型及状态等。
根据麦克斯韦电磁场理论，空间任何电磁辐射源都会在其周围产生交变的电场，而交变的电场周围又会激发出交变的磁场，这种变化的电场和磁场的相互激发和交替，就形成了电磁场。电磁场是物质存在的一种形式，其在空间以波的形式传递电磁能量，这种波就称为电磁波，通常也称为电磁辐射。如图1-7所示，电磁波可以用波长
、频率
或角频率
、振幅
和相位
来描述，并用连续光滑的正弦波函数来表达：
（1-1）
图1-7 电磁波
电磁波在空间中以光速传播能量，其频率f和波长的关系为
（1-2）
式中，
为光在真空中的传播速度。
电磁波波长定义为从一个周期的任意一个位置到下一个周期的同一个位置之间的距离，用微米或纳米表示。频率f是在单位时间内通过一个点的波峰数目，用赫兹作为单位。二者中任何一个参数都可以描述一个电磁波的特点。习惯上，光学遥感的波段一般以波长为单位描述，而微波遥感则以频率为单位描述。
严格意义上讲，所有传感器感知到的信号都是电磁波信号，而区分这些信号的方法就是它们的波长。并且，不同波长的电磁波有着不同的物理性质，相同波长范围内的电磁波性质一致。电磁波按波长由短到长可依次分为：γ射线、X射线、紫外线、可见光、红外线、微波和无线电波。按照电磁波波长大小递增（或递减）顺序排列成的图谱就是所谓的电磁波谱，如图1-8所示。值得注意的是，这里的可见光、红外线、微波等不同波段之间实际上没有严格的界限，其边界也是渐变的。
图1-8 电磁波谱
如图 1-8 所示，人类视觉系统所感知的“可见光”部分，其实只占电磁波谱的极小范围。来自地球表面的任何物理能量，都可以通过不同的电磁波谱区域形成一幅图像，用以表达地球表面目标的不同特性。
虽然波动理论很容易描述电磁辐射的许多特性，但当电磁能量与物质相遇发生相互作用时，此时体现的是电磁波的粒子性，这就是粒子理论。该理论认为，把电磁波作为粒子对待时，光子的能量
正比于波的频率，即
（1-3）
式中，
，为普朗克常量。
式（1-3）表明，辐射能量与其波长成反比，即电磁波波长越长，其辐射能量越小。因此，与相对较短波长辐射相比，自然界的长波辐射探测起来要更加困难，如地表特征的微波发射要比波长相对较短的红外辐射更难感应[2]。
由以上讨论可以总结出遥感图像处理中电磁波的两个基本性质，即电磁波的波动性和粒子性：电磁波在传播中主要表现为波动性，而当与物质相互作用时主要表现为粒子性。电磁波的波动性在光的干涉、衍射、偏振等现象中会得到充分的体现，是传感器设计的主要理论依据。电磁波的粒子性则是遥感成像及图像处理能够分辨地物目标的重要理论依据。一般来说，波长越短，辐射的粒子特性越明显；波长越长，辐射波动特性越明显。遥感技术正是利用电磁波的波粒二象性，实现对地物目标电磁辐射信息的探测，遥感图像处理也正是基于这些理论来完成目标信息的解译。
随着计算机技术、各种成像技术以及信号处理技术的不断发展，基于电磁波的不同波段特性，遥感图像在可见光全色图像的基础上，主要向着两个方向发展：一是增加波段数（提高光谱分辨率）；二是扩大电磁波探测范围（多传感器探测）。前者的典型遥感图像是多光谱图像和高光谱图像，后者的典型遥感图像是热红外图像和合成孔径雷达图像。遥感图像是利用不同电磁波波段对地面目标进行探测形成的像，形成了不同的地表特征，如表1-1所示[6]，进而可以从不同的角度探测多维度数据，并通过现代信号处理技术来充分挖掘、融合、解译有价值信息。
表1-1 应用于遥感的不同电磁波波段及形成的地表特征
| 电磁波波段名称 |
辐射源 |
地表特征 |
|---|---|---|
| 可见光 |
太阳能 |
反射 |
| 近红外 |
太阳能 |
反射 |
| 短红外 |
太阳能 |
反射 |
| 中红外 |
太阳能、热量 |
反射、温度 |
| 长红外或热红外 |
热量 |
温度 |
| 微波和雷达 |
热量、人造 |
温度、粗糙度 |
下面就几种典型遥感图像及应用特性进行介绍，以便进一步理解遥感图像处理、解译及应用[5]。
在遥感领域，可见光全色图像就是通过遥感传感器在人类视觉系统可以感知的可见光波段范围内所形成的单波段遥感图像。可见光全色图像得到的是物体目标的亮度信息，没有光谱信息，体现的形式就是传统的黑白灰度图像。基于地表电磁波辐射特性及大气传输特点，可见光全色图像目前仍是获取高空间分辨率图像的最佳波段。
空间分辨率通常是指遥感图像分辨具有一定距离间隔的相邻两个点目标的能力，可以理解为单位像素对应的实际物理面积大小。空间分辨率越高，实际物理面积就越小，图像的纹理细节就越清晰，空间结构信息也就越丰富，这种分辨率往往又称为地面分辨率，是针对目标实际地面尺寸大小而言的。需要注意的是，还有一种定义的图像空间分辨率是数字图像分辨率，它是指数字图像上能够区分目标的最小单元。二者均反映对两个靠近目标的识别、区分能力，因此也称为分辨力。
在应用中，与空间分辨率一同考虑的是辐射分辨率。辐射分辨率是指对两个不同辐射源辐射量的分辨能力，体现的是传感器对地物目标探测的灵敏度，是目标识别等应用的一个很有意义的指标。辐射分辨率一般用量化后的分级数来表示，也就是最暗灰度值到最亮灰度值整个范围的分级数目。
可见光全色图像能够提供丰富的目标空间信息，如目标形状、面积等，可为目标辨识等应用提供依据。可见光全色图像是靠物体反射形成的，其形成受光源条件的影响较大（只能在晴朗的白昼形成）。此外，可见光全色图像无法显示地物色彩或光谱信息。
多光谱图像是针对可见光全色图像只能提供空间信息、缺少光谱信息的缺点提出来的。多光谱图像就是在可见光-近红外波段范围内，将地物辐射电磁波分隔成若干个光谱波段，在同一时间获得同一地物目标不同波段信息的遥感图像。从多波段这个角度，如果我们日常所用的黑白图像在遥感领域可以理解为可见光全色图像，那么彩色图像在遥感领域可以理解为是具有3个波段的多光谱图像。
不同地物具有不同的光谱特性，同一地物则有相同的光谱特性。不同地物在不同波段上的辐射能量各有差别，传感器获得的不同波段图像也就各不相同。多光谱遥感不仅可以根据图像的形态和结构差异来判别地物，也可以根据光谱特性差异来判别地物，进而扩大了遥感探测的信息量。目前，最典型的多光谱图像是美国陆地卫星（Landsat-7）图像，其专题制图仪（thematic mapper，TM）就包括7个波段，每个波段都有其特定功能，如表1-2所示[6]。
表1-2 Landsat-7 TM工作波段及其特定功能
| 波段序号 |
波长范围/μm |
特定功能 |
|---|---|---|
| 1 |
0.45～0.52（蓝波段） |
用于海岸水域制图（水深、浅海地形、浑浊度等），区分土壤和植物、针叶树和落叶树 |
| 2 |
0.52～0.6（绿波段） |
探测植被的绿色反射率，评价生长状态 |
| 3 |
0.63～0.69（红波段） |
进行植物分类以及覆盖度、健康状态等的探测 |
| 4 |
0.76～0.9（近红外波段） |
植物分类，长势测定，确定水中生物含量、水体边界 |
| 5 |
1.55～1.75（短波红外波段） |
探测植物含水量和土壤含水量，区分云和雪 |
| 6 |
10.4～12.5（热红外波段） |
探测植物病虫害、土壤含水量，绘制地表热异常图 |
| 7 |
2.08～2.35（短波红外波段） |
区分岩石类型，热状态制图 |
相对于高空间分辨率可见光全色图像，多光谱图像的主要特点是波谱范围扩大、工作波段数增加，丰富了可利用的信息。此时，利用颜色突出信息，可使用户更易判读和解译图像，进而满足更深层次的应用需求。多光谱图像在可以提供多个波段光谱信息的同时，也存在空间分辨率相对较低的不足。因此，在实际应用中，常将多光谱图像与可见光全色图像进行融合处理，得到既含有可见光全色图像高空间分辨率的空间信息又包含有多波段图像光谱信息的融合图像，是遥感图像处理及解译的一个重要发展方向。
人们对相近目标进行辨识时，必须利用更多的谱段、更窄的谱段间隔。为此，在多光谱遥感基础上，人们提出了成像光谱学新概念。成像光谱学的典型应用是美国国家航空航天局喷气推进实验室（Jet Propulsion Laboratory，JPL）研制的机载可见光/红外成像光谱仪（airborne visible infrared imaging spectrometer，AVIRIS）和地球物理实验室研制的星载中分辨率成像光谱仪（moderate-resolution imaging spectrometer，MODIS）。成像光谱仪能够将成像技术和光谱技术相结合，在对目标空间特征成像的同时，也对每个空间像素进行连续的光谱覆盖，获得的图像包含了丰富的空间、辐射和光谱三重信息，既表现了地物空间结构分布的图像特征，也获得了像素或像素组的辐射强度及光谱信息，这样形成的遥感数据可以用“图像立方体”来形象描述，即“图谱合一”，如图1-9所示。该图像通常称为高光谱图像[7]。
*图1-9 高光谱图像立方体
与多光谱图像相比，高光谱图像具有更多的波段、更高的光谱分辨率。如图1-10（a）所示，典型的Landsat-7多光谱图像只有7个离散波段，而典型的AVIRIS高光谱图像包含224个波段，其光谱通常可以认为是连续的。光谱分辨率的提高使得许多原先利用多光谱图像不能解决的问题，现在利用高光谱图像可以得到解决。图1-10（b）所示为多光谱图像与高光谱图像的光谱分辨能力示意。对于具有微小双峰（对应差异非常小的光谱吸收峰的两种地物目标）变化的光谱曲线（黑色实线），高光谱图像能够很好地把它们分开，相对而言，多光谱图像由于光谱分辨率低而难以区分。这种光谱分辨能力通常称为光谱分辨率（点画线为实际分辨率，虚线为理想分辨率），体现了传感器接收目标辐射时能够分辨的最小波长间隔。间隔越小，光谱分辨率越高。光谱分辨率越高，专题研究的针对性越强，对目标物体就能实现更加精细的辨识，其应用分析的效果就越好。
图1-10 多光谱图像与高光谱图像的光谱比较
值得注意的是，在高光谱图像的具体应用中，除了要考虑波段的光谱分辨率，还要特别注意光谱波段的中心位置，也就是物体目标的波长吸收峰位置。
热红外图像是遥感领域的一个重要组成部分。自然界中的任何物体，当温度高于绝对零度（-273.15℃）时，均能向外辐射红外线。热红外遥感主要是利用传感器收集和记录地物目标的热红外信息，并利用其来辨识地物目标和反演其温度等参数的技术。热红外遥感包括两个大气窗口：中波红外（3～5 μm）和长波红外（8～14 μm）。热红外图像主要记录的是地球表面的辐射能量，可以弥补可见光全色图像必须具有光源提供能量才能形成的缺欠。与其他成像方式相比，热红外成像具有许多独特的特点：① 热红外成像是依靠感知物体辐射的能量进行成像，其成像不受光照条件影响，可以在夜间成像，在相同成像质量的前提下，热红外成像能力要强于可见光成像；② 相对于主动式雷达成像需要向外发射能量并感知，热红外成像依赖感知地物向外辐射的能量成像，属于被动成像，安全性和隐蔽性更好一些；③ 与可见光和雷达图像相比，热红外图像包含的辐射信息可以转化为温度值，在对一些目标进行检测等应用时，还可以通过温度参数对目标进行状态分析等[8]。
与可见光波长范围相比，热红外波长范围更大。随着波长的增加，电磁辐射能量会越来越小，更需要累积大量时间来保证足够大的能量。因此，相对于可见光、近红外传感器，热红外传感器的空间分辨率、对比度等一般相对较低，这给其图像处理算法的设计带来一定困难。在应用中，人们通常把热红外传感器分辨地物目标热辐射（温度）最小差异的能力称为温度分辨率。
与前面光学成像不同，微波遥感成像的显著特点是主动发射电磁波，具有不依赖太阳光照及气候条件的全天时、全天候对地观测能力，并对云雾、小雨、植被及干燥地物有一定穿透性。典型的微波遥感传感器就是合成孔径雷达，它利用脉冲压缩技术来提高距离分辨率，利用合成孔径原理来提高方位分辨率，从而可以获取距离上和方位上的高分辨率微波图像。在合成孔径雷达成像系统中，普遍所用的波段及相应的频率、波长范围如表1-3所示，其主要应用：① P波段和L波段用于叶簇穿透、地表下成像及生物估计；② L、S、C和X波段用于农业、海洋、冰或下沉的监测；③ X波段和Ku波段用于雪的监测；④ X波段和Ka波段用于更高分辨成像。目前，常用的是L、C和X波段[9]。
表1-3 合成孔径雷达成像系统中普遍采用的波段及相应的频率、波长范围
| 波段 |
Ka |
Ku |
X |
C |
S |
L |
P |
|---|---|---|---|---|---|---|---|
| 频率/GHz |
40～25 |
17.6～12 |
12～7.5 |
7.5～3.75 |
3.75～2 |
2～1 |
0.5～0.25 |
| 波长/cm |
0.75～1.2 |
1.7～2.5 |
2.5～4 |
4～8 |
8～15 |
15～30 |
60～120 |
在合成孔径雷达成像过程中，电磁波与地表目标相互作用的机理难以直接反演地表物理现象，并且成像过程所必然带来的相干斑也使地物目标在合成孔径雷达图像中具有独特的信息特点。因此，合成孔径雷达图像处理的难度要难于光学图像处理。
合成孔径雷达成像的特点正好弥补了光学遥感器成像的缺欠，已成为航天遥感的重要发展方向和各国竞相开发研究的热点。随着极化合成孔径雷达和干涉合成孔径雷达等多波段、多极化技术的发展，人们可以获得地物目标不同波段的雷达回波响应及线极化状态下同极化与交叉极化特性，从而更加准确地探测不同目标信息。极化合成孔径雷达是指在极短的间隔内发射水平、垂直极化脉冲，并同时接收水平、垂直回波信号的雷达。极化合成孔径雷达不仅记录了相干回波信号的振幅变化，而且也记录了不同极化回波间的相位变化。干涉合成孔径雷达是指采用干涉测量技术的雷达，也称为双天线合成孔径雷达。干涉合成孔径雷达的关键在于利用两幅天线的视角差来获取同一区域目标的两幅相干合成孔径雷达图像，再利用两幅天线距离某点的斜距不同而导致的不同相位差信号干涉图，就可实现目标的高程值反演。
以上介绍的每种传感器所获得图像都有它们自己独特的特点和优势，也有自己的劣势。在实际应用中，如果能够对这些传感器所获得的多源图像进行融合，协同处理、取长补短，就可以进一步提高遥感图像的解译性能和应用潜能。多源遥感图像融合也是遥感图像处理技术及应用的重要研究方向。此外，在卫星遥感领域，还有一个与时间参数相关的概念就是多时相图像。多时相图像是指遥感传感器对同一地区不同时间所获得的遥感图像，它体现了遥感对同一个地区重复覆盖的能力，通常称为遥感图像的时间分辨率。
从现代技术层面上看，遥感图像处理技术及应用是一种根据电磁波理论，基于空天平台（航空、卫星等平台）上各种传感器，对远距离目标所辐射和反射的电磁波信息进行探测和感知成像，并采用现代信号处理技术对获得的图像进行加工和处理，提取有价值的信息，进而服务于人类应用需求的一种综合技术。
作为主要的电磁辐射源之一，太阳发出的光也是一种电磁波，更是图像信号产生的第一环节。为此，遥感图像成像的物理过程可以描述为：能量首先从太阳辐射经历大气传输衰减到达地面，再与地面目标电磁辐射交互作用，最后经历大气到星载或机载载荷平台的传感器进行能量转换成像；这些遥感图像信息通过通信链路再经过大气传输被地面接收系统获得，然后经过加工或处理服务于人类应用需求，形成一个完整的遥感图像成像链，如图1-11所示[10]。
图1-11 遥感图像成像链
遥感图像成像链的具体组成模块有以下几个。
（1）信息源：信息源包括自然信息源和人工信息源。自然信息源能量主要来自太阳辐射，其波谱范围包括紫外、可见光、红外等，相应的遥感也称为光学遥感；人工信息源主要是人工发射的能量辐射，通常用于微波遥感。
（2）大气传输一：太阳辐射能量经过大气时，部分被大气中的微粒散射和吸收，使能量衰减，其衰减程度随着工作波长、时间、地点等不同而变化，其中透射率较高的波段，通常称为大气窗口。
（3）目标特性：经过大气窗口的能量与地物目标相互作用，被选择性地反射、吸收、透射、折射等，形成十分复杂的目标特性。
（4）大气传输二：地表反射能量或发射能量，再一次通过大气、再一次衰减。此时的能量已不同于大气传输一的均匀能量，而是包含不同地物目标波谱响应的能量，其大气效应对遥感数据探测影响较大。
（5）载荷系统：一般指由载荷平台和传感器一起构成的遥感信息获取系统。载荷系统通常包括探测地表反射或发射的被动遥感载荷系统，以及人为发射电磁能量并探测其返回辐射能量的主动遥感载荷系统。根据应用需求不同，可以设计不同的载荷系统，构成不同的遥感探测系统，通常它们各自都有自己的特点和局限性。
（6）地面接收系统：地面接收系统对应载荷系统上的发射系统，主要完成探测数据的接收、存储、处理和分发等功能。
（7）通信链路：对于传输型遥感系统，通信链路主要实现载荷发射系统和地面接收系统之间数据或指令信息的传输与交换。
（8）图像处理：遥感获得的数据，通过图像处理技术进行解译，从中提取出人们感兴趣的有价值信息。遥感图像是整个成像链路的输出结果，它所包含的灰度值是地表反射或辐射电磁能量的一种反映。
（9）应用需求：遥感探测信息的最终目的是服务于人类，满足人们的应用需求。因此，无论是遥感系统设计，还是图像处理算法研究都离不开应用需求的约束。应用需求涉及整个遥感图像成像链每个环节，它们之间相互依赖、相互关联、相互影响。
由图1-11所示的成像过程可见，如果遥感图像分析时只把图像看成“数据”，而不考虑产生“数据”的基本物理过程，这种处理及解译方式是不完备、脱离实际应用的。只有综合考虑成像过程，才能真正解译出人们需要的有价值信息。因此，在遥感图像处理及解译时，必须充分考虑图1-12所示的影响图像利用的因素[11]：① 目标信息隐含在目标场景中，这些信息以图像信号的形式进行描述，主要包括目标大小等空间几何信息、目标材质等物理属性信息、目标温度等生化参数信息等；② 大气传递造成信息退化或降质的影响因素，主要包括遥感平台高度、观测角、太阳角、大气条件（如气溶胶、春夏秋冬、阴晴雨天等）等；③ 传感器通过能量转换形成数字图像，其性能指标对图像质量的影响主要包括图像分辨率（包括空间、辐射、时间、光谱分辨率等）、噪声特性、失真、视场角等；④ 软件算法是数字图像处理的核心，其目的就是提取或反演目标场景中有价值的信息，算法设计需要考虑的因素包括合理算法的选择、最佳参数设置等；⑤ 应用是图像处理的最终目标，其需求又对软件处理算法设计与实现起着约束和评价的作用。
图1-12 影响图像利用的因素
总之，遥感图像处理技术及应用是一门对地观测的综合性技术，其重点是信息探测、传输与处理，而信息探测离不开信息源特性、信息处理离不开应用需求。因此，本书主要围绕被测目标的信息特征、信息获取、信息传输与记录、信息处理和信息应用等多角度进行系统介绍。
如图1-11所示，遥感技术通过电磁波传递并获取地表目标信息。在遥感成像过程中，传感器上接收的电磁波，来自以下几种：① 地球表面发射并通过大气窗口的电磁波；② 来自太阳并经过地球表面反射，或者其他辐射目标，通过大气窗口的电磁波；③ 大气层发射并通过大气窗口的电磁波；④ 大气层对太阳辐射的反射并能通过大气窗口的电磁波；⑤ 地面对大气层向下发射并反射回天空，能通过大气窗口的电磁波。为了更好地解译遥感图像，有必要对这一成像过程的物理特性进行深入了解。
遥感成像就是对不同电磁辐射源能量的探测过程。为此，有必要先对电磁辐射源涉及的基本概念和物理意义进行介绍[10, 12]。
（1）辐射能量：电磁辐射源以辐射形式发射、转移或接收的能量，常用Q表示。
（2）辐射通量：又称辐射功率，常用
表示，指单位时间内通过某一表面的辐射能量：
（1-4）
式中，t为时间。
辐射通量是波长的函数。
（3）辐射出射度：又称辐射通量密度，常用M表示，指辐射源物体表面单位面积上的辐射通量：
（1-5）
式中，S为面积。
（4）辐射强度：描述的是点状辐射源在某一方向上单位立体角内发射出的辐射通量，即点辐射源在单位立体角内发出的辐射通量：
（1-6）
式中，
为立体角，如图1-13（a）所示。
图1-13 电磁辐射源
（5）辐射亮度：描述的是面状辐射源单位投影面积上，在某一方向上单位立体角内单位波长的辐射通量［见图1-13（b）］：
（1-7）
（6）辐射照度：又称辐照度，常用E表示，指在单位时间内从单位面积上接收的辐射能量，即照射到物体单位面积上的辐射通量：
（1-8）
式中，Φ为辐射能量；S为面积。
值得注意的是，辐射照度E和辐射出射度M都是辐射通量密度的概念，只是辐射照度E为物体接收的辐射，辐射出射度M是物体发出的辐射，二者都是波长的函数，也都与某空间位置有关，如图1-14所示。
图1-14 辐射照度和辐射出射度
电磁辐射源以电磁波的形式向外传送能量。理论上，来自地球表面的任何能量都可以用于形成一幅图像，而这种能量的主要来源就是电磁辐射源。自然界中，任何物质在一定温度下都具有发射、辐射电磁波的特性，唯一不同之处是，它们的辐射强度和波长不同。
对于遥感成像而言，电磁辐射源可分为自然辐射源和人工辐射源两类。
自然辐射源主要包括太阳辐射和地物热辐射。太阳辐射是一种最常见的能量源，也是地球上生物、大气运动的能源，其光谱波长从0.1 nm一直延伸到1000 m以上。约有80%的太阳辐射能量集中在可见光-近红外波段，具有较强的反射能力，而且相对稳定，因此，这些波段也是被动式传感器成像的重要自然辐射源，如图1-15所示的粗虚线[8]。在此波段，透过大气层到达地球表面的太阳辐射与地表目标发生相互作用，其结果是不同波长的电磁波被选择性地反射、吸收和透射等。
图1-15 太阳辐射（T=5500 K）和地物热辐射（T=300 K）
地球表面上各种地物不仅具有反射太阳辐射的能力，同时也具有向外辐射电磁波的能力。这种地物热辐射是指热力学零度以上的地物本身发射出的电磁辐射，是热红外遥感的主要辐射源。地球表面的电磁辐射如图1-15所示的细虚线：在小于3 μm的波段，地物热辐射主要是反射太阳辐射能量，地球自身的热辐射能量可以忽略不计；在大于6 μm的红外波段，主要是地物自身发射的热辐射，此时该能量远远大于太阳辐射能量；在3～6 μm波段，既接收反射太阳辐射又接收地球发射辐射，这两种辐射能量交织在一起会对遥感探测产生一定的影响。因此，对于遥感图像处理而言，太阳辐射和地物热辐射都需要考虑。
人工辐射源是指人为地发射具有一定波长或频率的波束辐射源。传感器接收地物散射该波束返回的后向反射信号的强弱可探知地物特性或距离等信息。目前，广泛应用的人工辐射源主要包括微波辐射源和激光辐射源，它们分别对应的主动式遥感传感器就是微波雷达和激光雷达。在微波遥感中，目前广泛应用的是合成孔径雷达，其突出特点是具有全天候、全天时探测能力，成像不受光线、气候和云雾等限制，且具有一定的穿透性。与合成孔径雷达类似，激光雷达是工作在红外至紫外区间的光频波段雷达。与合成孔径雷达相比，激光雷达具有较好的单色性、方向性与相干性，同时，激光束能量集中，探测灵敏度和分辨率更高，可以精确跟踪识别目标的运动状态和位置。此外，激光雷达的激光束波段更窄，其被截获的概率很低，隐蔽性更好。
黑体是物理学家定义的一种理想辐射体，是具有全吸收而无反射和透射的理想物体（即吸收率为1、反射率为0）。黑体的热辐射称为黑体辐射，通常把它作为度量其他地物目标发射电磁波能力的比较基准。
普朗克从量子物理的角度，推导了黑体辐射定律，即在一定温度下，单位面积的黑体在单位时间、单位立体角内和单位波长间隔内的辐射出射度（或辐射通量密度）与温度、波长之间的关系，定义为
（1-9）
式中，
为辐射出射度；为波长；
为普朗克常数；为玻尔兹曼常数；为光速；
为黑体的绝对温度。
在实际应用中，普朗克定律在其长波、短波方向的极限情况下，具有完全不同的特性。在长波方向，即
时，式（1-9）变为
（1-10）
此时为瑞利-金斯分布，表明长波区域的辐射出射度与绝对温度成正比。在短波方向，即
时，式（1-9）变为
（1-11）
此时为维恩分布。
以普朗克定律为基础，斯特藩-玻尔兹曼进一步证明了任意物体辐射的能量是物体表面温度的函数，并把黑体总辐射出射度与温度的定量关系表示为
（1-12）
式中，
为黑体辐射出射度，随温度T4的变化而变化。
也就是说，温度有微小的变化，都可能导致对应的辐射出射度发生巨大的变化；
W/（m2·K4）为斯特藩-玻尔兹曼常数。在热红外图像处理中，斯特藩-玻尔兹曼定律是红外温度反演的理论依据。
维恩位移定律描述的是随着温度的升高，辐射最大值对应的峰值波长向短波方向移动，即高温物体发射较短的电磁波，低温物体发射较长的电磁波。此时，可以求得
下的最大值解为
（1-13）
式中，
为最大波谱辐射出射度对应的波长；为热力学温度；为常数，
μm·K。
基于上述定律，图1-16所示为不同温度黑体辐射能量的波谱分布情况。可见，辐射物体温度越高，发射的辐射能量越大，并且与温度的四次方成正比。特别地，如果把太阳辐射看作黑体辐射，其温度约为6000 K，而当波长约在0.5 μm处，其能量有高得多的峰值。因此，人类视觉系统和可见光传感器对这段能量大小非常敏感，也是其成像的主要波段；在我们生活的地球环境约为300 K（27℃）时，其物体产生的最大辐射波长约为9.7 μm，这个区域正是热红外传感器成像波段。此外，对于更长波长的波段，地表目标发出的能量就必须采用非光学传感器来探测。进而可以总结出黑体辐射的3个特性：① 黑体在不同温度下具有不同的发射光谱；② 在每个给定温度下，黑体的光谱辐射出射度都有一个极大值；③ 随着温度的升高，其辐射出射度迅速增高，对应的峰值波长向短波方向移动[13]。
图1-16 不同温度黑体辐射能量的波谱分布情况
基尔霍夫定律阐述了物体在某一波段某一温度下辐射能量
与其能量吸收率
之间的关系。将它们两者联系起来的纽带就是黑体在同一波段同一温度下的辐射能量
。基尔霍夫定律具体表达形式为
（1-14）
式中，
与物体本身的物理特性无关，即无论何种材料的黑体，只要波长和温度一致，其恒为定值。
这从另一个角度说明，即使对于非黑体物体，某一波长与温度下的辐射能量与能量吸收率的比值也是一个与自身物理属性无关的定值。但在实际应用中，人们往往关注的是那些与自身物理属性有关的参量，用以达到描述和区分物体的目的。
不管任何辐射源，遥感传感器探测到的能量信号都要经过大气。太阳辐射电磁波在穿越大气时，会受气体分子、水蒸气和气溶胶粒子吸收和散射的影响，从而使透过大气层的太阳光能量受到衰减，其强度、传播方向及偏振状态也都会发生变化。但是大气层对太阳光的吸收和散射影响随太阳光的波长而变化，也就是说，大气对电磁波的吸收使得只有某些波段的大气透过率比较高，这些辐射能量所能穿过的波长范围通常被称为大气窗口。图1-17所示为电磁波谱和相应的地球大气透过率[1]。
图1-17 电磁波谱和相应的地球大气透过率
在具体应用中，一般遥感传感器的波段都选择在大气窗口内。在这里，电磁波较少被反射、吸收和散射，透过率较高。随着波长逐步增加到短波红外区域，被传感器接收到的太阳辐射就会越来越少。随着波长的继续增加，在短波红外以上到中波红外的光谱区域，太阳辐射量逐渐减少，而对于朗伯反射体而言，物体自身辐射的热辐射却在逐渐增加。在波长较长的长波红外区域，除了太阳辐射导致物体表面的温度升高，太阳辐射的直接部分与物体自身发射的热辐射相比非常小。可见，遥感传感器设计的波段无疑需要选择在大气窗口内，才能最大限度地接收地物信息，实现遥感图像信息探测和利用。遥感传感器通常利用的主要大气窗口包括以下波段。
（1）波长为0.4～1.3 μm的可见光、近红外波段。这一波段主要反映地物对太阳辐射的反射能量，是摄影或扫描白天成像的最佳波段，也是许多卫星传感器扫描成像的常用波段。例如，Landsat TM的1～4波段，SPOT卫星的HRV波段等。
（2）波长为1.5～1.8 μm、2.0～2.5 μm的短波红外波段。这是在白天日照条件好的时候扫描成像经常用的波段。例如，Landsat TM的5、7波段等，用以探测植被含水量以及云、雪或者用于地质制图等。
（3）波长为3.5～5. 5 μm的中波红外波段。这一波段除了地物目标反射太阳辐射外，地物目标自身也发射能量。例如，NOAA卫星的AVHRR传感器，用这个波段探测海面温度，可获得昼夜云图。
（4）波长为8～14 μm的长波红外或热红外波段。这一波段主要是来自地物目标自身热辐射能量，适合于夜间成像，测量地物目标的温度特性。
（5）波长为0.8～2.5 cm的微波波段。这一波段具有穿透云雾的能力，可以全天候、全天时工作。
当电磁辐射到地物目标时，可能会发生多种相互作用，地物目标反射和发射波谱特征直接反映该目标的物理特性。通常在地物目标表面发生的相互作用称为表面现象，电磁辐射穿入目标体内所产生的作用称为体现象。入射电磁辐射与地物目标表面和体的作用会使入射电磁辐射发生不同的变化（主要变化包括振幅、方向、波长、偏振和相位等）。遥感信息获取就是要感知和测量这些参数的变化，进而形成遥感图像并进行应用处理。可以说，地物目标与电磁辐射之间的相互作用是遥感的基础[2, 12]。
在可见光-近红外波段（波长为0.3～2.5 μm），地物目标的热辐射几乎为零，此时以反射太阳辐射为主。当太阳辐射到达地物目标时，电磁辐射与地物目标相互作用，其能量主要包括3种基本的物理过程：反射、吸收和透射，如图1-18所示，其中反射是最普遍最常用的性质。根据能量守恒定律，三者的关系是
（1-15）
式中，
为入射能量；
为反射能量；
为吸收能量；
为透射能量。
图1-18 电磁辐射与地物目标相互作用
进一步整理式（1-15），可得
（1-16）
式中，
为地物反射率；为吸收率；
为透射率。
下面两点值得注意。
（1）能量被反射、吸收和透射的比例会随地物目标材料类型和环境变化而变化。因此，在遥感图像处理中，可以根据这种变化差异来解译不同地物目标特征。
（2）地物目标的反射、吸收和透射都随着波长的不同而变化。如果两个地物目标在某一波段内具有不可分性，那么在不同波段间就可能存在可分性，这也是多光谱和高光谱图像进行地物目标解译的基本出发点。
众多遥感成像系统都工作在反射能量波段，所以式（1-16）中的地物反射率尤为重要，即
（1-17）
它反映了地物目标的反射特性可以通过入射能量被反射的比例来表示。物体的反射波谱不同，便形成了物体的不同颜色，人类视觉系统也正是利用反射能量强度不同的光谱变化来辨识丰富多彩的物理世界。
在遥感高光谱图像处理中，作为波长函数的物体光谱反射率形成的曲线通常称为光谱反射率曲线，简称光谱曲线。图1-19所示为植被、土壤和水3种典型地物类型的光谱曲线[1]，它们以波长为横坐标，反射率为纵轴的直角坐标系来表示。不同类型的地物目标，其表面形状和成分以及内部结构等特性不同导致其反射光谱特性也不同。或者可以反过来理解，不同地物目标的光谱特性不同，因此通过光谱曲线的形态，可以分析物体的光谱特征，进而实现遥感图像的定量化分析。
图1-19 3种典型地物类型的光谱曲线
相对于可见光波段的遥感传感器利用目标的反射能量，工作在热红外波段的传感器主要依赖于目标自身的辐射能量，其辐射能力又依赖于式（1-16）中吸收部分的入射能量，一般用发射率
来描述。类似于地物反射率或反射系数，其发射率也是波长的函数。更主要的是，根据不同目标的不同材质，发射率也会随着温度的变化而变化。通常，地物发射率定义为物体在温度、波长处的辐射强度与同温度、同波长下的黑体辐射强度
之比（为此又称为比辐射率或辐射系数），即
（1-18）
很显然，地物发射率是与物体状态以及固有物理属性有关的无量纲参量，其取值范围为
。
理论上，基尔霍夫定律认为物体无时无刻不在与周围环境进行着能量的交换与传递，如能量的吸收、反射及发射。根据能量守恒定律，当物体的温度不再发生变化时，其能量的吸收和发射则处于一种动态平衡状态。此时，在一定温度下，一个物体的光谱发射率等于其光谱吸收率，即
（1-19）
即好的吸收体也是好的发射体。这样，在热红外波段，式（1-16）变为
（1-20）
如果进一步假设处理的目标对热辐射是不传热的，即
，则
（1-21）
这就是光谱在热红外区域，目标的光谱发射率和其反射率之间的关系。即一个目标的反射率越低，其发射率就越高；反之，目标的反射率越高，其发射率就越低。这样，根据基尔霍夫定律，若已知，则可以根据响应关系对发射率进行求解。
由以上讨论可见，基尔霍夫定律就是以黑体研究为基础的热辐射基本定律。此时，可以将在黑体辐射式（1-12）中的斯特藩-玻尔兹曼定律扩展到实体辐射上，即
（1-22）
式（1-22）给出了热传感器探测的信号、温度和发射率
之间的关系。在具体应用时，遥感热红外图像处理就是基于目标的这种关系，实现发射率与温度的分离，进而实现目标特性参数反演。
遥感的首要任务是信息获取。所谓信息获取是指运用遥感技术装备接收、记录地物目标电磁波特性的探测过程。信息获取所采用的遥感技术装备主要包括遥感平台和有效载荷，它们一起构成了遥感信息探测系统。遥感平台和有效载荷的多种组合，为现代遥感技术提供了多样化的信息获取手段。其中，遥感平台构成了遥感系统的整体结构，承载着载荷及其支撑载荷工作的子系统（如电源系统、姿态控制系统、遥测及跟踪系统、通信系统等）。目前常用的遥感平台有气球、飞机和人造卫星等。有效载荷则是执行遥感任务的仪器和设备，其核心就是用来探测目标电磁波特性的传感器。传感器的性能高低体现遥感技术的水平。常用的传感器包括照相机、扫描仪和成像雷达等。
遥感信息获取的主要产品是图像，其质量既与电磁辐射能量大小、大气条件等因素有关，还与载荷平台、传感器特性，以及太阳辐射源、地物目标、载荷传感器的几何关系等众多因素有关。下面重点介绍遥感载荷平台和传感器特性。值得注意的是，遥感传感器涉及被动式传感器和主动式传感器。本书在内容安排上将以光学遥感为主，因此将对光学被动式传感器的相关知识进行重点介绍。至于主动或被动微波遥感，其载荷和成像过程与光学遥感完全不同，本节对相关知识只作简单介绍。
对任何遥感系统而言，探测目标与载荷平台之间的距离决定了传感器获得信息的详细程度。就目前广泛应用的航空平台和航天平台而言，航空平台飞行高度较低，主要包括飞机、氢气球等飞行在大气层中的飞行器。航空平台的特点是机动灵活，而且不受地面条件的限制，但航空平台的稳定性和成像的大倾角等会造成图像几何失真等问题。相对于航空平台，航天平台飞行高度较高，主要包括卫星、宇宙飞船、空间站等，其突出的特点是覆盖范围宽、探测能力强，但大气层的干扰因素强，直接影响成像质量。就航空平台和航天平台相同传感器所提供的图像数据而言，其主要差别一般是有效的空间分辨率。相比较而言，航天遥感距离地面目标较远，空间分辨率相对较低，观测细节信息能力弱；航空遥感空间分辨率较高，观测目标细节信息能力强。
无论何种遥感平台，其传感器都由收集器、探测器、处理器和输出器4个部分组成，如图1-20所示。
图1-20 传感器结构
收集器收集来自于地物目标的电磁辐射能量，并将其聚焦至探测器。不同传感器使用的收集器不同，例如，光学器件可以是透镜、反射镜等；微波成像可以是天线等。多波段遥感成像系统的收集器还包括分光器件，如棱镜、分光镜、滤光片等。
探测器的主要功能是实现能量转换，测量和记录接收到的电磁辐射能量。光学系统实现的是光电变换，例如，光电敏感元件通过光电效应把探测的电磁辐射能量转换为电信号。
处理器主要是对探测器探测到的化学能或电能信息进行信号加工和处理，如电信号的放大、增强、模数转换等。
输出器以适当的方式输出所获得的数据或者数字图像。
在遥感领域，传感器工作在可见光波段、近红外波段、中红外和热红外波段的遥感技术统称为光学遥感。光学遥感是目前遥感图像的主要成像方式，从传统相机成像到扫描仪成像，有多种形式。对于扫描仪成像方式，构成一幅遥感图像的二维像素网格通常包括：沿着平台轨道（顺轨）的运动方向和与轨道运动的垂直（交轨）方向。图像网格顺轨方向的间隔由控制平台运动速度决定，交轨方向的间隔由传感器采样率决定。典型传感器与地面成像区域的几何关系如图 1-21 所示，传感器视场（field of view，FOV）定义为垂直于轨道所能覆盖地球表面的可视角度范围。当传感器以这个角度投影到地表时，其相应的地面覆盖范围称为地面投影视场，通常定义为扫幅宽度，它决定了图像每行覆盖地面的宽度，即图像一行大小。传感器瞬时视场（instantaneous field of view，IFOV）定义为一个探测器件在光学系统轴向的角度，它决定了在给定平台高度下观测的地面尺寸，体现的是传感器最精细的角分辨率。
图1-21 典型传感器与地面成像区域的几何关系
当从遥感平台高度H向地球表面投影时，瞬时视场根据等效地面尺寸定义了图像最小的可分辨单元，通常称为图像像素或像元，其对应的地面几何投影称为地面投影瞬时视场，它定义了一个像素对应地面的实际面积大小。通常，瞬时视场越小，传感器能分辨的地面单元就越小，图像的空间分辨率就越高。
对于可见光-近红外遥感，它们记录的是地物目标对太阳辐射能量的反射能量，其传感器按照数据采集方式可进一步划分为摄影成像和扫描成像，如图 1-22所示[10,12]，这也是本节重点介绍的内容；对于微波雷达成像，由于其本质上完全不同于光学遥感，所以将在1.4.3节单独介绍。
图1-22 典型光学传感器的数据采集方式
目前，扫描成像方式获得了更为广泛的应用，主要原因在于：① 探测范围可由传统的可见光波段，扩展到较宽的红外波段；② 通过光敏或热敏探测器把收集的电磁辐射能量转换成电信号，更有利于遥感图像数据的实时传输和存储。为此，下面主要介绍3种典型的扫描成像系统。
光机扫描成像系统利用遥感平台的行进和传感器旋转扫描镜，对与平台行进垂直方向的地面目标，沿着扫描线逐点扫描，并通过传感器的瞬时视场来记录地球表面图像数据，如图 1-23 所示[1]。该扫描成像系统通常又称为物面或交轨扫描系统。
图1-23 光机扫描成像系统
光机扫描成像的几何特征主要依赖于传感器视场和瞬时视场的大小。由于假设传感器在瞬时视场的扫描持续瞬间是静态的，此时接收到的地物目标的电磁辐射能量即为传感器探测的能量，决定了图像中每个像素的灰度值大小。传感器视场FOV和载荷平台高度
一起，决定了图像扫幅方向图像列的宽度
，即地面扫描幅宽，三者关系为
（1-23）
随着遥感平台的前向运动，可以通过光栅扫描逐渐获得一个数据条带，而选择一定数量的条带即可构成图像的行长度
，进而形成一幅大小为
的遥感图像。值得注意的是，图像行（平台飞行方向）和列（传感器扫描方向）的比例尺通常是不一致的。光机扫描成像系统的特点是扫描宽幅大，但空间分辨率较低。
随着基于CCD技术的可靠探测器阵列的实用化，另一种图像获取扫描成像系统是推扫扫描成像系统。推扫扫描成像系统不用扫描镜，而用垂直于遥感平台飞行方向的线性探测器阵列来感应场景目标，如图 1-24 所示[1]，该扫描成像系统又称为像面或顺轨扫描系统。不同于光机扫描成像系统对图像一行需要扫描列（图像一行像素数），推扫扫描成像系统一般由CCD阵列组成。如果推扫扫描成像系统的CCD阵列为，则扫描一次就能对图像一行进行探测。显然，其扫描时间可以大大缩减。此外，传感器瞬时视场取决于CCD器件的性能，而图像的视场取决于CCD阵列的个数。随着传感器载荷平台的向前移动，CCD阵列就以条带的形式记录图像数据。
图1-24 推扫扫描成像系统
值得注意的是，CCD阵列能同时感应目标响应、同时采光、同时能量转换（光电转换）、同时成像。若CCD按线阵排列，则可以同时获得图像一行个像素数据，再根据需要扫描行，就可以形成一幅大小为图像；如果CCD按二维面阵排列，则可以同时获得一整幅图像。
通常，二维CCD阵列也可被用于卫星成像传感器。如果该阵列以推扫方式应用，但不是记录地表目标的二维空间图像，而是通过利用一种将输入辐射能量根据波长进行分离的机制，将第三维用于同时记录每个像素的若干个不同波段，如图1-25所示，那么这样的仪器就称为成像光谱仪，它所描述的数据被称为“立方体”数据。通常用这种方式可以记录上百个通道，因此，地球表面的反射特性也可以很好地体现在数据中。
图1-25 成像光谱仪
成像光谱仪把成像技术和分光技术有机地结合起来，在获得图像二维空间信息的同时，也使图像的光谱分辨率非常高，波段数非常多（能达到上百个波段）。这种典型的成像光谱仪就是美国机载可见光/红外成像光谱仪，获得的图像通常称为高光谱图像。
合成孔径雷达是一种主动式微波遥感雷达传感器。合成孔径雷达首先是雷达，其本质就是无线电探测与测量，通常利用脉冲压缩技术很容易获得较高的距离分辨率。“合成孔径”的主要用途是改善雷达图像的方位分辨率，其概念是相对雷达真实孔径提出来的，主要原理是在运动平台上安装一个具有较短天线的雷达，运动平台上的雷达通过较长时间连续发射波束来“观测”同一目标。同时，雷达天线也连续接收地面目标的后向散射回波信号，并对接收的不同时间累积信号进行合成相干处理，通过“合成孔径”得到一个比物理天线尺寸更长的虚拟天线，进而提高雷达图像的方位分辨率[13]。图1-26所示为典型合成孔径雷达成像几何示意[9]。其中，雷达平台沿着方位向或者轨迹方向运动，电磁波传输方向称为距离向，二者形成了合成孔径雷达图像的二维坐标维度，其扫幅宽度代表了距离向上的图像大小。
为斜距，
为方位波束宽度，
为传感器运动速度。
图1-26 典型合成孔径雷达成像几何示意
此时，合成孔径雷达的距离分辨率可以表示为
（1-24）
式中，为光速；Br为发射脉冲信号频域带宽。
可见，合成孔径雷达的距离分辨率主要取决于信号频域带宽（或时域信号脉冲宽度），信号频域带宽越宽，距离分辨率也就越高。较宽的信号频域带宽意味着信号在时域需要较窄的脉冲信号，这样其探测精度越高。这种窄脉冲信号的发射功率是有限的。因此，在具体应用中常采用大时宽的宽频带信号（如线性调频信号），其调制的目的就是增加频域带宽或者实现“脉冲压缩”。
理论上，合成孔径雷达的方位分辨率取决于天线波束宽度，波束宽度又与天线尺寸成反比。如果要提高其方位分辨率，就要压缩其波束宽度，也就是增加天线尺寸。合成孔径的波束宽度为
（1-25）
式中，为雷达工作波长；
为合成孔径长度，可以表示为
（1-26）
式中，为雷达到目标的（斜）距离；
为实际雷达较短的天线长度，则合成孔径雷达的方位分辨率为
（1-27）
由式（1-27）可以看出，合成孔径雷达的方位分辨率只与雷达天线的尺寸有关，而与运动平台的高度等参数无关。天线的尺寸越小，合成孔径雷达的方位分辨率越高。
值得注意的是，不同于光学成像，合成孔径雷达成像获得的原始数据不是图像，而是在不同方位上具有不同延迟的一维距离像，通常原始数据称为原始回波。因此，如何从这些观测的原始回波生成可视化合成孔径雷达图像的成像算法，是合成孔径雷达成像研究的关键技术，其成像性能直接影响合成孔径雷达图像的应用。通过典型RD成像算法进行合成孔径雷达成像过程主要包括两步：第一步是在距离维方向上把发射的线性调频信号压缩成一个窄脉冲。在算法实现中，并不是直接在时域进行卷积，而是直接在频域进行乘积。这样，每个距离维行在频域乘以线性调频信号频谱的复共轭（该信号也称为参考信号），其结果就是距离维压缩的图像。第二步是方位维压缩，此时也是与一个参考信号进行卷积，只是所选择的复共轭需要考虑地面一个点目标的响应。可以证明，方位向信号也是一个线性调频信号，其瞬态方位维频率随着时间线性变化，具有反比于距离的斜率，此时的方位维频率也称为多普勒频率。从信号处理的角度，合成孔径雷达数据的成像过程可以理解为分别沿着距离维和方位维在频域的匹配滤波，其目的就是要把接收的大时宽频宽信号压缩成窄脉冲。所谓匹配滤波就是以输出最大信噪比为准则的最佳滤波器，此时其滤波器的频率响应为输入信号频谱的复共轭。根据卷积定理：频域两个函数相乘等于这两个函数时域的卷积，因而频域的匹配滤波也相当于在时域信号与滤波器冲激响应的卷积。本书对合成孔径雷达成像原理和成像过程只作简单介绍，具体详细内容读者可参考文献[9]。
航空遥感和航天遥感获取的遥感数据最终都要送回地面。遥感图像的回收方式包括以下两种。
（1）直接回收式：此时成像传感器把图像数据记录在胶卷或磁带上，待载荷系统返回地面时回收。该方式回收方便、信息损失少、保密性强。但该方式非实时，存储容量受限。因此，该回收方式主要适合航空遥感。
（2）无线传输方式：此时主要是通过无线电将图像数据传输到地面接收站，再存储、分发和处理。对于无线传输型的遥感系统，其数据必须通过建立遥感地面接收站来完成数据的接收，而与之对应的是遥感平台上载荷的发射系统。遥感数据发射-接收系统及其信道链路一起构成了遥感数据传输系统，如图1-27所示。
图1-27 遥感数据传输系统
在遥感数据传输系统中，探测载荷探测到的遥感图像数据由遥感数据发射系统经过传输信道发往地面接收站。
遥感数据传输系统面临的最大技术难点是日益增长的数据量问题。我们知道，遥感图像的突出特点之一就是数据量极大、信息丰富。例如，一幅陆地卫星图像，如果其覆盖的地面尺寸为185 km×185 km，图像空间分辨率为30 m，辐射分辨率为8 bit（1 Byte），则其数据量大约为36 MB，这样大的数据量给遥感图像传输或存储都带来了极大的困难。因此，在图像处理领域出现了一个相对独特的数据处理技术，即图像压缩编码。对于遥感数据传输系统而言，遥感图像在发射平台上需要进行图像的压缩编码，在地面站接收端需要进行相应的解码。需要说明的是，在通信领域发射端的数据编码一般称为信源编码，而在图像处理领域也往往把图像压缩编码看作信源编码。二者的最大差异在于，信源编码是利用数据间的冗余度，实现无失真编码来减少传输率；图像压缩编码大多时候是有失真压缩，以便进一步减小传输率和存储空间。关于遥感图像压缩编码技术将在第6章详细介绍。
遥感数据接收系统主要布置在遥感卫星地面站，负责遥感数据的接收、处理、存档、分发等。当卫星处在地面站的覆盖范围之内时，通常采用卫星实时传输的数据传输方式；当卫星超出地面站的覆盖范围时，采用任务数据记录仪（mission data recorder，MDR）或跟踪数据中继卫星（tracking and data relay satellite，TDRS）两种数据传输方式。前者为实时传输，后者为准实时传输。
值得注意的是，地面接收站接收到的遥感数据，经过图像链传输时，会受载荷特性、大气环境、地球曲率等众多因素的影响，遥感数据在几何和辐射特性上会或多或少地降质，必须经过几何和辐射校正等（预）处理，形成分级产品后才能提供给用户使用。遥感数据产品分级体系如表1-4所示。通常所用的遥感图像一般都是3级产品[5]。
表1-4 遥感数据产品分级体系
| 分类 |
等级 |
名称 |
定义 |
|---|---|---|---|
| 数据产品 |
0级 |
原始数据产品 |
卫星载荷原始数据及辅助信息 |
| 1级 |
辐射校正产品 |
经过系统辐射校正，波谱定标等的产品 |
|
| 2级 |
几何校正产品 |
进行了系统几何校正的产品 |
|
| 图像产品 |
3A级 |
几何精校正产品 |
系统辐射校正的高精度地理编码产品 |
| 3B级 |
正射校正产品 |
系统辐射校正的正射纠正地理编码产品 |
|
| 目标信息特征产品 |
4级 |
目标特征产品 |
在图像产品基础上，得到的目标特征产品 |
图像处理的先决条件是要有图像处理系统。一方面，计算机的高速发展使得图像处理系统的发展极其迅速；另一方面，半导体器件的快速发展解决了大量图像数据存储问题，也加快了图像处理系统的发展速度。从本质上讲，遥感图像处理系统除了一些适合遥感平台的特殊要求外，在实现原理上与通常的图像处理系统没有太大区别，主要包括高性能图像处理机、大容量图像存储器和相应的图像输入/输出系统等，如图1-28所示。
图1-28 遥感图像处理系统
在具体应用中，图像处理系统又分为通用图像处理系统和专用图像处理系统两大类。如果图像处理机由通用计算机来完成，即图像处理系统作为计算机系统的一个外部设备，这种图像处理系统被称为通用图像处理系统。通用图像处理系统的突出特点是它的通用性，因此被大家广泛应用，这里不作过多介绍。通用图像处理系统的最大问题是不能完成特定的任务，如星上实时处理系统。因此在实际应用中，专用图像处理系统更具有实用价值。专用图像处理系统是指最终用户使用的系统，它的发展完全依赖于半导体器件的发展，通常以专用集成电路（application specific integrated circuit，ASIC）、数字信号处理器（digital signal processor，DSP）、现场可编程逻辑门阵列（field programmable gate array，FPGA）等硬件为基础。相应的专用图像处理系统设计也主要包括以下3类。
（1）基于数字信号处理器等芯片的图像处理系统。该类系统的最大优点是全硬件实现，特别适合科学计算。但其最大的问题是成本较高、灵活性较差。
（2）基于现场可编程门阵列等的图像处理系统。该类系统的主要优点是片上资源丰富、具有可重复性。但其最大的问题是不具备专用优化算法，而且功耗比较大。
（3）基于数字信号处理器和现场可编程逻辑门阵列等的图像处理系统。这类系统综合了以上两种方法的优点：数字信号处理器对数字信号处理的良好支持、现场可编程逻辑门阵列对高速数据控制的灵活性及并行性等。
随着遥感技术的飞速发展，卫星载荷产生数据的速率和数据量持续增长，而卫星到地面站的有效下行链路带宽却相对受限。这样，面向特定任务的星上实时图像处理系统应运而生，它也是遥感应用系统的一个新挑战和发展方向。
就目前遥感图像处理技术发展和应用需求而言，星上实时图像处理技术主要包括图像预处理、图像压缩、自动特征提取等，其目标是依靠星上实时图像处理系统，最大限度地减少地面干预，实现星上有针对性的图像处理。目前，星上实时图像处理技术主要涉及两个方面，如图1-29所示[14]：① 在传输前对获得的图像数据进行星上有损或无损压缩，这样被压缩的图像数据流被下传，并进一步在地面处理；② 根据某种应用需求在星上进行处理，这样只有处理的结果被传输给地面站。
对于星上实时图像处理系统，必须具备以下3个特性：① 它必须具备高计算性能，因为目前众多压缩和处理算法都具有大量相关的计算负担；② 它应该具有体积小、质量轻、功耗低的性能；③ 它必须具备抗损或抗故障能力。作为目前星上实时图像处理系统较好的应用范例，遥感图像压缩系统与地面普通图像压缩系统存在较大区别。首先地面普通图像压缩系统一般对实时性要求不高（解压缩实时性要求高），遥感图像压缩系统则强调能够对采集到的遥感图像数据量进行即时的压缩存储。其次，地面普通图像压缩系统可以采用较大型的处理设备进行压缩处理。但受遥感载荷及空间限制，遥感图像压缩系统多采用数字信号处理器、现场可编程逻辑门阵列及专用芯片进行压缩处理，这样既减小了系统的体积又降低了功耗。最后，地面普通图像压缩系统出现误码，甚至难以解码的情况时，可以对原始图像重新压缩，而遥感图像压缩系统则与特定的时相相匹配，如果误码率过高将会造成不可逆的损失。
图1-29 星上实时图像处理技术
随着遥感技术的飞速发展，人类获取更高空间分辨率、更高光谱分辨率、更高时间分辨率的遥感数据成为可能。与此同时，人类也能够在不同平台上以更大的电磁波谱范围对地遥感观测，从全色遥感到多光谱以及高光谱遥感，从光学遥感（包括红外）到微波遥感，探测信息手段的多样化也使获得的多源海量数据信息更加丰富。尽管遥感技术的这些新特点为后续进一步遥感图像处理及应用带来了更多的可能性，使许多原先悬而未决的问题得以解决。但针对多源海量数据的表征与描述，其内在的本质特征以及关键信息是什么？针对多源海量数据的加工与处理，如何协同取长补短以达到最佳的信息利用效能等一系列深层次的科学问题，都对遥感图像处理及应用领域的深入研究提出了极大的新挑战。
当今社会已经逐渐进入“大数据”时代，每天都有大量不同类型的数据需要处理。同样地，在遥感领域，随着卫星技术的发展，每天也会有大量的遥感数据被获取。遥感技术的总体发展趋势如下。
（1）多传感器：随着高光谱、热红外成像及合成孔径雷达技术的日益成熟，遥感波谱从最早的可见光向近红外、短波红外、热红外、微波等方向扩展，波谱域的扩展将进一步适应各种物质反射、辐射波谱特征峰值波长的宽域分布。
（2）多平台：大、中、小卫星相互协同，高、中、低轨道相结合，形成一个不同时间分辨率互补的系列探测星座。
（3）多分辨率：随着高空间分辨率新型传感器的应用，空间分辨率的提高更有利于遥感图像解译精度的提高以及更深层次的应用。
（4）多波段：高光谱遥感技术的发展，传感器波段宽度更加窄化，针对性辨识能力更强，可以突出特定地物反射峰波长的微小差异；同时，提高地物光谱分辨率，更有利于区分各类物质在不同波段的光谱响应特性。
（5）多角度：多角度光学图像系统、激光雷达以及干涉合成孔径雷达的发展和应用，将空间目标由二维投影测量反演为三维立体测量，进一步提高目标探测的维度和可辨识性。
（6）多时相：卫星访问周期不断缩短，数据更新不断加快，为目标区域的动态监测提供了可能。
（7）遥感分析技术从“定性”向“定量”转变，定量化遥感成为遥感图像处理及应用发展的热点和方向。
（8）遥感图像处理及应用技术朝着自动化、智能化、网格化和实用化方向发展，逐渐形成了自己的处理体系。
基于遥感技术的总体发展趋势，结合本书的具体内容，遥感图像处理及应用主要面临以下几方面的挑战。
从多源遥感海量数据获取的角度来看，遥感成像覆盖了可见光、高光谱、红外等电磁波段，可以形成全天候、全天时、性能各异的多源遥感图像。获取这些海量数据的样式越多，协调优化和综合处理它们的能力要求也就越高。一方面，观测手段的多样化给后续处理及应用带来了更多的可能性，可以促使原来悬而未决的问题得到解决；另一方面，传统的基于像素的图像处理技术很难再完全适合这种新需求。仅从获得不同遥感图像分辨率的角度为例，遥感图像空间分辨率和光谱分辨率的不断提高，像素内包含多种地物目标已不可避免，同类地物内部光谱差异逐渐增多，“同物异谱”和“同谱异物”现象更加严重。传统的基于像素的图像处理技术受到极大限制，面向子像素、面向目标以及超像素等遥感图像分析的新思路不断出现，相应的特征提取及解译方法也被提出来。要使多源遥感图像处理的信息得到充分应用（如精细分类、混合像素解混、超像素目标分割等），还有诸多关键技术需要攻关。
人类认识世界往往是透过现象看本质的过程，遥感技术的发展也是如此。遥感图像处理及应用不仅要考虑图像空间特性（如形状、大小、模式、色调或色彩、纹理、阴影、位置、布局和空间分辨率等），更要考虑其物质内在的物理属性、生化参数（如反射率、发射率、温度以及一些结构参量等）。前者更多基于表象特征来对图像进行定性描述和处理，后者更能充分挖掘物质的内在本质信息所在，正是定量化遥感要解决的问题。
在遥感图像处理及应用中，定量化遥感的本质是遥感图像反演，其关键技术主要取决于遥感图像模型构建和参数估算两个方面。
（1）遥感图像模型构建是根据地物电磁波特征产生的遥感图像特征，反推其形成过程中的电磁波状况。该模型充分反映了遥感信号或遥感数据与地表应用之间的相互关系，是定量化遥感反演的前提条件和基础。
（2）参数估算过程则是建模的逆过程。此时，以遥感图像为已知量去反推目标或大气中某些影响遥感成像的未知参数，即将遥感数据转变为人们实际需要的地表各种特性参数。从数学角度，反演是一个求逆问题[15]。“逆问题”通常要比“正问题”复杂得多，例如4+6=？属于正问题，答案是10；而x+y=10属于逆问题，需要对其中一个参数x或y在有先验信息的条件下，对另一个参数y或x进行最佳估计。遥感图像反演在遥感领域具有特殊意义，特别像高光谱图像的生化参数反演、热红外图像目标发射率和温度反演、合成孔径雷达图像介电常数反演等，目前还都是极具挑战性的课题。
人类视觉系统是一个混合认知系统，结合了归纳和演绎两个方面[16]。归纳是从特殊到一般的认知过程，演绎则是由一般到特殊的认知过程，二者一起构成了两种经典的前向推理和后向学习方法。机器学习作为人工智能的核心，其主要目标就是利用计算机来模拟人类上述思维过程，使机器能够胜任一些通常需要人类智能才能完成的复杂工作。人工智能的热潮源于深度学习方法成功用于图像识别等领域，并作为机器学习领域中一个重要研究方向，得到了各行各业的广泛关注。目前，人工智能的研究主要体现在：① 感知——模拟人类感知能力，获得听觉、视觉等外部信息；② 学习——模拟人类学习能力，主要完成如何从获得的数据中提炼出有价值的信息；③ 认知——模拟人类认知能力，主要根据学习的信息进行推理、规划和决策等[17]。
随着人工智能的发展和广泛应用，以及对遥感图像处理能力的迫切需要，人们不断尝试利用深度学习来解决海量遥感图像的解译等问题。深度学习已被广泛应用于目标识别、地物提取、目标分类、目标跟踪、变化检测等技术中，并不断地向着自动化与智能化的方向发展。目前，获得广泛应用的几种典型深度学习方法包括自动编码器、卷积神经网络（convolutional neural networks，CNN）、深度信念网络和迁移学习等。
尽管目前已有不少针对利用深度学习方法进行遥感图像处理的相关研究。但在实际应用时，相对于视觉图像，深度学习框架、人工智能算力以及遥感图像样本库等方面依然面临着众多问题和重大挑战。① 通用模型的泛化能力：遥感图像不同于通常的视觉图像，探测的图像目标种类繁多。同一类目标在不同时间和不同环境下所呈现的特性各不相同，这种图像的复杂性使得基于监督学习方法得到的遥感图像处理模型很难具有普适性和鲁棒性。② 遥感数据的多样性（多平台、多传感器、多时相等多源探测遥感图像）让人工智能解决这种异源、异构数据的一致性解译和差异性辨识存在挑战。③ 小样本及样本不平衡：目前广泛应用于遥感图像处理的人工智能技术大多采用监督学习方法，利用这些方法的前提条件之一就是需要大量的标记样本来对网络加权参数进行训练。这种对样本的需求在遥感图像应用中是相当困难的（存在大量小样本，甚至无样本的情况）。对于像目标检测与识别等应用，它们相对于背景具有稀疏性，即使有一定的标记样本，也存在着目标和背景之间的训练样本不平衡等问题。为此，如何把人工智能或深度学习更好地应用于遥感图像处理及应用中，仍然有众多的关键技术需要攻关。
尽管遥感图像处理技术可以面向不同的应用，但从算法实现角度，其理论基础和设计原理基本相似，不同的是所用图像性能指标和应用需求的差异。本节就遥感图像处理及应用所涉及的技术进行简单介绍，更详细的内容将在后续各章详细介绍。
从遥感图像处理技术的角度，图像预处理主要解决的是图像空间几何和图像电磁辐射值问题，通常是指从图像到图像的处理过程。本书预处理技术主要涉及图像增强和图像恢复两方面内容，将分别在第4章和第5章介绍。
图像增强是数字图像处理领域最基本和最简单的预处理技术，其目的是改善图像的视觉效果或转换成适合于机器处理的形式。图像恢复则是将图像退化过程模型化，再采用相反过程以得到原始图像的本来面目。二者的共同点都是改善给定图像的质量，并与图像解译结合使用；二者的主要区别是处理评价出发点不同，图像增强侧重于主观评价，而图像恢复则侧重于客观评价。
从信息论的角度，图像增强并没有增加新的信息，只是为进一步的图像解译或应用进行必要的预处理。与普通图像增强相比，遥感图像增强除了应用需求不同，处理方法基本类似，主要包括空间域增强方法和频域增强方法。空间域增强方法主要针对图像灰度值进行处理，是一种从图像到图像的直接操作过程。频域增强方法主要是对图像进行傅里叶变换，在变换域进行各种滤波处理，然后再反变换回空间域的图像形式。无论是空间域增强方法，还是频域增强方法，主要出发点基本上是两个方面：图像平滑和图像锐化。图像平滑的目的是模糊处理和减小噪声，图像锐化的目的则是增强模糊的细节或突出图像的边缘信息。二者的处理操作永远是相互矛盾的。例如，在减小噪声的同时，也会模糊图像的边缘；在突出图像边缘信息的同时，往往也会凸显噪声的影响。为此，图像增强方法不存在一个通用的理论和评价准则，完全取决于用户的主观判断或实际应用需求。对于图像恢复而言，其关键是确定图像的退化或降质模型，并基于该模型进行相反操作，进而达到改善图像质量的目的。从数学模型描述的角度，图像增强属于“正问题”，图像恢复属于“逆问题”。因此，图像恢复方法往往比图像增强方法复杂得多。从信号处理的角度，图像恢复属于在已知某种先验信息前提下的最佳估计，即在给定退化模型的基础上，对图像的本来面目进行最佳估计。因此，图像恢复的结果没有统一解，所谓“最佳”也只是在给定的模型和测度准则下的最佳。
数据压缩最初是信息论研究中的一个重要课题。在信息论中，数据压缩被称为信源编码。随着图像技术的广泛应用，图像压缩已经不仅限于编码方法的研究与探讨。图像的最大特点之一是数据量大、信息丰富，这对图像的存储容量和传输速率都提出了极高要求。此外，图像压缩的接收者往往是人类视觉系统，为此，图像压缩也逐渐形成为较为独立的体系。图像压缩主要研究图像数据的表示、传输、变换和编码方法，目的是减少存储数据所需的空间和传输所用的时间。
遥感图像压缩编码是遥感图像处理领域一个相对独立的研究分支，也可以看作遥感图像解译及应用的预处理过程。遥感图像压缩编码同其他视觉图像压缩编码方法相比，共同点都是通过一定方法去除数据间的冗余度。但对遥感图像压缩编码而言又有其特殊性：视觉图像的最终接收者是人类视觉系统，而遥感图像的最终目的不仅是为了人类视觉系统，也可能是为了某种特殊的应用。这样，一方面由于大多数遥感图像相比一般视觉图像信息要丰富，具有较高熵值和低冗余的特点，因此，对于遥感图像应用通常的视觉图像压缩编码系统往往很难取得理想的压缩效果；另一方面，人类视觉系统对低频信息比较敏感，相对而言对高频信息的敏感性则较弱。视觉图像压缩编码系统通常会利用人类心理视觉冗余来对图像数据进行压缩。但对于遥感图像来说，由于它应用的特殊性，它的高频信息里往往会包含一些诸如异常目标等人们感兴趣的信息。这些信息在对遥感图像压缩编码中，往往需要尽可能地保存，而应用通常的视觉图像压缩编码系统往往会导致这些重要信息的丢失。所以，通常的视觉图像压缩编码系统并不完全适用于遥感图像压缩编码的特殊应用要求，从而需要进一步根据遥感图像的特殊应用背景来有针对性地研究和设计适用于遥感图像压缩编码算法。遥感图像压缩编码相关内容将在第6章介绍。
所谓遥感图像特征提取及描述是指从图像中有选择性地提取能够描述图像全部信息的一种或几种特征参数，可以理解为是图像信息的高度浓缩过程。图像特征提取及描述是进一步实现图像分类、分割、目标识别、参数反演等技术的重要基础，其目的是利用特征来描述目标，有效降低数据空间维数，去除冗余信息，快速、准确地对图像进行解译及应用。可以说，从图像中提取什么样的特征与具体解译应用有直接关系；反过来，特征提取的好坏或是否完备也会直接影响目标解译及应用的性能指标。二者紧密相关、相辅相成。
根据遥感图像种类的不同，主要可以利用的图像特征包括空间特征和光谱特征两方面。对于一般的遥感全色图像，可以根据目标的形状等空间特征对其进行检测和识别。但对于“图谱合一”的高光谱图像来说，除了二维的空间特征，还存在丰富的光谱特征，使其基于目标光谱，甚至基于图-谱特征的检测和识别等应用成为可能。遥感图像空间特征和光谱特征的最大特点是简单、直观，通常具有明确的物理意义。但它们对图像解译的不同应用也具有不同的局限性。为此，人们在此基础上，根据不同的图像解译及应用需求，又进一步定义了适合于不同解译和应用的图像纹理特征、各种统计模型特征等提取方法，如方向梯度直方图（histogram of oriented gradient，HOG）、尺度不变特征变换（scale-invariant feature transform，SIFT）及局部二进制模式等模型特征。这些特征具有明确的模型表达式，但其信息表达能力有限，且往往通过人工预先定义，在特征提取阶段不能改变。随着近些年深度学习的发展，各类基于深度学习的特征提取方法也不断涌现。深度学习具有特征学习和深层结构的特点，无论是在目标特征的表达能力、自主学习能力上都远优于传统模型特征，也更加适用于现在复杂环境下的遥感图像解译及应用需求。但是，深度学习方法也存在训练样本需求数量多、网络结构层级不断加深、耗时长、硬件要求高等不足。遥感图像特征提取及描述技术相关内容将在第7章，以及之后各章不同的遥感图像解译方法中逐步进行介绍。
遥感图像分类属于模式识别的应用范畴，是一种为描述地物目标或种类的定量化分析技术，其主要任务是辨识不同像素可能包含的不同地物种类。在模式识别领域，分类也称为“模式识别”或“模式分类”。
遥感图像分类的关键技术是分类器的设计。最简单的分类器就是线性分类器，其基本原理是在各类之间设置线性分隔边界线，即所谓的超平面。其他的分类器属于统计分类器，其典型代表是最大似然分类器。该分类器是假设图像像素的概率分布是正态分布，每个待分类的像素被划分为类别概率最高的某类中。此外，基于机器学习的神经网络也是一种分类器，其基本结构本质上是线性的。尽管这类线性分类器理论起源较早，但直到支持向量机（support vector machine，SVM）出现以后，它通过引入数据变换有效地将线性分类超平面变得更加灵活，使得其有了更大的分类能力，最终使得基于学习的分类器设计得到更大的发展。近年来，遥感图像分类方法向机器学习方向迅猛发展。传统机器学习方法大多采用浅层结构处理有限数量样本，但当处理对象具有丰富含义时，基于这种浅层结构学习的特征表达方法往往表现性能和泛化能力都有明显不足。基于人脑学习思想设计的隐含层更多、神经节点间关系更为复杂的神经网络结构，已经成为一种从海量复杂图像中直接学习图像特征表达的强大框架，成为遥感图像分类研究热点。
值得注意的是，传统的遥感图像分类器是为图像中的每个像素分配一个，而且仅是一个标号，这种分类技术目前可被称为硬分类。在遥感成像过程中，受传感器分辨率等因素的限制，大多数像素会出现混合像素现象。为了更有效地处理由不同物质组成的混合像素，软分类技术出现了。软分类器可以根据像素内物质成分的比例，为每个像素分配多个标号，这种子像素处理技术从像素的角度也称为混合像素解混。混合像素解混是一个典型的图像反演过程，需要提取混合像素端元及对端元的丰度进行估计。在实际应用中，这种通过参数反演对遥感图像混合像素的解混可以理解为精细分类或者类内分类，是遥感图像分类和高光谱图像分类的重要发展方向。第8章主要介绍遥感图像的硬分类方法，软分类将在第9章目标检测与识别中介绍，精细分类将在第10章相关内容中介绍。
遥感图像目标识别的主要任务是将一个或多个同类感兴趣的特定目标与一个或多个其他目标区分开来的过程。不同于一般的遥感图像地物分类，目标识别更强调相似目标之间的精细区分，并辨识目标属性。目标识别技术主要涉及两大类：基于模板匹配的识别方法和基于机器学习的识别方法。基于模板匹配的识别方法是传统目标识别方法，其核心技术是建立图像空间模板或特征模板库，并通过某种测度准则与待识别的图像进行最佳匹配，进而达到目标识别的目的。基于机器学习的识别方法，一般是基于有监督的机器学习方法构建分类器，并利用分类器对新目标类别进行判断决策的过程。目前，目标识别技术正朝着目标更小化、多样化、瞬态化，目标背景复杂化、可区分性更难的方向发展，实现起来更加困难。
在遥感图像解译及应用中，根据图像中目标的大小和属性的不同，为了有效地实现目标识别，又衍生了许多针对目标的处理技术，典型的技术包括目标检测和目标分割。二者可以理解为独立的图像解译技术，也可以从目标识别的角度理解为目标识别的预处理过程。遥感图像目标检测是将指定的目标像素从背景地物像素中分离出来的过程。通常根据遥感图像性质的不同，可以设计出不同的目标检测算法。例如，根据是否掌握目标的先验光谱信息，高光谱图像目标检测可以分为基于目标先验光谱信息的有监督目标检测和无先验光谱信息的异常检测。在目标检测过程中，如果具有预先的先验信息，此时的目标检测就可以理解为目标识别。但实际应用场景很难准确地掌握目标的先验光谱信息，此时有监督目标检测算法的实施会受到很多限制。与基于目标先验光谱信息的有监督目标检测方法相比，无先验光谱信息的异常检测方法更符合实际应用的需要。异常检测属于“盲检测”范畴，不需要图像中关于目标的先验光谱信息，仅仅通过地物光谱特性实现目标探测。因而，异常检测成为高光谱遥感领域的研究热点，具有广泛的应用需求。如果说目标检测是针对小目标（点目标、线目标，甚至子像素目标）进行的处理，那么相对而言，遥感图像目标分割就是针对面目标或目标区域进行的处理过程。目标分割不仅也是遥感图像理解、目标识别等技术的关键环节，更是有效地利用图像空间信息的基础。开展遥感图像分割的研究，能实现遥感图像目标识别等解译的进一步应用，可以直接针对同质的目标区域进行，能更有效地提高识别精度和应用效率。以上相关内容将在第9章与第10章相关的遥感图像解译及应用方法中逐步介绍。
遥感图像解译就是从获取的遥感图像中解释并翻译出人们感兴趣的有价值信息的过程，其首要任务是采用现代信号处理技术挖掘多源互补信息，使其信息最大化，实现在要求的时间内、以恰当的方式，提供有价值的信息给需要的人们，进而可以作出正确的决策。遥感图像解译技术发展的新途径主要体现在以下几个方面。
（1）高光谱图像具有几百甚至上千个光谱波段，光谱范围大，波段信息丰富，通过“图谱合一”的联合处理方法，能够捕捉到图像中地物目标信息的微小变化，实现空谱信息的联合解译及应用。特别是高光谱图像的生化参数反演，更有利于其地物目标的精细分类与辨识等，在精准农业、环境监测、态势感知等领域有着广泛的应用需求。例如，通过对植被叶绿素浓度的反演，可以衡量其含水量或营养程度，进而实现更加科学的种植。
（2）热红外遥感图像反映了地物目标的温度分布。遥感探测手段由可见光-近红外扩展到中红外、热红外，使遥感图像的空间信息和温度信息协同解译成为可能。成像系统接收到目标的红外辐射，在处理后转换成红外热成像图。热红外遥感成像一般应用于地表温度反演与热环境分析，已成功应用于消防、地质等领域。
（3）微波合成孔径雷达图像记录的回波信号是地物目标的后向散射能量，能够反映地物目标的表面特性和介电性质。此外，部分地物具有独特的微波反射特性，可以形成强烈回波。利用相位差获取地形高程数据的干涉合成孔径雷达已经得到工程化应用，并成为地表形变监测的重要手段。极化合成孔径雷达图像的优势在于丰富了目标的散射信息，增加了目标观测和感知的维度。
（4）立体遥感图像通常靠空间体视效应来实现三维深度信息的获取。人类视觉系统就是一种典型的体视仪器，遥感立体成像借鉴了人类的双目视觉感知功能，通过多角度的遥感图像获取场景的三维深度信息。目前，常用的空间立体成像方案主要是在卫星载体上安装多台不同观测角度的光学相机，或者通过卫星在敏捷平台上变换姿态，获取地物目标在不同角度的图像，用于估计场景的三维信息。立体遥感图像一般用于生产和更新基础地理产品，进行国土资源调查与监测等。
（5）多源图像融合属于多传感器数据融合的范畴，是指将不同传感器获得同一场景的图像或同一传感器在不同时刻获得同一场景的图像，经过时间配准、空间配准和重采样等预处理后，再运用某种处理技术得到一幅融合图像的过程。通过对多幅传感器图像的融合，可以克服单一传感器图像在几何、光谱和空间分辨率等方面存在的局限性和差异性，提高图像的质量或增强互补性，从而有利于对物理现象和事件的理解。因此，在实际应用中，常常对全色图像、高光谱/多光谱图像、热红外图像以及合成孔径雷达图像进行融合处理，以实现多源遥感图像信息的多维度联合解译。
以上所涉及的相关内容将在第10章详细介绍。
