本文论述了遥感卫星图像处理及其发展趋势。
遥感数字图像(以下简称“遥感图像”)是数字遥感图像。地球表面不同的区域和物体可以反射或辐射不同波长的电磁波。利用这一特性，遥感系统可以产生不同的遥感数字图像。
它与普通数码影像，也就是我们平时拍摄的电子照片的区别在于遥感影像的成像范围和精细程度。遥感卫星的拍摄区域是地球层面的一个宏观维度，图像中的每个像素对应三维现实世界中的几个、某一个或某一部分地物。根据卫星成像的分辨率，一个像素可能是一棵树、一辆汽车或建筑物的一扇窗户。
因此，图像中每个像素的亮度值(DN值，数字数)具有重要的信息意义。要获得准确的信息，用户需要根据自己的应用目标，对卫星影像中的像素点进行管理、变换、校正、增强、提取等一系列“魔法操作”，便于进一步挖掘和业务集成应用。
DN值(数字):遥感图像像素的亮度值，记录了地物的灰度值。无单位，为整数值，与传感器的辐射分辨率、地物的发射率、大气透过率和散射率有关，反映地物的辐射亮度。
我们可以回到“p图世界”进行类比。为了让我们的社交媒体形象更加完美，我们开了一个秀秀软件，美白，瘦身，去角质，祛痘...当然，遥感影像的数据处理要复杂和专业得多。到什么程度？可以写成教科书——
今天，我们就来看看有哪些“神术”，如何运用。而在遥感行业飞速发展的今天，高频数据输出、算法和人工智能的冲击，是否会改变这些“神操作”的传统模式和底层逻辑？
01.什么是遥感图像处理？
遥感图像处理是利用计算机图像处理系统对遥感图像中的像素进行一系列操作的过程。
遥感图像包含了大量的信息。只有经过数字化(成像系统的采样、量化和数字存储)，才能有效地进行信息分析和内容提取。在此基础上，可以对图像数据进行处理和再处理，如校正图形对齐的坐标、增强地物轮廓等，可以大大提高图像处理的精度和信息提取的效率。这个过程可以称为“遥感数字图像处理”。
作为“对地观测”过程中基础而重要的一环，在卫星应用产业链中，遥感影像处理处于中下游的重要位置，承前启后。前端承担卫星地面设施，后端为农业、林业、气象、自然资源等行业的具体业务应用提供“现成”的数据服务或工具。
02.为什么遥感影像处理是应用的必经之路？
当我们看到像Google Earth这样整洁美观的数字地球产品，或者应用于自然资源管理、环境保护、农业、气象等领域的遥感卫星专题图或解译图时，我们需要在图像处理中间接受“洗礼”。
由于遥感卫星在高空“工作”，其成像环境远比我们在地面日常拍照环境复杂，会遇到传感器不稳定、地球曲率、大气条件、光照变化、地形变化等系统和非系统因素造成的几何形变、畸变、模糊、噪声等。遥感数据中心对图像进行初步处理，如去条带、几何粗校正等。当数据到达所有终端用户手中后，需要进一步的精细化处理，使其更接近真实世界的实体空间环境和坐标，并根据自身的业务分析目标进行专业处理，为下一步的遥感影像分析、解译和业务应用做准备。
一般来说，遥感图像处理的主要目标如下:
图像校正:恢复和还原图像。在信息提取之前，必须对遥感图像进行校正，使图像能够正确反映实际的地物信息或物理过程。
图像增强:抑制或消除图像噪声。为了使遥感图像所包含的特征信息更具可读性，感兴趣的对象更突出，更易于理解和解释，需要对整个图像或特定的特征信息进行增强。
信息提取:根据地物的光谱特征和几何特征，确定不同地物信息的提取规则，并在此基础上，利用该规则从校正后的遥感数据中提取各种有用的地物信息。
03.遥感数据处理的功能有哪些？
完整的遥感数字图像处理包括硬件系统和软件系统两部分。遥感数据存储量巨大，需要大容量的数字存储设备和软件配合存储处理。本文主要介绍软件处理部分。下图是专业图像处理软件的界面。与常用的办公软件相比，图像处理系统的功能比较分散，菜单之间的链接也不紧密。
从某种意义上说，图像处理系统更像是一个图像处理综合工具箱。由于图像处理目标不同，用户可以调用某个函数或几个函数的组合，并不是所有的过程都被选中。这里总结了一些典型的处理功能，并介绍了基本步骤。
数字存储和管理
遥感图像本身的存储量就很大。1场景7波段的landsat遥感影像至少有200MB，而高光谱影像可能达到1 GB。进入时空双高时代以来，数据的高频输出和积累也促使遥感进入大数据时代，使得遥感云服务、存储管理、快速分发的趋势越来越明显。基于私有云、混合云的遥感影像数字化存储、在线更新、管理检索、发布和浏览，逐渐成为遥感数据处理不可分割的重要基础，将极大提高后续遥感影像的专业处理和业务应用效率。
图像预处理
辐射校正(辐射校正)
它是指校正系统的和随机的辐射畸变或由外界因素和数据采集传输系统引起的畸变，消除或校正由辐射误差引起的图像畸变的过程。
简单概括，就是去除传感器或大气“噪声”，更准确地表示地面情况，提高图像的“保真度”，主要是恢复缺失的数据，去除薄雾，或者为镶嵌和变化监测做准备。
辐射校正在动态监测中的作用:在多时相遥感影像中，除了地物的变化外，不变地物的辐射值在不同的时相影像中也会有所不同。如果需要利用多时相遥感影像的光谱信息来动态监测地物的变化，首先要消除不变地物辐射值的差异。
通过相对辐射校正，将一幅图像作为参考(或参照)图像，调整另一幅图像的DN值，使两幅时相图像上同名的物体具有相同的DN值。这个过程也被称为多时相遥感图像的光谱归一化。这样就可以通过分析不同时相遥感影像上辐射值的差异来实现变化监测，从而完成对地物动态变化的遥感动态监测。
几何校正(几何校正)
在遥感成像过程中，由于感光材料变形、物镜畸变、大气折射、地球曲率、地球自转、地形起伏等因素的综合影响，原始图像中地物的几何位置、形状、大小、尺度、方位等特征往往与其对应的特征不一致，这种现象称为几何变形，也称为几何畸变。几何校正就是通过一系列的数学模型来校正和消除这种几何畸变，使其定位准确。
几何校正原理表明现实世界中的地形是三维的、不均匀的，但遥感卫星传感器只能获取二维像素，带来地形畸变|来源:网络；重绘:俯瞰时空
图像增强
图像对比度增强(图像对比度增强)
通过对每个图像的每个亮度的像素数量进行计数而获得的随机分布图就是该图像的直方图。一般来说，在包含大量像素的图像中，像素亮度的随机分布应该是正常的。直方图是非正态分布，说明图像的亮度分布太亮、太暗或太集中，图像的对比度小。需要将直方图调整为正态分布以提高图像质量，便于区分地物轮廓和提取信息。
彩色合成
为了充分利用颜色在遥感图像解译和信息提取中的优势，往往对多光谱图像进行彩色合成处理，以获得彩色图像。如上所示，彩色图像可以分为真彩色图像和假彩色图像。
密度分割
灰度图像根据像素的灰度值进行分级，再用不同的颜色进行分级，使原始灰度图像变成伪彩色图像，达到图像增强的目的。
图像操作
在空间中配准两个或更多个单波段图像之后，可以执行算术运算来增强图像。根据地物在不同波段的灰度差异，通过不同波段的代数运算生成新的“波段”，如加法运算、减法运算、比运算、综合运算等，如:
减法运算:可以突出红外-红色等两个波段差异较大的地物，突出植被信息。
比值运算:常用于计算植被指数和消除地形阴影。
植被指数:NDVI=(IR-R)/(IR+R)
图像融合
遥感图像信息融合是提高图像分辨率和信息量的有效手段。它是在统一的地理坐标系下，从多源遥感数据中，利用一定的算法，生成一组新的信息或合成图像的过程。
不同的遥感数据具有不同的空间分辨率、光谱分辨率和时相分辨率。对低分辨率多光谱图像和高分辨率单波段图像进行重采样生成高分辨率多光谱遥感图像的图像处理技术，使得处理后的图像同时具有高空间分辨率和多光谱特征。
图像剪辑
在遥感的实际应用中，用户可能只对遥感图像特定范围内的信息感兴趣，这就要求将遥感图像缩小到研究范围的大小。常用的裁剪方式有按ROI(感兴趣区域)裁剪、按文件裁剪(根据指定图像文件的大小)和按地图裁剪(根据地图的地理坐标或经纬度范围)。
图像拼接
也叫图像拼接，是将两幅或多幅数字图像(可能是在不同摄影条件下获得的)拼接在一起形成一幅完整图像的技术过程。通常是先对每幅图像进行几何校正，将它们规划到统一的坐标系中，然后对它们进行切割，去除重叠部分，再将切割后的图像进行拼接，形成大幅面图像。
马赛克均匀颜色
通过拼接和色彩均衡技术将相邻的几幅遥感图像合并成一幅统一的新图像。
信息提取
遥感图像中目标物体的特征是遥感图像中物体电磁波辐射差异的反映。根据遥感图像中地物的特征，识别地物的类型、性质、空间位置、形状、大小等属性的过程就是遥感信息提取。
目视判释
也叫人工判读，即通过人工肉眼和经验对遥感影像进行判读，人工勾画遥感影像上目标物的范围，达到信息提取的目的。人工判读是一种传统的信息提取方法，但在海量图像下判读分析效率相对较低。
图像分类
根据地物的光谱特征，确定判别函数和相应的判别准则，将图像的所有像元按其性质分为若干类。主要方法分为监督分类和非监督分类。
-监督分类
监督分类是指人们在分类前对遥感图像样本区域的类别属性有先验知识，然后可以以这些样本类别的特征为基础建立和训练分类器(即建立判别函数)，进而完成整幅图像的分类，并将每个像元归并到相应的类别中。
监督分类也是目前遥感AI最常见的应用方法，即通过样本数据库，利用机器学习对特定特征进行分类、标注或识别。
-无监督分类
无监督分类又称聚类分析，是指人们基于数据(遥感图像光谱特征的分布规律)，即自然聚类的特征，在分类过程中不事先强加任何先验知识的“盲目”分类；它是以聚类理论为基础，用计算机对图像进行统计分析的一种方法，是一种模式识别的方法。一般算法包括:回归分析、趋势分析、等混合距离法、聚类分析、主成分分析和模式识别。
监督分类和非监督分类的区别:监督分类必须有训练集和测试样本。找出训练集中的规则，并将该规则用于测试样本；无监督的没有训练集，只有一组数据，在其中寻找规则。
04.遥感数据处理正在发生哪些变化？
遥感数据处理更像是制造业中的“原材料粗加工”，也是遥感影像数据智能应用和业务集成的前置手段。从上一篇文章的介绍来看，它的流程也更加复杂和专业。
作为对地观测和遥感产业化的重要组成部分，产业中下游的遥感数据处理也受到了大数据时代的冲击，正在顺应这一趋势而发生变化，走向实时化、标准化、规模化和自动化。
在企业的数字化转型中，经常有人说，所有的传统行业都值得用数字化再做一次，传统的数据生产和信息服务行业也是如此，它们的模式和流程都值得用算法和AI再做一次。
当算法和人工智能逐渐渗透到遥感数据处理中，可以解决遥感行业数据生产服务中的诸多问题，如数据分发周期和环节长、处理环节多、海量数据处理的准确性和一致性等。，我们可以将其视为“自动批处理”。
算法引擎解决了数据服务、数据计算效率、自动化流程等问题后，下游会有更多适合各种垂直细分场景的精细化应用数据产品。在上面介绍的遥感影像信息提取环节，有了AI和算法的参与，也会有很多高效的自动化功能，比如目标识别、地物提取、地物分类、变化检测等。，这将逐步帮助人类提高解译效率，并在遥感产业下游形成“智能信息挖掘”机制。
我们可以看到，从遥感数据采集的源头、数据处理到终端应用，其效率与底层数据模型密切相关。在卫星互联网和对地观测星座逐渐形成的趋势下，只有规范数据获取、处理和共享的流程，大规模、自动化、流程化的遥感产业才能更好地发挥其对政府和企业数字化转型的动能，真正迎来时空大数据时代。
参考数据
魏玉春、唐国安、杨欣主编《遥感数字图像处理教程》