2018UC-ENVI讲座分享：应用、感悟遥感图像处理软件技术

邓书斌

本讲座首先回顾了下传统遥感处理技术，如数据预处理、图像分类技术、高光谱分析、二次开发、成果整理等。之后分析主流 IT 技术对遥感的推动作用，包括 Web 技术、云计算、云储存等。最后花点时间聊了聊深度学习在遥感中的应用，以及从遥感角度对深度学习 /AI 在遥感中的应用前景。

传统遥感处理技术

2018 年是国产对地观测卫星的发射年，几乎每个月都有卫星上天。其中高分五号是划时代的卫星，高分五号是世界首颗实现对大气和陆地综合观测的全谱段高光谱卫星，也是高分家族中唯一一个高光谱观测卫星。高分六号包括一个红边波段，对应植被和作物监测作用非常大，这颗卫星也被誉为“农业一号”。

图： 2018 年国产卫星发射汇总

遥感领域的一个重要环节就是遥感图像处理，从遥感应用角度可以把通用遥感软件技术划分为 8 大块，如下图所示。每个大块又包括了若干个步骤或者方法。

图：传统遥感图像处理技术体系

比如数据准备环节中的数据打开，往往被人忽视。比如打开一个通用 TIF 图像文件就可以了，可是在后面处理的时候，如辐射定标，会提示缺少定标参数。因为我们遥感图像不仅仅是一个图像文件，其实后面还有元数据信息，包括了不可或缺的波长信息、定标参数、成像时间、 rpc 文件等。好事是现在的格式都比较 统一了，只要你选择了正确的打开方式，还是很方便的打开数据，并且自动的为后面处理做好准备。

图：数据格式

算法的持续改进，让以前需要花费很多时间的工作变得更加自动和智能。比如说图像配准，现在的互相关、互信息等算法的改进，可以轻松的、自动的、精确的完成找点和配准处理，甚至非同源（ SAR 与光学）、非同类（影像与分类图）都能实现无人工干预的自动配准。

图：自动化找点

图像分类方法经历了人工目视解译、密度分割、非监督与传统的监督分类、决策树分类、面向对象图像分类，以及综合分类的变化检测（直接比较法、分类后比较法等）。每种方法都有它的适用性，并没有由于新方法出现而消亡。比如这个例子，基于 GF1 、 ZY02C 、 ZY3 数据进行植被变化检测，进一步进行森林变化检测。能想到的方法会挺多，如影像质量很好，比如无云，地表类别比较单一，可以直接使用 NDVI 差值。比较高级点的方法就是用面向对象方法分别提取两个时相植被分布，之后比较结果得到植被变化，当然这种方法也叫分类后比较法。本例子综合考虑流程难易程度（整景处理、多个地区多景数据）、影像质量（有云）、影像区域地表覆盖情况（有水体），最后选择比较综合的基于专家知识决策方法，也取得比较不错的结果。

这个例子同时说明在工程应用中，精度很重要，但是有时候考虑效率、影像情况，可能要牺牲一部分精度换取一部分效率。

图：决策树分类法提取植被变化信息

高光谱遥感给我们的感觉是在很长时间里动静不大，算法、新技术、应用等都很少进入我们的视野。重要的一个原因是数据源的问题。拥有数据的单位会发出一些声音，数据也主要是航拍高光谱数据，成本比较高，一般人玩不起。近些年无人机发展和高光谱传感器小型化，也涌现出了一些无人机高光谱的应用，比如城市黑水监测、精准农业等。

高光谱遥感可以划分三个应用：定量分析、图像分类和目标识别。定量分析首先要获取地物在图像上的特征波段，之后计算相关的波谱指数。有人会说，为什么要分析特征波段呢，不是有那么多的植被指数等波谱指数吗，其实如 NDVI 还没提出来的时候，也是通过这样的流程来发现植被在近红外和红外波段有波峰、波谷这样的特征；高光谱图像分类跟普通的多光谱分类有一定的区别，由于能形成较为连续的波谱曲线，可以直接用端元波谱去跟图像上每个像素的波谱曲线进行对比，进而对像素进行分类；目标识别跟分类有点类似，只是目标识别往往从图像上识别一种或者几种特定地物，得到的结果往往是“是否有这种地物”。

图：高光谱遥感的应用

有一次与内蒙古自治区地图院合作，利用遥感手段获取盐碱地空间分布信息，选择的事 landsat8 数据，当时地图院有野外盐碱地实测数据，考虑到有 7 个波段，我们选择了波谱角分类法，最终获取不同程度盐碱地的空间分布，取得了不错的效果

图：波谱角分类法获取盐碱地空间分布

我们在做遥感应用的时候，往往是多个技术融合应用，比如与 GIS 结合。下面这个例子是山东科技大学刘唐提供，他做了一个比较有意思的研究，研究京津翼及周边区域秸秆焚烧对 PM2.5 浓度的贡献。主要思路为计算时间序列内的京津翼秸秆焚烧点、焚烧点位辐射能量（ FRP ），分析不同时间秸秆焚烧点、焚烧点辐射能量与 PM2.5 的贡献。利用的遥感数据主要为 MODIS 产品数据，在得到了疑似秸秆焚烧点、辐射能量结果之后，使用插值方法得到火点和 FRP 分布图，与 PM2.5 空间分布进行相关性分析，得到他们之间的关系。得到的结论也很具有挑战性： 1 、秸秆焚烧点数与以及 FRP （秸秆焚烧点位辐射能量）与 PM2.5 之间没有绝对的联系，二者相关性较低。 2 、在每年 6 月，秸秆焚烧点数与 PM2.5 之间的相关性有一定的提升，说明秸秆焚烧对空气质量存在一定的影响，但影响程度较小。

图：秸秆焚烧与 PM2.5 关系

当然了，作为从事遥感行业，传统遥感技术是我们的核心。

IT 对遥感的赋能

现在，卫星都朝着“星座”方向发展，太空中运行着众多卫星星座，每天向地球传回 TB 级，甚至 PB 级遥感数据，“遥感大数据”在业内运运而生。

面对逐渐增多的影像数据，我们处理效率提出了更高的要求，除了改进算法外，也可以利用 PC 机的硬件技术，比如多线程计算、 GPU 计算等。

在软件架构方面，企业级 Web 架构也成功在遥感中得到应用，面向服务的系统架构可以实现既拿即用的在线遥感应用程序的共享，支持集群或者云计算平台，可以多任务并行处理。在线数据管理模式，打破传统下载数据的应用模式，直接可以在线进行遥感应用。

图：企业级 Web 遥感应用平台架构

在高性能集群计算环境的支持下，使用并行处理的软件机制，对高分二号进行正射校正和图像融合，能达到 3 分钟左右处理一景的效率。

图：企业级遥感平台处理效率

在数据管理方面，可以使用 GIS 中间件方式，如基于 ArcGIS 科学管理海量影像数据，实现在线的影像处理、分析、浏览和下载。也可以采用面向对象的云储存方式，取得更高效的影像应用模式。

因此，充分利用快速增长的 Web 技术、云计算技术可以极大的缩短遥感应用环节，打通遥感应用的“最后一公里”。

聊聊深度学习与遥感

人工智能 AI- 机器学习 - 深度学习应该是近一两年热门内容，从 IT 界传到遥感领域，虽然有一定的炒作成分，也有一些成功的案例。比如美国的 Orbital Insight 公司，就成功的利用深度学习方法从海量影像中得到汽车分布、原油罐、地表水储量、农业产量预估等信息，取得了众多的风险投资。

深度学习的算法众多，由于遥感中主要是图像分析，用的较多的是卷积神经网络 (CNN) 算法，应用于遥感图像分类和目标识别中。尤其是目标识别中，精度能到 90% 以上， ENVI 软件的 MEGA (Machine Learning for Enterprise Geo Applications) 是一个遥感影像机器学习的解决方案。不过这个解决方案还没有完全商业化，不久的将来会发布。

目前，在国内外虽然人工智能在遥感领域有一些成功案例，但是我们也应该擦亮眼睛，人工智能不是万能的，在很长时间里不会完全取代传统的遥感方法。不会想计算机识别专家说的那样，人工智能算法一启动，立马就可以从遥感影像上那里新建了房屋，哪块地的作物得了病虫害，遥感影像上的信息要远比一张人脸图或者一个指纹复杂多的多。

虽然现在玩人工智能的都是那些计算机视觉工程师、软件算法工程师，作为搞遥感应用的，我们还是可以选择一些开源框架去尝试应用深度学习、机器学习。不久的将来还可以不编程的情况使用 ENVI- MEGA 。

图：小结

讲座 PPT 下载： https://pan.baidu.com/s/1u5DZ_iQExRwvORSPOleEjA     提取码： x91d

讲座录像下载： https://pan.baidu.com/s/1aviNlLEq8JFYtOqh2ZgppQ   提取码： kxmg