遥感图像的浏览方式有几种
有影像方式遥感与无影像方式遥感。
遥感图像的浏览方式有：有影像方式遥感与无影像方式遥感是两种不同的遥感方式。
有影像方式遥感是指能够获得图像信息方式的遥感。
遥感图像包含哪些信息
遥感图像包括地物反射、辐射等信息，还有大气散射的信息，一般遥感影像都需要进行校正，如大气校正。
遥感图像处理
遥感图像处理是指对遥感探测所获取的图像或资料进行的各种技术处理。处理的目的是使遥感图像或资料更加适用于实际应用。图像处理中，输入的是质量较低的图像，输出的是改善质量后的图像。主要是对原始图像复原的恢复处理和为使图像更加清晰，目标地物更为突出明显，便于信息提取和识别的图像增强处理以及进行自动识别和信息提取的分类处理。从处理方法上，主要有光学处理和计算机数字图像处理。原始图像复原的恢复处理一般由卫星地面站完成，而在现有的条件下自动识别往往并不十分理想，所以这里的遥感图像处理主要是指图像增强处理和信息提取处理。
遥感图像处理的首要任务是对遥感数据的选择及其时相选择，因为遥感数据及其时相往往对影像的判别产生直接的影响；其次是根据任务和目标进行波段组合的优化选择；最后是确定遥感图像处理和信息提取方法，方法选择得当，就可以少走弯路或不走弯路，方法选择不当，信息提取就如同大海捞针一样难。
本次遥感图像处理的软件主要运用了加拿大PCI公司开发的用于图像处理、几何制图、GIS、雷达数据分析以及资源管理和环境监测的多功能软件系统PCI和自主开发的TM找矿弱信息提取系统等软件。
本节主要针对项目工作区范围的遥感影像的计算机数字图像增强处理的基本原理和方法作简要介绍，不对遥感图像预处理（系统误差校正、大气校正、几何图像校正）进行说明。
7.1.1 TM遥感图像的选取
由于陆地资源卫星TM信息源在资源综合调查中，具有明显的技术与经济优势。表现在进行各种处理（数字、光学）潜力大，波段组合能力强，成图几何精度和分类几何精度高，地学综合信息丰富，价格适中，所以就性能价格比而言，以TM遥感信息源为优。同时也对部分区域的SPOT（10 m、5 m）图像进行了处理分析。
本地区的气候是属于暖温带大陆性季风型，一年中四季变化比较明显，夏季植被覆盖率较高，不利于对矿产地质综合信息的研究，同时植被覆盖率高也不利于对遥感图像的计算机处理和信息提取。因此，对本研究工作来说，首先要避开夏季，其次要考虑地面***程度及与遥感图像时相的一致性，一般应选择在4月或10月，因为这时植被刚刚出露或者已经枯萎，4月份山区作物种类较单调，甚至还没有作物萌芽，而10月份秋季作物已经收割，植被多已枯萎，地面覆盖相对较低，为此我们选择了1998年4月和2000年10月的影像资料作为本次图像处理的重点。
7.1.2 遥感（RS）图像处理的过程分析
遥感数字图像处理的过程就是几何、辐射校正、信息定量化、信息复合、图像增强、信息特征提取、图像分类等一系列图像处理和分析技术研究，为各类型区的遥感综合调查提供优质图像的过程。
数字遥感图像处理的一般过程为：
创新思维与找矿实践
遥感图像预处理包括了遥感图像辐射校正和几何校正两大部分。鉴于预处理是遥感图像处理的公共部分，基于篇幅所限不再赘述。
7.1.3 遥感图像增强处理方法研究和选择
图像增强是改善图像视觉效果的处理。当分析遥感图像时，为了使分析者能容易确切地识别图像内容，必须按照分析目的对图像数据进行加工，目的是提高图像的可判读性。图像增强不考虑图像降质的原因，突出图像中所感兴趣的部分。如强化图像高频分量，可使图像中物体轮廓清晰，细节明显；如强化低频分量可减少图像中噪声影响。
遥感图像增强的实质就是把图像灰度的微小差异，人为地予以扩大（或者赋予不同的色彩），目的在于提高人们对图像的分析判断能力。由于对其增强效果缺乏一个统一的评价标准，因此，须结合具体增强要求，选择图像增强的方法，并通过反复试验、调整和观察，达到满意的增强效果。
虽然遥感图像处理方法多种多样，我们在工作中也试验了多种方法，经过筛选和分析研究，结合本次工作实际情况，主要应用了以下几种方法：
7.1.3.1 比值处理
比值处理采用高质量比值功能，使比值图像得到拉伸，有效地消除了地形影响，使阴影区的结构得到显示。处理出来的图像色彩丰富，既保留了原有地貌特征，又突出了线环构造，为隐伏岩体和半隐伏岩体的研究提供了更为直观可靠的资料，立体感得到增强，阴影区结构清楚。
同一地区不同波段（两个波段或几个波段组合）对应像元亮度值相除，用所得新值构成一幅比值增强图像。目的是扩大相邻两个像元的差别，框图如下：
创新思维与找矿实践
在一张比值图像上，灰阶中最黑和最白的色调代表两个多光谱波段间光谱反射率的***差异值。最黑的色调代表比值的分母大于分子。反之，最白的色调代表分子大于分母。
基本比值：两个波段的数值相比
公式中：a、b为调节参数；
设a=1，b=0
则每一条斜线的斜率就是一个亮度值。一个点的比值相当于该点和原点的连线与水平轴夹角的正切（比值法的涵义如图7-1）。
图7-1 比值法涵义
作用：① 扩大不同地物亮度值的微小差别；② 消除地形影响（比如阴坡和阳坡的影响）；③ 识别和区分蚀变矿物。
下面是本次工作中主要运用的比值和目的：
TM3/1识别褐铁矿化，在图像上呈亮色调；赤铁矿化，在图像上呈暗色调。
TM5/4区分植被与无植被覆盖的土壤和岩石，植被发育区呈暗色调。
区分不同种类的特征矿物：
TM5/4≥1.0云母和黄铁矿；
TM5/4≤1.0明矾石和石膏；
TM5/4≈1.0方解石和粘土矿；
TM7/4≥1.0云母；
TM7/4≤1.0明矾石和石膏；
TM4/3，识别植被和褐铁矿化岩石，植被发育区呈亮色调，褐铁矿化岩石呈暗色调；
TM5/7，识别含羟基矿物、硫酸盐和碳酸盐岩的含水化合物，由于这些矿物在2.2（TM7）处的吸收谷，其TM5/7值很大，在图像上呈亮色调。但植被的TM5/7值也很大，需要用其他方法加以区分。
比值可分为大于1和小于1两大部分，反映波谱特征差别的强弱是不一致的，即在大于1的部分反差较大，在小于1的部分反差很小，实际上是被压缩了。在比值处理过程中，通过自主研发的TM弱信息提取系统的处理，在该系统中增加了一个拟合放大的功能，可以根据需要进行不同比例的放大。基本上解决了比值结果有可能被压缩这一问题。
7.1.3.2 主成分分析处理
主成分分析（或称为主组分变换，数学上称之为K-L变换）是遥感图像增强和信息提取中用得最多的线性变换，它是在统计基础上的多维正交线性变换，是对原波段图像进行波谱信息的线性投影变换。在尽可能不减少信息量的前提下，将原图像的高维多光谱空间的像元亮度值投影到新的低维空间，减少特征空间维数，达到数据压缩、提高信噪比、提取相关信息、降维处理和提取原图像特征信息的目的，并能有效地提取影像信息。它可使原来多波段图像经变换后提供出一组不相关的图像变量，最前面的主分量具有较大的方差，包含了原始影像的主要信息，所以要集中表达信息，突出图像的某些细部特征，可采用主分量变换来完成。
对工作区的遥感图像的6个波段TM1、TM2、TM3、TM4、TM5、TM7进行了主成分分析，以主成分分析后的***分量为基础解译图像，参考其他分量图像进行遥感解译。
7.1.3.3 反差扩展（主要是线性拉伸）
反差扩展是一种通过拉伸或扩展图像的亮度数据分布，使之占满整个动态范围（0～255），以达到扩大地物之间亮度差异，分出更多亮度等级的一种处理技术。
例如：原始的一幅TM图像，亮度范围集中在10～100范围内，我们可以将其扩展到0～255，扩大了相邻亮度值之间的差别，提高了分辨能力（但不能增加亮度等级）（图7-2）。
图7-2 线性增强前后对比
反差扩展的原理是：在反差扩展中，输出的像元值y，是输入的像元值x的函数：y=f（x）0＜y＜255
这个函数可以是线性的，也可是非线性的。本次主要应用的是普通线性扩展。如果用直线方程来扩展图像，就是y=f（x）
斜率=45°，即y=x，无变化；
斜率＜45°，如 y=1/2x，压缩；
斜率45°，如 y=2x，扩展。
创新思维与找矿实践
dmin，dmax分别代表输入的最小和***值。
①原来图像的最小和***值。
②人为规定最小和***值。
此时，
这就是说把区间〔a，b〕以外的像元值分别压缩为0及255。
③给定要舍掉的像元数百分比，小于此百分数的值均舍去，由程序来确定dmax和dmin。
反差处理贯穿于整个图像处理过程。根据实际情况对不同的处理结果均进行了反差处理（主要是普通线性拉伸处理）。
7.1.3.4 反色（又称为反相）处理
反色就是形成底片效果。反色有时是很有用的。反色的实际含义是将R、G、B值反转。若颜色的量化级别是256，则新图中的R、G、B值为255减去原图的R、G、B值。这里针对的是所有图，包括真彩图、带调色板的彩色图（又称为伪彩色图）和灰度图。
本次反色处理主要是针对主成分分析的几个分量进行的。主成分分析结果仍然是灰度图，而灰度图又是一种特殊的伪彩色图，只不过调色板中的R、G、B值都是一样的。由于位图中的数据只是对应调色板中的一个索引值，所以只需要将调色板中的颜色反转，形成新调色板，而位图数据不用动，就能够实现反转。由于主成分分析结果的6个分量中，每个分量图像如果不进行反差处理（主要是线性拉伸），图像均较暗，根据处理后的结果显示，水体为黑色，其灰度值大约在0～20，而山体的灰度值多在50～100之间，尽管对其进行了拉伸处理，仍不理想。为了比较准确地区分图像，提高判读解译的准确性，降低解译时间消耗，所以对反差处理后的结果又进行了反色处理。
7.1.4 信息提取处理
信息提取主要是针对影像的光谱特征、空间（几何）特征和纹理特征的提取，它是图像增强处理后的对图像的继续处理。
（1）光谱特征：可提取颜色或灰度或波段间的亮度比等目标物的光谱特征，例如Landsat7有7个波段，根据某类地物的光谱特征，采用特定的比值可将其突出出来。
（2）空间（几何）特征：把目标物的形状、大小、或者边缘，线性构造等几何性特征提取出来，例如把区域断层明显突出出来。
（3）纹理特征：是指周期性图案及区域均匀性等有关纹理的特征。根据构成图案的要素形状、分布密度、方向性等纹理进行图像特征提取的处理叫做纹理分析。
本次工作区的遥感影像信息特征提取主要是在PCI软件、TM弱信息提取系统（自主开发）等软件中进行初步工作，最后通过目视解译和计算机自动解译相结合来完成的。
遥感图像分类法
图像分类是与图像信息提取和增强不同的遥感图像处理中另一重要的方面，与图像增强后仍需人为解译不同，它企图用计算机做出定量的决定来代替人为视觉判译步骤。因此，分类处理后输出的是一幅专题图像。在此图像中，原来图像中的每一个象元依据不同的统计决定准则被划归为不同的地表覆盖类，由于是一种统计决定，必然伴随着某种错误的概率。因此，在逻辑上的合理要求是，对每一个象元所做的决定，应是使整个被分类面积即对大量单个象元的分类的某个错误判据为最小。
以下是几种常用的遥感图像分类方法：
1.***似然分类（maximum likelihood classification）
***似然分类是一种基于贝叶斯判别准则的非线性监督分类方法，需要知道已知的或确定的训练样区典型标准的先验概率P（wi）和条件概率密度函数P（wi，x）。P（wi）通常根据各种先验知识给出或假定它们相等：P（wix）则是首先确定其分布形式，然后利用训练样本估计其参数。一般假设为正态分布，或通过数学方法化为正态分布。其判别函数集为：
Di（x）=P（wix），i=1，2，…，m （2-2）
如果Di（x）≥ Dj（x），则x属于wi类。其中，j≠i，j=1，2，…，m。m为类别数。
从上述***似然分类的说明看，其关键就在于已知类别的定义，先验概率的确定，参与分类的变量的好坏和结果误差评价。直到现在，***似然分类至少还有两个缺点：一是事先大量人力已知光谱类的选择和定义：二是需要长时间的计算机分类计算时间。实际上这也使得***似然分类法遥感应用受到了限制，因此许多人专门研究改进算法以便解决和缩减图像分类的时间，提高分类的精度。Solst和Lillesand（1991）为了解决已知类别定义消耗大量人力的缺点，发展了半自动训练法进行已知光谱类的定义。Fabio Maselli等（1992）利用Skidmore和Tumer提出的非参数分类器计算出各已知类训练集的先验概率，然后将它们插入常规的***似然分类过程中进行分类。该方法融合了非参数和参数分类过程的优点，提高了分类的精度。
通常情况下，地形会影响到训练集数据，这样训练集光谱数据就偏离了***似然分类的假设条件正态分布，从而常规的***似然分类法在地形起伏较大的地区效果并不太好。为了解决这一问题，C.Conese和G.Maracchi和F.Maselli（1993）提出了一种改进的***似然分类算法，即去掉每一类数据集中与***主成分相关的信息（地形信息）然后再进行分类。通过试验，这种方法是有效的，分类精度得到了提高。
K.Arai（1993）用光谱和空间信息进行分类改进了***似然分类方法。该方法简单易行，大大提高了正确分类的概率。C.Conese和Fabio Maselli（1992）用误差矩阵提高***似然分类面积估计的精度。Irina Kerl（1996）加***似然分类精度的一种方法，即多概率比较法。他对同一遥感数据的原始波段、主成分和植被指数的22种组合进行了***似然分类，发现没有一种波段组合的分类能给出图像中所有土地利用类型的精确分类，每一波段组合仅对图像中的一两类土地利用类型分类有效。因此他提出将能有效区分出所要决定的土地利用类型的几个波段组合的分类结果进行组合来进行图像分类，并称这种方法为多概率比较法，这种方法的基础就是图像数据不同波段组合的分类结果之间分类概率大小的比较。应用这种方法提高了分类的精度。
2.最小距离分类（minimum distance classification）
最小距离分类是一种线性判别监督分类方法，也需要对训练区模式样本进行统计分析，是大似然分类法中的一种极为重要的特殊情况。最小距离分类在算法上比较简单，首先需选出要区分类别的训练样区，并且从图像数据中求出各类训练样区各个波段的均值和标准差，然后再计算图像中其他各个象元的灰度值向量到各已知类训练样区均值向量之间的距离。如果距离小于指定的阈值（一般取标准差的倍数），且与某一类的距离最近，就将该象元划归为某类。因此称为最小距离分类。该方法的精度主要取决于已知类训练样区的多少和样本区的统计精度。另外，距离度量的方法不同，分类的结果也不相同，常见的有：
（1）明氏距离（minkowski distance）
中亚地区高光谱遥感地物蚀变信息识别与提取
当q=2时，即为欧氏距离，而当q趋于无穷时，得到切比雪夫距离。明氏距离，特别是其中的欧氏距离，在实际中用得较多，但它存在着两方面的缺点：一是它与各指标的量纲有关；为克服这一缺点，常常采用先将数据规格化的方法。二是它没有考虑变量之间的相关性。一种改进的距离就是马氏距离。
（2）马氏距离（mahalanobis distance）
中亚地区高光谱遥感地物蚀变信息识别与提取
当
中各特征间完全不相关，这时的马氏距离即为欧氏距离。
总之，最小距离分类是一个能在程序上经济有效实现的简单方法，与***似然方法不同，它在理论上并不使平均分类错误为最小，所得到的精度与***似然分类法可相比拟，而计算时间却只有后者的一半。
3.平行管道分类（parallelepiped classification）
平行管道分类是一种最简单的分类方法，是通过研究训练样区数据的各个光谱成分的直方图来进行分类的图像直方图中灰度值的上下限描述了图像中每个波段中类别的灰度值范围。某一光谱类在所有波段的灰度值范围定义了一个多维的平行管道。通过分类计算，图像中的未知象元被划分到属于已知一光谱类的平行管道内，因此称该方法为平行管道分类。这种方法简单易行，但也有几个缺点：①各已知光谱类的平行管道之间必定具有一定的间隔，如果图像中的象元落在这些间隔内，则这些象元不被分类。②对于图像中相关性强的光谱类，它们所定义的平行管道之间必定具有某些重叠，结果落在重叠区的这些象元不能被很好地分离。③没有考虑已知光谱类的先验概率。④根据直方图定义的已知光谱类的平行管道仅仅是通常用来定义光谱类特征的椭圆平面的粗略表示。
T.W.Kellenberger和K.I.Iten（1996）提出改进方法。改进过的平行管道方法基于每个图像波段内两类之间累积百分比直方图的***差值自动分离已知目标类，这种分离值和图像波段都是自动选择的。他利用改进过的平行管道分类对TM遥感数据进行了森林覆盖分类，结果取得了较好的效果，提高了分类的精度。
4.模糊分类（fuzzy classification）
模糊理论（fuzzy theory）是处理模糊性的理论的总称，它是以1965年由Zadeh提出的模糊集合论为基础的。模糊分类即是建立在模糊理论之上的分类方法。在常规遥感图像分类中，图像中的每个象元都被划归为某一种地物类型，象元和类别之间一一对应，并没有考虑遥感图像中实际存在的混合象元问题，即某一象元中同时存在有几种地物类型，所以这种分类方法的结果必然存在有误差，这也是常规遥感图像分类方法的局限性。模糊分类法正好克服了这一不足，它利用象元隶属度表示象元的归属问题。当一象元对某一类地物的隶属度为0时，表示该象元不属于该类；当一象元对某一类地物的隶属度为1时，表示该象元属于该类；当一象元对某一类地物的隶属度为0和1之间的数时，表示该象元以该隶属度属于该类，也即表明该象元为混合象元。模糊分类的方法有很多，大多是常规分类方法的扩展。F.Wang（1990）详细讨论了遥感图像模糊监督分类的意义，他认为模糊监督分类与常规分类方法相比，在3个方面有所改进：①用模糊集合表示地学信息更合理；②光谱空间的模糊划分；③分类参数的模糊估计。
Paolo Gamba等（1996）利用完全模糊分类链对多光谱遥感图像进行了分类，他们不仅考虑了图像中象元的光谱特征，而且还考虑了图像中邻近象元之间空间上的相互关系，结果图像的分类精度得到了提高。
5.神经元网络分类（neural network classification）
神经元网络的结构包含一个输入层、一个输出层以及一个或多个隐层。输入层结点数与参加分类的特征数相同，输出层结点数与最终类别数相同，而中间隐含层结点数则由实验来确定。神经元网络分类主要就是网络的训练迭代，要达到一定的精度，往往需要很多次的迭代，这是非常费时的，然而网络训练一经完成，则可较快地应用于分类识别。
F.Amar等（1995）基于分类误差百分比和用户CPU时间比较了4 种神经元网络的遥感应用，他发现后向传播神经元网络算法（back-propagation neural network algorithm）需要最多的迭代次数，是其中最慢获得88%分类精度的算法。动态学习神经元网络算法（dynamic-learning neural network algorithm）只需迭代两次，占用591 s的CPU时间就可获得85%的分类精度，达到86%的分类精度需要迭代5次，占用CPU时间1613.7 s；功能连接神经元网络算（functional link neural network algorithm）分类精度比快速学习神经元网络算（fast-learning neural network algorithm）算法低，但占用了较少的CPU时间；快速学习神经元网络算法提供了***的分类精度，但两次迭代运算后比功能连接神经元网络算法和动态学习神经元网络算法需要更长的CPU时间。另外，许多研究者利用神经元网络算法对遥感图像数据进行了分类（Mcclellan et al.，1989；Benediktsson et al.，1990；Kanellopoulos et al.，1991；Heermann and Khazenie，1992；Bischof et al.，1992），这些研究表明神经元网络分类能够给出好的分类结果，该结果与常规***似然分类算法取得的分类精度大致相当，如神经元网络分类算法应用恰当，则分类精度更高。K.Sanjo（1996）研究了神经元网络技术的遥感图像分类，发现监督分类中训练样本数据的排列影响着分类的精度，因此必须注意由于简单地神经元网络算法学习阶段训练样本数据的重新排列所造成的分类结果的改变。另外，他还研究了混合象元问题，结果表明通过学习混合数据，神经元网络算法能有效地减少分类的误差。
6.N维概率密度函数（N-dimensional probability density functions）
Haluk Cetin和Donald W.Levandowski（1991）利用N维概率密度函数对多维遥感数据进行了分类和填图。N维概率密度函数是一种用来显示、分析和分类数据的算法，源于常称的频率透视图，但又克服了早先方法的内在限制。利用N维概率密度函数算法进行的交互式分类过程是一种新的多维数据的分类方法，它提供了遥感数据分布的清晰透视和监督分类中被选择的训练区分布的清晰透视。经过多维数据和训练区分布的N维概率密度函数的制图后，N维概率密度函数空间根据训练区数据的分布被划分，然后将N维概率密度函数的这种划分当作查询表（look-up table）分类遥感图像数据。对非监督分类，N维概率密度函数图可以提供数据分布的一种有价值的代表，数据分布可直接用来选择类别数和数据初始聚类时类均值的位置。与传统的统计分类方法，例如***似然分类和最小距离分类，需要大量计算机内存、计算缓慢、对显示重叠类能力有限相比，N维概率密度函数分类速度极快，可利用无限制的波段数，图形地显示数据和类别的分布。Haluk Cetin和Timothy A.Warner和Donald W.Levandowski（1993）利用N维概率密度函数对TM等多种遥感数据源数据进行了分类、可视化和增强，结果取得了良好的效果，取得了比传统分类方法较高的分类精度。
7.其他分类方法
N.B.Venkateswarlu和P.S.V.S.K.Raju（1993）提出了一种新的遥感图像快速分类器该分类器是一种非参数分类器，叫做整体平均分类（ensemble-average classifier），利用了最小距离的概念，算法步骤如下：
①计算每一组的整体平均值（一般为均值）Mi，i=1，2，...，C
②如果满足下列两式，那么任一随机象元X将被划归wi组。
XT（Mi-Mj）＜ Tij，j≠ I （2-5）
中亚地区高光谱遥感地物蚀变信息识别与提取
式中Tij=-Tij。
③经过①②步后，随机象元X被划归为正确的类。
另外，通过对参与计算变量的排序和部分一总和逻辑的考虑，可大大降低该算法计算的时间。与最小距离（欧氏距离）和***似然分类器相比，整体平均分类器所用时间最少，分类精度与最小距离大致相同，对像农田面积和森林这样的名义类型的分类十分有效。
Haluk Cetin（1996）提出了一种分类方法：类间距离频率分布法（interclass distance frequency dis-tribution），这是多光谱数据非参数分类方法的一种。类间距离频率分布过程简单，是一种有力的可视化技术，它图形地显示多光谱数据和类分布。首先选择感兴趣的类，这些类的统计信息从典型的训练样区可获得。利用类的平均测量矢量计算多光谱数据中每个象元的距离，并存放在一个两维数据分布数组中。选择其他类的训练区，训练区数据的分布通过距离计算可获得。通过可视化地检查结果，建立分类查询表（look-up table），然后利用分类查询表进行多光谱图像数据的分类，具体细节请参见原文。
H.N.Srikanta Prakash等（1996）改进了遥感数据凝聚聚类分析，这是一种基于相互近邻概念，用来进行多光谱数据分类的非参数、层次、凝聚聚类分析算法。该方法定义了围绕象元的感兴趣区域（area of interest around each pixel），然后在它内部寻找分类时初始合并操作需要的k最近邻，将象元的特征值、波段值和象元的相对位置值一起考虑，提出了改进的距离量度，这样，大大减少了计算的时间和内存的需求，降低了分类的误差概率。
Steven E.Franklin和Bradley A.Wilson（1992）设计了3阶段分类器进行遥感图像的分类，它由一个基于四叉树的分割算子、一个高斯最小距离均值测试和一个包括辅助地理网数据和光谱曲线测量的最终测试构成。与***似然分类技术相比，3阶段分类器的总体分类精度得到了提高，减少计算时间，另外仅需最少的训练样区数据（它们在复杂地形区很难获得）。
遥感图像资料简介
遥感图像是完成地质填图和国土资源调查工作的物质保证，组图填图和新一轮国土资源调查特别强调遥感技术应用。当前遥感图像的类型较多，我们收集了实习区的航空摄影像片和陆地卫星TM图像。
（1）航空相片。是指安装在航空平台上的航空摄影机对地面进行摄影而获得的一种遥感图像资料。实习区航空相片摄于1979年5月。其比例尺约为1∶1.4万；地面分辨率（理论计算值）为0.35 m；相片规格为18 cm×18 cm，覆盖的地面面积约6.35 km2。这类图像在满足立体观察条件时，可利用立体镜将地物的二维影像转化为三维空间立体光学模型。从而突出了地物的空间特性，使人眼易于辨认和确定地物的空间位置。可见，航空相片的立体观察是遥感技术应用的一个重要手段。
立体观察的条件和方法（图3-2）：①用于立体观察的相片必须是两张相邻的航空相片，且符合重叠率要求的立体像对；②在立体镜下观察时，两张相片要按固定的相对位置放置，即先让两张相片重叠，然后分开，左边的相片放在左侧，右边的相片放在右侧；③观察时，左眼看左片，右眼看右片，眼基线（两眼瞳孔之间的连线）必须平行于两张相片中心点之间的连线；④当两张相片重叠区域内任一对同名点之间的距离恰与观察者眼基线相同时，调节眼睛的焦距，即能建立正确的三维立体效应。
图3-2 航空相片的立体观察
（2）陆地卫星TM图像。陆地卫星是由美国航空和宇宙航行局（NASA）发射的陆地卫星-5号所载专题制图仪（Thematic Mapper）对地面进行扫描成像而获得的一种遥感图像。该图像共有7个波段，其中TM1-5、7波段图像的地面分辨率为30 m×30 m，TM6波段图像为120 m×120 m。一幅TM图像覆盖的地面面积为185 km×185 km，***比例尺可放大到1∶5万。同一地物在不同波段的图像上具有不同的色调特征，解译前应熟悉各波段图像的影像特征。
关于遥感图像和遥感图像分类的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。