Question

是否有可能通过使用C，C ++，Java等计算机语言来分析卫星图像以发现降雨的可能性，水体，森林地区，荒地等湿润景观？哪些是最好的？这很复杂吗？

使用高级C，C ++，Java版本还有其他选项来执行此项目吗？这些语言是否具有读取像素值的特殊功能，而无需使用MATLAB，LABVIEW等工具

Answer 1

alt text http://xs.to/thumb-1F0D_4B62DE2C.jpg alt text http://xs.to/thumb-0C7F_4B62DFCB.jpg

如果我没记错的话，“Digital Image Processing 3rd Edition”一书中有一节关于土地质量分析。另请查看“C中的数字图像处理”，您可以下载here。

IIRC和this NASA page seems to confirm，我不是物理学家，你需要具有完整（不仅仅是可见）电磁波谱的卫星图像。这可以让你挑选水，植物等。

Landsat 7图像是彩色复合材料，通过分配三个主要的增强的三个色带的颜色专题Mapper（ETM +）传感器。这些它们不是彩色照片是“假色”图像（绿色字段不一定看起来很绿图像）。

Landat乐队将提供帮助：

1沿海水图，土壤/植被识别，森林分类，人造特征识别
2植被歧视与健康监测，人为特征识别 3植物种类鉴定，人造特征鉴定
4土壤水分监测，植被监测，水体歧视
5植被含水量监测
6地表温度，植被应力监测，土壤水分监测，云分化，火山监测 7矿物和岩石歧视，植被含水量

有关详细信息，请参阅：Lillesand，T。和Kiefer，R.，1994。遥感和图像解释。 John Wiley and Sons，Inc.，New York，p。 468.

您可能还想创建图像的3D浮雕，并尝试将光谱数据与山谷，可能是河流点，沿海地区等相关联。简而言之，有数据通过图像分析进行估算

Answer 2

纹理运算符可以区分卫星图像中的地理区域。这是来自Robert Haralick的paper，描述了识别水体，草地区，大都市区等的经典纹理算子。

我在开源Orfeo工具箱上取得了一些成功，这是一个基于ITK的C ++图像处理库，但专门用于卫星图像。您可以在文档here中看到纹理运算符的一些实现示例。

Pre-texture Post-texture

Answer 3

我建议使用python作为语言，在我的经验中，它更加用户友好，并且有越来越多的python模块用于处理遥感数据。此外，python是开源的，所以你可以避免使用MATLAB等。

RSGISLib软件具有python绑定功能，是处理遥感数据的理想选择。我在整个博士期间都使用过它。可在此处找到该软件http://www.rsgislib.org，可在此处找到展示其应用程序的精彩博客https://spectraldifferences.wordpress.com

我有地理背景，但能够轻松使用python。在我看来，C ++和JAVA等更复杂，因为python经常有模块可以为你做一些棘手的工作（访问图像，检查预测等）。

Answer 4

帕尼瓦尼的答案是一个良好的开端 - 只要他建议纹理分析。 Imagemagick通常不用于纹理分析，但它绝对是一个可行的工具。看看这个：

$ cat get_images.sh 
#!/bin/bash

base_url='http://maps.googleapis.com/maps/api/staticmap?center='
other_params='&zoom=12&size=400x400&maptype=satellite&sensor=false'

curl -o desert1.png   "$base_url"'41.660000,112.900000'"$other_params" 2>/dev/null
curl -o desert2.png   "$base_url"'40.660000,112.900000'"$other_params" 2>/dev/null
curl -o rural1.png    "$base_url"'40.714728,-74.400000'"$other_params" 2>/dev/null
curl -o rural2.png    "$base_url"'41.714728,-74.400000'"$other_params" 2>/dev/null
curl -o suburban1.png "$base_url"'40.614728,-74.300000'"$other_params" 2>/dev/null
curl -o suburban2.png "$base_url"'40.714728,-74.200000'"$other_params" 2>/dev/null
curl -o urban1.png    "$base_url"'40.744728,-73.831672'"$other_params" 2>/dev/null
curl -o urban2.png    "$base_url"'40.754728,-73.930672'"$other_params" 2>/dev/null

echo -e "\nEntropy:"
for t in "desert1" "desert2" "rural1" "rural2" "suburban1" "suburban2" "urban1" "urban2"; do 
  echo -e "  " $t "\t" `./entropy "$t".png | grep Aver | sed -e 's/.*= //'`
done

echo -e "\nStd Dev:"
for t in "desert1" "desert2" "rural1" "rural2" "suburban1" "suburban2" "urban1" "urban2"; do 
  echo -e "  " $t "\t" `convert "$t".png -format '%[fx:standard_deviation]' info:`
done

echo -e "\nRatio of hi freq to low freq:"
for t in "desert1" "desert2" "rural1" "rural2" "suburban1" "suburban2" "urban1" "urban2"; do 
  convert "$t".png -fft +depth +adjoin "$t"_fft_%d.png
  convert "$t"_fft_1.png -fill none -stroke black -strokewidth 100 -draw "rectangle 50,50,350,350" "$t"_fft_1b.png
  convert "$t"_fft_1.png -fill none -stroke black -strokewidth 100 -draw "rectangle 150,150,250,250" "$t"_fft_1c.png
  lo=`./entropy "$t"_fft_1b.png | grep Average | sed -e 's/.*= //'`
  hi=`./entropy "$t"_fft_1c.png | grep Average | sed -e 's/.*= //'`
  echo -e "  " $t "\t" `echo "scale=8; $lo / $hi" | bc`
done

$ ./get_images.sh 

Entropy:
   desert1   0.557244
   desert2   0.586651
   rural1    0.652486
   rural2    0.709812
   suburban1 0.69883
   suburban2 0.727527
   urban1    0.746479
   urban2    0.765279

Std Dev:
   desert1   0.0756219
   desert2   0.0881424
   rural1    0.107279
   rural2    0.140878
   suburban1 0.125647
   suburban2 0.143765
   urban1    0.150628
   urban2    0.185245

Ratio of hi freq to low freq:
   desert1    .41319501
   desert2    .41337079
   rural1     .41333309
   rural2     .41335422
   suburban1  .41326120
   suburban2  .41339882
   urban1     .41327271
   urban2     .41326168

这三个不同的指标（图像熵，图像标准偏差，图像中的高频率与低频率内容的比率）各自与从沙漠到乡村到郊区到城市的频谱正好相关。如果你将这些放入分类器（例如神经网络）中，我敢打赌你可以开发一个关于谷地图卫星图像是沙漠，乡村，郊区还是城市土地的合适预测器。

卫星图像的图像处理

4 个答案: