遥感影像智能处理

版权信息

书名：遥感影像智能处理

ISBN：978-7-115-68982-5

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。

版  权

编  著  李 昕  张淑军  孙媛媛  李永庆  王雷全

责任编辑 贺瑞君

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

内 容 提 要

遥感影像处理作为现代地球观测的重要手段，在资源勘探、环境监测、灾害预警等领域发挥着关键作用。本书在介绍遥感影像处理传统方法的基础上，重点阐述人工智能在遥感影像智能处理领域取得的各项前沿进展，并介绍一些未来研究方向。

本书共11章。第1章～第3章分别为概述、遥感数据融合及遥感数据压缩；第4章～第8章分别为遥感场景分类、遥感目标检测、遥感影像监督学习语义分割、遥感影像非监督学习语义分割，以及遥感影像修复；第9章～第11章分别为遥感影像变化检测、遥感影像超分辨率重建及遥感影像跨域处理。此外，本书在附录部分提供遥感影像智能处理领域的常用数据集与主要术语表。

本书既适合遥感影像处理领域的研究人员、技术开发人员、工程应用人员阅读，也适合遥感、海洋、计算机、人工智能等相关专业的研究生学习参考。

前  言

遥感技术通过卫星、航空器等平台获取地球表面（简称地表）的多光谱、多时相遥感影像。这些影像数据被广泛应用于军事侦察、城市规划、环境监测、自然灾害评估、精准农业、自然资源管理、国家安全、气候变化研究等领域。随着遥感技术的发展，获取到的影像数据量迅速增加，而人工分析这些数据既耗时又容易出错。遥感影像智能处理能够利用智能化技术，高效处理大规模遥感数据，提升分析性能与速度，减少人工干预成本，更好地支持科学研究与可持续发展。在应对复杂的地球系统和社会经济问题时，遥感影像智能处理能提供强有力的技术支撑，推动各领域信息化和智能化应用的研发。它不仅能帮助人们解决环境、农业、城市管理等具体领域中的问题，还能为全球变化、资源管理和应急响应等重大挑战提供科学的解决方案。此外，在推动环境保护和可持续发展方面，遥感影像智能处理具有非常广阔的应用前景。

在人们对遥感影像智能处理领域的知识需求日益迫切、人工智能快速发展的大背景下，编写本书正是推动该领域发展和相关人才培养的实际行动。本书共11章，各章内容安排大致如下。

第1章～第3章对遥感影像处理进行概述，并对数据的基础处理进行探讨。第1章对遥感影像处理的发展历程和各项技术等进行介绍，为后续章节的展开奠定基础。虽然遥感影像处理可以借助计算机视觉的先进方法，但是因为其特有的数据类型和应用需求，它也面临很多新的挑战。第2章～第3章从数据基础处理的角度进行阐述。第2章重点介绍遥感数据融合，旨在解决单一传感器获取的数据通常在空间、时间和光谱分辨率上存在不足的问题，提供更加丰富和精准的地球观测信息，生成具有更高分辨率、能提供更全面信息的遥感影像或数据产品。第3章重点讨论遥感数据压缩，以应对遥感卫星和航空器获取的大量数据带来的存储、传输和处理挑战。该章回顾基于预测、变换、矢量量化等的传统压缩算法的发展历程，并详细介绍近年来基于神经网络的压缩算法的创新与进展。

第4章～第8章分别对场景分类、目标检测、语义分割和影像修复等常见的遥感影像处理任务进行阐述。第4章针对遥感影像智能处理中的遥感场景分类问题进行深入探讨，重点介绍4种在遥感场景分类中得到广泛应用的方法，即基于自编码器（Autoencoder，AE）、卷积神经网络（Convolutional Neural Network，CNN）、生成对抗网络（Generative Adversarial Network，GAN），以及视觉转换器（Vision Transformer，ViT）的场景分类方法，对每种方法的特点、优势、局限性及其适用的应用场景也进行阐述。第5章着重介绍遥感目标检测方向的研究进展。相较于传统的影像目标检测，遥感目标检测基于遥感影像的特点，有针对性地研究小目标检测、小样本目标检测、定向目标检测等方法。因为语义分割是近年来遥感影像智能处理的热点，很多应用都是基于语义分割的，所以本书用两章的篇幅阐述语义分割技术。第6章探讨遥感影像监督学习语义分割，涵盖传统机器学习、编码器-解码器结构、注意力机制、Transformer及多尺度特征融合等关键技术，同时结合农业监测、灾害管理、城市规划等应用场景，展示这些技术在复杂地物处理中的应用潜力。第7章针对遥感数据标注困难的问题，系统讨论非监督学习在遥感影像语义分割上的应用。根据分割方法对数据的依赖性强弱，依次介绍半监督、弱监督及无监督学习语义分割的主流研究方法。第8章强调遥感影像修复对提升影像质量、增强应用性能、提高数据利用效率和促进技术发展的重要性，并介绍遥感影像修复的方法，从早期依赖传统插值和滤波技术的修复方法，发展到如今深度学习推动的精准、高效的修复方法。

第9章～第11章分别介绍变化检测、超分辨率重建和跨域处理等在遥感影像智能处理中的研究与应用。第9章重点讨论深度学习技术在遥感影像变化检测领域的前沿应用与技术创新，系统性地阐述在涵盖监督、半监督、无监督及迁移学习的多元化学习策略下，遥感影像变化检测技术的理论发展轨迹与革新方向。第10章重点讨论遥感影像超分辨率重建，以解决遥感影像中空间-光谱分辨率不足的问题，并应对硬件限制及高成本所带来的挑战。该章主要介绍基于传统方法的超分辨率重建与近年来基于深度学习的超分辨率重建模型的发展，重点描述了CNN及生成式模型在遥感影像超分辨率重建中的应用，阐述这些方法在提升影像细节和全局信息方面的特点与优势，同时对GAN在提高影像视觉质量上的效果进行深入分析，为进一步推动遥感影像超分辨率重建的发展提供新思路和技术支持。第11章主要关注遥感影像跨域处理，主要内容分为域适应（Domain Adaptation，DA）和域泛化（Domain Generalization，DG）。域适应通过调整源域（Source Domain）和目标域（Target Domain）之间的特征分布差异来提高模型对目标域数据的分析性能，面临特征选择与映射、对抗训练的稳定性及样本不平衡等挑战。域泛化则关注如何在未知目标域上进行有效推断，以提升模型的泛化能力，主要难题包括难以捕捉源域中的多样性特征、缺乏有效的域间迁移和目标域数据。通过深入探讨这两类技术及其挑战，该章详细讲解遥感影像跨域处理的有效解决策略，该策略可提高遥感影像跨域场景下的任务处理效率。

本书由中国石油大学（华东）李昕（负责第1章和第3章）与青岛科技大学张淑军（负责第6章和第7章）、青岛科技大学孙媛媛（负责第8章、第9章和第10章）、青岛科技大学李永庆（负责第2章、第4章和第5章）、中国石油大学（华东）王雷全（负责第11章）共同编著。本书从筹备到成稿，得到了一群优秀研究生的协助，他们参与了本书的撰写工作，具体分工如下。

第1章 廖集秀

第2章 刘晋宇

第3章 孙百乐

第4章 魏若玉

第5章 王永铮、王乐宇

第6章 李文龙、杨乾

第7章 杨乾、李文龙、战祥杰

第8章 苗雨

第9章 董欣

第10章 李润森、孙数青

第11章 杨宗驰

在此，对他们的辛勤工作表示感谢。

本书还得到了众多致力于遥感影像智能处理和相关算法研究的同行的帮助，包括西北工业大学张顺，中国海洋大学董军宇、高峰，重庆大学刘海军，哈尔滨工业大学李春山，中国石油大学（华东）任鹏、刘宝弟，河北大学刘帅奇，南京信息工程大学孙乐、孙倩等。他们为本书提供了优质素材，并对部分内容提出了有益的修改建议。感谢人民邮电出版社高级策划编辑贺瑞君等的帮助。此外，还有众多学者为本书贡献了自己的宝贵经验，在此一并表示感谢。

尽管编者努力梳理遥感影像智能处理的知识体系，力求全面、准确地介绍和分析各种智能算法在遥感影像智能处理领域的应用，但限于知识水平和实践经验，书中难免存在不足之处，敬请读者批评、指正。

第1章 概述

本章将从遥感影像处理的应用场景，遥感影像智能处理的优势、发展历程，遥感数据的分类、特点，遥感影像智能处理技术及其与计算机视觉的交叉融合等多个维度，对遥感影像智能处理进行概述。

1.1 遥感影像处理

遥感（Remote Sensing）是通过非接触的方式，利用传感器（如相机、雷达等）从远距离平台（如卫星、航空器等）获取目标物体或环境的电磁波信息（如可见光、红外、微波等），并通过对这些信息的处理、分析和解译，提取地物特征及其变化规律的一门科学技术。与传统的地面勘测方法相比，遥感技术具有以下明显优势。

（1）成本效益高：遥感技术可以一次性覆盖大面积区域，减少了地面勘测所需的时间和人力成本。

（2）不受地理限制：遥感技术能以较低的成本实现对条件恶劣地区或难以到达区域的监测。

（3）应用范围广：遥感技术被广泛应用于环境监测、应急响应、城市规划、资源优化、军事侦察等领域。

例如，我国第三次全国国土调查成功运用高分辨率（High Resolution，HR）卫星+人工智能+云计算的创新模式，实现了高效、精准的土地调查，为国土空间规划、生态保护、耕地红线管控提供了科学依据。遥感影像处理作为关键技术支撑，极大地促进了人们对地表动态变化的监测和理解，其主要应用场景包括以下几个方面。

1．高效环境监测与自然资源管理

遥感影像处理技术通过多种数据源，能够实现对森林覆盖变化、水体污染程度、土壤退化状况等环境要素的精准监测。以森林资源管理为例，通过时间序列遥感数据分析，可以量化评估森林的砍伐速率和范围，为制定科学的森林保护政策提供数据支撑。在水环境监测方面，遥感技术能够快速识别水体富营养化区域，追踪污染扩散路径，显著提升水环境管理效率。这些应用对实现资源的可持续管理和制定环境保护政策具有重要意义。

2．灾害监测与应急响应

在灾害管理全周期中，遥感技术展现出独特优势。灾前可通过历史数据分析灾害风险区域；灾中能快速获取受灾范围影像，通过深度学习算法自动识别损毁建筑和道路；灾后则能持续监测重建进度。例如在洪涝灾害中，合成孔径雷达（Synthetic Aperture Radar，SAR）可穿透云层，实现全天候监测，为抢险救灾提供实时数据支持。

3．土地利用与城市规划支持

高分辨率遥感影像为国土调查提供了可靠的数据基础。通过融合深度学习算法，遥感技术可自动提取建设用地、耕地等地类信息，大幅提升调查效率。在城市规划领域，遥感技术能精准识别城市扩张趋势，分析绿地系统布局，为城市可持续发展提供决策依据。以北京城市副中心规划为例，多期遥感影像分析为空间布局优化提供了重要参考。

4．精准农业与资源优化

现代农业中，遥感技术通过归一化植被指数（Normalized Difference Vegetation Index，NDVI）等指标，实现作物长势动态监测。结合气象数据，可建立产量预测模型，指导精准施肥和灌溉。在病虫害防治方面，多光谱图像（Multispectral Image，MSI）能帮助在早期发现染病植株，实现精准施药。这些应用显著提升了农业生产效率，降低了资源消耗。

5．国家安全与军事侦察

遥感技术在军事领域具有关键应用价值。通过定期获取边境区域影像，遥感技术可有效监测非法越境等异常活动，为边防部署提供实时情报支撑。结合目标识别算法，遥感技术能精准定位敌方军事设施，如导弹基地、雷达站等，并能通过变化检测追踪其动态。多源数据融合技术进一步提升了遥感技术在复杂战场环境下的监测精确率和态势感知能力。

作为空间信息获取的核心技术之一，遥感影像处理正深刻改变着资源管理、灾害防治、城市发展等领域的传统工作模式。随着传感器技术和人工智能算法的持续进步，其应用的广度和深度还将不断拓展，为人类社会可持续发展提供更强大的技术支撑。

1.2 遥感影像智能处理

遥感影像智能处理是指通过人工智能等先进技术，对遥感数据进行自动化分析和智能解译的过程。传统的人工解译方法无法满足大规模、高效率的遥感影像处理需求，遥感影像智能处理的出现，为遥感影像解译带来了创新性的变革。

遥感影像智能处理的核心在于利用计算机模拟人类视觉认知和理解能力，通过算法自动识别影像中的地物特征、提取有用信息。这种方法不仅大幅提高了处理效率，还显著提升了分析的准确性和客观性。典型的遥感影像智能处理流程包括数据预处理、特征提取、分类识别、变化检测和信息提取等环节。随着遥感数据的爆发式增长以及应用领域的不断拓展，如何应对海量数据与复杂场景需求，如何提升处理精确率与自动化水平，如何增强实时监测与快速响应能力，以及如何融合多源数据并支持智能决策，成为当前亟待解决的难题。

1．应对海量数据与复杂场景需求

遥感卫星、无人机等采集的数据量庞大，包含多时相、多光谱、多源信息，且往往存在复杂的地形、地物及环境条件的变化，传统的手动处理方法非常耗时且效率低下，无法快速响应实际应用需求。遥感影像智能处理具备自动化特征提取和高效分析的能力，能显著提升数据处理效率。例如，利用深度学习可以自动提取不同光谱通道间的关联信息，从而更好地区分看似相似但本质不同的地物类型。此外，遥感影像智能处理适应性强，通过迁移学习可快速适配农业、林业、城市管理等不同领域的分析任务，大幅降低开发成本。

2．提升处理精确率与自动化水平

利用先进的机器学习和深度学习算法，遥感影像智能处理可以提取出遥感影像中隐含的高层次特征，从而更精确地识别影像中的细微差异，提高分类、分割和变化检测的精确率，并且能自动完成数据解译，减少对人工干预的依赖，降低人为误差和主观偏差，提升处理的自动化水平和一致性，确保结果的客观性和可靠性。这对需要高精确率和可靠性的应用场景（如灾害监测和农业管理）尤为重要。

3．增强实时监测与快速响应能力

在环境监测、灾害管理等领域，快速获取和分析信息是关键。遥感影像智能处理可用于长期的地表变化检测，如城市扩展、森林砍伐、水体变化等的检测。这些变化通常需要基于时间序列遥感数据进行分析，传统方法难以有效处理长时间序列的影像，而遥感影像智能处理可以实现遥感影像的实时或近实时处理，自动检测变化并分析其趋势，快速评估变化并做出响应，为环境监测和灾害管理提供及时的决策支持。例如，通过智能算法可以在灾害发生后快速定位受灾区域，评估受损情况，从而为应急响应提供及时的数据支持。

4．融合多源数据与支持智能决策

遥感影像涵盖多源数据，遥感影像智能处理可通过多源数据融合显著提升建筑物检测、灾害评估等任务的精确率。针对标注数据稀缺问题，遥感影像智能处理采用自监督学习、迁移学习等方法降低对标注数据的依赖。遥感影像智能处理还能为土地规划、环保决策等提供高精确率支持（如自动土地分类、环境风险评估），大幅提升遥感数据的应用价值。

遥感影像智能处理的意义在于它能够高效处理海量数据、满足复杂场景需求、提升处理精确率、实现自动化处理、支持实时监测与快速响应、融合多源数据、支持智能决策等。通过引入智能化的处理手段，遥感影像智能处理的应用场景得以大大拓展，从而促进了人们对地球系统的精细化理解和可持续管理。

1.3 遥感影像智能处理的发展历程

遥感影像智能处理经历了多年的发展，其发展历程可大致划分为5个阶段，从早期基于物理模型的处理到现代智能化的深度学习技术，每个阶段都体现了技术和计算能力的进步，以及应用需求的演变。

1．遥感影像处理方法（20世纪中期—20世纪70年代）

1957年，世界上第一颗人造地球卫星“斯普特尼克1号”发射成功，标志着航天时代的到来。随着美国的“陆地卫星”Landsat等第一代地球观测卫星的发射，人们开始了对地表的大规模观测。在该阶段，对遥感影像主要开展目视解译与基础数据处理工作，包括几何校正、辐射校正及大气校正。上述处理过程多基于物理模型实现，如大气辐射传输模型；土地覆盖分类则依靠人工手动提取特征完成。这种方式虽然可以获得一定的结果，但严重依赖专业人员的经验，处理效率和精确率均存在显著局限。

2．数字化处理与统计方法（20世纪80年代—20世纪90年代）

20世纪80年代，计算机技术的发展推动了遥感影像数字化处理的普及。各种基本的数字化处理方法（如滤波、边缘检测等）被用于增强影像的质量。同时，统计方法也被引入遥感影像处理中，例如基于最大似然估计（Maximum Likelihood Estimation，MLE）的土地覆盖分类，这些方法开始部分替代手动解译，实现了从影像中自动提取信息。

3．机器学习与地理信息系统（2000—2010年）

进入21世纪后，随着计算能力的提高，传统机器学习方法［如支持向量机（Support Vector Machine，SVM）、决策树、随机森林（Random Forest，RF）等］被广泛应用于遥感场景分类与回归分析。这些机器学习方法增强了遥感影像处理对地物特征的自动学习能力，显著提高了数据处理的准确率和效率。同时，人们将遥感数据与地理信息系统（Geographic Information System，GIS）结合，扩展了遥感影像的应用范围，使其在资源管理、城市规划等领域的应用更加广泛，逐渐形成了遥感-地理信息综合分析体系。

4．深度学习和智能处理的兴起（2011—2020年）

2011—2020年是遥感影像处理向智能化方向快速发展的阶段。随着深度学习在计算机视觉领域取得突破性进展（如AlexNet、ResNet等模型的提出），CNN开始在遥感影像处理中得到广泛应用。深度学习的引入使得遥感影像的分类、目标检测、分割等任务取得了显著进步。深度学习不仅能应用于单一的影像分类任务，还能应用于遥感影像的目标检测、实例分割、多时相变化检测等任务。此外，多源数据的融合（如光学影像与雷达影像的融合）通过深度学习进一步提高了处理精确率，实现了对复杂地物和环境的智能化解译。

5．大数据与人工智能时代（2021年至今）

随着遥感卫星和无人机的广泛使用，遥感数据量呈指数级增长，推动了遥感影像处理向大数据方向发展。云计算平台（如谷歌地球引擎）使得大规模遥感数据的存储、处理和分析更加高效，同时对数据的压缩和传输提出了更高的要求。目前，遥感影像智能处理正在向自动化监测和决策支持方向发展，例如自动化的灾害监测系统、农作物智能评估系统等。这些系统基于深度学习的增强型模型，如GAN、长短期记忆（Long Short-Term Memory，LSTM）网络等，能够对时间序列遥感数据进行动态监测，生成精确的决策支持信息。为了应对遥感影像标注数据稀缺的问题，自监督学习、半监督学习和迁移学习等技术被逐渐引入，使得遥感影像智能处理的应用更加灵活和广泛。

遥感影像智能处理的发展从最初的基于物理模型和手动解译，逐步走向了数字化和基于统计方法的自动分析，发展到应用机器学习进行更高效的分类和识别，最终迈入了深度学习和人工智能驱动的全面智能化阶段。遥感影像智能处理极大地提升了遥感影像的应用价值，为环境监测、灾害管理、资源评估等多方面提供了更高效和精确的解决方案。在未来，随着计算能力的不断增强和算法的持续优化，遥感影像智能处理将会继续发挥关键作用，推动地球观测和环境管理的进一步发展。

1.4 遥感数据的分类

遥感技术通过从远距离平台收集关于地球的信息，为人类理解和监测地表及其环境变化提供了一种独特而强有力的手段。该技术通过搭载于各类平台上的传感器系统，捕获不同波长范围内的电磁波，提供了从基本的土地覆盖影像到复杂的大气参数等详细信息。通过不同的遥感数据类型，科学家和研究人员能够详细分析地表特性和变化，这对环境监测、城市规划、灾害管理及农业等领域至关重要。常见的遥感数据类型如下。

（1）光学影像数据是通过可见光、近红外等波段获取的地表影像，类似于高精度的数码照片，具有丰富的色彩信息和较高的空间分辨率，能够清晰呈现地物细节，广泛应用于土地利用监测、城市规划、环境变化评估及灾害应急响应等领域。典型观测卫星包括高分辨率商业卫星（如WorldView、QuickBird和GeoEye）等。

（2）多光谱图像数据是通过多个较宽的波段（通常为3～10个波段，覆盖可见光、近红外等光谱范围）采集的数据，能够捕捉地表物体在不同波段下的反射特征，应用于土地覆盖分类、农作物健康监测、森林资源分析、水体质量监测等领域。典型观测卫星有Landsat系列卫星、哨兵2号（Sentinel-2）卫星。

（3）高光谱图像（Hyperspectral Image，HSI）数据具有数百个窄波段，提供了更加精细的光谱分辨率，能够捕捉到物体的细微光谱特征，因此适合更精细的地物识别，广泛应用于矿物识别、农作物健康状况评估、污染监测、植被分类等领域。典型传感器有Hyperion高光谱成像仪、红外成像光谱仪。

（4）SAR数据是通过使用一种主动遥感技术（SAR发射微波信号并接收地面反射信号），能够在昼夜、各种气象条件（如雨、雪）下获取的数据，应用于地表形变监测、城市扩展、冰川移动、洪水监测等领域。典型观测卫星有哨兵1号（Sentinel-1）卫星、SAR卫星（如RADARSAT系列卫星）、雷达遥感卫星（如TerraSAR-X卫星）。

（5）激光雷达（Light Detection and Ranging，LiDAR）数据是利用激光雷达技术发射激光脉冲并接收反射信号，精确测量目标物体的距离与高度，从而生成的高精度三维点云数据或数字高程模型（Digital Elevation Model，DEM）。这些数据可用于对地形、森林、城市建筑等三维结构的精细化建模，在地形测绘、森林垂直结构分析［如全球生态系统动态调查激光雷达（Global Ecosystem Dynamics Investigation LiDAR，GEDI）的应用］、城市三维重建及灾害评估等领域广泛应用。激光雷达数据的采集依赖机载/星载激光雷达和专用于生态监测的GEDI等典型传感器。

（6）热红外数据是地表物体的热辐射信息，反映物体表面温度分布，适用于分析地表热环境，应用于地表温度监测、城市热岛效应分析、火灾检测、火山活动监控等领域。典型传感器有Landsat 8 热红外传感器（Thermal Infrared Sensor，TIRS）、高级星载热发射和反射辐射仪。

（7）大气探测数据包含大气中的气体成分、气溶胶、云层等信息，能帮助人们理解气候变化和大气过程，广泛应用于气候研究、大气污染监测、臭氧层和温室气体观测等领域。典型传感器有中分辨率成像光谱仪（Moderate Resolution Imaging Spectrometer，MODIS）、臭氧监测仪。

1.5 遥感数据的特点

遥感数据具有一些显著的特点，这些特点使得遥感数据在获取地表信息、监测环境变化以及提供决策支持等方面非常有价值。遥感数据的特点可以归纳为以下五大类。

1．多维度

（1）空间分辨率决定了一个像素代表的地面范围大小，即地面上的物体可以被区分的最小尺寸。不同的空间分辨率适用于不同尺度的地物监测，遥感影像可以根据不同的应用场景选择合适的空间分辨率，从几米到几百米不等。高分辨率（如1m或更小）数据适用于城市规划、建筑物识别等精细任务，而低分辨率（Low Resolution，LR，如几十米或更大）数据适用于监测大面积的农田、森林等大型任务。

（2）光谱分辨率通过多个波段获取地物的反射和辐射特性，这些波段可以覆盖从可见光、近红外到热红外，甚至到微波波段的电磁波谱。多光谱和超光谱遥感影像能够反映地物在不同波段上的反射和辐射特性，有助于区分不同地物类型，如水体、植被、建筑物等。光谱分辨率决定了遥感系统对不同波段信息的分辨能力，是区分不同地物的关键。

（3）时间分辨率指同一区域被传感器重复观测的频率。根据遥感卫星轨道和观测方式的不同，时间分辨率可能为每天一次或每数十天一次。这使得遥感数据具有良好的时间序列性，能够监测地物随时间的动态变化，例如季节性植被变化，或洪水、火灾等自然灾害的发展过程。

（4）辐射分辨率表示传感器检测和记录光强变化的能力，通常以比特数表示，是遥感数据准确反映地物反射和辐射特性的基础。高辐射分辨率意味着可以更精细地检测出影像中光强的微小变化，这在需要精确测量反射率和辐射强度的领域（如农业、气象等）中非常重要。

2．多源与多模态数据融合

（1）多源数据融合。遥感影像可以来自不同类型的传感器（如光学传感器、雷达），不同传感器捕获的遥感影像可以形成互补，以提供更全面的地物特征。

（2）多模态数据融合。遥感数据可与地理信息系统、气象数据等结合，增加信息的深度和广度。通过融合多模态遥感数据，可以得到比单一模态遥感数据更丰富的地物信息，提升数据分析的准确性和实用性。

3．大覆盖范围与高维

（1）大覆盖范围。遥感影像通常能够一次性覆盖大面积区域，适合宏观地表和环境变化的监测，具有全球或区域的观测能力。这种特点对进行全球或区域性的环境监测、资源管理非常有价值。与地面采样方法相比，采集遥感影像更加经济且高效。

（2）高维。遥感影像包含多个波段，具有较高的空间和时间分辨率，每个波段都包含海量的像素信息，数据量大且复杂，需要强大的计算能力和存储资源来处理。

4．数据质量与不确定性

（1）几何失真。由于成像角度、地形等原因，遥感影像可能存在几何失真（如成像角度不同导致的比例差异）。因此，在分析遥感影像之前，通常需要进行几何校正，确保数据与实际地理信息的对齐。

（2）噪声。遥感数据易受到云、雾、雪等大气条件干扰、传感器噪声等的影响，这些噪声会影响影像质量，因此进行数据质量控制和预处理（如几何校正、大气校正）是必要的步骤。

5．光谱特征差异与标注数据稀缺

（1）地物的光谱特征差异。不同地物在不同波段上的反射特性各异，这是实现地物分类、变化检测等分析的重要依据。例如，植被在近红外波段有高反射率，而在红色波段的反射率较低，这一特性被用于计算植被指数（如NDVI），以评估植被健康状况。因此，遥感数据的光谱特征是地物信息的重要来源。

（2）标注数据稀缺与智能处理。遥感影像覆盖的范围广且地物复杂，人工标注遥感数据复杂且耗时，这导致了标注数据稀缺的问题。因此，半监督学习等方法被引入遥感影像分析，以提高数据利用效率。

遥感数据具有多维度（空间分辨率、光谱分辨率、时间分辨率、辐射分辨率）、多源与多模态数据融合、大覆盖范围、高维、几何失真、易受噪声影响、光谱特征差异明显、标注数据稀缺等特点。这些特点决定了遥感影像的独特性和复杂性，使得它在全球变化检测、环境保护、资源管理等领域具有广泛的应用，同时也对遥感影像处理提出了很高的要求，需采用合适的算法和技术进行处理与分析。

1.6 遥感影像智能处理技术

人工智能的机器学习按照监督程度的不同分为监督学习、弱监督学习、半监督学习、无监督学习。此外，自编码器、GAN、注意力机制和多尺度策略这些技术目前被普遍使用于遥感影像处理。表1.1统计了2020—2025年遥感影像处理领域的论文［共涉及335篇科学引文索引（Science Citation Index，SCI）二区以上论文］中采用的智能处理技术。

表1.1 2020—2025年遥感影像智能处理技术的应用统计

下面进一步对表1.1进行分析。从研究热度看，遥感语义分割和遥感数据融合方面的相关研究最多。语义分割作为一种基础算法，对其他技术能起到一定程度的辅助作用，因此获得广泛研究。此外，数据是智能处理技术的核心，而遥感方面的数据往往由不同的采集方法采集，导致遥感影像智能处理对数据融合具有比较大的需求。

从监督程度看，遥感数据融合原来主要采用传统方法，在神经网络下主要采用无监督学习的方法。这主要是因为遥感数据体量大，多种数据融合时很难获得足够的标签。遥感数据压缩、遥感影像修复和遥感影像超分辨率重建原来大都采用传统方法处理，而在近几年逐步转向深度学习方法。基于监督学习的遥感语义分割方法是几年前的热点，但近年来遥感语义分割的论文逐渐转向研究弱监督/半监督学习方法，甚至是无监督学习方法。遥感影像跨域处理可分为域适应和域泛化两类，其中域适应主要采用半监督或无监督学习方法，但是域泛化主要采用监督学习方法。从关键技术角度看，自编码器在遥感数据压缩、遥感场景分类和遥感影像修复中比较常见，GAN在遥感数据融合、遥感场景分类、遥感语义分割和遥感影像超分辨率重建、遥感影像跨域处理中使用较多，以弥补数据上的不足。注意力机制和多尺度策略可以有效提升处理的精确率，在许多研究方向中都有较多的应用。

1.7 遥感影像智能处理与计算机视觉

遥感影像智能处理与计算机视觉密切相关。遥感影像智能处理可以理解为计算机视觉在遥感领域中的一个具体应用，或者说遥感影像智能处理是计算机视觉技术在地球观测和遥感数据分析方面的特殊应用。随着深度学习技术的发展，遥感影像智能处理广泛借鉴并应用计算机视觉领域中成熟的深度学习模型，例如残差网络（Residual Network，ResNet）、U 形网络（U-Net）、掩码基于区域的卷积神经网络（Mask Region-based Convolutional Neural Network，Mask R-CNN）等。这些模型经过调整后被用于遥感场景，例如对卫星影像中的建筑物进行分割，或者通过GAN生成缺失影像区域。这种基于计算机视觉模型的改进，极大地提升了遥感影像分析的精确率和效率。

在应用场景方面，遥感影像智能处理与计算机视觉极为相似，它们的典型应用场景包括分类、目标检测和语义分割等。分类旨在为输入的影像分配一个标签或类别，对应遥感场景分类，用于区分土地覆盖类型，例如森林、农田、城市等；目标检测是在影像或视频中识别并定位多个目标的技术，可定位每个目标（如建筑物、车辆、船舶等）的边界框；语义分割是一种像素级分类任务，目的是将影像中的每一个像素划分为特定的类别，从而实现对整个影像的细致理解，在遥感中常用于精细的土地覆盖分类，例如水体、植被、建筑物的精细分割。

遥感影像智能处理与计算机视觉也存在较多不同之处，这导致很多计算机视觉领域的技术不能直接应用于遥感影像智能处理，两者的不同之处具体如下。

1．数据不同

遥感数据和计算机视觉影像数据的获取方式不同。遥感数据通常通过卫星、无人机等设备获取，包括光学影像、雷达影像（如SAR影像）、MSI、超光谱影像等。而计算机视觉影像数据大多来自普通的数字相机、监控摄像头等。因此，遥感影像智能处理需要应对以下特定的挑战。

（1）MSI数据处理。遥感影像包含可见光、近红外、热红外等多个波段，计算机视觉技术需要进行扩展和适应，以利用MSI数据进行更精准的分类和分析。

（2）大面积和高分辨率。遥感影像通常覆盖大面积区域，分辨率高，对数据处理能力和计算能力提出了更高要求。

（3）数据精度不同。遥感数据用浮点数表示光谱反射率、辐射强度等物理量，以确保数据的高精度和大范围，尤其在MSI和超光谱影像中，浮点数能够精确描述细微的光谱特征变化，并减少计算过程中因数据截断或舍入带来的误差，从而提高处理与分析的准确率。遥感影像的数据格式，例如地理标志图像文件格式（Geographic Tagged Image File Format，Geo TIFF）、分层数据格式（Hierarchical Date Format，HDF）等，通常支持将像素值以浮点形式存储。

2．目标和任务不同

遥感影像智能处理的目标往往是实现对地表大规模、细粒度的环境监测，以及资源管理和变化检测，而计算机视觉则在通用领域中应用，如人脸识别、自动驾驶、安防监控等。因此，遥感影像智能处理中的许多任务，如土地利用分类、灾害监测、农作物健康监测等，属于计算机视觉技术在地理空间数据分析中的具体应用。遥感影像智能处理面临的一些特殊挑战也使得它有别于普通的计算机视觉任务，示例如下。

（1）地物类别相似度高。不同地物在遥感影像中可能具有相似的光谱特征，使得区分农田和草地、不同种类的建筑物变得困难。

（2）标注数据稀缺。遥感数据的标注相对较难，尤其是进行大范围的精细标注需要大量人力。因此，在遥感影像智能处理中，半监督学习和无监督学习被广泛应用，这两种方法在遥感语义分割、遥感影像修复及遥感影像跨域处理方面比监督学习更加常见。

3．域适应和迁移学习的应用

由于遥感影像来源的多样性（不同的卫星、传感器、季节等），数据分布存在显著差异，这使得数据融合、域适应及域泛化在遥感影像处理中的应用显得尤为重要。虽然影像配准（对齐不同时间或不同传感器获取的影像）、影像融合（将多波段数据组合以增加信息量）、噪声去除等计算机视觉技术可以直接用于遥感数据的预处理和分析。但在遥感领域应用时，需要根据遥感影像的特征进行调整。

遥感影像智能处理是计算机视觉技术在遥感领域的一个具体应用，通过结合计算机视觉的核心算法和方法，实现对遥感数据的自动分析与解译。计算机视觉为遥感影像智能处理提供了强大的技术支持，而遥感影像独特的数据特性和应用需求则推动了计算机视觉技术的进一步发展与优化。两者相辅相成，共同推动了地球观测、环境监测和资源管理等领域的智能化进程。