卫星遥感图像在获取后通常需要经过一系列处理才能投入使用，主要原因在于原始数据（Raw Data）包含各种干扰因素且信息表达不直观。以下是需要处理的核心原因及关键处理技术：
一、为什么不用原图？
-
传感器本身的物理限制
-
辐射失真：传感器受大气散射、吸收影响（如水汽、气溶胶），导致辐射值偏离真实地物反射率。
-
几何畸变：卫星姿态变化（滚动、俯仰、偏航）、地球曲率、地形起伏等会导致图像扭曲。
-
噪声干扰：电子噪声（如CCD热噪声）、云层遮挡、条带缺失（如Landsat的SLC-off故障）等问题普遍存在。
-
-
数据格式与信息编码
-
原始数据多为二进制格式（如HDF5、GeoTIFF的原始DN值），需转换为可读的辐射亮度或反射率。
-
多光谱/高光谱数据需波段分离（如Sentinel-2的12个波段需配准融合）。
-
-
应用需求差异
-
直接使用原图会导致分类误差（如植被指数NDVI需特定波段计算）、目标识别困难（如军事侦察需增强细节）。
-
二、必须掌握的核心处理技术
1. 辐射校正（Radiometric Correction）
-
辐射定标：将原始数字值（DN）转换为辐射亮度或反射率（如Landsat的DN→TOA反射率公式）。
-
大气校正：消除大气影响（常用模型：6S、FLAASH、Dark Object Subtraction），获取地表真实反射率。
2. 几何校正（Geometric Correction）
-
系统级校正：基于卫星轨道和姿态参数消除系统性畸变（如Sentinel-1的精密轨道数据）。
-
地面控制点（GCP）校正：结合GPS实测点或参考影像进行多项式拟合或正射校正（DEM辅助）。
-
影像配准（Registration）：多时相/多源数据对齐（误差<1个像元）。
3. 图像增强（Image Enhancement）
-
对比度拉伸：直方图均衡化、分段线性拉伸突出细节。
-
滤波去噪：中值滤波（去除椒盐噪声）、傅里叶变换（周期噪声消除）。
-
融合（Pan-sharpening）：全色波段与多光谱融合（如Gram-Schmidt、Brovey方法）。
4. 多光谱/高光谱处理
-
波段运算：生成植被指数（NDVI、EVI）、水体指数（NDWI）等。
-
主成分分析（PCA）：降低维度，提取特征波段。
-
光谱解混：解决混合像元问题（线性/非线性模型）。
5. 分类与信息提取
-
监督分类：最大似然法、随机森林、深度学习（U-Net等）。
-
非监督分类：K-means、ISODATA。
-
目标检测：面向对象分析（OBIA）、YOLO等算法。
6. 其他高级处理
-
时序分析：时间序列滤波（Savitzky-Golay）、变化检测（CVA、深度学习）。
-
SAR影像处理：辐射定标、多视处理、相干性生成（InSAR）。
三、典型应用场景的预处理流程
-
土地利用分类：
辐射校正 → 几何校正 → 影像融合 → 监督分类 → 精度验证（混淆矩阵）。 -
灾害监测（如洪水）：
多时相配准 → 变化检测 → 阈值分割 → 淹没范围提取。 -
高光谱矿物识别：
大气校正 → MNF降维 → 光谱匹配（SAM、SFF）。
四、技术趋势
-
自动化处理：Google Earth Engine、PCI Geomatica等平台实现一键化流程。
-
AI驱动：深度学习替代传统分类/校正方法（如CycleGAN用于云去除）。
-
实时处理：低轨卫星星座（如Planet Labs）支持近实时数据下发。
未处理的原始遥感图像如同未显影的胶片，只有通过专业处理才能释放其价值。理解这些技术是遥感应用的基石。
