基于飞行模拟机视景的卫星遥感数据图像处理关键技术探讨

刘岩，樊晓桠

（1.西北工业大学，陕西西安 710072；2.珠海翔翼航空技术有限公司，广州珠海 519015）

基于飞行模拟机视景的卫星遥感数据图像处理关键技术探讨

刘岩1，2，樊晓桠1

（1.西北工业大学，陕西西安 710072；2.珠海翔翼航空技术有限公司，广州珠海 519015）

依据卫星遥感数据的特点，探讨了卫星遥感数据的校正、波段组合、融合处理以及色彩调整等方面在飞行仿真中进行处理的关键技术。并针对拉萨机场的遥感影像，通过使用高分辨率遥感处理软件ERDAS，以QB、SPOT5和ALOS数据，尝试用不同的数学方法和参数设置进行实验，以期寻求其中规律性的参数，最终生成满足系统要求的整个机场飞行程序覆盖区域的卫星影像。

计算机软件；数据融合；误差分析；误差；特征提取；几何形状；图像融合；图像匹配；像素；主成分分析；遥感；卫星地形；色彩调整；模拟飞行；地理特征提取；卫星图像校正

卫星遥感影像已广泛用于飞行仿真、遥感图像处理系统的处理过程主要包括数据格式转换、几何校正、图像增强、图像配准等步骤。图像预处理阶段的精度对最终融合图像的质量有直接的影响。数据格式转换使来自不同传感器的图像数据，在融合处理前必须经过数据格式转换纳入统一的数据空间和格式。图像增强主要包括图像色彩增强、图像边缘增强、图像滤波等过程，以保证图像在保持原光谱信息和空间信息的基础上，色彩明亮，边缘清晰、纹理清楚。此外，处理过程还包括几何校正、图像配准等过程。

1　拉萨机场QB影像校正

QB（quick bird）卫星影像是本文主用的高分辨率（0.61 m）卫星影像，使用Erdas Imagine软件进行QB卫星影像数据正射校正，是处理之前需要进行的预处理。Erdas中几乎所有操作都可以用批处理命令完成。其基本步骤是：先将分块的多个tif格式影像镶嵌为单个img格式影像；镶嵌后的QB影像为16bit，数据量大，不利于后续步骤的处理，需要先转换为8bit；最后将4个波段的多光谱影像合并为3波段RGB影像［1］。为便于Photoshop等调色软件做后期调色处理。可使用如图1所示的模型，进行波段组合：R=band3，G=band2∗0.8+band4∗0.2，B =band1。

图1　合成波段RGB影像模型

其中，波段组合脚本为：

图2显示了处理前和处理后的效果比较，从图上可以看出，处理后的图更接近真实色彩。

图2　拉萨机场区域预处理效果比较图

针对拉萨机场的卫星影像，本文对ERDAS中通常使用的几种影像纠正方法进行了比较测试，以期找出适合此类影像纠正的最优方法。

多项式模型纠正，利用影像+GCP（ground control points），建立两图像像元点之间的对应关系。这里主要使用二元二次多项式模型纠正。用函数的形式描述为：将（u，v）映射到（x，y），需求出12个系数，至少应找到6个已知的对应点（控制点）。如欲提高精度，还必须大大增加控制点的数目，故宜用最小二乘法进行曲面拟合求系数。

多项式法最简单，若用来纠正控制点处的平面变形，可不考虑地面高差，故适用于小范围平坦地区；本质上2D多项式模型并不能反映各种误差来源，也不考虑地形高差引起的畸变，只限于小范围、高差较小的地区，变形较小的，例如星下点获取的，或经过几何校正的数据；2D多项式模型不适于遥感影像，特别是高分辨率遥感影像的精校正。3D多项式模型只有在无法获取成像系统的相关参数，或没有可用的参数模型的条件下使用。3D非参数模型不需要成像系统的先验知识，没有明确的物理意义，通常只依赖不同的XYZ数学模型。对中低分辨率卫星影像纠正而言，若精度足够，在平原地区和正射纠正是等效的，误差在全图范围均匀分布，对于处理地处平原区域的机场影像能够达到较满意的效果。

在软件的应用中，选择模型为“Polynomial”设置多项式系数为1或2，尽量少用3次多项式，会导致图像畸变较大。对于平原地区次数为1足够。找控制点技巧和经验可总结如下：先设置为1次多项式，在图像4个角布点，之后的点就可以让Erdas自动计算，然后手工微调。找到7个点后可以设置为2次多项式自动计算点。为减少平面中的误差，对于2次多项式通常要求找30～40点。更多的点不会明显改善纠正的精度；对于山区，无论设置多少点可能纠正精度都不够，这时候需要用正射纠正来处理。

三角网纠正是利用分布在全图的大量控制点建立三角网，三角形内部按线性强行纠正。其优点是：在控制点上的精度是完全精确的，点越多精度越高，和地形无关；其缺点是：可能会损害图像实际精度，在缺失控制点的地区精度差，误差分布和点的密度有关。通常宜于将此种方法用于图像配准、局部微调，而不建议用做整景图像的纠正。

在软件应用当中，纠正模型选择“Rubber Sheeting”，模型参数宜选择“Linear”，而建议不要选择Nolinear，因为在某些情况下会导致图像扭曲；之后找控制点过程和多项式纠正类似；在所有点找完后，需要在图像的4个角补上控制点，可以使用Erdas自动预测的点。否则输出的纠正图像范围不包括图像的角；三角网纠正主要用于图像局部微调，在不需要纠正的部分仍应添加若干控制点，以防止这些地方因为缺少三角网而导致图像变形。QB正射纠正使用LPS，模型设置为RPC。这是一个在像素和地面位置间建立对应关系的简单数学模型，理论上可以达到和严格卫星传感器模型相当的定位精度。其优点在于，多项式包含高程信息，可以提高校正精度。其有理函数多项式的系数，软件在基本等级和预正射等级影像产品中直接提供RPC文件，也可以由用户自己点选控制点求得，这样精度会更高，但是需要更多的控制点。此校正模式精度高于几何多项式校正，可以适用于较大影像范围及高程起伏区域［2-3］。

RPC模型实际上为有理函数纠正模型，是将地面点大地坐标（latitude，longtitude，height）与其对应的像点坐标d（line，sample）用比值多项式关联起来。为了增强参数求解的稳定性，将地面坐标和影像坐标正则化到-1和1之间。可以利用RPC模型进行正射纠正、3D特征提取、DEM生成和区域平差［4-5］。

有理函数模型最初是为没有GCP，只有DEM来对卫星影像进行几何校正的用户设计的，对于GCP无法获取的偏远地区是非常有用的［6］。有理函数模型也有其局限性：处理的影像大小受限，为了达到较高的精度，需要大量的规则分布的GCP；只能校正控制点处的误差，并不能消除控制点之间的误差。

LPS模块是ERDAS公司与Leica公司在原有的IMAGINE OrthoBase基础上进行改进后的产品。LPS将正射过程进行了流水线式的梳理。在具体校正时，投影设置为UTM 50，使用SRTM 90作为DTM。并添加之前预处理过的QB数据img格式即可；在软件中使用“FrameEditor”，设定“RPC Coefficients”为QB数据带的RPB文件。

纠正运行完成以后，结果是不带控制点的系统正射纠正。误差大约30 m以内，基本上能满足飞机巡航飞行时的精度要求。但对于接近机场的区域，则需要更进一步调整，此时则可使用“Point MeasureMent”工具，找到足够的控制点，做精纠正。控制点越多，纠正效果越好，但同时增加了工作量和难度。控制点添加完毕，可以使用trangulation计算中误差。通常要求平均中误差达到2个像元左右，对于拉萨机场周围多山地区，可以适当放宽到4～5个像元。表1展示了利用以上几种纠正方式在不同区域所得的结果：

表1　几种影像纠正方式结果比较

结论：针对拉萨地区高原多山，有河谷和冲击平原的复杂地形，使用正射纠正能得到比较满意的结果，但用此方法工作量较大，主要工作量是控制点的选取。

2　拉萨机场SPOT5卫星影像处理

SPOT-5是欧洲空间局研制的高分辨率卫星遥感系统，与大多数高分辨率遥感影像一样，SPOT-5的线阵CCD传感器采用推扫式成像，每条扫描线与被摄物体之间具有严格的中心投影关系，并且都对应一组外方位元素。全色波段分辨率2.5 m，多光谱分辨率为10 m，本文使用Erdas Imagine进行SPOT5的卫星影像处理［7］。

ERDAS其中LPS有针对SPOT-5卫星数据开发的SPOT-5物理模型。模型模块将自动读取DIM信息。SPOT-5物理模型可读取卫星在获取遥感数据的瞬间状态参数。卫星状态参数包括：星成像瞬间的经纬度、高度、倾角等。卫星状态参数能够帮助提高几何校正的精度。

采集控制点：以校正好的DEM地形图为基准，在影像图上找出和DEM地形图上地物相匹配的明显地物作为地面控制点。在进行正射校正时，应先进行全色波段数据校正，然后以校正好的全色波段数据为基准进行多光谱数据校正。地面控制点应分布均匀，影像的边缘要有控制点分布，同时在不同的高程范围最好都有控制点，若有数景数据进行拼接，还需在相邻数据重叠区手动选择若干同名点，重叠率若高达30%可以自动生成若干同名点。误差分析：ERDAS有自动解求模型，可以计算中误差、残差及控制点X、Y坐标值误差，也可以根据所生成的误差报表进行检查与修改。根据实际情况确定残差限差，以保证纠正后影像的精度为基准。

卫星影像正射纠正重采样：重采样过程就是根据未校正图像像元值计算生成1幅校正图像的过程。ERDAS重采样常用3种方法：最邻近像元采样法、双线性插值法、双三次卷积重采样法，表2列举了几种方法的比较。

使用LPS进行卫星影像严格成像模型的正射纠正。纠正模型为“Orbital Pushroom”，轨道推扫式模型。导入控制点文件后，进行空三解算。此时设置地面控制点精度。因为采用的是10 m分辨率的影像作为参考图，所以XYZ的精度均设定为10 m，设定为3倍单位误差即为粗差进行剔除。完成三角解算后，控制点残差应该在5 m以内，即半个像元以内，可以认为合格。

表2　3种重采样方法结果比较

对于spot-5这类中低分辨率的影像，可以使用三角网纠正的方法对影像进行配准。三角网纠正要求输入较多的控制点，为此需要一个自动找控制点的工具：AutoSync。要注意的是设定找点的参数。对于“Starting Column”和“Starting Line”都设定为0，“Column Increment”和“Line Increment”都设置为512，每隔512个像元找一个控制点。此参数如设定太大配准效果不明显，而设定较小则计算时间长且配准效果并不一定理想，512是个经验值，对于不同卫星影像需要反复测试，找出效果比较好的经验值。

3　拉萨机场ALOS影像融合

ALOS影像具有分辨率高（其中全色波段星下点空间分辨率为2.5 m）、单程通过即可测得地面“立体像对”、数据费用较低等特点。遥感影像数据融合是为了消除冗余，互补优势，提高遥感影像数据的空间分辨率和光谱分辨率，增强遥感影像判读的准确性，提高数据的使用效率［8］。它的实质是在统一地理坐标系中将对同一目标检测的多幅遥感图像数据采用一定的算法，生成一幅新的、更能有效表示该目标信息的图像。

主成分分析（principal component analysis，PCA）也称K-L变换，是一种统计学方法，将1组相关变量转化为1组原始变量的不相关线性组合的正交变换，其目的是把多波段的图像信息，压缩或综合在1幅图像上，并且各波段的信息所作的贡献能最大限度地表现在新图像中。对图像施加了PCA变换后，该组图像中的信息按照相关性大小得以重排，而变换结果的第一成分反映了该组图像相关性最高的信息，也称为该组图像的主成分，PCA变换因此得名。PCA变换实际上是统计特征基础上的多维正交线性变换，被广泛应用于图像压缩、随机噪声去除以及图像旋转等领域。图像PCA变换的结果在舍弃相关性较差的次要成分后进行反变换所恢复出的图像是原图像在统计意义上的最佳逼近［9-10］。

PCA融合算法的优点在于，它适用于多光谱图像的所有波段，既保持了多光谱的影像特征，也具备了高分辨率的影像特点［11］。但其不足之处在于，由于在PCA融合算法中只是用高分辨率图像来简单替换低分辨率图像的第一主成分，故会有低分辨率图像第一主成分分量中一些反映光谱特性的信息损失，因而使得融合结果图像的光谱畸变严重，且运算量大，耗费更多的时间和资源。总体来讲，空间纹理信息保持较好，但色彩信息弱是最大的问题。原因是被替换掉的第一主成分包含最大的信息。

Brovey图像融合也称为色彩标准化变换融合，其算法是将多光谱图像的像方空间（multispectral image space）分解为色彩和亮度成分并进行计算。其特点简化了图像转换过程的系数以最大限度地保留多光谱数据信息［12］；Brovey变换使用中用来对来自不同传感器的数据进行融合的较为简单的融合方法，该方法通过归一化后的多光谱波段与高分辨率全色影像乘积来增强影像的信息。其融合后的红、绿、蓝三波段结果图像如下：

其中bandi/（bandR+bandG+bandB）体现了影像的光谱信息，Pan体现了影像的空间信息。Brovey算法是一种简单的算法，同IHS法类似也是使用3个波段的数据，它对图像的预处理要求较高，而且融合结果也有明显的光谱畸变，颜色与原始多光谱波段相比有较大扭曲。针对拉萨机场，卫星影像采用的数据为ALOS 2.5 m全色影像和10 m多光谱影像，如图3所示。

图3　拉萨机场ALOS全色影像和多光谱影像

首先将ALOS多光谱影像与全色影像进行配准，选取容易定位的地物点（如道路的交叉点）作为控制点（GCP），控制点均匀分布，误差控制在0.5个像元内，然后将多光谱图像重采样为2.5 m与全色图像进行配准。分别采用PCA、Brovey变换融合算法对拉萨机场ALOS高分辨率全色影像和多光谱影像进行融合实验，并通过目视评价，Brovey变换法取得了较好融合效果，在保持原多光谱影像光谱信息的同时，大大提高了影像的空间分辨率，改善了图像的目视效果，清晰度和纹理细节表现力得到了较大提高。而PCA也在不同程度上提高了影像的信息量和目视质量，但相比于Brovey变换法稍逊色。

4　影像的镶嵌与匀色

卫星影像经过初步的几何校正以后，因为整个RNP区域是由多幅影像组合而成，需要在多幅相错的影像之间进行镶嵌和匀色处理，处理方法可以在Erdas中，或者是利用Photoshop（PS）进行处理。

使用Erdas设置镶嵌线时，注意的问题是：首先要设置背景透明，使用相应的工具对2幅影像进行镶嵌线的绘制，镶嵌线的范围通常为包含2幅图交联的区域，范围不宜过大；使用Data Prep工具，选择拼接图像，加入1幅或多幅图像，并加入镶嵌线。当设置输出数据类型时，定义为无符号8位（unsigned 8 bit），因为大多数图像软件都支持此格式，如果定义成11位数据，一些通用的图像处理软件，如PS读取时颜色将不正常，为后续的处理带来不必要的麻烦，最后设置输出图像大小（最好与原图像一致）。

使用PS对高分辨率图像进行镶嵌操作，首先要确定PS包含编辑IMG文件格式插件。使用工具“滤镜-＞REEBOTOO”，在新的图层中调入需要镶嵌的影像，在原来图像上以图层的形式叠加了纠正后的图像，并且按地理坐标摆放。使用套索工具以地物边缘勾画选区，在参数设置栏输入羽化半径为15个像元，此数据为经验值，在长期多次利用PS处理图像的镶嵌工作中，实验得出此数据能得到比较理想的结果，如果数值太小则边界过于明显，太大则局部损失清晰度。

图4　拉萨机场影像均色直方图

图4为拉萨机场影像均色调节过程中的3个阶段的颜色直方图，从左到右，初始影像明显偏暗且有色偏，经过一系列的包括GAMMA曲线，色彩平衡，饱和度的调节和设置，达到满意的效果。对于遥感影像来说，比较好的影像效果，其直方图一般呈正态分布，直方图的峰顶在中间值附近，直方图的底部尽量在最大和最小色阶附近，这样的影像色调、饱和度比较适中，看起来比较舒服，否则应该调整色阶。我们使用的绝大部分彩色遥感影像是RGB模式和多通道的模式，每个通道对应了遥感数据的每一个光谱。对影像各光谱的色阶分别调整，可以达到改变颜色的目的，比如：调整红波段可以使图像上增加红色或者增加青色。通过色阶调整可以将有些反差太小、比较沉闷的影像调到比较逼真、比较生动、反差较大的效果。

如果得到的影像质量太差，或者数据大于8位灰阶，可以先进行自动色阶处理，软件根据影像的直方图，将图像自动调整到较好的状态。比如IKONOS数据是11位灰阶，影像初始呈现黑色，原因是PS只显示256色的直方图，而IKONOS图像主要信息集中在11位的低阶部分，因此在显示器上很难看清，通过自动色阶的处理才能看清影像具体内容。

色彩平衡是图像处理软件最简单常用的色彩调整方法，但是一般只用来改变图像的色度，即图像的颜色改变，对于亮度、反差、饱和度的调整是有限的。色彩平衡的方法比较简单，可以调整影像暗调、中间调和高光的各种颜色。所以只想调整图像色彩，而对于明暗度等其他要素不加改变的遥感影像可以使用这种方法，例如河流在有些遥感影像中，合成后的彩色遥感图像城区和水系颜色偏色太大，城区显示为红色，而水面通常显示成品红色，在PS中选取这些地物，使用＂色彩平衡＂进行调整减少城区的红色，将水面调整为天蓝色，更加接近于真实情况。

通常在遥感影像的处理中使用这种方法来调整影像的绿色植被和城区偏色现象。例如通过TM或者SPOT合成的彩色图像，城区通常显示紫色，用“可选颜色”方法选取洋红，并较少数值，还可以影像情况加减黄色、青色或黑色，使得它更接近于真实的效果。还有一些影像上植被颜色不鲜艳，颜色偏红偏蓝，也可以使用＂可选颜色＂方法选取绿色同时减少洋红、增加黄色，使得影像的绿色植被更加鲜明、真实。

5　影像的地理特征提取

传统的遥感变化监测和信息提取主要是基于中低分辨率的遥感卫星数据或航片，通过目视判读或基于像素的计算机分类方法，信息提取的精度和效率不能兼顾［13］。如今高分辨率影像空间信息更加丰富，地物目标细节信息表达的更加清楚。从分类技术角度来看，由于受空间分辨率的制约，传统的遥感影像信息提取只能依靠影像的光谱信息，且是在像素层次上的分类；而高分辨率影像虽然结构、纹理等信息非常突出，但光谱信息不足。所以仅仅依靠像素的光谱信息进行分类，着眼于局部像素而忽略邻近整片图斑的纹理、结构等信息，必然会造成分类精度的降低。基于面向对象影像分割的分类算法的特点就是分类的最小单元是由影像分割得到的同质影像对象（图斑），而不再是单个像素。面向对象的知识决策分类方法以对象作为分类的基本单元，对象的生成可以由已有的专题图获取，也可以采用遥感影像分割的方法生成。

图5　拉萨机场地面建筑物提取

如图5所示，在分类过程中，对对象进行分析，提取纹理、光谱、形状信息，再将这些信息作为知识加入到分类器中，使分类结果更接近于目视判读的效果。

6　结 语

本文对卫星影像处理的有关技术进行了深入的研究，内容涉及了影像的校正、镶嵌、匀色、融合等方面，基于机场视景仿真使用的QB数据、SPOT5数据和ALOS数据，并结合高分辨率遥感处理软件ERDAS的应用，讨论了几种常见方法在高原地形生成中影像匹配的优劣，最终生成了整个机场飞行程序覆盖区域的影像，为进行实际飞行训练的视景仿真提供了优质的数据源。

［1］ Vrabel J.Multispectral Imagery Advanced Band Sharpening Study［J］.Photogrammetric Engineering&Remote Sensing，2000，66 （1）：73-79

［2］ 臧熹，杨博，齐建伟，等.一种改进的遥感影像地形校正方法［J］.测绘通报，2015（1）：75-80

Zang Xi，Yang Bo，Qi Jianwei，et al.An Improved Topographic Correction Method of Remote-Sensing Images［J］.Bulletin of Surveying and Mapping，2015（1）：75-80（in Chinese）

［3］ 高永年，张万昌.遥感影像地形校正研究进展极其比较实验［J］.地理研究，2008，27（2）：467-475

Gao Yongnian，Zhang Wanchang.Comparison Test and Research Progress of Topographic Correction on Remotely Sensed Data ［J］.Geographical Research，2008，27（2）：467-475（in Chinese）

［4］ 何纯芳.提高数字正射影像图质量的实用方法［J］.地理空间信息，2014，12（4）：85-86

He Chunfang.Practical Method to Improve the Quality of Digital Ortho Image Map［J］.Gegspatial Information，2014，12（4）：85-86（in Chinese）

［5］ 杨宝林，吕婷婷，王少军，等.Pleiades卫星图像正射纠正方法［J］.国土资源遥感，2015（3）：25-29

Yang Baolin，Lü Tingting，Wang Shaojun，et al.Ortho-Rectification Method for Pleiades Satellite Images［J］.Remote Sensing for Land and Resources，2015（3）：25-29（in Chinese）

［6］ 段赛仙，施昆，卢作英.基于SRTM3的山区与凹柑影像地形校正研究［J］.科学技术与工程，2012，12（31）：8147-8153

Duan Saixian，Shi Kun，Lu Zuoying.Research on Topographic Correction of Remotely Sensed Image in Rugged Terrain Areas Based on SRTM3［J］.Science Technology and Engineering，2012，12（31）：8147-8153（in Chinese）

［7］ 白洪伟.SPOT5卫星影像在1∶1万地形图修测中的应用［J］.河北北方学院学报：自然科学版，2015（4）：41-44

Bai Hongwei.Application of SPOT5 Satellite Images in 1∶10 000 Topographic Maps Repair Test［J］.Journal of Hebei North U-niversity：Natural Science Edition，2015（4）：41-44（in Chinese）

［8］ 朱靖，栾学晨.面向导航电子地图制作的多源地理空间数据融合技术［J］.地理空间信息，2014，12（4）：147-149

Zhu Jin，Luan Xuechen.Multi Source Geo Spatial Data Fusion Technology for Navigation Electronic Map Production［J］.Geospatial Information，2014，12（4）：147-149（in Chinese）

［9］ 胥兵，方臣.ZY-1 02C星图像与ETM+图像融合方法及效果评价［J］.国土资源遥感，2014，26（3）：80-85

Xu Bin，Fang Chen.Data Fusion Methods of ZY-1 02C and ETM+Images and Effect Evaluation［J］.Remote Sensing for Land and Resources，2014，26（3）：80-85（in Chinese）

［10］陈丹.基于PCA变换与小波变换的多源图像融合算法［J］.重庆科技学院学报：自然科学版，2010，12（2）：156-158

Chen Dan.Multi-Source Image Fusion Algorithm Based on PCA and Wavelet Transform［J］.Journal of Chongqing University of Science and Technology：Natural Science Edition，2010，12（2）：156-158（in Chinese）

［11］Tarolli P.High-Resolution Topography for Understanding Earth Surface Processes：Opportunities and Challenges［J］.Geomorphology，2014，216：295-312

［12］陈欢，何云天，杨党利，等.三种像素级数据融合算法分析与性能比较［J］.光电技术应用，2014，35（4）：722-728

Chen Huan，He Yuntian，Yang Dangli，et al.Comparisons and Performance Analysis on Three Pixel-Level Data Fusion Algorithms［J］.Semiconductor Optoelectronics，2014，35（4）：722-728（in Chinese）

［13］Bulatov D，Haufel G，Meidow J.Context-Based Automatic Reconstruction and Texturing of 3D Urban Terrain for Quick-Response tasks［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2014，93：157-170

Key Technologies of Satellite Remote Sensing Data Image Processing Based Flight Simulator Visual

Liu Yan1，2，Fan Xiaoya1

1.Northwestern Polytechnical University，Xi′an 710072，China
2.Zhuhai Xiangyi Aviation Technology Company Limited，Zhuhai 519015，China

In this paper，the spectral characteristics of based on Satellite remote sensing data，remote sensing data to explore Worldview Ortho-rectification，band combination，integration and other aspects of processing and color adjustments in flight simulation processing key technologies.Base on Lhasa airport Satellite images，By using with high-resolution processing software ERDAS remote sensing applications，QB and SPOT5 and ALOS data used in the experiment to try different mathematical methods and parameters，where the parameters are summarized regularity，the resulting imagery meets the system requirements of the whole airport flight procedures coverage area.

computer software，data fusion，error analysis，errors，feature extraction，geometry，image fusion，image matching，least square approximations，pixels，principal component analysis，remote sensing，satellite topography，color adjustment，flight simulation，geographic feature extraction，satellite image correction

TP751

A

1000-2758（2015）06-1027-08

2015-04-12

刘岩（1971—），西北工业大学硕士研究生，主要从事图形图像处理三维仿真与飞行模拟机视景研究。