| 序号 | 步骤 | 类型或方法 | 说明 | |
|---|---|---|---|---|
| 一 | 预处理 | 包括降噪处理、薄云处理、阴影处理等 | ||
| 降噪处理 | 周期性和尖锐噪声 | 带通或者槽形滤波消除。消除尖峰噪声用傅立叶变换进行滤波处理比较方便 | ||
| 去除坏线和条带 | 采用傅里叶变换和低通滤波进行消除或减弱 | |||
| 薄云处理 | 修改照度增益、反射率增益、截取频率这三个参数 | |||
| 阴影处理 | 采用比值法进行消除 | |||
| 二 | 几何校正 | 一般获取的遥感影像是1级产品（已做辐射处理）。为使其定位准确，须进行几何精纠正；在地形起伏较大地区，还须做正射纠正；特殊情况下还须进行大气纠正（基于辐射传输方程的大气校正、基于地面场地数据或辅助数据进行辐射校正） | ||
| 影像配准 | 影像对栅格图像的配准 | 遥感影像配准到另一幅影像或栅格地图 | ||
| 影像对矢量图形的配准 | 遥感影像配准到一幅矢量图形 | |||
| 几何粗校正 | 按常规处理方案，结合卫星运行姿态、传感器性能指标、大气状态、太阳高度角对影像几何畸变进行校正 | |||
| 几何精校正 | 影像对影像的纠正 | 利用已有遥感影像对原始影像进行纠正，使其具有准确的地理坐标和投影信息 | ||
| 影像对地图（矢量或栅格）的纠正 | 利用已有扫描或矢量地形图对原始遥感影像进行纠正，使其具有准确的地理坐标和投影信息 | |||
| 影像对已知点（控制点）的纠正 | 利用已知点或地面控制点对原始遥感影像进行纠正，使其具有准确的地理坐标和投影信息 | |||
| 正射纠正 | 利用已有地理参考数据（影像、地形图和控制点）和数字高程模型数据（DEM、GDEM）对原始遥感影像进行纠正，消除或减弱地形起伏带来的变形，使遥感影像具有准确的地面坐标和投影信息 | |||
| 三 | 图像增强 | 为使遥感图像所包含的地物信息可读性更强，感兴趣目标更突出，需要对遥感图像进行增强处理 | ||
| 彩色合成 | 真彩色合成图像（如TM321）与假彩色合成图像（如TM432） | |||
| 直方图变换 | 直方图均衡化 | 将随机分布的直方图修改成均匀分布的直方图，实质是对图像做非线性拉伸，重新分配像元值，使一定灰度范围内的像元数量大致相等 | ||
| 直方图正态化 | 将随机分布的原图像直方图修改成正态（或近似）正态分布直方图 | |||
| 密度分割 | 将灰度图像按像元灰度值分级赋值形成伪彩色图像，达到图像增强的目的 | |||
| 灰度颠倒 | 将图像灰度范围先拉伸至饱和（如0~255），然后再进行颠倒，使正、负像互换 | |||
| 图像间运算 | 两幅或多幅单波段影像，空间配准后进行算术运算（加法、减法、比值和综合运算）实现影像增强 | |||
| 图像融合 | 将多源遥感数据（不同空间分辨率、波普分辨率、时间分辨率）在统一地理坐标系中，采用一定算法生成一组新的信息或合成图像的过程（如全色图像融合进多光谱图像） | |||
| 领域增强 | 即滤波处理，滤波器常取3×3或5×5，可用于去噪声、图像平滑、锐化和相关运算 | |||
| 主成分分析 | 也叫PCA变换，可消除特征向量间的相关性并进行特征选择。主成分分析还可用来进行高光谱图像数据的压缩和信息融合 | |||
| K-T变换 | 即Kauth-Thomas变换，又称为“缨帽变换”。此变换着眼于农作物生长过程而区别于其他植被覆盖，力争抓住地面景物在多光谱空间中的特征 | |||
| 四 | 影像裁剪 | 在日常遥感应用中，我们只对影像中特定范围内的信息感兴趣，这就需要将遥感影像裁减成研究范围的大小 | ||
| 按ROI裁剪 | 按ROI（感兴趣区域）范围裁减影像 | |||
| 按文件裁剪 | 按指定影像文件的范围进行裁剪 | |||
| 按地图裁剪 | 按地图的地理坐范围进行裁剪 | |||
| 五 | 影像镶嵌和匀色 | 影像镶嵌即影像拼接；匀色处理可使影像色彩均衡 | ||
| 影像镶嵌 | 即影像拼接，将两幅或多幅数字影像拼接构成一幅整体图像的过程。先对每幅图像进行几何校正规划到统一坐标系中，再对它们进行裁剪去掉重叠部分，最后将裁剪后的多幅影像拼接成一幅大幅面影像 | |||
| 影像匀色 | 用于镶嵌的影像经常来源于不同传感器、不同时相的遥感数据，导致镶嵌时出现色调不一致的现象，这时需结合实际情况和整体协调性对参与镶嵌的影像进行匀色处理（如直方图均衡化、直方图匹配） | |||
| 六 | 遥感信息提取 | 依据遥感影像的地物特征，识别地物类型、性质、空间位置、形状、大小等属性的过程即为遥感信息提取，目前主要有目视判读法和计算机分类法（基于图像的灰度），且目视判读是最常用的方法 | ||
| 目视判读 | 人工解译提取遥感影像信息 | |||
| 计算机图像分类 | 监督分类 | 根据已知的样本类别和类别先验知识，确定判别函数和判别准则，训练分类器；然后将未知类别的样本带入判别函数依据判别准则对其分类 | ||
| 非监督分类 | 事先未对分类过程施加先验知识，仅凭遥感影像地物的光谱特征分布规律，即自然聚类的特性进行“盲目”分类（不能确定类别属性） | |||
| 其他分类方法 | 如模糊聚类算法、神经元网络方法、面向对象分类技术等 | |||