卫星无人机遥感影像数据处理流程及自动化方案（上）
一文了解遥感数据处理流程与自动化处理方案
卫星与无人机获取数据后，会经历哪些处理流程才能成为标准产品到各行业用户手中？这些流程又分别起到什么作用、对应何种级别的遥感产品？在商业遥感发展快速、行业应用需求不断提升的今天，遥感数据处理技术和系统又在悄然发生怎样的变革？
遥感影像主要处理流程
遥感数据处理的流程是一个系统化的链条，但并非一个一成不变的过程，需要根据具体任务和目标进行灵活调整。依照目标，我们将整个流程分为 数据获取、预处理、图像增强、信息提取、后处理、分析与应用 六大模块，来分别了解遥感影像处理的主要流程及其分别作用，也可以见证遥感数据从原材料，一步步转换为有用的信息和知识，以及不同级别的标准遥感产品（见下表）的过程。
鉴于篇幅问题，本次我们主要聚焦从数据获取到预处理流程，通过这个流程，数据将从原始态，变为初级标准产品，同时为后期的共性产品、目视解译、定量分析等的准确性打下坚实基础。
1. 数据获取
这个部分主要聚焦通过遥感平台（如卫星、飞机、无人机等）采集地物电磁波信息，并对原始数据进行初步整理，主要包括数据采集/获取、数据格式转换和元数据整理。
虽然该部分并不在常规的处理环节介绍中出现，但作为遥感数据处理的最初阶段，保留原始数据、元数据录入、存储入库，可为后期遥感数据的管理、查询、重新处理、调用和复用、数据治理起到重要作用、奠定高效基础，所以在此我们一并叙述。
该部分的主要步骤有：
· 数据获取
通过卫星、飞机、无人机等平台搭载的传感器（光学、雷达、激光雷达等）收集地物的电磁波信息，形成原始遥感影像数据，即为L0级的原始数据产品（分景后的卫星下传遥感数据）。
在数据获取环节，通过虚拟星座方案，构建软件和网络技术，可将多颗卫星的资源集中管理，形成一个类似于传统星座的功能，通过多颗卫星的资源共享和任务协同的高效数据获取体系。具体可参考：航天时代：如何构建“虚拟星座” 高效响应遥感监测需求？
· 数据格式转换
数据获取后，需将原始数据格式（如.tiff, .hdf, .nc 等格式）转换为通用格式（如 GeoTIFF、HDR 等），便于后续处理软件读取。
· 元数据整理
记录数据的采集时间、传感器参数、地理位置等元信息，确定数据的时空分辨率、光谱范围、覆盖范围等参数，为后续数据管理、数据治理提供基础，支持用户通过时间、空间范围、数据类型等条件精准查询、调取数据。
查看卫星遥感数据属性信息（元数据）| 数简
通过数简平台自动提取元数据，完整操作流程可查看下方视频
https://link.zhihu.com/?target=https%3A//www.bilibili.com/video/BV15wezeyEzM/%3Fspm_id_from%3D333.1387.homepage.video_card.click%26vd_source%3D5642e8bc3cb07c0065f67a45cef89580· 存储入库
通过构建数据索引、元数据管理、格式转换与压缩等技术，按照统一的数据标准和组织方式，存入专业数据库或数据管理系统的过程，以实现数据的高效存储、快速检索与安全共享。
存储入库核心作用是将分散的遥感影像及辅助数据（如地理坐标、传感器参数、处理日志）整合为结构化资源库，为后续的遥感数据管理、动态监测、多源数据融合分析等应用提供稳定的数据支撑。
在该部分，数简支持多源海量遥感数据的自动化获取到管理流程。
不仅可通过虚拟星座、集成各类公共数据平台等形式，统筹获取、自动汇聚内外部多源卫星、无人机数据，并自动下载，免除用户搜集寻找各类数据源，且需要定期手动下载更新数据等费时费力的繁琐过程；
同时，平台支持数据自动化入库、发布、存储、管理、浏览、应用一体化，数据入库即可管理、浏览、应用，用户可基于独立的数据工作空间进行数据文件的便捷操作和管理，为后续海量多源遥感数据的高效检索、调用、数据发布与处理效率，奠定自动化、高性能的高效基础。
平台功能覆盖：
多源支持：支持国内外常见卫星、航片、无人机影像数据管理，包括多光谱数据、高光谱数据等；DOM、DEM、倾斜摄影等成果数据；文件格式包括常用图像格式（如 TIFF、HDF、IMG、RAW、BMP、SID 等），支持通用格式的转换处理；
数据智检：入库数据智能质检，元数据自动采集与智能提取、灵活扩展；
高效索引：多源数据入库实时创建高效时空索引，支撑分布式存储与高性能浏览分析应用；
海量存储：支持多种文件系统的分布式存储，如 SAN、NAS、DAS、HDFS 等，支持百PB级影像数据管理发布；海量数据入库动态优化为最佳分布式存储方案，始终保持系统最优性能。
用户仅需导入数据，数简影像基础平台即可自动采集元数据，用户也可进行灵活扩展，入库后数据即可全分辨率在线浏览与管理
2. 预处理
讲完了遥感数据获取的部分，接下来就是影像数据标准化的第一步，也是非常基础而重要的环节——遥感影像预处理。这是一个基础流程，旨在消除影像获取过程中产生的各种误差，使其更接近真实的地表反射或辐射状况，并为后续的解译、分类、定量分析等提供可靠的基础。
这个环节的核心流程主要有辐射校正、几何校正、镶嵌裁剪、噪声去除等，遥感影像通过各类预处理环节，可成为1-3级标准的遥感产品。
· 辐射校正
Landsat 8 图像辐射校正前后影像 | 网络
辐射校正可以消除传感器自身、大气条件、光照角度和地形等因素影响，将像元亮度值（DN 值）转换为光谱辐射亮度或反射系数的值，主要包括传感器校正、大气校正和太阳高度角与地形校正等。
辐射校正的核心目标是获取准确反映地表物理属性的影像，一般用户获取到的遥感影像为1级产品（已做辐射处理）。
辐射校正的原理：消除传感器、大气、光照角度、地形等影响
辐射校正的主要环节有：
· 传感器辐射定标：将传感器记录的数字量化值（DN 值，Digital Number），即上文提到的原始观测值，转换为绝对辐射亮度值（如辐射亮度、辐照度），相当于一个建立DN值与实际辐射量两者物理关系的“校准尺子”，消除传感器光电转换过程的误差。
· 大气校正：消除大气散射、吸收对辐射信号的干扰，将表观辐射值转换为地表真实反射率或辐射亮度。利用辐射传输模型（如6S、MODTRAN）或经验算法，剔除大气路径辐射、校正气体吸收效应，还原地物光谱特征。就像我们在水雾天气中看到的朦胧景象，大气校正就是“揭掉”这层薄雾的利器。
Landsat 8 OLI 使用 ENVi 5.3 进行辐射校正和大气反射后的结果 | Khadija Diani ；l. Kacimi .Hicham ；Elbelrhiti .. Lhoussaine Masmoudi
· 太阳与地形校正：消除太阳高度角（不同季节、不同纬度、一天中不同时间成像）、地形起伏对地表辐射的影响。
· 几何校正
对无人机影像的快速精校正处理 | 数简
遥感处理中的重要环节，校正影像的空间位置误差，使其具有准确的地理坐标，并与地图或其他影像精确配准。消除由传感器姿态变化（滚动、俯仰、偏航）、地球自转、曲率、地形起伏、透视投影等因素引起的几何畸变。几何校正的核心目标是获取具有精确空间位置信息的影像。经过几何校正处理的遥感产品一般为1-4级产品，具体级别取决于校正深度。
· 系统几何校正 也称为几何粗校正， 利用卫星轨道参数（星历数据）、传感器姿态参数（滚动、俯仰、偏航）、已知的成像几何模型、地球模型和大地水准面模型等，对由传感器和平台运动及地球特性引起的可预测畸变进行校正。通常由数据提供商在L1级产品中完成，输出产品具有地图投影和大致的地理坐标框架。
在这个部分，不得不提到RPC校正这个功能。
RPC校正（Rational Polynomial Coefficients，有理函数模型校正）是遥感影像几何校正的重要技术之一，通过卫星自带的RPC参数实现快速地理定位，再结合GCP进一步提升精度。它是当前遥感数据处理（尤其是公开数据）的主流技术，我们在前文的遥感产品分级的1-2级产品中都能看到RPC的“身影”，其因兼顾效率与实用性，被广泛应用于从基础分析到应急响应的各类场景，数简平台支持根据卫星自带的RPC文件对多光谱和全色影像进行实时动态校正。
用户通过遥感公共平台搜索相应位置的影像数据服务，数简支持对搜索呈现的遥感数据服务根据用户需求进行RPC动态校正
· 几何精校正：也称为几何配准 (Image Registration)，进一步消除系统几何校正后残留的误差，使影像与已知地理坐标参考（地图、已校正影像、地面控制点）精确匹配。几何精校正是遥感数据定量化应用的基础，其精度直接影响后续遥感解译、变化检测和空间分析的可靠性。
下面是几何精校正的关键步骤——
地面控制点 (GCPs) 选取：在待校正影像和参考数据（地图或已校正影像）上，精确识别一系列对应的、具有明确地理位置的点。
几何校正模型选择：根据畸变性质和精度要求选择合适的数学模型（如仿射变换、多项式变换、有理函数模型 RPCs 的精化、严格物理模型、三角网TIN变换等）。
模型参数求解： 利用GCPs坐标计算变换模型的参数。
重采样与像素值计算：根据求解出的变换模型，将原始影像像元重新定位到新的、规则的地理网格中。常用方法包括：最近邻法（保留原始值，几何精度稍低）、双线性内插法（平滑效果）、立方卷积法（更平滑，计算量大）。
精度评估：利用检查点 (Check Points) 评估校正后的几何精度（如均方根误差 RMSE）。
数简支持卫星无人机遥感影像的快速、自动化几何精校正。
数简平台对卫星遥感影像几何精校正成果
· 正射校正：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。
· 坐标系&投影系转换 将遥感影像的空间位置信息从一种坐标/投影系统转换为另一种的过程。地理坐标系（如 WGS84）以经纬度表示球面位置，而投影系（如 UTM、高斯 - 克吕格）通过数学变换将球面坐标转为平面坐标，消除形变并便于地图绘制。
在遥感流程中，该转换通常在几何校正后进行，用于统一影像与参考数据的坐标基准，使不同来源的遥感数据（如卫星与无人机影像）能准确叠加分析，也为后续的定量计算（如面积统计、距离测量）和专题制图提供平面坐标基础，确保地物位置的准确性和数据兼容性。
数简支持坐标系&投影系在线动态转换处理，支持不同坐标系的动态投影、用户输入投影七参数；支持超过300种国内外常见的坐标和投影系，包括国家标准CGCS2000系列坐标系和投影系；支持兰伯特等在气象和海洋中使用的特殊投影系。
数简支持卫星无人机遥感影像的动态坐标系&投影系转换
· 影像镶嵌裁剪
通过数简平台自动镶嵌与匀光匀色的高分1B影像服务
用于优化影像的覆盖范围、空间分辨率及信息表达，以满足不同应用需求。影像的镶嵌、融合、匀光匀色、裁剪等操作通常在完成辐射校正和几何校正后进行，影像通过这些环节，可形成L1-5级中不同细分的遥感产品。
该环节主要包括 ——
· 影像镶嵌：将多景相邻的、经过辐射校正和几何校正的影像拼接成一幅覆盖更大区域的连续影像。核心是通过几何配准、辐射均衡和接缝线优化，消除相邻影像间的位置偏差与亮度差异，形成统一地理参考的整体影像。数简平台支持影像发布同时，与底图进行精准自动镶嵌。
数简支持影像发布同时与底图自动镶嵌
· 影像融合: （主要针对多光谱和全色波段数据）将高空间分辨率的全色影像与低空间分辨率的多光谱影像融合，生成同时具有高空间分辨率和高光谱分辨率的新影像，这通常在预处理后期或后处理阶段进行，用于增强目视解译效果，数简支持多源影像的高效精准融合。
GF1B通过数简平台融合后效果
· 匀光匀色：来自不同传感器、不同时相的多源遥感影像拼接形成一幅整体影像后会存在色调不一致的现象，这时需要进行均色处理以保持色调一致、色彩均衡。数简支持自动化镶嵌与匀光匀色处理后直接输出成果影像。
数简在自有基准影像基础上自动化处理直接获取的高分1B影像服务（包括自动镶嵌与匀光匀色），几何位置准确
· 影像裁剪：在遥感应用中，用户可能对影像中特定范围内的信息感兴趣，需要将影像裁剪成研究范围的大小，包括按ROI裁剪、按文件裁剪和按地图裁剪等，数简平台支持便捷化的自定义影像裁剪下载。
数简支持便捷化的自定义影像裁剪下载
· 噪声去除
噪声消除前后对比 | 竹山数据
遥感数据预处理中通过算法或硬件手段消除影像中随机或系统性干扰信号的过程。通过滤波、小波变换或深度学习模型，在保留地物真实信息的前提下，抑制或消除噪声对影像质量的影响，使后续的地物识别、光谱分析等处理结果更可靠，就像给模糊的照片 “擦除噪点” 以还原清晰画面。
无人机影像预处理
现在我们详细了解了卫星遥感影像的预处理步骤，那么，无人机影像要成为标准产品，与卫星影像处理有何异同呢？我们就以无人机影像在应用到农业分析之前的预处理流程为实例，做一个简单的介绍。
辐射定标：将无人机影像的数字值转换为物理量，消除传感器自身特性差异、大气条件变化等因素对影像辐射度量的影响，使不同时间获取的影像具有可比性。
几何校正：纠正无人机影像因传感器畸变、无人机姿态变化、地形起伏等因素产生的几何畸变，使影像的几何位置与实际地理坐标一致，便于与其他地理空间数据进行融合和分析。
基于无人机影像提取连接点，导入像片控制点进行空中三角测量，获取每一张影像的准确参数及加密点坐标，然后利用数字高程模型数据，采用正射纠正方法对影像进行倾斜改正和投影差改正，将影像重采样成正射影像。
数简同样支持无人机影像快速在线几何精校正，实现了无人机影像精校正周期从传统的1-2周缩短至10分钟级，且校正后可与卫星影像无缝叠加。
影像拼接与镶嵌：将多张具有一定重叠区域的无人机影像进行拼接与镶嵌，生成一幅完整的、大范围的正射影像图，以便更全面地分析农业区域的状况。通过特征点匹配算法将多张影像对齐，生成密集点云，再将点云投影到二维平面，生成正射影像。
数简支持对无人机数据的近实时动态精校正，并精准与底图镶嵌
从上面的流程可以看出，无人机影像与卫星遥感影像的预处理步骤在核心目标（如几何精度、辐射一致性）上具有共性，但由于无人机影像的高精度性，可达厘米级至分米级（如100米航高时RGB分辨率约2-3厘米），对几何校正、拼接镶嵌的精准度要求更为严苛、工作量更大；且无人机执飞灵活、频率高，带来的海量数据（如1000张影像可达数十GB），对性能、管理要求高。
初级遥感标准产品自动化处理方案
至此，我们已经介绍了卫星无人机遥感数据从获取到预处理的主要流程，这些处理环节的先后顺序其实也包括一定的基础逻辑与要点，包括：
- 辐射校正的核心目标是获取准确反映地表物理属性（主要是反射率）的影像；几何校正的核心目标是获取具有精确空间位置信息的影像。其中，几何精校正（配准） 是最关键、最常用，也往往是最复杂的步骤。
- 预处理流程并非绝对固定：取决于影像质量、具体应用需求、可用辅助数据（如DEM、气象数据、GCPs）和后续分析方法。
- 多源数据先配准后融合：配准是融合的前提，确保不同影像的像素严格对齐；
- 镶嵌与裁剪作为最后环节：在完成辐射校正和配准后，根据需求拼接或裁剪影像。
我们可以将预处理环节形成一个总结流程图 ：
综合以上卫星无人机遥感影像从获取到预处理的流程，我们可以看到，即使是获取初级标准数据服务，其处理流程也是专业、系统和具有精细标准的，并且将对后期分析、信息提取起到重要且先决性的作用。
与此同时，商业航天大发展带来卫星星座日益庞大，数据获取频率以小时甚至分钟计，数据量级呈几何级数增长；用户的需求也发生了质的飞跃：不再满足于粗线条的宏观概览，而是要求更高精度、更精细化、更及时甚至近实时的信息产品。
面对如此高频次、大体量的数据输入，以及用户对数据质量、时效性和精细化程度提出的空前高要求，传统依赖大量人工干预、流程冗长的手工处理方法已显得力不从心，为遥感数据服务商、行业开发商、终端用户带来挑战。
是否能打造一座智能化的“数据工厂”，能够自动完成能够自动完成从数据接收、辐射定标、几何校正、大气校正、影像融合、信息提取到最终产品生成等一系列复杂流程，提升效率的同时，保障数据产品精准度？
数简采用“简算数擎”关键技术体系，实现遥感原始数据的免切片即时发布（兼容切片发布），这意味着数据无需经过繁琐的切片预处理，可直接进行发布、管理、处理和应用，极大提升了数据服务的效率，数据服务周期从数日缩减为秒级；
在此基础上，数简时空数字基础平台构建多源海量遥感数据自动化处理方案，采用AI 驱动的智能处理、云计算与分布式处理、全流程自动化工作流相结合，实现了遥感数据初级标准产品的全自动实时处理与生产：从Level1A数据的解压缩、几何校正到匀光匀色，全自动处理为高质量的DOM数据产品（正射校正影像产品）（Level 3B 级）；
数简将以上复杂繁琐的预处理流程通过核心技术与系统优化，构建自动化处理闭环，实现Level1A数据（用户获得产品级别）通过“无人化”处理直接输出正射校正影像产品DOM（Level 3B 级），大幅节省人物力与产品加工生产周期；同时，该部分可与上文的数据获取渠道无缝接合，形成数据从获取到初级数据产品的一体化、自动化的实时全流程。
GF1B通过数简平台无人值守自动化预处理效果
数简同样针对无人机遥感数据拥有自动化高效处理方案，支持无人机单片快速校正（基于无人机数据拍摄信息），无人机数据自动拼接，无人机数据几何精校正（有基准影像），分幅。
本阶段自动化方案覆盖遥感数据处理功能
数据解压缩与预处理：直接读取卫星 L1A 级原始数据（如 HDF、TIFF 格式），自动完成数据解压、格式转换和元数据提取；
数据融合：基于自研算法与智能工作流，将高空间分辨率的全色影像与低空间分辨率的多光谱影像自动融合，生成同时具有高空间分辨率和高光谱分辨率的新影像；
几何校正（含正射校正）：基于卫星自带的 RPC 文件，结合AI算法自动识别同名特征点，动态消除地形起伏、传感器姿态等引起的几何畸变，自动配准；
自动镶嵌与匀光匀色：基于色彩基准影像，通过深度学习模型自动分析影像亮度、色调差异，消除多源 / 多时相影像的光照不均和色彩偏差，确保数据在辐射量和色彩空间上的一致性；
成果发布与应用：生成符合行业标准的DOM产品（如 GeoTIFF 格式），支持在线发布为 WMTS/WMS 服务、OGC标准服务，无缝对接 GIS 系统、三维建模工具等下游应用
详情可查看视频 ——
方案特点
- 处理效率：GB级数据校正发布分钟级，PB级数据小时级发布，相比传统方法效率提升显著。
- 精度：亚像素级配准，结合AI提升复杂场景的校正精度。
- 兼容性：支持多传感器数据，包括卫星和无人机影像，兼容百余种卫星RPC文件。
- 自动化：全流程自动化减少人工干预，降低成本。
- 实时处理：支持实时在线浏览和分析，满足应急响应需求。
同时，对于高级智能分析与解译类信息产品，数简支持定制自动化实时处理：通过任务调度与算法加载，可随时对处理流程重构和预定义，无人值守状态下输出高级解译结果。该部分我们将在下期详细介绍，欢迎关注，了解更多遥感技术干货。
魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。
更多推荐
17
0- 0
已为社区贡献2条内容
所有评论(0)