数据处理

数据处理是什么意思~

数据处理是对数据（包括数值的和非数值的）进行分析和加工的技术过程。包括对各种原始数据的分析、整理、计算、编辑等的加工和处理。数据处理的基本目的是从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的人们来说是有价值、有意义的数据。
数据处理是系统工程和自动控制的基本环节。数据处理贯穿于社会生产和社会生活的各个领域。数据处理技术的发展及其应用的广度和深度，极大地影响着人类社会发展的进程。

扩展资料：
计算机数据处理主要包括8个方面：
1、数据采集:采集所需的信息。
2、数据转换：把信息转换成机器能够接收的形式。
3、数据分组：指定编码，按有关信息进行有效的分组。
4、数据组织：整理数据或用某些方法安排数据，以便进行处理。
5、数据计算：进行各种算术和逻辑运算，以便得到进一步的信息。
6、数据存储：将原始数据或计算的结果保存起来,供以后使用。
7、数据检索:按用户的要求找出有用的信息。
8、数据排序：把数据按一定要求排成次序。
参考资料来源：百度百科-数据处理

大数据的分析从所周知，大数据已经不简简单单是数据大的事实了，而最重要的现实是对大数据进行分析，只有通过分析才能获取很多智能的，深入的，有价值的信息。那么越来越多的应用涉及到大数据，而这些大数据的属性，包括数量，速度，多样性等等都是呈现了大数据不断增长的复杂性，所以大数据的分析方法在大数据领域就显得尤为重要，可以说是决定最终信息是否有价值的决定性因素。基于如此的认识，大数据分析普遍存在的方法理论有哪些呢？1. 可视化分析。大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。2. 数据挖掘算法。大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统计学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。3. 预测性分析。大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。4. 语义引擎。非结构化数据的多元化给数据分析带来新的挑战，我们需要一套工具系统的去分析，提炼数据。语义引擎需要设计到有足够的人工智能以足以从数据中主动地提取信息。5.数据质量和数据管理。大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。大数据分析的基础就是以上五个方面，当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。大数据的技术数据采集：ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。数据存取：关系数据库、NOSQL、SQL等。基础架构：云存储、分布式文件存储等。数据处理：自然语言处理(NLP，Natural Language Processing)是研究人与计算机交互的语言问题的一门学科。处理自然语言的关键是要让计算机”理解”自然语言，所以自然语言处理又叫做自然语言理解(NLU，Natural Language Understanding)，也称为计算语言学(Computational Linguistics。一方面它是语言信息处理的一个分支，另一方面它是人工智能(AI, Artificial Intelligence)的核心课题之一。统计分析：假设检验、显著性检验、差异分析、相关分析、T检验、方差分析、卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析（最优尺度分析）、bootstrap技术等等。数据挖掘：分类（Classification）、估计（Estimation）、预测（Prediction）、相关性分组或关联规则（Affinity grouping or association rules）、聚类（Clustering）、描述和可视化、Description and Visualization）、复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)模型预测：预测模型、机器学习、建模仿真。结果呈现：云计算、标签云、关系图等。大数据的处理1. 大数据处理之一：采集大数据的采集是指利用多个数据库来接收发自客户端（Web、App或者传感器形式等）的数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间进行负载均衡和分片的确是需要深入的思考和设计。2. 大数据处理之二：导入/预处理虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。3. 大数据处理之三：统计/分析统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。4. 大数据处理之四：挖掘与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数据上面进行基于各种算法的计算，从而起到预测（Predict）的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。整个大数据处理的普遍流程至少应该满足这四个方面的步骤，才能算得上是一个比较完整的大数据处理。End.

4.3.1 数据源情况

4.3.1.1 卫星影像数据情况

本项目数据源是由国土资源部信息中心提供的 2005～2007 年 SPOT 5_2.5 m 分辨率影像数据。覆盖工作区的 SPOT 5 卫星影像数据共计 79 景（图 4-2），所接收影像均有 4% 以上的重叠区域；影像信息丰富，无明显噪声、斑点和坏线；云、雪覆盖量均小于 10%，且未覆盖城乡结合部等重点地区；东部平原地区大部分影像覆盖有程度不同的雾或霾，但整体地类信息能够区分；影像数据接收侧视角一般小于 15°，平原地区不超过 25°，山区不超过 20°，基本满足技术规范对影像接收的要求。

图 4-2 河南省 SPOT 5 影像数据分布示意图

图 4-3 影像接收时间分布

由于本次 SPOT 5 卫星影像接收时间跨度大，时相接收差异大，79 景影像多集中于春季和秋季（图 4-3），但部分影像由于接收时间不是河南地区最佳季节，存在着这样或那样的问题，见表 4-1：

表 4-1 影像数据接收信息及数据质量评述表

续表

4.3.1.2 DEM 数据情况

覆盖河南全省的 1∶5 万数字高程模型（DEM）共计 464 幅。

首先，对 DEM 是否齐全及 DEM 的现势性等进行了全面检查；其次，对相邻分幅 DEM 是否有重叠区域以及重叠区域的高程是否一致、接边后是否出现裂隙现象等信息进行了检查；第三，项目组对每幅 DEM 是否有完整的元数据以及对数据的地理基础、精度、格网尺寸等信息是否齐全等进行了全面检查。

由于 1∶5 万 DEM 原始数据是 GRID 标准格式，数学基础为 1980 年西安坐标系，1985 年国家高程基准，6°分带。鉴于以上数据格式和项目实施方案要求，项目组对涉及工作区的 464 幅DEM，分别按照 19°带和 20°带进行镶嵌及坐标系转换，之后再进行拼接、换带及投影转换处理，得到覆盖河南全省的、满足对项目区影像进行正射校正需求的、中央经线为 114°、1954 北京坐标系、1985 年国家高程基准的河南省 1∶5 万 DE（M图 4-4）。

图 4-4 河南省 1∶5 万 DEM

经过对拼接好的 DEM 进行全面检查，本项目使用的 DEM 数据覆盖河南全省，不存在缺失、黑边等现象，基本满足本项目影像数据正射校正的需要。

4.3.2 数据配准

目前影像配准技术大致分为两大类，基于灰度的方法和基于特征的方法。大多数基于灰度的方法采用互相关技术或傅立叶变换技术来实现。影像配准采用的是 ERDAS 9.1 中的自动配准模块（AutoSync）。在自动检测结束后，将其在参考图像上寻找出来同样需要很大的工作量。在不能完全自动实现匹配的情况下，如果能够大致计算出需要寻找和精确调整标注的区域，同样能够减少很大工作量。通过使用多项式粗略计算出两张影像的对应关系就可以解决这一问题。

根据 ERDAS 系统要求，我们最少需要 3 个点就可以在两张卫星影像间建立一个粗略的对应关系。使用至少 3 个点建立起正算多项式模型后，便可以将自动检测出来的控制点迅速对应到参考影像上，只需要在很小的范围内调整就可以精确标注出其在参考影像上的位置。图 4-5 左侧为原始影像上自动检测点，右侧为参考影像上粗定位点，需要进行调整。

图 4-5 配准

虽然计算机的引入可以大量节约劳动，但是因为技术所限，并不能解决矫正和配准所有环节的全部问题，从而将测绘工作者彻底解放出来。

本次项目生产过程中，针对 SPOT 5_10 m 多光谱数据重采样成间隔为 2.5 m，重采样方法采用双线性内插法。以景为配准单元，以 SPOT 5_2.5 m 全色数据为配准基础，将 SPOT 5 多光谱数据与之配准。随机选择配准后全色与多光谱数据上的同名点，要求配准误差平原和丘陵地区不超过 0.5 个像元，山区适当放宽至 1 个像元。配准控制点文件命名使用“景号 + MULTI 和 PAN”，如“287267MULTI”。配准文件命名使用“景号 + MATCH”，如“287267MATCH”。

影像配准采用的是 ERDAS 9.1 中的自动配准模块（AutoSync）。首先，在单景影像的四角部位手动选取四个配准控制同名点，然后由软件生成自动配准控制点，剔除其中误差较大的控制点后，进行自动配准（图 4-6）。配准完成后，采用软件提供的“拉窗帘”的方式对整景影像自上而下、自左至右进行配准精度检查（图 4-7）。

总结配准的工作，可以看到基本上分为如下几步：①标注至少 3 个粗匹配控制点；②设置检测参数；③进行自动检测；④人工调整和保存控制点；⑤进行配准。其中第 4 步仍然需要人工参与，主要的问题在于两点：一是精度是否真正是人感官上的特征点方面存在问题；二是参考图像上的控制点仅仅是粗略对应标注，人工无法手动调整至精确对应位置，因此，暂时的配准工作仅仅部分减轻了人工工作量，但不可能完全由计算机完成配准工作。

图 4-6 影像配准

图 4-7 影像配准精度“拉窗帘”检查

4.3.3 数据融合

4.3.3.1 融合前数据的预处理

获取完整项目区的卫星影像数据时，由于接收时间跨度较大，数据时相差别较大，加上空中云、雾或霾的干扰以及地面光照不均匀等因素，造成景与景之间的影像光谱和纹理特征差别较大。为使影像纹理清晰，细节突出，提高目视解译精度等，在数据融合前必须对数据进行预处理。

SPOT 5 全色波段数据处理的目的是增强局部灰度反差、突出纹理、加强纹理能量和通过滤波来提高纹理细节。

（1）线性变换。经过线性拉伸处理的影像数据，既增强局部灰度反差又保持原始灰度间的相对关系。

图 4-8 线性变换

设A₁、A₂为输入影像的嵌位控制值，B₁、B₂为变换后影像最低、最高亮度值（图4-8），输入影像的亮度值A₁～A₂被拉伸为B₁～B₂范围，其中输入亮度0～A₁及A₂～255分别被变换为B₁、B₂，如果赋值B₁＝0、B₂=255，则拉大了输入影像的动态范围，从而反差得到增强，保持了输入影像灰度间的线性关系。通过线性拉伸将位移A₁变换为0，而将A₂变为255；这样既没有改变A₁到A₂之间灰度值的相对关系，又扩展了直方图的动态范围，从而增强影像结构的细微突变信息。

（2）纹理增强。纹理能量增强目前主要靠高通滤波来实现，在空域增强中滤波器选择是关键。不同影像地貌、地物选择的滤波核各异。一般地，在地形高起伏地区，地理单元比较宏观，采用的滤波器一般较大，能够反映地理单元的宏观特点，选择较小的滤波核会破坏整体的地貌外形。在地理单元分布细碎，地貌细腻，选择滤波器相对应较小，否则无法表现细碎的纹理结构。在纹理能量增强时应该避免增强过剩，否则影像细节会过于饱和，使纹理丧失，达不到增强细节的目的。以下滤波核是本次用到的边缘增强滤波算子，应用效果比较好。如图4-9所示。

图 4-9 滤波增强

（3）多光谱数据处理。在融合影像中，多光谱数据的贡献是其光谱信息。融合前主要以色彩增强为主，调整亮度、色度、饱和度，拉开不同地类之间的色彩反差，对局部的纹理要求不高，有时为了保证光谱色彩，还允许削弱部分纹理信息。

4.3.3.2 影像融合

目前用于多源遥感数据融合的方法很多，从技术层次来分，可以包括像元级融合、特征级融合和决策级融合三个层次。像元级融合有HIS变换、主分量变换、假彩色合成、小波变换、加权融合等方法；特征级融合有Bayes、决策法、神经网络法、比值运算、聚类分析等方法；决策级融合有基于知识的融合、神经网络、滤波融合等方法。从融合算法上分，可分为对图像直接进行代数运算的方法，如加权融合法、乘积融合法、Brovey变换融合法等；第二种是基于各种空间变换的方法，如HIS变换融合法、PCA变换融合法、Lab变换融合法等；第三种是基于金字塔式分解和重建的融合方法，如拉普拉斯金字塔融合法、小波变换融合法。

本项目所使用数据为SPOT5数据，缺少蓝波段多光谱，对数据采用了自然色模拟方法，在土地利用资源调查中，多光谱信息可以突出地反映土地利用类型的要素信息，提高影像的可判读性，便于从图形、纹理特征及光谱特征进行综合判别分析。一般遥感卫星多光谱传感器波谱范围覆盖整个可见光部分，即蓝、绿、红波段。而SPOT系列遥感卫星其多光谱覆盖范围在可见光部分仅从绿到红波段，缺少蓝波段。在利用遥感卫星影像进行土地利用资源调查时，多光谱信息要求必须以人眼可见的自然色表达，而不允许用伪彩色和红外彩色模拟，以便于非遥感测绘人员的判读与实地调查。对于通常的SPOT系列遥感卫星的自然色模拟方法，往往仅靠不同波段组合，以人眼目视判别、感知来调整色调。作业人员的先验知识作色调调整，作业人员经验欠缺时，色调调校失真较大；二是标准难以定量统一，不同调校时间、人员，不同景影像的拼接，由于感知的差异都难以达到同一或近似的标准。通过分析全省SPOT5数据特征，本次影像融合处理主要采用了乘积变换融合和Andorre融合。

Andorre融合采用的是视宝公司提供的Andorre融合方法，具体步骤为：

步骤1 对全色影像先做正态化处理。等价于Wallis滤波及增强局部（纹理增强）与全局对比度。

步骤2 按下面公式融合（P是正态化处理后的全色影像，B₁是绿波段，B₂是红波段，B₃是近红外波段）。

ERDAS 中模块计算公式：

§ 公式一（蓝通道）：

§ 公式二（绿通道）：

§ 公式三（红通道）：

步骤 3 按下面公式完成伪自然色转换：

ERDAS 中模块计算公式：

§ 公式一（红通道）：

§ 公式二（绿通道）：

§ 公式三（蓝通道）：

步骤 4 对步骤 3 生成的各个通道执行直方图拉伸处理。通常，线性直方图拉伸可以满足这种彩色影像的调整，需要根据影像目视效果定义阈值。阈值的选择应该避免在平衡其他颜色造成的像素过饱和。或在 Photoshop 中调整影像色调、亮度及对比度等直至满足要求。

通过 ERDAS 中 Model 实现其算法（图 4-10）。

4.3.3.3 融合影像后处理

后处理主要采用以下 5 种方法：

（1）直方图调整。对反差较低、亮度偏暗的融合影像，调整输入输出范围，改变反差系数进行线性拉伸，使其各色直方图达到接近正态分布。输出范围一般都定为 0～255，而在输入范围的选择中，对低亮度端的截去应慎重，可以消除部分噪声。

（2）USM 锐化。通过变化阈值、半径、锐化程度增强地物边缘特征。注意阈值和半径的设定值不宜过大，锐化程度可根据不同地区影像特点适当选取。通过软件的预览功能可以判断参数选择得是否合适。城乡结合部、居民点、道路和耕地边界是需要重点突出的地物，必须保证清晰可辨，进一步改善总体效果。

（3）彩色平衡。经过融合运算后，影像或多或少会带有一定程度的偏色，需要通过调整彩色平衡加以改正。

（4）色度饱和度调整。由于 SPOT 5 影像融合后存在大量的洋红色，与实地颜色不一致的，可以通过改变色度、饱和度、明度等将其转变为土黄色，使其更接近于真实颜色。

（5）反差增强。通过亮度和对比度调整，可以增强地物间的反差，使不同地类更易区分。

通过融合影像后处理，进一步改善影像的视觉效果，使整景影像色彩真实均匀、明暗程度适中、清晰，增强专题信息，特别是加强纹理信息。

图 4-10 融合处理算法

4.3.4 正射校正模型选择与处理

4.3.4.1 正射纠正的基本模型

一般对推扫式遥感卫星影像的正射纠正有严密纠正模型和变换关系纠正模型两大类。严密纠正模型根据卫星轨道参数、传感器摄影特征以及成像特点，由传感器在获取影像瞬间的位置、方位等因素，建立起像点与地面之间的共线关系，并由此共线方程解求像点或地面点的纠正。而变换关系纠正模型是一种传统的几何纠正方式，不考虑成像的特性，它通过地面控制点与影像同名点计算出不同变换式的变换系数，从而将变形的原始影像拟合到地面坐标中。

严密纠正模型有基于多项式的共线方程、基于卫星轨道参数的纠正方法、基于光束法的区域网平差等方法；变换关系纠正模型有多项式纠正、有理函数多项式、有理函数多项式区域网平差等方法。其中，区域网平差是用较少的控制点以多景影像组成区域网进行平差的纠正方法。

（1）基于多项式的共线方程纠正方法。改正原始影像的几何变形，采用像素坐标变换，使影像坐标符合某种地图投影和图形表达方式和像素亮度值重采样。在摄影瞬间，传感器、影像、地面三者之间，以共线方程反映了成像时地面点和像点之间一一对应的关系。

由于推扫式成像是当前大多数遥感卫星采用的主流成像方式，那么整景影像为多中心投影，每条扫描线是中心投影。用共线方程表达为

推扫式成像的每一扫描线外方位元素均不同，且y值恒为0。正射纠正时必须求解每一行的外方位元素，利用共线方程得到与地面点相对应的像点坐标，加入DEM后对影像进行纠正。

一般可以认为，在一定时间内，遥感卫星在轨道运行时，空间姿态变化是稳定的，那么6个外方位元素的变化是时间的函数。由于推扫式影像y坐标和时间之间有固定的对应关系，即每行扫描时间相同，所以可将第i行外方位元素表示为初始外方位元素（φ_i，w_i，k_i）和行数y的函数，而这个函数可以用二次多项式函数来表示，即

该方法需获得初始外方位元素可从星历文件中得到，如SPOTS影像星历，在DIM，CAP格式文件中。

（2）多项式纠正方法。多项式纠正方法是一种传统的变换关系纠正方法。多项式用二维的地面控制点计算出与像点的变换关系，设定任意像元在原始影像中坐标和对应地面点坐标分别为（x，y）和（X，Y），以x=F_x（x，y），y=F_y（x，y）数学表达式表达，如果该数学表达式采用多项式函数来表达，则像点坐标（x，y）与地面点坐标（X，Y）建立的多项式函数为

式中（：a₀，a₁，a₂，a₃，……，a_n）（，b₀，b₁，b₂，b₃，……，b_n）——变换系数。

一般多项式阶数是1阶到5阶的，式中表达的为3阶。所需控制点数N与多项式阶数n的关系为：N（=n+1）（n+2）/2，即1阶需3个控制点，2阶需6个控制点，3阶需10个控制点。

多项式纠正考虑二维平面间的关系差，因此，对于地形起伏高差较大的区域，并不能改正由地形起伏引起的投影误差，纠正后的精度就不高。另外考虑入射角的影响，多项式纠正对于地形起伏较大地区并不适宜。

（3）有理函数纠正方法。有理函数纠正方法是一种变换关系的几何纠正模型，以有理函数系数（Rational Function Coefficient）将地面点P（L_a，L_b，H_c）与影像上的点（pI_i，S_a）联系起来。对于地面点P，其影像坐标（pI_i，S_a）的计算始于经纬度的正则化，即

正则化的影像坐标（x，y）为

求得的影像坐标为

有理函数纠正不仅以较高的精度进行物方和像方的空间变换，相对于多项式纠正方法考虑了地面高程，相对于基于共线方程模型使复杂的实际传感器模型得以简化，便于实现。

（4）区域网平差纠正方法。区域网平差，首先将三维空间模型经过相似变换缩小到影像空间，再将其以平行光投影至过原始影像中心的一个水平面上，最后将其变换至原始倾斜影像，从而进行以仿射变换建立误差方程，包括每景影像的参数和地面影像坐标的改正，组成法方程，进行平差计算改正。基于模型的区域网平差，是通过影像之间的约束关系补偿有理函数模型的系统误差。区域网平差要合理布设控制点，在景间需有一定数量的连接点，所需控制点数量较少。

4.3.4.2 正射纠正

本次遥感影像正射纠正采用专业遥感影像处理软件ERDAS提供的LPS正射模块进行的，纠正过程如图4-11所示。

图 4-11 正射纠正流程

为了与以往的县级土地利用数据库相衔接，平面坐标系统仍然采用 1954 北京坐标系，高程系统采用 1985 国家高程基准，投影方式采用高斯－克吕格投影，分带方式为 3°分带。

本项目涉及 79 景连片且同源影像数据，因此采用整体区域纠正，以工作区为纠正单元，利用具有区域网纠正功能的 ERDAS 中 LPS 模块进行区域网平差，根据影像分布情况建立一个区域网文件，快速生成无缝正射镶嵌精确的正射影像，如图 4-12 所示。因本工作区涉及 37°、38°、39°三个 3°分带，考虑到全省数据镶嵌等问题，整个工程采用 38°带，其中央经线为 114°。

本次纠正中采用 SPOT 5 物理模型，控制点均匀分布于整景影像，控制点个数 25 个，相邻景影像重叠区有 2 个以上共用控制点。

工作区控制点分布如图 4-13 所示。

影像正射纠正以实测控制点和 1∶5 万 DEM 为纠正基础，以工作区为纠正单元，采样间隔为 2.5 m。

对控制点和连接点超过限差的要进行检查、剔除，发现误差超限的点位，应先通过设置其为检查点方式重新解算，如解算通过，则通过平差解算；如果纠正精度超限，查找超限原因，则应考虑在误差较大的点位附近换点或增补点加以解决，并进行必要的返工，直至满足要求为止。控制点采集如图 4-14 所示。

对整景利用 DEM 数据在 LPS 中选取 SPOT 5 Orbital Pushbroom 传感器模型，投影选取 Gauss Kruger，椭球体采用 Krasovsky，进行正射纠正，纠正精度满足 SPOT 5_2.5 m 数字正射影像图纠正精度要求，纠正后的图面点位中误差见表 4-2。

图 4-12 整体区域纠正控制点选取示意图

图 4-13 区域网平差纠正工程图

图 4-14 控制点采集

表 4-2 正射纠正控制点中误差

续表

4.3.5 镶嵌

以项目区为单位，对相邻景正射影像的接边精度进行检查。经检查接边精度合格后，以项目区为单位，对正射影像进行镶嵌。

由于项目区采用的是 ERDAS 提供的 LPS 正射模块区域网平差纠正，相邻两幅影像，均采集了两个以上的共用控制点，相应提高了影像镶嵌精度。

在项目区相邻景影像的重叠区域中，平原、丘陵与山区分别随机选取了 30 对均匀分布的检查点，检查影像的接边精度。根据检查点的点位坐标，计算检查点点位中误差。见表 4-3。

表 4-3 影像镶嵌误差

本项目影像镶嵌以工作区为单元，在景与景之间镶嵌线尽量选取线状地物或地块边界等明显分界处，以便使镶嵌影像中的拼接缝尽可能地消除，尽量避开云、雾及其他质量相对较差的区域，使镶嵌处无裂缝、模糊和重影现象，使镶嵌处影像色彩过渡自然，使不同时相影像镶嵌时保证同一地块内纹理特征一致，方便地类判读和界线勾绘。影像镶嵌图如图 4-15 所示。

---

博爱县19262104640： 数据处理 - 搜狗百科？
妫姚炎热： 数据处理是对数据的采集、存储、检索、加工、变换和传输.数据是对事实、概念或指令的一种表达形式,可由人工或自动化装置进行处理.数据的形式可以是数字、文字、图形或声音等.数据经过解释并赋予一定的意义之后,便成为信息.数据处理的基本目的是从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的人们来说是有价值、有意义的数据.数据处理是系统工程和自动控制的基本环节.数据处理贯穿于社会生产和社会生活的各个领域.数据处理技术的发展及其应用的广度和深度,极大地影响着人类社会发展的进程.

博爱县19262104640： 数据处理具体是做什么的? - ？
妫姚炎热： 数据处理(data processing)是对数据的采集、存储、检索、加工、变换和传输.数据是对事实、概念或指令的一种表达形式,可由人工或自动化装置进行处理.数据的形式可以是数字、文字、图形或声音等.数据经过解释并赋予一定的意义之...

博爱县19262104640： 数据处理主要有哪些工作?？
妫姚炎热： 分组 排序 分类 编码

博爱县19262104640： 计算机应用数据处理包括有哪些 - ？
妫姚炎热： ①数据采集:采集所需的信息. ②数据转换:把信息转换成机器能够接收的形式. ③数据分组:指定编码,按有关信息进行有效的分组. ④数据组织:整理数据或用某些方法安排数据,以便进行处理. ⑤数据计算:进行各种算术和逻辑运算,以便得到进一步的信息. ⑥数据存储:将原始数据或计算的结果保存起来,供以后使用. ⑦数据检索:按用户的要求找出有用的信息. ⑧数据排序:把数据按一定要求排成次序. 来自soso百科

博爱县19262104640： 数学作业:数据处理的一般过程是( ) - ？
妫姚炎热： 数据处理的基本过程是收集、整理、描述、分析数据.

博爱县19262104640： 数据处理的特点 - ？
妫姚炎热： 原发布者:一路向前709A套打开Excelkt文件夹下的Excel14A.xlsx工作簿文件,按下列要求操作.1、基本编辑⑴将Excelkt文件夹下的＂ScoreA.docx＂文件中的数据复制到Sheet1工作表A2单元格开始处.⑵编辑Sheet1工作表A.在最左端插入1...

博爱县19262104640： 数据处理的基本方法有哪些? - ？
妫姚炎热： 典型的计算方法有: 1、列表法 2、作图法 3、逐差法 4、最小二乘法 等等

博爱县19262104640： 数据处理的内容包括什么,为下一步不差做好准备,又称插补预处理 - ？
妫姚炎热： 就是说,对数据进行检验,看数据是否有缺失值、错误值等等.如果有错误值,要修正.有缺失,视情况插补.数据没有问题时,称为clean data ,即干净数据,然后才能进一步分析.否则,如果数据有问题,称为dirty data

博爱县19262104640： 计算机数据处理的意义? - ？
妫姚炎热： 计算机数据处理是假计算机程序运行的前提条件,或者也可以理解为程序运行的本质.