像元查看源代码讨论查看历史
像元，亦称像素点或像元点。即影像单元（picture element）。是组成数字化影像的最小单元。在遥感数据采集，如扫描成像时，它是传感器对地面景物进行扫描采样的最小单元；在数字图像处理中，它是对模拟影像进行扫描数字化时的采样点。是构成遥感数字图像的基本单元，是遥感成像过程中的采样点。
中文名：像元
外文名:Pixels
别 称:像素或像元点
定 义:影像单元
重要标志:反映影像特征
概念
像元是反映影像特征的重要标志。是同时具有空间特征和波谱特征的数据元。几何意义是其数据值确定所代表的地面面积。物理意义是其波谱变量代表该像元内在某一特定波段中波谱响应的强度。即同一像元内的地物，只有一个共同灰度值。像元大小决定了数字影像的影像分辨率和信息量。像元小，影像分辨率高，信息量大；反之，影像分辨率低，信息量小。如陆地卫星MSS影像像元为56×79平方米，单波段像元数为7581600；而TM影像像元大小为30×30平方米，单波段像元数为38023666，相当于MSS的5倍。
分辨率
说到像元就不能不说分辨率。分辨率是用于记录数据的最小度量单位，一般用来描述在显示设备上所能够显示的点的数(行、列)，以分辨率为1024×768的屏幕来说，即每一条水平线上包含有1024个像元或者说像素点，共有768条线，即扫描列数为1024列，行数为768行。
因为遥感拍摄的像片是由位于不同高度，装在不同载体（如飞机、卫星等）上的不同清晰度（分辨率）照相设备，以不同的照相（采集）方式，获取的遥感像片（图像、数据、影像等），这些遥感图像是具有不同清晰度、不同分辨率的照片。类似我们在生活中用135 照相机拍摄一棵树，从汽车上拍一张，然后再从飞机上拍一张，两张135底片在放大同一棵树时，其放大效果是不一样的。肯定是高度低的135照片放大后的效果最清晰，也就是说分辨率最高。
表示方式：
1.最简单的情况:
假设一个像元只有纯黑、纯白两种可能性，那么只用一个二进位就可以表示了。这时，一个640×480的像元阵列需要640×480 / 8 = 38400字节=37.5K字节
2.多种颜色:
假设一个像元至少要有四种颜色，那么至少要用两个二进位来表示。如果用一个字节来表示一个像元，那么一个像元最多可以有256种颜色。这时，一个640×480的像元阵列需要640×480= 307200字节=300K字节。由黑白二色像元构成的图形也可以用像元的灰度来模拟彩色显示，一个像元的灰度就是像元的黑的程度，即介于纯黑和纯白之间的各种情况。计算机中采用分级方式表示灰度：例如分成256个不同的灰度级别（可以用0到255的数表示），用-8个二进位就能表示一个像元的灰度。采用灰度方式，使图形的表现力增强了，但同时存储一幅图形所需要的存储量也增加了。例如采用上述级灰度，与采用种颜色一样，表示一幅的图形就需要大约万个字节
3.真彩色图形显示:
由光学关于色彩的理论可知，任何颜色的光都可以由红绿蓝三种纯的基色（光）通过不同的强度混合而成。所谓“真彩色”的图形显示，就是用三个字节表示一个点（像元）的色彩，其中每个字节表示一种基色的强度，强度分成256个级别。不难计算，要表示一个640×480的“真彩色”的点阵图形，需要将近10（1MB）的存储空间。图形的点阵表示法的缺点是：经常用到的各种图形，如工程图、街区分布图、广告创意图等基本上都是用线条、矩形、圆等基础图形元素构成的，图纸上绝大部分都是空白区，因而存储的主要数据是0（白色用‘0’表示，也占用存储），浪费了存储空间。而真正需要精细表示的图形部分却不精确。图形中的对象和它们之间的关系没有明确地表示出来，图形中只有一个一个的点。点阵表示的另一个缺点是：如果取出图形点阵表示的一个小部分加以放大，图的每个点就都被放大，放大的点构成的图形实际上更加粗糙了。 为了节约存储空间并且适合图形信息的高速处理，出现了许多其它图形表示方法。这些方法的基本思想是用直线来逼近曲线，用直线段两端点位置表示直线段，而不是记录线上各点。这种方法简称为矢量表示方法。采用这类方法表示一个图形可以只用很少的存储量。另外，采用解析几何的曲线公式也可以表示很多曲线形状，这称为图形曲线的参数表示方法。由于存在着多种不同的图形编码方法，图形数据的格式互不相同，应用时常会遇到数据不“兼容”的问题，不同的图形编码体制之间必须经过转换才能互相利用。 [1]
遥感卫星
遥感卫星的飞行高度一般在4000千米～600千米之间，图像分辨率一般从1 千米～1米之间。图像分辨率是什么意思呢？可以这样理解，一个像元，代表地面的面积是多少。像元是什么意思呢？像元相当于电视屏幕上的一个点（电视是由若干个点组成的图像画面），相当于计算机显示屏幕上的一个象素，相当于一群举着不同色板拼成画图的人中的一个。
当分辨率为1千米时，一个像元代表地面1千米X1千米的面积，即1平方千米；当分辨率为30米时，一个像元代表地面30米×30米的面积；当分辨率为1米时，也就是说，图像上的一个像元相当于地面1米 x 1米的面积，即1平方米。 [2]
混合像元分解法提取积雪盖度
积雪是地表覆盖的重要部分，积雪的反射率比土壤、植被的反射率高许多，严重影响地表的辐射平衡，积雪的变化影响天气和气候变化分析的准确性。研究积雪分布、生成和消融及演变，关系到水资源利用、灾害分析、大气环流分析和环境演变分析，对于人类的生存环境、农牧业生产和经济发展影响极大。由于NOAA系列气象卫星每天覆盖全球两次(白天、夜晚各一次)、1.1 km空间分辨率的特点，适合于积雪研究。应用NOAA卫星开展积雪研究的工作一直在进行，周咏梅等利用NOAA-AVHRR资料进行青海积雪区判读和积雪深度估算，史培军等在RS与GIS支持下对内蒙古草地雪灾监测和评估进行了试验研究，冯学智等对中国主要牧区雪灾从监测评估、判别模型、预测模型和评估模型四个方面进行了遥感模型研究，王世杰利用NOAA/AVHRR影像资料对新疆山区积雪量的估算方法进行了探讨，Cline等提出业务化的美国大陆积雪自动制图方法。准确识别云雪是提取积雪定量参数的基础工作。传统的NOAA系列卫星可以区分雪和地物(植被和土壤)，却难于准确区分积雪和云，史培军等采用可见光通道最小亮度法提取积雪，周咏梅等借助AVHRR的红外通道采用多光谱资料识别积雪和云，积雪识别精度在80%以上。而NOAA16具有一个以往NOAA系列卫星所没有的通道，它的第3通道由3a 1.6 μm和3b 3.7 μm两通道组成，白天发送1.6 μm探测值，夜晚发送3.7 μm探测值，而云雪在1.6 μm通道上的反射差异，对区分云雪效果很好，这为提高积雪参数反演的精度提供了可能。
积雪盖度是新一代天气预报模式需要的陆面参数，是对积雪的准确刻画。积雪盖度也是估算地表反照率的必要参数，用于地表辐射平衡研究，以提高辐射传输模式的精度。而在水文模式中，积雪盖度在像元尺度上影响地表的热力学计算和积雪的融化，以及积雪的水文效应。积雪盖度定量提取对遥感提出了迫切的要求，在这方面开展的工作较少。本文首先对雪进行光谱分析，比较积雪、地物和云的光谱差异，同时指出NOAA16新增的1.6 μm通道提供了更多的积雪光谱信息，最后使用多光谱混合像元分解法提取积雪盖度参数。
积雪光谱分析
地物光谱的光谱曲线(落叶林和草测定的是叶片，云难于在实验室进行光谱测定)，波长从0.4到2.5 μm，包括传统NOAA卫星的0.63 μm可见光(Ch1)、0.84 μm近红外(Ch2)和NOAA16卫星新增的1.6 μm红外(Ch3a)通道。水在整个0.4到2.5 μm，始终小于2%，易于识别。在Ch1通道，雪的反射率很高，达96%，而其它地物反射率很低，小于10%。在Ch2通道，雪的反射率仍较高，达90%，而林和草的反射率增至50%，土壤的反射率增至20%。而在Ch3a通道，雪的反射率很低，仅4%，土壤和植被的反射率却较高，大于28%。
同时，对云的长期卫星观测说明，云在这三个光谱通道上是一个高反射的物体，而在Ch3a通道上，雪是一个低反射率的物体，与高反射率的云和其它地物存在较大差异，这一光谱特征提供了准确识别雪的可能性。雪在Ch1和Ch3a通道上的光谱差异，为提取积雪盖度提供了大量光谱信息。
混合像元分解法
卫星传感器记录的辐射是瞬时视场内所有地物辐射的综合，像元所记录的信号来自一个以上的地物类型，即遥感图像都是混合像元。随着图像空间分辨率的提高，混合像元的数量将减少，但不管空间分辨率达到多高，混合像元现象总是客观存在的。传统的图像分析方法假设所有的像元都是纯像元，一个像元对应一种地物类型。因此，当遥感图像的分辨率较低时，每一像元含有较多地物，呈现为较复杂的混合像元时，这种图像方法所得结果(如地物分类、面积估算)的精度就会下降。为解决这个问题，一些学者提出了利用混合像元分解法来代替常规的一个像元一种类型的分析方法，混合像元分解法在一定程度上能够提高土地覆盖面积估算的精度。从混合像元角度来分析遥感图像更接近实际世界。混合像元分解法就是根据每一像元在各个波段的像元值来估算像元内各个土地覆盖类型的比例。NOAA/AVHRR数据由于其空间分辨率较低，混合像元的比例很高，因此，NOAA/AVHRR数据是混合像元分解方法应用的重点。
光谱线性混合模型的一个关键问题是确定终元，作为一些基本土地覆盖类型，终元代表这些土地覆盖类型的光谱特征。一般有两种方法确定终元在光谱波段的反射率，一是通过野外或实验室进行光谱测量确定，二是通过分类法或主成分分析法从遥感图像上直接确定。本文采用第二种方法确定终元，即对AVHRR数据进行主成分分析，提取前两个主成分，进一步通过分析其散点图确定终元，最后使用光谱线性混合模型提取积雪盖度。
研究结论
积雪参数对雪灾评估、水资源利用和数值模式运行有重要价值，定量提取积雪参数是遥感科学的重要内容。研究显示，多光谱数据含有较多的地物特征光谱信息，多光谱数据比单一光谱数据在地物识别方面有优越性。一般的图像分类方法如最大似然法获取的像元都是确定的地物类型，无法得到积雪的盖度信息，而使用光谱线性混合模型对AVHRR数据进行混合像元分解是反演积雪盖度的一种科学方法。本文使用混合像元分解法从NOAA-AVHRR数据反演了积雪盖度，取得较好结果。积雪盖度混合像元分解法使用的终元必须包括积雪，而对是否按地物类型使用其它的终元不敏感，方法比较稳定。 [3]