像元檢視原始碼討論檢視歷史
像元，亦稱像素點或像元點。即影像單元（picture element）。是組成數字化影像的最小單元。在遙感數據採集，如掃描成像時，它是傳感器對地面景物進行掃描採樣的最小單元；在數字圖像處理中，它是對模擬影像進行掃描數字化時的採樣點。是構成遙感數字圖像的基本單元，是遙感成像過程中的採樣點。
中文名：像元
外文名:Pixels
別 稱:像素或像元點
定 義:影像單元
重要標誌:反映影像特徵
概念
像元是反映影像特徵的重要標誌。是同時具有空間特徵和波譜特徵的數據元。幾何意義是其數據值確定所代表的地面面積。物理意義是其波譜變量代表該像元內在某一特定波段中波譜響應的強度。即同一像元內的地物，只有一個共同灰度值。像元大小決定了數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。如陸地衛星MSS影像像元為56×79平方米，單波段像元數為7581600；而TM影像像元大小為30×30平方米，單波段像元數為38023666，相當於MSS的5倍。
分辨率
說到像元就不能不說分辨率。分辨率是用於記錄數據的最小度量單位，一般用來描述在顯示設備上所能夠顯示的點的數(行、列)，以分辨率為1024×768的屏幕來說，即每一條水平線上包含有1024個像元或者說像素點，共有768條線，即掃描列數為1024列，行數為768行。
因為遙感拍攝的像片是由位於不同高度，裝在不同載體（如飛機、衛星等）上的不同清晰度（分辨率）照相設備，以不同的照相（採集）方式，獲取的遙感像片（圖像、數據、影像等），這些遙感圖像是具有不同清晰度、不同分辨率的照片。類似我們在生活中用135 照相機拍攝一棵樹，從汽車上拍一張，然後再從飛機上拍一張，兩張135底片在放大同一棵樹時，其放大效果是不一樣的。肯定是高度低的135照片放大後的效果最清晰，也就是說分辨率最高。
表示方式：
1.最簡單的情況:
假設一個像元只有純黑、純白兩種可能性，那麼只用一個二進位就可以表示了。這時，一個640×480的像元陣列需要640×480 / 8 = 38400字節=37.5K字節
2.多種顏色:
假設一個像元至少要有四種顏色，那麼至少要用兩個二進位來表示。如果用一個字節來表示一個像元，那麼一個像元最多可以有256種顏色。這時，一個640×480的像元陣列需要640×480= 307200字節=300K字節。由黑白二色像元構成的圖形也可以用像元的灰度來模擬彩色顯示，一個像元的灰度就是像元的黑的程度，即介於純黑和純白之間的各種情況。計算機中採用分級方式表示灰度：例如分成256個不同的灰度級別（可以用0到255的數表示），用-8個二進位就能表示一個像元的灰度。採用灰度方式，使圖形的表現力增強了，但同時存儲一幅圖形所需要的存儲量也增加了。例如採用上述級灰度，與採用種顏色一樣，表示一幅的圖形就需要大約萬個字節
3.真彩色圖形顯示:
由光學關於色彩的理論可知，任何顏色的光都可以由紅綠藍三種純的基色（光）通過不同的強度混合而成。所謂「真彩色」的圖形顯示，就是用三個字節表示一個點（像元）的色彩，其中每個字節表示一種基色的強度，強度分成256個級別。不難計算，要表示一個640×480的「真彩色」的點陣圖形，需要將近10（1MB）的存儲空間。圖形的點陣表示法的缺點是：經常用到的各種圖形，如工程圖、街區分布圖、廣告創意圖等基本上都是用線條、矩形、圓等基礎圖形元素構成的，圖紙上絕大部分都是空白區，因而存儲的主要數據是0（白色用『0』表示，也占用存儲），浪費了存儲空間。而真正需要精細表示的圖形部分卻不精確。圖形中的對象和它們之間的關係沒有明確地表示出來，圖形中只有一個一個的點。點陣表示的另一個缺點是：如果取出圖形點陣表示的一個小部分加以放大，圖的每個點就都被放大，放大的點構成的圖形實際上更加粗糙了。 為了節約存儲空間並且適合圖形信息的高速處理，出現了許多其它圖形表示方法。這些方法的基本思想是用直線來逼近曲線，用直線段兩端點位置表示直線段，而不是記錄線上各點。這種方法簡稱為矢量表示方法。採用這類方法表示一個圖形可以只用很少的存儲量。另外，採用解析幾何的曲線公式也可以表示很多曲線形狀，這稱為圖形曲線的參數表示方法。由於存在着多種不同的圖形編碼方法，圖形數據的格式互不相同，應用時常會遇到數據不「兼容」的問題，不同的圖形編碼體制之間必須經過轉換才能互相利用。 [1]
遙感衛星
遙感衛星的飛行高度一般在4000千米～600千米之間，圖像分辨率一般從1 千米～1米之間。圖像分辨率是什麼意思呢？可以這樣理解，一個像元，代表地面的面積是多少。像元是什麼意思呢？像元相當於電視屏幕上的一個點（電視是由若干個點組成的圖像畫面），相當於計算機顯示屏幕上的一個象素，相當於一群舉着不同色板拼成畫圖的人中的一個。
當分辨率為1千米時，一個像元代表地面1千米X1千米的面積，即1平方千米；當分辨率為30米時，一個像元代表地面30米×30米的面積；當分辨率為1米時，也就是說，圖像上的一個像元相當於地面1米 x 1米的面積，即1平方米。 [2]
混合像元分解法提取積雪蓋度
積雪是地表覆蓋的重要部分，積雪的反射率比土壤、植被的反射率高許多，嚴重影響地表的輻射平衡，積雪的變化影響天氣和氣候變化分析的準確性。研究積雪分布、生成和消融及演變，關係到水資源利用、災害分析、大氣環流分析和環境演變分析，對於人類的生存環境、農牧業生產和經濟發展影響極大。由於NOAA系列氣象衛星每天覆蓋全球兩次(白天、夜晚各一次)、1.1 km空間分辨率的特點，適合於積雪研究。應用NOAA衛星開展積雪研究的工作一直在進行，周詠梅等利用NOAA-AVHRR資料進行青海積雪區判讀和積雪深度估算，史培軍等在RS與GIS支持下對內蒙古草地雪災監測和評估進行了試驗研究，馮學智等對中國主要牧區雪災從監測評估、判別模型、預測模型和評估模型四個方面進行了遙感模型研究，王世傑利用NOAA/AVHRR影像資料對新疆山區積雪量的估算方法進行了探討，Cline等提出業務化的美國大陸積雪自動製圖方法。準確識別雲雪是提取積雪定量參數的基礎工作。傳統的NOAA系列衛星可以區分雪和地物(植被和土壤)，卻難於準確區分積雪和雲，史培軍等採用可見光通道最小亮度法提取積雪，周詠梅等藉助AVHRR的紅外通道採用多光譜資料識別積雪和雲，積雪識別精度在80%以上。而NOAA16具有一個以往NOAA系列衛星所沒有的通道，它的第3通道由3a 1.6 μm和3b 3.7 μm兩通道組成，白天發送1.6 μm探測值，夜晚發送3.7 μm探測值，而雲雪在1.6 μm通道上的反射差異，對區分雲雪效果很好，這為提高積雪參數反演的精度提供了可能。
積雪蓋度是新一代天氣預報模式需要的陸面參數，是對積雪的準確刻畫。積雪蓋度也是估算地表反照率的必要參數，用於地表輻射平衡研究，以提高輻射傳輸模式的精度。而在水文模式中，積雪蓋度在像元尺度上影響地表的熱力學計算和積雪的融化，以及積雪的水文效應。積雪蓋度定量提取對遙感提出了迫切的要求，在這方面開展的工作較少。本文首先對雪進行光譜分析，比較積雪、地物和雲的光譜差異，同時指出NOAA16新增的1.6 μm通道提供了更多的積雪光譜信息，最後使用多光譜混合像元分解法提取積雪蓋度參數。
積雪光譜分析
地物光譜的光譜曲線(落葉林和草測定的是葉片，雲難於在實驗室進行光譜測定)，波長從0.4到2.5 μm，包括傳統NOAA衛星的0.63 μm可見光(Ch1)、0.84 μm近紅外(Ch2)和NOAA16衛星新增的1.6 μm紅外(Ch3a)通道。水在整個0.4到2.5 μm，始終小於2%，易於識別。在Ch1通道，雪的反射率很高，達96%，而其它地物反射率很低，小於10%。在Ch2通道，雪的反射率仍較高，達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，僅4%，土壤和植被的反射率卻較高，大於28%。
同時，對雲的長期衛星觀測說明，雲在這三個光譜通道上是一個高反射的物體，而在Ch3a通道上，雪是一個低反射率的物體，與高反射率的雲和其它地物存在較大差異，這一光譜特徵提供了準確識別雪的可能性。雪在Ch1和Ch3a通道上的光譜差異，為提取積雪蓋度提供了大量光譜信息。
混合像元分解法
衛星傳感器記錄的輻射是瞬時視場內所有地物輻射的綜合，像元所記錄的信號來自一個以上的地物類型，即遙感圖像都是混合像元。隨着圖像空間分辨率的提高，混合像元的數量將減少，但不管空間分辨率達到多高，混合像元現象總是客觀存在的。傳統的圖像分析方法假設所有的像元都是純像元，一個像元對應一種地物類型。因此，當遙感圖像的分辨率較低時，每一像元含有較多地物，呈現為較複雜的混合像元時，這種圖像方法所得結果(如地物分類、面積估算)的精度就會下降。為解決這個問題，一些學者提出了利用混合像元分解法來代替常規的一個像元一種類型的分析方法，混合像元分解法在一定程度上能夠提高土地覆蓋面積估算的精度。從混合像元角度來分析遙感圖像更接近實際世界。混合像元分解法就是根據每一像元在各個波段的像元值來估算像元內各個土地覆蓋類型的比例。NOAA/AVHRR數據由於其空間分辨率較低，混合像元的比例很高，因此，NOAA/AVHRR數據是混合像元分解方法應用的重點。
光譜線性混合模型的一個關鍵問題是確定終元，作為一些基本土地覆蓋類型，終元代表這些土地覆蓋類型的光譜特徵。一般有兩種方法確定終元在光譜波段的反射率，一是通過野外或實驗室進行光譜測量確定，二是通過分類法或主成分分析法從遙感圖像上直接確定。本文採用第二種方法確定終元，即對AVHRR數據進行主成分分析，提取前兩個主成分，進一步通過分析其散點圖確定終元，最後使用光譜線性混合模型提取積雪蓋度。
研究結論
積雪參數對雪災評估、水資源利用和數值模式運行有重要價值，定量提取積雪參數是遙感科學的重要內容。研究顯示，多光譜數據含有較多的地物特徵光譜信息，多光譜數據比單一光譜數據在地物識別方面有優越性。一般的圖像分類方法如最大似然法獲取的像元都是確定的地物類型，無法得到積雪的蓋度信息，而使用光譜線性混合模型對AVHRR數據進行混合像元分解是反演積雪蓋度的一種科學方法。本文使用混合像元分解法從NOAA-AVHRR數據反演了積雪蓋度，取得較好結果。積雪蓋度混合像元分解法使用的終元必須包括積雪，而對是否按地物類型使用其它的終元不敏感，方法比較穩定。 [3]