遙感圖像處理和普通圖像處理有哪些異同呢，本質區別是什麼？
遙感圖像處理中很多方法源於普通圖像處理，但遙感圖像和普通圖像也有很多區別，那麼到底這兩者有哪些異同呢？
29/11/2015
修改了部分英文
有些詞語實在是說順口，想中文意思費勁，懶得改了
===========================================
先佔坑，後續補充
提醒：沒有學習過國內的相關課程，所以會參雜很多英文
===========================================
Note1:遙感最重要的一點就是就是數據的真實性，不能進行壓縮。跟導師提過一句 『把data做了一個歸一化』，因為當時沒解釋過多，導師以為我偽造了數據，結果費了九牛二虎之力才解釋清楚
Note2: 鑒於層主有信號處理的背景，所以分析的角度可能會和前面所不同
---------------------------------------------------------------------------
首先，先讓我們了解一下普通圖像處理和遙感圖像處理的對象都是神馬。
普通圖片，每個幀是2D的，最多擴展到video rate （這個我不知道國內怎麼說的），這樣第三維就變成了時間維度，因此這樣的dataset就成了一個離散時間信號，也可以叫做時間相關 。然後讓我們把每個幀中的（1, 1）這個坐標下的值拿出來就變成了這樣
當然，坐標軸需要修改，Amplitude改成Pixel value，Sample Number改成Frame Number。現在我們先打住對3D的圖片處理（小note: 3D中有個利用motion vector進行目標追蹤），回到2D。按著前面的思路，2D的幀也可以把它們看成一個信號對不對？Bingo，那麼我們對於一個信號會進行什麼處理呢，把你所知道的信號處理的方法全砸上去，傅里葉變換，信號壓縮，低通/高通/帶通/卡爾曼/窗函數/XXX濾波，等等，不能太爽歪歪啦，圖像信號和信號不能完全劃等號，畢竟還多出圖像二字。於是顧名思義，圖像當然有圖像的特點，那就是在圖像中會有一塊圈起來的pixel是一樣的，另一塊圈起來也是一樣，比如藍藍的天空和天空中飛的一隻白色的鳥，我們的肉眼會告訴我們，這倆貨明顯不是一個東西哇，很好，於是我們要進行目標識別啦，首先我們會發現它們顏色不一樣咯，藍色的天空像素值是255/220，而白色的鳥是255/10，採用不同的閾值就能分辨出來，如果你覺得這種方法太low,我們還可以算出整個天空部分的梯度值，這樣你會發現鳥和天空交界處的值異常偏高，把它們連起來就是整個鳥的輪廓。目標識別也打住不展開了。
---------------------------------------------------------------------------------------------------------------
接下來讓我們說說遙感圖像。相比普通圖像，遙感圖像一定是三維滴，別問我為什麼 = =
空間的兩維再加上一維光譜，依上面的思路，也把這樣的dataset叫做光譜相關
然後讓我們來一起隨遙感圖像rock and roll吧
這是啥。。。 好像都是葉子 = =
這又是啥。。。。。
告訴你上圖中綠色的是真實的葉子，其他顏色的是假的葉子。
好像從上上圖裡看不出來。。bingo，這個正是遙感的奧秘所在，普通可見光下，我們肉眼分不出來的東西在其他的光譜里就能看出來了。這就是每種物質的各自的spectral signature（這個我真不知道中文對應的是啥）。因此和普通圖像處理最本質的區別是，遙感重在聯繫到光譜進行處理，圖像處理由2D處理衍生到3D處理會發生很多變化，比如最常用的PCA（主成分分析法）做法，就是將所有幀的像素值全部轉化成特徵值。另外還有你會不會覺得一說遙感就有幾百張圖片，如果每個frame是1000*1000，總共280個幀，那麼pixel就有1000*1000*280。。。。想想都頭疼吧，因此偉大的科學家們就要開始偷懶啦，不對是改進演算法，這塊領域叫波段選擇，反正就是怎麼省時間省力氣就怎麼著來。當然遙感里也有目標識別，例如Anomaly Detection(異常檢測)。
=================================================
想著把找個時間把這兩本書讀完
Digital Image Processing， Gonzalez大神的書
Hyperspectral Remote Sensing Data Analysis and Future Challenges
話說這是我目前回答最多的答案
望親們多點贊少感謝啦
歡迎拉我去答題
最本質的應該是波段吧。普通圖像（彩色）就三個波段R/G/B，而遙感圖像的波段不僅包含了這三種可見光波段，還延伸至近紅外、中紅外、遠紅外、微波etc。每種地物的都有自己特有的spectral signature，僅是可見光這個波段區間不足以區分各種地物的不同，所以我們需要延長普通圖像的可感知波段範圍。被動遙感圖像的成像原理和照相機類似，只不過還可以捕捉到許多我們肉眼無法看到的波段。所以像是應用於普通圖像的「stretch」等功能也能應用於遙感圖像。 主動遙感圖像的成像原理完全不同，所以應該不在這個問題的討論範圍內。
首次答題，如果有邏輯或專業知識層面的問題，歡迎大家指出。
我不太清楚題主的普通影像是指具體哪些，本人就理解為日常生活中的影像，如照片等。而對於普通影像的處理，相信大家都有用過PS，裡邊包含了很多根據圖像處理中的演算法而實現的功能。而遙感影像處理所用的方法包含而不僅限於這些演算法。我僅以遙感影像處理的基本過程為例說明一下。
-------------------------------------------------------------------------------------------------------------------------------------------
- 無論是在課後實習還是實際生產中，對遙感影像的處理都要有一個明確的目的，比如目標識別、變化監測或是目視判讀等。所以首先必須要根據你的處理目的選擇合適的影像。這就包括很多需要考慮的因素，比如影像的空間解析度（既不可太低，又不必過高），波段組合（根據你的目的合理選取），以及影像拍攝的時間等。這裡的波段就不止包括普通影像的RGB三個波段了。
- 選好影像後，要進行影像的幾何處理。這也是區別於普通影像的一大特點。遙感影像是基於地理信息的影像，而普通影像是不會有地理信息的。這一過程校正遙感影像的地理信息，使其與地面目標的坐標能夠比較準確的對應。
而後要進行輻射處理，也就是輻射定標。這一過程主要是為了使遙感影像的輻射值（也就是像素值）能夠和地物發射或反射的輻射值儘可能接近。
接下來就是遙感影像處理與普通影像處理重疊比較多的部分了，也就是根據需求運用各種圖像處理的演算法方法對圖像進行處理，比如平滑，直方圖均衡化，高通濾波以及很多高端演算法。
最後就是遙感影像的一些後續處理。比如鑲嵌啊，融合啊，分類啊，最終達到圖像解譯或者製作專題圖的目的。
以上所說步驟在實際運用中要根據具體問題適當的增加或減少，每一次的遙感影像處理都要對目的瞭然於胸，做好整個過程的大致流程，再進行處理。
1 共同的數學原理，不同的數據特徵。
2 相同的處理機制，不同的應用目標。
3 相同的圖像運算，不同的解譯結果。
4 相同的發展趨勢，不同的專業側重。
其實本質並無太大的區別，都是處理數據矩陣而已。差別和有人專門處理人臉圖像、有人專門處理工業圖像、有人專門處理顯微圖像一樣。並無特殊之處，總體來說是相通的。
只不過這類圖像有一些相似的地方，有些特殊的地方，比如是長焦的，比如地物形態的特殊性，就像人臉圖像中人臉的特殊性一樣。因為這些特殊性，逐漸發展了一批能比較好適應這類特性的演算法，然後就有人去深究：為了追求效率，或者追求精度。
總體來說萬變不離其宗。
謝邀。
記得一開始我把個人簡介寫成 「電子系學徒」，於是有人邀請我讓我幫忙算通信原理里的題目，可惜我並未學過，於是我只好改了個人簡介。一段時間過去，相似的情形再度出現了，這次我又要改個人簡介了，因為我做的是醫學圖像處理，整天看著那些大腦心臟，考慮怎麼搞到他們的輪廓。
不過這個問題我決定答一下，算是我在知乎上第一次回答專業相關的問題。
首先摘錄一下百度百科的非權威的解釋。遙感圖像處理_百度百科
我們看第9項發現它的流程是包含預處理和糾正這兩步的。預處理對於圖像處理來說很常見，普通圖像大都是去噪處理，而遙感圖像處理多了陰影和薄雲處理，這是由於遙感圖像特殊的成像方式，使得他的成像特徵更為複雜。這樣看來，我們可以簡單的把遙感圖像處理理解為：獨特的預處理+普通圖像處理。
但是實際上情況更為複雜。遙感圖像的處理應用也與普通圖像有所差別。
遙感圖像一般獲取平台以星載，機載為主，無人機，車載等平台也有很多；
成像感測器多種多樣，紅外，激光，高光譜，合成孔徑雷達等等……；
成像機理也有很大差異，以成像雜訊為例，紅外圖像的非均勻性雜訊模型，合成孔徑雷達圖像(sar)的乘性雜訊模型，都與普通光學圖像的加性雜訊模型有差異。
在對遙感圖像的理解上也需要專門學習，以sar圖像為例，不深刻理解成像原理，很難看懂圖像，成像當中的頂底位移、疊掩、多次散射對理解圖像是有一定障礙的。至於其中的極化，干涉等技術就更需要專門學習了，有興趣可以讀些polsar, insar的paper。
==================================================================
總之，普通圖像和遙感圖像在處理上，數學原理一致，建模不盡相同，一般了解某種圖像數據的特點，掌握一些慣用的建模方法，就可以跑到普通圖像處理那裡去借鑒了（對，就是借鑒），借鑒回來就可以灌水了。
遙感專業在讀研究生前來獻醜。遙感圖像處理在很多數據層面和普通圖像處理差不多，濾波，密度分割等等。但在對象和目的兩方面遙感圖像與普通圖像有很大差別，遙感圖像通常包涵巨大的信息量，拿高解析度可見光波段遙感圖像來說，其不光包涵不同波段的光譜信息，還由於其高解析度而包含了大量的地表物體的地理空間信息，而這些信息既可以通過演算法來提取，又可以通過人工解譯得到。
概括來說，由於目前遙感技術大多服務於GIS，所以遙感圖像處理與普通圖像處理的區別也多來自GIS的一些特性，需求決定了差異。
很多遙感圖像的處理方法都是計算機視覺的東西。
遙感圖像算是圖像的特例，主要區別在遙感圖像需要深度研究地物波譜屬性，而普通圖像大多是真彩色 ，憑自己的經驗判斷就行了。。
回復 xn geo ：看你做什麼了，如果側重遙感圖像解譯，就去研究光譜特性、地物的時相性、地理分布規律等。如果研究影像拼接，就去看共線方程、鑲嵌等。如果改進遙感圖像處理過程，就去搞分散式、gpucpu的混合運算等。其實遙感現在太新的東西沒有，就是得想辦法和其他的技術結合進來
//.....
不匿了，學生階段，水平較低，輕噴。
獻醜，歡迎指正。
樓上幾位回答的維度不一樣。
遙感圖像處理可以是紅外等非可見波段的圖像處理，屬於樓上幾位回答的範疇；但也可以是我們研究的，航拍圖像處理。 我只著重討論航拍圖像處理。
航拍圖像處理由UAV拍攝，最後經過合成，過濾，矯正形成google earth這樣的圖像。
我對題目的理解是，航拍圖像識別（比如道路識別），與其他圖像識別（比如人臉識別）有什麼區別？
================================================ 拖延症發作，待完成。。本質區別在於因地制宜吧，了解研究區的地理環境方可更好地處理。
不知道LZ對普通圖像處理的定義是什麼（P圖範疇？智能處理範疇？），所以先撇開普通圖像處理，憑之前的記憶，說上兩點。
①處理軟體不一樣。成像原理不盡相同，比如說合成孔徑雷達和一般圖像的成像原理就不太一樣，INSAR更是基於干涉原理。所以要求的專業軟體可能不一樣（arcgis/matlab/...），側重點各有不同吧。。。
②處理步驟不一樣。因為想得到的最終產品兩者是不一樣的，而且兩者數據特徵也不一樣，比如數據維度/背景噪音等等兩者不在一個次元上。
③圖像銳化，降噪，壓縮等等的數學原理都一樣，相通的吧。
好難啊。。。
圖像簡單來說，就是把觀測對象數據化後的映射物。處理遙感圖像和普通圖像的時候，導致差異的一個重要原因應該和組成映射物的數據的特徵有關吧。擦，我也不知道我在說什麼了。。
剛剛接觸這塊圖像處理，就我粗淺的認識來看。光學遙感圖像主要是接收不同頻段的波長，這樣接收的信號成的圖像叫做多波段圖像，所以實際處理的時候往往要處理的是很多副圖像，這就需要能處理這樣多幅圖像的方法，別如PCA；除此之外，遙感器本身的掃描拍攝形式等，也使得遙感圖像需要一些校正等預處理的步驟。剩下的很多方法基本通用，比如去噪、配准、小波變換等等方法
我也來答一個。
1.混合像元:遙感數據影像來源廣泛，由衛星獲取，就像給地球拍照，比例尺較大，同時不同衛星觀測能力不一樣，遙感影像的解析度也不同。而普通的圖像通常是對某一地物的特寫。因此，遙感影像解析度較大時存在混合像元，而普通圖片不存在這個問題，只要我們需要表達的地物清晰就行。所以遙感影像需要處理混合像元的問題，而普通圖片同常不需要。
2.方法:遙感影像現在應用主要在土地利用提取上，可以基於像素，基於對象，使用光譜特徵，紋理，形狀等，而普通圖片可能沒有這麼豐富的提取方法。
遙感圖像主要是從天頂角度觀測，而且圖幅裡面的目標尺度差異大，可以達到成百上千倍，這是與自然圖像區別最大的兩點。
沒做過遙感圖像處理，但是我在做消除光照不均時接觸過遙感圖像勻光的演算法，有個叫做Mask勻光的演算法，可以在一定程度上消除鏡頭漸暈效果(鏡頭中間亮四周暗的現象)。另外，遙感圖像一般碩大無比，一般都用N塊小的拼接成一塊大的，那麼拼接和配准演算法就派上用場了，啥Sift演算法Surf演算法風起雲湧......
我的理解：遙感圖像是包括普通圖像的，因為遙感就是通過非接觸的方式來獲取地物信息的。而不同的遙感影像是包含不同的地物信息的，高（多）光譜影像就是地物在不同波譜段中反射的能量，每個像素記錄的是能量，彩色RGB影像就是普通的影像，裡面包含更多的可能是紋理信息等等。所以我覺得本質都是一樣的。或者說，普通影像就是近景攝影測量的遙感影像。
未做過遙感圖像處理，只有看論文過程中的一些簡單了解。遙感圖像處理是圖像處理中的一個分支，而且也是一個比較特殊和比較困難的分支，因為遙感圖像數據有多時相、多光譜、多感測器、多解析度、海量等特點，而這些對於普通圖像處理來說通常是單一的，因此有時候情形可能複雜得多；而且處理過程中需要額外考慮輻射畸變、植被指數、多光譜變換等內容。當然，處理的方法模型大多其實還是一樣或類似的……
想到更多的了再補充
這個問題需視具體的目的而定。如果你的目的是做定量遙感，做地物參數如地表溫度、作物產量的反演，那麼你的工作重點在於這些反演模型的優化。
而如果你的目的只在於遙感圖像地物分割、分類、場景識別這些信息提取。就普通的光學影像處理而言，它與普通圖像處理之間的共性遠遠大於他們之間的差異。可以說，一個做普通圖像處理的人，基本可以無縫銜接地轉來做普通光學遙感圖像處理。再舉一個例子你就明白了，就我所知，現在攝影測量與遙感專業的很多博士生，發論文的流程是：傳統計算機視覺（包括普通數字圖像處理）屆有什麼新理論與演算法看著還不錯，把它用來做遙感圖像處理，稍微針對數據本身的特性做些改進，效果還可以的話一篇文章就出來了。可以說，遙感圖像處理本身並沒有多少自己獨到的理論與方法，但是，這並不意味著遙感圖像處理不重要，計算機視覺屆作為理論奶牛，關注遙感領域應用的人畢竟只是少數，而如何針對讓不同的遙感應用場景進行理論與方法的改進，使其更適應於具體應用場景，這裡面其實涉及到不少的研究與開發工作。
最關鍵的還是二者包含的數據信息不同。
推薦閱讀：