遥感数字图像处理考试复习

1、遥感数字图像处理第一章1、 通用遥感图像数据格式：BSQ、BIL、BIP（详细解释见教材P30-32）l BSQ：是像素按波段顺序依次排列的数据格式。即先按照波段顺序分块排列，在每个波段内，再按照行列顺序排列。l BIL：像素先以行为单位分块，在每个快内，按扎波段顺序排列像素。l BIP：以像素为核心，像素的各个波段数据保存在一起，打破了像素空间位置的连续性。第二章1. 颜色三要素：色调、明度、饱和度l 明度颜色在视觉上引起的亮暗程度；l 色调颜色的类别，是识别、区分物体的主要标志；l 饱和度彩色的纯洁程度。2. 直方图：直方图是影像亮度值频率统计信息的图形表达方式，横坐标为影像某波段亮度值的

2、量化等级，纵坐标代表这些亮度值出现的频率。直方图的性质：l 直方图反映了图像灰度的分布规律；l 任何一幅特定的图像都有唯一的直方图与之对应，但不同的图像可以有相同的直方图。l 由于遥感图像数据的随机性，直方图服从或接近正态分布；直方图的应用：l 根据直方图的形态可以大致推断图下那个的反差，然后可通过有目的地改变直方图形态来改善图像的对比度；l 通过直方图的形态还可以有助于解译图像；l 像元亮度值的查看；l 直方图用于判断量化是否恰当。第三章1. 遥感影像几何变形的因素l 内部误差：由传感器本身的性能引起的误差。如像主点偏移、镜头光学畸变等。l 遥感平台位置和运动状态变化的影响： 航高、航速、俯

3、仰、翻滚、偏航。l 地形起伏的影响：产生像点位移。l 地球表面曲率的影响：一是产生像点位移；二是像元对应于地面宽度不等，距星下点愈远畸变愈大，对应地面长度越长。l 大气折射的影响：产生像点位移。l 地球自转的影响：产生影像偏离。2. 几何粗校正：是针对卫星运行和成像过程中引起的几何畸变进行的校正，即卫星姿态不稳、传感器内部变形等因素引起的变形。 地面接收站在提供给用户资料前，已按常规处理方案与图像同时接收到的有关运行姿态、传感器性能指标、大气状态、太阳高度角对该幅图像几何畸变进行了校正。地面接收站做的几何校正即几何粗校正。3. 地面控制点（GCP）的选取：l 地面控制点在图像上有明显的、清晰的

4、定位识别标志，如道路交叉点、河流叉口、建筑边界等；l 地面控制点的地物不随时间而变化，以保证两幅不同时段的图像或地图，可以同时识别出来；l 尽可能满幅均匀选取，特征变化大的地区应多选些地面控制点。 控制点的最少数目为(n+1)(n+2)/2。4. 几何精校正的步骤 ：l 选取地面控制点（GCP，Ground Control point）；一个在影像上可以分辨并能在地图上精确定位的地表位置（如：交叉路口）。 l 依据控制点对数据进行空间坐标变换，也就是在几何位置上校正畸变误差；l 取得变换后图像各像元的灰度值，即对图像进行重采样。5. 数字影像镶嵌原理：如何将多幅影像从几何上拼接起来，这一步通常

5、是先对每幅图像进行几何校正，将它们规划到统一的坐标系中，然后对它们进行裁剪，去掉重叠的部分，再将裁剪后的多幅影像装配起来形成一幅大幅面的影像。6. 数字图像镶嵌接缝消除过程l 图像的几何纠正；l 搜索镶嵌边；l 亮度和反差调整；l 平滑边界线。第四章1. 不必要的大气校正： 不需要进行大气校正的基本原则就是：训练数据来自所研究的影像(或合成影像)，而不是来自其他时间或地点获取的影像。第五章辐射增强1. 线性变换：2. 非线性灰度变换：（1）对数变换 低灰度区扩展，高灰度区压缩。 （2）指数变换 高灰度区扩展，低灰度区压缩。3. 直方图均衡：基本思想是使目标图像的直方图具有平直的直方图。即通过对

6、原图像进行某种变换，是原图像的灰度直方图修正为均匀分布的直方图的一种方法。技术要点：l 公理：直方图p(rk )，为常数的图像对比度最好；l 目标：寻找一个灰度级变换T(r)，使结果图像的直方图p(sk )为一个常数。4. 直方图匹配：修改一幅图象的直方图，使得它与另一幅图象的直方图匹配或具有一种预先规定的函数形状。 目标：突出我们感兴趣的灰度范围，使图象质量改善。步骤：（1）由 ，各点灰度由 r映射成s。（2）由 ，各点灰度由 z映射成v。（3）根据v=G(z), z=G-1(v) 由于v, s有相同的分布，逐一取 v=s，求出与r对应的 z=G-1(s)=G-1T（r）。 5. 空间域平滑

7、1） 邻域平均法（移动平均法）该法对图像平滑来说是一种简单的空域技术，用公式表示：式中x,y=0,1,N-1； s为（x,y）邻域内像素坐标的集合，这个集合不包括点(x,y)；M表示集合s内像素的总数。优点：算法简单；缺点：图像产生模糊，特别在边缘和细节处；域越大，模糊程度越严重。2） 超限像素平滑法将f(x,y)和邻域平均g(x,y)差的绝对值与选定的阈值进行比较，根据比较结果决定点（x,y）的最后灰度g(x,y)。其表达式为：特点：对抑制椒盐噪声比较有效，对保护仅有微小灰度差的细节及纹理也有效。缺点：随着邻域增大，去噪能力增强，但模糊程度也大。3） 灰度最相近的K个邻点平均法出发点：在nn

8、的窗口内，属于同一集合体的像素，它们的灰度值高度相关。做法：用窗口内与中心像素的灰度最接近的K个邻像素的平均灰度来代替窗口中心像素的灰度值。结果：K值选取的大小不同，效果不同。 实验证明，对于33的窗口，取K=6为宜。4） 最大均匀性平滑 做法：对图像中任意一点f(x,y)采用如图所示的5个矩阵重叠邻域，用梯度算子计算它们的灰度变化的大小，灰度变化最小的作为最均匀区域，用其灰度的均值替代f(x,y)。目的：避免消除噪声引起边缘模糊。5） 有选择保边缘平滑法 Nagao等人将矩形邻域改为采用9个图示的掩模（一个33正方形、4个五边形和4个六边形）算法步骤：l 确定像素点(x,y)的9个邻域的方差

9、及平均值；l 确定具有最小方差值的邻域，并将其均值赋给f(x,y)。6） 空间低通滤波法出发点：邻域平均法可看作一个掩模作用于图像f(x,y)的低通空间滤波，掩模就是一个滤波器，响应为H(r,s)，滤波输出的数字图像g(x,y)用离散卷积表示为：7） 中值滤波中值滤波就是用一个奇数点的移动窗口， 将窗口中心点的值用窗口内各点的中值代替。假设窗口内有五点，其值为80、 90、 200、 110和120，此窗口内各点的中值即为110。例如，有一序列0, 3, 4, 0, 7，重新排序后为0,0,3,4,7， 则Med0,0,3,4,7=3。此列若用平滑滤波，窗口也是取5，那么平滑滤波输出为（0+3

10、+4+0+7）5=2.8。l 优点：对脉冲干扰及椒盐噪声的抑制效果好，在抑制随机噪声的同时能有效保护边缘少受模糊。l 缺点：对点、线等细节较多的图像却不太合适。l 难点： 正确选择窗口尺寸的大小。一般很难事先确定最佳的窗口尺寸，需通过从小窗口到大窗口的中值滤波试验，再从中选取最佳的。6. 空间域锐化锐化的主要用途 ：图像识别中，分割前的边缘提取；锐化处理恢复过度钝化、暴光不足的图像。1） 梯度法设图象函数为f (x,y)，它在点(x, y)处的梯度 (Gradient)是一个矢量，定义为：在(x,y)点处的梯度：l 梯度的方向是f (x,y)在这点灰度变化率最大的方向；l 梯度的大小（记gra

11、d (x,y)）则等于f (x,y) 的最大变化率，即f (x, y)在其最大变化率方向上的单位距离所增加的量；l 其大小和方向为：l 为方便起见，以后把梯度大小也简称为梯度。l 对数字图象，用差分来近似微分。l 梯度公式变为：l 可用绝对值得到如下近似结果：2） 罗伯特（Roberts）梯度算法l 梯度公式变为：l 可用绝对值得到如下近似结果：频域增强1. 傅立叶变换2. 图像平滑低通滤波l 频域低通滤波的基本思想：G(u,v) = F(u,v)H(u,v)l F(u,v)是需要钝化图像的傅立叶变换形式l H(u,v)是选取的一个过滤器变换函数l G(u,v)是通过H(u,v)减少F(u,v

12、)的高频部分,来得到的结果l 运用傅立叶逆变换得到钝化后的图像 3. 滤波器理想低通过滤器的截止频率的设计：可计算以原点为中心，半径为D0的圆内包围着的能量的百分比，比如一个256256大小的图像，当选择以下半径D0为截止频率的理想低通滤波器时，所包围能量比为： D0 = 5 11 22 36 53 98= 90 95 98 99 99.5 99.8 理想低通过滤器的分析：l 整个能量的90%被一个半径为5的小圆周包含,大部分尖锐的细节信息都存在于被去掉的10%的能量中；l 小的边界和其它尖锐细节信息被包含在频谱的至多0.5%的能量中；l 被钝化的图像被一种非常严重的振铃效果理想低通滤波器的一

13、种特性所影响。光谱增强1. 土壤线土壤在R与NIR 波段的反射率具有线性关系。则在NIRR通道的二维坐标中，土壤（植被背景）光谱特性的变化，表现为一个由近于原点发射的直线，称为“土壤线”。 表示为： IR = b R + a，a、b为土壤线截距和斜率植被背景，包括水体、雪、各种类型土壤、落叶等非光合作用目标均表现在基线上；所有植被象素均分布在基线上的NIR一侧。绿色光合作用越强，离“土壤线”越远。2. 多光谱增强多光谱图像的特点：l 波段数目多l 信息量大l 波段之间有一定的相关性，信息重叠影响图像各波段相关的主要因素：l 地物的波谱反射相关性；l 地形： 地形阴影在所有太阳光反射波段上都上一

14、样的，在山区和低太阳角时，地形阴影可能成为图像的主导成分，导致太阳反射光谱区内波段之间的相关性，但在热红外波段例外。l 遥感传感器波段间的重叠。多光谱增强的目的：对多光谱图像进行线性变换，减少各波段之间的信息冗余，保留主要信息，压缩数据量，增强和提取有利于解译的数据。主要方法：l K-L变换-主成份变换l K-T变换-缨帽变换3. KL变换原理：对某一个n个波段的多光谱图像实行一个线性变换，即对该多光谱图像组成的光谱空间X乘以一个线性变换矩阵A，产生一个新的光谱空间Y，即产生一幅新的n个波段的多光谱图像。表达式为：Y=AX式中，X为变换前多光谱空间的像元矢量；Y为变换后多光谱空间的像元矢量；A

15、为一个n*n的线性变换矩阵。K-L变换的计算过程：l 计算多光谱图像的均值向量l 计算多光谱图像的协方差矩阵 l 计算协方差矩阵 的特征值i l 对i按大小排序然后求特征向量i（i=1，2，,n）,n为多光谱图像的波段数l 选前几个特征值对应的特征向量i （i=1，2，,m，mn),由i得到Al 用A对图像进行变换，求得Y=AXK-L变换结果分析： l （1）K-L变换后，得到 一组新的变量（即Y的各个行向量），称为第n主成分；l （2）特征值的大小反映了这一方向上主分量所具有信息量的多少及每个分量的相对重要性；l （3）第一主成分相当于原来各波段的加权和，且每个波段的加权值与该波段的方差大小

16、成正比（方差大，信息量大），反映了地物总的辐射强度。 K-L变换性质： l 由于nm, 能够把原来多波段中的有用信息尽量集中到数目尽可能少的新的组分图像中，实现了数据压缩。l 变换后的矢量Y的协方差矩阵是对角阵，这表明新特征矢量之间互不相关，即新的组分图像中的组分之间互不相关，从而使得各组分包含的信息内容互不重叠。l 主成分变换后有的特征影像反差拉大，信息集中，整个影像上离散度变大；而另一些特征影像上离散度变小，出现更多的噪声。l 第一组分相当于原来各波段的加权和，而权值与该波段的方差大小成正比，反映了地物总的反射强度；其余组分相当于不同组分的加权差值图像。l 对第一组分进行高通滤波，有利于细

17、部特征的增强和分析。l 多数情况下，第一组分主要包含的是植被和地形方面的信息。主成分变换的应用：l 数据压缩。l 图像增强。l 分类前预处理。l 由TM图像分组进行合成。4. KT变换K-T变换是一种线性变换，使坐标轴发生旋转，旋转后坐标轴的方向与地物，特别是和植被生长及土壤有密切关系。它为植被研究、特别是分析农业特征提供了一个优化显示的方法，同时又实现数据压缩，具有重要的实际应用意义。K-T变换是对原图像的坐标空间进行平移和旋转，公式为：Y=RX+r 式中，X为变换前多光谱空间的像元矢量 Y为变换后多光谱空间的像元矢量 R为变换矩阵 r为避免出现负值所加的常数。 第六章1. 图象分割：把图象

18、空间按照一定的要求分成一些“有意义”的区域的技术。2. 开运算与闭运算开运算：是对原图先进行腐蚀处理，后再进行膨胀的处理。开运算可以在分离粘连目标物的同时，基本保持原目标物的大小。闭运算：是对原图先进行膨胀处理，后再进行腐蚀的处理。闭运算可以在合并断裂目标物的同时，基本保持原目标物的大小。第七章1. 监督分类法是选择有代表性的试验区来训练计算机，再按一定的统计判别规则对未知地区进行自动分类的方法。监督分类的主要步骤：（1）确定感兴趣的类别数首先确定要对哪些地物进行分类，这样就可以建立这些地物的先验知识。（2）特征变换和特征选择根据感兴趣地物的特征进行有针对性的特征变换，这部分内容在前面特征选择

19、和多光谱增强一节有比较详细的介绍。变换之后的特征影像和原始影像共同进行特征选择，以选出既能满足分类需要，又尽可能少参与分类的特征影像，加快分类速度，提高分类精度。（3）选择训练样区训练样区的选择要注意准确性、代表性和统计性三个问题。准确性就是要确保选择的样区与实际地物的一致性代表性一方面指所选择区为某一地物的代表，另一方面还要考虑到地物本身的复杂性，所以必须在一定程度上反映同类地物光谱特性的波动情况统计性是指选择的训练样区内必须有足够多的像元，以保证由此计算出的类别参数符合统计规律。实际应用中，每一类别的样本数都在102数量级左右。（4）确定判决函数和判决规则一旦训练样区被选定后，相应地物类别

20、的光谱特征便可以用训练区中的样本数据进行统计。如果使用最大似然法进行分类。那么就可以用样区中的数据计算判别函数所需的参数Mi和 i 。如果使用盒式分类法则和用样区数据算出盒子的边界。判决函数确定之后，再选择一定的判决规则就可以对其它非样区的数据进行分类。（5）根据判别函数逐个像素的分类判别（6） 分类结果影像的形成2. 执行监督分类时分类方法选择 最小距离分类法（1）最小距离判别法：对图像中每个类别选一个具有代表意义的统计特征量（均值），计算待分像元与已知类别的距离，将其归属于距离最小的一类。（2）最近邻域分类法计算待分像元到每一类中每一个统计特征量之间的距离，该像元到每一类都有几个距离值，取

21、其中最小的一个距离作为该像元到该类别的距离，再比较待分像元到所有类别间的距离，将其归属于距离最小的一类。 最大似然法（最常用）通过求出每个像元对于各类别归属概率（似然度），把待分像元分到归属概率（似然度）最大的类别中。 多级切割法（很少用）多级切割法又被称为平行管道法，平行六面体分类器（高维盒式分类器），这是一种最简单的分类器。如，在二维情况下，各类训练样本的特征向量产生各自的矩形；在三维情况下，则产生真正的盒子；在多维情况下产生多维的盒子。每个盒子为一类。盒子中心是训练样本的均值向量；盒子边界由样本类的标准差乘以分类者确定的乘数来限定。乘数可取1、2或1.73，它们分别对应该波段值的标准差、

22、2倍标准差或1.73倍标准差。像素落到哪个盒子就属于哪类。同时落到两个或两个以上盒子内的像素，规定分类结果为最小的盒子所属的类（ILWIS系统），或者最后一个盒子所属的类（Envy系统）；落到所有盒子之外的像素被标识为“未分类”。各类在多维空间中形成的数据集并非都沿着每一维数据的数轴方向分布，因而就将平行于各维数轴的盒子（立方体）的概念，修改为多维空间中方向较自由（可不平行于数轴）的平行六面体的概念。这种平行六面体的各个面不是矩形，而是平行四边形。但其分类原则仍是盒式分类器的原则。平行六面体分类器比盒式分类器更适合高维遥感数据。l 优点：分类标准简单，计算速度快l 缺点：按照各个波段的标准差划

23、分的平行多面体与实际地物类的点群形态不一致。是因为遥感图像的不同波段间的相关性很大，点群在空间直角坐标系中的分布呈不规则的椭球形，其长轴相当于平行多面体的对角线方向。多面体的形态与椭球的形态分布不一致，容易造成两类互相重叠，混淆不清。l 改进办法：尽可能采用较小的平行多面体 神经网络用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程应用于图像分类。 支持向量机支持向量机分类（SVM）是一种建立在统计学习理论基础上的机器学习方法。SVM可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和

24、较高的分类准确率。 基于专家知识的决策树分类基于专家知识的决策树分类时基于遥感图像数据及其他空间数据，通过专家经验总结、简单的数学统计和归纳方法等，获得分类规则进行遥感分类。分类规则易于理解，分类过程也符合人的认知过程，最大的特点是利用多源数据。3. 监督法分类的优缺点优点：.l 根据应用目的和区域，有选择的决定分类类别，避免出现一些不必要的类别；l 可以控制训练样本的选择；l 可以通过检查训练样本来决定训练样本是否被精确分类，从而避免分类中的严重错误,分类精度高；l 避免了非监督分类中对光谱集群的重新归类；l 分类速度快。缺点：l 主观性；l 由于图象中间类别的光谱差异，使得训练样本没有很好的代表性；l 训练样本的取和评估花费较多人力时间；l 只能识别训练中定义的类别。4. 非监督分类1) K-均值聚类法K-均值算法的聚类准则是使每一聚类中，多模式点到该类别的中心的距离的平方和最小。基本思想是：通过迭代，逐次移动各类的中心，直至得到最好的聚类结果为止。2) ISODATA算法它与K均值算法有两点不同:第一，它不是每调整一个样本的类别就重新计算一次各类样本的