遙感數(shù)字圖像處理

1、第二章：1 遙感的投影方式：中心投影，全景投影，斜距投影，平行投影。2 遙感成像按成像原理可分為：攝影成像和掃描成像3 傳感器分辨率指標：輻射分辨率，光譜分辨率，空間分辨率和時間分辨率。4 Landsat4-7見課本18頁 5 數(shù)字化的過程包括：采樣和量化。6 通用數(shù)據格式：BSQ，BIL，BIP。第三章7 均值：像素值的算術平均，反映的是圖像中地物的平均反射強度，大小由圖像中主題地物的光譜信息絕定。8 中值：指圖像所有灰度級處于中間的值，當灰度級為偶數(shù)時，則取中間兩灰度值的平均值，由于灰度級一般連續(xù)變化，中值可由最大灰度值和最小灰度值決定。9 方差：像素值與平均值差異的平方和，表示像素值的離

2、散程度。10 變差：像素值最大值與最小值的差。11 反差：反映頭像的顯示效果和可分辨性，有時又稱對比度。反差越小，地物之間的可分辨性越小。圖像處理的一個基本目的就是提高圖像的反差。12 直方圖：是灰度級的函數(shù)，描述的是圖像中各個灰度級像素的個數(shù)。圖像的灰度值是離散變量，直方圖表示離散的概率分布?？煞譃轭l數(shù)直方圖和累積直方圖。假定像元亮度隨機分布時，直方圖應是正態(tài)分布的13 會看直方圖P46+P44 13.1 直方圖均衡化將原圖像的直方圖通過變換函數(shù)變?yōu)榫鶆虻闹狈綀D，然后按均勻直方圖修改原圖像，從而獲得一幅灰度分布均勻的新圖像。13.2 直方圖均衡化的效果為：（1）各灰度級出現(xiàn)的頻率近似相等；（

3、2）原圖像上頻率小的灰度級被合并，實現(xiàn)壓縮；頻率高的灰度級被拉伸，因此可以使亮度集中于中部的圖像得到改善，增強圖像上大面積地物與周圍地物的反差。13.3 均衡化后圖像的最小灰度值0，最大灰度值為L-1像元總數(shù)為N。(L-1)/N稱為拉伸因子。具體計算用拉伸因子和累計像元統(tǒng)計值相乘即可以得到變換后的值13.4 對一幅圖像進行直方圖均衡化的具體步驟： （1）統(tǒng)計原圖像每一灰度級的像元數(shù)和累積像元數(shù)； （2）根據變換函數(shù)式計算每一灰度級xa均衡化后對應的新值，并對其四舍五入取整，得到新灰度級xb； （3）以新值替代原灰度值，形成均衡化后的新圖像； （4）根據原圖像像元統(tǒng)計值對應找到新圖像像元統(tǒng)計值，

4、做出新直方圖； 直方圖均衡化后的圖像每個灰度級的像元頻率，理論上應相等。實際上均衡化后的直方圖呈現(xiàn)參差不齊的外形，這時由于圖像是離散函數(shù)，各灰度級可能的像元個數(shù)有限造成的。在一些灰度級處可能沒有像元，在另外一些灰度級處則像元很擁擠。13.5直方圖規(guī)定化是指使一幅圖像的直方圖變成規(guī)定形狀的直方圖而對圖像進行變換的增強方法。規(guī)定的直方圖可以是一幅參考圖像的直方圖，通過變換，使兩幅圖像的亮度變換規(guī)律盡可能地接近；規(guī)定的直方圖也可以是特定函數(shù)形式的直方圖，從而使變換后圖像的亮度變換盡可能地服從這種函數(shù)分布。直方圖規(guī)定化的原理是對兩個直方圖都做均衡化，變成相同的歸一化的均勻直方圖。以此均勻直方圖起到媒介

5、作用，再對參考圖像做均衡化的逆運算即可。13.6 14 直方圖匹配：15 共生矩陣法：圖P55灰度共生矩陣（GLCM，又稱為灰度聯(lián)合概率矩陣法）描述了當圖像中像素（i , j）處灰度為Ik的同時 沿著任意方向與（i , j）相距位移d的像素（I， j）出的灰度級為Ie的概率。該方法對圖像中所有像素進行統(tǒng)計，以便描述其灰度的分布。應用表明GLCM是性能很好的方法，不但適用于文理識別，而且用于圖像分割時效果也很好。 第四章16 彩色圖像可以分為真彩色圖像和假彩色圖像。17 彩色合成包括偽彩色合成，真彩色合成，假彩色合成和模擬真彩色合成。又稱為彩色增強。18 密度分割法：對單波段遙感圖像按灰度分級，

6、對每級賦予不同的色彩，使之成為一幅彩色圖像。19 標準假彩色合成：Landast TM 2綠3紅4近紅分別賦予紅綠藍就成為標準假彩色圖像。MSS 選擇421，spot321。在標準假彩色合成圖像中，突出植被，水體，城鄉(xiāng)，山區(qū)，平原，植被為紅色，城鎮(zhèn)為深色，地物類型信息豐富。20 拉伸：是最基本的圖像處理方法，主要用來改善圖像顯示的對比度，以波段為處理對象，圖像直方圖是選擇拉伸具體方法的基本依據。21 灰度拉伸（對比度變換）：分為線性拉伸和非線性拉伸。22 能夠區(qū)分哪一波段被拉伸，哪一波段被壓縮。P76-83第五章23 可見光和紅外傳輸受什么影響？氣體的吸收，氣體分子和微粒的散射大氣的透射率降低

7、。大氣中分子散射對波長較短的電磁波（UV紫外光和藍光）有影響，對紅外線沒有影響。懸浮顆粒散射量的大小和角度的變化取決于懸浮顆粒的總容量、粒徑分布、介電常數(shù)和微粒的形狀。P89在紅外光譜區(qū)各種氣體（主要是水蒸氣和CO2）吸收的電磁波超過散射。24 輻射誤差：論述P94定義：傳感器所得到的目標測量值與目標的光譜反射率或光譜輻亮度等物理量之間的差值稱為輻射誤差，會造成遙感圖像的失真，影響人們對遙感圖像的判讀，解釋。 25 輻射誤差產生的原因：傳感器的響應特性和外界（自然）環(huán)境，其中后者包括大氣（霧和云）和太陽輻射。 26 系統(tǒng)輻射誤差的校正：光學鏡頭的非均勻性引起的邊緣減光現(xiàn)象的改正，條紋，斑點，灰

8、度一致化（等概率變換和線性灰度變換）。27 大氣校正三種方法：統(tǒng)計學方法，輻射傳遞方程計算法，波段對比法。28 幾何校正的原理與步驟29 幾何精糾正：又稱為幾何配準registration，是把不同傳感器具有幾何精度的圖像、地圖或數(shù)據集中的相同地物元素精確地彼此匹配、疊加在一起的過程。30 幾何精糾正的基本原理：是回避成像的空間幾何過程，直接利用地面控制點數(shù)據對遙感圖像的幾何畸變本身進行數(shù)學模擬，并且認為遙感圖像的總體畸變可以看做是擠壓，扭曲，縮放，偏移以及更高層次的基本變形的綜合作用的結果。因此，校正前后圖像相應點的坐標關系可以用一個適當?shù)臄?shù)學模型來表示。31 幾何精糾正的具體實現(xiàn)過程：利用

9、地面控制點數(shù)據確定一個模擬幾何畸變的數(shù)學模型，以此建立原始圖像空間與標準空間的某種對應關系，然后利用這種對應關系，把畸變圖像空間中的全部像素變換到標準空間中，從而實現(xiàn)圖像的集合精糾正。32 基本技術：同名坐標變換法，即通過在基礎數(shù)據和圖像中分別尋找地面控制點的同名坐標，并借此建立變換關系來進行幾何精糾正。33 操作步驟：準備工作輸入原始數(shù)字圖像確定工作范圍選擇地面控制點選擇地圖投影匹配地面控制點和像素位置評估糾正精度坐標變換重采樣34 圖像重采樣的方法：最近鄰域法（最簡單，計算速度最快），雙線性內插法和三次卷積內插法（誤差約為雙線性內插法的1/3,產生的圖像比較平滑，但計算工作量較大，較費時）

10、。35 圖像增強方面：空間域和頻率域。多光譜變換，主成分變換，纓帽變換。P117第六章36 主成分變換及其應用P131：基本方法，基本性質，主要流程。37 纓帽變換P137：基本原理38 K-T變換前三個分量的基本意義：亮度 不等于土壤變化的主要方向綠度 反映綠色生物量的主要特征第三分量 可見光，近紅外和較長的紅外K-T變換只能用于MSS數(shù)據和LANDSAT4、5的TM圖像、LANDSAT7的ETM圖像，這是該方法的一個限制。39 歸一化指數(shù)：比較特殊的運算方式。B=（B1-B2）/（B1+B2）在基本的比值運算中，如果分母中的波段B2的值比較?。ㄌ貏e是小于1的情況下），那么，比值的結果將夸大

11、差異，使用歸一化指數(shù)可以避免這個問題。此外，與比值運算不同的是，歸一化指數(shù)中像素值的變化時有約束的。典型的歸一化指數(shù)是歸一化植被指數(shù)。40 植被指數(shù)：根據地物光譜反射率的差異作比值運算可以突出圖像中植被的特征、提取植被類別或估算綠色生物量，能夠提取植被的算法被稱為植被指數(shù)（Vegetation index）。植被指數(shù)是代數(shù)運算增強的典型應用。 綠色植物葉子的細胞結構在近紅外具有高反射，其葉綠素在紅光波段具有強吸收。因此，在多波段圖像中，用紅外/紅波段圖像作比值運算后，結果圖像上植被區(qū)域具有高亮度值，甚至在綠色生物量很高時達到飽和。第七章41 空間域圖像濾波成為平滑和銳化處理，強調像素與其周圍相

12、鄰像素的關系，常用的方法是卷積運算，但是隨著采用的模板的窗口的擴大，運算量會越來越大。42 圖像噪聲：高斯噪聲，脈沖噪聲（椒鹽噪聲）以及周期噪聲。43 均值濾波：平滑，去噪聲。是最常用的線性低通濾波器，它均等地對待鄰域中的每個像素。對每個像素，取鄰域像素值的平均作為該像素的新值。從頻率域的角度看，相當于進行了低通濾波。44 圖像銳化：為了突出圖像中的地物邊緣、輪廓或線狀目標，可以采用銳化的方法。銳化提高了邊緣與周圍像素之間的反差，因此也成為邊緣增強。平滑通過幾分過程使圖像邊緣模糊，圖像銳化則通過微分使圖像邊緣突出。45 梯度法： Roberts 和 Sobel P165梯度實際上反映了相鄰像元

13、之間灰度的變化率，圖像中的邊緣，例如河流、湖泊的邊界、道路等處灰度的變化率較大，因此在邊緣處一定有較大的梯度值；而大面積的平原、海面灰度變換較小，一定具有較小的梯度值；對于灰度級為常數(shù)的區(qū)域，梯度值為0。因此，以梯度值替代像元的原灰度值生成梯度圖像，在梯度圖像上梯度值較大的部分就是邊緣。Roberts 采用交叉差分的方法。這種方法的意義在于用交叉的方法檢測出像元與其在上下之間或左右之間或斜方向之間的差異。這種算法的意義在于用交叉的方法檢測出像元與其在上下之間或左右之間或斜方向之間的差異。采用Roberts梯度對圖像中每一個像元計算其梯度值，最終產生一個梯度圖像，達到突出邊緣的目的。Sobel

14、梯度在Prewitt算法基礎上，對4鄰域采用加權方法進行差分，因而對邊緣的檢測更加準確兩種算法之間存在差異， Roberts提取的邊界為邊緣處的一邊， Sobel算法則提取了邊緣處的雙邊，即兩個像元的寬度。因此，在處理一個或兩個像元寬度的線性目標時，要根據具體情況選擇處理方法。根據以上的各種算法求出各個像元的梯度值后，可以根據不同的需求生成不同的梯度圖像， 46 Laplacian 算子 P167即線性二階微分算子，即取某像元的上下左右個相鄰像元的值相加的和減去該像元的倍，作為該像元新的灰度值。梯度運算檢測了圖像上的空間灰度變化率，因此，圖像上只要有灰度變化就有變化率。而Laplace算子檢測

15、的是變化率的變化率，是二階微分，在圖像上灰度均勻和變化均勻的部分，計算出的算子為0，因此，它不檢測均勻的灰度變化，產生的圖像更加突出灰度值突變的部分。在銳化結果中出現(xiàn)了負值，而圖像的灰度值應為非負數(shù)，對所有值加上一個常數(shù)如計算結果中最大的絕對值即可解決47 頻率域濾波：低通濾波，高通濾波，帶通濾波。低通濾波用于僅讓低頻的空間頻率成分通過而消除高頻成分的場合，由于圖像的噪聲成分多數(shù)包含在高頻成分中，所以可用于噪聲的消除。高頻濾波僅讓高頻部分通過，可應用于目標物輪廓等的增強。帶通濾波僅保留一定的頻率成分，所以可用于提取、消除每隔一定間隔出現(xiàn)的干涉條紋的噪聲。第八章第九章48 相似性度量：絕對距離歐

16、氏距離馬氏距離相似系數(shù)49 預處理：確定工作范圍、多元圖像幾何配準噪聲處理輻射校正幾何精糾正多圖像融合50特征選取可分性可靠性獨立性數(shù)量少51分類52 分類后處理53 結果檢驗54 結果輸出55 非監(jiān)督分類P217非監(jiān)督分類：是指人們事先對分類過程不加入任何的先驗知識，而僅憑遙感圖像中地物的光譜特征，即自然聚類的特性進行分類。只能分別差異，不能確定具體的屬性。類別的屬性要通過目視判讀或實地調查后確定。目視解疑的標志：目標地物的特征目標地物識別特征 色調（tone），顏色（colour），陰影（shadow），形狀（shape），紋理（texture），大?。╯ize），位置（site），圖形（

17、pattern），相關布局（association）植物在近紅外波段有較高的光譜反射率水體在白天暗黑色，道路呈淺灰色或白色。 白天熱紅外道路呈亮色調，道路比較平直，甚至能夠看見車輛。夜晚熱紅外相片中，河流呈亮色調，并可以看到水體有不規(guī)則的彎曲邊界。樹林與草地 白天熱紅外，樹林呈暗灰至灰黑色，夜晚呈淺灰色調甚至白色。草地夜晚呈黑色調或暗黑色調土壤與巖石 午夜后 土壤含水高呈灰色或者灰白色調，含水低呈暗灰色或深灰色。巖石白天呈淡灰色。夜間的熱紅外航空相片比白天的解疑要好，黎明前的熱紅外效果最好，因為夜間不受太陽輻射的影響，熱紅外像片上色調差異主要取決于地物的溫度和輻射熱紅外線的能力。56 非監(jiān)督分

18、類方法：K-均值方法和ISODATA方法是效果較好，使用最多的兩種方法。57 非監(jiān)督分類假設：在具有相同的表面結構特征、植被覆蓋、光照條件下，遙感圖像上的同類地物具有相同或相近的光譜特征，從而表現(xiàn)出某種內在的相似性，可歸屬于同一個光譜空間。不同的地物光譜信息不同，歸屬于不同的光譜空間。58 主要采用聚類分析的方法，把像素按照相似性歸成若干類別。是同一類別的像素之間的差異盡可能的小，不同類別之間的差異盡可能的大。非監(jiān)督分類算法的關鍵是：初始類別參數(shù)的選定。59 非監(jiān)督分類的主要過程：確定初始類別參數(shù)，即確定最初類別數(shù)和類別中心（點群中心）。計算每一個像素所對應的特征向量與各點群中心的距離。選取與中心距離最短的類別作為這一向量的所屬類別計算新的類別均值向量比較新的類別均值與初始類別均值，如果發(fā)生了改變，則以新的類別均值作為聚類中心，再從第（2）步開始迭代。如果點群中心不再變化，計算停止。60 監(jiān)督分類P225監(jiān)督分類的前提：已知遙感圖像上樣本區(qū)內地物的類別，該樣本區(qū)又稱為訓練區(qū)。監(jiān)督分類的基本過程：61 混淆矩陣是有n行n列組成的矩陣，用來表示分類結果的精度。這里n代表類別數(shù)。有時該矩陣稱為誤差矩陣。61.1 檢驗用的實際類別來源：分類前選擇的