遥感数字图像处理复习题

后勤部长

1. 什么是遥感图像，并说明遥感模拟图像与遥感数字图像的区别。
    图像（image）是对客观对象的一种相似性的描述或写真，它包含了被描述或写真对象的信息，是人们最主要的信息源。遥感数字图像（digita image）是指以数字形式表述的遥感影像. 按图像的明暗程度和空间坐标的连续性划分，图像可分为数字图像和模拟图像。数字图像是指被计算机存储、处理和使用的图像，是一种空间坐标和灰度均不连续的、用离散数学表示的图像，它属于不可见图像。模拟图像（又称光学图像）是指空间坐标和明暗程度都连续变化的、计算机无法直接处理的图像，它属于可见图像。
2. 怎样获取遥感图像?
   目前遥感数字图像的获取，根据遥感传感器基本构造和成像原理不同，大致可以分为摄影成像、扫描成像和雷达成像三类。1.摄影成像是根据卤化银物质在光照下会发生分解这一机制，将卤化银物质均匀地涂布在片基上，制成感光胶片。这种图像是典型的遥感模拟图像.2.扫描成像是扫描类遥感传感器逐点逐行地以时序方式获取的二维图像。得到遥感数字图像。3.雷达成像是由发射机向侧面发射一束窄脉冲，地物反射的微波脉冲（又称回波），由无线收集后，被接收机接收。图像属于遥感模拟图像。
3. 什么是遥感数字图像处理?它包括哪些内容?
    对遥感图像进行一系列的操作，以求达到预期目的的技术称作遥感图像处理。遥感图像处理可分为两类：一是利用光学、照相和电子学的方法对遥感模拟图像（照片、底片）进行处理，简称为光学处理；二是利用计算机对遥感数字图像进行一系列操作，从而获得某种预期结果的技术，称为遥感数字图像处理。遥感数字图像处理，根据抽象程度不同可分为三个层次：狭义的图像处理、图像分析和图像解译。狭义的图像处理着重强调在图像之间进行变换。图像分析主要是对图像中感兴趣的目标进行检测和量测，从而建立对图像的描述。图像解译是进一步研究图像中各目标物的性质、特征和它们之间的相互关系，并得出对图像内容的理解以及对原来地面客观地物、场景的解译，从而为生产、科研提供真实的、全面的客观世界方面的信息。图像理解是借助知识、经验进行遥感图像解译的过程。遥感数字图像处理大致可分为以下几种：1.图像转换。2.数字图像校正。3.数字图像增强。4.多源信息复合。5.遥感数字图像计算机解译处理。

1. 什么是辐射误差？什么是辐射校正？辐射误差产生的主要原因是什么?
辐射误差产生的原因有两种，传感器响应特性和外界（自然）条件，后者包括太阳照射（位置和角度）和大气传输（雾和云）等条件。
（1）因传感器的响应特性引起的辐射误差
l）光学摄影机引起的辐射误差
2）光电扫描仪引起的辐射误差
（2） 因大气影响引起的辐射误差
（3） 因太阳辐射引起的辐射误差
1）太阳位置引起的辐射误差
2）地形起伏引起的辐射误差
（4） 其他原因引起的辐射误差
2. 因大气辐射引起的辐射误差，其相应的校正方法有哪些?
（1）对大气散射校正有三种方法：①野外波谱测试回归分析法；通常通过将野外实地波谱测试获得的无大气影响的辐射值与卫星传感器同步观测结果进行分析计算，以确定校正量；②辐射传递方程计算法：测量大气参数，按理论公式求得大气干扰辐射量；③波段对比法：在特殊条件下，利用某些不受大气影响或影响很小的波段来校正其他波段。

1．说明遥感图像几何变形误差的主要类型。
遥感图像的几何变形误差可分为静态误差和动态误差两大类。
（1）静态误差是指在成像过程中，传感器相对于地球表面呈静止状态时所具有的各种变形误差。
（2）动态误差则主要是由于在成像过程中地球的旋转所造成的图像变形误差。
静态误差又可分为内部误差和外部误差两类变形误差。
内部误差主要是由于传感器自身的性能、技术指标偏离标称数值所造成的，它随传感器的结构不同而异，误差较小不做讨论。
外部变形误差指的是传感器本身处在正常工作的条件下，由传感器以外的各因素所造成的误差。
2．简述遥感数字图像几何精纠正的一般过程（步骤）。
9．试述多项式纠正法纠正卫星图像的原理和步骤。
    遥感图像多项式纠正法的基本思想是回避成像的空间几何过程，而直接对影像变形的本身进行数学模拟，认为图像变形规律可以看做为平移、缩放、旋转、仿射、偏扭和弯曲以及更高次的基本变形的综合作用结果。
这种方法纠正的基本过程是利用有限个地面控制点的已知坐标，解求多项式的系数，然后将各像元的坐标代入多项式进行计算，从而求得纠正后的坐标。
多项式纠正法必须首先选择控制点，这些控制点在整幅图像中应均匀分布，点的数量应超过多项式系数的个数。
思考题
1． 图像增强的主要目的是什么?包含的主要内容有哪些?
图像增强的主要目的有：改变图像的灰度等级，提高图像对比度；消除边缘和噪声，平滑图像；突出边缘或线状地物，锐化图像；合成彩色图像；压缩图像数据量，突出主要信息等。
图像增强的主要内容有：空间域增强、频率域增强、彩色增强、多图像代数运算、多光谱图像增强等。
2.直方图均衡化采用何种变换函数?
   累积直方图曲线即为直方图均衡化的基本变换函数。
3.直方图规定化的基本原理是什么?
直方图规定化的原理是对两个直方图都均衡化，变成相同的归一化的均匀直方图。以此均匀直方图起到媒介作用，再对参考图像做均衡化的逆运算即可。
4. 什么是图象的灰度直方图？什么是图象的累积直方图？
5.何谓图像平滑?什么是均值滤波？什么是中值滤波？
6．何谓图像锐化?图像锐化处理有几种方法?试述Laplace算法的特点。
（1）图像锐化的概念：
为了突出边缘和轮廓、线状目标信息，可以采用锐化的方法。锐化可使图像上边缘与线性目标的反差提高，因此也称为边缘增强。
（2）图象锐化处理的方法：
1 梯度法   2 Roberts梯度 3 Prewitt和Sobel梯度 4 Laplace算法 5 定向检测
（3）Laplace算法的特点
Laplace算子检测的是变化率的变化率，是二阶微分，在图像上灰度均匀和变化均匀的部分，根据Laplace算子计算出的值为为0。因此，它不检测均匀的灰度变化，产生的图像更加突出灰度值突变的部分。
7.什么是植被指数?常用的植被指数如何计算?
根据地物光谱反射率的差异作比值运算可以突出图像中植被的特征、提取植被类别或估算绿色生物量，通常把能够提取植被的算法称为植被指数（Vegetation Index，VI）。
常用的植被指数有以下几种。
1）比值植被指数（ratio vegetation index， RVI）
                          
式中，IR为遥感多波段图像中的近红外（infrared）波段的反射值，R为红波段的反射值。
2）归一化植被指数（normalized vegetation index，NDVI）
                                                     
IR、R的含义同上。
3）差值植被指数（difference vegetation index，DVI）
                             DVI=IR-R                           
4）正交植被指数（perpendicular vegetation index，PVI）
              PVI=1.622 5（IR）-2.297 8（R）+11.065 6                (1)
式（1）适用于NOAA卫星的AVHRR。
              PVI=0.939（IR）-0.344（R）+0.09                       (2)
式（2）适用于Landsat。
8．以陆地卫星TM图像和SPOT的全色波段图像为例，说明TM图像和SPOT图像融合的优越性。
Landsat的TM有7个波段，有丰富的光谱信息，其空间分辨率为28.5m（重采样后为30m）；SPOT的全色波段（0.51～0.73μm）是一个单波段图像，但它的空间分辨率大大提高，可达到10m。将这两种图像复合，产生的具有l0m分辨率的7个波段的新图像具有以上两种图像的优点，既提高了图像的空间分辨率，又保留了TM丰富的光谱信息。因此，图像复合的方法可以综合不同传感器图像的优点，大大提高图像的应用精度。
9．什么是多光谱空间?什么是主成分变换？主成分变换的应用意义是什么?
多光谱空间是一个n维坐标系，每一个坐标轴代表多波段图像的一个波段，坐标值表示该波段像元的灰度值，图像中的每个像元对应于坐标空间中的一个点。
K-L变换又称为主成分变换（principal component analysis）或霍特林（Hotelling）变换。它的原理如下：对某一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。其表达式为
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为一个n×n的线性变换矩阵。
根据以上的分析可将K-L变换的应用归纳如下。
（1）数据压缩。经过主成分变换，多光谱图像变成了新的主成分图像，像元的亮度值不再表示地物原来的光谱值。但变换后的前几个主分量包含了绝大部分的地物信息，在一些情况下几乎是100%，因此可以只取前几个主分量，既获得了绝大部分的地物信息，又减少了数据量，如TM图像，经主成分变换后可只取前3个主分量，波段数由7个减少到3个，数据量减少到43%，实现了数据压缩。
（2）图像增强。主成分变换的前几个主分量包含了主要的地物信息，噪声相对较少；而随着信息量的逐渐减少，最后的主分量几乎全部是噪声信息（如MSS数据中的条纹）。因此，主成分变换突出了主要信息，抑制了噪声，达到了图像的目的。
（3）分类前预处理。多波段图像的每个波段并不都是分类最好的信息源，因而分类前的一项重要工作就是特征选择，即减少分类的波段数并提高分类效果。主成变换即是特征选择最常用的方法。
1、 什么是监督分类，什么是非监督分类？简述监督分类和非监督分类的异同。
1)监督分类是基于对于遥感图像上样本区内的地物的类属已有先验的知识，即已经知道它所对应的地物类别，于是可以利用这些样本类别的特征作为依据来判断非样本数据的类别。
2)非监督分类是遥感图像地物的属性不具有先验知识，纯粹依靠不同光谱数据组合在统计上的差别来进行“盲目分类”，事后再对已分出各类的地物属性进行确认的过程。
3)异:
a. 监督分类对于遥感图像上样本区内的地物的类属已有先验的知识，即已经知道它所对应的地物类别;非监督分类对于遥感图像地物的属性不具有先验知识。
    b. 监督分类以样本类别的特征作为依据可直接判断判断非样本数据的类别；非监督分类仅凭据遥感影像地物的光谱特征的分布规律，随其自然地进行盲目的分类，并不确定类别的属性，其属性是通过事后对各类的光谱响应曲线进行分析，以及与实地调查相比较后确定的。
4)同: 都是依据地物的光谱特性的点独立原则来分类的，且都采用的是统计方法。
2、 什么是特征选择？
特征选择（feature selection）是从众多特征中挑选出可以参加分类运算的若干个特征，如TM影像波段的选择。
3、 简述遥感图像计算机分类的一般原理。
遥感图像分类就是把图像中的每个像元或区域划归为若干类别中的一种，即通过对各类地物的光谱特征分析来选择特征参数，将特征空间划分为互不重叠的子空间，然后将影像内各个像元划分到各个子空间中去，从而实现分类。
4、 简述遥感图像计算机分类的一般流程。
遥感图像计算机分类处理的基本过程，包括原始图像的预处理、训练区的选择、特征选择和特征提取、分类、检验结果以及成果输出等。
(1)原始图像的预处理
原始图像的预处理（preprocessing）就是指对观测数据作成像处理，以及图像的几何校正、辐射校正、量化、采样、预滤波、去噪声等处理，以便获得一幅比较清晰、对比度强、位置准确的图像以提高分类精度。
(2)训练区的选择
从待处理数据中抽取具有普遍性、代表性的数据作为训练群本。训练区选择得准确与否，训练样本数是否足够，关系到分类精度的高低。在监督分类中，训练区选择的最好的办法是选择一、两个典型区域，各类地物全有，进行实地调查，调查时，对照实地将被分类的遥感影像，一一识别，在图上标好，再到计算机上将这些数据提出。如果受客观条件的限制，可以借助于地图、航片或其他专题资料进行选择等。在上述资料都没有的情况下也可以先做非监督分类，在分类结果中选择训练区。
(3)特征选择和特征提取
特征选择（feature selection）是从众多特征中挑选出可以参加分类运算的若干个特征。特征提取（feature extraction）是在特征选择之后，利用特征提取算法从原始特征中求出最能反映其类别特性的一组新特征，完成样本空间到特征空间的转换。通过特征提取既可以达到数据压缩的目的，又提高了不同类别特征之间的可区分性。
(4)图像分类运算
图像分类运算（classification）就是根据影像特点和分类目的设计或选择恰当的分类器及其判别准则，对特征矢量集进行划分，完成分类工作。
(5)检验结果
主要是对分类的精度与可靠性进行评价。进入传感器的遥感信息由于受传感器空间分辨率和光谱分辨率的限制，常常得到混合的信息。有时地物本身就是混合在一起的，例如植被覆盖下的土壤。因此不存在理想的分类器，加上“同物异谱”、“异物同谱”现象的存在，错分的情况普遍存在，因此，分类后都必须进行检验，错分像元所占的比例越小，则分类结果越佳。
(6)结果输出
包括分类结果图像的输出，以及分类结果的统计值，例如各类别的地物占地面积、类别集群的统计中心和方差等。
5、 比较绝对值距离、马氏距离、欧氏距离判别函数之间的异同点。
1．绝对值距离也叫出租汽车距离或城市块距离。在二维空间中可以看出，这种距离是计算两点之间的直角边距离，相当于城市中出租汽车沿城市街道拐直角前进而不能走两点连接间的最短距离。绝对值距离的特点是各特征参数以等权参与进来，所以也称等混合距离。
2．欧几里德距离
欧几里德距离（Euclidean）距离就是两点之间的直线距离（以下简称欧氏距离）。欧氏距离中各特征参数也是等权的。
绝对值距离和几里德距离都称为闵可夫斯基（Minkowski）距离（以下简称闵氏距离）
（1）闵氏距离与特征参数的量纲有关。有不同量纲的特征参数的闵氏距离常常是无意义的。
（2）闵氏距离没有考虑特征参数间的相关性。而哈拉诺比斯距离解决了这个问题。
3．马哈拉诺比斯距离
与前两种距离不同，马氏距离是一种加权的欧氏距离，它是通过协方差矩阵来考虑变量相
关性的。
6、 简要说明ISODATA法的基本内容。
ISODATA（iterative self-organizing data analysis techniques algorithm），称为“迭代自组织数据分析技术”。前面所述的初始类别参数的选定方法，其所选的参数一般是比较接近的。他只是对图像进行了初始的判别，要将其调整为实际的基准类别参数，需要运用逐步趋近的算法。ISODATA算法就是这种类型。主要环节是聚类、集群的分裂和集群的合并等处理。
第—步：指定下列控制参数。
第二步：聚类处理。
第三步：类别的取消处理。
第四步：判断迭代是否结束。
第五步：类别的分裂处理。
第六步：类别的合并处理。
ISODATA法的实质是以初始类别为“种子”进行自动迭代聚类的过程，它可以自动地进行类别的“合并”和“分裂”，其各个参数也在不断地聚类调整中逐渐确定，并最终构建所需要的判别函数。
7. 什么是分类的判别函数？掌握最大似然法判别函数的推导过程。
8. 什么是图象的均值？方差？协方差？计算公式如何？

lejutian

看看，考试题目好像还是有点不一样。

依诺

帮我看看这个题吧，实在是不知道该怎么答：比较SPOT多光谱CCD、LANDSAT的TM以及SAR三类传感器以及获取的图像的特点（从仪器元件、成像过程、波普范围、构象方程、投影方式、成像方式、空间分辨率、扫描方式、外方位元素变化引起的像点位移、地形起伏引起的像点位移、比例尺、立体成像能力、应用目的等方面考虑）谢谢啦！急啊！