遥感图像处理复习要点

第一章

一：理解图像处理的关键步骤
1.图像获取； 2.图像增强； 3.图像修复； 4.形态学处理； 5.分割； 6.对象识别； 7.描述； 8.图像压缩； 9.彩色图像处理

 

第二章

一：理解数字图像存储的基本模型
二维矩阵，每个元素表示DN值；

二：理解遥感图像的原格式存储模式并应用
BIP:以像元为基本单位（pixel）；BIL按照扫描行为的单位（line）；BSQ：以波段为单位；BMP由文件头、位图信息、位图数据三部分组成；

三：图像数字化的步骤及主要影响因素，并能基于相关知识分析遥感图像的数据特点
步骤和影像因素：采样（采样间隔）、量化（量化级数）。遥感图像的数据特点：采样间隔与量化级数呈反相关。
ps：采样间隔与空间分辨率有关，量化级数与辐射分辨率有关，因为能量守恒，空间分辨率越高，每个传感器收到的能量就越小，量化级数就很难提高。

四：遥感图像的基本分析量（一维统计量、二维统计量）及其对图像特征的表征

单变量的图像统计：直方图、累计直方图、统计参数（均值、方差等）

多变量的图像统计：特征空间图

一维统计量：众数、中值、均值（众数偏离均值y较远则为偏态分布）、离散度（像元值范围）、样本方差（离散平方和的x均值）、标准差、……
多维k统计量：协方差、相关系数……

五：遥感图像的图形化分析工具（直方图、特征空间图）

直方图是灰度级的函数，描述的是图像中该灰度级的像素个数或该灰度级像素出现的频率。
特征空间图是以各波段的DN值为坐标轴，将每一个像素按照其DN值绘制在空间中

六：略

 

第三章

 

一：了解遥感影像畸变类型及改正的一般思路

畸变类型：辐射畸变（受各种因素影响，传感器测量值与地物实际光谱辐射率的不一致）、几何畸变（原始图像上各地物的几何位置与参照系统中的表达要求不一致）。
改正思路：分析畸变原因，针对畸变原因设计改正算法（绝对校正模型）；找到真实影像的正确分布，找寻关联性模型进行改进（相对校正模型）。

二：了解遥感传感器系统误差的主要来源及校正方法
随机坏像元、行或列缺失、行或列条纹，前两者先进行检测，然后用期望较好的像元代替，或者用附近像元的均值或中值代替；第三种使用绝对校正模型在几何校正前修复。

三：掌握暗目标法、固定目标法、经验线法进行大气校正的原理及主要步骤
暗目标法
原理：利用浓密植被或水体在可见光（浓密植被）和红外（水体）具有低反射，根据其在此特征波段的反射率与其他波段反射率之间的相关关系进行大气校正。
适用：中分辨率成像光谱仪（MODIS、MERIS）
固定目标法
原理：假设图像中某像元反射率已知或“固定”，利用这些像元反射率和各波段光谱反射率之间的线性关系对整景图像进行校正和均一化（若得到卫星同步的地面观测反射率数据，则此方法时绝对大气校正的方法）
经验线法
假设图像中存在白目标和黑体目标，利用黑白目标反射率和各波段光谱反射率之间的线性关系，可对整景图像进行校正和均一化。

四：分析遥感图像几何误差的主要来源
几何误差的来源：传感器的成像方式（投影方式）、传感器的姿态变化、地形起伏、地球曲率、GSD不同（地面采样距离）、地球自转、传感介质的不均匀……

五：遥感图像几何校正的主要步骤
图像空间坐标变换（先建立映射关系，再通过映射关系对各个像素坐标进行校正）
确定各像素的灰度值（重采样）

六：掌握几何多项式模型的原理及解算方法
几何多项式模型：回避成像的空间几何过程，而直接对图像变形本身进行数学模拟，把遥感图像的总体变形看作是平移、缩放、旋转、仿射、偏扭、弯曲及更高次的基本变形的综合j作用结果，通过二元齐次多项式，将纠正后的坐标用原始图像的坐标来表示。
多项式的系数矩阵A=(WTW)-1WT*X、B=(WTW)-1WT*Y

p.s几何多项式模型不适合用来校正地形起伏较大的遥感影像，因为几何多项式模型的输入为x、y坐标，缺少高程信息，所以对高程的校正效果很差

七：掌握数据重采样的三种方法并分析其适用场景
最近邻内插法，适用：因为保留了原始的DN值，所以在需要数值分析的过程中适用。
双线性内插法，适用：需要平滑的插值图像。
三次内插法，适用：当对运算量的要求不高或需要锐化处理的图像。

三次内插法参考：https://blog.csdn.net/qq_29058565/article/details/52769497

八（猜测）：理解正向坐标转换和反向坐标转换，并能说明其在几何校正中的作用
正向坐标转换：从原始畸变图像的坐标转换为校正后的坐标；用于获取校正后的图像范围
反向坐标转换：从校正后的坐标转换到原始畸变图像的坐标；对校正后的图像进行重采样

九：了解共线方程的基本原理
共线方程（物理模型）

 

第四章

一：理解影像显示的基本过程及关键问题
关键问题：原始图像与输出设备之间的对应（空间、属性）：空间-像元空间位置与输出位置的一致性；属性值-像元亮度值和输出显示值的对应关系
过程：将像元位置和输出位置对应，再将输出显示值和像元亮度值对应？（没错，又是一个猜测）

二：从影像显示原理角度解释真彩色、假彩色、伪彩色显示
伪彩色：将一个波段或单一的黑白图像变换为彩色图像；(数据来源是一个波段）
假彩色：通过映射函数变换成新的三基色分量，再彩色合成；（数据来源是多个波段）
真彩色：将RGB三个波段的DN值输入到RGB三个通道。

三：了解影像显示增强的目的
目的：改善图像的视觉效果，提高图像的清晰度；将图像转换成一种更适合于人或机器进行解译和分析处理的形式。

四：掌握对比度增强的主要方法及其适用场景
主要方法：灰度扩展（比例线性扩展、分段线性扩展、非线性灰度扩展），直方图调整（直方图均衡化、直方图规定化）……
适用场景：分段线性扩展：直方图不符合正态分布，具有双峰或是多峰的情况；直方图均衡化：遥感图像其灰度分别集中在较窄的区间，从而引起图像细节的模糊，为使图像细节清晰，并使一些目标得到突出，达到增强图像的目的；直方图规定化：比较不同观测时间或不同遥感器观测得到的图像时因不同观测因素导致的辐射特性不匹配；

五：掌握直方图均衡化、直方图规定化的原理及增强算法流程
均衡化是特殊的规定化
流程计算原始图像的直方图和累积直方图，计算目标图像的直方图和累积直方图；
将两幅累计直方图的纵坐标换算成频率；
将原始图像的累积直方图的每一个频率值匹配到目标图像的累计直方图最近的频率上，将两个匹配的l频率所在DN值做映射关系；
将原始图像上所有像元的DN值根据映射关系换算到新图像上。

第五章

一：理解影像光谱（特征）空间和影像光谱变换

光谱空间到特征空间的变换 原始光谱波段的权向量（W)乘光谱向量加上偏置向量；
影像光谱变换增强：光谱空间向特征空间的一种转换（不是很懂）
 

二：掌握卷积运算的原理及算法流程

卷积运算：在图像上使用一个移动窗口，对输入的像元在一个窗口内执行运算，计算值呗放到输出图像的相同位置，也就是输入图像窗口的中心位置。
 

三：掌握典型滤波算子的设计原理及计算

均值滤波算子、中值滤波算子、梯度算子（Roberts算子{{0，0，0}，{0，1，0}，{0，0，-1}}，{{0，0，0}，{0，0，1}，{0，-1，0}}、sobel算子{{-1，0，1}，{-2，0，2}，{-1，0，1}}，{{1，2，1}，{0，0，0}，{-1，-2，-1}}）、拉普拉斯算子{{0，-1，0}，{-1，4，-1}，{0，-1，0}}、prewitt算子（参照sobel算子，将2改为1）

p.s sobel梯度是在prewitt算法的基础上，对4邻域采用加权方法进行差分，因而对边缘的检测更加精确。

四：基于特征空间解释主成分分析的原理

对遥感影像实行线性变换，使多波段影像数据从其自身空间变化到另一空间。变换后的主分量空间坐标系与变换前的多光谱空间坐标系相比旋转了一个角度。而且新坐标系的坐标轴一定指向数据信息量较大的方向。原始图像的协方差矩阵的特征向量矩阵的转置乘上原始图像的特征空间得到新的主成分空间。

五：了解主成分分析的主要应用

应用PCA可以去除相关性【相关矩阵】、突出地物特征、压缩数据，另外还可以剔除噪声，因为PCA变换后的信息量通常随主分量顺序而减少，噪声信息更突出。

 

第六章

 一：理解空间信息

一幅图像中像元的亮度值在空间上的差异与变化，可以看作是复杂的波形，是由具有不同的振幅、频率和相位的许多正弦或余弦波叠合而成。短距离内的亮度变化相当于高频波，而长距离内的变化相当于低频波。

频谱图像是空间图像的离散傅里叶变换，通常为复数值。可以分解为波幅图像和相位图像。空间频率信息的分布是按极坐标表示，任意一点到频谱图像原点的距离代表该点空间频率的高低，而与原点连线的方位角决定线性特征的走向，明暗度表示相应频率上振幅大小

二：理解空间域和频率域

空间域　英文： spatial domain。 释文： 又称图像空间(image space)。由图像像元组成的空间。在图像空间中以长度(距离)为自变量直接对像元值进行处理称为空间域处理。

空间频率域。 英文： spatial frequency domain。 释文： 以空间频率(即波数)为自变量描述图像的特征,可以将一幅图像像元值在空间上的变化分解为具有不同振幅、空间频率和相位的简振函数的线性叠加,图像中各种空间频率成分的组成和分布称为空间频谱。这种对图像的空间频率特征进行分解、处理和分析称为空间频率域处理或波数域处理。

二者的关系即为可相互转换（傅里叶滤波的原理）

三：理解傅里叶变换的原理和意义

原理：任何连续测量的时序或信号，都可以表示为不同频率的正弦波信号的无限叠加

意义：傅里叶变换将原来难以处理的时域信号转换成了易于分析的频域信号（信号的频谱），可以利用一些工具对这些频域信号进行处理、加工。最后还可以利用傅里叶反变换将这些频域信号转换成时域信号。

四：掌握频率域滤波的方法

正->滤波->逆

五：掌握卷积滤波和频率域滤波的区别和联系

空间域与空间频率域可互相转换。在空间频率域中可以引用已经很成熟的频率域技术,处理的一般步骤为：①对图像施行二维离散傅立叶变换或小波变换,将图像由图像空间转换到频域空间。②在空间频率域中对图像的频谱作分析处理,以改变图像的频率特征。即设计不同的数字滤波器,对图像的频谱进行滤波。

 

第七章

 

一：了解数学形态学的基本原理

腐蚀、膨胀、开运算（先腐蚀再膨胀，使边缘光滑）、闭运算（先膨胀再腐蚀，填充细节）

 

第八章

一：了解图像分割的主要方法

• 基于边缘检测的分割：先提取边界区域，再确定边界限定的区域；
• 区域分割：确定每一个像素的归属区域，从而形成一个区域图；
• 区域生长：将属性相近的连通像素聚集成区域；
• 分裂——合并分割：综合利用前两种方法，即存在图像的划分，又存在图像的合并；

二：掌握阈值分割的基本思路和 OSTU 方法的原理

基本思路：寻找一个灰度级阈值T将灰度级分割，在图像中分出背景和目标两个区域

OSTU方法的原理：OSTU（大津法）寻找一个阈值，使类间方差最大化，通过这个阈值来分割。大津法的关键是找到最大类间方差

三：掌握区域生长法的基本原理及算法过程

因为同一区域的像素具有相似性，所以将具有相似性质的像素集划分为一个目标集来构成目标区域。

逐行扫描寻找未分类点，将未分类点与种子点比较，进行分类，当种子停止扩张时，添加新的类。

 

四：掌握基于区域分割算法的原理和主要步骤

因为像素灰度值的不连续性和同一区域的像素具有相似性，先进行四分裂，再将分裂后的相邻子块检查进行合并。

 

第九章

 

一：特征空间理解基于统计的影像分类的原理

同类地物像元的特征向量将集群在统一特征空间区域；二不同的地物其光谱信息特征或空间信息特征将不同，集群再不同的特征空间区域

 

二：掌握影像分类的主要过程

根据图像分类目的选取特定区域的遥感影像，考虑空间分 辨率、光谱分辨率、成像时间、图像质量等。 2. 根据研究区域，收集与分析地面参考信息与有关数据。 3. 根据分类要求和影像的特征，选择合适的图像分类方法和 算法。制定分类系统，确定分类类别。 4. 测定总体特征，找出代表这些类别的样本在监督分类中可 选择具有代表性的训练场地进行采样。在非监督分类中， 可用聚类等方法对特征相似的像素进行归类，测定其特征。 5. 对遥感图像中各像素进行分类。 6. 分类精度检查。 7. 对判别分析的结果进行统计检验。

三：了解影像分类的主要方法

基于统计的方法和基于规则的方法 n 监督分类和非监督分类 n 硬分类和软分类 n 逐像元分类和面向对象分类

四：掌握最大似然分类的原理

五：掌握最小距离分类的原理及其与最大似然分类的关系

六：掌握 ISODATA 分类的主要步骤

七：理解混合像元，了解混合像元分类的主要思想

八：了解决策树分类的基本思想

九：掌握影像分类精度评估的概念和方法

十：理解影像分类精度的主要因素，并思考如何提高影像分类精度（PPT）