第七章

一、名词解释

 

1.模板

 

2.图像平滑

 

3.椒盐噪声

 

4.中值滤波

 

5.同态滤波

 

二、简答题（10）

 

1.图像滤波的主要目的是什么？主要方法有哪些？

 

2.图像噪声有哪些主要类型，主要特点是什么？

 

3.如何理解中值滤波的不变性？

 

4.什么是梯度倒数加权法平滑？

 

5.什么是Laplacian算子？它有哪些特征？

 

6.罗伯特梯度与Sobel梯度有什么区别？

 

7.根据像素的梯度值生成不同的梯度图像的方法有哪些？

 

8.定向检测的模板有哪些？

 

9.频率域滤波的主要滤波器有哪些？各有什么特点？

 

10.             同态滤波的基本操作有哪些？

 

三、填空题（20）

 

1.图像滤波的方法：（）和（）。

 

2.图像滤波操作是（）操作，通过图像的（）实现。

 

3.空间域图像滤波称为（）和（）处理，强调像素与其周围相邻像素的关系，常用的方法是（），但是随着采用的模板窗口的（），运算量会越来越（）。

 

4.在频率域滤波中，保留图像的低频部分抑制高频部分的处理称为（），起到（）作用。保留图像的高频部分而削弱低频部分的处理称为（），起到（）作用。低通滤波、平滑、高通滤波、锐化

 

5.图像噪声按其产生的原因可分为（）和（）。从统计理论观点可分为（）和（）噪声。

 

6.按噪声对图像的影响可分为（）噪声模型和（）噪声模型两大类。加性噪声通常表现为（）噪声或（）噪声。

 

7.遥感图像中常见的噪声有：（）（）（）

 

8.图像平滑滤波有：（）（）（）（）（）

 

9.均值滤波是最常用的（）滤波器，它（）地对待邻域中的每个像素。对于每个像素，取邻域像素值的（）作为该像素的新值。

 

10.             中值滤波与均值滤波的目的都是为了去除图像上的尖锐“（）”，（）图像。

 

11.             中值滤波可用来减弱（）干扰和（）干扰。

 

12.             图像锐化滤波有：（）（）（）（）。

 

13.             窗口（）影响着锐化的结果。窗口（），越突出主要地物的边缘。

 

14.             定向检测的模板有（）、（）、（）三类。

 

15.             按照信号处理理论，根据滤除的频率的特征，滤波有三种：（）、（）、（）。

 

16.             按照滤波的方式，滤波有“（）”和“（）”两种。

 

17.             滤波的关键是正确的选择了（）并且确定了合适的（）。

 

18.             常用的滤波器有5种：（）、（）、（）、（）、（）。

 

19.             常用的低通和高通滤波器有以下几种：（）、（）、（）、（）、（）。

 

20.             如果图像中的光照可以认为是均匀的，那么，进行同态滤波产生的效果（）。但是，如果光照明显是不均匀的，那么同态滤波有助于表现出（）。

 

答案

 

一、名词解释

 

图像滤波不仅考虑当前像素的值，而且还考虑了当前像素与相邻域像素之间的关系。与当前像素相邻的像素为邻域像素，通过指定窗口的大小确定邻域的范围。相邻像素对当前像素的影响表现为权重矩阵（也称为模板或卷积核）。

 

图像在获取和传输的过程中，受传感器和大气等因素的影响会存在噪声。在图像上，这些噪声表现为一些亮点、或亮度过大的区域。为了抑制噪声、改善图像质量所做的处理称为图像平滑。

 

椒盐噪声又称脉冲噪声，它随机改变一些像素值，在二值图像上表现为使一些像素点变白（用b表示），一些像素点变黑（用a表示）。

 

4、值作为中心像素的新值。窗口的行列数一般取奇数。由于用中值替代了平均值，中值滤波在抑制噪声的同时能够有效地保留边缘，减少模糊。

 

同态滤波是减少低频增加高频，从而减少光照变化并锐化边缘或细节的图像滤波方法。

 

二、简答题（10）

 

1.　 图像滤波可以从图像中提取空间尺度信息，突出图像的空间信息，压抑其它无关的信息，或者去除图像的某些信息，恢复其它的信息。因此，图像滤波也是一种图像增强方法。

图像滤波可分为空间域滤波和频率域滤波两种方法。空间域滤波通过窗口或卷积核进行，它参照相邻像素来单个像素的灰度值，这是当前主要的滤波方法。频率域滤波是对图像进行傅立叶变换，然后对变换后的频率域图像中的频谱进行滤波。

2. 　图像噪声按其产生的原因可分为外部噪声和内部噪声。外部噪声是指图像处理系统外部产生的噪声，如天体放电干扰、电磁波从电源线窜入系统等产生的噪声。内部噪声是指系统内部产生的噪声。

从统计理论观点可分为平稳和非平稳噪声。凡是统计特征不随时间变化的噪声称为平稳噪声；统计特征随时间变化的噪声称为非平稳噪声。从噪声幅度分布形态可分为高斯型、瑞利型噪声。还有按频谱分布形状进行分类的，如均匀分布的噪声称为白噪声。按产生过程进行分类噪声可分为量化噪声和椒盐噪声等。

3. 　对于一维的某些特定的输入信号，中值滤波的输出保持输入信号值不变。例如输入信号为在2n+1内单调增加或单调减少的序列。

对于二维信号，中值滤波不变性要复杂得多，不仅与输入信号有关，还与窗口的形状有关。图 7.7列出了几种二维中值滤波窗口及与之对应的最小尺寸的不变输入图形。一般地，与窗口对角线垂直的边缘经滤波后将保持不变。利用这个特点，可以使中值滤波既能去除图像中的噪声，又能保持图像中一些边缘信息。

从经验来看，方形或圆形的窗口适宜于地物轮廓较长的图像，十字窗口适宜于有尖角物体的图像。

一维的周期性二值序列，如{xn}=…，+1，+1，-1，-1，+1，+1，-1，-1，…，当滤波窗口长度为9时，经过中值滤波此序列将保持不变。对于一个二维序列，这一类不变性更为复杂，但它们一般也是二值的周期性结构，即周期性网格结构的图像。

4. 　梯度倒数加权法平滑源于这样的考虑：在离散图像内部相邻区域的变化大于区域内部的变化，在同一区域中中间像素的变化小于边沿像素的变化。梯度值正比于邻近像素灰度级差值，即在图像变化缓慢区域，梯度值小，反之则大。取梯度倒数，该倒数之大小正好与梯度相反，以梯度倒数作权重因子，则区域内部的邻点权重就大于边沿或区域外的邻点。也就是说，这种平滑其贡献重要来自区域内部的像素，平滑后的图像边沿和细节不会受到明显损害。

5. 　Laplacian算子是线性二阶微分算子，即取某像素的上下左右四个相邻像素的值相加的和减去该像素的四倍，作为该像素新的灰度值。

梯度运算检测了图像的空间灰度变化率，因此，图像上只要有灰度变化就有变化率。Laplacian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Laplacian算子计算出的值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。

与梯度算子不同，拉普拉斯算子是各向同性的。拉普拉斯锐化效果容易受图像中的噪声的影响。因此，在实际应用中，经常先进行平滑滤波，然后才进行拉普拉斯锐化。考虑到各向同性的性质和平滑的特点，常选择高斯函数作为平滑滤波核（即先进行高斯低通滤波）。

6. 　（1）罗伯特（Roberts）梯度采用交叉差分的方法。

 

用模板表示为：         

Roberts梯度相当于在图像上开一个2×2的窗口，用模板h1计算后取绝对值再加上模板h2计算后取绝对值。将计算值作为中心像素（x，y）的梯度值，如下所示。

 

 

 

这种算法的意义在于用交叉的方法检测出像素与其在上下之间或左右之间或斜方向之间的差异。采用Roberts梯度对图像中的每一个像素计算其梯度值，最终产生一个梯度图像，达到突出边缘的目的。

（2）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，常用的模板如下：

 

 

在上面的Prewitt和Sobel模板中，h1主要对水平方向的地物进行锐化，h2则主要对垂直方向的地物进行锐化。在应用中要注意的是，模板对于含有大量噪声的图像是不适用的。

与Roberts梯度相比，Sobel算法较多地考虑了邻域点的关系，扩大了模板，从2×2扩大到3×3来进行差分

7. （1）以各像素点的梯度值代替其原灰度值，

用此方法得到的图像完全失去了原图像的面目而成为一幅边缘图像，梯度值大的边缘轮廓被突出显示，而灰度变化比较平缓或均匀的区域则几乎是黑色。由于图像包含大量信息，像素的灰度值差异普遍存在，为了在突出主要边缘信息的同时保留图像背景，设定一个非负阈值T进行处理。

（2）适当选取T ，使梯度值≥T的各点的灰度等于该点的梯度值，其它则保留原灰度值，形成背景，

（3）根据需要指定一个灰度级LG，例如，令LG＝255。以LG表示边缘，其它保留原背景值，

（4）指定一个灰度级LB表示背景，例如，令LB＝0，形成黑背景，保留边缘梯度变化。

（5）将边缘与灰度图像分别以灰度级LG 和LB表示，例如，255表示边缘，0表示背景，形成二值图像

8.（1） 检测垂直线

 

\

 

（2） 检测水平线

 

 

（3）检测对角线

 

 

9. （1）理想滤波器包括理想低通滤波器、理想高通滤波器，用理想低通滤波器处理后会导致边缘损失、图像边缘模糊。理想高通滤波器处理的图像中边缘有抖动现象。

（2）Butterworth滤波器包括Butterworth低通滤波器、Butterworth高通滤波器，Butterworth低通滤波器的特点是连续衰减，不像理想低通滤波器那样具有明显的不连续性。因此，用此滤波器处理后图像边缘的模糊程度大大降低。Butterworth锐化效果较好，边缘抖动现象不明显，但计算比较复杂。

（3）指数滤波器包括指数低通滤波器、指数高通滤波器，指数低通滤波器在抑制噪声的同时，图像中边缘的模糊程度比Butterworth滤波器大。指数高通滤波器比Butterworth效果差些，边缘抖动现象不明显。

（4）梯形滤波器包括梯形低通滤波器、梯形高通滤波器，梯形低通滤波器介于理想低通滤波器和指数低通滤波器之间，处理后的图像有一定的模糊。梯形高通滤波器会产生轻微抖动现象，但因计算简单而经常被使用。

（5）高斯滤波器包括高斯低通滤波器、高斯高通滤波器。

10. （1）取对数

 

 

这使图像运算从乘法变为加法，分开照射分量和反射分量。然后，可以在频率域进行图像的处理。

（2）对（1）的结果进行傅立叶变换

 

 

（3）选取滤波器函数对进行滤波处理

 

 

在这里，称为同态滤波函数，它可以分别作用于照射分量和反射分量上。同态滤波函数的类型和参数的选择对滤波的结果影响很大。

（4）应用傅立叶逆变换将图像转换到空间域

 

 

（5）再对上式进行指数变换

 

 

三、填空题（20）

 

1.空间域滤波、频率域滤波

 

2.邻域、卷积运算

 

3.平滑 锐化 卷积运算 扩大 大

 

4.低通滤波、平滑、高通滤波、锐化

 

5.外部噪声 内部噪声 平稳 非平稳

 

6.加性 乘性 高斯 脉冲

 

7.高斯噪声、脉冲噪声、周期噪声

 

8.均值滤波 中值滤波 高斯低通滤波 梯度倒数加权法 选择式掩模平滑

 

9.线性低通、均等、平均

 

10.             噪声 平滑

 

11.             随机、脉冲

 

12.             线性锐化滤波 梯度法 Laplacian算子 定向检测

 

13.             大小、越大

 

14.             检测垂直线、检测水平线、检测对角线

 

15.             低通滤波、高通滤波、带通滤波

 

16.             通、阻

 

17.             滤波器、通或阻的频率

 

18.             低通滤波器、高通滤波器、带通滤波器、带阻滤波器、自定义滤波器。

 

19.             理想滤波器、Butterworth滤波器、指数滤波器、梯形滤波器、高斯滤波器

 

20.             不大、图像中暗处的细节

 

第八章

 

一、名词解释

 

1.图像分割

 

2.区域分割

 

3.开运算

 

4.闭运算

 

5.距离变换

 

二、简答

 

1.图像分割的原则是什么？

 

2.图像分割可以采用的三种方法？

 

3.如何用自适应阈值方法来实现自适应分割？

 

4.举例说明分水岭算法的实现过程？

 

5.图像经过梯度运算后采用哪几种常用的方法来突出图像的轮廓？

 

6.边缘检测的基本思想是什么？

 

7.区域生长方法的基本思想是什么？

 

8.简单区域扩张法的基本步骤是什么？

 

9.数学形态学的基本运算有哪四种？

 

10.             腐蚀可分为一个两步过程，以免分裂目标。请问是哪两个过程？

 

三、填空

 

1.为了对感兴趣的目标进行识别和分析，需要将其分离出来，然后提取所具有的特征，进而进行识别分类。（）是模式识别的首要工作之一。从地物识别角度来看，（）更适用于处理高空间分辨率的图像。

 

2.图像分割中可供选择的连通性准则有两种：（）和（）。

 

3.图像分割时，如果感兴趣的目标在其内部具有均匀一致的灰度值并分布在具有另一个灰度值的均匀背景上，使用（）效果就很好。

 

4.根据分割对象与背景之间的差异，产生了不同的确定阈值的方法。当前，主要应用的方法有（）和（）两种。

 

5.使用灰度阈值进行图像分割时，选择最佳的阈值有三种常用的方法：（）、（）和（）。

 

6.应用不同的锐化算法可进行边缘检测。常用的算法有（）、（）和（）等。

 

7.（）就是一个将邻近的边缘点连接起来从而产生一条闭合的连通边界的过程。

 

8.边界跟踪中，噪声的影响可以通过跟踪前对梯度图像进行平滑或采用()的方法来降低。

 

9.()是基于相似性准则建立的一种图像分割方法。

 

10.              数学形态学的数学基础和使用的语言是()。

 

11.             （）是消除目标所有边界点的一种过程，其结果是目标沿其周边比原目标小一个像素的面积。

 

12.             （）是将与目标接触的所有背景点合并到该目标中的过程。过程的结果是使目标的面积增大了相应数量的点。

 

13.             膨胀和腐蚀具有（）性。

 

14.             当腐蚀以一种不触及单像素目标的方式执行时，这个过程称为（）。当目标总数必须保持不变时，这种方法很有用。

 

15.             腐蚀和膨胀的变种有一下五种：（）、（）、（）、（）和（）。

 

16.             开运算对于（）地物的分割效果较好，而闭运算对于（）地物的分割效果较好。

 

17.             （）是将一个曲线形目标细化为一条单像素宽的线，从而图形化地显示出其拓扑性质。

 

18.              通常，细化和抽骨架过程会在所生成的图中留下毛刺。可通过一系列的消除端点的3×3运算除去，然后再重建那些留下的分支，这个过程就叫（）。

 

19.             一些分割技术通常孤立目标的最佳边界太紧贴而不利于后续测量。（）可在不合并彼此分离的目标的前提下扩大边界，从而修正了这种不足。

 

20.             一个目标的边界的曲率在凸起处取（）值，而在凹陷处取（）值。

 

答案

 

一、名词解释

 

图像分割是指把图像分成各具特性的区域并提取出感兴趣的目标的技术和过程。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即将属于同一区域的像素赋予相同编号的过程。

 

对于特征不连续性的边缘检测，把图像分割成特征相同的互相不重叠连接区域的处理被称为区域分割。

 

使用同一个结构元素对图像先进行腐蚀然后再进行膨胀的运算称为开运算（Open），它具有消除细小目标、在纤细点处分离目标、平滑较大目标的边界时不明显改变其面积的作用。

 

先膨胀后腐蚀的过程称为闭运算（Close），它具有填充目标内细小空洞、连接邻近目标、在不明显改变目标面积的情况下平滑其边界的作用。

 

距离变换是一种可用于二值图像的运算，运算结果不是另一幅二值图像，而是一个灰度级图像。每个像素的灰度级是该像素与距其最近的背景像素间的距离。

 

二、简答

1. 　由于图像的复杂性和应用的多样性，图像分割并没有一个统一的标准和方法，一般可以依据以下两个原则对图像进行分割。

　　（1）依据像素灰度值的不连续性进行分割

假定不同区域的像素的灰度值具有不连续性，因而可以对其进行分割。

　　（2）依据同一区域内部像素的灰度值具有相似性进行分割

　　这种方法一般从一个点（种子）出发，将其邻域中满足相似性测量准则的像素进行合并从而达到分割的目的。依据像素的不连续性进行分割的方法主要是区域增长法。

 

2. 　图像分割可以采用三种不同的方法来实现：在利用区域的方法时，把各像素划归到各个目标或区域中。在边界方法中，只需确定存在于区域间的边界。在边缘方法中，则先确定边缘像素并把它们连接在一起以构成所需的边界。这三种方法在解决问题时都是有用的。

 

3. 　自适应分割可用二次图像处理实现。在第一次处理前，先根据目标的大小将图像划分成大小固定的块（例如，每个块的大小为100 x 100）。根据各个块的灰度直方图，阈值被确定为背景峰值与数据峰值的中点。直方图是单峰的块则不予考虑。

　　在第一次处理时，每块中目标的边界用各自固定的阈值确定，但各块间阈值不同。如此做的目的并不是要把目标从图像中抽取出来，而是计算每个目标内部的平均灰度值。

　　在第二次处理时，每个目标使用各自的阈值，该值由内部灰度值和它的主块的背景灰度值的中间值来定义。

 

4.　分水岭算法是与自适应阈值化有关的一个算法，假定图像中目标的灰度值低，而背景的灰度值高。

　　图像最初在一个低灰度值上阈值化。该灰度值把图像分割成正确数目的目标，但它们的边界偏向目标内部。随后阈值逐渐增加，每一次增加一个灰度级。目标的边界将随着阈值增加而扩展，直到边界相互接触。这些初次接触的点构成了相邻目标间的最终边界。该过程在阈值达到背景的灰度级之前终止。

　　分水岭算法不是简单地将图像在最佳灰度级进行阈值处理，而是从一个偏低但仍然能正确分割各个目标的阈值开始。然后随着阈值逐渐上升到最佳值，使各个目标不会被合并。这个方法可以解决那些由于目标靠得太近而不能用全局阈值解决的问题。当且仅当所采用最初的阈值进行分割的结果是正确的，那么，最后的分割也是正确的（也就是说，图像中每个实际目标都有相应的边界）。

　　必须细心地选择最初和最终的阈值灰度级。如果初始的阈值太低，那么低对比度的目标开始时会被丢失，然后随着阈值的增加就会和相邻的目标合并。如果初始阈值太高，目标一开始便会被合并。最终的阈值决定了最后的边界与实际目标的吻合程度。

 

5. 　图像经过梯度运算后采用一下四种常用的方法来突出图像的轮廓：

　　（1）梯度图像直接输出

　　（2）加阈值的梯度输出

　　（3）给边缘规定一个特定的灰度级

　　（4）将背景设为特定的灰度级

 

6. 　边缘检测的基本思想是通过检测每个像素和其邻域的状态，以决定该像素是否位于一个目标的边界上。如果一个像素位于一个目标的边界上，则其邻域像素灰度值的变化就比较大。假如可以应用某种算法检测出这种变化并进行量化表示，那么就可以确定目标的边界。边缘检测算子可以通过检查每个像素的邻域并对其灰度变化进行量化达到边界提取的目的，而且大部分的检测算子还可以确定变化（边界）的方向。

 

7. 　区域生成的基本思想是将具有相似性质的像素集合起来构成区域。首先对每个需要分割的目标区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素性质相同或相似的像素（根据某种事先确定的生长或相似准则来判定）合并到种子像素所在的区域中。再将这些像素当作新的种子像素继续进行上述过程，直到再没有能满足条件的像素可被包括进来，这样一个区域就长成了。

 

8. 　简单区域扩张法一般从单个像素开始进行，其步骤如下：

　　（1）对图像进行扫描，求出不属于任何区域的像素；

　　（2）把该像素的灰度与其周围的4邻域或8邻域内不属于任何一个区域的像素灰度相比较，如果其差值在某一阈值以下，就把它作为同一区域加以合并；

　　（3）对于那些新合并的像素反复进行2）的操作；

　　（4）反复进行2）、3）步，直至区域不能扩张为上；

　　（5）返回到1），寻找能成为新区域出发点的像素。

 

9. 　数学形态学的基本运算有四种：腐蚀、膨胀、开启和闭合，

 

10.   腐蚀可分为一个两步过程，以免分裂目标。第一步是一个正常的腐蚀，但它是有条件的，也就是说，那些被标为可除去的像素点并不立即消去。在第二步中，只将那些消除后并不破坏连通性的点消除，否则保留。以上每一步都是一个3×3邻域运算，可用查表运算实现。

 

三、填空

 

1.图像分割、图像分割

 

2.4连通、8连通

 

3.阈值方法

 

4.全局阈值法、自适应阈值法

 

5.直方图方法、自适应阈值方法、分水岭算法

 

6.罗伯特算子、Prewitt边缘算子、拉普拉斯算子

 

7.边缘连接

 

8.跟踪虫

 

9.区域生长法

 

10.             集合论

 

11.             腐蚀

 

12.             膨胀

 

13.             对偶

 

14.             收缩

 

15.             收缩、细化、抽骨架、剪枝、粗化

 

16.             圆形、封闭矩形

 

17.             细化

 

18.             剪枝

 

19.             粗化

 

20.             正 、负

 

第九章

 

一、名词解释

 

1.图像的分类

 

2.非监督分类

 

3.SAM

 

4.训练区

 

5.神经网络

 

二、简答

 

1. 绝对距离和欧氏距离使用时需要注意哪些问题？

 

2.简述遥感图像分类流程。

 

3.ISODATA算法与K-均值算法有什么不同

 

4.遥感图像的硬分类与软分类的区别是什么？

 

5.选择训练区应该注意哪些问题？

 

6.监督分类的主要方法有哪些，各有什么特点？

 

7.神经网络用于遥感图像分类有何优缺点？

 

8.图像分类后处理包括哪些工作？

 

9.遥感专题制图中需要注意哪些问题？

 

10.             提高遥感图像分类的主要对策有哪些？

 

三、填空

 

1.遥感图像分类的对象是原始遥感图像及各种变换之后的图像，采用（）或（）对变量特征空间进行划分来达到分类的目的。

 

2.根据是否需要分类人员事先提供已知类别及其训练样本，对分类器进行（）和（），可将遥感图像分类方法划分为（）和（）。

 

3.根据分类使用的统计数学方法可以分为（）方法和（）方法分类。前者以（）理论为基础，包括K－均值分类、最大相似性分类等。后者以（）理论为基础，主要是模糊分类。

 

4.常用的距离度量有（）、（）、（）、（）。

 

5.良好的特征应具有（）、（）、（）、（）等4个特点

 

6.非监督分类有多种方法，其中，（）方法和（）方法是效果较好、使用最多的两种方法。

 

7.在非监督分类中，初始类别参数的选择方法有（）、（）、（）、（）

 

8.8. 监督分类的基本过程是：首先根据已知的样本类别和类别的先验知识确定（），计算（），然后将未知类别的样本值代入（），依据（）对该样本所属的类别进行判定。

 

9.ROI有（）、（）、（）三种。

 

10.             （）又称盒式分类器，有时又叫等级分割分类器，或者叫平行六面体分类器。

 

11.             最小距离是一种相对简化了的分类方法。前提是假定图像中各类地物波谱信息呈（）分布，每一个类在K维特征空间中形成一个（）状的点群，依据像素距各类中心距离的远近决定其归属。

 

12.             最大似然分类方法是基于（）的分类错误概率最小的一种非线性分类，是应用比较广泛、比较成熟的一种监督分类方法。

 

13.             光谱角分类考虑的是光谱向量的（）而非光谱向量的（），使用（）距离作为地物类的相似性测度。

 

14.             进行模糊分类，关键在于（）的确定和计算。

 

15.             神经网络按照网络的连接结构划分，包括（）、反馈网络、（）。

 

16.             树分类分为（）和（）两步，首先利用训练样本对分类树进行训练，构造分类树结构，然后用训练好的分类树对像素的进行逐级判定，最终确定其类别归属。

 

17.             遥感图像解译专家系统的组成主要包括（）、知识获取系统、（）三大部分

 

18.             （）是图像分类报告中必须包含的内容，包括各类在各波段的平均值、标准差、最低值、最高值、协方差矩阵、相关系数矩阵、特征值、各类的像素数和占总像素数的百分比、精度检验等。

 

19.             （）将分类的类别与其所在的空间位置进行统一检查。目前普遍采用混淆矩阵的方法，即以（）系数评价整个分类图的精度，以条件（）系数评价单一类别的精度。

 

20.             纹理特征辅助光谱数据参与分类的方案，类似于高程信息参与分类的方案，主要有（）、间接参与方案、（）三种。

 

答案

 

一、名词解释

 

同类地物在相同的条件下（光照、地形等）应该具有相同或相似的光谱信息和空间信息特征。不同类的地物之间具有差异。根据这种差异，将图像中的所有像素按其性质分为若干个类别（Class）的过程，称为图像的分类。

 

非监督分类是指人们事先对分类过程不加入任何的先验知识，而仅凭遥感图像中地物的光谱特征，即自然聚类的特性进行的分类。

 

光谱角分类方法(Spectral Angle Mapper：SAM)是一种光谱匹配技术，它通过估计像素光谱与样本光谱或是混合像素中端元成分(end member)光谱的相似性来分类。

 

训练区又叫样本区，是用来确定图像中已知类别像素的特征，它在在遥感处理系统中被称为“感兴趣区”。

 

人工神经网络（Artificial Neural Network，ANN）是由大量处理单元（神经元）相互连接的网络结构，是人脑的某种抽象、简化和模拟。

 

二、简答

 

1. 　在使用绝对距离和欧氏距离时，需注意以下两点：

　　（1）特征参数的量纲

　　具有不同量纲的特征参数常常是无意义的。例如，特征参数为某个波段亮度值和某种波段亮度比值时，波段的亮度值通常是整数，而比值常为小于1的小数，将这样数量级相差较大的数以同等的权组合起来，只能突出绝对值大的特征参数的作用而降低绝对值小的特征参数的作用。解决的办法是在进行分类前对数据进行标准化。

　　（2）特征参数间的相关性

　　特征参数间通常（未经正交变换）是相关的。相关意味着特征参数在表征地物特征方面有共性。若特征参数中的大部分相关性较强，而个别的相关性不大，则一般来说相关的参数和不相关的参数在距离中的权应是不一致的，但在上述公式中权是相同的，这也是个缺点。下面的马氏距离解决了这个问题。

 

2. 　遥感图像分类流程如下：

　　（1）预处理：包括确定工作范围、多源图像的几何配准、噪声处理、辐射校正、几何精校正、多图像融合等。

　　（2）特征选取：包括特征选择和特征提取。特征选择是从众多特征中挑选出可以参加分类运算的若干个特征；特征提取是在特征选择以后，利用特征提取算法（如主成分分析算法）从原始特征中求出最能反映地物类别性质的一组新特征。

　　（3）分类：根据特征与分类对象的实际情况选择适当的分类方法。

　　（4）分类后处理：由于分类过程是按像素逐个进行的，分类结果图像中成片的地物类别分布区往往会出现零星的异类像素，其中许多是不合理的。因此，要根据分类的要求进行后处理工作。

　　（5）结果检验: 对分类的精度与可靠性进行评价。

　　（6）结果输出: 对于达到精度要求的分类图像，根据需要和用途，设置投影、比例尺、图例等制作专题图，或将数据转换为向量格式，供其它系统使用。

 

3. 　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均值，而是在把所有样本都调整完毕之后才重新计算，前者称为逐个样本修正法，后者称为成批样本修正法；

　　第二，ISODATA算法不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动地进行类别“合并”和“分裂”，从而得到类数比较合理的聚类结果。

 

4. 　根据一个像素被分到一个类还是多个类，可将遥感图像分类方法分为硬分类和软分类。图像上的一个像素只能被分到一个类的分类方法称为硬分类。传统的统计分类方法都是硬分类。硬分类有时可能不合理。因为有些像素可能同时具有两个类或多个类的性质。图像上的每一个像素可以同时被分到两个或两个以上类的分类方法，称为软分类，这时每个像素除了被分类外，还同时允许它在不同的两个或多个类中具有隶属概率或部分隶属值。这是对硬分类不合理一面的一种较合理的解决方式。

 

5. 　选择训练区时应注意以下问题：

　　（1）训练区必须具有典型性和代表性，即所含类型应与研究地域所要区分的类别一致。训练区的样本应在面积较大的地物中心部分选择，而不应在地物混交地区和类别的边缘选取，以保证特征具有典型性，从而能进行准确的分类。

　　（2）使用的图件时间和空间上要保持一致性，以便于确定数字图像与地形图（或土地利用图、地质图、航片等）的对应关系。即使不一致，也要尽量找时间上相近的图件，同时，图件在空间上应能很好的匹配。

　　（3）训练区的选取方式有按坐标输入式和人机对话式两类。按坐标输入式是预先把实地调查确定的各类地物分布区转绘到地图上去，量测其在选定坐标系中的位置，再把量测数据输入计算机并映射到遥感图像上。这种方式用于不带图像显示装置的计算机系统。人机对话式则用于带有图像显示装置的数字图像处理系统，它通过鼠标在图像上勾画出地物所在的范围或转入实地调查的地图矢量数据作为训练区。

训练区确定后可通过直方图来分析样本的分布规律和可分性。一般要求单个类训练区的直方图是单峰，近似于正态分布的曲线。如果是双峰，即类似二个正态分布曲线重叠，则可能是混合类别，需要重做。

　　（4）训练样本的数目。训练样本数据用来计算类均值和协方差矩阵。根据概率统计，协方差矩阵的导出至少需要K+ 1个样本（K是多光谱空间的分量数或经过选择的特征数），这个数是理论上的最小值。实际上，为了保证参数估计结果比较合理，样本数应适当增多。在具体分类时，要根据对工作地区的了解程度和图像本身的情况来确定样本数量。

 

6. 　监督分类的几种方法及特点如下：

　　（1）平行管道法：这种方法的优点是分类标准简单，计算速度快。主要问题是按照各个波段的均值和标准差划分的平行多面体与实际地物类的点群形态不一致。

　　（2）最小距离方法：容易产生错误，但该方法简单、实用性强、计算速度快。

　　（3）最大似然方法：基于贝叶斯准则的分类错误概率最小的一种非线性分类，是应用比较广泛、比较成熟的一种监督分类方法。

　　（4）光谱角方法：是一种光谱匹配技术，它通过估计像素光谱与样本光谱或是混合像素中端元成分(end member)光谱的相似性来分类。

 

7. 　神经网络方法具有如下优点：

　　（1）神经网络是模拟大脑神经系统储存和处理信息过程而抽象出来的一种数学模型，具有良好的容错性和鲁棒性，可通过学习获得网络的各种参数，无需像统计模式识别那样对原始类别做概率分布假设，这对于复杂的、背景知识不够清楚的地区图像的分类比较有效。

　　（2）在输入层和输出层之间增加了隐含层，节点之间通过权重来连接，且具有自我调节能力，能方便地利用各种类型的多源数据（遥感的或非遥感的）进行综合研究，有利于提高分类精度。

　　（3）判别函数是非线性的，能在特征空间形成复杂的非线性决策边界，从而解决非线性可分的特征空间的划分。

　　按照实用化要求衡量，神经网络还存在许多不足：

　　（1）对训练数据集的选择较为敏感；

　　（2）需要花费大量时间进行学习；相关的参数多且需不断调整，才能得到较好的分类结果；

　　（3）学习容易陷入低谷而不能跳出，有时网络不能收敛；

　　（4）很难给出神经元之间权值的物理意义，神经网络模型被认为是黑箱的

 

8. 　图像分类后处理包括以下方面：

　　（1）碎斑处理：去掉分类图中过于孤立的那些类的像素，或把它们归并到包围相邻的较连续分布的那些类。

　　（2）类别合并：非监督分类前不知道实际有多少地物类，在策略上总是先分出较多的类，然后对照实地情况或根据已有知识，确定最后需要的类别，因此，需要将某些光谱上不同的类（光谱类）合并为一个地物类。

　　（3）分类结果统计：分类结果统计是图像分类报告中必须包含的内容，包括各类在各波段的平均值、标准差、最低值、最高值、协方差矩阵、相关系数矩阵、特征值、各类的像素数和占总像素数的百分比、精度检验等

　　（4）类间可分离性分析：可分离性可用各类之间的距离矩阵来表示。由于距离是类间相似性的一个重要量度，因而通过该矩阵可确定最为相似的类。如果某类的地物性质比较模糊，可借助与它最相似的已知地物类来进一步明确。

 

9. 　遥感专题制图中需要注意以下问题：

　　（1）分类赋色：分类完成后，计算机处理系统一般都是按类顺序（或训练区的颜色）自动给各类别赋色。这些默认的颜色基本上都不符合专业制图的要求，例如，专业制图要求相近的类颜色应相近，面积大的类颜色应较浅等，因此需要重新给各类配色。这个处理过程在ENVI系统中叫“改变类颜色”，在ERDAS系统中则是重编码处理的一部分。各类配好颜色后，可存为一个特定的文件或查找表（LUT），供分类图输出时使用。

　　（2）叠加修饰符号：为了满足制图的要求，需要在图像上叠加各种修饰性内容，包括：比例尺，公里网，指北针，图例，图廓，注记，统计图表等。多数图像处理或软件系统都提供了相应的功能或模板，操作比较方便。现有的遥感处理系统大多已经支持中文注记。

　　（3）输出：分类图可通过各种打印设备输出。输出形式可以是彩色图（以不同颜色表示不同的类）；也可以是黑白图（用不同灰度值或灰度级表示不同的类），还可以是符号图（以不同字母或数字表示不同的类）或图案。

 

10. 　提高遥感图像分类的主要对策有以下几个方面：

　　（1）多种信息的综合利用：包括几何信息、纹理信息、地形信息等的综合利用。

　　（2）混合像素的分解处理: 混合像素是遥感图像中较普遍存在的现象。尤其是低分辨率的卫星图像，一个像素覆盖的地面范围内往往包含一种以上的地物类别。这种混合像素的灰度值必为各组分图像灰度的混合值，传统的基于逐个像素的判别就会发生困难，有很大的不确定性，必须进行混合像素的分解处理

　　（3）分层分类与专家系统的应用：所谓分层分类就是模拟目视解译，对复杂图像进行多层次的分析判断，先把容易识别确定的地物提取出来，再针对彼此混淆的地类采用不同的判据进行区分，先易后难，由表及里，分层处理，逐步推进。遥感图像解译专家系统是模式识别与人工智能技术相结合的产物。应用人工智能技术，运用遥感图像解译专家的经验和方法，模拟遥感图像目视解译的具体思维过程，进行遥感图像解译。它使用人工智能语言讲某一领域的专家分析方法或经验，对地物的多种属性进行分析判断，确定类别。

 

三、填空

 

1.决策理论、统计方法

 

2.训练、监督、监督分类、非监督分类

 

3.随机统计、模糊数学、随机数学、模糊数学

 

4.绝对距离、欧氏距离、马氏距离、相似系数

 

5.可分性、可靠性、独立性、数量少

 

6.K-均值、ISODATA

 

7.光谱特征比较法、直方图法、最大最小距离法、局部直方图峰值法

 

8.判别准则、判别函数、判别函数、判别准则

 

9.点、线、面

 

10.             平行管道法

 

11.              多元正态、椭球

 

12.             贝叶斯准则

 

13.             方向、长度、余弦

 

14.             隶属函数

 

15.             前向网络、相互结合型网络

 

16.             训练、分类

 

17.             图像处理与特征提取子系统、狭义的专家系统

 

18.             分类结果统计

 

19.             位置精度分析、Kappa、Kappa

 

20.             直接参与方案、后处理方案