http://lijiwei19850620.blog.163.com/blog/static/97841538200952342918702/

 

第一节

1、传输方程

L_传=L_地+L_天+L_σ

L_σ是系统误差。

去除L_天和L_σ的过程叫做遥感辐射定标。

2、地物三大属性及其遥感特征：

http://img.bimg.126.net/photo/HwiJT3KUQNo3uCsR06ZIFg==/4827858800541446234.jpg

3、景：遥感数据的单位，包含多波段的遥感数据。

4、高光谱：很多波段的图像，最少128个，而一般的图像只有8个波段。

5、3band，即三个波段的数据。

 

第二节

1、记录方式：采样—>量化—>文件—>读入—>处理—>输出

量化：2_n等级，n一般为8，是Generic Binary。

输出：二次采样。

2、遥感图像预处理：定标、辐射校正、几何校正。

3、评价直方图：

直方图：体现对比度，肉眼只能区分20多个灰度定级，但能识别很多色彩。

理想直方图：正太分布最佳，它的层次差异大，可视性好。

http://img.bimg.126.net/photo/kTt5x8sKXnbc52JIUC28uA==/4237042824426908447.jpg

（2）（3）（4）灰度等级过度集中，没有层次感。

（2）整体亮度值很低，很暗。（3）整体亮度值很高，很亮。

（5）峰值不明显。

（6）为多峰直方图，地物有明显的两大类不一样。

4、误差处理不超过1个象元，否则不可用。

 

第三节 辐射校正

1、辐射畸变

2、影响辐射畸变的因素：

（1）传感器

（2）大气噪音影响，主要是散射光的影响，减少了图像的对比度。

遥感器场地外定标—>求解定标系数—>建立完整的传输方程

3、大气影响的定量分析

4、大气影响的粗略校正：这里的两种方法都为相对定标，绝对定标用定标场来完成。

（1）直方图最小值去除法：前提是红外波段有0值存在，即图像有水体。

A、找水体最小亮度值Min。

B、DataPrep—>CreateNewImage—>InitializationValue设置为Min。

C、Interpreter—>BasicHyperSpectralTools—>AutomaticLogResiduals，去除了B5的大气影响。

D、DataPrep—>SubsetImage—>查询其他波段的最小亮度值Min，其与B5之差即为要该波段要校正亮度值，接下来重做步骤2和3去除其他波段的大气影响。

注释：

A、步骤3可以用建模模块Modeler来完成。

B、1层—红色—B5，标准波段，水体亮度为零，可以以此去除大气影响。

2层—绿色—B4

3层—蓝色—B3

（2）回归分析法

y=Ax+b

注：y—标准波段，如B5、B7

x—待校正波段

A、确定无影响波段，如B5、B7。

B、按波段取样，取5组或更多，同一像元不同波段的值为一组值。

C、求回归方程。

D、原图减b，即x-b。

 

第四节 几何校正

1、几何畸变：

（1）原因：遥感器本身、外部因素、处理过程中引起等

其中外部因素包括：

A、地球曲率；

B、大气密度引起的折光；

C、地形起伏；

D、地球自转；

E、遥感器的位置和姿态。

（2）几何畸变是平移、缩放、旋转、偏扭、弯曲等作用的结果。

2、遥感图像的几何校正原理：

（1）原理：利用图像坐标（屏幕坐标）和地面坐标（地图坐标）之间的关系，即输入图像和输出图像间的坐标关系，即输入图像和输出图像间的坐标转换关系的实现。（2）包含两个方面的内容：A、图像空间象元坐标的变换；B、灰度重转换：变换后的的标准图像空间的各象元灰度值的计算。

3、步骤：

（1）坐标变换关系：

A、直接纠正方法：转换方程几乎找不到，一般不用这种方法；

B、间接纠正法：应用较多。

（2）灰度重采样：用内插法，主要有最近临域法、双线性内插法和三次卷积法。

（3）过程：准备工作—>输入原始图像—>建立纠正函数—>确定输出图像的范围—>逐个象元进行几何变化—>灰度值重采样—>输出纠正图像—>效果评价。

（4）遥感数字图像的多项式纠正：

控制点选择原则：

A、位置可靠

B、均匀分布

C、清楚辨认

D、最小控制点数为(n+1)*(n+2)/2，其中n为次方数，一般6倍于最小数目。

4、Erdas操作：

在DataPrep模块中的ImageGeometricCorrection中进行校正。

 

 

第五节 剪切图像和彩色变换

一、剪切图像

1、ArcGis下创建Shapefile，转化为Coverage。

2、Erdas—>Vector—>Vector to Raster，将Coverage转化为Raster。

3、Erdas—>Interpreter—>Utilities—>Mask。

二、彩色变换

以前是学习的是遥感图像的预处理，下面学习遥感图像增强处理方法。

遥感图像增强处理方法分类：

http://img.bimg.126.net/photo/HzZPP89RGQhdLBp7LejxOw==/4282078820699716301.jpg

彩色变换是把数字图像组合转换成彩色图形。

1、单波段彩色变换（假彩色密度分割）：

按亮度分层赋色，分层与地物光谱差异适应。

处理过程：输入图像—>显示直方图—>确定分割的等级数，计算分割的间距—>象元亮度值转换—>为象元新值赋色。

优点：增强了图像的显示能力。

缺点：同一地物分为两种不同的密度以不同的颜色显示，容易造成误判。

2、多波段彩色变换：

将多波段数据按彩色合成原理合成为彩色，分为真彩色和假彩色。

关键：尽可能扩大彩色级的动态范围。

最佳假彩色合成变量选择方法依赖于对遥感图像信息特征的分析和研究目的，有信息分析法（选择信息量最大的波段，但不一定得到研究所需要的信息）和最佳波段组合指数法（对各波段的相关系数分析，选择相关系数小的波段）(OIF越大越好，则信息量最大，相关性最小)。

3、常识：

Landsat-MSS/TM/ETM+中，Landsat是卫星航天传感器平台，MSS/TM/ETM+是传感器，分别装在Landsat123/45/7上。

参考资料：

http://landsat.gsfc.nasa.gov/about/index.html

http://hi.baidu.com/searching/blog/item/71bbab64c873d2f2f73654f1.html

http://bbs.gissky.net/ah_34895.html

美国陆地卫星七号(LANDSAT-7) 陆地卫星7号于1999年4月15日由美国航空航天局发射，携带了增强型主题成像传感器（ETM+）。波段简介：

不同波段代有不同地物的信息，如B5中土地信息较多，研究土地常用4（R）5（G）3（B）组合，B7中地质信息较多，研究地质常用7（R）4（G）2（B）组合。其中B5的信息最丰富，B7431其次，B26最差。通常分为三组，即B123/B46/B57。

Erdas默认打开图像的方式为假彩色(标准假彩色4（R）3（G）2（B），真彩色3（R）2（G）1（B）)（选择No Strech可以以原图显示），假彩色的读取文件的顺序是第4、第3和第2层数据。所以，波段合成时要注意合成的顺序，文件合成的顺序就是Erdas依次加载的顺序。

波段合成：Erdas—>Interpreter—>Utilities—>Layer Stack。

 

第六节 对比度变换

一、彩色变换

Viewer—>Rastor—>Attributes，打开Rastor Attributes Editor。

Rastor Option。

二、对比度变换

直方图和图像的质量

对比度变换是一种通过改变图像象元的亮度值来改变图像象元对比度，从而改善图像质量的图像处理方法。将图像中过于集中的象元分布区域拉开扩展，扩大图像反差的对比度，增强图像表现的层次，又叫辐射增强。

方法：对比度线性变换和非线性变换。

1、线性拉伸：x_b=kx_a+b     其中：k=(maxx_b-minx_b)/(maxx_a-minx_a),b=?

2、非线性拉伸：x_b=bLog(ax_a+1)+c     x_b=be^axa+c

3、直方图均衡化：变换后的直方图接近均匀分布，使面积大的地物细节得以增强，灰度级被拉伸；面积小的地物与灰度相似的地物合并，减少灰度等级。

4、直方图规定化。

5、操作：

Interpreter—>Radiometric Enhancement—>LUT Stretch/Histogram Equalization（直方图均衡化）/Histogram Match（直方图规定化）。

Viewer—>Rastor—>Contrast，或则工具栏中的坐标符号，其中∑符号的功能强大，可以做多段线性拉伸。

Contrast Adjust—>Breakpoint Editor—>左边按钮Lookup Table，是输入输出结果。

Interpreter—>Utilities—>Functions，点击View可以查看模型。

AOI是选择特定区域，Rastor工具栏中有该工具。

 

第七节 空间滤波

1、滤波过程

http://img.bimg.126.net/photo/eyXWa7VMvHsJkpR8hrIlow==/3171660037576225237.jpg

空间滤波

http://img.bimg.126.net/photo/n8Yig8hqKT2CMk1_XBUWhQ==/3975271096085135610.jpg

2、空间滤波增强的原理：任何一个复杂的波形曲线都可以分解成具有不同频率（波长）的较为简单的波形曲线，舍去不需要的波长，保留需要的合适的波长，以重点突出图像上某些特征为目的。

3、通过邻域计算进行滤波，一般有四点邻域和八点邻域。

4、图像卷积运算：将模板当权重矩阵做加权平均，沿纵轴翻转，再研横轴翻转，转后再加权平均。

5、滤波=邻域计算=卷积运算

6、图像的锐化与平滑：

（1）平滑：

A目的：消除或者减少噪音的影响，以改善图像的质量。

B假设：噪音随机独立分布。

C问题：降低了图像精细度，使边缘信息丢失，图像模糊。

D邻域平均法/均值滤波：分为矩形邻域和圆形邻域。

E中值滤波：非线性，改进算法，边缘信息保护较好。

F高斯滤波：对称矩阵，离中心越远权重越小。

G操作：Interpreter—>Spatial Enhancement—>Convolution。

 

第八节 缺课

 

第九节 多光谱变换

1、各种数学变化的用途只有一个，即利用某种变化使所遇到的问题更容易更方便的得到解决。

2、遥感图像变换处理的两个重要作用：1、增强处理，2、特征抽取。

3、变换核：分为正变换核和逆变换核。

Y=XA     A是变换矩阵，是一个正交矩阵，用统计学原理算出。

4、多光谱变换：针对多光谱影像存在的一定程度上的相关性及数据沉余现象，通过函数变换，达到保留主要信息，降低数据量，增强或提取有用信息目的的方法。

5、变换的本质：对遥感图像时线性变换，使光谱空间的坐标按一定规律进行旋转。

6、变化方法：

（1）K-L变换：

离散变换，有称主成分变换。多光谱空间坐标系旋转了一个角度，指向数据量最多的方向，实现了数据的压缩和增强。变换后各主成分之间的相关系数为零，也就是各主成分间的内容不同的，是“垂直”的。第一主成分信息量最大，为加权和值图像，可降低噪声，细部增强；其他主成分为加权差值图像，可提取特定专题信息，每成分信息不同，是差别信息。

方法：Interpreter—>Spectral Enhancement—>Principal Components（正变换）和inverse Principal Components（逆变换），输入最少为三个波段。

（2）K-T变换：

缨帽变换，是经验性的多波段图像的线性正交变换。

Y=AX+r     A是偶数矩阵，r是为避免负值而加的常数。

三个主成分：A、第一成分是亮度成分，数据量最大，6个波段的加权和；B、第二成分是绿度成分，4与123波段差值图像；C、第三成分是湿度成分，1234与57波段的差值，

三个视面：A、绿亮：植被视面；B、湿亮：土壤视面；C、绿湿：过渡区视面。

方法：Interpreter—>Spectral Enhancement—>Tasseled Cap，输入为4波段和6波段。

 

第十节

一、序言

1、多波段数字图像格式：BSQ（波段顺序，如LTWG格式）和BIL（波段交叉）。

2、遥感的三个层次：A、增强处理，B、解译处理，C、自动分类。

二、遥感图像分类

1、计算机分类：数据——信息（遥感数据——地物信息）

2、基本原理：不同地物具备不同光谱特征，同一地物具有相同或相似的光谱特征。

3、图像分类过程目标：将图像中所有的象元自动地进行土地覆被类型分类。

4、存在问题：

A、同物异谱，同谱异物。

B、光谱类（基于光谱特征形成的类别）和信息不对应（根据实际需要待分的类别的认为的划分）。

5、几个基本概念：

A、模式：在多波段图像中，每个象元都具有一组对应取值，称为象元模式。

B、特征：在多波段图像中，每个波段都可以看作一个变量，称为特征变量。（波段包括光谱波段、其他派生波段、辅助波段）

C、特征提取：指主要信息。

D、特征选择：指原始波段。

6、遥感图像计算机分类的依据是：遥感图像的相似度。常用距离（反比）和相关系数（正比）来衡量相似度。

7、常用的距离和有关统计量：欧氏距离、绝对距离、明基斯距离、马氏距离，相似系数、相关系数。

8、遥感图像计算机分类的方法：

A、监督分类：靠样本（训练区、检验区）先验知识分类。

   先定义信息类，然后检验他们的光谱特征。有以下几种方法：a、最小距离分类法（前提光谱信息多元正太分布），b、多级切割法，c、最大似然比分类法（前提光谱信息多元正太分布，常用方法）

B、非监督分类：基于统计原理。

   先确定光谱可分类别，然后定义他们的信息类。

9、图像选取要点：

A、包括专题信息。

B、波段相关系数小，相互独立。

3、图像增强，特征提取。

10、在Erdas中的实现：

在Classifier模块中完成遥感图像自动分类，其中主要模块有Unsupervised Classification（非监督分类）、Supervised Classification（监督分类）、Knowledge Classification（知识分类）,还有Signature Editor是样本编辑器，一般最多不超过150个样本。

A、打开Signature Editor，用AOI工具勾画样本。

注意：每个样本必须为单一地物。

每种地物选择多种不同色斑的样本，选择尽量覆盖全面。

混合图斑尽量选取混合色块。

对不同样本合并。

按信息类命名。

统计工具检验是否正太分布。

B、样本评估：选择所有的样本，用Evaluate菜单中Congtingency功能，可查看可能性矩阵，得到分类精度。

C、反馈循环直到道满足精度要求。

D、保存样本。

E、Classifier模块—>Supervised Classification（监督分类）。

F、检验：在一个窗口中打开分类前和分类后两张图像，View—>Arrange Layer进行图层的切换，Utility—>Blend/Fade来改变图层的透明度，Rastor—>Attibutes来查看图像属性表。

G、分类后处理：Interpreter—>Gis Analysis—>Clump（聚类分析）—>Eliminate（去除分析，取六个像素）—>Recode（分类重编码，类别合并，修改New Value）。