5.3几何校正(Geometric correction)
5.3.1几何校正的类型
粗校正：由卫星地面站进行的系统级的几何校正，利用卫星等提供的轨道和姿态等参数，以及地面系统的有关处理参数对原始数据进行几何校正。
精校正：在系统校正的基础上，利用地面控制点（ Ground Control Point ，GCP）建立一种数学模型（多项式模型、共线方程、RPC模型）来近似描述遥感图像的几何畸变，然后利用模型进行几何校正。 5.3.2几何精校正的过程 (1)图像像元坐标-地理坐标变换； a选择控制点；
b选取校正模型，建立图像-地理坐标转换关系； 共线方程模型；多项式模型 c求解校正模型；
(2)重采样:像元灰度值重新计算
几何校正过程中，由于校正前后图象的像元大小可能变化、象元点位置的相对变化等，不能简单用原图象象元灰度值代替输出象元灰度值，需要插值。 三种插值方法：
– – –
最邻近法、 双线性法、 三次卷积法
5.3.3图像镶嵌 Mosaic ? 图像镶嵌：将不同的图像文件拼合在一起，形成完整的包含感兴趣区域的图像
第六章 遥感图像辐射处理 6.1遥感图像辐射校正
遥感图像辐射信息恢复处理包括： 1辐射定标
指传感器探测值的标定过程，用以确定传感器入口处的准确辐射值。 （1）绝对定标
（2）相对定标：校正传感器中各个探测元件响应度差异进行归一化处理——条带噪声。 2辐射校正
由于传感器响应特性和大气的吸收、散射及其它随机因素影响，导致遥感图像辐射失真，造成图像分辨率和对比度相对下降。这些都需要通过辐射校正复原。 产生辐射误差(radiation error)的原因：
重要的校正：
大气校正的目的是消除大气和光照等因素对地物反射的影响，获得地物反射率和辐射率、地表温度等真实物理模型参数。
（1）绝对大气校正：基于辐射传输物理模型。
（2）相对大气校正：通过比较简便的方法去掉上式中的程辐射，从而改善图像质量。
主要包括直方图最小值去除法和回归分析法（程辐射主要来自大气散射的影响，在波长较长的红外波段，散射影响接近于零。可作为没有程辐射影响的标准图像来校正其他波段数据。）等。 6.2 遥感图像增强与变换
6.2.1对比度增强Contrast enhancement（对比度变换）
通过改变图像灰度的分布形态，扩展灰度分布区间，增加图像反差。
1直方图拉伸Histogram Stretch （1）线性变换（Linear Transformation） （2）非线性变换Non-linear Contrast Stretching 2直方图均衡化（Histogram Equalization）
增强后的每个灰度级内有大致相同的象元数；通过改变灰度区间来实现； 3、直方图匹配(histogram matching)
把原图像的直方图变换为某种指定形状的直方图或某一参考图像的直方图，然后按照已知的指定形态的直方图调整原图像各象元的灰级，最后得到一个直方图匹配的图像
主要应用于有一幅很好的图像作为标准的情况下，对另一图像进行匹配，以改善被处理图像的质量。应用于图像镶嵌与变化监测等。
条件：原始图像和参考图像的直方图的总体形态应相似
? ?
图像中相对亮和暗的特征应相同
对某些应用，图像的分辨率应相同（但可不同）
图像中的地物类型的相对分布应相同，无论两幅图像是否覆盖同一地区。如一幅云，另一幅没有云，应先将云去掉（覆盖），然后再进行直方图匹配 6.2.2 空间域滤波增强Spatial domain filtering
梯度是遥感图像的一个重要特征，减小或增大图像梯度的方法有： 空间滤波（图像卷积运算）；傅里叶变换频域增强 平滑：均值、中值滤波
锐化：罗伯特梯度、索伯尔梯度、拉普拉斯算法、定向检测等。 6.2.3 频域增强Frequency domain enhancement
高通(high pass)滤波：理想滤波器，Butterworth滤波器，Gauss滤波器（指数）； 低通(low pass)滤波； 带通(band pass)滤波； 带阻(band reject )滤波；
同态(homomorphic)滤波。 6.2.4 彩色增强Color enhancement 1、单波段彩色变换
伪彩色增强:把一幅灰度图像的各个不同灰度级按照线性或非线性的映射函数变换成不同的彩色，得到一幅彩色图像的技术。
单波段灰度图像的彩色表示或显示
实现方法：密度分割，将连续的灰度值转换为少量的灰度区间，并用不同的颜色表示 增强了图像的目视解译效果 2、多波段彩色合成 真彩色增强:
假彩色增强：通过映射函数将彩色图像或多光谱图像变换成新的三基色分量，经彩色合成在增强图像中目标呈现出与原图像中不同彩色的技术。 3、彩色空间变换
HLS色彩模型(Hue 色度,Lightness 亮度,Saturation 饱和度) IHS （Intensity 明度, Hue 色度,Saturation 饱和度） HSV（ Hue, Saturation, Value）
6.2.5 多图像代数运算Algebra operations 加法运算：用于多幅图像求平均值，平滑噪声。
差值运算：用于动态监测，不同时相数据差值图像提取地面的变化信息。 乘运算：可用于掩模处理，保留图像部分区域。 比值运算：常用来检测植被，消除“同物异谱”现象。 6.2.6 多光谱图像变换Image transformation 主成分分析、缨帽变换 6.2.7 图像融合Image fusion 像素级遥感图像融合算法：
IHS变换：低分辨率多光谱图像作IHS变换，用高分辨率全色图像代换变换后的明度成分，然后作反变换。 PCA变换：
低分辨率多光谱图像作PCA变换，用高分辨率全色图像代换变换后的第一主成分，然后作反变换； Brovey变换。 小波变换。
遥感与非遥感信息复合：
根据计算机图形学的原理，将遥感图像和相应的DEM复合即可生成具有真实感的三维景观。
第七章 遥感图像判读Remote sensing image interpretation
遥感图像解译（判读）：从遥感图像上获取目标地物信息的过程。分为目视解译和计算机解译。目视解译是遥感成像的逆过程 7.1遥感图像的判读标志 1光谱特征判读标志：
色调/灰度(Tone) ：目标与背景之间必须存在一定的色调差异，才能被区分；地物在不同波段表现出不同色调特征
颜色(Color)：灰阶（黑白）或色别与色阶（彩色），最重要、最直观的解译标志。同物异谱、同谱异物 2空间特征判读标志：
阴影(Shadow)（形状长度方向色调）、
形状(Shape)：影响形状特征的主要因素有：平台姿态、传感器姿态和投影误差。
图像倾斜使地物发生仿射变形
大小(Size)：影响影像大小的最主要因素是比例尺。判读时必须进行立体观察。 图型（样式）(Pattern)：目标地物有规律的排列而成的图形结构。 纹理(Texture) ：地物影像轮廓内的色调变化的空间布局和频率。 布局(Association)：物体间的空间配置。
位置(Site)：地物分布的地点。地理位置和相对位置。 3时间特征 及其判读标志
7.1.2 影响景物特征及其判读的因素 1 地物本身的复杂性
2 传感器特性的影响（分辨率）
几何分辨率：传感器瞬时视场内所观察到的地面场元的宽度，也叫空间分辨率。 辐射分辨率：指传感器能区分两种辐射强度最小差别的能力。
光谱分辨率：指遥感器在接收目标辐射的电磁波信息时所能分辨的最小波长间隔。 时间分辨率——重访周期 3 目视能力的影响
空间分辨能力；灰度分辨能力 （10余级）；色别与色阶分辨能力(50多种)。
7.2遥感图像目视判读方法 1 遥感图像目视解译的认知过程
自下向上过程 自上向下过程
识别证据选取 特征匹配 特征提取 提出假设 图像信息获取 目视解译分析的方法： 7.3遥感图像目视判读步骤
从已知到未知是遥感图像解译必须遵循的原则。
图像辨识 直接判读法；对比分析法；信息复合法；综合推断法；地理相关分析法
先易后难是指易识别的地物先确认, 。（先山区后平原、先地表后深部、先整体后局部、先宏观后微观、先图形后线形） 目视判读的程序
1）准备阶段2）分析影像性质3）分析已知专业资料4）建立判读特征5）初步判读6）实地调查7）成果整理第8章 遥感图像自动分类Image Classification 8.1遥感图像自动分类概述(Overview) 1 遥感图像分类概念(Concept )
遥感图像计算机分类：是通过模式识别理论，利用计算机将遥感图像自动分成若干地物类别的方法。数据--信息
数据包括：（1）原始光谱数据；（2）光谱变换后数据；（3）非遥感数据 2 模式识别(Pattern Recognition)原理
模式（pattern）：遥感图像分类中指某种具有空间或几何特征的东西
模式识别(Pattern Recognition)：指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程。 模式识别的一般步骤：
1）数字特征的建立——对象的数学描述 2）提取一组训练（已知）样本——先验知识 3）分类器建立——判决函数 4）对未知模式进行分类——识别 3 特征提取(Feature extraction)
特征（feature）：在多波段图象中，每个波段都可看作一个变量，称为特征变量。特征变量构成特征空间。 （光谱特征；空间几何特征；纹理特征；辅助数据）
特征提取(feature extraction)：通过变换找出最能反映地物类别差异的特征变量用于分类的过程。 灰度共生矩阵(GLCM) 4 特征选择
在提取的特征影像中，选取一组最佳的特征影像（波段最少）进行分类 特征选择定量方法：距离测度、散布矩阵测度 5 遥感数字图像的分类方法 分类执行方式：
监督分类(Supervised classification)
通过选择代表各类别的已知样本（训练区）的象元光谱特征，事先取得各个类别的参数，确定判别函数，从而进行分类。
在监督分类中，先定义信息类，然后检验它们的光谱可分性 步骤： 训练区：
已知覆盖类型的代表样区 用于描述主要特征类型的光谱属性 其精度直接影响分类结果 检验区：
用于评价分类精度的代表样区 非监督分类(Unsupervised classification)
根据事先指定的某一准则，而进行计算机自动判别归类，无须人为干预，分类后需确定地面类别 在非监督分类中，先确定光谱可分的类别，然后定义它们的信息类 监督分类 优点 精度高 缺点 工作量大 适用范围 有先验知识