向和观测角等因素引起的光谱变异的同物异谱现象，此外光谱角对乘性干扰具有良好的抗干扰性，不受照度变化的影响。 (3).交叉相关光谱匹配技术:
原理：这种技术通过计算一个测试光谱（像元光谱）和一个参考光谱（实验室或像元光谱）在不同的匹配位置的相关系数，来判断两光谱之间的相似程度。测试光谱和参考光谱在每个匹配位置m的交叉相关系数等于两光谱之间的协方差除以它们各自方差的积。
两种光谱的完美匹配情形：其相关系数图应显示抛物线峰值为1，并以m=0为中心左右曲线呈对称曲线，即描述相关曲线形状的偏度系数为0，以及有较多的rm值通过ta，即显性相关。
如图：用形态来显示光谱匹配情况，如果来两目标相似，则在0处相关系数最大，两侧随错位数增加而减少，且在0处可能达到1；但如果两目标不相似，则最高点偏离最中央0处。 (4).光谱吸收指数:其主要内容包括从许多光谱中提取各种波段的波长位置、深度、对称度和光谱绝对反射值等，测定实际光谱曲线吸收波段的位置、深度、对称度等吸收特征，可以采用包络线消除法先对原始光谱曲线做归一化处理，再使用光谱分析的方法提取出不同典型地物类型的特征波段等。
1.包络线消除法：进行包络线消除后的反射率归一化到0-1，有效地突出光谱曲线的吸收和反射特征，并且将其归一化到一个一致的光谱背景上，有利于和其他光谱曲线进行特征数值的比较从而提取出特征波段以供分类识别。
2.光谱吸收特征参数分析：经包络线消除后，那些“峰”值点上的相对值均为1，相反，那些非“峰”值点均小于1.
吸收位置(AP)：在光谱吸收谷中，反射率最低处的波长，即AP=λ,当ρλ=Min(ρ)
吸收深度(AD)：在某一波段吸收范围内，反射率最低点到归一化包络线的距离。AD=1-ρ0，ρ0为吸收谷点的反射率值。
吸收宽度(AW)：最大吸收深度一半处的光谱带宽FWHM
对称性(AA)：左边面积/右边面积，等于1说明左右完全对称，大于1说明左边面积大于右边面积，小于1说明左边面积小于右边面积。 6.光谱微分（导数）与积分 光谱微分技术
①光谱微分技术就是通过对反射光谱进行数学模拟，计算不同阶数的微分值，以提取不同的光谱参数。
②应用光谱微分技术能够部分消除大气效应、植被环境背景（阴影、土壤等）的影响，同时可增强光谱曲线在坡度上的细微变化，对植被来说，这种变化与植被的生物化学（叶绿素、水、氮等）吸收特性有关，从而突出植物的本质特征。所得的导数光谱数据，可以用于植被生物化学信息的提取。
③不同研究者提出的植被指数可以认为是反映波形形态变化的反射光谱的n阶导数，而这种光谱的n阶导数实质上表达了植被叶绿素、水、氮等生物化学元素吸收波形的变化，是这些吸收物质的丰度与状态的光谱指标。
光谱积分：就是求光谱曲线在某一波长范围内的下覆面积。求算公式如下：ψ=∫f(λ)dλ (积分范围：λ1-λ2)
7.混合像元分解：
(1).混合象元：若像元包含多种土地类型，则为混合像元。遥感所获取的光谱信号是像元所对应的地表物质光谱响应特征的综合。
(2).混合光谱形成机理
①在一个瞬时视场内，有多种物质成分存在的空间混合； ②在一个瞬时视场内，由于地形和物体阴影引起的照度差异;
③不同像元之间的交叉辐射:指像元多次散射被传感器接收（环境影响），漫散射（辐射校正消除）
④大气传输过程中的混合效应：程散射（大气校正可消除） ⑤遥感仪器本身的混合效应：辐射定标消除（暗电流法）
(3).混合像元分解：如果每一混合像元能够被分解，而且它的覆盖类型组分（通常称为端元组分）占像元的百分含量（丰度）能够求得的话，分类将更精确，因混合像元的归属而产生的错分、误分问题也就迎刃而解了，这一处理过程就称为混合像元分解。 8.高光谱遥感图像分类： 一、高遥感图像分类的特点 （1）在分类识别方面的优势
①光谱分辨率高、波段多，能够获取地物精细的光谱特征，并且可以根据需要选择或提取特定的波段来突出目标特征；
②在同一空间分辨率条件下，遥感器覆盖波长范围更宽； ③波段多，为波段之间的相互校正提供了方便；
④定量化的连续光谱曲线数据为地物光谱机理模型引入图像分类提供了条件。 （2）在分类识别方面的困难
①数据量大，数据的冗余若处理不当会影响分类精度；
②要求有更高精度的光谱定标和反射率转换（对定量化要求高，数据前处理复杂）； ③波段多，波段间的相关性高，因此导致分类需要的训练样本数大增（Hughes现象）； ④使用统计学分类模型对光谱特征选择要求很高。 二、高遥感图像分类方法
1°当训练样本充足时（几十-100倍的波段数）：传统的统计分类方法；高光谱分类方法 2°当训练样本不足时：采用传统的统计方法分类，必须先进行降维；不需要降维处理，直接采用高光谱分类方法。
(1).直接在原始高维光谱数据进行分类：光谱匹配技术、简化最大似然法、正交子空间投影技术、多光谱图像分类方法、支持向量机等
(2).通过某种特征提取算法，对原始数据进行特征提取，在低维空间内利用已经成熟的多光谱图像分类方法：如最大似然分类、最小距离分类等 三、光谱匹配技术：二进制编码、光谱角度制图（SAM）、光谱信息散度（SID）、光谱波形匹配、包络线去除法、光谱特征拟合法 四、光谱角度制图
1）从光谱数据岸中选择感兴趣的“端元光谱”； 2）对“最终成分光谱”作重采样．因为图像光谱分辨串通常要低于地面测量的光谱分辨率．使两者光谱分辨率一致；
3）计算端元光谱与图像像元光谱两个光谱向量之间的角度，以评价此两光谱向量相似性； 4）计算成像光谱图上每个像元光谱与每个最终成分光谱的夹角，从而实现对图像光谱的匹配和分类。
具体匹配分类时．对于一个像元光谱x，计算它与第i个端元光谱的广义夹角ai （i=1,2,?..,m, m为端元光谱总数）。如果ai = { aj }min, j =1,2,..,m则x被判归为第i端元光谱类别。 五、高光谱分类概述
1).从光谱图像的角度来说，遥感图像分类的效果取决因素：
①类别的可分性：非人为影响下的原始地物波段具有可分性是遥感图像分类的前提条件； ②图像像元波段空间的维数：图像波段信噪比达到一定要求和训练样本足够的情况下，光谱波段越多，越有利于分类；
③训练样本的数量：训练样本的数量越大，地物的训练特征越全面和具有代表性，有利于分类；
④分类器类型和分类方案。 2).分类器由分类特征、分类判据、分类准则和分类算法四部分组成。 3).算法选择：
9.高光谱图像目标探测 (1).目标探测定义：
将感兴趣目标地物与非目标地物分离的过程。即通过某种技术方法，对观测图像和数据中的感兴趣目标进行位置定位和目标辨别的过程。 (2).目标探测与图像分类的关系
①目标探测问题本质上是一种分类问题，即将图像上的每个像元都标注为目标类或者非目标类。
②目标探测中的目标数量比较少，图像中绝大多数像元都被视为非目标或者背景，因此常规的分类方法难以适用目标探测，且常规分类方法中以最小误分率为最佳的分类标准，会导致将图像中像元全部分为背景或全部分为目标的错误。
③目标探测是一种对特定对象的搜索，其结果可能是“有”，也可能是“没有”，所以其光谱匹配样本不能来自图像本身。 第三章疑问：
1.多光谱数据分类存在的问题是否需要掌握。 2.波段选择除了掌握公式外还需要掌握什么。
3.特征提取的方法是否需要展开掌握，PPT中的数学原理，变换矩阵，PCA原理作用,MNF的算法是否需要掌握。其中PCA和MNF上课有重点讲。
4.光谱匹配中二值编码匹配、光谱角度匹配、交叉相关光谱匹配技术、光谱吸收指数是否都要掌握其原理，还是重点掌握光谱角度匹配和包络线法的原理，除原理外公式是否需要掌握。包络线法的算法，图是否要求掌握。
5.光谱微分中一阶二阶微分公式是否需要掌握，植被、土壤反射率导数的相关内容是否需要掌握，包括公式。需要掌握的红边参数包括哪些：红边面积、红边幅值、左面积、右面积、总面积、对称、红边位置？掌握他们的名词解释？
6.混合像元分解中线性波谱分解以及线性光谱解混过程技术流，端元提取模型以及PPI算法是否需要掌握。混合像元分解是否掌握其原理即可。像元纯净指数的定义需要掌握吗？光谱特征拟合的四个步骤是否需要掌握？
7.高光谱分类概述中遥感图像分类的效果取决因素，分类器的组成部分以及算法选择是否需要掌握(PPT上)。
8.高光谱图像分类方法中是否只要重点掌握光谱角度制图的步骤即可，其他光谱信息散度，光谱波形匹配的PPT上内容是否需要了解。 9.高光谱图像目标探测的方法是否需要掌握。
第五章：
1.常见高空间分辨率遥感器 10
遥感器 全色 多光谱 IKONOS 1m 4m QuickBird-2 0.61m 2.44m OrbView-3 1、2m 8m SPOT-5 5m/2.5m 20m/10m EROS 1m 无 GeoEye-1 0.5m 2m WorldView-2 Cartosat-1
COSMO-SkyMed ZY-2
第五章问题：
1.是否只要知道上面10中遥感器名称和分辨率？影响覆盖是否需要掌握？ 2.高分辨率遥感图像的特点以及高分辨率遥感应用的挑战性是否需要掌握。 第六章：
1.基于像元分类与面向对象分类的原理与基础：
①人类认知：计算机模仿人类独特的认知能力，从影像中提取信息，把影像转化为知识； 面向对象思想：影响并非由单个像素来代表，而是由包含重要语义信息在内的影响对象以及它们之间的相互关系构成（抽象性、封装性、继承性）
②图像分割：是指把图像分成各具特性的区域并提取感兴趣目标的技术和过程；
③分类特征：一个特征是目标对象的相关信息的表述，包括对象特征、类相关特征、全局特征；
④基本流程：分割、分类
2.高光谱遥感、高空间分辨率的缺点 高光谱遥感：Hughes现象 高分辨率遥感：高分辨率影像虽然纹理、结构等信息非常丰富，但波段较少，光谱信息不足。 3.为什么采用面向对象分类而不采用传统的基于像元分类（简答）
背景：高分辨率影像在空间分辨率提高之后，虽然结构、纹理等信息非常丰富，但光谱信息不足（波段较少）。
传统分类方法：像元层次，单纯依靠光谱特征，不再适用高分辨率影像的信息提取；
空间分辨率提高：减少混合像元数量，分类精度提高；另外，地物类别内部的光谱响应变异增大，是类别间的可分性降低，分类精度降低；
分类精度：空间分辨率与目标大小之间的相对关系。
传统基于像元分类：产生椒盐现象，分类结果不易矢量化；分类利用的高分影像信息有限，导致分类精度不高；已不适合面向对象影像分析与信息提取技术。 面向对象分类：分类的最小单元为分割所得的同质影像对象；分类特征同时考虑光谱、纹理、形状、层次等特征。包含光谱统计，形状，大小，纹理，上下文信息。以单个像元为单位的分类技术过于着眼于局部而忽略了附近整片图版的几何结构、纹理等信息，从而严重限制了分类的精度。 第六章问题：
1.是否主要掌握这几个问题，面向对象分类具体思路以及PPT上其他内容是否需要掌握。 2.高光谱遥感和高空间分辨率遥感的应用是否不需要掌握。