高光谱遥感复习总结.doc

《高光谱遥感复习总结.doc》由会员分享，可在线阅读，更多相关《高光谱遥感复习总结.doc（89页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、Four short words sum up what has lifted most successful individuals above the crowd: a little bit more.-author-date高光谱遥感复习总结1.高光谱遥感基本概念多光谱遥感,光谱分辨率在波长的1/10数量级范围内(几十个至几百个nm)的遥感；高光谱遥感,光谱分辨率在波长的1/100数量级范围内（几个nm）的遥感；超光谱遥感,光谱分辨率在波长的1/1000数量级范围内（0.2-1nm）的遥感。1. 高光谱分辨率遥感:用很窄（0.01波长）而连续的光谱通道对地物持续遥感成像的技术。在可见光、

2、近红外、短波红外和热红外波段其光谱分辨率高达纳米(nm)数量级，通常具有波段多的特点，光谱通道数多达数十甚至数百个以上，而且各光谱通道间往往是连续的。2.高光谱遥感特点：波段多,数据量大；光谱范围窄(高光谱分辨率)；在成像范围内连续成像；信息冗余增加3. 高光谱遥感的发展趋势（1）遥感信息定量化（2）“定性”、“定位”一体化快速遥感技术4. 光谱特征的产生机理：在绝对温度为0K以上时，所有物体都会发射电磁辐射，也会吸收、反射其他物体发射的辐射。高光谱遥感准确记录电磁波与物质间的这种作用随波长大小的变化，通过反映出的作用差异，提供丰富的地物信息，这种信息是由地物的宏观特性和微观特性共同决定的。宏

3、观特性:分布、粗糙度、混杂 微观特性:物质结构6.典型地物反射：水体的反射主要在蓝绿光波段，其他波段吸收都很强，特别到了近红外波段，吸收就更强，所以水体在遥感影像上常呈黑色。 植被的反射波谱特征： 可见光波段有一个小的反射峰，位置在0.55um处，两侧0.45um(蓝)和0.67um(红)则有两个吸收带。这一特征是叶绿素的影响。 在近红外波段(0.7-0.8um)有一反射的“陡坡”（被称为“红边”)，至1.1um附近有一“峰值”，形成植被的独有特征。这一特征由于植被结构引起。 在中红外波段(1.3-2.5um) ，反射率大大下降，特别以1.45um和1.95um为中心是水的吸收带，形成低谷。

4、土壤:由于土壤反射波谱曲线呈比较平滑的特征，所以在不同光谱段的遥感影像上，土壤的亮度区别不明显.自然状态下土壤表面的反射率没有明显的峰值和谷值，一般来讲土质越细反射率越高，有机质含量越高和含水量越高反射率越低，此外土类和肥力也会对反射率产生影响。6. 野外光谱测量的影响因素（1）大气透射率（2）水蒸气3）风（4）观测几何7. 地面光谱的测量方法：实验室测量，野外测量8. 垂直与野外测量的区别:垂直测量：为使所有数据能与航空、航天传感器所获得的数据进行比较，一般情况下测量仪器均用垂直向下测量的方法，以便与多数传感器采集数据的方向一致。由于实地情况非常复杂，测量时常将周围环境的变化忽略，认为实际目

5、标与标准板的测量值之比就是反射率之比。野外测量（非垂直测量）：在野外更精确的测量是测量不同角度的方向反射比因子。凝视时间：探测器的瞬时视场角扫过地面分辨单元的时间称为凝视时间（dwell time）。探测器的凝视时间在数值上等于行扫描时间除以每行的像元个数。凝视时间越长，进入探测器的能量越多，光谱响应越强，图像信噪比越高。光谱图像立方体：空间平面：O-XY平面；线光谱平面：O-XZ，O-YZ平面9. 高光谱遥感图像数据表达：A.光谱图像立方体 B.二维光谱曲线 C. 三维光谱曲面10. 空间成像方式：（1）摆扫型成像光谱仪：定义：它由光机左右摆扫和飞行平台向前运动完成二维空间成像，其线列探测器

6、完成每个瞬时视场像元的光谱维获取。原理：45斜面的扫描镜，电机进行360旋转，旋转水平轴与遥感平台前进方向平行，扫描镜扫描运动方向与遥感平台运动方向垂直，光学分光系统形成色散光源再汇集到探测器上，这样成像光谱仪所获取的图像就具有了两方面的特性：光谱分辨率与空间分辨率。（2） 推扫型成像光谱仪：定义：采用一个面阵探测器，其垂直于运动方向在飞行平台向前运动中完成二维空间扫描；平行于平台运动方向，通过光栅和棱镜分光，完成光谱维扫描。它的空间扫描方向就是遥感平台运动方向。原理： 垂直于运动方向完成空间维扫描，平行于运动方向完成光谱维扫描。（3） 两者的优缺点： 摆扫型成像光谱仪的优点：A.FOV 大；

7、B.探测元件定标方便，数据稳定性好；C.进入物镜后再分光，光谱波段范围可以做得很宽。不足：像元凝视时间短，提高光谱和空间分辨率以及信噪比相对困难。推扫型成像光谱仪的优点：A.像元凝视时间大大增加，有利于提高系统的空间分辨率和光谱分辨率；B.没有光机扫描机构，仪器的体积小。不足：A.FOV增大困难；B.面阵CCD器件标定困难；C.大面阵的短波和红外探测器研制仍是一个技术难点。9.光谱成像方式要解决的问题是什么？ 将进入探测器的能量分解为不同波长的电磁波。11.反射光谱重建主要过程：遥感器校正，大气校正，地形及其它因素校正。12.成像光谱仪定标的目的：建立起传感器记录值与入瞳辐射值之间的联系。 类

8、型：实验室定标，机上和星上定标，场地定标 共同点：都是出于同一目的，在特定情况下都是不可缺少的 差异：处于不同的阶段，所考虑的主要因素不同，入瞳辐射值的获取方式不同（实验室定标-实验室测得，机上星上定标-星上测得，场地定标-根据模型计算得到）14. 辐射定标：对于每一个确定的波长，确定成像光谱仪在该波长下的输入辐射能与输出响应的关系。15. 辐射定标方法：按照使用要求或目的分类：相对辐射定标和绝对辐射定标 按照光谱波段不同分类：反射辐射定标和发射辐射定标 （1）相对辐射定标：为了校正遥感器中各个探测器元件响应度差异而对卫星遥感器测量到的原始数字计数值进行归一化的一种处理工作。 （2）绝对辐射定

9、标：通过各种标准辐射源，在不同波谱段建立成像光谱仪入瞳处的光谱辐射亮度值与成像光谱仪输出的数字化值之间的定量关系。16.实验室辐射定标：采用积分球作为光谱照射传感器的整个视场，根据成像光谱仪的动态范围，改变标准辐射源的辐射亮度输出级别，逐波段建立辐射亮度输入值与遥感器输出DN值的关系。17.机上和星上定标的必要性：成像光谱仪的性能会随着空间环境的变化而变化，经过搬运、安装和操作等过程，定标参数会失准，因此机上或星上定标十分必要。18.场地定标的原理：1）机载或星载成像光谱仪飞越辐射定标场地上空时，同步地在定标场地选择若干像元区，测量成像光谱仪对应的地物的各波段光谱反射率和大气光谱等参量。2）然

10、后利用大气辐射传输模型等手段给出成像光谱仪入瞳处各光谱带的辐射亮度。3）最后确定它与成像光谱仪对应输出的数字量化值的数量关系，求解定标系数并估算定标不确定性。19.（填）场地定标的特点：以大面积地表均匀地物作为定标源，多通道、动态、大范围定标，考虑大气传输环境的影响。20.（了解）场地定标的常用方法：反射基法，认为卫星传感器所接收到的光谱辐射是太阳光谱辐射、大气及地面三者相互作用的总贡献。辐照度基法，辐照度基法又称改进的反射基法，反射基法的一个重要误差来源是对气溶胶散射的一些近似，如对气溶胶颗粒模型的假设，不同的气溶胶模型会对表观反射率的计算造成较大影响。辐亮度基法，辐亮度法的基本原理是：利用

11、搭载于飞机上的光谱辐射计在中高空与卫星传感器同步测量相同目标的辐亮度，通过对飞行高度以上的大气订正，实现卫星遥感器的在轨辐射定标。三种场地定标方法的比较：测量参数，测量条件，复杂度，精度，优缺点21. 辐射定标与辐射校正的区别：辐射定标是建立探测器输出DN值与具有一定物理意义参量之间的关系；辐射校正要消除依附在辐射亮度中的各种辐射失真，如探测器误差、大气影响等；辐射校正包括辐射定标和大气校正。即辐射定标是辐射校正的一个步骤。 表观反射率的定义:以“地表-大气”为整体目标，入射辐射能量与出射辐射能量的比例。22. 辐射校正的统计学模型:暗目标法,内部平均相对反射率模型,平面场模型,对数残差修正模

12、型23. 高光谱数据为什么要降维（维指光谱空间的维数），高光谱特征会带来什么问题？高光谱影像属于高维空间数据，已有的研究结果表明，这种数据有许多不同于低维数据的分布特性，这些特性决定了人们在对高光谱影像分析时应采用不同策略和方法。问题：1)信息冗余大 2)高维数据分布的稀疏性和空空间现象 3)“维数灾难”问题 4)高维空间中的参数估计问题 5)高阶统计特性维数灾难：如果训练样本不足时，往往会出现在样本点数目一定的前提下，分类精度随着特征维数的增加“先增后降”的现象，这就是所谓的Hughes”维数灾难”现象。26.判别：从高维数据中得到了一组用来分类的特征，需要一个定量的标准来衡量特征对分类的有

13、效性。27.特征选择：针对特定对象选择光谱特征空间中的一个子集，这个子集是一个缩小了的光谱特征空间。特征提取：特征提取是指对原始的光谱空间特征进行重新组合和优化，提取出最适合当前应用（分类）需求的新特征两者的区别：概念上：特征提取-原始特征空间的重组运算，特征选择-原始特征空间的子集挑选； 特点上：特征提取-映射方式未知，特征是未知的，运算规则；特征选择-波段选择，特征是已知的，搜索策略。28.自动子空间划分方法的思路：依据高光谱影像相关系数矩阵灰度图的“成块”特点, 根据高光谱影像相邻波段相关系数的大小, 把波段划分为若干个子空间, 然后分别在各个子空间内利用联合熵算法进行波段的选择。29：

14、包络线去除：过包络线去除，可以有效地突出光谱曲线的吸收和反射特征。基于包络线去除后的光谱曲线可以用于特征波段选择。自动子空间划分方法的思路：依据高光谱影像相关系数矩阵灰度图的“成块”特点, 根据高光谱影像相邻波段相关系数的大小, 把波段划分为若干个子空间, 然后分别在各个子空间内利用联合熵算法进行波段的选择。30. 高光谱特征参量化的目的： 对高光谱特征进行定量表达，用数值化的形式来描述光谱特征。地位：在地物光谱重建的基础上，进行高光谱特征参量化，为后续光谱自动分析、匹配、分类及识别奠定基础。主要内容：波谱特征的简化表达，光谱吸收特征参数提取，光谱导数与积分31. 波谱特征简化表达的目的：反射

15、率为浮点型数据，波段数量多，为提高分析效率，可以对光谱曲线进行简化表达。32. 光谱斜率和坡向：在光谱区间(B1,B2)内，将光谱曲线近似视为直线。该直线的斜率即为光谱斜率，如果光谱斜率为正，光谱曲线被定义为正坡向，光谱斜率为零则为平坡向，光谱斜率为负则为负坡向。33. 光谱编码：定义：以编码方式描述光谱特征,用以对光谱进行量化分析和识别。识别时将实测光谱的编码矢量与参考图像的编码矢量比较,计算其匹配系数,以匹配系数的大小作为它们的相似性度量。目的：压缩数据量,提高处理效率,保持光谱的重要形态特征。常用方法有：光谱二值编码；多阈值编码；光谱吸收特征编码。34. 光谱吸收指数：非吸收基线在谱带的

16、波长位置处的反射强度与谱带谷底的反射强度之比用谱带谷底的光谱强度对吸收深度作归一化，因而减少了照度等变化所带来的干扰，增强了对地物的区分能力37、光谱曲线函数模拟目的：典型地物具有相对固定的波形形态，为了准确地通过数学形式描述这种形态和确定光谱曲线的特征点，将光谱曲线（或局部）用一个数学函数表达35. 光谱吸收特征参数:主要包括：吸收波长位置（P），深度（H），宽度（W），斜率（K），对称度（S），面积（A）36. 光谱导数:光谱导数可以增强光谱曲线在坡度上的细微变化，光谱导数波形分析能消除部分大气效应。37. 遥感图像分类的理论依据:同类地物像元的特征向量将集群在同一特征空间区域。而不同地物

17、的光谱信息特征或空间信息特征有所不同，它们将集群在不同的特征空间区域。38. 混合光谱的定义: 每个像元所对应的地表，往往包含着不同的覆盖成分，它们具有不同的光谱特征。而每个像元仅用一个信号记录这些“异质”成分，因此形成混合光谱现象，对应的像元称为混合像元。39. 端元与丰度:进入到像元内部，地物的基本组成成分被称为“端元”，每种成分的比例称为“丰度”。端元的种类：图像端元（植被、水体）物理端元（高岭土、明矾石等40. 高光谱影像分类的特点:优点：1).光谱特征空间构建的灵活性2).光谱特征的精确性3). 提供了丰富的波谱空间特征分类信息。缺点：4). 效率有待提高5). 定量化分析的预处理复

18、杂6). 监督分类的样本问题突出41. 高光谱图像特点的分类算法：一种是基于图像数据统计特性的分类方法，一种是基于地物物性的分类方法，主要是利用反映地物物理光学性质的光谱曲线来识别。42. 光谱匹配概念：光谱匹配是指，在波谱特征空间中，对比分析两个光谱曲线的相似度来判断地物的归属类别。它是由已知地物类型的反射光谱，经过特征匹配来达到识别地物类型的目的。43. （填选）二值编码匹配算法：有助于提高图像光谱数据的分析处理效率；失去许多细节光谱信息，只适用于粗略的分类和识别。 44. 光谱角度匹配的一般步骤：1）从光谱数据库或影像中选择感兴趣的“最终成分光谱”（2） 对最终成分光谱进行光谱重采样（3

19、计算像元光谱向量与最终成分光谱向量的广义夹角，以此评价其相似性；4）a.如果只选择了一个参考光谱，将所有像元与之对应的夹角值量化为灰度图； b.如果选择了多个参考光谱，将每个像元划分到与之对应的夹角值最小的参考光谱的类别中。45. 光谱吸收特征匹配：基本思想：就是着眼于对光谱的吸收特性进行衡量和描述，得到光谱吸收位置图、吸收深度图、吸收对称性图等成果，或者基于吸收特征参数对影像进行分类。46. 特征匹配的分类过程：1) 针对特定专题，选择需要考察的物质成分2) 对影像和参考光谱进行预处理3) 计算每类地物参考光谱曲线的吸收特征参数4) 计算每个像元光谱曲线的吸收特征参数5) 利用吸收特征参数进

20、行相似性匹配，为每个像元确定类属48. 交叉相关匹配基本步骤：A. 计算方法B. 交叉相关曲线图C.利用交叉相关曲线图生成偏度图D. 采用不同标准地物作为参考光谱曲线49. 三种理解模式：影像分类是模式识别（影像空间，波谱空间，特征空间）50. 高空间分辨率遥感影像特征：1）纹理特征的变异性增强 2）光谱统计特征不稳定性提高3）相同类型的地物表现出更多的类别52. 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）53. 面相对象有哪些信息：光谱信息，形状信息，拓扑信息，纹理信息，上下文关系。54. 影像分割算法：基

21、于阈值的分割方法，基于边缘的分割方法，基于区域的分割方法高光谱遥感的发展简史（1）第一代标志：成像光谱仪AIS-1和AIS-2。（2）第二代标志：航空可见光/红外光成像光谱仪（AVIRIS）。（3）第三代标志：克里斯特里尔傅立叶变换高光谱成像仪（FTHSI）。55、基尔霍夫定律：描述物体的发射率与吸收比之间的关系。在同样的温度下，各种不同物体对相同波长的单色辐射出射度与单色吸收比之比值都相等，并等于该温度下黑体对同一波长的单色辐射出射度。56、高光谱数据处理关键技术：1 高光谱图像信息的显示，如图像立方体的生成；2 光谱重建，即成像光谱数据的定标、定量化和大气纠正模型与算法，依此实现成像光谱信

22、息的图像光谱转换；3 光谱编码，尤其指光谱吸收位置、深度、对称性等光谱特征参数的算法；4 基于光谱数据库的地物光谱匹配识别算法；5 混合光谱分解模型；6 基于光谱模型的地表生物物理化学过程与参数的识别和反演算法 57、MODIS：轨道：705km，太阳同步，近极地轨道；辐射灵敏度：12b；波段范围：36个波段、0.414.4m；空间分辨率：2个波段为250m、5个波段为500、29个波段为1000m；带宽：2330km，12天全球覆盖59、高光普数据采集作业：包括植被、土壤、水体、冰雪、岩矿和人工目标；完整的地面数据采集记录应包括：1） 观测数据；2） 测点状况数据；3） 观测方法和数据处理方

23、法的说明；4） 观测人员信息；5）观测数据之元数据：包括观测数据项的定义，数据格式和数据库现存数据的状况。60、光谱库：光谱库是由高光谱成像光谱仪在一定条件下测得的各类地物反射光谱数据的集合；准确地解译遥感图像信息、快速地实现未知地物的匹配、提高遥感分类识别水平起着至关重要的作用。由于高光谱成像光谱仪产生了庞大的数据量，建立地物光谱数据库，运用先进的计算机技术来保存、管理和分析这些信息，是提高遥感信息的分析处理水平并使其能得到高效、合理之应用的唯一途径，并给人们认识、识别及匹配地物提供了基础。61、62、高光谱遥感成像机理：利用高光谱成像仪同时获取反映目标属性的光谱信息和反映目标空间几何关系的

24、图像信息。光谱成像仪：成像技术+光谱技术63、64、光谱分辨率：指成像的波段范围(探测器在波长方向上的记录宽度)，仪器达到光谱响应最大值的50%是的波长宽度.分得愈细，波段愈多，光谱分辨率就愈高；光谱分辨率越高，专题研究的针对性越强，对物体的识别精度越高。多波段的数据分析，可以改善识别和提取信息特征的概率和精度。65、空间分辨率：仪器的角分辨力（angular resolving power），即仪器的瞬时场角决定的。瞬时场角（IFOV）：某一瞬间遥感系统的探测单元对应的瞬时视场，单位为毫弧度（mrad）。其对应的地面大小为地面分辨单元（ground resolution cell）。遥感信息

25、的概括能力随分辨率的降低而增大。66、时间分辨率：时间分辨率超短、短周期时间分辨率；（一天以内：大气物理现象、火山爆发、森林火灾、污染源监测等）中周期时间分辨率；（一年以内：植物季相节律、气候学、大气动力学、海洋动力学等）长周期时间分辨率（以年为单位的变化：环境、资源变化等）67、辐射分辨率：传感器能分辨的目标反射或辐射的电磁辐射强度的最小变化量。遥感影像的量化级数极大地影响到了获取的数据质量,RL越小，表明传感器越灵敏68、影响遥感器的光谱响应的因素：（1）能量流(Energy Flux),指从地面反射或辐射进入探测器的能量总和。（2）平台高度，对于给定的地面分辨单元来说，进入仪器的能量与平

26、台高度成反比。（3）光谱分辨率，光谱通道越宽，光谱分辨率越低，探测器接收的信号越强。（4）瞬时视场角（IFOV），探测器元件（Element）的物理尺寸和扫描光学系统的焦距决定了IFOV，而IFOV越小，其光谱响应也越弱。（5）探测器凝视时间（Dwell Time），探测器的瞬时视场角扫过地面分辨单元的时间称为凝视时间，其大小为行扫描时间与每行像元数的比值。凝视时间越长，进入探测器的能量越多，光谱响应也就越强。69、大气对遥感辐射传输的影响：大气散射与吸收对下行辐射与遥感器接受的上行辐射的光谱特性造成深刻的影响：大气分子的散射与辐射光波长有密切的关系，对短波长的散射比长波；长的散射要强得多，分

27、子散射的强度随波长倒数的四次方变化；气溶胶的散射强度随波长的变化与粒子尺度分布有关。70、大气辐射传输方程：描述电磁辐射在散射、吸收介质中传输的基本方程71、太阳辐射：大气对电磁波的传输影响，使太阳辐射能量减少，到达地面的有效辐射能量密度占大气上界太阳辐射的64.5%；高光谱遥感，0.32-1.1m（可见光/红外）部分占总能量的85%，1.4-2.5m（短红外波段）占总能量的8%72、高光谱影像的辐射误差：传感器的灵敏度特性引起的辐射误差（1）光学镜头的非均匀性引起的边缘减光（2）光电变换系统的灵敏度引起的误差：电磁波信号转换为电信号的误差。光照条件差异引起的辐射误差：（1）太阳高度角变化引起

28、的辐射畸变（2）地面起伏引起的辐射畸变。大气条件不同引起的误差73、“边缘减光”：由于镜头光学特性，在成像平面上存在着边缘部分比中间部分暗的现象74、75、辐射校正参数获取：利用辐射定标数据，可以获得系统输出DN值与入瞳辐射量值的关系，用于影像的辐射校正，消除传感器灵敏度特性引起的辐射误差t：曝光时间；x，y：对应于CCD光敏元坐标；DN（x，y）：原始影像DN值；Lreal：探测器接收到的辐亮功率；Bias：电路直流偏置；Q（x，y）：单个像元的响应率76、实验室光谱定标：(1)单色仪全波长范围定标: 以低压汞灯及氪灯的发射谱线为标准;(2)使单色仪以一定的步长扫描输出单色光，检测遥感器各通

29、道记录信号的波长位置、光谱响应函数;(3)确定遥感器每个通道的波长位置、光谱响应函数等。77、实验室辐射定标：绝对辐射定标采用积分球作为光源照射传感器的整个视场，根据成像光；谱仪的动态范围，改变标准辐射源的辐射亮度输出级别，逐波段建立辐射亮度输入值与遥感器输出DN值的关系Lj（i）：第i波段第j组辐射亮度输入值；DN（j，i）：第i波段第j组图像灰度输出值；a （j，i） ，b （j，i） ：第i波段第j组辐射定标系数。78、高光谱遥感图像大气辐射校正方法：（1）图像统计学模型法（2）大气辐射传输模型法79、经验线性法b 乘积项: 反映了大气传输及仪器设备的放大比，b 偏移项: 反映了大气辐射

30、值及仪器的零点偏移。在使用经验线性法过程中对定标点有如下要求：（1）定标点要选择尽可能各向同性的均一地物；（2）定标点地物在光谱上要跨越尽可能宽的地球反射光谱段；（3）定标点要尽可能与研究区保持同一海拔高度。80、基于地面控制点的高光谱图像几何纠正：1）建立原始的畸变图像空间与制图用坐标空间（校正空间）之间的某种对应关系（2）利用这种对应关系把畸变空间中的全部元素变换到校正图像中去。原始图像空间与校正空间像元间的数学关系，设任意像元在原始图像和纠正后图像中的坐标分别是（ x，y）和（ X，Y），则它们之间存在着映射关系：多项式拟合把原始影像的总体变形看成是平移、缩放、旋转、偏扭、弯曲等基本变形

31、综合作用的结果，从而可以用一个适当的多项式来表达纠正前后图像相应点之间的坐标关系。一般多项式中，多项式系数的个数N与其次数n有如下关系：N=（n+1）（n+2）/2传统的最小二乘法约束的多项式几何校正，局部的几何畸变在全图范围内进行了平均，使得已经获得的精确匹配的控制点也产生了误差，使控制点周围也产生较大的误差。表面样条函数拟合方法很有效的解决了控制点精确吻合的问题81、高光谱数据的高维特征：高光谱分辨率的影响：给定的波长区间内，高的光谱分辨率导致影像波段数众多、连续；高光谱遥感的核心优势-反映光谱特征的细微差异；波段数多，数据量大，数据处理难题82、波谱空间：不同波段影像所构成的测度空间波段

32、数众多导致光谱空间维数的增多维数：光谱空间的维数；高光谱数据属于高维空间数据，有独特的分布特性83、Hughes现象：在高光谱分析过程中，随着参与运算波段数目的增加，分类精度“先增后降”的现象84、高维空间中的参数估计问题：空间维数增加，得到同样精度的估计值，需要更多的样本数监督分类得到比较高的精度：85、降维目标：探求数据集合适的低维坐标描述，将原数据集降到低维空间，获得原数据集合的地位简洁表示高光谱数据的降维方法：波段选择；特征变换86、高光谱数据降维与类别可分性判据的关系87、欧氏距离：指在m维空间中两个点之间的真实距离，或者向量的自然长度（即该点到原点的距离）i，j：样本K:波段88、

33、费歇尔准则：选择综合判别变量或投影方向，使得各类的点尽可能分别集中，而类与类尽可能地分离，即达到类内离差最小、类间离差最大。要求类间均值差异最大而类内的离差平方和最小。基本思想：把p个变量x1，x2， ，xp综合成一个新变量y89、特征选择类型：目视法：通过目视判读衡量影像的质量；数值法：通过定量评估衡量影像的质量90、特征选择的方法：根据专家知识或类别可分性准则挑选光谱特征选择步骤：（1）选择可分性准则，确定使用策略：（2）确定选择特征算法短时间内找出高光谱数据波段中最优的一组特征，常用的算法：单独选择法；扩充最优特征子集；选择最难分类的类对做出正确分类贡献最大；去除最难分类正确分类贡献最小

34、；搜索树91、波段选择：主要思想：从所有波段中选择一个波段子集，由该子集构成特征空间，在该特征空间中，各类别的光谱可分性在某一判据下达到最优特征选择搜素方法：穷举搜索、启发式搜索、随机搜索92、穷举搜索法93、启发式搜索94、随机搜索法95、光谱选择策略： 单独选择法：根据各个独立特征的可分性大小排序。 扩充最优特征子集：计算每个特征对所有类别的可分性，每增加一个新特征，其组合均构成最优特征子集。 根据分类贡献度进行由大到小的特征添加：计算对最难分的类对的可分性大小，每增加一个新特征，其组合均构成最优特征子集。 根据分类贡献度进行由小到大的特征去除：计算各个特征对于最难分的类对的可分性，构成一

35、个全集，逐步减少特征，每次减少均构成最优特征子集。选择各类平均可分性最大特征，难以照顾分布比较集中的类选择对最难区分的类别具有最大可分性的特征，可能会漏掉对各模式具有最大可分性特征96、包络线：在几何学，某个曲线族的包络线（Envelope），是跟该曲线族的每条线都有至少一点相切的一条曲线。相当于光谱曲线的“外壳”。97、自动子区间划分法98、空间自相关：指一些变量在同一个分布区内的观测数据之间潜在的相互依赖性。实质上是计算某位置上的数据与其他位置上的数据间的相互依赖程度99、K-L变换：定义：将多个指标化为少数几个综合指标的一种统计分析方法，消除数据之间的相关性。主要思想：目的是寻找任意统计

36、分布的数据集合主要分量的子集。1. 减少特征量的个数。2.尽量不损失或者稍损失原特征中所包含的信息。3.使得原本相关的特征转化为彼此不相关（用相关系数阵衡量）变换原理：对某一n个波段的多光谱图像实行一个线性变换，即对该多光谱图像组成的光谱空间X乘以一个线性变换矩阵A，产生一个新的光谱空间Y，即产生一幅新的n个波段的多光谱图像。100、最小噪声分离变换：MNF：判定图像数据内在的维数（即波段数），分离数据中的噪声，减少随后处理中的计算需求量。MNF变换原理：两次层叠的主成分变换。第一次变换（基于估计的噪声协方差矩阵）用于分离和重新调节数据中的噪声，这步操作使变换后的噪声数据只有最小的方差且没有波

37、段间的相关。第二步是对噪声白化数据的标准主成分变换。数据空间可被分为两部分：一部分与较大特征值和相对应的特征图像相关，其余部分与近似相同的特征值以及噪声占主导地位的图像相关。101、光谱特征提取波长信息：选择各类平均可分性最大特征，难以照顾分布比较集中的类选择对最难区分的类别具有最大可分性的特征，可能会漏掉对各模式具有最大可分性特征102、植被指数：植被指数在高光谱应用中非常重要，能够描述植被的精细信息如叶面积指数LAI、植土比、植被组分等，以进行植被指数与生物量预测。多光谱植被指数通常表达为近红外波段与可见光红波段的差值和比值的组合，常用的是比值植被指数（RVI）和归一化植被指数（NDVI）

38、。高光谱遥感数据而言，NDVI可以被看作是一个梯级函数，来表达植被反射率在=0.7m处的突然递增。103、植被的光谱特征：不同植被类型，由于组织结构、季相、生态条件的变化具有不同的光谱特征。植被的光谱曲线呈现出明显的“峰”“谷”特征104、像元之间的相似性从下面三个方面来量化；距离值：像元或像元信号特征向量之间得距离；概率值：像元信号特征向量与某一像元组的似然性的大小；光谱角值：像元与像元之间光谱角的大小105、分类的实质；根据光谱信息和空间信息，将多维特征空间（像元）划分为互不重叠的若干区域（子空间），每个区域相当于一类，即位于这一区域内的象元点归属于同一类。分类或划分区域范围的标准可以概括

39、为两种方法：1.由每类（或集群）的统计特征出发，研究它所应该占据的区域。例如以每一类的均值向量为中心，把在几个标准差范围内的点归入一类。由划分类与类之间的边界出发，建立边界函数或判别函数，通常称为判别分析。原理：根据各样本空间内像元的相似性，将相似性强的像元合并，相似性弱的像元分开，使各像元在特征分布空间内分割或合并106、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。（1）分类特征特征选择、特征提取（2） 分类判据-反映模式类的分布（3） 分类准则（4）分类算法：非监督分类算法；平行六面体法(无人管理的平行六面体分类)；聚类法；分裂法（ISOMIX法）；动态聚类；K均值算法；IS

40、ODATA算法监督分类算法平行六面体法(输入参数的平行六面体分类)；最小距离分类；费歇尔（Fisher）线性判别分类；贝叶斯判别分类（最大似然判别法MLC）；模糊分类；神经网络分类；决策树法；专家系统分类107、初始类别参数的选定：初始类别参数：基准类别集群中心（数学期望）以及集群分布的协方差矩阵。常用的选定方法：像素光谱特征比较法；总体直方图均匀选心法；最大最小距离选心法；局部直方图峰值定心法108、非监督分类定义：在指定某一准则的前提下，让计算机自动进行判别归类，分类后人工确定类别。即先确定光谱可分的类别，然后定义它们的信息类别。常用的非监督分类方法。 ISODATA、K-Means主要分

41、类过程：（1）确定初始数和类别中心（2）计算每一个像元所对应的特征矢量与各集群中心的距离（3）选与中心距离对端的类别作为这一矢量的所属类别4）计算新的类别均值向量（5）比较新的类别均值与原中心位置上的变化，若有变化，以新的类别均值作为聚类中心从第2步开始反复迭代操作；若无变化，计算机停止监督分类 （supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。二进制编码法、光谱角填图法、平行六面体法、最小距离法、最大似然法、神经网络分类法、决策树分类法、基于专家系统的分类法等（1）划定区域为训练区提供的样本（2）通过选择

42、特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止109、非监督分类-K-M均值算法：基本思想：通过迭代过程把数据集划分为不同的类别，使得评价聚类性能的准则函数达到最优，从而使生成的每个聚类内紧凑，类间独立。特点：使聚类域中所有样本到聚类中心的距离平方和最小。不适合处理离散型属性，但是对于连续型具有较好的聚类效果110、非监督分类算法-ISODATA算法：基本思想：通过设定初始参数而引入人机对话环节，并使用归并与分裂的机制，当某两类聚类

43、中心距离小于某一阈值时，将它们合并为一类，当某类标准差大于某一阈值或其样本数目超过某一阈值时，将其分为两类。在某类样本数目少于某阈值时，需将其取消。如此，根据初始聚类中心和设定的类别数目等参数迭代，最终得到一个比较理想的分类结果。算法特点：使用误差平方和作为基本聚类准则；设定指标参数来决定是否进行“合并”或“分裂”；设定算法控制参数来决定算法的运算次数；具有自动调节最优类别数k的能力；算法规则明确，便于计算机实现111、监督分类算法-最小距离分类算法：基本思想：按照模式与各类代表样本的距离进行模式分类，被识别模式与所属模式类别样本的距离最小。假定c 个类别代表模式的特征向量用R1,Rc表示,x

44、是被识别模式的特征向量，|x-Ri|是x与Ri(i=1,2,c)之间的距离，如果|x-Ri|最小，则把x分为第i类。112、最大似然分类算法：基本思想：在两类或多类判决中，用统计方法根据最大似然比贝叶斯判决准则法建立非线性判别函数集，假定各类分布函数为正态分布，并选择训练区，计算各待分类样区的归属概率，而进行分类的一种图像分类方法。核心：确定判别函数fAB(X)和相应的判别准则。113、分类后处理：类的归并和清除：合并特征类似的类别；类别色彩重定义：重新定义类别色彩；矢量跟踪：栅格数据和矢量数据的转换；消除斑块：斑块零碎、产生的孤立点、断点、孔穴、毛刺等给图像质量、精度带来影响，填补孔穴，消除

45、断点、孤立点114、消除斑块的方法：聚类统计：通过对分类专题图像计算每个分类图斑的面积、记录相邻区域中最大图斑面积的分类值过滤分析：按照定义数值的大小剔除聚类统计后的图像中的较小的类组图斑，并将剔除的小图斑合并到相邻的最大分类中分类编码：针对非监督分类结果，判断每个类别的专题属性，然后对相似或类似的分类通过图像重编码进行合并，定义类别和颜色115、遥感图像分类的精度评判：类别的可分性；图像像元波段空间的维数；训练样本的数量；分类器类型和分类方案116、常用的分类精度评价方法：1.混淆矩阵（ConfusionMatrix）: 主要用于比较分类结果和地表真实信息，可以把分类结果的精度显示在一个混淆

46、矩阵里面。混淆矩阵是通过将每个地表真实像元的位置和分类与分类图象中的相应位置和分类像比较计算的。混淆矩阵的每一列代表了一个地表真实分类，每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量，有像元数和百分比表示两种。2、总体分类精度（Overall Accuracy）: 等于被正确分类的像元总和除以总像元数，地表真实图像或地表真实感兴趣区限定了像元的真实分类。被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。像元总数等于所有地表真实分类中的像元总和。3、Kappa系数：通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线（Xkk）的和，再减去

47、某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到的。4、错分误差：指被分为用户感兴趣的类，而实际上属于另一类的像元，错分误差显示在混淆矩阵的行里面。5、漏分误差：指本属于地表真实分类，但没有被分类器分到相应类别中的像元数。漏分误差显示在混淆矩阵的列里。6、制图精度：指假定地表真实为A类，分类器能将一幅图像的像元归为A的概率7、用户精度：指假定分类器将像元归到A类时，相应的地表真实类别是A的概率。117、高光谱图像分类方法：降维+传统分类算法；智能化的新分类算法；光谱匹配

48、分类常用分类策略：1. 光谱特征匹配（特征选择、特征提取）2. 光谱波形匹配（距离、角度）3. 基于目标分解的神经网络分类4. 像元空间关联光谱图像分类118、特征提取+MLC：特征提取：研究对象表现出来的各种属性和特点；重点：光谱特征提取；基于变换的降维方法：主成分分析PCA（K-L变换）；最小噪声分离变换MNF，小波变换等在两类或多类判决中，用统计方法根据最大似然比（贝叶斯判决准则法）建立非线性判别函数集，假定各类分布函数为正态分布，并选择训练区，计算各待分类样区的归属概率，而进行分类的一种图像分类方法。高光谱影像利用MLC分类的缺点：（1）多维遥感数据可能不具备正态分布特征（2）准确估计参数需要大量的样本，维数越高，需要样本越多（3）高维空间数据，贝叶斯准则所要求的协方差矩阵难以得到