实习5、遥感影像多光谱变换

3、去相关拉伸（Decorrelation stretch ）首先对影像进行主成份变换，并对主成份变换结果进行反差拉伸，然后再进行主成份逆变换，将影像恢复到RGB 彩色空间，达到影像增强的目的。主要用于消除多光谱影像中各个波段之间的相关性，从而生成一幅色彩亮丽的彩色合成影像。

4、色彩变换：在计算机内定量处理色彩时通常采用RGB （Red 、Green 、Blue ）表色系统，但在视觉上定性的描述色彩时，采用HSV 显色系统更直观些。色彩变换就是对标准处理彩色合成图像在红（R ）、绿（G ）、蓝（B ）编码赋色方面的一种彩色图像增强方法，它是借助改变彩色合成过程中的光学参数的变化来扩展图像色调差异，将图像彩色坐标系中红、绿、蓝三原色组成的彩色空间(RGB)变换为由Hue(色度)，Saturation (饱和度)，value(纯度)三个变量构成的HSV 色彩模型。其目的是为了更有效地抑制地形效应和增强岩石单元的波段差异，并通过彩色编码增强处理达到最佳的图像显示效果。HSV 色彩模型能够准确、定量地描述颜色特征。 从RGB 到CMYK 的变换

NTSC 或YIQ 色彩空间

Y ——亮度

I ——色调 Q ——饱和度

HSL 和HSV 都是一种将RGB 色彩模型中的点在圆柱坐标系中的表示法。这两种表示法试图做到比RGB 基于笛卡尔坐标系的几何结构更加直观。HSL 即色相、饱和度、亮度，HSV 即色相、饱和度、明度

色相（H ）是色彩的基本属性，就是平常所说的颜色名称，如红色、黄色等。

饱和度（S ）是指色彩的纯度，越高色彩越纯，低则逐渐变灰，取0-100%的数值。 明度（V ），亮度（L ），取0-100%。

HSL 和HSV 二者都把颜色描述在圆柱坐标系内的点，这个圆柱的中心轴取值为自底部的黑色到顶部的白色而在它们中间是的灰色，绕这个轴的角度对应于“色相”，到这个轴的距离对应于“饱和度”，而沿着这个轴的高度对应于“亮度”，“色调”或“明度”。

这两种表示在用目的上类似，但在方法上有区别。二者在数学上都是圆柱，但HSV （色相，饱和度，色调）在概念上可以被认为是颜色的倒圆锥体（黑点在下顶点，白色在上底面圆心），HSL 在概念上表示了一个双圆锥体和圆球体（白色在上顶点，黑色在下顶点，最大

111C R M G Y B ??????

??????=-??????

????????????0.2990.5870.1140.5960.2740.3220.2110.5230.312Y R I G Q B ????????????

=--??????

??????-??????

横切面的圆心是半程灰色）。尽管在HSL和HSV中“色相”指称相同的性质，它们的“饱和度”的定义是明显不同的。

5、自然色彩变换是指利用绿、红、近红外三个波段数学变换形式仿真自然色彩

R：XS2

G：(XS1+ XS2+ XS3)/3

B：XS

此次实习中新的绿光波段的计算公式为：int((float(green)+red+nir)/3)（float函数使整个运算在浮点数域内进行）

Basic Tools |Statistics |View Statistics File

的特征信息，然后进行比较。

第一主成分第六主成分

2、去相关拉伸：

加载ROI，并显示在主窗体中，然后在主菜单下Transform | Decorrelation Stretch，导出去相关拉伸后的影像。最后将去相关拉伸后的影像的不同波段加载到主窗体中进行比较。

Band 6 0.44 0.83 0.32 0.09 0.01 0.03 上表为变化后各个波段（主成分）的信息，从表中我们可以看出Band1特征值为2183.22、Band2特征值为271.76、Band3特征值为88.58、Band4特征值为12.42、Band5特征值为5.21、Band6特征值为1.62，则第一主成分含最多的地理信息，第六主成分含较少的地理信息且基本为噪声信息，表中还有各主成分之间Covariance（协方差矩阵）、Correlation（相关性）、Eigenvector（特征向量）等信息

第一主成分显示第二主成分显示第三主成分显示

第四主成分显示第五主成分显示第六主成分显示

上图分别为各主成分的影像显示，从图中可以明显的看到第一、二、三主成分能很好的辨别出地物，第四、五主成分影像有些模糊，第六主成分则完全不能辨别出地物信息，为噪声信号。第一主成分清晰的显示出城市中的格网、河流、山脊以及阴阳坡等地理信息，影像灰度值动态范围正常；第二主成分比较好的显示出城市中、河流、山地以及均家滩河滩等地理信息，但较于第一主成分则高亮显示了城市与河流，难以辨别城市中的格网，山地信息也较少反应，看不出山脊和阴阳坡；第三主成分显示出城市、河流以及山体等地理信息，河流为暗色显示，山体与城市为高亮显示，较第二主成分影像未显示出均家滩的河滩地理信息；第四主成分大体显示出城市、河流与山地等地理信息，水体为低亮显示；第五主成分大体显示出

城市、河流与山地等地理信息，水体在均家滩河滩区域已经难以辨别出来；第六主成分为噪音信息，基本没有地理信息，影像为无规律杂点。

2、去相关拉伸：

原始Band1 去相关拉伸Band1

原始影像清晰的显示出城市中的格网、河流、均家滩河滩、山脊以及阴阳坡等地理信息，山体层次感清晰，可以感觉到海拔高度变化，去相关拉伸后Band1模糊的可以看清城市、河流、河滩、山地，但是山地难以观察到海拔的变化，说明band1与其他影像相关性较高，在去相关性拉伸过程中信息丢失较多

原始Band2 去相关拉伸Band2

原始Band2影像与原始Band1影像极为相似，只是比Band1稍微平滑。去相关拉伸后Band1模糊的可以看清城市、河流、山地，山地可以模糊观察到海拔的变化，但是河滩信息缺失较多，较去相关拉伸后band1效果较好

原始Band3 去相关拉伸Band3

原始Band3影像与原始Band2影像极为相似，只是比Band2所有地物亮度值稍高。去相关拉伸后Band3较去相关拉伸后band2效果较好，可以看清城市、河流、河滩、山地，山地海拔的变化比较明显，某些细小的特征信息也可以显示出来。

原始Band4 去相关拉伸Band4

原始Band4影像与原始Band3影像较为相似，但是整体亮度较暗，山体阳阳面显示较差，但是山体整体显示较Band3好，去相关拉伸后Band4较去相关拉伸后band3效果较好，可以很清晰的看出城市、河流、河滩、山地，山地海拔的变化比较明显，某些细小的特征信息也可以显示出来，例如山顶的绿色植被。

原始Band5 去相关拉伸Band5

原始Band5影像与原始Band4影像较为相似，但是高亮显示出来山体特征，城市与河流相对较暗，但是城市格网十分明显，山体显示很好，山脊线明显，去相关拉伸后Band5信息损失较大，模糊分辨出城市格局，河流与山体比城市显示较好，山体可以看出山脊线但是效果较差，整体影像存在明显的颗粒感。

原始Band7 去相关拉伸Band7

原始Band7影像与原始Band3影像较为相似，城市格网十分明显，河滩湿地较之前影像都可以清晰判别，山体显示很好，山脊线明显，去相关拉伸后Band7显示效果较好，与原始band7相比较高亮显示了城市，城市格网也比较明显，城市格局清晰，河流与山体依然可以看出细节信息，效果较好。

3、樱帽变换：

原始影像Brightness影像

Brightness是TM六个波段亮度值的加权和，反映了总体的亮度变化，影像上的亮度能够有效反映影像的植被和土壤等亮度区分较大的地物。如影像中高亮地方是裸露的土地、道路等，影像中的河流由于反射能力较弱，在亮度影像中颜色最深，茂密的植被为灰色显示。例如影像上红框西边的为一块工业地，近似于裸地。

原始影像Greenness影像

Greenness影像又称为绿度植被指数（GVI）高亮显示植被覆盖的地方，而在城区绿色植物覆盖较少的地方以及裸地等地方则是以较低的亮度显示的，图像中河滩以及河流两侧植被覆盖率大，则高亮显示，影像上红框西边的为一块工业地，近似于裸地，则显示为黑色，河流和分布的小斑块状的小的水体则是是灰色来体现。所以在遥感影像识别中可以通过Greenness来把握植被分布的位置。

原始影像Wetness影像

Wetness影像为湿度分量，主要与土壤湿度/水分状况有关，在影像中，水体是高亮显示的，如影像中的河流、池塘等水体，而含水量少的地方则是以低亮的形式来反映的。图像中河流为高亮显示，影像上红框西边的为一块工业地，近似于裸地，则显示为黑色。所以在遥感影像识别中可以通过Wetness来掌握水体分布的位置。

4、色彩变换：

原始影像Sat影像

Sat影像为色彩的纯度，越高色彩越纯，低则逐渐变灰，在影像中高亮显示了水体，说明水体纯度极高；植被覆盖率高得河滩则为黑色显示，说明此地区不同地物相对较多，波段数多，杂质较多；城市为灰色显示，说明不同地物相对较少，波段数较少。

原始影像Lit影像

Lit影像中影像中高亮显示了裸地（红框内）以及山体的某些裸地；城市与河流则为黑色显示。

5、自然色彩变换

原始影像合成后影像

原始影像整体为红色和天绿色为主，经过彩色合成之后则主色调变为蓝色与黄色。原始影像东部区域（呈现黑色）的地理信息在合成后被减弱，右上角和右下角某些地理信息被强化，显示出了地物的特征。

遥感数字图像处理实习1

（1）以多波段组合方式将GeoTIFF格式的白银市TM原始数据转换为ENVI Standard 格式： 利用Basic Tools/Layer Stacking弹出对话框然后Import File，弹出对话框，导入GeoTIFF格式的TM原始数据，选择波段1、2、3、4、5和7， 点击OK，利用Choose选择输出路径及文件名，同时可以利用Reorder Files对输入的文件根据自己的需要进行调换顺序，点击OK输出ENVI Standard格式的数据。 （2）查询并记录影像文件的基本信息、投影信息，以及各个波段直方图信息，然后编辑头文件： 利用Basic Tools/Resize Data弹出对话框里面选择要查看的影像，左 边会出现其基本信息，如图所示：也有投影信息，既可以用来看单波段的也可以看合成后整个影像的信息。在对话框下，合成影像的名字上右击，选择Quick Statistics弹出对话框，在此对话框中点击Select Plo下拉菜单，选择单波段或者多波段的直方图，相应的对话框中会出现直方图（在结果与分析中记录），还可以右击选择edit修改横、纵坐标的单位。 同样的在合成影像的名字上右击，选择Edit Head，弹出对话框

然后点击Edit Attributes/Band Name弹出对话框，选中波段输入修改 后名字，点击OK即可进行波段名字的修改。点击Edit Attributes/Wavelengths弹出进行相应的波长的修改。 （3）在View视窗中，利用影像缩小、放大、漫游工具识别影像中的土地利用/土地覆盖类型: 可以结合当地的google earth上高分辨率的遥感影像，进行识别，利用Viewer视窗下Tools/SPEAR/Google Earth/Jump to Location可以在google earth上显示View主视窗中相应选中地物对应的位置。 （4）利用Viewer视窗打开影像，分别选取4、3、2和7、4、2波段组合进行假彩色合成，观察实习内容中所要求地物的色调变化： 利用File/Open Image File，选择第1步合成的ENVI Standard 格式的数据，弹出对话框，在其中选择RGB Color，将R、G、B分别设为4、3、2波段，点击Load Band，在Viewer#1中出现了4、3、2波段组合的假彩色图像，再在此窗口中，点击Display/New Display,弹出Viewer#2，选择RGB Color,将R、G、B分别设为7、4、2波段，点击Load Band，在Viewer#2中出现了7、4、2波段组合的假彩色图像，在Viewer窗口中右击选择Link Displays，弹出对话框，点击OK，可以把两个窗口中同一位置进行连接起来， 即其中一个窗口放大、缩小、漫游到某个位置，另外一个也跟着漫游到其相对应的位置。这样可以进行地物色调变化的对比。 （5）提取6种地物在不同波段的数值（Digital Number，DN），做光谱剖面图： 在Viewer视窗中Tools/Profile/Z Profile(Spectrum)弹出对话框,在其 Options下拉菜单中勾选Plot Key,对话框中出现了Viewer视窗中选中的目标地物的X，Y坐标，然后勾选Collect Spectra，鼠标箭头变为十字箭头，在目标地物中取九个点（本来图上就有一个，总共是十个点），然后在选择File/Save Plot As/ASCII弹出对话框 ，点击Select All Items，利用Choose选择输出路径和文件名，点击 OK，将其保存为.txt格式。选六种地物，重复以上操作，提取不同波段的数值（Digital Number，DN）。将.txt格式的文件用excel打开，然后用插入函数中的average函数求出每种地物的平均DN值，然后做出光谱剖面（光谱图如结果与分析中所示）。 （6）使用Excel制作6种地物的样本特征光谱统计表： 在Excel中分别使用插入函数中的AVERAGE、VAR、STDEV、MAX和MIN函数求出各地物样本DN值在各个波段的平均值、方差、标准差、最大值和最小值。然后，在07版Excel 的“Microsoft Office 按钮”，单击“Excel 选项”。“加载项”，然后在“管理”框中，选择“Excel 加载项”，单击“转到”弹出“加载宏”，在弹出来的对话框中选择“分析工具库”，并点击确定。然后从“工具”中找到“数据分析”，从“数据分析”对话框中选择“协方差”，并导入某种地物需求协方差的数据区域并选择“逐行”进行，最后选择数据输出区域并确定，则可得该地物的协方差矩阵。同理，在从“数据分析”对话框中选择“相关系数”，进行相应操作，可求得相关系数矩阵。（在结果与分析中附有个地物的样本特征光谱统计表）（7）制作散点图： 在Excel中，打开6种地物的样本DN数据（5步骤产生的），选择band2和band4做散

(完整word版)遥感数字图像处理习题(地信)-2018

考试时间：6月21日晚上19:00-21:00 地点：待定 题型：选择、填空、判断、简答、计算 1．考核方式：闭卷考试+ 平时成绩。 2．总成绩评定：闭卷卷面成绩（满分100分）占考核成绩的70％，平时成绩（满分100分）占30％。 3．平时成绩评定 （1）实验完成情况（80分）：。根据学生实验报告提交次数及完成质量进行评定。 （2）作业完成情况（10 分）：根据学生平时作业提交次数及完成质量进行评定。 （3）课堂考勤（10分）：旷课一次扣3分，请假一次扣1分，扣完为止。 2018遥感数字图像处理习题 第1章概论 1．理解遥感数字图像的概念 2．理解遥感数字图像处理的内容 3．了解遥感数字图像处理与分析的目标和指导思想 4．了解遥感数字图像处理的发展及与其他学科的关系 第2章遥感数字图像的获取和存储 1. 理解摄影成像和扫描成像传感器的成像方式 2. 熟练掌握摄影成像和扫描成像影像的几何投影方式和影像特性 3. 掌握遥感常用的电磁波波段 4. 熟练掌握传感器的分辨率 5. 掌握数字化过程中的采样和量化 第3章遥感数字图像的表示和度量 1. 理解遥感图像的数字表示 2. 熟练掌握灰度直方图 第4章图像显示和拉伸 1. 熟练掌握图像的彩色合成 2. 熟练掌握灰度图像的线性拉伸 3. 熟练掌握直方图均衡化，理解直方图规定化

第5章图像校正 1．理解辐射误差产生的原因及辐射校正的类型 2．理解遥感数字图像大气校正的主要方法 3．理解几何畸变的类型与影响因素 4．熟练掌握多项式几何校正的原理与方法 第6章图像变换 1．理解傅立叶变换的原理 2．理解波段运算 3．理解K-L变换 4．理解缨帽变换 5．理解彩色变换 6．了解数字图像融合 第7章图像滤波 1．理解图像噪声与卷积、滤波的原理 2．掌握图像平滑 3．掌握图像锐化 4．掌握频率域滤波 第8章图像分割 1．了解图像分割的概念、方法和流程； 2．了解灰度阈值法； 3．了解梯度和区域方法。 第9章遥感图像分类 1．了解遥感图像的计算机分类的一般原理； 2．熟练掌握非监督分类和监督分类方法； 3．熟练掌握分类精度评估方法； 4．了解计算机分类新方法。 部分习题 几何校正 一、填空题： 1、控制点数目的最小值按未知系数的多少来确定。k阶多项式控制点的最少数目为＿＿＿。 2、多项式拟合法纠正中控制点的数量要求，一次项最少需要＿＿个控制点，二次项最少项需要＿＿个控制点，三次项最少需要＿＿＿个控制点。

_高分一号_多光谱遥感数据特征评价分析_孙明

“高分一号”多光谱遥感数据特征评价分析 孙明1，钟仕全1，孙涵1，谢敏2，吴朝晖1 （1 广西区气象减灾研究所/国家气象卫星中心遥感应用试验基地/气象GIS应用联合实验室，南宁 530022； 2 广西区气候中心，南宁 530022） 摘 要：本文主要利用多种数据质量指标对高分一号WFV4传感器的多光谱图像数据进行了评价，并将其和美国最新发射的Landsat-8 OLI数据进行对比分析，结果表明：GF-1卫星在灰度值分布、影像所含信息量等方面与Landsat-8卫星有一定差距，但在空间分辨率、近红外波段的独立性以及地物可分性方面则要强于Landsat-8，在国土资源调查、环境监测等方面具有很大的潜力。 关键词：高分一号；Landsat-8 OLI；地物光谱；遥感 1 引言 随着我国经济建设的快速发展，广大用户对高空间分辨率、高时间分辨率、高光谱分辨率和全天候的卫星遥感数据的需求十分迫切，面对复杂多样的自然灾害及环境问题,急需能够共享的、标准化的、能满足不同需求的不同类型的卫星遥感数据, 满足灾害和环境监测与预报的要求。随着微电子、微机械等技术的迅猛发展，对地遥感技术取得了重大的突破性进展，作为对地遥感卫星家族的主要成员之一的高分辨率遥感卫星成为国内外用户的宠儿，尤其是在精细农业、化工、资源详查、水利、测绘、重大工程、新闻报道等领域的应用为世界各国带来了巨大的经济效益和难以估量的社会效益。国家根据这一经济发展大需要，提出建设“天地一体化的对地观测体系”的发展思路，近年来接连发射成功了多颗高分辨率的资源卫星：主要包括资源一号02C星、资源三号卫星以及最新发射的高分一号卫星，这一系列卫星构成了我国高空间分辨率和高时间分辨率对地观测体系，改变了我国从国外大量购买卫星影像的被动局面，提升了高分辨率遥感卫星影像的自主供给能力和国际竞争力[1]。其中，最新发射的“高分一号”卫星突破了高空间分辨率、多光谱与高时间分辨率结合的光学遥感技术，对于推动我国卫星工程水平的提升，提高我国高分辨率数据自给率，具有重大战略意义。 本文主要选用几项数据评价指标对高分一号卫星WFV4传感器的多光谱图像数据特征进行评价,并与美国最新发射的Landsat-8 OLI多光谱数据进行对比分析，为该数据的后期推广及应用提供参考。 2 数据选取及预处理 本文所选取的实验数据为2014年1月04日GF-1卫星WFV4传感器的一景16m分辨率多光谱数据，覆盖范围包括南宁、来宾、柳州以及百色，影像基本晴空（如图1所示）。为了对比分析，本文同时选取美国最新发射的Landsat-8卫星数据，成像时间为2013年12月04日（如图2所示），选择与GF-1卫星多光谱波段相对应的4个波段数据，并选取两种数据共同覆盖的区域作为实验样区。 386

遥感数字图像处理

遥感数字图像处理-要点 1．概论 遥感、遥感过程 遥感图像、遥感数字图像、遥感图像的数据量 遥感图像的数字化、采样和量化 通用遥感数据格式（BSQ、BIL、BIP） 遥感图像的模型：多光谱空间 遥感图像的信息内容： 遥感数字图像处理、遥感数字图像处理的内容 遥感图像的获取方式主要有哪几种? 如何估计一幅遥感图像的存储空间大小? 遥感图像的信息内容包括哪几个方面？ 多光谱空间中，像元点的坐标值的含义是什么？ 与通用图像处理技术比较，遥感数字图像处理有何特点？ 遥感数字图像处理包括那几个环节？各环节的处理目的是什么？ 2.遥感图像的统计特征 2.1图像空间的统计量 灰度直方图：概念、类型、性质、应用 最大值、最小值、均值、方差的意义 2.2多光谱空间的统计特征 均值向量、协方差矩阵、相关系数、相关矩阵的概念及意义波段散点图概念及分析 主要遥感图像的统计特征量的意义 两个重要的图像分析工具：直方图、散点图 3.遥感数字图像增强处理 图像增强：概念、方法 空间域增强、频率域增强 3.1辐射增强：概念、实现原理 直方图修正，线性变换、分段线性变换算法原理 直方图均衡化、直方图匹配的应用 3.2空间增强 邻域、邻域运算、模板、模板运算 空间增强的概念 平滑（均值滤波、中值滤波）原理、特点、应用 锐化、边缘增强概念

方向模板、罗伯特算子、索伯尔算子、拉普拉斯算子的算法和特点? 计算图像经过下列操作后，其中心象元的值： – 3×3中值滤波 –采用3×3平滑图像的减平滑边缘增强 –域值为2的3×1平滑模板 – Sobel边缘检测 – Roberts边缘检测 –模板 3.3频率域处理 高频和低频的意义 图像的傅里叶频谱 频率域增强的一般过程 频率域低通滤波 频率域高通滤波 同态滤波的应用 3.4彩色增强 彩色影像的类型：真彩色、假彩色、伪彩色

遥感图像处理实习总结

遥 感 实 习 总 结 专业：摄影测量与遥感技术班级： 姓名： 学号：

为期两周的遥感数字图像处理结束了，在老师的精心安排下，我们全身心的投入到这次实习中。虽然是满天的时间，但是由于教室还有其他人占用并不能在那全天使用，所以说是两周实习但是我们能用是时间依然很少，我们要力抓每一分每一秒，熟练操作遥感数字图像处理软件。整个实习是以黄河水院为基础图形。通过格式变换、几何校正、图像剪裁、图像分类，以及最后的专题地图制作。 实习的过程简单又复杂，简单的是，只要动手，计算机几乎自动化的替你操作，复杂的是，在操作过程中，又有好多选项和注意的事项，有很多参数的设置很有讲究。所以在练习中我遇到好多问题，并通过解决这些问题进一步加深了对软件和课本知识的理解。 首先我们进行的是数据预处理。我们需要进行遥感图像的几何校正。由于各种误差所以遥感图像存在着几何变形，因此需要在操作前进行几何校正。流程如下：第一步：显示图像文件（打开两个视窗窗口），第二步：启动几何校正模块，第三步：启动控制点工具，第四步：地面控制点（GCP）的采集，第五步：采集地面检查点，第六步：图象重采样，第七步：保存几何校正模式。其中最关键最难的就属地面控制点的采集，我们使用的是二次多项式，所以得选取六个控制点然后再选出六个检查点。但是图像存在着误差，而我们要把误差控制在一个像素以内，这就更加困难了。在进过长时间的摸索和练习，精度慢慢的就达到了，但是

图纠正后依旧不是很好，在询问同学后发现原来是点的分布不是很均匀，所以导致了图的变形。在图的校正后就得进行图范围的裁剪得到所需的范围。裁剪有两种方法一种是规则分幅裁剪，一种是不规则分幅裁剪。规则分幅裁剪需要知道坐标，而不规则分幅裁剪则只需要在图上手选出需要裁剪的范围。而我们没有坐标只能用不规则分幅裁剪。 第二项就是图象增强处理，主要包括：空间、辐射、光谱增强处理的主要方法。空间增强：包括卷积增强处理，辐射增强：直方图均衡化处理，光谱增强：主成份变换、缨穗变换、色彩变换。这一项比较简单，通过指导书和上课的学习，这些增强只要知道步骤就能很快完成。 第三项我认为也是最关键的一项，遥感图像的分类，所谓的遥感图像的分类就是通过人工目译或计算机自动分类处理相结合识别出地物属性。我们做的分类是非监督分类，在进行的分类评价时，应用分类叠加方法来评价分类结果、分类精度及定义时应注意分类文件在上，而且取消栅格参数中清楚选示选项，以使两图像叠加显示。非监督分类步骤如下：第一步：显示原图像与分类图像，第二步：打开分类图像属性并调整字段显示顺序，第三步：给各个类别赋相应的颜色，第四步：不透明度设置，第五步：确定类别专题意义及其准确程度，第六步：标注类别的名称和相应颜色，第七步：将相同的类进行合并，最后分为五大类：建筑物、道路（空闲地）、水系、草地和灌木林。

遥感图像辐射校正

实验名称：遥感图像辐射矫正 实验目的：通过实验，了解并掌握辐射矫正的原理、基本方法，深刻理解遥感辐射矫正的意义。 实验原理：辐射矫正是指对由于外界因素，数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行矫正，消除或改正辐射误差而引起的影响畸变的过程。 辐射矫正的一般方法有： 1.大气校正：大气会引起太阳光的吸收、散射，也会引起来自目标的反射及散射光的吸收、散射，入射到传感器的除目标物的反射光外，还有大气引起的散射光，消除并校正这些影响的处理过程叫大气校正。 2.太阳高度及地形等引起的畸变校正：视场角和太阳角的关系所引起的亮度变化的校正；地形倾斜的影响校正。 3.传感器的灵敏度特性引起的畸变校正：（1）由光学系统的特性引起的畸变校正。（2）由光电变化系统的特性引起的畸变校正。 辐射误差：传感器观测目标的反射或辐射能量时，观测值与目标的光谱反射率或光谱辐射亮度等物理量之间的差值。

两个基本概念 反射率：反射率是反射辐射通量与入射通量的比值，是0-1之间的无量纲的值 ρλ=Φreflectedλ/ Φiλ 通常用反射率描述各种地物的光谱反射特性。一般分为镜面反射、方向反射、漫反射（各向同性），反射率是地物自身的属性。 朗伯反射体：发光强度和亮度的概念不仅适用于自己发光的物体，也可以应用到反射体。光线射到光滑的表面上，定向地发射出去；射到粗糙的表面上时，它将朝向所有方向漫射。一个理想的漫射面，应是遵循朗伯定律的，即不管入射光来自何方，沿各方向漫射光的发光强度总与cosθ成正比，从而亮度相同。积雪、刷粉的白墙或十分粗糙的白纸表面，都很接近这类理想的漫射面。这类物体称为朗伯反射体。 大气影响的定量分析 进入大气的太阳辐射会发生反射、折射、吸收、散射和透射。其中对传感器接收影响较大的是吸收和散射。

《遥感数字图像处理》试卷

东南大学2008—2009学年考试试题 课程名称：遥感数字图像处理 学号姓名成绩 一、单项选择题（2分×20=40分） 1.遥感技术是利用地物具有完全不同的电磁波（）或（）辐射特征来判断地物目标和自然现象。 A.反射发射 B.干涉衍射 C.反射干涉 D.反射衍射 2.TM6所采用的10.4~12.6um属于（）波段。 A.红外 B.紫外 C.热红外 D.微波 3.彩红外影像上（）呈现黑色，而（）呈现红色。 A.植被 B. 水体 C.干土 D.建筑物 4.影响地物光谱反射率的变化的主要原因包括（）。 A. 太阳高度角 B.不同的地理位置 C. 卫星高度 D.成像传感器姿态角 5.红外姿态测量仪可以测定（）。 A. 航偏角 B. 俯仰角 C.太阳高度角 D. 滚动角 6.下面遥感卫星影像光谱分辨率最高的是（）。 A. Landsat-7 ETM+ B.SPOT 5 C.IKONOS-2 D. MODIS 7.下面采用近极地轨道的卫星是（）。 A. Landsat-5 B. SPOT 5 C. 神州7号 D. IKONOS-2 8.下面可获取立体影像的遥感卫星是（）。 A. Landsat-7 B.SPOT 5 C.IKONOS-2 D. MODIS 9.侧视雷达图像的几何特征有（）。 A.山体前倾 B.高差产生投影差 C.比例尺变化 D. 可构成立体像对 10.通过推扫式传感器获得的一景遥感影像，在（）属于中心投影。 A.沿轨方向 B. 横轨方向 C. 平行于地球自转轴方向 D. 任意方向 11. SPOT 1-4 卫星上装载的HRV传感器是一种线阵（）扫描仪。 A. 面阵 B. 推扫式 C. 横扫式 D. 框幅式 12.（）只能处理三波段影像与全色影像的融合。 A.IHS变换 B.KL变换 C. 比值变换 D. 乘积变换 13.（）是遥感图像处理软件系统。 A. AreInfo B.ERDAS C. AUTOCAD D. CorelDRAW 14.一阶哈达玛变换相当于将坐标轴旋转了（）。 A.30° B. 45° C. 60° D.90° 15.遥感影像景物的时间特征在图像上以（）表现出来。 A. 波谱反射特性曲线 B.空间几何形态 C. 光谱特征及空间特征的变化 D.偏振特性 16.遥感传感器的分辨率指标包括有（）。 A.几何分辨率 B.光谱分辨率 C.辐射分辨率 D.时间分辨率 17.遥感图像构像方程是指地物点在图像上的（）和其在地物对应点的大地坐标之间的数学关系。 A.投影差 B. 几何特征 C.图像坐标 D. 光谱特征

遥感图像的辐射校正实验报告

遥感图像的辐射校正实验报告 1. 实验目的和内容 实验目的： （1）复习巩固课堂上所学的对遥感图像的辐射校正，掌握这些校正方法的基本原理和方法，理解遥感图像辐射校正的意义; （2）实际学习对遥感图像进行绝对大气校正、相对大气校正的FLAASH和黑暗像元法; 实验内容： （1）绝对大气校正 将遥感图像的DN值转换为地表反射率、地表辐射率、地表温度等的方法。本次实验通过FLAASH法进行绝对大气纠正。 （2）相对大气校正 校正后得到的图像，相同的DN值表示相同的地物反射率，其结果不考虑地物的实际反射率。本次实验通过黑暗像元法进行相对大气纠正。 2. 图像处理方法和流程 A.绝对大气校正 1、加载影像，打开ENVI，file>>open image file，打开L71120038_03820030128_MTL.txt

2、辐射定标 FLAASH模块需要输入的是经过辐射定标后的BIL/BIP文件，ENVI >> basic tools >>preprocessing > >calibration utilities >> Landsat calibration 3、格式转换 上述计算得到的存储方式为BSQ，FLAASH大气校正对于波段存储的要求

为BIL/BIP格式，ENVI >> basic tools>> convert data (BSQ ,BIL ,BIP) 4、FLAASH大气校正 （1）ENVI>>basic tools>>preprocessing>>calibration utilities>> FLAASH，选择需要校正的数据。选用第二种，设置Single scale factor：10。 （2）设置输入与输出文件 ①进入地理空间数据云，查询影像参数。点击数据资源—LANDSAT系列数据

多光谱遥感卫星影像植被指数种类

遥感植被指数的种类、适用性和优缺点分析 摘要：遥感是现代科学技术中的一种远距离观测、分析目标地物的理论和方法，它在现代环境监测中具有广泛的应用。遥感植被指数是指利用遥感图像进行植被长势、生物量生产潜能等监测的重要指标。本文将在对植物的光谱特征分析的基础上，总结相关研究，对植被指数的种类以及它们的适用性和优缺点进行分析。 1、引言 遥感是指利用不同地物波谱特征不同这一特性，通过传感器这类对电磁波敏感的仪器，在远离目标和非接触目标物体条件下探测目标地物，获取其反射、辐射或散射的电磁波信息，进行处理、分析与应用的一门科学和技术。而植被指数则是利用遥感图像获取多光谱遥感数据，经过分析得到植被分布、种类等数值，对某些植被的长势、生物量等有一定应用价值。 目前，国内外学者已研究发展了几十种不同的植被指数模型，常用的有以下几类： 1、比值植被指数（RVI）； 2、归一化植被指数（NDVI）； 3、差值植被指数（DVI）； 4、缨帽变换中的绿度植被指数（GVI）； 5、垂直植被指数（PVI）； 6、土壤调整植被指数（SAVI）等， 这几类植被指数对植被的敏感性、抗土壤和大气的干扰性等不尽相同。一般情况下由于归一化植被指数（NDVI）与一些重要的生物物理参数如生物量、叶面积指数和光有效辐射等有密切的联系[1]，所以NDVI被广泛用于植被研究。 遥感植被指数是预测生物量、作物生产潜能以及评价一个生态系统结构与功能特征的重要指标[2]，然而遥感的植被指数不仅取决于植被的种类，还要受到其他环境条件的干扰，如土壤湿度、土壤的物理化学属性、大气条件以及季节等的影响。于是如何在不同的条件下选择不同的植被指数对更好的进行植被监测、农作物估产等有着较大的影响。本文正是通过对植被遥感的原理、植物光谱特征分析研究等的基础上，总结有关资料数据，对各类遥感植被指数的适用性和优缺点进行了分析，作为今后相关研究的参考。 2、植被遥感的原理 植物遥感依赖于植物本身的特征，主要是叶片结构特点和植被冠层光谱特性。我们都知道，植物叶片能进行光合作用，但所利用的仅是太阳光的可见光部分（0.4~0.76μm），即称之为光合有效辐射（PAR），约占太阳辐射的47%~50%，其强度随着时间、地点、大气条件等变化。 植物的光谱特征可使其在遥感影像上有效地与其他地物相区别。同时，不同

遥感实习2卫星数据的预处理流程

数据预处理的一般过程包括几何校正、图像镶嵌与裁剪、辐射定标与大气校正等环节。

图1 数据预处理一般流程 通常我们直接从数据提供商获取未定标的DN 图像，然后定标为辐射亮度图像，对辐射率亮度图像进行大气校正得到地表反射率图像。 一、辐射定标与大气校正 1、辐射定标Radiometric calibration ：将记录的原始DN 值转换为大气外层表面反射率（或称为辐射亮度值）。 目的：消除传感器本身的误差，确定传感器入口处的准确辐射值 方法：实验室定标、机上/星上定标、场地定标 不同的传感器，其辐射定标公式不同。L=gain*DN+Bias 在ENVI 中，定标模块：Basic Tools>Preprocessing>Calibration Utilities>模块 2、大气校正Atmospheric correction ：将辐射亮度或者表面反射率转换为地表实际反射率 目的：消除大气散射、吸收、反射引起的误差。 分类：统计型和物理型 目前遥感图像的大气校正方法按照校正后的结果可以分为2种： 1) 绝对大气校正方法：将遥感图像的DN(Digital Number)值转换为地表反射率、地表辐射率、地表温度等的方法。包括：基于辐射传输模型、基于简化辐射传输模型的黑暗像元法、基于统计学模型的反射率反演 2) 相对大气校正方法：校正后得到的图像，相同的DN 值表示相同的地物反射率，其结果不考虑地物的实际反射率。包括：基于统计的不变目标法、直方图匹配法等。 方法的选择问题，一般而言： 1) 如果是精细定量研究，那么选择基于辐射传输模型的大气校正方法。 2) 如果是做动态监测，那么可选择相对大气校正或者较简单的方法。 3) 如果参数缺少，没办法了只能选择较简单的方法了。 在ENVI 中，Basic tools>preprocessing>calibration utilities>FLAASH 二、数字图像镶嵌与裁剪 1、镶嵌 当研究区超出单幅遥感图像所覆盖的范围时，通常需要将两幅或多幅图像拼接起来形成一幅或一系列覆盖全区的较大的图像。 在进行图像的镶嵌时，需要确定一幅参考影像，参考图像将作为输出镶嵌图像的基准，决定镶嵌图像的对比度匹配、以及输出图像的像元大小和数据类型等。镶嵌得两幅或多幅图像选择相同或相近的成像时间，使得图像的色调保持一致。但接边色调相差太大时，可以利 Digital Numbers Radiance TOA Reflectance Geometric correction Step 1 Step 2 Surface Reflectance Step 3 Step 4 Analysis

遥感数字图像处理实习报告含Matlab处理代码

辽宁工程技术大学 《数字图像处理》上机实习报告 教学单位辽宁工程技术大学 专业摄影测量与遥感 实习名称遥感数字图像处理 班级测绘研11-3班 学生姓名路聚峰 学号471120212 指导教师孙华生

实习1 读取BIP 、BIL、BSQ文件 一、实验目的 用Matlab读取BIP 、BIL、BSQ文件，并将结果显示出来。 遥感图像包括多个波段，有多种存储格式，但基本的通用格式有3种，即BSQ、BIL和BIP格式。通过这三种格式，遥感图像处理系统可以对不同传感器获取的图像数据进行转换。BSQ是像素按波段顺序依次排列的数据格式。BIL 格式中，像素先以行为单位块，在每个块内，按照波段顺序排列像素。BIP格式中，以像素为核心，像素的各个波段数据保存在一起，打破了像素空间位置的连续性。 用Matlab读取各个格式的遥感数据，是图像处理的前提条件，只有将图像读入Matlab工作空间，才能进行后续的图像处理工作。 二、算法描述 1.调用fopen函数用指定的方式打开文件。 2.在for循环中调用fread函数，用指定的格式读取各个像素。 3.用reshape函数，重置图像的行数列数。 4.用imadjust函数调整像素的范围，使其有一定对比度。 5.用imshow显示读取的图像。 三、Matlab源代码 1.读取BSQ的源代码： clear all clc lines=400; samples=640; N=6; img=fopen('D:\sample_BSQ','rb'); for i=1:N bi=fread(img,lines*samples,'uint8'); band_cov=reshape(bi,samples,lines); band_cov2=band_cov'; band_uint8=uint8(band_cov2); tif=imadjust(band_uint8); mkdir('D:\MATLAB','tifbands1') name=['D:\MATLAB\tifbands1\tif',int2str(i),'.tif']; imwrite(tif,name,'tif'); tilt=['波段',int2str(i)]; subplot(3,2,i),imshow(tif);title(tilt); end fclose(img); 2.读取BIP源代码 clear all

高光谱,多光谱及超光谱

1、光谱分辨率 光谱分辨率spectral resolution 定义1：遥感器能分辨的最小波长间隔，是遥感器的性能指标。遥感器的波段划分得越细，光谱的分辨率就越高，遥感影像区分不同地物的能力越强。 定义2：多光谱遥感器接收目标辐射信号时所能分辨的最小波长间隔。 光谱分辨率指成像的波段范围，分得愈细，波段愈多，光谱分辨率就愈高，现在的技术可以达到5~6nm（纳米）量级，400多个波段。细分光谱可以提高自动区分和识别目标性质和组成成分的能力。 传感器的波谱范围，一般来说识别某种波谱的范围窄，则相应光谱分辨率高。 举个例子：可以分辨红外、红橙黄绿青蓝紫紫外的传感器的光谱分辨率就比只能分辨红绿蓝的传感器的光谱分辨率高。 一般来说，传感器的波段数越多波段宽度越窄，地面物体的信息越容易区分和识别，针对性越强。 2、什么是高光谱，多光谱及超光谱 高光谱成像是新一代光电检测技术，兴起于2O世纪8O年代，目前仍在迅猛发展巾。高光谱成像是相对多光谱成像而言，通过高光谱成像方法获得的高光谱图像与通过多光谱成像获取的多光谱图像相比具有更丰富的图像和光谱信息。如果根据传感器的光谱分辨率对光谱成像技术进行分类，光谱成像技术一般可分成3类。 (1)多光谱成像——光谱分辨率在delta_lambda/lambda=0．1mm数量级，这样的传感器在可见光和近红外区域一般只有几个波段。 (2)高光谱成像——光谱分辨率在delta_lambda/lambda=0．01mm数量级，这样的传感器在可见光和近红外区域有几十到数百个波段，光谱分辨率可达nm 级。 (3)超光谱成像——光谱分辨率在delta_lambda/lambda =O．001mm=1nm数量级，这样的传感器在可见光和近红外区域可达数千个波段。 众所周知，光谱分析是自然科学中一种重要的研究手段，光谱技术能检测到被测物体的物理结构、化学成分等指标。光谱评价是基于点测量，而图像测量是基于空间特性变化，两者各有其优缺点。因此，可以说光谱成像技术是光谱分析

遥感影像变化检测

遥感影像变化检测报告 学院： 专业： 指导老师： 小组成员： 2013年5月

1、遥感影像变化检测的概念 遥感影像变化检测指利用多时相获取的覆盖同一地表区域的遥感影像及其它辅助数据 来确定和分析地表变化。它利用计算机图像处理系统，对不同时段目标或现象状态的变化进行识别、分析；它能确定一定时间间隔内地物或现象的变化，并提供地物的空间分布及其变化的定性与定量信息。 由此可知，遥感影像变化检测是从不同时期的遥感图像中，定量地分析和确定地物变化的特征和过程。它涉及到变化的类型、分布状况及变化信息的描述，即需要确定变化前后的地物类型、界限和分析变化的属性。变化检测的研究对象为地物，包括自然地物和人造地物，其中人造地物在军事上常被称为目标。描述地物的特性包括：空间分布特性、波谱反射与辐射特性、时相变化特性。遥感影像的变化检测在土地覆盖变化监测、环境变迁动态监测、自然灾害监测、违章建筑物查处、军事目标打击效果分析以及国土资源调查等方面拥有广泛的应用价值和商业价值。 变化检测通常包括以下4个方面的内容： (1)判断是否发生了变化，即确定研究区域内地物是否发生了变化； (2)标定变化发生的区域，即确定在何处发生了变化，将变化像元与未变化像元区分开来； (3)鉴别变化的性质，给出在每个变化像元上所发生变化的类型，即确定变化前后该像元处的地物类型； (4)评估变化的时间和空间分布模式。 其中，前两个方面是变化检测所要解决的基本问题，而后两个方面则根据应用要求决定是否需要做。 2、遥感影像变化检测的三个层次 遥感图像分析过程中通常包括数据层处理、特征层处理和目标层处理三个过程。依据这三个层次划分，可将变化检测分为：像元级变化检测、特征级变化检测和目标级变化检测。 (1)像元级变化检测是指直接在采集的原始图像上进行变化检测。尽管基于像元的变化检测有它一定的局限性，但由于它是基于最原始的图像数据，能更多地保留图像原有的真实感，提供其它变化检测层次所不能提供的细微信息，因而目前绝大多数的变化检测方法都是像元级变化检测。 (2)特征级变化检测是采用一定的算法先从原始图像中提取特征信息，如边缘、形状、轮廓、纹理等，然后对这些特征信息进行综合分析与变化检测。由于特征级的变化检测对特征进行关联处理，把特征分类成有意义的组合，因而它对特征属性的判断具有更高的可信度和准确性。但它不是基于原始数据而是特征，所以在特征提取过程中不可避免地会出现信息的部分丢失，难以提供细微信息。 (3)目标级变化检测主要检测某些特定对象(比如道路、房屋等具有明确含义的目标)，是在图像理解和图像识别的基础上进行的变化检测，它是一种基于目标模型的高层分析方法。 变化检测的三个层次在实现上各有优缺点，在具体的变化检测中究竟检测到哪个层次是根据任务的需要确定的。像元级的变化检测保持了尽可能多的原始信息，具有特征级和目标级层次上所不具备的细节信息，但像元级变化检测仅考虑像素属性的变化，而未考虑其空间等特征属性的变化；特征级变化检测不仅考虑到空间形状的变化，而且还要考虑特征属性的变化，但特征级的变化检测依赖于特征提取的结果，但特征提取本身比较困难；目标级的变化检测最大的优点是它接近用户的需求，检测的结果可直接应用，但它的不足之处在于目标提取的困难性。

遥感数字图像处理考试知识点整理

遥感 第一章 1遥感数字图像；遥感数字图像的分类方式和对应类别。 （1）定义：遥感数字图像是数字形式的遥感图像。不同的地物能够反射或辐射不同波长的电磁波，利用这种特性，遥感系统可以产生不同的遥感数字图像。 （2）可见图像和不可见图像 单波段和多波段，超波段 数字图像和模拟图像 2遥感图像的成像方式（三大种：摄影、扫描、雷达）。 （1）摄影，扫描属于被动遥感 雷达属于主动遥感 （2）摄影：根据芦化银物质在关照条件下回发生分解这一机制，将卤化银物质均匀涂在片基上，制成感光胶片 扫描：扫描类遥感传感器逐点逐行地以时序方式获取的二维图像 雷达：由发射机向侧面发射一束窄波段，地物反射的脉冲，由无线接收后被接收机接收 3遥感图像的数字化（模数转换）过程——两大过程：采样、量化，名词解释。 采样：将空间上连续的图像变换成离散点的操作称为采样，即：图像空间位置的数字化。采样是空间离散。 量化：遥感模拟图像经离散采样后，可得到由Ｍ×Ｎ个像素点组合表示的图像，但其灰度（或彩色）仍是连续的，还不能用计算机处理。它们还要进一步离散并归并到各个区间，分别用有限个整数来表示，这称之为量化，即：图像灰度的数字化。量化属于亮度属性离散。遥感图像数字化过程两个特点：亮度和空 4遥感数字图像的存储空间大小的计算。 图像的灰度级有：2,64,128,256 存储一幅大小为M*N，灰度量化位数G的图像，所需要的存储空间（图像数据量）为M*N*G(bit) 1B=8bit 1KB=1024B 1MB=1024KB 1GB=1024MB TM空间分辨：1,2,3,4,5,7为30米，6为120米 5遥感数字图像的分辨率（时间、空间、光谱、辐射分辨率）； （1）时间分辨率：指对同一地点进行遥感采样的时间间隔即采样的时间频率，也称重访周期 空间分辨率：指图像像素所代表的相应地面范围的大小，空间分辨率愈高，像素所代表的范围愈小 光谱分辨率：光谱分辨率是指成像的波段范围，分得愈细，波段愈多，光谱分辨率愈高 辐射分辨率：是传感器区分反射或发射的电磁波辐射强度差异的能力。高辐射分辨率可以区分信号强度的微小差异。 （2）常见传感器和空间分辨率书17-18页 6遥感数字图像的数据（数据级别、数据存储格式、元数据定义） （1）数据级别： 0级产品：未经过任何校正的原始图像数据 1级产品：经过了初步辐射校正的图像校正 2级产品：经过了系统级的几何校正，即根据卫星的轨道和姿态等参数以及地面系统中

遥感影像辐射校正实习报告

遥感实习报告（4）遥感影像辐射校正 专业： 班级： 姓名： 学号： 成绩： 指导教师： 2013年6月15日

目录 一：实验目的 (3) 二、影像数据 (3) 三、实验内容 (3) 四、实验步骤 (4) （一）、绝对大气校正 (4) （二）、相对大气校正——回归分析法 (7) （三）、多时相影像匹配法 (9) 五、心得体会 (13) 六：程序设计 (14)

一：实习目的： 进一步巩固、掌握遥感影像绝对及相对大气校正基本方法。二：影像数据： 1.交大犀浦校区2003年、2005年SPOT5多光谱影像 影像空间分辨率10米，波段1—近红外（0.78 - 0.89μm）；波段2—红色（0.61 - 0.68μm）；波段3—绿色（0.50 - 0.59μm）；波段4—短波红外（1.58 - 1.75μm）。 2. 交大犀浦校区2006年QuickBird（快鸟）多光谱影像 影像空间分辨2.44—2.88米，波段1—蓝(450-520nm)；波段2—绿（520-660nm）；波段3—红（630-690nm）；波段4—近红外（760-900nm）。 三：实习具体内容： （一）、绝对大气校正 以实测或从光谱数据库中查得的光谱数据，采用基于ELC的大气校正方法，对交大犀浦校区2006年QuickBird多光谱影像中的第1波段影像进行绝对大气校正。 基本步骤： （1）、从QuickBird多光谱影像文件中提取出第1波段影像；（2）、从影像中判读出一些典型地物；

（3）、从以前实测的光谱物据或光谱数据库中，读出步骤2中判读出的那些地物对应QuickBird第1波段的反射率值； （4）、基于步骤3的反射率值，采用基于ELC的大气校正方法，对交大犀浦校区2006年QuickBird多光谱影像中的第1波段影像进行绝对大气校正。 （二）、相对大气校正——回归分析法 以交大犀浦校区2006年QuickBird多光谱影像中的第4波段影像为参考，采用回归分析法，对第1波段影像进行相对大气校正。（三）、多时相影像匹配法 以交大犀浦校区2003年SPOT5多光谱影像中的第3波段（绿波段）影像为参考，采用多时相影像匹配法，对交大犀浦校区2005年SPOT5多光谱影像中的第3波段（绿波段）影像进行相对大气校正。四：实验步骤 （一）、绝对大气校正 1：从QuickBird多光谱影像文件中提取出第1波段影像 启动ERDAS软件在Viewer #1中打开影像：quickbird_multi_2006_xipu..img，在ERDAS软件界面中选择Interpreter Utilities Layer Stack:如图4.1-1

考试遥感数字图像处理理论考试复习题(答案)

第一章 一、名词解释 1.数字图像: 指用计算机存储和处理的图像，是一种空间坐标和灰度均不连 续的、用离散数学表示的图像。 2.遥感数字图像: 是以数字形式表述的遥感图像。不同的地物能够反射或辐 射不同波长的电磁波，利用这种特性，遥感系统可以产生不同的遥感数字图像。 3.像素: 数字图像最基本的单位是像素，像素是A/D转换中的取样点，是计 算机图像处理的最小单元；每个像素具有特定的空间位置和属性特征 4.遥感数字图像处理: 遥感数字图像处理是通过计算机图像处理系统对遥 感图像中的像素进行的系列操作过程。 5.频率域: 频率域基于傅里叶变换，频率域的图像处理是对傅里叶变换后产 生的反映频率信息的图像进行处理。 二、简答 1.怎样理解图像处理的两个观点：离散方法的观点和连续方法的观点 答：（1）离散方法的观点认为，一幅图像的存储和表示均为数字形式，数字是离散的，因此，使用离散方法进行图像处理才是合理的。与该方法相关的一个概念是空间域。空间域图像处理以图像平面本身为参考，直接对图像中的像素进行处理。 （2）连续方法的观点认为，我们感兴趣的图像通常源自物理世界，它们服从可用连续数学描述的规律，因此具有连续性，应该使用连续数学方法进行图像处理。与该方法相关的一个主要概念是频率域。频率域基于傅里叶变换，频率域的图像处理是对傅里叶变换后产生的反映频率信息的图像进行处理。完成频率域图像处理后，往往要变换回到空间域进行图像的显示和对比。 2.遥感数字图像处理需要掌握哪些基本知识： 答：（1）物理学中电磁辐射、光学和电子光学等方面的基本知识； （2）地理学知识是有效利用遥感图像处理技术，认识地球客观世界的基本条件； （3）遥感数字图像处理是信息处理的主要组成部分，只有掌握了信息论的基础和方法，才能保证遥感数字图像处理工作在正确的理论指导下进行； （4）计算机技术和地理信息系统的理论和知识。 三、填空 1.遥感数字图像处理的主要内容包括（图像增强）、（图像校正）、（信息 提取）。 2.图像校正也称图像恢复、图像复原，校正的方法除了图像增强中的一些方 法外，主要包括（辐射校正）和（几何纠正）。 3.遥感数字图像处理系统包括硬件系统和软件系统两大部分，其中硬件系统 主要由计算机、（数字化器）、（大容量存储器）、（显示器）和（输出设备）、操作台。 4.在计算机中，基本的度量单位是（比特(位)）。存储一幅1024字节的8 位图像需要（1MB）的存储空间。一景正常的包括7个波段的LANDSAT5的TM图像文件，至少占用（200MB）的存储空间。

ERDAS遥感图像的辐射校正

遥感图像的辐射校正 实验目的：通过实习操作，掌握遥感图像辐射校正的基本原理和和方法，理解遥感图像辐射校正的意义。 实验内容：ERDAS软件中图像预处理模块下的图像辐射校正。 由于遥感检测系统、大气散射和吸收等原因引起的图像模糊失真、分辩率和对比度下降等辐射畸变，其中，大气散射是图像辐射畸变的主要因素，实验中主要是消除由大气散射引起的辐射误差。 大气校正有两种方法，一种是直方图图，一种是线性回归法。 1、直方图法（注意：是否满足应用该方法的前提条件） 打开TM影像，通过视窗viewer的图标，查找最小灰度值，利用空间建模模块（Modeler）的建模工具（Model Maker）图像象元灰度值减去该最小灰度。 点击modeler → model maker ，打开建模对话框见下图： 双击输入要校正的某一波段的影像，双击输入运算方程式，双击输出校正后的新 图像名称，点击工具栏中的运行图标，计算机自动进行运算。

2、线性回归分析法 在视窗viewer打开要校正的图像，Raster→Profile Tools 弹出对话框，选择spectral→ ok，弹出Spectral Profile对话框如下： 利用Spectral Profile 中的图标选取一系列由暗到亮的目标地物点，在对话框中得到地物点在各个波段的的光谱曲线，通过Spectral Profile对话框菜单栏的viewer → Tabular Data查看地物点在各个波段的的具体光谱灰度值。

利用一系列目标地物点的灰度值建立线性回归方程L b=aL a+b，求出线性方程的常数项a、b，该值b即为大气影响值，在空间建模工具中，图像灰度值减去该值即可消除大气散射对图像影响。