InSAR原理：将SAR影像复数据（幅度+相位）推导出的雷达信号的相位信息作为信息源，进而获取地表的高精度三维信息
通过两副天线同时观测（单轨模式）或两次平行观测（重复轨道模式），获取地面同一景观的复数影像对。
由于目标与天线位置的几何关系，在复图像上产生相位差，形成干涉条纹图（interferogram）。干涉条纹图包含了斜距向上的点与两天线位置之差的精确信息。
利用传感器高度，雷达波长，波束视向及天线基线距之间的几何关系，可以精确地测量出图像中每一点的三维位置。
第五章 遥感图像数字处理的基础知识
? 多波段影像数据常用三种组织方式：
? 波段顺序格式（BSQ，band sequential）
按每次一个波段的方式存储影像的信息。也就是说，首先存储波段 1 中所有像素的数据，然后是波段 2 中所有像素的数据，依此类推。
? 波段按行交叉格式（BIL，band interleaved by line） 数据针对影像的每一行按波段存储像素信息。例如，有一个三波段影像，所有这三个波段的数据将被写入第 1 行，然后是第 2 行，依此类推，直至达到影像的总行数。 ? 波段按像元交叉格式 (BIP，band interleaved by pixel)
数据与 BIL 数据类似，不同之处在于每个像素的数据是按波段写入的。以同一个三波段影像为例，波段 1、2 和 3 中第一个像素的数据将写入第 1 列中，然后是第 2 列，依此类推。
? 位深（理解、会用）
第六章 遥感图像的几何处理
? 遥感图像几何误差的来源 传感器成像方式引起的图像变形 传感器外方位元素变化的影响 地形起伏引起的像点位移 地球曲率引起的图像变形 大气折射引起的图像变形 地球自转的影响
? 几何粗纠正、精纠正
几何粗纠正：也称为粗纠正，基于构像方程进行系统误差的改正。包括：投影中心坐标的测定和解算、卫星姿态角的测定、扫描角的测定
遥感图像的精纠正是指消除图像中的几何变形，产生一幅符合某种地图投影或图形表达要求的新图像。它包括两个环节：一是像素坐标的变换，即将图像坐标转变为地图或地面坐标；二是对坐标变换后的像素亮度值进行重采样。
? 几何纠正的步骤
1.根据图像的成像方式确定影像坐标和地面坐标之间的数学模型。 2.根据地面控制点和对应像点坐标进行平差计算变换参数，评定精度。 3.对原始影像进行几何变换，像素亮度值重采样。
? 控制点的个数及选取原则 先整体后局部 先易后难 顺序布点 均匀布点
同名地物、相对稳定的特征点、边廓点 数量：理论值的6-10倍
? 灰度重采样方法
校正前后图像的分辨率变化或像元位置相对变化引起输出图像阵列中的同名点灰度值变化。坐标值不为整数的像元灰
度值取决于周围阵列点上像元的灰度值对其所作的贡献。
最邻近插值法（Nearest Neighbor Interpolation）：距离实际位置最近的像元的灰度值作为输出图像像元的灰度值。 特点：方法简单易用，计算量小，在几何位置上精度小于0.5个像元，但处理后图像的亮度具有不连续性，会产生锯齿（blocky）现象。
双线性插值法（Bilinear Interpolation）：其核心思想是依次在三个方向上执行线性插值。作为一个整体，其是二次的。 特点：图像亮度连续，几何上较精确，但具有低通滤波的性质，使图像变得模糊。 双三次插值法（Bicubic Interpolation）：用一个三次重采样函数来近似表示sinc函数。 特点：图像量度连续，几何精度高，较好的保留高频部分。但计算量大。
? 常用的几何纠正方法有哪些
目前常用的纠正方法有多项式法、共线方程法和有理函数模型等。
第七章 遥感图像的辐射处理
? 遥感图像辐射误差的来源及组成 1.传感器本身的性能引起的辐射误差；
2.地形影响和光照条件的变化引起的辐射误差；
3.大气的散射和吸收引起的辐射误差（大气校正）。
? 辐射校正、辐射定标、大气校正概念及关系
辐射校正（Radiometric correction）：指消除或改正遥感图像成像过程中附加在传感器输出的辐射能量中的各种噪声的过程。
辐射定标（Radiometric calibration）：指传感器探测值的标定过程方法，用以确定传感器入口处的准确辐射值。 大气校正：太阳高度角、地形引起的辐射误差校正
广义上，通过消除大气影响获得真实的地表反射率、辐射率及地表温度等物理参数的过程都叫大气校正。
? 大气校正的方法主要有哪些？
基于辐射传输模型（Radiative transfer models）的方法
暗像元法（Dark Object Subtraction technique，DOS；Dark target approach） 不变目标法（Invariable-object methods） 直方图匹配法（Histogram match methods）
其它方法，如大气阻抗植被指数法（Atmospherically resistant vegetation index，ARVI）、综合大气校正等
? 遥感卫星辐射校正场及其选择标准 高度的空间均一性（相对像元大小）；
应位于一个足够大的区域的中心，以适应大量像元的采样，并最小化（由于光从外部目标区域的散射产生的）大气临近效应的影响；
表面反射率应当大于0.3，以提供更高的信噪比，并减少由于大气程辐射引起的不确定性； 高度的光谱均一性，有助于减小地面光谱与卫星传感器光谱之间错误匹配的影响；
地表特性（反射率、双向散射分布函数、光谱）应当是不随季节变化的，具有时间上的稳定性，这意味着这样的区域必须是无植被或少植被、无雪或少雪、无云天气较多，干旱区域往往更可能满足这样的条件； 区域表面尽可能平面，并接近朗伯体表面；
海拔至少1km（减少大气气溶胶的量并避免因预测气溶胶垂向分布带来的不确定性），远离海洋（减少大气中水汽的影响），远离城市和工业区（减少人为气溶胶的影响）。
? 直方图
直方图：数字图像中各灰度级与其出现的频数间的统计关系，可表示为：
? 根据直方图进行图像增强的原理（理解、会用）
图像增强：不考虑图像降质的原因，根据具体的应用目的，采用一系列技术有选择地突出感兴趣的信息，同时抑制不需要的信息，以改善图像的视觉效果，更适于人机分析和处理，增强图像的解译力。
? 直方图均衡化原理及步骤
直方图均衡化：通过原始图像的灰度非线性变换，使其直方图变成均匀分布，以增加图像灰度值的动态范围，从而达到增强图像整体对比度的目的，使图像变清晰。变换后的图像在每个灰度级上都具有大致相同的像元数目。
? 图像融合
图像融合是指将多源信道所采集到的关于同一目标图像数据的有利信息综合到一幅图像中的图像处理技术。
? 图像融合的方法有哪些？常用图像融合方法（PCA、小波、IHS）的原理。
方法：加权融合、基于IHS变换的图像融合、基于主成分变换的图像融合、基于小波变换的图像融合、比值变换融合 乘积变换融合、基于特征的图像融合、基于分类的图像融合 PCA原理 ：基于主成分变换的图像融合。 方法一：
对多光谱图像的多个波段进行主分量变换（Principal Component Transformation）；
将高分辨率图像和主成分第一分量进行直方图匹配，使高分辨率图像与主成分第一分量图像有相近的均值和方差； 用直方图匹配后的高分辨率图像代替第一主成分进行主成分逆变换（inverse principal components transformation）。 方法二：
将高分辨率图像作为一个波段和多光谱图像组合在一起进行主成分变换，变换后图像信息的再分配达到高分辨率图像和多光谱图像的融合。
基于IHS变换的图像融合原理：对于遥感图像，IHS具有明确的物理含义：①亮度intensity主要表现的是图像空间结构的信息，由图像的地物反射能力决定；②色度H是指组成色彩的主波长，由红绿蓝三色的比重决定；③饱和度是颜色的纯度饱和度，表示的是相对中性灰度而言的颜色的纯度，即颜色的鲜艳度，它与色度合称为色品，主要反映地物的光谱信息。
据此，通过将多光谱图像变换到IHS空间中，得到亮度分量I和表征色品信息的H和S分量，保持包含光谱信息的H、S不变，将I分量替换成描述空间细节能力更好的全色图像，然后进行反变换可以得到光谱信息和空间细节信息都较好的融合图像。
IHS变换将图像处理常用的RGB彩色空间变换到IHS空间。
IHS空间用亮度（Intensity）、色调（Hue）、饱和度（Saturation）表示。
IHS（亮度Intensity、色度Hue、饱和度Saturation）变换可以把图像的亮度、色调和饱和度分开，图像融合只在强度通道上进行，图像的色调和饱和度保持不变。
待融合的全色图像和多光谱图像进行几何配准，并将多光谱图像重采样与全色分辨率相同； 将多光谱图像变换转换到IHS空间；
对全色图像和IHS空间中的亮度分量I进行直方图匹配；
用直方图匹配后的全色图像代替IHS空间的亮度分量，即IHS→I’HS； 将I’HS逆变换到RGB空间，即得到融合图像。
基于小波变换的图像融合举例：假如有一幅5m分辨率的全色影像，一幅40m分辨率的多光谱影像。前者具有更高的空间分辨率，后者具有更高的光谱分辨率。因此，可以将从5m分辨率的全色影像中获取的高通信息（high-pass information）与40m分辨率的多光谱影像融合，以获得5m分辨率的多光谱影像。
利用小波变换，可以将5m分辨率的全色影像经过几次迭代，生成40m分辨率的低通影像（近似分量）和一些对应的高通影像（细节分量）。然后，将40m分辨率的低通影像用40m分辨率的多光谱影像来代替，执行小波逆变换，就可以得到5m分辨率的多光谱影像。
需要注意的是，高空间分辨率的影像为单波段影像，因此替代影像也必须是单波段的。为此，可以利用IHS变换得到的I分量、PCA得到的第一主成分或者直接提取单一波段的方法来完成。
? NDVI
NDVI（Normalized Difference Vegetation Index）归一化植被指数，又称标准化植被指数，在使用遥感图像进行植被研究以及植物物候研究中得到广泛应用，它是植物生长状态以及植被空间分布密度的最佳指示因子，与植被分布密度呈线性相关。
-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大。
第八章 遥感图像判读
? 遥感图像解译
遥感图像解译（Interpretation）：从影像识别地物及其属性的过程。
根据各行业的要求，借助一定的技术手段和方法，通过对遥感影像进行综合分析、比较、推理和判断，从而识别出所需要的地物或测算出某种数量指标的过程。
? 常用的解译标志有哪些？
直接解译标志包括色调、颜色、形状、大小、阴影、位置、图型、相关布局。 间接解译标志：位置、相关布局
第九章 遥感图像分类
? 图像分类的依据
1.Make sense of a landscape（Place landscape into categories (classes)、Forest, Agriculture, Water, etc） 2.Provide context（Landscape planning or assessment、Research projects） 3.Drive models（Global carbon budgets、Meteorology、Biodiversity）
? 特征空间、图像空间、光谱空间
? 特征变换、特征选择
特征选择（Feature Selection）：从原始特征中挑选出一些最有代表性、可分性能最好的特征来。
特征变换（Feature Transformation）：希望通过变换消除原始特征之间的相关或减少冗余，得到新的特征。
? 主成分变换为什么能起到降维的作用？其原理是什么？ ? 缨帽变换的原理
? 非监督分类的原理（K-mean、ISODATA）
非监督分类也称聚类或聚类分析（clustering analysis）。
基本原理：首先选择若干个模式点作为聚类中心。每一中心代表一个类别，按照某种相似性度量方法（如最小距离方法）将各模式归于各聚类中心所代表的类别，形成初始分类。然后由聚类准则判断初始分类是否合理，如果不合理就修改分类，如此反复迭代，直到合理为止。
K-均值聚类算法：利用一定的方法选取k个样本点为初始聚类中心； 按照最近邻规则，将所有待分类像元分配到各聚类中心所代表的类别；计算各类的重心（均值向量），并令重心作为新的聚类中心；重复步骤 2、3 步直到聚类中心不再变化；迭代结束，得到K个类别。
ISODATA（Iterative Self-Organizing Data Analysis Techniques Algorithm）算法也称为迭代自组织数据分析算法。
ISODATA 算法是在k-均值算法的基础上，增加对聚类结果的“合并”和“分裂”两个操作，并设定算法运行控制参数的一种聚类算法。“合并”操作：当聚类结果中某一类像元数太少，或两个类间的距离太近时，进行合并。“分裂”操作：当聚类结果中某一类样本的某个特征方差太大，进行分裂。
? 监督分类的原理和步骤 步骤：
? 混淆矩阵、分类精度量度指标（总体精度、错分误差、漏分误差、制图精度、用户精度、Kappa系数） 混淆矩阵：主要用于比较分类结果和地表真实信息（或训练样本），可以把分类结果的精度显示在一个混淆矩阵里面。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。
有像元数和百分比两种表示方式。
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。
错分误差（Errors of Commission）：指被分为用户感兴趣的类别，而实际属于其它类的像元。它显示在混淆矩阵的行中。
漏分误差（Errors of Omission）：指本身属于地表真实类别，但没有被分类器分到正确类别中的像元数。它显示在混淆矩阵的列中。
制图精度（Producer Accuracy）：指分类器将整个影像的像元正确分为A类的像元数（对角线值）与A类真实参考总数（混淆矩阵中A类列的总和）的比率。
用户精度（User Accuracy）：指正确分到A类的像元总数（对角线值）与分类器将整个影像的像元分为A类的像元总数（混淆矩阵中A类行的总和）比率。
Kappa Coefficient：统计意义上反映分类结果在多大程度上优于随机分类结果，可以用于比较两个分类器的误差矩阵是否具有显著差别。它是通过把所有地表真实分类中的像元总数乘以混淆矩阵对角线的和，再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，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。
N?XKK??XK?X?K Kappa?KK2N??XK?X?K
K
【遥感原理与应用】复习资料期末考试整理
