.遥感数字图像变 图像变换指的是将图像从空间域转换到变换域例如频率域的过程。进行图像变换的目的就是为了使图像的处理过程简化。作用：通过图像变换简单而有效的实现增强处理通过图像变换可以对图像进行特征抽取
快速傅立叶变换 目的 进行数据压缩、图像的增强、特征提取 方法 信号处理中的频率域分析方法
步骤 选择适当的变换函数 进行傅里叶变换 分析变换的结果 进行傅里叶逆变换
K－L变换 目的 减少图像波段之间的相关性，去除多余的信息，减少图像的数据量
方法 统计学中的正交变换方法
步骤 进行数据统计 进行主成分分析 进行旋转变换和逆变换 K－T变换 目的 分离和消除干扰信息 突出研究的专题信息 方法 几何中的坐标旋转方法
步骤 作两个波段的散点图 分析灰度值的变换特点 反差增强 图像反差增强又称对比度增强
灰度拉伸根据原图像的直方图确定需要做拉伸变换的灰度值区间，然后把这一（或一些）灰度值区间按某种直线或曲线方程关系拉伸或压缩而成为变换后的灰度值区间
直方图线性拉伸 直方图分段线性拉伸 非线性拉伸变换 遥感数字图像处理
直方图均衡化 变换后的直方图接近均匀分布。即图象中每一灰度级的像元数目大致相同。
16
使得面积最大的地物细节得以增强，而面积小的地物与其灰度接近的地物进行合并，形成综合地物。减少灰度等级换取对比度的增大。 直方图匹配 将原始图象转换为给定直方图的图象
各种拉伸以后虽然对于感兴趣的地物提高了分辨能力，但同时也造成了信息损失。
空间域图像增强空间域图像增强处理是应用某种数学模式直接改变图像像元灰度值的变换。这种变换与像元的坐标无关，只改变像元点的灰度深浅程度。即改变了图像的对比度，这样图像中的某些信息被突出（可能也有些信息被压抑了）达到了图像增强的目的 。 可分为单点处理和邻域处理 边缘增强
突出目标的轮廓或边缘信息，主要是通过微分法实现的 梯度法和拉普拉斯算子法 平滑滤波
低频增强的空间域滤波技术。它可以滤掉由于孤立的单点噪声而引起的灰度偏差
中值滤波 定向滤波
频率域图像增强高通滤波（锐化）低通滤波（平滑）带通滤波（突出地物）同态滤波（改善图像质量）
代数运算增强 差值运算 利用不同地物之间光谱的特征有利于突出目标与背景反差小的信息红外波段-红波段，突出植被比值运算 ,两个波段的比值
17
目的 减轻地形的干扰 扩展地物，特别是植被间的光谱差异 抑制大气的影响
减少了数据之间的相关性
彩色图像增强
①假彩色密度分割将灰度按照指定的间隔分割为不同的级，对新的密度分级分别赋予不同的颜色②彩色增强在一个输入像元的灰度级上分别进行三个独立的色变换在显示屏幕上产生一个彩色合成图像。从而达到明显的分辨和识别效果 ③假彩色合成目的 综合不同波段的特征，突出研究对象的差异 原则 信息量最大 相关性最小 差异最大 方法 信息量分析 相关分析 方差分析 其他
遥感数据融合实质在统一地理坐标系中将对同一目标检测的多幅遥感图像数据采用一定的算法，生成一幅新的、更能有效表示该目标的图像信息 原理及过程 预处理,主要包括遥感影像的大气校正、辐射校正及空间配准 数据融合 根据融合目的和融合层次智能地选择合适的融合算法，将空间配准的遥感影像数据（或提取的图像特征或模式识别的属性说明）进行有机合成，得到目标的更准确表示或估计
数据融合分类 像元级融合 像元级融合是一种最低水平的融合
特征级融合 特征级融合是一种中等水平的融合 决策级融合 决策级融合是最高水平的融合
数据融合方法IHS变换、代数法 、Brovey变换、图像回归法、主成分变换（PCT）、小波变换等
遥感数字图像分析图像理解 从图像中提取有用信息的过程 包括 图像分类 图像分割 特征分析
18
输出 内容明确的数据或图形图像
特点 以具体的知识和目的为基础，结果更接近于解释的成果和实际的应用 遥感图像分类技术
原理 同类地物在相同的条件下（光照、地形等）应该具有相同或相似的光谱信息和空间信息特征。不同类的地物之间具有差异
同类地物的像元在数目较大时，其特征量的分布类型接近正态分布
方法 利用像素的灰度值之间的关系，综合考虑矢量数据，考虑属性数据。对像素的进行分类
以随机变量的统计分析为基础
特点 多变量的图像分类 分类在一定的比例尺上进行
原则 多变量综合考虑 在特征空间的位置可以用均值表示，离散程度可以用方差表示
分类的实质是将特征空间分为若干子区域，每个子区域为一类 指标（特征） 波段 其他属性 地形特征 调查数据
统计量 均值 方差 距离度量 离差平方和
非监督分类 特征空间识别法 系统聚类法 分裂法(isomix) 动态聚类法 影响结果的主要因素 选择的距离 聚类方式
特点 需要较少的人工参与 结果不依赖于统计参数 对于非正态分布的数据可以得到较好的结果 不适合同谱异物的数据 结果的稳定性较低 结果可以作为监督分类的参考
数字图像分类新技术 人工神经网络分类法 模糊分类法 亚像元分类法(subpixel classification) 其他分类法
19
遥感图像信息定量反演方法辐射传输模型（RT模型)几何光学模型（GO模型)几何光学—辐射传翰混合模型(GORT混合模型)计算机模拟模型
第四章-------植被遥感
植被是生长于地球表层的各种植物类型的总称，在地球系统中扮演着重要的角色，它是地球表层内重要的再生资源。 植被遥感研究的主要内容
（1）通过遥感影像从土壤背景中区分出植被覆盖区域，并对植被类型进行划分，区分是森林还是草场或者农田，进而可以问是什么类型的森林，什么类型的草场，什么样的农作物，如此等等。
（2）能否从遥感数据中反演出植被的各种重要参数，例如叶面积指数（LAI）、叶子宽度、平均叶倾角、植被层平均高度、树冠形状等等，这一类问题属于更深层次的遥感数据定量分析方法与反演技术。
（3）能否准确的估算出与植被光合作用有关的若干物理量，例如植被表面水分蒸腾量、光合作用强度（干物资生产率）、叶表面温度等。
植被遥感不仅依赖于对单张植物叶片的光谱特性，还需进一步认识植被冠层的光谱特性。
单张叶片光谱特性及影响因素 1、植物叶片结构
叶片是绿色植物的主要受光面积，也是遥感传感器所接收到的植被信号的主要贡献者。分为异面叶和等面叶两种。
异面叶的叶肉组织有较大分化，形成栅栏组织和海绵组织，故叶片上下面的受光情况不同，上呈深绿色，下呈淡绿色。
20
遥感地学分析总结
