遥感地质学实验题答案

非线性拉伸的作用是什么？

地物的光谱特性一般以图像的形式记录下来，地面反射或发射的电磁波信息经过地球大气到达遥感传感器，传感器根据地物对电磁波的反射强度以不同的亮度表示在遥感图像上。遥感传感器记录地物电磁波的形式有两种：—种以胶片或其他的光学成像载体的形式．另一种以数字形式记录下来，也就是所谓的光学图像和数字图像的方式记录地物的遥感信息。

遥感图像处理大概有遥感图像的几何处理和辐射处理，几何处理包括图像的粗加工和精纠正，图像间的自动配准和数字镶嵌等等；辐射处理包括图像的辐射定标、辐射校正，辐射增强，图像平滑、锐化，图像融合等等。

分段线性拉伸属于图像增强，是为了突出感兴趣的目标或灰度区间，相对抑制那些不感兴趣的灰度区间。常用是三段线性变换，即对一个灰度区间进行线性拉伸，其他的区间被压缩。

直方图匹配的作用是什么？

直方图匹配就是修改一幅图像的直方图，使得它与另一幅图像的直方图匹配或具有一种预先规定的函数形状，目的突出我们感兴趣的灰度范围，使图像质量改善。

直方图匹配的目标

：①图像镶嵌中图像的灰度调节,通过直方图匹配使相邻两幅图像的色调和反差趋于相同。②多时相图像处理中以一个时相的图像为标准,调节另一幅图像的色调与反差,以便作进一步的运算。③以一幅增强后色调和反差比较满意的图像为标准,对另一幅图像作处理,期望得到类似的结果。

主成分变换的作用是什么？

是基于变量之间的相关关系，在尽量不丢失信息前提下的一种线性变换的方法，主要用于数据压缩和信息增强。在遥感软件中，主成分变换常被称为K－L变换对多波段遥感影像处理过程中具有降维、压缩、影像增强的作用,也可利用其对多时相数据进行处理以自动发现精度不错的土地利用变化信息

IHS变换的作用是什么？

HIS彩色变换：通过构建H（色调）、I（强度）、S（饱和度）模型来进行的彩色变换

1）进行不同分辨率的图像的融合：HIS中，I成分控制着图像的亮度。将低分辨率图像变换到HIS彩色空间，将I成分用高分辨率图像中的某个波段替换，然后进行彩色逆变换，可以

达到数据融合的目的。

（2）增强合成的图像的饱和度：图像的饱和度不足，图像不鲜艳，不容易区分图像中的细节。将数据从RGB彩色空间变换到HIS彩色空间，然后对S成分进行拉伸增强后，再变换到RGB彩色空间显示，可以提高图像的饱和度。

（3）通过对强度I成分的处理进行图像的增强：强度I成分集中了图像中的一些信息，单独对此成分进行增强，再做逆变换，可以获得其它方法无法达到的效果，例如，对于云或雾的去除等。

（4）多源数据的综合显示：随着工作的积累，在同一地区往往积累了不同传感器的遥感数据。通过将这些数据的波段分别赋予HIS，然后逆变换作彩色显示，可以获得较好的效果。

（5）其他应用：对色调进行分段扩展，以突出某一色调或加大某一范围内的色调之间的差异；色调不变，将亮度和饱和度置为常数，以突出地物色调在空间上的分布；将强度置为常数，色调和饱和度不变，可以减少地形起伏的影响，突出阴影部分的地物信息。

非监督分类与监督分类的原理是什么？

（一）监督分类 监督分类又称训练场地法或先学习后分类法。它是先选择具有代表性的 典型试验区或训练区，用训练区中已知地面各类地物样本的光谱特征来“训 练”计算机，获得识别各类地物的判别模式或判别函数，并依此模式或判别 函数，对未知地区的像元进行处理分类，分别归入到已知的类别中，达到自 动分类识别的目的。

监督分类的流程框图如图 7-16 所示。具体方法是：

1.选择有代表性的典型训练场地，或在遥感图像上圈出已知地物分布的 范围界线。例如：现有已知地物 M1、M2、M3。

2.对已知训练区的已知地物样本的光谱特征或已知地物所有像元各波段 的数值（亮度值）进行统计，提取各地物类别的数值特征。例如：各类型地 物不同波段的均值、标准差（或称方差）等，若用三个波段表示，则有如下 形式：

?M 11，S11

M1 ?M 12 ，S12

? M 21，S21

M2 ? M 22 ，S22

?M 31，S 31

M3 ?M 32 ，S 32

M13 ，S13

M23，S 23

M 33，S 33

（ik 为各类别的均值，Sik 表示各类的标准差；其下标 i=1，2，3，?，

表示类型，k 表示波段，k=1，2，3，?。）

3.确定分类判别函数，即选择和确定分类的方法，以使计算机能按确定 的程序进行分类。分类的方法很多，例如：最小距离法、相似判别法等，可 根据具体情况选择。

4.分类参数、阈值的确定。由于像元数值的随机性，各类地物像元数值 的分布都是围绕一个中心特征值，散布在空间的一定范围内。为此，在分类 判别前必须确定出各类地物的中心特征值（参数）及其分布范围界线——类 型阈值大小。例如：可将地物各波段均值所在的空间位置作为类型的中心特

征值；相应波段的标准差（即 t·Sik）作为类别的阈值，限定类型的分布范

围。这样就构成了一个“分类器”。

5.分类。利用“分类器”进行分类，即根据选定的分类方法，以及确定

的分类参数和阈值进行分类。例如：将输入的像元数值与各类型的中心特征 值比较，并按所确定的阈值，把像元归入到最相近的类别空间里，并赋于新 值，完成像元分类。

6.检验。是指对“分类器”分类精度的检验。即统计“分类器对已知样 本像元的分类精度（已知样本像元错分率）。若不合格，则返回 4 或 3 中，

重新调整各类阈值（tSik）或重新确定分类参数，直到“分类器”分类精度

达到要求为止。这样，经已知样本反复“训练”所构成的“分类器”即认为 调整好。

7.输入未知像元。利用已调整好的“分类器”分类，将未知像元归入到 各类别中，输出分类图像。

获得的分类图像要拿到实地或对照地面已知资料进行检验，检查和评价 分类的精度和效果，总结经验，不断提高分类处理的质量和水平。

监督分类简单实用，但在处理分类前必须确定好已知地物样本的分类特 征及其参数。这是分类成败的关键。已知样本分类特征及其参数的确定要有 代表性，要有足够的样本（或像元）作为统计的基础。此外，由于环境的变 化及其复杂性，以及干扰因素的多样性和随机性，由训练场地已知样本所获 得的分类特征及其参数，只能代表一定时间和具体地域的情况，不能无条件 地推广。若地区情况或环境条件变化，应该另选训练场地，以免造成较大的 误差或误判。

（二）非监督分类

非监督分类又称边学习边分类法。它直接对输入的数字图像像无数值（亮 度值）进行统计运算处理，分别将每个像元归纳到由图像各波段构成的多维 空间中的集群中，达到分类识别的目的。例如，一幅陆地卫星 TM 图像有六个 波段（不包括 TM6 波段），图像中的每个像元即由这六个波段（TM1，3，4，5，

7，）构成的六维空间中有一确定的点与之对应。由于同一类型的地物有着相

近似的光谱特性，这样相同性质的像元点就汇集在空间中的一定范围的区域 内，形成点的集群。不同类型的地物，则在空间中的不同地域形成集群。如

图 7-17，是由 TM2、TM3 和 TM4 三个波段构成的三维空间，A、B、C 分别为三

种不同类型的地物汇集的集群。显然，可以通过采用数理统计或其它数学处 理方法，将各集群的空间分布状态、范围界线等参数定量地确定，归纳成一 定的数学模式或判别函数，用来区分和识别每一像元的属性，自动地进行分 类处理。

非监督分类的方法很多，图 7-18 是非监督分类的流程框图，从框图中 不难看出：非监督分类时“分类器”是经反复修定、调整逐步逼近形成的， 即通常采用迭代的方法构成。处理时，只在选定分类方法，设定分类集群数 目，以及在迭代过程中决定是否中止过程时，

人为地干预处理外，人为的干 扰很少。因此，非监督分类客观而真实，特别适用于对工作地区了解较少或 已知资料不多时，对遥感图像的分类。

非监督分类的成果最终也要到实地去检验验证。核对各个集群所对应的 地物类型，检查评价分类的精度。

四、遥感数字图像处理设备

进行各种遥感数字图像处理一般都是在专门的数字图像处理系统中进

行。图 7-19 是数字图像处理系统的基本配置框图。从图中可见，图像处理系 统除了一些特殊设备，如数字化仪、扫描仪等设备外，本身就是个计算机系 统。因此，在一般配置较齐全的通用计算机上，只要有相应的图像处理软件 或程序，同样可进行各种数字图像处理。特别是近几年来，微型计算机的发 展以及功能的不断扩展，使以微型计算机为主机的图像处理工作普遍地开展 起来，为广泛深入地开展遥感数字图像处理及应用，创造了有利条件和环境。

监督分类是基于我们对遥感图像上样本区内地物类别一致，于是可以利用这些样本类别的特征作为依据来识别非样本数据的类别。

监督分类的思想是：首先根据一致的样本类别和类别的先验知识，确定判别函数和相应的判别准则，其中利用一定数量的已知类别的样本的观测值求解待定参数的过程称之为学习或训练，然后将位置类别的样本的观测值带入到判别函数，在依据判别准则对样本的所属类别做出判定。然后计算每一类别对应的判别函数总各个参数，监督分类意味着对类别已有一定的先验知识。

2.1 . 非监督分类法：

非监督分类（Unsupervised Classification）运用ISODATA（Tlerative Self-Organizing Data Analysis Technique）算法，完全按照象元的光谱特性进行统计分类，对分类区不了解时常使用这种方法。使用改方法时，原始图像的所有波段都参与分类运算，分类结果往往是各类象元数大体等比例。非监督是仅凭遥感图像地物的光谱特征的分布规律，随其自然地进行分类，由于人为干预较少，非监督分类过程的自动化程度较高。其分类的结果，只是对不同类别达到了区分，但并不确定类别的属性，其类属是通过事后对各类的光谱响应曲线进行分析，以及与实地调查时间相比较后确定的。非监督分类一般要经过以下几个步骤：初始分类、专题类别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换以及统计分析。非监督分类的主要算法有混合距离法、循环集群法(ISODATA)和合成序列积群方法等，这里常用的循环集群法。

2.2 . 监督分类法：

监督分类（Supervised Classification）又称训练区分类。它是从已知训练样区得出实际地物的统计。然后再用这种统计资料作为图像分类的判别依据，并依一定的判别准则对所有图像像元进行判别处理，使得具有相似特征并满足一定识别规则的像元归并为一类。在训练区信息提取中，由于训练样区所提供的判别资料是与一定的地物相对应，则计算机便将满足该类条件的像元识别为与训练样区相一致的地物，从而完成对整幅图像的处理。它实质上就是依据所建立的分类模板、在一定的分类决策规则条件下，对图像像元进行聚类判断的过程。是一种常用的精度较高的统计判决分类，在已知类别的训练场地上提取各类训练样本，通过选择特征变量、确定判别函数或判别规则，从而把图像中的各个像元点划归到各个给定类的分类方法。在监督分类过程中，用于分类决策的 规则是多类型、多层次的。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模板、评价模板、确定初步分类结果、检验分类结果、分类后处理、分类特征统计、栅格矢

量转换。非监督分类的主要算法有最大似然法、Mahalanobis距离法、最小距离法，这里常用的最大似然法。

二者区别是什么？

非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭数据遥感影像地物的光谱特征的分布规律，即自然聚类的特性，进行“盲目”的分类；其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性；其类别的属性是通过分类结束后目视判读或实地调查确定的。非监督分类也称聚类分析。一般的聚类算法是先选择若干个模式点作为聚类的中心。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，如此反复迭代运算，直到合理为止。

与监督法的先学习后分类不同，非监督法是边学习边分类，通过学习找到相同的类别，然后将该类与其它类区分开，但是非监督法与监督法都是以图像的灰度为基础。通过统计计算一些特征参数，如均值，协方差等进行分类的。所以也有一些共性，下面介绍几种常用的非监督分类方法。

前面所述内容主要为分类前的预处理。遥感图像自动识别分类的最终目的是让计算机识别感兴趣的地物，并将识别的结果输出及识别正确率的评价。预处理工作结束后，就将参与分类的数据准备，接下来的工作就是从这些数据提供的信息中让计算机“找”出所需识别的类别方式有两种：一种就是监督分类法；另一种称为非监督分类法。这节先介绍监督分类法。

如果我们事先已经知道样区类别的信息，这种信息可以通过对待分类地区的目视判读，实地勘查或结合GIS信息获得。又例如一幅卫星影像，我们还可以通过目视判读得到水体所占整个图像比例的信息，这时我们就有了水体的先验知识。在这种情况下对非样本数据进行分类的方法称为监督分类。监督分类是基于我们对遥感图像上样本区内地物的类属已知，于是可以利用这些样本类别的特征作为依据来识别非样本数据的类别。

监督分类的思想是：首先根据已知的样本类别和类别的先验知识，确定判别函数和相应的判别准则，其中利用一定数量的已知类别函数中求解待定参数的过程称之为学习或训练，然后将未知类别的样本的观测值代入判别函数，再依据判别准则对该样本的所属类别作出判定。在进一步讨论之前，我们先对判别函数和判决规则进行说明。

计算机分类的缺点是什么？就你今天所作的，举出分类不准的几个实例

1） 使影像模糊，分辨力下降；（2）使类别空间边界上混类现象严重；（3）计算时间将花得更多。 从上一节中可知，监督分类与非监督分类各有其优缺点。实际工作中，常常将监督法分类与非监督法分类相结合，取长补短，使分类的效率和精度进一步提高。基于最大似然原理的监督法分类的优势在于如果空间聚类呈现正态分布，那么它会减小分类误差，而且，分类速度较快。监督法分类主要缺陷是必须在分类前圈定样本性质单一的训练样区，而这可以通过非监督法来进行。即通过非监督法将一定区域聚类成不同的单一类别，监督法再利用这些单一类别区域“训练”计算机。通过“训练”后的计算机将其它区域分类完成，这样避免了使用速度比较慢的非监督法对整个影像区域进行分类，使分类精度得到保证的前提下，分类速度得到了提高