发布时间 : 星期三 文章遥感技术应用考试复习资料更新完毕开始阅读
3.图像滤波
（1）图像平滑：领域滤波、中值滤波、梯度倒数加权、高斯低通滤波 去噪，突出主体
（2）图像锐化：罗伯特算法、sobel算子、拉普拉斯算子 强化边缘信息
（3）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）
4.图像融合：在同一坐标系中将对同一目标的多幅遥感图像数据采用一定的算法，生成一副新的、更能有效表示该目标的图像。
（1）数据融合分类：像元级融合；特征级融合、决策级融合
（2）数据融合方法：HSI；代数法、图像回归法、主成分变换（PCT）、小波变换
4.图像分类
（1）原理：同类地物在相同的条件下（光照、地形等）应该具有相同或者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的时候，其特征量的分布类型接近正态分布。
（2）方法：基于特征值的相似性准则对像素进行合并的过程 （3）分类方法：
监督分类：最大似然法、最小距离法
非监督分类：特征空间识别法、系统聚类法、分裂法、动态聚类法
数字图像分类新技术：人工神经网络分类法、模糊分类法、亚像元分类法等 5.定量反演（较感兴趣） （1）反演的原理：
统计模型、物理模型、半经验模型
（2）方法：辐射传输模型（RT模型）、 几何光学模型（GO模型）
几何光学--辐射传输混合模型（GORT混合模型） 计算机模拟模型。
植被指数
选用多光谱遥感数据经分析运算，产生某些对植被长势、生物量等有一定指示意义的数值。
1、RVI比值植被指数
RVI=NIR/R，或两个波段反射率的比值。 2、NDVI归一化植被指数
NDVI=(NIR-R)/(NIR+R)，或两个波段反射率的计算。 3、GVI绿度植被指数
k-t变换后表示绿度的分量。 4、PVI垂直植被指数
在R-NIR的二维坐标系内，植被像元到土壤亮度线的垂直距离。PVI=((S R-VR)2(SNIR-VNIR)2)1/2，S是土壤反射率，V是植被反射率。
5、SAVI土壤调节植被指数
Huete（1988）基于NDVI和大量观测数据提出土壤调节植被指数用以减小土壤背景影响。
6、DVI差值环境植被指数
DVI=NIR-R，或两个波段反射率的计算。
小结：上述几种VI均受土壤背景的影响大。植被非完全覆盖时，土壤背景影响较大
归一化植被指数
反映土地覆盖植被状况的一种遥感指标，定义为近红外通道与可见光通道反射率之差与之和的比值。
归一化植被指数是反映农作物长势和营养信息的重要参数之一。根据该参数,可以知道不同季节的农作物对氮的需求量, 对合理施用氮肥具有重要的指导作用。1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等；
2、-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；
3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度；
4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗糙度等，且与植被覆盖有关；
NDVI的获取
一方面，可以在NASA的官方网站上直接下载成品数据
另一方面，可以下载遥感影像，根据NDVI=(NIR-R)/(NIR+R)进行波段运算 由于NDVI可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件有关辐照度的变化，增强了对植被的响应能力，是目前已有的40多种植被指数中应用最广的一种。
影像分辨率及校正
1、遥感影像的四种分辨率：空间分辨率，时间分辨率，光谱分辨率，辐射分辨率。
2、遥感图像校正
（1）辐射校正：消除传感器、大气、地形、太阳高度角等引起的光谱亮度失真。
传感器校正 大气校正
太阳高度角和地形引起的畸变校正
（2）几何校正：消除由遥感系统或卫星飞行姿态、轨迹、高度以及地球自转等引起的几何位置畸变。
选择地面控制点 选择空间变换函数
重采样和内插
遥感农作物估产 基本原理
农作物估产是指根据生物学原理，在收集分析各种农作物不同生育期不同光谱特征的基础上，通过平台上的传感器记录的地表信息，辨别作物类型，监测作物长势，并在作物收获前，预测作物的产量的一系列方法。它包括作物识别和播种面积提取、长势监测和产量预报两项重要内容。
2提取信息方法
（1）农作物识别——不同物体的波谱特性不同，利用卫星照片可以区分出农田和非农田、同种作物和非同种作物。用可见光和近红外波段的差值可区分农作物与土壤和水体。识别作物类型，一方面可以根据近红外波段反射率的差别，主要是因为不同作物叶片的内部结构不同；另一方面是利用多时相遥感。不同作物的播种、生长、收割的时间不同，利用遥感信息的季节、年度变化规律，结合区域背景资料，可以有效地识别作物。
（2）农作物长势及灾害监测——作物长势定义为包括个体和群体两方面的特征，叶面积指数LAI是与作物个体特征和群体特征有关的综合指标，可以作为表征作物长势的参数。利用红波段和近红外波段的遥感信息，得到的归一化植被指数(NDVI)与作物的叶面积指数(LAI)和生物量呈正相关，可以用遥感图像获取作物的NDVI曲线反演计算作物的LAI，进行作物长势监测，
（3）作物种植面积的提取——方法主要有以下四种：
1）航天遥感方法。包括卫星影像磁带数字图象处理方（一般精度较高）和绿度---面积模式。
2)航空遥感方法。可进行总面积的测量、作物分类及测算分类面积。 3)遥感与统计相结合的方法。此方法是由美国农业部统计局在原面积抽样统计估产的基础上发展起来的,其原理是利用遥感影像分层，再实行统计学方法抽样。
4)地理信息系统(GIS)与遥感相结合方法。此方法是在地理信息系统的支持下，利用遥感信息，对不同农作物的种植面积进行获取。
（4）作物产量估算——遥感估产是基于作物特有的波谱反射特征，利用遥感手段对作物产量进行监测预报的一种技术。利用影像的光谱信息可以反演作物的生长信息(如LAI、生物量)，通过建立生长信息与产量问的关联模型(可结合一些农学模型和气象模型)，便可获得作物产量信息。在实际工作中，常用植被指数作为评价作物生长状况的标准。
大气窗口
电磁波通过大气层较少被反射、吸收和散射的那些透射率高的波段称为大气窗口。通常把太阳光透过大气层时透过率较高的光谱段称为大气窗口。大气窗口
的光谱段主要有：
微波波段（300~1GHz/0.8~2.5cm） 热红外波段（8~14um） 中红外波段（3.5~5.5um）
近紫外、可见光和近红外波段（0.3~1.3um,1.5~1.9um）。
大气窗口简介
太阳光在穿过大气层时，会受到大气层对太阳光的吸收和散射影响，因而使透过大气层的太阳光能量受到衰减。但是大气层对太阳光的吸收和散射影响随太阳光的波长而变化。
所属范围不同分为光学窗口、红外窗口和射电窗口。 光学窗口
可见光波长约3000～7000埃。波长短于3000埃的天体紫外辐射，在地面上几乎观测不到，因为2000～3000埃的紫外辐射被大气中的臭氧层吸收，只能穿透到约50公里高度处；1000～2000埃的远紫外辐射被氧分子吸收，只能到达约100公里的高度；而大气中的氧原子、氧分子、氮原子、氮分子则吸收了波长短于1000埃的辐射。3000～7000埃的辐射受到的选择吸收很小，主要因大气散射而减弱。
红外窗口
水汽分子是红外辐射的主要吸收体。较强的水汽吸收带位于0.71～0.735μ（微米），0.81～0.84μ，0.89～0.99μ，1.07～1.20μ，1.3～1.5μ，1.7～2.0μ，2.4～3.3μ，4.8～8.0μ。在13.5～17μ处出现二氧化碳的吸收带。这些吸收带间的空隙形成一些红外窗口。其中最宽的红外窗口在8～13μ处（9.5μ附近有臭氧的吸收带）。17～22μ是半透明窗口。22μ以后直到1毫米波长处，由于水汽的严重吸收，对地面的观测者来说完全不透明。但在海拔高、空气干燥的地方，24.5～42μ的辐射透过率达30～60%。在海拔3.5公里高度处，能观测到330～380μ、420～490μ、580～670μ（透过率约30%）的辐射，也能观测到670～780μ（约70%）和800～910μ（约85%）的辐射。
射电窗口
这个波段的上界变化于15～200米之间，视电离层的密度、观测点的地理位置和太阳活动的情况而定（见大气射电窗）。
蓝藻水华
主要由于生活及工农业生产中含有大量氮、磷、钾的废污水进入水体后，蓝藻、绿藻、硅藻等藻类大量繁殖后使水体呈现蓝色或绿色的一种现象。是水体富营养化的一种特征。
现状：从2007年开始，全国大面积蓝藻水华泛滥的地方有无锡太湖、安徽巢湖、昆明滇池、南昌青山湖。从爆发后每年夏季各地都有不同程度的蓝藻水华出现，严重时在秋季也有出现，如14年南昌青山湖，在深秋气温较低时也爆发了蓝藻。每年的蓝藻爆发不仅引发难闻的气味，还污染了城市自来水。每年都投入大量人力物力对其进行治理，但收效甚微。
遥感监测：在近红外波段，蓝藻与水体有较大差异，通过这个特征可以在图像中提取出蓝藻爆发区域。也可也通过