高光谱整理

第一章：

1.遥感图像的最基本单元是像元，每个像元具有空间特征和属性特征。 空间特征：是用X值和Y值来表示；（纹理，形状，大小，方位） 属性特征：常用亮度值表示。（灰度值，亮度值） 2.遥感图像特征（②，③遥感成像技术发展的方向）

① 时间分辨率：对同一地点进行遥感采样的时间间隔，集采样的时间频率。也称重访周期。 ② 空间分辨率：像素所代表的地面范围的大小，或地面物体能分辨的最小单元； ③ 光谱分辨率：传感器在接收目标辐射的光谱时能分辨的最小波长间隔； ④ 辐射分辨率：指传感器接收波谱信号时，能分辨的最小辐射度差； 3.高光谱遥感基本概念：

①多光谱遥感（Multirspectral Remote Sensing）,光谱分辨率在波长的1/10数量级范围内(几十个至几百个nm)的遥感； ②高光谱遥感（Hyperspectral Remote Sensing）,光谱分辨率在波长的1/100数量级范围内（几个nm）的遥感；

③超光谱遥感（Ultraspectral Remote Sensing）,光谱分辨率在波长的1/1000数量级范围内（0.2-1nm）的遥感。

4.高光谱遥感与常规多光谱遥感的比较：

①高光谱遥感：即高光谱分辨率成像光谱遥感，幅宽小，成像范围小，其细微的波段可进行地物成分的识别，风度估计（精细识别）。

②常规多光谱遥感：幅宽大，成像范围宽，可进行宏观地物影像分析，不可被高光谱遥感完全取代（宏观变化趋势）。研究宏观的变化情况则必须用多光谱成像仪。 5.高光谱遥感发展概况：

高光谱遥感的基础是光谱学(spectroscopy).

①光谱学：实验室分析地物光谱特征(获得谱信息)

②成像技术：把遥感传感器放置航空或航天平台(获得地物的图像信息) ③成像光谱学：把实验室仪器放置航空或航天平台(获得地物的图和谱信息) 注：光学遥感的发展——空间、光谱分辨率的不断提高： ①全色Panchromatic：主要通过形状（空间信息）识别地物。

②彩色color photography：增加了颜色的感知，加强型的颜色感知。 ③高光谱Hyperspectral：主要通过光谱信息识别地物。 6.高光谱遥感特点： （1）特点：

①波段多,数据量大②光谱范围窄(高光谱分辨率)③在成像范围内连续成像④信息冗余增加 （2）局限性：

①海量数据的传输、处理与存储 ②易受大气的影响：信噪比越高，图像越清晰。 ③波段间相关性强：可通过主成分变换，将相关性消除，还有MT变化等。 第一章疑问：

1.4个分辨率的相关概念是否要求掌握。

2.遥感图像的空间特征，属性特征需要掌握哪些内容。

3.高光谱遥感与常规多光谱遥感的比较是否从上述方式展开讲述。

4.高光谱遥感发展概况需要掌握哪些内容，第一，二，三代航空，航天的高光谱仪器是否需要知道。

5.高光谱遥感特点是否只要答出这几点即可，是否需要展开。 6.高光谱遥感的应用是否不需要掌握。

第二章：

1.典型地物光谱特性： （1）植被：

健康绿色植物的波谱特征主要取决于它的叶子。图2显示了绿色植物的主要波谱响应特征。在可见光波段内，植物的波谱特性主要受叶的各种色素的支配。高等植物的绿色色素主要是叶绿素a和叶绿素b；黄色色素包括胡萝卜素和叶黄素。其中叶绿素起着最重要的作用。在此波段内，叶片的透射辐射能量少，到达叶片的绝大多数部分太阳辐射能不是被吸收就是被反射掉，进入叶片的太阳辐射被绿色色素和黄色色素所吸收（图3）。在可见光谱区，叶绿素a、b有两个吸收峰区，一个位于0.40-0.48mm，一个位于0.63-0.68mm。叶绿素a、b含量由少到多的顺序基本上与可见光谱区段内反射率由大到小的顺序一致。说明叶绿素含量多时，叶片对太阳辐射的吸收多，反射率小；反之，叶绿素含量少时，吸收少，反射率大。

在可见光波段内，正是由于色素（尤其是叶绿素）控制着植物叶片的波谱特性，因此以0.45mm为中心的蓝波段以及以0.67mm为中心的红波段叶绿素强烈吸收辐射能（>90%）而呈吸收谷。在这两个波段之间（0.54mm附近）吸收较少，形成绿色反射峰（10%-20%）。叶片几乎吸收了来自太阳辐射的蓝光和红光，反射出绿光，因此，叶片呈现为绿色。因此，可见光谱段内，植物叶片波谱反射率曲线总体上呈现出“两谷一峰一陡坡” 的形状。即“蓝紫谷”、“红谷”、“绿峰”和从0.70波长附近开始，植物反射率急剧上升，曲线具有陡而接近于直线的形态的“陡坡”。这个“陡坡”这就是所说的“叶绿素的陡坡效应” 。

上述的是健康时的植物波谱特征，但是假若植物受到某种形式的抑制，阻止它的正常发育，导致叶绿素含量降低，叶绿素在蓝、红波段的吸收减少而反射增强，特别是红反射率升高，以至于植物转为黄色（绿色+红色=黄色）（图4）。当植物衰老时，由于叶绿素逐渐消失，叶黄素、叶红素在叶子的波谱响应中起主导作用，因而秋天树叶变黄或枫叶变红（图5）。

在近红外波段，在红外光谱区，叶绿素a、b已经没吸收，因此，叶片对太阳辐射的反射增强。从0.75直到1.30mm反射都很强，这主要是受到细胞构造的影响。不同作物的表皮组织和叶肉组织不同，细胞的大小，排列和形状不同，细胞的间隙和气孔的多少也不同。入射到叶片内的太阳光经过不同的细胞的反射、多次折射和散射，在近红外光谱区形成了不同的反射峰。叶的反射及透射能相近（各占入射能的45%-50%），而吸收能很低（<5%）（图3）。由于植物类别间叶子内部结构变化大，故植物在近红外的反射差异比在可见光区域大的多，这样我们就可以通过近红外谱段内反射率的测量来区分不同的植物类别。

反射红外波段（1.30um以外）：植物的入射能基本上均吸收或反射，透射极少，叶片水分吸收主导了该波段的波谱谱反射率特性。由于1.45 um、1.94 um、2.7 um的强烈吸收特征，这些吸收光谱位置中间，形成两个主要反射峰，位于1.6 um和2.2 um附近。

（2）冬小麦：图5为冬小麦返青期、拔节期、抽穗期、乳熟期和腊熟期的波谱反射曲线。随着生长期的变化，植物冠层的结构也会发生相应的变化。 ①返青期（3月）：植被密度小。

②拔节期（4月）：密度（即覆盖度）增加，红光吸收增多，反射率降低，近红外发射率抬升。

③成熟期：叶片变黄，光合作用下降，吸收率下降，红光反射率抬升。

④收割期：完全枯萎，曲线全部抬升，因为完全成熟，可见光整体明显抬升，水分减少，近红外也抬升。

叶片有喜平形，垂直形，两者叶倾角分布不同。小麦和水稻的叶子都是狭长形的，而油菜和棉花的叶子是大的。所以小麦水稻在近红外的反射率小于油菜和棉花。

（3）土壤：

图8显示了土壤波谱反射率曲线的“峰-谷”变化较弱，曲线的形态远没有植物那么复杂。总的看来，土壤的反射率一般是随着波长的增加而增加，并且趋势在可见光和近红外波段尤为明显。影响土壤反射率的内在、外在因素很多，包括水分含量、土壤结构（砂粉砂、黏土的比例）、有机质含量、氧化铁的存在以及表面粗糙度等。这些因素是复杂的、变化的和相关的。可见光和近红外波段随波长增大反射率缓慢增加，中红外土壤反射率趋于水平。 颗粒大小：不同，导致阴影比例的变化，土质越细，反射率越高； 水含量：土壤湿度对其反射率的影响，含水量越高反射率越低； 有机质含量：对于矿化的土壤，有机质增加，反射率降低；

氧化铁：许多土壤出现红色，主要由氧化铁引起，在900nm有一宽的吸收带；

在地面植被稀少的情况下，土壤的反射曲线在其自然组成和颜色密切相关。颜色浅的土壤具有较高的反射率，颜色较深的土壤反射率较低。在干燥条件下同样物质组成的细颗粒的土壤，表面比较平滑，具有较高的反射率，而较粗的颗粒具有相对较低的反射率。有机物质含量高，也使反射率降低。土壤水的含量增加，会使反射率曲线平移下降，并有两个明显的水分吸收谷，但当土壤水超过最大毛管持水量时，土壤的反射光谱不再降低，而当土壤水处于饱和状态或过饱和状态时，土壤表面形成一层薄薄的水膜。在地表平坦时，接近于镜面反射，其反射率反而增高。

当土壤表面有植被覆盖时，如覆盖度小于15%，其光谱反射特征仍与裸土相近。植被覆盖度在15%-70%时，表现为土壤和植被的混合光谱，光谱反射值是两者的加权平均。植被覆盖度大于70%时，基本表现为植被的光谱特征。 （4）含泥沙水体与纯水比较：

①含有泥沙的水体比纯净水体的反射率高（在各个波段），土壤比水体反射率高。 ②随泥沙量的增加，反射率在各个波段都提升，泥沙量增加到一定程度后反射率增加的很小。 ③纯水反射率无明显的反射峰，含有泥沙的水体在580nm有一反射峰，但随含泥沙量增加，反射峰向长波方向移动，到可见光为止。 （5）富营养化水体：

蓝、紫波段低于纯净水体，有绿峰；700nm有荧光峰，是判别富营养化水体的依据。 （6）云、雪：

可见光部分：反射率都很高，在60%-80%

短波红外部分：云的反射率降低的不大，雪的反射率急剧下降，差异明显。 （7）水体：

入射到水体的光，有大部分被水体吸收，部分被水中悬浮物（泥沙、有机质等）反射，少部分投射到水底，被水底吸收和反射。遥感器所接收到的辐射就包括水面反射光、悬浮物反射光、水底反射光和天空散射光。

在可见光范围内，水体的反射率总体上比较低，不超过10%，一般为4%-5%，并随着波长的增大逐渐降低。到0.6μm处约有2%-3%；过来0,75μm，水体几乎成为全吸收体。因此，在近红外的遥感影像上，清澈的水体呈黑色。可见，在区分水陆分界线，确定地面上有无水体覆盖时，应选择近红外波段的影像。 2.常见高光谱传感器：

（1）成像光谱仪：（空间成像方式，地面成像光谱仪，航空成像光谱仪，航天成像光谱仪） 1. 空间成像方式

摆扫式（线列探测元件），推扫式（阵列探测元件） 2. 航空成像光谱仪（记住缩写和中文名） 1)美国：

AIS(Aero Imaging Spectromter)航空成像光谱仪

AVIRIS(Airborne Visible/Infrared Imaging Spectrometer)可见光红外成像光谱仪 HYDICE(超光谱数字图像采集试验仪) 2)加拿大： CASI(小型机载成像光谱仪) 3)澳大利亚：Hymap(高光谱制图仪) 4)中国:

MAIS(模块化航空成像光谱仪),OMIS (实用型模块成像光谱仪系统),PHI(扫描型成像光谱仪),WHI (Wide angle PushbroomHyperspectral Imager ) 3. 航天成像光谱仪 成功的计划：

2000年7月美国FTHSI/MightSat-II 2000年11月美国HYPERION/EO-1 2001年10月欧空局PROBA/CHRIS Hyperion

CHRIS(compact high resolution imaging spectrometer)紧密型高分辨率成像光谱仪 MODIS(中分辨率成像光谱仪)

CMODIS(China moderate resolution imaging spectroradiometer) 中国航天成像光谱仪系统：环境与减灾小卫星HY-1A （2）非成像光谱仪：

1.野外光谱仪:ASD便携式野外光谱辐射仪，GER野外光仪 2.可用于高光谱遥感的生物学测量仪器: 1)叶面积指数测量仪

LAI—2000植冠分析仪在测量过程中，每个环形探测器同时输出冠层上下的读数。冠层截获的辐射能通过冠层下读数除冠层上读数计算得到。这种截获的能量再通过考虑叶子的几何分布、观测角度等因素换算成最终的LAI。控制器(LAI—2070)被用来计算、存贮和显示读数。 叶面积直属（LAI）=所以叶片表面积的一半/土地面积，LAI越大，反映植被越密集。 孔隙度透光率（b/a）与叶面积指数成反比。 2)叶绿素含量[浓度)测量仪

SPAD—502叶绿素测量仪是美国光谱技术公司的产品, SPAD—502通过测定植物叶子在两个波长区的吸收率来确定叶子叶绿素的相对含量。

叶绿素有两个明显的吸收峰，一个位于蓝光区(400—500nm)，另一个位于红光区(600一700 nm)。为了利用这种叶绿素光谱特性的有利条件， SPAD—502测量叶子在蓝光和红光的吸收率。利用这种光谱测量数据，该测量仪计算出一个SPAD数字值，使该值与叶内的叶绿素含量成比例。 第二章问题：

1.遥感电磁波理论基础和典型地物的光谱特性及其在遥感定量分析中的作用是否不用掌握。 2.需要掌握植被的光谱特性，那么冬小麦不同生长阶段，冬小麦叶片波谱反射率曲线和透射率曲线，不同长势的反射波谱曲线是否需要都掌握。

3.水体的波谱特性是否需要将纯净水体与富营养化水体以及含泥沙的水体对比？ 4.是否只要掌握一些国家的航空航天成像光谱仪，空间成像方式，地面成像光谱仪是否需要掌握？

5.环境与减灾小卫星HY-1A的相关参数是否需要掌握？

6.非成像光谱仪的野外光谱仪是否只要知道典型的两种光谱仪名称即可？ 7.叶面积指数测量仪，叶绿素含量（浓度)测量仪是否需要知道他们的原理。

第三章：

1.Hughes现象：为了保证对类别统计参量的可靠估计，必须以足够的训练样本为前提，所需样本数的多少与参与分类的波段数有关。当训练样本数固定不变，随着波段数的增加，分类的精度经历由小到大又由大变小的过程，这就是所谓的Hughes现象。 注：多光谱数据分类存在的问题：

(1).光谱数据量和运算量巨大:假设原始光谱波段数为N，优选后的光谱波段是M，N>M，则：光谱特征组合的数目为：N！/（N-M）！M！比如:100！/（100-3）！3！=161,700

(2).统计参数的估计偏差增大:随着波段数增多，样本的统计参数也要求越多。为达到比较精确的参数估计，训练样本数应当是所用波段数的10倍以上。在样本数不变的情况下，分类精度随所使用波段数的变化呈现出Hughes现象。 2.特征选择：针对特定对象选择光谱特征空间中的一个子集，这个子集是一个缩小了的光谱特征空间。 波段选择：

Si为第i个波段的标准差，该值越大，对应波段的信息越大 Rij为第i个波段和第j个波段的相关系数

3.特征提取：在特征选择以后，利用某些特征提取算法，从原始特征中求出最能反映其类别特征的新特征，既压缩了数据量，又提高了不同类别特征之间的可分性。与特征选择相比，它是建立在各光谱波段间的重新组合和优化基础上的。 4.特征提取的方法：

①代数运算法：NDVI，SR等 ②导数法

③变换法：PCA（K-L）,K-T,MNF,彩色变换等 通过对多波段特征空间中的坐标旋转，以达到压缩数据量、去除噪声或便于图像特征的提取的目的。

5.光谱匹配:指通过研究两个光谱曲线的相似度来判断地物的归属类别。它是由已知地物类型的反射光谱，通过波形或特征匹配比较来达到识别地物类型的目的。

方法：二值编码匹配、光谱角度匹配、交叉相关光谱匹配技术、光谱吸收指数

相似性度量：一是计算编码向量的光谱角；二是计算匹配波段数占总波段数的比例。 (1).二值编码匹配: 原理：使用这种二值编码方法，对成像光谱图像中的每个像元的光谱曲线均可产生一个二值编码矢量，并保持波形形态的重要特征（如吸收特征波长位置和吸收峰宽度）。将二值编码光谱数据库内感兴趣的二值编码向量（已知）同未知的高光谱二值编码图（像元）匹配并计算匹配系数。

这种方法在二值化过程中丢失了一些细部光谱信息，因此这种技术适合较粗略地识别地物光谱。

(2).光谱角度匹配:不适合多光谱，因为波段数少，信息量小，精度低。

原理：对每个像元，寻找与它夹角最小的终端单元。这一算法是通过计算波谱间的角度（将它们处理为具有维数等于波段数的空间矢量），判定两个波谱间的类似度。夹角越大，差异越大。

光谱角不受向量本身长度影响，因此在光谱分类上可以消除或减弱因太阳入射角、地形、坡

向和观测角等因素引起的光谱变异的同物异谱现象，此外光谱角对乘性干扰具有良好的抗干扰性，不受照度变化的影响。 (3).交叉相关光谱匹配技术:

原理：这种技术通过计算一个测试光谱（像元光谱）和一个参考光谱（实验室或像元光谱）在不同的匹配位置的相关系数，来判断两光谱之间的相似程度。测试光谱和参考光谱在每个匹配位置m的交叉相关系数等于两光谱之间的协方差除以它们各自方差的积。

两种光谱的完美匹配情形：其相关系数图应显示抛物线峰值为1，并以m=0为中心左右曲线呈对称曲线，即描述相关曲线形状的偏度系数为0，以及有较多的rm值通过ta，即显性相关。

如图：用形态来显示光谱匹配情况，如果来两目标相似，则在0处相关系数最大，两侧随错位数增加而减少，且在0处可能达到1；但如果两目标不相似，则最高点偏离最中央0处。 (4).光谱吸收指数:其主要内容包括从许多光谱中提取各种波段的波长位置、深度、对称度和光谱绝对反射值等，测定实际光谱曲线吸收波段的位置、深度、对称度等吸收特征，可以采用包络线消除法先对原始光谱曲线做归一化处理，再使用光谱分析的方法提取出不同典型地物类型的特征波段等。

1.包络线消除法：进行包络线消除后的反射率归一化到0-1，有效地突出光谱曲线的吸收和反射特征，并且将其归一化到一个一致的光谱背景上，有利于和其他光谱曲线进行特征数值的比较从而提取出特征波段以供分类识别。

2.光谱吸收特征参数分析：经包络线消除后，那些“峰”值点上的相对值均为1，相反，那些非“峰”值点均小于1.

吸收位置(AP)：在光谱吸收谷中，反射率最低处的波长，即AP=λ,当ρλ=Min(ρ)

吸收深度(AD)：在某一波段吸收范围内，反射率最低点到归一化包络线的距离。AD=1-ρ0，ρ0为吸收谷点的反射率值。

吸收宽度(AW)：最大吸收深度一半处的光谱带宽FWHM

对称性(AA)：左边面积/右边面积，等于1说明左右完全对称，大于1说明左边面积大于右边面积，小于1说明左边面积小于右边面积。 6.光谱微分（导数）与积分 光谱微分技术

①光谱微分技术就是通过对反射光谱进行数学模拟，计算不同阶数的微分值，以提取不同的光谱参数。

②应用光谱微分技术能够部分消除大气效应、植被环境背景（阴影、土壤等）的影响，同时可增强光谱曲线在坡度上的细微变化，对植被来说，这种变化与植被的生物化学（叶绿素、水、氮等）吸收特性有关，从而突出植物的本质特征。所得的导数光谱数据，可以用于植被生物化学信息的提取。

③不同研究者提出的植被指数可以认为是反映波形形态变化的反射光谱的n阶导数，而这种光谱的n阶导数实质上表达了植被叶绿素、水、氮等生物化学元素吸收波形的变化，是这些吸收物质的丰度与状态的光谱指标。

光谱积分：就是求光谱曲线在某一波长范围内的下覆面积。求算公式如下：ψ=∫f(λ)dλ (积分范围：λ1-λ2)

7.混合像元分解：

(1).混合象元：若像元包含多种土地类型，则为混合像元。遥感所获取的光谱信号是像元所对应的地表物质光谱响应特征的综合。

(2).混合光谱形成机理

①在一个瞬时视场内，有多种物质成分存在的空间混合； ②在一个瞬时视场内，由于地形和物体阴影引起的照度差异;

③不同像元之间的交叉辐射:指像元多次散射被传感器接收（环境影响），漫散射（辐射校正消除）

④大气传输过程中的混合效应：程散射（大气校正可消除） ⑤遥感仪器本身的混合效应：辐射定标消除（暗电流法）

(3).混合像元分解：如果每一混合像元能够被分解，而且它的覆盖类型组分（通常称为端元组分）占像元的百分含量（丰度）能够求得的话，分类将更精确，因混合像元的归属而产生的错分、误分问题也就迎刃而解了，这一处理过程就称为混合像元分解。 8.高光谱遥感图像分类： 一、高遥感图像分类的特点 （1）在分类识别方面的优势

①光谱分辨率高、波段多，能够获取地物精细的光谱特征，并且可以根据需要选择或提取特定的波段来突出目标特征；

②在同一空间分辨率条件下，遥感器覆盖波长范围更宽； ③波段多，为波段之间的相互校正提供了方便；

④定量化的连续光谱曲线数据为地物光谱机理模型引入图像分类提供了条件。 （2）在分类识别方面的困难

①数据量大，数据的冗余若处理不当会影响分类精度；

②要求有更高精度的光谱定标和反射率转换（对定量化要求高，数据前处理复杂）； ③波段多，波段间的相关性高，因此导致分类需要的训练样本数大增（Hughes现象）； ④使用统计学分类模型对光谱特征选择要求很高。 二、高遥感图像分类方法

1°当训练样本充足时（几十-100倍的波段数）：传统的统计分类方法；高光谱分类方法 2°当训练样本不足时：采用传统的统计方法分类，必须先进行降维；不需要降维处理，直接采用高光谱分类方法。

(1).直接在原始高维光谱数据进行分类：光谱匹配技术、简化最大似然法、正交子空间投影技术、多光谱图像分类方法、支持向量机等

(2).通过某种特征提取算法，对原始数据进行特征提取，在低维空间内利用已经成熟的多光谱图像分类方法：如最大似然分类、最小距离分类等 三、光谱匹配技术：二进制编码、光谱角度制图（SAM）、光谱信息散度（SID）、光谱波形匹配、包络线去除法、光谱特征拟合法 四、光谱角度制图

1）从光谱数据岸中选择感兴趣的“端元光谱”； 2）对“最终成分光谱”作重采样．因为图像光谱分辨串通常要低于地面测量的光谱分辨率．使两者光谱分辨率一致；

3）计算端元光谱与图像像元光谱两个光谱向量之间的角度，以评价此两光谱向量相似性； 4）计算成像光谱图上每个像元光谱与每个最终成分光谱的夹角，从而实现对图像光谱的匹配和分类。

具体匹配分类时．对于一个像元光谱x，计算它与第i个端元光谱的广义夹角ai （i=1,2,?..,m, m为端元光谱总数）。如果ai = { aj }min, j =1,2,..,m则x被判归为第i端元光谱类别。 五、高光谱分类概述

1).从光谱图像的角度来说，遥感图像分类的效果取决因素：

①类别的可分性：非人为影响下的原始地物波段具有可分性是遥感图像分类的前提条件； ②图像像元波段空间的维数：图像波段信噪比达到一定要求和训练样本足够的情况下，光谱波段越多，越有利于分类；

③训练样本的数量：训练样本的数量越大，地物的训练特征越全面和具有代表性，有利于分类；

④分类器类型和分类方案。 2).分类器由分类特征、分类判据、分类准则和分类算法四部分组成。 3).算法选择：

9.高光谱图像目标探测 (1).目标探测定义：

将感兴趣目标地物与非目标地物分离的过程。即通过某种技术方法，对观测图像和数据中的感兴趣目标进行位置定位和目标辨别的过程。 (2).目标探测与图像分类的关系

①目标探测问题本质上是一种分类问题，即将图像上的每个像元都标注为目标类或者非目标类。

②目标探测中的目标数量比较少，图像中绝大多数像元都被视为非目标或者背景，因此常规的分类方法难以适用目标探测，且常规分类方法中以最小误分率为最佳的分类标准，会导致将图像中像元全部分为背景或全部分为目标的错误。

③目标探测是一种对特定对象的搜索，其结果可能是“有”，也可能是“没有”，所以其光谱匹配样本不能来自图像本身。 第三章疑问：

1.多光谱数据分类存在的问题是否需要掌握。 2.波段选择除了掌握公式外还需要掌握什么。

3.特征提取的方法是否需要展开掌握，PPT中的数学原理，变换矩阵，PCA原理作用,MNF的算法是否需要掌握。其中PCA和MNF上课有重点讲。

4.光谱匹配中二值编码匹配、光谱角度匹配、交叉相关光谱匹配技术、光谱吸收指数是否都要掌握其原理，还是重点掌握光谱角度匹配和包络线法的原理，除原理外公式是否需要掌握。包络线法的算法，图是否要求掌握。

5.光谱微分中一阶二阶微分公式是否需要掌握，植被、土壤反射率导数的相关内容是否需要掌握，包括公式。需要掌握的红边参数包括哪些：红边面积、红边幅值、左面积、右面积、总面积、对称、红边位置？掌握他们的名词解释？

6.混合像元分解中线性波谱分解以及线性光谱解混过程技术流，端元提取模型以及PPI算法是否需要掌握。混合像元分解是否掌握其原理即可。像元纯净指数的定义需要掌握吗？光谱特征拟合的四个步骤是否需要掌握？

7.高光谱分类概述中遥感图像分类的效果取决因素，分类器的组成部分以及算法选择是否需要掌握(PPT上)。

8.高光谱图像分类方法中是否只要重点掌握光谱角度制图的步骤即可，其他光谱信息散度，光谱波形匹配的PPT上内容是否需要了解。 9.高光谱图像目标探测的方法是否需要掌握。

第五章：

1.常见高空间分辨率遥感器 10

遥感器 全色 多光谱 IKONOS 1m 4m QuickBird-2 0.61m 2.44m OrbView-3 1、2m 8m SPOT-5 5m/2.5m 20m/10m EROS 1m 无 GeoEye-1 0.5m 2m WorldView-2 Cartosat-1

COSMO-SkyMed ZY-2

第五章问题：

1.是否只要知道上面10中遥感器名称和分辨率？影响覆盖是否需要掌握？ 2.高分辨率遥感图像的特点以及高分辨率遥感应用的挑战性是否需要掌握。 第六章：

1.基于像元分类与面向对象分类的原理与基础：

①人类认知：计算机模仿人类独特的认知能力，从影像中提取信息，把影像转化为知识； 面向对象思想：影响并非由单个像素来代表，而是由包含重要语义信息在内的影响对象以及它们之间的相互关系构成（抽象性、封装性、继承性）

②图像分割：是指把图像分成各具特性的区域并提取感兴趣目标的技术和过程；

③分类特征：一个特征是目标对象的相关信息的表述，包括对象特征、类相关特征、全局特征；

④基本流程：分割、分类

2.高光谱遥感、高空间分辨率的缺点 高光谱遥感：Hughes现象 高分辨率遥感：高分辨率影像虽然纹理、结构等信息非常丰富，但波段较少，光谱信息不足。 3.为什么采用面向对象分类而不采用传统的基于像元分类（简答）

背景：高分辨率影像在空间分辨率提高之后，虽然结构、纹理等信息非常丰富，但光谱信息不足（波段较少）。

传统分类方法：像元层次，单纯依靠光谱特征，不再适用高分辨率影像的信息提取；

空间分辨率提高：减少混合像元数量，分类精度提高；另外，地物类别内部的光谱响应变异增大，是类别间的可分性降低，分类精度降低；

分类精度：空间分辨率与目标大小之间的相对关系。

传统基于像元分类：产生椒盐现象，分类结果不易矢量化；分类利用的高分影像信息有限，导致分类精度不高；已不适合面向对象影像分析与信息提取技术。 面向对象分类：分类的最小单元为分割所得的同质影像对象；分类特征同时考虑光谱、纹理、形状、层次等特征。包含光谱统计，形状，大小，纹理，上下文信息。以单个像元为单位的分类技术过于着眼于局部而忽略了附近整片图版的几何结构、纹理等信息，从而严重限制了分类的精度。 第六章问题：

1.是否主要掌握这几个问题，面向对象分类具体思路以及PPT上其他内容是否需要掌握。 2.高光谱遥感和高空间分辨率遥感的应用是否不需要掌握。

本文来源：https://www.bwwdw.com/article/rrt3.html