1、第 1 页 共 9 页2014年遥感数据智能处理课程开卷考试复习提纲1绪论思考题 1：什么是超视觉？视觉中的光和色的物理含义是什么？超视觉包括了光谱、时间、空间三个方面。（1）传感器（CCD）技术扩展了可视范围 （2）载荷平台离开地面扩展了视野 （3）计算机国际光学色谱标准（4）时间压缩 1/1000 秒表现出看不 见的东西正常的人眼可以看见电磁波谱中 0. 38 m 至 0. 76 m 的波段，所以这一波段被称作可见光谱。严格地说，只有能够被眼睛感觉到的并产生视觉现象的 辐射才是可见辐射或可见光，简称光。颜色是人的眼睛对可 见到光的主观感觉。自然的 颜 色与能量有关系，人为的染料颜色没有能量
2、。思考题 2：遥感系统表达自然光、色 结构的基本要素是什么？遥感系统表达自然光和色的基本要素包括载荷平台、传感器、光 谱波段、辐射特征、几何特征。载荷平台为承载成像 传感器及其它相关载荷的卫 星平台，如 Landsat、SPOT 等；传感器为成像载荷 ，例如 Landsat7 的 ETM+、Terra 的 MODIS 等；光谱特征包括：电磁波谱的观测范围、光谱响应函数、极化敏感性、波段间的相关性等；辐射特征包括：广义噪声与信噪比、动态范围、调制传递函数、响应线性度、量化级别、不同像元间的感应度、等噪声概率等；稽核特征包括：视场角、瞬时视场 角 、地面采 样间隔、影像幅宽、多（高）光谱波段匹配精
3、度等。思考题 3：试说明遥感识别目标特性信息与局限性 遥感识别目标特性从信息表现在三个方面：光谱与光谱波段；几何特征与幅宽；辐射特征与灰度编码。局限性：有限数量的光谱波段不能完整表达连续的地物光谱曲线;辐射特征是用灰度编码表示的,灰度数量级是有限的、离散化的；遥感 图像只是二 维的，而 实际地物却是复杂连续的三维空间中的特征。思考题 4：遥感数据处理系统在表现自然的光和色主要瓶颈是什么？传感器对辐射能量的响应能力，数模 转换，大气散射效应，像元的交叉辐射，分类算法的精度，图像转换精度都影响着遥感数据 处理系统对自然的光和色的再 现能力。思考题 5：讲出二种遥感原理性误差？了解遥感成图过程的原理
4、性误差对遥感数据处理有什么帮助？提示本章的传感器模型的反射、 辐射和几何校正原理。1. 遥感原理性误差之一：交叉辐射原理性误差 L（x、y、t、p） 2. 遥感原理性误差之二：图像基本单元像元的结构性误差。了解遥感成图过程的原理性误差对遥感数据处理有很大的帮助。首先，要消除或减弱这些误差必须对它们的性质、特点有所了解，只有这样才能找出有效的处理方法来消除或减弱这些误差。例如，有些噪声是加性噪声，而另外一些是乘性的，了解可误差的性质，就可以有针对性的找出解决办法。其次，了解遥感成图过程的原理性误差对图像解译分析也有很大帮助。可以从遥感成像的机理出发，更好地理解 识别图像特征。思考题 6：一种传感
5、器一种分辨率观测产生了不完整观测，利用多传感器、多分辨率 满足完整监测的同时，在数据或信息 处理方面带来那些新问题？ 多传感器、多分辨率技术 的应用给数据或信息处理带 来许多新问题。首先是多 传感器图像之间兼容问题，这就要求图 像处理软件和技术要兼容多种 图像格式，并且能 够将多传感器图像结合起来，取长补短。而且由于这些技术，遥感数据量越来越大，怎样从海量数据中提第 2 页 共 9 页取有效信息也是一个很大的挑战。多波段 图像的光谱空间维 数增多， 这就要求图像处理扩展到多维空间中去。多分辨率图 像数据的获得要求图像处理能充分利用多分辨率信息。如可以将高分辨率 SAR 图像与较低分辨率的光学图
6、像融合， 获得集合两种优势的图像。而且 还要求开发新的更有效的图像处理算法。思考题 7：遥感数据智能处理的基本概念与主要任务是什么？遥感数据智能处理的感念：结合应用需求，将 统计学、智能算法与遥感信息机理相结合，生成一系列快速有效的算法，对复杂遥感数据进行处理。通过智能理论技术与遥感信息理论技术的学科交叉，借助计算机 处理能力， 选择具有自学习、自适应、自组织等智能算法，提高遥感数据分类、特征识别精度和 变化检测的鲁棒性；通过构建智能搜索策略与学 习规则混合优化，克服多传感器、多分辨率或与非遥感数据的不完整性和不确定性，实现多源信息融合的自动化。遥感数据智能处理的主要任务：解决遥感数据处理过成
7、中由其他普通方法无法很好解决的问题。如：如遥感图像中的弱信息很 难提取，通 过采取一定的掩膜方法，以及主成份变换，就能很好的提取出弱信息。智能化表现为服务于实现目标 的计算能力， 这种能力在不同方式或不同程度地表现出人类、动 物或机器的智能。 传感器超视觉 系统获取的地球信息是非线性的，当前的数据处理与分析方法主要是 线性近似，智能信息处理理论与方法的应用将推动遥感数据处理质量和应用水平发展。 研究领域包括：搜索、模式识别、表达、推理、知识与推断、经验学习、规划、认知、启发、遗传等领域。2弱信息提取思考题 8：传统数学中有广阔的图像处理算法开发空间，引入新算法时需要了解的四个条件是什么？线性代
8、数的矩阵变换与分解， 针对卫星遥感波段相关性 产生数据冗余和应用特征信息提取的需要，新引入开发了 4 种新的算法，展示 传统数学在遥感新算法开 发方面的探索空间。需要了解的四个条件是问题明确、遥感物理意 义清楚、算法机制合理、验证信息指向。思考题 9：MPH 技术在以下三个步骤，样本选择与统计结果、在特征空 间和在彩色空间的处理过程是如何突出目标线索的？根据遥感波段数据的统计结果， 选择相关性小的三个波段合成 一幅彩色图像，首先判断目标单元和背景单元，相当于把整个 图像分成 2 大块 ，我 们想要的信息和不想要的信息。根据背景单元中不同地物的 DN 值覆盖范围，比如图像中有植被信息，那么我们可
9、以先做4/3NDVI 比值，这样增强了图 像中植被的信息，然后根据植被的 DN 值范围做二值图象即去掉植被的膜，其它的地物也是根据它们的 DN 值做膜，最后把各种地物的膜做成一个综合膜，即一个综合的二值图象，其中 0 代表背景单元， 1 代表我们 想要的目标单元。把这个膜与原始图像通过逻辑运算相乘，就得到只含有目 标单元的图像。为了最后得到完整的图像，要做一个反膜，即 0 代表目标单元，而 1 代表我们去掉的背景单 元，与原始图像相乘，得到只包含背景单元的图像。 主成分分析法是一种降维的统计方法，它借助于一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量。由于主成分变换结 果
10、依赖于样本均值、 协方差的初值。因此将 MASK 后的波段作 为初始数据输入，而不是将原始波段作为输入，可以更好地突出主成分变换对 MASK 后多光谱数据的分解效果。 在 MASK 和 PCA 的基础上选择三个分量合成彩色影像。转换到彩色空间，形成 I 亮度，H 色度，S 饱和度三个独立的分量。进行适当调整， 这个调 整过程可以细分光谱，增加差异，区别岩性不相同但光谱相似的混合现象。 MPH 技术，基于对遥感信息的理解和对算法的理解。充分利用了主成分变化对 多波段数据的压缩的（分解）作用，掩膜处理可以人为剔除干扰信息，色度调整可以将已经突出的微弱差 别凸现出来，使微弱信息可见。第 3 页 共
11、9 页3贝叶斯网络思考题 10：遥感数据处理中的贝叶斯网络方法？贝叶斯网络是图论和概率论结合产生的一种信息描述方法，是 1988 年在贝叶斯定理的基础上提出和发展起来的，其有向无 环图的结构可以很好地表达特征 间的依赖关系，通 过概率推理能够实现多特征的知识表达与不确定性推理与预测。遥感数据是多波段的、多特征的、并且特征之间是有着因果联系的。遥感数据 处理中的贝叶斯网 络方法就是将贝叶斯网络用于遥感数据处理中，在使用联 合概率对混合像元进行表达和分 类，遥感影像的 变化特征的因果表达与检测问题、多种数据的概率推理和 预测问题等方面有着重要 应用。贝叶斯网络的内涵： 随机变量集组成网络节点， 变
12、量离散或连续； 连接节点对的有向边； 每个节点都有一个条件概率分布，量化其父节点对该节 点的影响； 有向无环图。贝叶斯网络的性质： 贝叶斯网络综合了先验信息和后验信息； 贝叶斯网络能够学习变量间的因果关系， 变量间的相互影响程度通 过条件概率表示； 贝叶斯网络具有稀疏化特征。思考题 11：贝叶斯网络 BN 的基本公式及其参量含义？实现 BN 的基本步骤？1.贝叶斯概率 条件概率：将事件 B 发生的条件下，事件 A 发生的概率：加法定理：两个不相容的事件之和的概率，等于两个事件的概率之和。乘法定理，也就是联合概率，由条件概率的定义可以直接得到。2.贝叶斯定理 贝叶斯决策论是解决模式分类问题的一种
13、基本统计途径。设 A1,A2,为有限个可列个两两互不相容的事件， 实现贝叶斯网络应用的基本步骤: （1）输入相互独立的变量、变量需要离散化 处理；(2）参量学习、网络训练、后验概率表；（3）构成有向无环图DAG； （4）状态转移. 思考题 12：BN 与最大似然 ML 何时有区别？动态贝叶斯网络 DBN 在遥感数据变化检测中的应用与传统方法相比有那些突破，有那些应用前景？BN 与最大似然 ML 区别：（1（ 算法复杂度不同，BN 复杂， ML 简单（2（ 可理解性不同，ML 比 BN 更容易理解（3（ 对先验知识的信任程度不同， BN 比 ML 能够利用更多的有用信息，BN 能够利用数据分布的
14、不对称性特点，ML 却忽略了数据分布的不对称特点（4（ 对不完全数据的处理不同， BN 能够处理不完全数据，ML 不能)(BpAP()()PAP()()KKiiiPABpp第 4 页 共 9 页动态贝叶斯网络是贝叶斯网络在时序过程上的扩展，它将每个时间点上问题的各个方面都用随机变量表示，通过贝 叶斯网络对变化的环境进行建模，表达变量之间的概率依赖关系是如何随时间演化的。 贝 叶斯网络没有考虑时间因素对变量的影响，而动态贝叶斯网络考虑到了不同时相数据之间的相互联系，通 过有向无环图结 构的形式，可以表示 时间序列的遥感数据之间的相互依赖关系。当前遥感变化检测方法都是针对获取自两个时相的遥感影像进
15、行操作。动态贝叶斯网络能够实现多时相的遥感变化检测，通 过同时输入多个时相的遥感数据并 经过概率推理得到状态变量的时序变化序列，充分利用了多 时相数据间的相互信息，其有向无环图的网络结构很好地表达了不同时相间的多波段数据之间的相互关系，同时贝叶斯网络综合了对研究区域的先验知识和样本数据的信息， 实现多时相变化信息的一次性提取，避免由于两两时相间变化检测导致的误差积累。贝 叶斯网络的变化检测方法，能够利用和充分表达多时相遥感数据之间的隐含非线性关系，实现变 化信息的直接提取，避免了阈值划分的人为因素和步骤烦杂的后分类比较的误差积累， 为遥感数据变化检测提供一种新的可 选择方法。应用前景：语音识别
16、及音素切分、 说话人识别、多 时相遥感 变化检测、战场目标态势威胁评估、路径规划、自主控制。4神经网络思考题 13：神经网络的基本概念、 优势与存在问题？1977 年 Kohonen 专著 Associative Memory-A SystemTheoretic Approach,Koholen 的定义：“人工神经网络 是由具有适应性的简单单元组成的广泛并行互联的网络，它的组织能够模拟生物神经系统对真实世界物体所做出的交互反应。神经网络的优势 :(1)并行计算 (2)信息处理与存储单元相结合 (3)自组织、自学习、竞争适应功能神经网络研究的存在问题:（1）神经网络发展受脑科学研究进度的限制（2
17、）缺少一个完整、成熟的理论 体系思考题 14：神经网络发展大致经历了五个时期，遥感数据处理应用神经网络出现在哪个时期？经网络是一更强的数学性质和生物学特征，活 跃的边缘 性交叉学科， 诞生半个多世纪以来，经历了5个发展阶段：(1)奠基阶段1943年,美国心理学家W.McCulloch和数学家W.Pitts在提出了一个 简单的神经元模型，即MP模型。1949年神经生物学家Hebb的论著The Organization of Behavior，对大脑神经细胞、学习与条件反射作了大胆地假设，称 为Hebb学习规则(2)第一次高潮阶段1958年计算机科学家Rosenblatt基于MP模型，增加了学习机
18、制，确定了感知器收敛定理：输入和输出层之间的权重的调节正比于计算输出值与期望输出之差，他提出的感知器模型，首次把神经网络理论付诸工程实现。(3) 持续阶段1960神经网络理论那遥远但并非遥不可及的目 标着实吸引了很多人，美国军方认为神经网络工程应当比“原子弹工程” 更重要。(4) 第二次高潮阶段Kohonen提出了自组织映射网络模型，映射具有拓扑性质。1982年生物物理学家Hopfield建立第 5 页 共 9 页了神经网络的神经元的一组非线性微分方程。1987年在圣地雅哥召开了首届国际神经网络大会，成立国际神经网络联合会(INNS),创办 了刊物Journal Neural Networks
19、。我国学术界在80年代中期开始关注神经网络领域。1989年召开了全国一个非正式的神经网络会议，1990 年我国的八个学会联合在北京召开了神经网络首届学术大会， 1991年在南京召开了中国神 经网络学术大会(第二届)，会上成立了中国神经网络学会 1990年我国“ 863”高技术研究计划和“攀登”计划设立了3个课题开展人工神经网络研究，自然科学基金和国防科技预研基地也都把神 经网络的研究列入选题指南。神经网络对遥感图像处理大致也出现于这个时期。(5) 新发展阶段IJCNN91大会主席Rumelhart指出神经网络的发展已到了一个转折的时期，它的范围正在不断扩大，其应用领域几乎包括各个方面。1990
20、年代初，对神经网络的发 展产生了很大的影响是诺贝尔奖获 得者Edelman提出了Darwini-sm模型，其主要 3种形式是Darwinism 、 建立了一种神 经网络系统理论。为了解决神经网络收敛，避免陷于局部极 值，神 经网络引入了 遗传、小波、模 拟退火、随机搜索。思考题 15：在确定神经网络的隐层节点数时必须满足那两个条件？一般情况下，在满足精度要求的前提下取尽可能 紧凑的 结构，即取尽可能少的 隐层节点数。对于BP网络，所取的隐层节点数少时，局部极小就多，容错性差；但是，隐层节点数过多易引起学习时间过长，误差也不一定最佳，因此需要多次试验后选取一个最佳的隐层节点数。研究表明，隐层节点
21、数不仅仅与输入/ 输出层的节点数有关。在确定隐层节点数时必须满足下列条件： （1）隐层节 点数必 须小于N-1（其中N 为训练样本数），否则，网络模型的系统误差与训练样本的特性无关而趋于零，即建立的网 络模型没有泛化能力，也没有任何实用价值。同理可推得：输入层的节点数（变量数）必须小于N-1。 （2）训练样 本数必 须多于网络模型的连接权数，一般 为2-10倍，否则， 样本必须分成几部分并采用“轮流训练” 的方法才可能得到可靠的神经网络模型。若隐层节点数太少，网络可能根本不能 训练或网络性能很差；若隐层节点数太多，虽然可使网 络的系统误差减小，使网 络训练时间 延长，训练容易陷入局部极小点而得
22、不到最优点，也是 训练时出现“ 过拟合”的内在原因。因此，合理隐层节点数应在综 合考虑网络结构复杂程度和 误差大小的情况下确定。思考题 16：BP 神经网络数学模型最早是由 谁建立的， 处理遥感数据的主要问题是什么？BP神经 网络的全称为(Backpropagation (BP) Algorithm)前馈神经网络的学习算法向后传播算法。BP神经 网络被广泛用于遥感数据分类，使用 BP神经网络前必须选择神经网络的结构，定义学习率等参数，这些都会影响神 经网络的训练时间、 实现 速率和收敛速率。BP网络 需要解决的问题有：(1)如何经过反复试验选取最佳的网络结构，使得网络能够识别未知的样本，对此至
23、今没有严格证明。(2)如何恰当选取学习率和动量项问题以及权重系数初始化的区 间。(3)如何避免过度训练学习所造成的网络性能变得低下 问题，至今为止，没有一个清楚的规则帮助我们选择网络结构，而参数 选取上只能使用启发 式的方法选择网络结构。思考题 17：什么是 SOFM 神经网络？，主要特征是什么？，LVQ 的作用是什么？第 6 页 共 9 页芬兰的Kohonen从生物系统得到启发，根据人脑的大脑中视觉皮层中侧反馈的特征，提出了自组织映射神经网络（SOFM, Self Organizing Feature Map）理论。他认为神经网络中邻近的各个神经元通过彼此侧向交互作用，相互 竞争，自适 应发
24、 展成检测不同信号的特殊检测器，这就是自组织特征映射的含 义。当外界输入样本到人工的自组织映射神经网络中，一开始时， 输入样本引起输出兴奋细胞的位置各不相同，但经过自 组织后形成一些细胞群，它 们 分别反应了输入样本的特征。这些细胞群，如果在二维输出空 间， 则是一个平面区域，样本自学习后，在输出神经元层中排列成一张二维的映射图，功能相同的神 经元靠得比较近，功能不相同的神经元分得比较开，这个映射过程是用竞争算法来实现的，其 结果可以使一些无 规则的输入自动排序，在 调整连接权的过程中可以使权的分布与输入样本的概率分布密度相似。LVQ(Learning Vector Quantization)
25、，即学 习矢量量化网 络方法，用来在SOFM网络训练结束后，细调SOFM网络的权值。LVQ方法融合了自组织和有导师的技术，它是 SOFM网络方法的有监督学习的扩展形式，它允 许对输入矢量将被分到哪一 类进行指定。尽管仍然采用 竞争学习，但是其产生方式是有教 师监督的。SOFM网络的训练也称作粗 调。粗 调是自组织竞争学 习过程，属于无导师的聚类。自组织竞争学习完成后，输入空间 被划分为一些不相交的类别 ，每一 类由其聚类中心表示。这些聚类中心被称作模板、参考向量或译码向量。 对粗调后的网 络权向量，应用学习矢量量化（LVQ, Learning Vector Quantization）算法进行细
26、调，此过程属于有导师的训练。思考题 18：什么是 PCNN 神经网络？， PCNN 在解决图像分割中的欠/过分割会有什么帮助，为什么？PCNN（Pulse-Coupled Neural Network）脉冲耦合神经网络是模拟视觉神经细胞活动而得到的人工神经元模型。PCNN 网络存在着对一个像元计算时同时激活周围像元的机制，在解决过分割和欠分割方面显示出突出的效果，提供了新的数学支持。高能量神经元首先激发，通过脉冲耦合机制使得其邻域神经元能量增加并提前激发，阈值单调递减，使得所有神 经元均能激发。迭代上述过程(或使用快速联接机制)使得空间相 邻、能量相近的神经元同步激发。在 PCNN 中，具有相
27、似 输入的神经元同时发生脉冲，能 够 弥补输入数据的空间不连贯和幅度上的微小变化，从而较完整地保留 图像的区域信息， 这对图 像分割无疑是非常有利的。采用 PCNN 进行图像分割完全依赖于图像的自然属性 ,不用预先选择处理的空间范围 ,与其它方法相比 ,这是一种更自然的方式。5遗传算法思考题 19： Richard 离散数学中对算法的定义是什么？一个算法就是一组有限的指令集合，它具有以下性质：确定性：每一步必须精确的说明。唯一性：每一步执行后所得到的中间结果是唯一的，且仅依赖于输入和先前步骤的结果。有限性：任何算法都会在有限条指令执行完毕后结束。输入：算法接收输入。通用性：算法适用于一类输入。
28、思考题 20：遗传算法的主要特点是什么， 举出 2 条？遗传算法的特点 1.遗传算法在求解问题时，首先要 选择编码方式，它直接 处 理的对象是参数的编码集而不是问题参数本身。 2. 在所求解问题为非连续、多峰甚至有噪声的情况下，能够以很大的概率收敛到最优解或满意解，因而具有较好的全局最 优解求解能力。 第 7 页 共 9 页3. 针对某一问题的遗传算法经少量修改就可以适应于其他问题。或者加入特定问题领域知识，或者与已有算法结合便能 够较好地解决比较复杂 的问题，因而具有很好的普适性和易扩充性。思考题 21：遗传算法全局最优搜索，在解决超平面分割中的作用？，在锁定目标中的作用？ 遗传算法能够较好
29、解决遥感数据的不确定性导致超平面位置难以确定的问题，遗传算法可以确定超平面的空间组合位置，使 遗传算法得以在遥感 图像分类中得到应用。在给定超平面集合的条件下，通 过对训练点集合众训练点 进行模式描述、模式匹配利用遗传算法的优异搜索性能，通 过进化的方式对各种不同的模式分 类方案进行比较、 选择，得到最好的模式分类方案。超平面的确定需要确定超平面方程 组的参数， 遗传算法通过对参数编码方式的选择及采用选择、交叉、变异遗传算子和合适的适应度函数从而确定遥感图像分类中的超平面位置，实现超平面分割。思考题 22：遗传算法全局最优搜索，在匹配 锁定目标中的作用？遗传算法的自适应性能可以屏蔽掉模板匹配过
30、程中对复杂参数的确定过程，实现对目标的快速准确定位。遗传算法的自适 应迭代寻优搜寻和直接 对结构对象进行操作的算法特点适合图像匹配锁定目标。在配平 锁定目标过程中采确定参数 编码，采用自然 进化模型如选择、交叉、变异等的遗传算法及合适的适应度函数确定遥感图像中的目标位置。6.粗糙集 RS 思考题 23:粗糙集 RS的概念，粗糙集在处理那类问题时有优势？令X属于论域U，R为U上的一个等价关系。当X能够表达成某些R基本范畴的并时，称X是R可定义的；否则称R是不可定义的。R 可定义集是论域U的子集，它可在知识库K中精确定义，而R 不可定义集不能在这个知识库K 中精确定义。 R可定义集也称为R精确集，
31、而R 不可定义集也可以称为R非精确集或 R粗糙集。粗糙集理论, 是一种刻画不完整性和不确定性的数学工具，能有效地分析不精确，不一致( inconsistent)，不完整( incomplete) 等各种不完备的信息，还可以对数据进行分析和推理，从中发现隐含的知识，揭示潜在的规律。粗糙集理论是建立在分类机制的基础上的，它将分 类理解为在特定空间 上的等价关系，而等价关系构成了对该空间的划分。粗糙集RS算法可用于粗糙集直接分 类；也可用于 训练样本优化，加快BP网络收敛，提高分类精度。粗糙集地处理下列问题时有优势:1、不确定或不精确知识的表达；2、经验学习并从经验中获取知 识；3、不一致信息的分析
32、；4、根据不确定，不完整的知识进行推理；5、在保留信息的前提下进行数据化 简；6、近似模式分类；7、识别并评估数据之间的依赖 关系。7.伪二维马尔可夫 P2DHMM思考题思考题 24:伪二维马尔可夫的算法优势体现在那几个方面？算法对平移、旋转、尺度、几何畸变及部分残缺的目标有分类的不变性。伪二维隐马尔科夫P2DHMM一种动目标识别与跟踪算法，通过影像匹配的方法实现。其不仅在机场飞机识别方面具有很强的能力，而且在港口的船只种 类、核 设施和战场等敏感区域的变化检测等应用领域也具有潜在的应用价值。具体的算法优势主要体现在以下三个方面：（1） 伪二维隐马尔可夫拓扑网络构建的适用性。研究中用基于 伪二
33、维隐马尔科夫模型拓扑结构，超状态搜索、距离度量算法等，得到测试影像和参考影像间具有类型不变性的距离度量，算法对平移、旋转、尺度、几何畸 变及部分残缺的目标有分类的不变性。第 8 页 共 9 页（2（ 参数的二维补偿。目标 的识别过程中， 对目标模型 进行合理的描述建立合理的参量是很重要的步骤。研究中对遥感影像 进行水平和垂直方向的 Sobel 滤波处理，分别从两梯度影像上提取像素 33 区域的像素信息， 对这 18 个像素的灰度梯度 值进行排列得到像素的 18 维矢量描述,用影像所有像素的 18 维矢量来对影像进行描述。（3（ 采用了模板匹配策略。研究中建立了参考影像和测试 影像数据库、 飞机
34、目标变化的格网显示与直方图分析等，是目 标识别的基础性工作。8高分辨率遥感数据自动处理思考题 25：为什么要开发遥感数据自动配准方法?在遥感数据转化为可用信息的处理流程中，自 动化是提高效率的技 术手段，由于遥感数据的多来源和应用目标背景、尺度的复 杂性，自 动化处理过 程会出现错误使自动化处理中断，因此往往需要引入具有智能特性的自适应方法，增加自 动处 理的鲁棒性。思考题 26：虚拟窗口 SIFT 自动配准方法对于改进自动配准点 对选取分布不均匀的作用以及 SIFT 方法的适用性?虚拟窗口 SIFT 自动配准方法对两幅影像同名点对的搜索不是基于全局统计信息，是基于包含具有相同角度和尺度空间辅
35、助面特征的临时窗口，有效地排除了全局搜索 统计复杂性，在虚拟窗口找到点对后统计计 算下一个窗口时释放上一窗口，最终结果是大大增加了点对和点对分布的均匀性。由于 SIFT 采用了相同角度和尺度空间辅助面，光学与 SAR 影像成像角度不同，所以SIFT 只适用相同 类遥感影像的配准。思考题 27：高分辨率遥感影像处理时应当利用的新特征和考虑主要问题是什么？高分辨率光学遥感影像中的地物识别主要是与人类生产生活密切的建筑、机械设备、运输车辆等，这些地物的形态特征是高分辨率影像新增加的特征，提取形态特征应当遵循形态学原理。高分辨率光学影像主要问题是地物的高度，高度越高地物变形就越大。高分辨率 SAR 影
36、像处理主要考虑利用物理探测能力，主要问题是交散射等问题。思考题 27：地震倒塌房屋自动识别方法理论和技术要点是什么?重点应用了数学形态学中的共生纹理分析和共生矩阵计算。对高分辨率影像红-绿-蓝合成影像，选取蓝波段做多尺度共 线纹理增强计算结果取最小，突出颗粒状纹理信息，结果与经过光谱归一化处理的两个波段合成，倒塌房屋在合成影像上呈 现出紫色、植被 为绿色，没倒塌房屋和建筑物呈现为灰白色。思考题 28：高分辨率遥感影像中目标融合提取技术要点是什么？高分辨率遥感影像中目标融合主要是指高分辨率光学和 SAR 影像的融合,是将光学影像中目标地物的形态特征与目标地物的 SAR 特性的融合,达到识别目标地
37、物的目的.9.数据同化算法思考题 29：数据同化算法在数据同化技术系统框架中的作用是什么？一个完整的数据同化技术系统框架主要包括四个组成部分：(1)模拟自然界过程的过程模型， （2）驱动过程模型运行的基 础参量， (3)数据同化算法和(4)观测数据。在数据同化技术系统中，通过数据同化算法不断将新的 观测数据融入过程模型之中，实现过程模型预测和观测数据的融合与计算。思考题 30：当前主要的数据同化算法有哪几种？优缺点是什么？数据同化算法主要经历了从三维变分方法与四维变分方法、卡尔曼滤波与集合卡尔曼滤波算法，到粒子滤波算法和 贝叶斯网络的发展过程。变分方法依赖于切线性伴随模式的后向积分， 对完整物理 过程的数值预报模式的切线第 9 页 共 9 页性伴随模式具有一定的难度。集合卡尔曼滤波采用集合方法近似状态变量的概率分布，对变量进行分析和预报的同时还对误差进行了分析和预报。算法没能 摆脱状态量服从高斯分布的假 设，在 计算过程中只考虑了概率密度分布的一阶矩和二阶矩， 这种近似必然会 带来信息量的丢失。粒子滤波的基本思想是利用状态空间一组加权随机样本粒子逼近状态的后验概率分布，随着粒子数目的增加，粒子的概率密度函数逐渐逼近状态 的真实概率密度函数。粒子 滤波算法不受模型状态量和误差高斯分布假设的约束，适用于任意非线性非高斯动态系统。存在粒子的退化和贫化问题。
