2014年遥感数据智能处理考试复习思考题

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0.38μm至0.76μm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。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、λ、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)()()(BpABpBAP()()()PABPAPB()()()PABPBPAB()()()()()KKKiiiPAPBApABPApBA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AssociativeMemory-ASystemTheoreticApproach,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）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TheOrganizationofBehavior，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