自己整理的有关遥感图像的一些基础知识。从最基础的图像与图形的基础概念介绍，还有最常见的一下预处理操作，包括大气校正，几何校正，辐射定标，这些内容是当时在实验室做一个遥感图像仿真系统时整理的。后面又整理一些有关遥感图像分类的知识，包括深度深度学习的方法和传统机器学习算法。对于学习遥感图像处理的初学者可以做个入门。
### 遥感图像处理基础知识
#### 一、基本概念
**遥感图像**是由卫星、飞机等高空平台上的传感器捕获的地球表面或其他目标的图像。这些图像提供了丰富的地理信息，广泛应用于环境监测、资源管理、灾害评估等多个领域。
**图形与图像的区别**:
- **图形**: 通过指令集描述的矢量数据，如直线、圆等，其特点是无论放大多少倍，边缘依然平滑，不会失真。
- **图像**: 捕捉的实际场景画面或数字化形式存储的任意画面，由像素构成，放大后会出现锯齿状。
#### 二、图像分割与像元
**图像分割**是一种常用的技术，用于从复杂图像中提取特定对象或区域。通过识别和划分图像中的不同部分，可以更有效地分析图像内容。
**像元**: 遥感图像中的最小单位，每个像元代表地面上的一个特定区域。像元的大小决定了遥感图像的空间分辨率，即能够区分地面细节的能力。像元越小，空间分辨率越高，能够捕捉到的地物细节越多。
#### 三、DN值与重采样
**DN值**: Digital Number 的缩写，表示遥感图像中像元的亮度值或灰度值，反映了地物的反射率或辐射强度。DN值的大小受到多种因素的影响，如传感器的特性、地物本身的属性以及大气条件等。
**重采样**: 当进行图像处理操作（如旋转、缩放等）时，原图像的像元位置会发生变化。重采样技术用于确定新位置上的像元值。常见的重采样方法包括最邻近法、双线性内插法和三次卷积法等。选择合适的重采样方法对于保持图像质量至关重要。
#### 四、统计学概念
- **方差**: 衡量数据分散程度的统计量，方差越小，数据越集中。
- **数学期望**: 又称期望或均值，用于表示随机变量的平均水平。
- **协方差**: 用于衡量两个随机变量之间的线性相关性。正值表示正相关，负值表示负相关，零表示无关。
- **协方差矩阵**: 多个变量间相关性的矩阵表示形式，对角线元素为各变量的方差，非对角线元素为两变量间的协方差。
#### 五、高光谱遥感与分类
**高光谱遥感**: 利用光谱仪在电磁波谱的可见光至红外波段区间，获取被测物体的反射、透射或发射光谱信息，并获取精细光谱的图像检测和识别技术。
**分类**: 遥感图像分类是根据地物的不同特征将其归类的过程。主要分为两大类:
- **传统机器学习算法**: 如支持向量机(SVM)、决策树、随机森林等。
- **深度学习方法**: 包括卷积神经网络(CNN)、循环神经网络(RNN)等，这些方法能够在高维数据上自动学习复杂的特征表示。
#### 六、栅格数据
**栅格数据**: 将地理空间划分为规则的网格，每个网格称为一个单元或像元，单元中的数值表示该区域的属性值。栅格数据结构简单直观，易于实现空间分析和模型构建，但在表达复杂边界和多边形数据时不如矢量数据精确。
### 总结
本文概述了遥感图像处理的基础知识，包括图像的基本概念、图像分割、像元与DN值的概念、重采样技术以及统计学概念的应用等。此外，还介绍了高光谱遥感与图像分类的相关知识，为初学者提供了一个全面的入门指南。通过深入理解和掌握这些基础知识，可以帮助研究者更好地分析和处理遥感图像，从而解决实际问题。
