声明：本文参考课程《遥感数字图像处理》，授课教师：韦玉春。

遥感图像模型

根据观测对象，遥感对地观测可分为：

大气遥感
陆地遥感
水色遥感
遥感图像模型是为了解释不同观测对象的遥感数字图像中 像素值的物理意义。观测对象不同，遥感图像模型不同，从而图像的校正、处理和信息提取方法不同。

像素值 L(x, y, t, λ, p)

某一时刻 t，在不同波长 λ和不同极化（偏振）方向 p上所收集到的位于坐标（x，y)的目标物的电磁波辐射能量。

大气遥感的图像模型

正演：传感器接收的能量 = 大气中物质成分的能量 + 地面能量

大气中物质成分（CO2，水汽，气溶胶）的能量：吸收、散射、辐射

陆地遥感的图像模型

正演：传感器接收的能量 = 地表发射 + 地表反射 + 大气散射
反演：地物信息 = f（地表发射，地表反射）
白天，地物信息可用地表反射的可见光来估计；夜晚，地物温度信息可用地表发射的红外光来估计。

陆地遥感将水体看成一种资源，一种土地利用类型，不考虑水体内部的组分，而水色遥感重点考虑水体内部的组分。

水色遥感的图像模型

正演：传感器接收的能量 = 水面的离水辐亮度 + 水面反射 + 大气散射
反演：水中物质信息 = f（离水辐亮度）

大气散射：大气路径辐射。通过大气校正解决。
水面反射：水面的耀斑。通过选择合适的观测角度避开。大多数情况下遥感对地观测是垂直观测的，而水色遥感是倾斜观测。
离水辐亮度：水体中光学活性物质（对入射的电磁波有反应的物质）的光学特性总和。

遥感反射率或遥感反射比（remote sensing reflectance, Rrs）

Rrs = Qf *b_b/(a+b_b)
Q和f是与现场环境有关的因子，a是水体中光学活性物质的总吸收，b_b是水体中光学活性物质的总后向散射。

图像统计

遥感数字图像是数字的世界，因而是没有颜色的，我们看到的遥感图像是合成的。图像统计是数字图像处理的第一步：图像是数字，可借助统计来获得对图像整体的认识；统计参数是后续图像处理参数的来源。

遥感图像的像素值在很大程度上可以看做是随机变量。
单景图像（即一个波段的图像）可以看做是自然界波谱总体的一个样本。
图像作为一个随机向量
- 可用密度函数（或分布函数）f (x, y)来表示
- 可用统计特征参数来表示，如期望、方差、协方差等

基本的统计特征（单波段）

反映像素值平均信息的统计参数
- 均值
- 中值
- 众数

若随机变量服从正态分布，则均值能很好地反映平均信息；若不服从正态分布，则中值和众数可更好地描述数据的平均状况。

反映像素值变化信息的统计参数
- 方差与标准差
- 变差：最大值-最小值
- 反差
- 对比度

图像直方图（单波段）

图像灰度值的概率密度函数的离散化图形。横轴：灰度级；纵轴：频数。
性质：

反映了图像中灰度分布的规律
图像与直方图对应
两个不相连的区域在直方图上是叠加的
形态与数学上的正态分布的曲线形态类似

累计直方图：图像灰度值的累计概率密度函数的离散化图形。横轴：灰度级；纵轴，每一灰度级及其以下灰度级的频数或频率。因而，纵轴的最大值为1或100。

直方图与图像对比度

灰度级低：图像暗；灰度级高：图像亮。若图像不可见，则可利用直方图对图像的对比度做间接估计。
思考：直方图中稀疏的条带反映了什么问题？

多波段统计特征

反映波段之间的关系。

不考虑空间位置
统计量包括：协方差，相关系数…。协方差和相关系数越大，两个波段图像之间的协变性越强。

协方差(covariance)

变异关系的判断用协方差，给出的信息更明确。
计算公式：
当两个变量相同时，协方差就变成了方差。

像素空间关系和图像特征

像素空间关系

遥感数字图像是矩阵。像素空间关系描述了图像中像素与像素间的空间关系。

窗口和邻域

窗口（window）：以任一像素为中心，按上下左右对称所设定的像素范围。如1x1，3x3，5x5的窗口。
3x3窗口
邻域：中心像素周围的像素，不包含中心像素本身。按照连通或指定的距离定义邻域。

4邻域：以中心像素为中心作正方形或圆，与中心像素相邻的上、下、左、右4个像素。
8邻域：以中心像素为中心作正方形或圆，与中心像素相邻的上、下、左、右、左上、左下、右上、右下8个像素。

空间关系

距离（distance）：欧式距离（即直线距离），城区距离（又称d4距离，即沿像素格走的横向与纵向距离之和），棋盘距离（又称d8距离，即横向和纵向距离中的最大值）
邻域：如4邻域、8邻域或指定距离的邻域。影响像素的分割，进而影响连通性。
梯度（grade）：相邻像素的差异。
邻接性（contiguity）：有两个像素p和q,若二者分别在对方的邻域中，称二者是邻接的。
连通性（connectivity）：若两个像素之间存在一个路径，称二者是连通的。二者必须是邻接的，且像素值相似。
边（edge）：一个像素与其直接邻域的局部形式。具有大小和方向。边与梯度方向垂直。
区域（region）：彼此连通的像素的集合。

图像特征

图像中像素所具有的基本属性和测度，从不同的角度描述了图像的性质。构建图像特征使用的数据包括：光谱数据、几何形态数据、纹理数据或它们的综合。

特征的值：不同处理后产生的像素值。
特征的名称：像素值的含义或定义。基本的图像特征类别灰度级、梯度、颜色、纹理等。

图像特征分类

划分一：

原生特征：拿到图像后没有做任何处理的图像特征。如图像的波段，二级图像的特征，校正后（消除误差）的图像特征。
次生特征：数字图像处理（如图像变换、滤波）后产生的特征。

划分二：

光谱特征：原生特征（灰度、波段），次生特征（变换、滤波后）。每个像素都具有的特征。
结构特征：图像纹理，反映了像素空间关系（梯度、距离、连通性）。多个像素具有的特征。
几何特征：梯度，图像分割后的图斑特征（中心、面积、周长、形状等）。像素聚集具有的特征。

特征选择和提取

特征选择：按照某些原则从众多候选特征中挑选出参加运算的特征的过程。目的：提高特征质量、降低数据冗余、提高图像处理和分析的效率。
特征提取：针对特定的工作目的，基于图像的原生特征使用一组算法计算或构造新特征的过程。

构造图像特征的过程

首先从原生特征中选择，如果不满足，则进行特征提取产生此生特征，再进行特征选择，直到符合要求。