下载文档原格式
1、多波段遥感：探测波段在可见光与近红外波段范围内，再分为若干窄波段来探测目标。
2、维恩位移定律：黑体辐射光谱中最强辐射的波长与黑体的绝对温度成反比。
黑体的温度越高，其曲线的峰顶就越往左移，即往短波方向移动。
3、瑞利散射与米氏散射：前者是指当大气中的粒子直径比波长小得多的时候所发生的大气散射现象。
后者是指气中的粒子直径与波长相当时发生的散射现象。
4、大气窗口；太阳辐射通过大气时，要发生反射、散射、吸收，从而使辐射强度发生衰减。
对传感器而言，某些波段里大气的投射率高，成为遥感的重要探测波段，这些波段就是大气窗口。
5、多源信息复合：遥感信息图遥感信息，以及遥感信息与非遥感信息的复合。
6、空间分辨率与波谱分辨率：像元多代表的地面范围的大小。
后者是传感器在接收目标地物辐射的波谱时，能分辨的最小波长间隔。
7、辐射畸变与辐射校正：图像像元上的亮度直接反映了目标地物的光谱反射率的差异，但也受到其他严肃的影响而发生改变，这一改变的部分就是需要校正的部分，称为辐射畸变。
通过简便的方法，去掉程辐射，使图像的质量得到改善，称为辐射校正。
8、平滑与锐化；图像中某些亮度变化过大的区域，或出现不该有的亮点时，采取的一种减小变化，使亮度平缓或去掉不必要的“燥声”点，有均值平滑和中值滤波两种。
锐化是为了突出图像的边缘、线状目标或某些亮度变化大的部分。
9、多光谱变换；通过函数变换，达到保留主要信息，降低数据量；增强或提取有用信息的目的。
本质是对遥感图像实行线形变换，使多光谱空间的坐标系按照一定的规律进行旋转。
10、监督分类：包括利用训练样本建立判别函数的“学习”过程和把待分像元代入判别函数进行判别的过程。
1、遥感与遥感技术系统：遥远地感知；目标地物的电磁波，信息获取，信息接受，信息处理，信息应用。
2、动遥感与被动遥感：前者是探测器主动发射电磁波并接受信息。
后者是被动接受目标地物的电磁波。
3、磁波与电磁波谱：电磁振动的传播；按电磁波在真空中的传播的波长排列。
微波遥感复习一、概论1.微波遥感：利用微波传感器接收地面各种地物发射和反射的微波信号，藉以识别、分析地物，提取所需的信息。
2.极化：电磁波的电场振动方向的变化趋势3.后向散射：散射波的方向和入射方向相反，这个方向上的散射就称作后向散射4.微波与物质相互作用的形式：反射、散射、吸收、透射5.大气对微波的衰减作用主要是大气中水分子和氧分子对微波的吸收，大气微粒对微波的散射。
大气微粒可分为三类，水滴、冰粒和尘埃。
水粒组成的云粒子，瑞利散射；降水云层中的粒子，米氏散射。
6.氧气分子的吸收中心波长位于和处；水气吸收谱线随电磁波频率增高而增强，在23GHZ处有一个突变。
7.雷达卫星所采用的波段（一般是C（4~8GHz）、L（1~2GHz）波段）C波段：ERS,RADASAT,ENVISAT,XSAR/SRTM;L波段：SEASAT,SIR,JERS,S波段：ALMAZ8.微波遥感的优点微波能穿透云雾、雨雪，具有全天候工作能力。
全天时工作能力。
微波对地物具有一定穿透性。
微波能提供不同于可见光和红外遥感所能提供的信息。
微波遥感的主动方式不仅记录电磁波振幅信号，而且可以记录电磁波相位信息。
行星际探测的主要手段。
缺点雷达图像分辨率较低—雷达成像处理困难数据源较少二、微波遥感系统9.相干与非相干性从远处两个靠得较近的物体反射回来的波是高度相干的。
因而用这类电磁波的遥感器进行成像时，获取的图像上有的地方可能没有接收到任何功率，有的地方从这两个物体接收到的反射功率则可能是其中一个物体的平均反射功率的四倍。
正因为波的相干性，微波雷达图像的像片上会出现颗粒状或斑点状的特征，这是一般非相干的可见光像片所没有的，也是对解译很有意义的信息。
10.微波主动遥感：微波散射计，雷达高度计，侧视雷达（固定孔径雷达，合成孔径雷达）微波被动遥感：微波辐射计11.微波散射计作用：测量地物表面的散射或反射特性，主要用于测量目标的散射特性随雷达波束入射角变化的规律，也可用于研究极化和波长对目标散射的影响。
第三章微波图像的特点《微波遥感原理》§3.4典型地物的散射特性《微波遥感原理》第三章微波图像的特点引言不同的地物具有不同的电磁波反射和辐射特性，表现在图像上具有不同的灰利用遥感图像进行度或色调；同一地物在不同波段的图像上的色调也不相同地物分析，识别地物，提取信息像上的色调也不相同。
掌握地物的波谱特性谱对于侧视雷达，地物波谱特性主要表现为地物对于某一波长（包括极化）或几个波地物对于某波长（包括极化）或几个波长的雷达波束的不同散射特性选取有代表性的典型地物量测其微波波谱特性3.4 典型地物的散射特性本节内容安排光滑表面1、光滑表面2、粗糙表面3、农作物4、含水量作物不同的生长期5、作物不同的生长期6、森林土壤7、土壤8、岩石9、海浪10、冰11、雪1、光滑表面平静的水面水泥路面平静的水面、水泥路面 （1）形成镜面反射没（1）形成镜面反射，没有回波，图像上多呈黑色； （2）随入射角变化明显（2）随入射角变化明显，曲线比较陡峭；（3）HH VV差5dB（3）HH、VV差5dB 同极化与交叉极化相差较大可达1015dB 几种光滑表面的散射特性图较大，可达10‾15dB混凝土路面与其它表面散射特性的比较粗糙表面2、粗糙表面绝大多数地物可认为是粗糙表面曲线比较平缓，说明对入射角的敏感小同极化与交叉极化之间的差异变小，大约只有5~15dB 几种粗糙面的散射系数515dB3、不同农作物和草地不同农作物和草地VV与HH，HV与VH之间的差别很小5~15dB同极化与交叉极化之间存在515dB的差异 曲线之间呈平行趋势，对入射角不很敏感（小麦几乎没有变化）水稻在接近垂直入射角时，散射系数增大（由于水稻田中水的反射所致）4、不同含水量不同含水量含水量高时后向散射含水量高时，后向散射系数增大；绿草在入射角为10度以内时，散射系数表现了与土壤镜面反射的叠加波长对散射系数的影响较大，对于波长较长的雷达波束散射系数要雷达波束，散射系数要小。
典型地物目标要素微波遥感提取方法说实话典型地物目标要素微波遥感提取方法这事，我一开始也是瞎摸索。
我记得刚开始的时候，我就知道个大概方向，知道可以利用微波遥感数据里面一些特殊的波段和特征来做提取。
我想当然地就从最常见的一些算法开始尝试，比如说阈值法。
我就想着，这地物在微波遥感图像里应该有个比较明显的灰度或者后向散射系数差异吧，我就设定一个阈值，高于这个阈值的就是我要的典型地物目标要素。
但是我很快就失败了，因为不同区域、不同环境下，这个地物目标要素的数值变化可太大了，根本找不到一个普适性的阈值。
后来我又试了基于纹理特征的提取方法。
这就好比我们在人群里找人，之前是按高矮胖瘦的数值找（就像阈值法），现在是按穿着打扮的风格找（纹理特征）。
我这个时候可认真了，计算各种纹理特征量，像灰度共生矩阵里面的对比度、熵啥的。
可是这计算量特别大不说，而且效果也不理想。
因为很多地物的纹理特征相似，区分度不大。
我折腾了很久之后，才开始去深入研究地物目标要素在微波频段的散射机理。
我明白了不同地物目标要素由于其自身的物理特性，比如介电常数、形状等的不同，在微波频段会产生独特的散射表现。
然后我就尝试利用这种散射机理来建立模型。
比如说对于植被这种典型地物目标要素，它里面的叶子、枝干等结构体对微波的多次散射我就考虑进去，建立一个基于散射物理模型的提取方程。
我不断调整这个方程里的参数，去拟合实际的数据。
这个过程就像你给一个很复杂的机器调音一样，一点点地试。
我还试过一种方法，就是利用机器学习。
我就把微波遥感数据当作营养，喂给那些机器学习算法，像决策树、支持向量机之类的。
我得先手工标记一部分典型地物目标要素的样本，就好比是告诉机器这些就是你要学习的对象。
这当中我犯了个错，一开始标记的样本太少了，机器根本学不好，后来我增加了样本数量，又对样本进行了更细致的分类，效果就好了很多。
不过话说回来，虽然机器学习效果还不错，但是每一种方法都有它的局限性。
