一种多尺度无监督遥感图像分割方法

一种新的高光谱遥感图像超像素分割方法
杨洋;刘思樊;童恒建
【期刊名称】《计算机技术与发展》
【年(卷),期】2024(34)5
【摘要】为了解决简单线性迭代聚类算法在高光谱遥感图像超像素分割任务中分割精度较低的问题,提出一种基于多级线性迭代聚类结合改进标签传播算法(LPA)的新的无监督高光谱遥感图像超像素分割方法。

首先,扩充简单线性迭代聚类(SLIC)的适用范围至多通道对高光谱图像进行超像素初分割;然后,对色彩标准差较大的超像素进行多级迭代细致分割,引入基于局部二进制模式的高光谱遥感图像纹理特征提取方法计算高光谱图像纹理特征并融合多段光谱特征计算超像素间相似度以构建带权图网络;最后,改进LPA社区发现方法进行超像素合并,将改进的标签传播算法运用于超像素合并可以得到更加稳定准确的超像素合并效果,提高超像素分割精度。

将该方法与多种方法进行比较,结果表明,该方法对高光谱遥感图像的超像素分割结果更准确,超像素边缘更贴合真实地物边界,能有效改善高光谱遥感图像超像素分割中精度较低的问题。

【总页数】7页(P37-43)
【作者】杨洋;刘思樊;童恒建
【作者单位】中国地质大学(武汉)计算机学院
【正文语种】中文
【中图分类】TP391.4;TN911.73
【相关文献】
1.一种新的图像超像素分割方法
2.一种基于超像素分割的遥感图像道路提取方法
3.一种超像素上Parzen窗密度估计的遥感图像分割方法
4.一种基于超像素分割的遥感图像道路提取方法
因版权原因，仅展示原文概要，查看原文内容请购买。

遥感超分辨率重建技术是一种通过对低分辨率遥感图像进行处理，从而获得高分辨率遥感图像的技术。

在具体操作中，可以将低分辨率遥感图像送入训练好的深度模型中，以得到重建后的超分辨率遥感图像。

这种技术基于深度学习的方法，可以分成三大类：单幅遥感图像超分重建、多幅遥感图像超分重建和多/高光谱遥感图像超分重建。

在单幅遥感图像超分重建方面，基于GAN的方法被证明是最有效的。

此外，还有基于多尺度特征提取的方法、结合小波变换的方法、沙漏状生成网络的方法、边缘增强网络的方法等。

对于多幅遥感图像超分重建，虽然超分效果不佳，但可以通过配准融合和多源信息融合等方法来提高重建质量。

此外，多/高光谱遥感图像超分重建也存在类似的问题。

为了进一步提高遥感超分辨率重建技术的效果，未来的研究可以关注以下几个方面：构建针对遥感图像特点的神经网络结构、无监督学习的遥感图像超分重建方法、以及多源遥感图像的超分重建方法。

以上内容仅供参考，如需获取更多信息，建议查阅相关论文或咨询专业人士。

遥感数据分级遥感数据分级是一种对遥感图像进行分类和分层的方法，通过对遥感图像进行分级，可以更好地理解和利用遥感数据。

下面将介绍遥感数据分级的标准格式文本。

一、引言遥感数据分级是指将遥感图像根据特定的分类标准，将其分为不同的类别或层次。

通过遥感数据分级，可以获取地表覆盖类型、土地利用信息等，为环境监测、资源管理、城市规划等领域提供重要支撑。

本文将介绍遥感数据分级的基本原理、分类方法和应用场景。

二、遥感数据分级的基本原理遥感数据分级的基本原理是利用遥感图像中的不同光谱信息和纹理特征，通过一系列的算法和模型，将图像中的像素点分为不同的类别。

遥感图像中的光谱信息可以反映地表覆盖类型的差异，纹理特征可以提供地物的空间分布信息。

基于这些信息，可以构建分类模型，实现遥感数据的分级。

三、遥感数据分级的分类方法1. 监督分类：监督分类是一种基于训练样本的分类方法。

首先，需要准备一组已知类别的训练样本，然后利用这些样本训练分类器，最后将分类器应用于整个遥感图像。

常用的监督分类方法包括最大似然分类、支持向量机等。

2. 无监督分类：无监督分类是一种不需要事先准备训练样本的分类方法。

它通过对遥感图像中的像素点进行聚类，将相似的像素点分为同一类别。

常用的无监督分类方法包括K均值聚类、高斯混合模型等。

3. 半监督分类：半监督分类是监督分类和无监督分类的结合，既利用了有标签的训练样本，又利用了无标签的像素点。

半监督分类方法可以提高分类的准确性和效率。

四、遥感数据分级的应用场景1. 环境监测：遥感数据分级可以用于环境监测，例如监测森林覆盖变化、水体污染等。

通过对遥感图像进行分级，可以获取地表覆盖类型的空间分布信息，为环境监测提供科学依据。

2. 资源管理：遥感数据分级可以用于资源管理，例如土地利用规划、农作物估产等。

通过对遥感图像进行分级，可以获取土地利用信息、农作物类型等，为资源管理提供决策支持。

3. 城市规划：遥感数据分级可以用于城市规划，例如土地利用规划、建筑物提取等。

名词解释1.遥感——应用探测仪器，不与探测目标相接触，从远处把电磁波特性记录下来，通过分析，揭示出物体的特征性质及其变化的综合性探测技术。

2.目视解译——指专业人员通过直接观察或借助辅助判读仪器在遥感图像上获取特定目标地物信息的过程。

3.三原色——若三种颜色，其中的任一种都不能由其余两种颜色混合相加产生，这三种颜色按一定比例混合，可以形成各种色调的颜色，称为三原色。

红绿蓝是最优的三原色，可以方便的产生其他颜色。

4.密度分割——单波段黑白遥感图象可按亮度分层，对每层赋予不同的色彩，使之成为一种彩色图象，这种方法叫密度分割。

5.非监督分类——是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（将相似度大的像元归为一类）的方法。

1.大气窗口由于大气层的反射、散射和吸收作用，使得太阳辐射的各波段受到衰减的作用轻重不同，因而各波段的透射率也各不相同。

我们就把受到大气衰减作用较轻、透射率较高的波段叫做大气窗口。

2.光谱分辨率指遥感器在接收目标辐射的电磁波信息时所能分辨的最小波长间隔。

光谱分辨率与传感器总的探测波段的宽度、波段数和各波段的波长范围和间隔有关。

间隔愈小，分辨率愈高。

3.遥感图像解译专家系统遥感图像解译专家系统是模式识别和人工智能技术相结合的产物。

它用模式识别方法获取地物多种特征，为专家系统解译遥感图像提供依据，同时应用人工智能技术，运用遥感图像解译专家的经验和方法，模拟遥感图像目视解译的具体思维过程，进行遥感图像解译。

4.监督与非监督分类监督分类指根据已知样本区类别信息对非样本区数据进行分类的方法。

非监督分类指事先对分类过程不施加任何先验知识，仅凭遥感影像地物的光谱特征的分布规律进行分类，即按自然聚类的特性进行“盲目”分类。

1．遥感平台遥感中搭载传感器的工具统称为遥感平台，常见的有气球、飞机、人造地球卫星和载人航天器。

2．微波遥感指利用某种传感器接收地面各种地物发射或者反射的微波信号，籍以识别、分析地物，提取所需的信息。

高光谱遥感图像的特征提取和分类算法探究遥感技术已经成为了现代地球科学中不可或缺的一部分，这种技术通过对地球表面的各种信息进行多波段、多角度、多时相的采集和处理，可以形成一系列高分辨率遥感图像。

其中，高光谱遥感图像是一种获取地表物质高光谱信息的遥感技术，这种技术可以获取大量的物质光谱信息，为我们研究地球科学和环境变化提供了重要的数据来源。

在高光谱遥感图像中，物质对不同波长的电磁辐射的反射和吸收的不同程度是其与众不同的特性。

由于不同的物质对不同波段的辐射产生的反应不同，固有光谱和在远距离上的高光谱遥感图像可以很好地区分不同物质。

在高光谱遥感图像研究中，特征提取和分类算法是研究的两个重要方面。

因此，本篇文章将探讨高光谱遥感图像的特征提取和分类算法的研究进展和应用现状。

一、特征提取在高光谱遥感图像中，特征提取是一项至关重要的技术。

特征提取的主要任务是将高光谱遥感图像中每个像元的光谱信息转化成低维空间的特征，以减少信息冗余和处理量，同时保留物体空间分布和分类信息。

常用的特征提取方法包括如下几种。

1. 主成分分析（PCA）PCA是一种线性变换的方法，可以将高维空间中的数据降维到低维度的特征空间。

在高光谱遥感图像中，PCA方法可以对数据矩阵进行特征值分解，得到协方差矩阵的主特征向量。

这些主成分可以描述遥感图像的大部分空间信息，对于多波段数据的降维处理非常有效。

2. 独立成分分析（ICA）ICA是一种非线性变换的方法，可以将遥感图像中的光谱信息进行分离和隔离，从而得到更加明确的光谱信息。

在高光谱遥感图像中，ICA可以对数据矩阵进行特征值分解，找到可以独立分离的成分。

这些成分可以帮助我们更好地理解高光谱遥感图像中的光谱结构，并提高物体检测和分类的准确率。

3. 小波变换（WT）WT是一种非平稳信号的频域分析方法，可以用于多尺度分析和特征提取。

在高光谱遥感图像中，WT可以将数据矩阵分解为一组小波系数，这些系数可以反映不同尺度下的物体信息。

遥感概论复习题遥感概论复习题第一章一、填空：1、遥感的分类方法很多，按遥感平台分：地面遥感、航空遥感、航天遥感、航宇遥感。

2、遥感的分类方法很多，按工作方式分：主动遥感和被动遥感。

成像遥感与非成像遥感。

二、简答及综合题1、何谓遥感？遥感技术系统主要包括哪几部分？遥感：广义上指一切无接触的远距离探测，包括对电磁场、力场、机械波（声波、地震波）等的探测。

狭义上指是应用探测器，不与探测目标相接触，从远处把目标的电磁波特性记录下来，通过分析，揭示出物体的特征性质及其变化的综合性探测技术。

遥感技术系统主要包括：被测目标的信息特征、信息的获取、信息的传输与记录、信息的处理和信息的应用五大部分。

2、遥感的主要特点表现在哪几方面？并举例说明。

遥感的主要特点：（1）观测范围大、具有综合、宏观的特点（2）信息量大，具有手段多，技术先进的特点（3）获取信息快，更新周期短，具有动态监测的特点（4）数据的综合性和可比性：反映了地球上许多自然人文信息，红外遥感昼夜探测、微波遥感全球探测人们可以从中选择需要的信息（5）经济型：与传统方法相比大大节省人力、物力、财力和时间，具有很高的经济效益和社会效益（6）局限性：遥感技术所利用的电磁波还是很有限，仅是其中的几个波段。

3、遥感的发展主要经历了哪几个阶段？（1）无记录的地面遥感阶段（2）有记录的地面遥感阶段（3）空中摄影遥感阶段（4）航天遥感阶段4、当前遥感发展趋势？（1）新一代传感器的研制，以获得分辨率更高，质量更好遥感图像和数据（2）遥感应用不断深化（3）地理信息系统的发展与支持是遥感发展的又一进展和方向5、根据你所学的知识，例举遥感在你所学专业领域中的应用。

（1）遥感在资源调查方面的应用 a：在农业、林业方面的应用 b:在地质矿产方面的应用 c:在水文水资源方面的应用（2）遥感在环境监测评价及对抗自然灾害方面的应用 a:在环境监测方面b:在对抗自然灾害方面的应用（3）遥感在区域分析及建设规划方面的应用（4）遥感在全球宏观研究中的应用（5）遥感在其他方面的应用a:在测绘地图方面的应用b:在历史遗迹、考古调查方面的应用c:军事上的应用第二章一、填空：1、电磁波谱按波长由低到高排列主要由γ射线、X射线、紫外线、可见光、红外线、微波无线电波等组成。

基于遥感影像的城市绿地识别与分类近年来，城市化进程加快，城市建设及扩张所带来的影响，使城市环境质量趋于恶化，特别是城市绿化程度下降。

城市绿地是城市的“肺”，不仅能调节气候、净化空气、减轻能量消耗，而且可以提高居民的生活品质。

因此，保护和合理规划城市绿地特别重要。

在城市规划中，绿化覆盖率及其空间分布的研究和识别是最基础的工作。

如采用高光谱、高分辨率遥感技术是目前较为成熟的方法之一。

本文将讨论基于遥感影像的城市绿地识别与分类的方法及其应用。

一、遥感影像城市绿地识别的基础遥感技术是通过航天器、飞机、无人机等载体获取地面物体的图像信息及其光谱反射率，采用数字图像处理技术对图像数据进行分析，进而实现地面物体的识别、监测和管理。

在城市绿地的空间分布构建及规划过程中，遥感技术在城市生态环境的研究中起到了重要作用。

遥感影像识别和分类主要包含特征提取、监督分类和非监督分类三个主要过程。

对于城市绿地的遥感影像识别和分类，主要通过环境分析、特征识别和分类算法等手段，提取影像中属于城市绿地的信息并进行数据分类，以达到对城市绿地的有效识别。

二、基于遥感影像的城市绿地分类方法基于遥感影像的城市绿地分类方法可以分为监督和非监督两种分类方法。

1.监督分类监督分类是依托于已知地物类型的光谱特征分类方法。

其中，监督分类中最常用的分类算法为最小距离分类算法、最大似然分类算法、KNN、SVM和BPNN等。

以最小距离分类法为例，它是一种基于已知分类的基础上对未知样地进行分类的方法。

当需要对样地进行分类时，该方法会将样地与已知分类中各种类别的样本进行对比，计算差值后判断归属类别。

最大似然分类方法将每一种类别采用不同的特征值表示，通过计算其离散程度，并以此为基础统计每一种类别出现的概率大小，将未知样地隶属于最大概率的类别。

2.非监督分类非监督分类方法指的是不事先预设样本数据分类信息，而是采用聚类分析、主成分分析、因子分析、图像分割等方法将遥感影像中的像素自动分组成多个类别。

基于深度学习的图像分割算法研究与应用摘要：图像分割是计算机视觉领域的重要研究方向，它能够将图像中的不同物体分割出来，为目标检测、目标跟踪等任务提供关键信息。

近年来，随着深度学习的快速发展，基于深度学习的图像分割算法取得了显著的进展。

本文将从理论和应用两个方面综述基于深度学习的图像分割算法的研究与应用情况，并展望未来的发展方向。

1. 简介图像分割是图像处理领域的重要任务之一，目标是将图像划分为若干个不同的区域，使得每个区域内包含的像素具有相似的属性。

传统的图像分割算法通常基于手工设计的特征提取和聚类方法，但这些方法往往对于复杂的图像场景效果不佳。

随着深度学习技术的兴起，基于深度学习的图像分割算法展现出了强大的性能。

2. 基于深度学习的图像分割算法研究进展2.1 卷积神经网络（CNN）方法卷积神经网络是深度学习中最常用的模型之一，其在图像分类任务中取得了巨大成功。

基于CNN的图像分割算法尝试利用其强大的特征提取和判别能力来解决图像分割问题。

经典的FCN（Fully Convolutional Network）模型通过将全连接层转换为卷积层来实现像素级的标注。

后续的改进模型如U-Net、SegNet等进一步提高了分割精度和速度。

2.2 自编码器（Autoencoder）方法自编码器是一种无监督学习算法，可以学习输入数据的有效表示。

基于自编码器的图像分割方法将图像编码为低维特征，然后通过解码器重建图像并进行像素级分类。

这种方法能够有效地提取图像中的局部特征，并具有一定的鲁棒性。

2.3 网络注意力机制（Network Attention）方法网络注意力机制是近年来引入图像分割领域的重要技术，通过自动学习全局和局部的注意力机制，使网络能够更好地关注感兴趣的对象或区域。

这种方法不仅在提高图像分割精度方面取得了显著成果，还在生成式图像分割、多尺度图像分割等任务中展现出了巨大潜力。

3. 基于深度学习的图像分割算法应用基于深度学习的图像分割算法在计算机视觉领域的应用广泛，以下是几个典型的应用场景：3.1 医学影像分割深度学习技术在医学领域的应用十分广泛，其中图像分割尤为重要。

测绘技术中的遥感图像分类方法简介遥感技术是现代测绘学中的重要分支，通过获取和解释远距离传感器获取的数据，可以帮助我们更好地了解和管理地球上的各种自然和人文资源。

其中，遥感图像分类便是遥感技术的核心应用之一。

本文将对遥感图像分类方法进行简要介绍。

一、遥感图像分类的概念和意义遥感图像分类是指根据图像中像素的特征和统计信息，将其划分为不同的类别或类别组合的过程。

通过遥感图像分类，我们可以识别和提取图像中所代表的不同地物、地貌、植被等信息，进而为资源管理、环境监测、灾害评估等领域提供数据支撑。

二、基于像素的图像分类方法1. 监督分类法监督分类法是指依赖于事先准备好的训练样本集合，在图像分类之前对数据进行训练和标记的方法。

通过对训练样本的特征提取和统计分析，监督分类法可以建立起一种分类模型，进而对图像中的未知像素进行分类。

2. 无监督分类法与监督分类法不同，无监督分类法并不依赖于事先准备好的训练样本集合，而是根据图像中像素之间的相似性进行自动分类。

无监督分类法通常采用聚类算法，比如K-means聚类和最大似然聚类等，将图像中的像素划分为不同的类别。

三、基于物体的图像分类方法1. 目标检测法目标检测法是将图像分类扩展到对图像中的目标物体进行检测和识别的方法。

目标检测法既可以基于像素进行分类，也可以基于目标物体的形状、纹理、光谱等特征进行分类。

通过目标检测法，可以精确地定位和识别图像中的目标物体，比如建筑物、车辆、植被等。

2. 地物识别法地物识别法是通过提取和匹配图像中地物的特征信息，将其与已知地物进行比对和识别的方法。

地物识别法通常使用机器学习和人工智能算法，例如支持向量机、决策树等，根据地物的形状、纹理、频谱等特征，对图像中的地物进行分类和识别。

四、遥感图像分类方法的发展趋势1. 多源数据融合随着遥感技术的不断发展，我们可以获取到更多类型的遥感数据，如多光谱、高光谱、雷达等数据。

这些数据源的融合可以提供更多的信息量和更准确的分类结果。

遥感图像分类与目标识别随着近年来遥感技术的飞速发展，遥感图像分类与目标识别逐渐成为了遥感应用领域中的重要研究方向。

在计算机视觉和模式识别的支持下，遥感图像分类和目标识别的精度和效率不断提高，为环境监测、城市规划等方面提供了有力的支持。

一、遥感图像分类遥感图像分类是将遥感图像中的像素点划分为不同的地物类型的过程。

它是遥感图像分析的基础和核心内容之一。

遥感图像分类通常分为有监督分类和无监督分类两种方法。

有监督分类是利用对样本地物类型已知的遥感图像进行训练，建立分类模型，对另一张遥感图像进行分类的方法。

在建立分类模型时，我们需要选取一定数量的代表性样本，对这些样本进行特征提取和分类标签的标注。

常用的有监督分类方法包括最小距离分类法、最大似然分类法、支持向量机分类法等。

无监督分类则是不依赖于已有的分类标签信息，而是只基于遥感图像自身的统计特征，将像素点划分为不同的类别的方法。

无监督分类通常采用聚类法完成，常用的聚类方法有K-Means聚类法、ISODATA聚类法等。

二、目标识别目标识别是指对遥感图像中的特定地物进行检测定位并识别的过程。

目标识别是遥感图像分析中的高级应用，具有重要的现实意义。

常见的遥感图像目标识别任务包括道路提取、建筑物提取、水体提取等。

道路提取是目前遥感图像目标识别应用中的重要研究方向。

由于道路网在城市规划和交通管理中的重要性，对道路提取算法的精度和效率有较高的要求。

现有的道路提取算法包括基于图形学的方法、基于分割的方法、基于深度学习的方法等。

建筑物提取是遥感图像目标识别的另一个热点研究方向。

随着城市化进程的不断加快，建筑物信息的获取和更新成为了城市管理和规划的重要内容。

建筑物提取算法主要包括基于图形学的方法、基于分割的方法、基于纹理特征的方法、基于光谱信息的方法等。

水体提取是指对遥感图像中的水源、河流、湖泊等水体类型进行提取的过程。

它在自然资源管理和环境监测中具有重要的应用价值。

常用的水体提取算法包括基于周边像元的分水岭算法、基于对象的多尺度分割算法、基于最大似然法的分类算法等。

基于高分遥感影像的多尺度纹理特征变化检测技术随着高分辨率遥感技术的发展，获得的遥感影像数据越来越丰富和复杂。

在遥感影像中，纹理是一种重要的特征，它可以提供关于地物的空间分布和结构的信息。

因此，基于高分遥感影像的多尺度纹理特征变化检测技术成为了研究的热点之一多尺度纹理特征变化检测技术能够提取不同尺度下地物的纹理特征，并通过对比不同时间的遥感影像来检测地物的变化。

其基本思路是将遥感影像分为不同尺度的子区域，然后在每个子区域内计算纹理特征，最后通过比较不同时间的纹理特征来判断地物是否发生了变化。

下面将详细介绍多尺度纹理特征变化检测技术的几个关键步骤。

首先，需要对遥感影像进行分割，将其划分为多个子区域。

分割方法有很多种，常见的有基于图像灰度值的阈值方法、基于区域的分割方法等。

分割的目的是为了将遥感影像分成一些较小的区域，使得每个区域内的纹理特征更加一致。

然后，在每个子区域内计算纹理特征。

纹理特征是用来描述图像内部的像素之间的相对关系的，可以通过统计、频域变换等方法来提取。

常见的纹理特征有灰度共生矩阵(GLCM)、灰度差值矩阵(GDM)、小波变换等。

在多尺度纹理特征变化检测技术中，可以在不同尺度下计算纹理特征，以保证对不同尺度的地物都能进行有效的提取。

接下来，需要进行特征变化检测。

通常的方法是比较不同时间的纹理特征，检测地物是否发生了变化。

常用的比较方法有像素级对比、局部统计等。

对于不同尺度的纹理特征，可以采用逐级对比的方式，从较粗的尺度开始逐步细化。

检测到的变化可以标记在原始遥感影像上，以便进一步的分析和应用。

最后，需要对检测结果进行评估和验证。

评估的方法有很多种，可以使用混淆矩阵、准确率、召回率等指标来评估检测结果的准确度和可靠性。

同时，也可以与已有的地物变化数据进行对比，验证检测算法的可行性和有效性。

总结来说，基于高分遥感影像的多尺度纹理特征变化检测技术是一种有效的方法，能够在不同尺度下提取纹理特征，并通过对比不同时间的纹理特征来检测地物的变化。

遥感图像分类方法与结果验证技巧遥感图像分类是利用遥感数据进行地物分类的过程，是遥感技术在地学领域中的重要应用之一。

而遥感图像分类方法的选择和结果验证技巧的使用对于获得准确可靠的分类结果至关重要。

本文将讨论常见的遥感图像分类方法以及一些结果验证技巧。

一、遥感图像分类方法1. 监督分类方法监督分类方法是最常用的一种遥感图像分类方法，它需要先手动标注一些样本点，然后使用机器学习算法进行分类。

常用的监督分类方法包括支持向量机（SVM）、随机森林（RF）和人工神经网络（ANN）等。

这些方法在遥感图像分类中表现出色，但要求标注样本点会增加工作量。

2. 无监督分类方法与监督分类方法相反，无监督分类方法不需要事先手动标注样本点，而是通过对图像内部的类别划分进行分类。

常用的无监督分类方法包括聚类算法，如K均值算法和谱聚类算法。

这些算法可以有效地从遥感图像中自动识别出地物的类别，但分类结果的准确性可能不如监督分类方法。

3. 半监督分类方法半监督分类方法结合了监督和无监督分类方法的优点，它既可以利用有标签样本进行训练，又可以利用无标签样本进行分类。

典型的半监督分类方法包括自动编码器和生成对抗网络（GAN）等。

这些方法在遥感图像分类中具有潜力，可以有效提高分类结果的准确性。

二、结果验证技巧1. 精确度评估精确度评估是验证分类结果准确性的重要指标之一。

常用的精确度评估方法包括混淆矩阵、精确度（Accuracy）、召回率（Recall）和F1值等。

通过对分类结果和真实样本进行对比，可以评估分类算法的准确性。

2. 交叉验证交叉验证是在有限的数据集上评估模型性能的常用方法，它可以有效地避免由于数据集选择不当而引起的偏差。

常见的交叉验证方法有k折交叉验证和留一交叉验证。

在遥感图像分类中，交叉验证可以帮助评估模型在不同样本集上的分类性能。

3. ROC曲线分析ROC曲线分析是衡量分类器性能的重要工具，它可以绘制出分类器在不同阈值下真阳性率和假阳性率之间的关系。

遥感概论复习题第一章一、填空：1、遥感的分类方法很多，按遥感平台分：地面遥感、航空遥感、航天遥感、航宇遥感。

2、遥感的分类方法很多，按工作方式分：主动遥感和被动遥感。

成像遥感与非成像遥感。

二、简答及综合题1、何谓遥感？遥感技术系统主要包括哪几部分？遥感：广义上指一切无接触的远距离探测，包括对电磁场、力场、机械波（声波、地震波）等的探测。

狭义上指是应用探测器，不与探测目标相接触，从远处把目标的电磁波特性记录下来，通过分析，揭示出物体的特征性质及其变化的综合性探测技术。

遥感技术系统主要包括：被测目标的信息特征、信息的获取、信息的传输与记录、信息的处理和信息的应用五大部分。

2、遥感的主要特点表现在哪几方面？并举例说明。

遥感的主要特点：（1）观测范围大、具有综合、宏观的特点（2）信息量大，具有手段多，技术先进的特点（3）获取信息快，更新周期短，具有动态监测的特点（4）数据的综合性和可比性：反映了地球上许多自然人文信息，红外遥感昼夜探测、微波遥感全球探测人们可以从中选择需要的信息（5）经济性：与传统方法相比大大节省人力、物力、财力和时间，具有很高的经济效益和社会效益（6）局限性：遥感技术所利用的电磁波还是很有限，仅是其中的几个波段。

3、遥感的发展主要经历了哪几个阶段？（1）无记录的地面遥感阶段（2）有记录的地面遥感阶段（3）空中摄影遥感阶段（4）航天遥感阶段4、当前遥感发展趋势？（1）新一代传感器的研制，以获得分辨率更高，质量更好遥感图像和数据（2）遥感应用不断深化（3）地理信息系统的发展与支持是遥感发展的又一进展和方向5、根据你所学的知识，例举遥感在你所学专业领域中的应用。

（1）遥感在资源调查方面的应用 a：在农业、林业方面的应用 b:在地质矿产方面的应用 c:在水文水资源方面的应用（2）遥感在环境监测评价及对抗自然灾害方面的应用 a:在环境监测方面b:在对抗自然灾害方面的应用（3）遥感在区域分析及建设规划方面的应用（4）遥感在全球宏观研究中的应用（5）遥感在其他方面的应用a:在测绘地图方面的应用b:在历史遗迹、考古调查方面的应用c:军事上的应用第二章一、填空：1、电磁波谱按波长由低到高排列主要由γ射线、X射线、紫外线、可见光、红外线、微波无线电波等组成。