非线性拉伸的作用是什么？
地物的光谱特性一般以图像的形式记录下来，地面反射或发射的电磁波信息经过地球大气到达遥感传感器，传感器根据地物对电磁波的反射强度以不同的亮度表示在遥感图像上。遥感传感器记录地物电磁波的形式有两种：—种以胶片或其他的光学成像载体的形式．另一种以数字形式记录下来，也就是所谓的光学图像和数字图像的方式记录地物的遥感信息。
遥感图像处理大概有遥感图像的几何处理和辐射处理，几何处理包括图像的粗加工和精纠正，图像间的自动配准和数字镶嵌等等；辐射处理包括图像的辐射定标、辐射校正，辐射增强，图像平滑、锐化，图像融合等等。
分段线性拉伸属于图像增强，是为了突出感兴趣的目标或灰度区间，相对抑制那些不感兴趣的灰度区间。常用是三段线性变换，即对一个灰度区间进行线性拉伸，其他的区间被压缩。
直方图匹配的作用是什么？
直方图匹配就是修改一幅图像的直方图，使得它与另一幅图像的直方图匹配或具有一种预先规定的函数形状，目的突出我们感兴趣的灰度范围，使图像质量改善。
直方图匹配的目标
：①图像镶嵌中图像的灰度调节,通过直方图匹配使相邻两幅图像的色调和反差趋于相同。②多时相图像处理中以一个时相的图像为标准,调节另一幅图像的色调与反差,以便作进一步的运算。③以一幅增强后色调和反差比较满意的图像为标准,对另一幅图像作处理,期望得到类似的结果。
主成分变换的作用是什么？
是基于变量之间的相关关系，在尽量不丢失信息前提下的一种线性变换的方法，主要用于数据压缩和信息增强。在遥感软件中，主成分变换常被称为K－L变换对多波段遥感影像处理过程中具有降维、压缩、影像增强的作用,也可利用其对多时相数据进行处理以自动发现精度不错的土地利用变化信息
IHS变换的作用是什么？
HIS彩色变换：通过构建H（色调）、I（强度）、S（饱和度）模型来进行的彩色变换1）进行不同分辨率的图像的融合：HIS中，I成分控制着图像的亮度。将低分辨率图像变换到HIS彩色空间，将I成分用高分辨率图像中的某个波段替换，然后进行彩色逆变换，可以
达到数据融合的目的。
（2）增强合成的图像的饱和度：图像的饱和度不足，图像不鲜艳，不容易区分图像中的细节。将数据从RGB彩色空间变换到HIS彩色空间，然后对S成分进行拉伸增强后，再变换到RGB彩色空间显示，可以提高图像的饱和度。
（3）通过对强度I成分的处理进行图像的增强：强度I成分集中了图像中的一些信息，单独对此成分进行增强，再做逆变换，可以获得其它方法无法达到的效果，例如，对于云或雾的去除等。
（4）多源数据的综合显示：随着工作的积累，在同一地区往往积累了不同传感器的遥感数据。通过将这些数据的波段分别赋予HIS，然后逆变换作彩色显示，可以获得较好的效果。
（5）其他应用：对色调进行分段扩展，以突出某一色调或加大某一范围内的色调之间的差异；色调不变，将亮度和饱和度置为常数，以突出地物色调在空间上的分布；将强度置为常数，色调和饱和度不变，可以减少地形起伏的影响，突出阴影部分的地物信息。
非监督分类与监督分类的原理是什么？
（一）监督分类监督分类又称训练场地法或先学习后分类法。它是先选择具有代表性的
典型试验区或训练区，用训练区中已知地面各类地物样本的光谱特征来“训练”计算机，获得识别各类地物的判别模式或判别函数，并依此模式或判别函数，对未知地区的像元进行处理分类，分别归入到已知的类别中，达到自动分类识别的目的。
监督分类的流程框图如图7-16 所示。具体方法是：
1.选择有代表性的典型训练场地，或在遥感图像上圈出已知地物分布的范围界线。例如：现有已知地物M1、M2、M3。
2.对已知训练区的已知地物样本的光谱特征或已知地物所有像元各波段的数值（亮度值）进行统计，提取各地物类别的数值特征。例如：各类型地物不同波段的均值、标准差（或称方差）等，若用三个波段表示，则有如下形式：
?M 11，S11
M1 ?M 12 ，S12
? M 21，S21
M2 ? M 22 ，S22
?M 31，S 31
M3 ?M 32 ，S 32
M13 ，S13
M23，S 23
M 33，S 33
（ik 为各类别的均值，Sik 表示各类的标准差；其下标i=1，2，3，?，
表示类型，k 表示波段，k=1，2，3，?。）
3.确定分类判别函数，即选择和确定分类的方法，以使计算机能按确定的程序进行分类。分类的方法很多，例如：最小距离法、相似判别法等，可根据具体情况选择。
4.分类参数、阈值的确定。由于像元数值的随机性，各类地物像元数值的分布都是围绕一个中心特征值，散布在空间的一定范围内。为此，在分类判别前必须确定出各类地物的中心特征值（参数）及其分布范围界线——类型阈值大小。例如：可将地物各波段均值所在的空间位置作为类型的中心特
征值；相应波段的标准差（即t·Sik）作为类别的阈值，限定类型的分布范
围。这样就构成了一个“分类器”。
5.分类。利用“分类器”进行分类，即根据选定的分类方法，以及确定
的分类参数和阈值进行分类。例如：将输入的像元数值与各类型的中心特征值比较，并按所确定的阈值，把像元归入到最相近的类别空间里，并赋于新值，完成像元分类。
6.检验。是指对“分类器”分类精度的检验。即统计“分类器对已知样本像元的分类精度（已知样本像元错分率）。若不合格，则返回4 或3 中，
重新调整各类阈值（tSik）或重新确定分类参数，直到“分类器”分类精度
达到要求为止。这样，经已知样本反复“训练”所构成的“分类器”即认为调整好。
7.输入未知像元。利用已调整好的“分类器”分类，将未知像元归入到各类别中，输出分类图像。
获得的分类图像要拿到实地或对照地面已知资料进行检验，检查和评价分类的精度和效果，总结经验，不断提高分类处理的质量和水平。
监督分类简单实用，但在处理分类前必须确定好已知地物样本的分类特征及其参数。这是分类成败的关键。已知样本分类特征及其参数的确定要有代表性，要有足够的样本（或像元）作为统计的基础。此外，由于环境的变化及其复杂性，以及干扰因素的多样性和随机性，由训练场地已知样本所获得的分类特征及其参数，只能代表一定时间和具体地域的情况，不能无条件地推广。若地区情况或环境条件变化，应该另选训练场地，以免造成较大的误差或误判。
（二）非监督分类
非监督分类又称边学习边分类法。它直接对输入的数字图像像无数值（亮度值）进行统计运算处理，分别将每个像元归纳到由图像各波段构成的多维空间中的集群中，达到分类识别的目的。例如，一幅陆地卫星TM 图像有六个波段（不包括TM6 波段），图像中的每个像元即由这六个波段（TM1，3，4，5，
7，）构成的六维空间中有一确定的点与之对应。由于同一类型的地物有着相
近似的光谱特性，这样相同性质的像元点就汇集在空间中的一定范围的区域内，形成点的集群。不同类型的地物，则在空间中的不同地域形成集群。如
图7-17，是由TM2、TM3 和TM4 三个波段构成的三维空间，A、B、C 分别为三
种不同类型的地物汇集的集群。显然，可以通过采用数理统计或其它数学处理方法，将各集群的空间分布状态、范围界线等参数定量地确定，归纳成一定的数学模式或判别函数，用来区分和识别每一像元的属性，自动地进行分类处理。
非监督分类的方法很多，图7-18 是非监督分类的流程框图，从框图中不难看出：非监督分类时“分类器”是经反复修定、调整逐步逼近形成的，即通常采用迭代的方法构成。处理时，只在选定分类方法，设定分类集群数目，以及在迭代过程中决定是否中止过程时，
