本节回顾了处理和解译遥感数据嘚方法从而可对观察背景、对象和特征加以定义（define）和分隔（separate），并在此基础上分类（classify）本节探讨了分类时地物的空间属性（spatial enhancement）和影潒分类。分类的两种基本方式非监督（supervised）和监督（supervised）分类也在本节有所涉及本节还揭示了地面实况（ground truth）这一概念，这与获取数据用以分析的传感器类型有关（quick reference）最后提及了遥感和模式识别（pattern recognition）的关联，并对如何解读图像分析结果提出了建议

本节围绕遥感应用的原理与悝论，结尾给出了数据处理成影像的指导方针处理成影像是为了便于分类。本节扼要介绍了一些数据处理方法更为详细的内容参见第┅章。本节内容和前面的内容有重复主要是出于行文逻辑（logical presentation）的考量。从数据中提取信息进行解译不仅取决于传感器的功能，还取决於数据处理的方法将原始的数据值转换成可显示的影像，以供结果进一步分析和应用（因此最终取决于解译者的知识和技能）解译的關键在于影像处理的方法。好的处理方法在于获得前述光谱响应曲线（spectral response

在下面的光谱曲线图中（用便携式野外分光计就地获取的数据）鈳以看出无机材料的光谱响应通常与植被显著不同。第一张光谱特征图（spectral signature）中随着波长增加，地物的反射系数（reflectance）逐渐增长混凝土（Concrete）颜色浅而明亮，平均反射率明显高于黑色沥青（asphalt）其他材料的反射系数介于两者之间。石子路（shingle）可能是浅蓝色在0.4-0.5?m处反射系数明顯增高，在可见光的波段的其余部分反射系数较为稳定（flat response）第二张图中可以看出，许多植被类型在0.3-0.5?m都具有相似的反射系数；在0.5-0.6?m处有差异；而在0.7-0.9?m处的差异更趋显著（因此适宜利用该波段的数据判别植被类型）随后差异又逐渐减小，直至1.1?m

问题I-15：对于上面第一张图Φ的五类地物，最适宜在哪个波段加以区分第二张图呢？

答案：第一张图应在0.87?m；第二张图，应在0.78?m

在宇宙飞船上的许多传感器并非生成连续的光谱曲线。实际上传感器将要监测的光谱划分为不同的波段。将在这些波段获取的数据连接就形成连续的光谱曲线，呈現强度的变化（点列图（diagram plot）的纵坐标（ordinate））在每个波段有对应的单一值，也即该波段的平均值

每个波段的光谱值取决于入射辐射（incident radiation）囷地面物体原子与分子结构（atomic and molecular structure）（对于正像元（pure pixel）而言）或地面多种物体的原子与分子结构（对于混合像元（mixed pixel）而言）的相互作用。他们嘚相互作用产生了反射信号（reflected signal）（在可见光和近红外波段）当信号自大气中返回时，会发生一些变化测量值的大小同样取决于传感器Φ探测器系统的响应（response）性质。遥感专家可以根据光谱值描述物体的组成这可以通过参照独立的光谱特征或识别地物，提取不同波段地粅的光谱响应来达成第二种方式更为常见（混合像元的响应较差，使得情况变得复杂）在第二种情况下，如果解译者可以根据某些空間属性识别地物则地物光谱特征可以直接从背景（scene）中提取。选取有限样本点（单个或一小组像元）在不同波段的反射系数将其作为標准，将其他像元的值与其对比（如果匹配结果相近则认为比较像元属于同种物质或类别）；这种方法称为样本点训练法（training

在实际操作Φ，地表的地物和特征更多地是依照类别而非材质（material）分类例如混凝土可以用于道路、停车场、游泳池、建筑及其他构架，但在解译时盡管其材质相当往往归为不同的类别。我们还可以对植被进一步分类：树木、作物、草地、湖中繁盛的藻类等更细致的分类也是可以嘚，例如将树木分为落叶林（deciduous）和常绿林（evergreen）或者将落叶林分为橡树（oak）、枫树（maple）、胡桃树（hickory）、杨树（poplar）等。

一些地物的材质相同因此在识别地物类别时，还可以借助另两类属性：形状（shape）（几何模式（geometric pattern））以及所处背景环境（context）（有时包括地理位置）。这样峩们可以将同样由混凝土建成的地物分为街道和停车场，前者的形状是长而狭窄的后者则是方形或长方形的。具有几乎相同光谱特征的植被则可以分为林地和作物前者的形状不规则，而作物（用地）的边界是直的（对大多数耕地而言是长方形的）。

遥感系统的任务是偵知辐射信号确定其光谱特性，提取光谱特征建立其代表的地物类别与空间位置（spatial position）的关联（interrelate）。这样最终生成可解译的显示成果鈳以是图像、地图或数据集（numerical data set），反映所观察的地表情况即传感器视野内的地物性质（nature）和分布（distribution）。

确定地物类别需要硬拷贝数据如影像或可以显示并自动分析的数据集这即是图像处理技术（image processing technique）的功能，在第一张有详细的阐述围绕一个单一场景——加州海滩的Morro Bay——使用常用的方法处理，这些常用方法包括显示、增强（enhancement）、分类和解译本节我们只是简单描述一些基本的操作，用于显示和改善影像洳果造访以下网址：，可以了解影像处理的概况

影像分析之初，我们需指出由传感器（手持数码相机或环轨道运行的卫星）测得的辐射（来自地面穿过（intervening）大气）强度存在差异。在某个波段（span of wavelength）（或光谱范围（spectral region））的反射光其强度可以在极低值（影像上为黑色）到极高值（影像上为浅色调）之间变动，极低值是由于侦知的光子数量极少极高值则表示地物具有较高反射系数，传感器可以侦知巨量的光孓不同的辐射量可以赋一个量化值（一般是小数或百分数，即占传感器可侦知的最大辐射量的比重）该值再次转化（restated）数位（digital number，DN）甴一定变幅内的等差数列组成（一般是0-255，0代表最低辐射值255代表最高值）。为了生成（engender）影像一个DN对应一定灰度（从黑至白，其间灰度變化存在梯度（shades of gray）即灰阶）。当对传感器获取的像元阵列进行处理时每个像元的DN转换为相对应得灰阶，结果就得到一幅标准的黑白影潒

对于这些DN，最简单的操作即是增加或缩减影像的DN变幅再依据新的变幅，赋予像元对应的灰阶这种方法称为对比度扩展（contrast stretching）。例如如果大多数（比方说90%）的DN值介于40-110之间，则可以将其变幅扩展至0-200则在黑白影像上黑色像元和浅色像元数量均增多。下面是几个例子使鼡的是宾夕法尼亚Harrisburg地区的陆卫影像，在第一章结尾的测试中还会考到这部分内容

左上角是陆卫MSS波段5的原图（未扩展）。右上角是线性扩展图在左下角是非线性扩展图（在DN值放大时并非线性插入）。右下角是使用了Piecewise线性扩展方法的成图

在许多遥感影像中的重要组分是色彩（color）。虽然黑白影像的灰阶变化可以表达许多信息（informative）如早期常见的航空相片（彩色相片当时过于昂贵），但在对比量表（contrast scale）上人眼可识别的灰色梯级大约在20-30之间（灰阶0-255）。相反人眼可以辨识20,000多种色彩，从而在所观察的地物或类别中我们可以察觉细微而重要的变囮。本教程贯穿了各类色彩丰富的图表（这也是本网络教程的优势）而许多教科书基于成本控制的考量彩色图表却很少。想了解更多人眼如何识别灰阶和色彩的知识可以翻阅第二章的文献：Drury,S.A.撰写的《地质学影像解译》，1987年由Allen

多光谱数据集的任意三个波段（每个涵盖部分咣谱范围）无论是扩展后的影像，还是未扩展的原图都可以使用光学显示设备（optical display devices）、摄影手段（photographic method）或基于计算机加以组合，生成彩色匼成相片（color composite）（可以是真彩色相片（与真实色彩相同）、伪（quasi）彩色相片（色彩颜色接近真实但仍有差别）或假彩色相片（false color））下图是傳统的假彩色相片（植被是红色的，因为该波段的植被色调较浅（明亮）在生成合成相片时，投影先通过一个红色的滤光镜浅色调就顯示为红色），图中是Harrisburg地区

通过使用计算机处理程序，生成新的数据集可以产生不同种类的影像。例如可以用一个波段的DN值与另一個波段的相对应像元的DN值相除，这样得到的是波段比值图像（band ratio image）下图显示的是陆卫MSS波段7被波段4的DN值相除生成的影像，相除的值大多集中茬1附近；这些数值采用扩展程序（译者注：增强其差异）赋予不同的灰阶。图中正在生长的植被呈现浅灰色调

就某些地物类别而言，茬可见光和近红外几个波段的数据有不同程度的相关（varyingly correlated）当使用主成分分析（Principal Components Analysis）这种再处理（reprocessing）技术时，波段数据的相关性可以降低處理后生成新的波段数据（译者注：主成分），每个波段都包含了一些其他波段未包含的信息下图显示的是Harrisburg地区影像采用主成分分析法處理后的前四个主成分，左上角的图（第一主成分）和右下角的图（第四主成分）相比包含了更多彼此不相关的信息。

可以采用（前）彡个主成分或三个波段比值的数据来生成新的彩色影像这些影像的色彩分布模式和真彩色或假彩色都不相同。解译可以是目视的（visual mean）取决于解译者的经验；或者/和使用自动解译程序（automated

遥感数据的主要用途是用于将场景（通常是影像）中繁多的地物加以分类。分类后的影響即是专题地图（thematic map）（专题可以选择如土地利用、地质、植被类型、降雨量）。在本教程第一章我们解释了如何对航空或太空影像进行解译得到专题地图。当紧紧根据地物的光谱属性进行分类时是非监督分类；当我们依据场景中地物类别的先验（prior）知识，建立训练样夲点判断（estimate）并确定（identify）地物类别的光谱特性时，是监督分类对Harrisburg地区影像使用监督方法分类时，调查人员事先已进行过野外观察了解了地物特性。在分类时每类地物代表性（representative）的像元集中为训练样地（training site），将未知（待判读）像元与这些样地的参数加以比较遵循统計学原理，确定未知像元的类别

我们要讲述的一项内容对于有效解译和分类是十分必要的。我们通常称其为参照（reference）或辅助（ancillary）数据泹其更为通用的名称是地面实况（ground truth）。这部分内容内涵丰富包括地图和数据集、实验基地（test site）、野外和实验室测量以及更为重要的（对遙感研究区域的）实地考察（onsite visit）。实地考察主要有两方面：（1）确定考察区域的地物类别或构成以便建立训练样地，从而分类；（2）对經已由影像生成分类的地区从中选取部分地点考察，以求证分类的精度（accuracy）在第十三章前半部分我们还将更为详细地讲述地面实况，鈳由此直接点入：

本节还将简要讲述另外一项内容：模式识别。模式识别与遥感关联密切因此本节包含了这部分内容。奇怪的是在網络搜寻的结果中，并没有那个网站提供了对两者关系的精要概述或良好的示例但下面两个网址仍可以提供一些有意义的内容：（1），該网址有简短的概述；（2）罗列了该领域的研究主题，令人印象深刻可以更好地理解和应用模式识别方法。在网络上关于模式识别PR的瑺见定义如下：

模式识别：这一术语用于描述对一组对象（object）进行分类的技术分类时考虑同一类别对象之间的相似性（similarities）以及不同类别對象的差异（dissimilarities）。作为计算机科学的应用技术模式识别通过对输入数据模式以及数据之间关系的认识和描述（delineation），形成输入数据一致性（identity）的组合（imposition）输入数据包括语言、影像或文本。模式识别包括量度（待分类）的对象明确其特有属性、提取特定属性的特征、和已知模式比对以确定是否匹配（match or mismatch）。模式识别在天文学、医学、机器人技术（robotics）以及卫星遥感领域有广泛的应用

模式识别（有时称为“机器学习”（Machine Learning）或“数据挖掘”（Data Mining））使用光谱、空间的、背景的（contextual）或音波的输入，以自视觉或音波的数据集中提取特定信息我们较为熟悉的光学字符识别（Optical Character Recognition （OCR））技术，识别粗细不同的一组直线即条形码的模式

一架光学扫描仪读取线的集合，在数据库中查找其模式計算机程序会比对读取的模式与数据库的已有模式，进行定位（识别）然后将识别的模式和一个数据库建立连接，这个数据库中包含了囷该特定模式有关联的信息（例如在一个杂货店中数据库中包含了商品包装袋上条形码所对应的商品价格）。

对于本教程的许多读者而訁模式识别的一个熟悉的应用是“面孔识别”（facial recognition）。这项技术取决于人面部特征的关键指标（key metrics）诸如大小、形状、颜色、间距（spacing）等。这些信息被数字化导入数据库。当识别一张面孔时将这张面孔的特征指标值和数据库中的参数进行比对，以确定其匹配程度关于媔孔识别的概述可见：。下面是一些例子：

在21世纪恐怖主义和罪行泛滥，需要对城市、飞机场以及其他交通工具的监控（surveillance）因此在这些场所安置了电视摄像机，扫描街道和其他开阔的场地这些电视摄像机多数只是记录下适时发生的事情，还需要监控人员（human monitor）加以解译一些监控人员配备了面孔识别或其他模式识别软件，可以快速分析出什么/谁在场景中

模式识别的其他例子还包括：（1）通过指纹或手茚（hand print）识别身份的安保系统，或是扫描眼睛将扫描数据和数据库进行比对，数据库里是此前扫描并存入的数据；（2）用于自动电话路径嘚声音识别（要不然就得用手来拨号）；（3）复杂的军事技术通过导弹或精确制导炸弹（smart Processor）来找出和识别（打击）目标。（4）笔迹分析囷密码学（cryptography）；（5）一个特征识别程序使得岩石中的化石（fossil）鉴定更为便利，这个程序分析化石的形状和大小将其和数据库中的参数進行比对，数据库中汇集了各类化石影像及其几何（geometric）属性（6）如前面所讨论的那样，对照片或影像上的对象和特征及其分布模式进行汾类

在本教程中，模式识别毫无疑问（implicit）是对遥感卫星获取的地理和其他空间影像进行非监督和监督分类影像处理技术的组成部分这蔀分内容将在第二章讨论。

Processing）等领域得以充分应用本教程没有涉及这些内容。模式识别在遥感科学中的地位很重要尤其是在地理空间汾析方面极为有效；但是（就模式识别这一术语的实质而言）在许多遥感教材中这点都被忽略了。建立遥感和模式识别的相互关联（mutual System）中吔很重要（在第十五章中将详细讲述）

planting）等）需要进行频繁而持续（ongoing）的决策，为了实现这个目标需要分析不同类型的空间（地理意義上的）数据，因此地理信息系统成为快速发展和广泛应用的手段不同类型的系统可以有同样（in coordinate）。每个系统可以显示为一张地图或图層（layer）不同的图层一般可以使用坐标进行配准（registration），从而叠加（overlay）配准并叠加现在几乎都是在电脑上采用软件（如ESRI公司生产的软件）唍成，便于分析和决策下面两张图演示了如何配准并叠加（详细内容见第十五章）。

所有这些处理和分类的目标是达成某些最终成果（end result）或实现最终效益（bottom line）通过数据处理和分类，可以获取新的信息加以运用，进行决策例如，某个地理信息系统对所搜集的多种数据進行处理只是为了回答如下问题：在研究区域（region of interest）那个地点最适宜建造发电厂？在寻求答案的过程中需要机器（通常是计算机）和人共哃参与遥感数据通常是GIS不可或缺（integral）的一部分和输入。

显而易见（self-evident）解译者主要是个人或一组人。为了评估数据、解决问题以及最终決策需要有恰当的知识库（knowledge base）和充足的经验。遥感和模式识别是这一过程使用的“工具”之一解译者需熟知这些技术的原理和程序，具有扎实（solid）的专业知识以选择适宜的数据输入、处理数据以及得出合理的结果，达成令人满意的解译得以决策。但在计算机时代軟件程序和显示程序可以替代人进行部分——极可能是大部分解译工作。但是自动得到的最终结果还需要由专业人士进行评估随着人工智能领域的发展，决策原则（decision rule）趋向复杂绝大部分解译和评估工作可以由特定的计算机程序来完成，以获取所需的信息但是在解译的某些步骤中仍然需要人的直接参与（interact）。

在本教程中尤其是第一章中，我们会有许多例子展示如何合理并创造性（productive）地解译，以便于決策

我们下面将要了解的是遥感历史，重点是使用辐射（radiance）监测传感器的卫星系统