注：详见《2016年版遥感技术应用实验教案（地信专业）》和自整理的《【erdas】实验笔记》，本文主要记录对实验原理的进一步理解。
实验一_视窗基本操作、几何纠正校正、图像合成、图像拼接
（一）视窗基本操作
（二）几何纠正校正
参考：①【图文】影像几何纠正的原理与方法_百度文库
https://wenku.baidu.com/view/28a1ce87ec3a87c24028c4aa.html
②几何校正和配准的异同_百度文库
https://wenku.baidu.com/view/e8613e5e650e52ea55189867.html
③(42 条消息)地理配准与空间校正有何异同?（求详细解答） - 知乎
https://www.zhihu.com/question/31739321/answer/53185897
④遥感图像多项式几何校正原理_百度文库
https://wenku.baidu.com/view/818a0b61b8f67c1cfad6b8ef.html
理解
输入：待校正的图像和已经过校正的图像→→在待校正图像中选取6个控制点（假设用2次多项式模型），在已校正图像中分别选取对应位置的点 （2次多项式模型在此过程自动建立）→→ 第7个点：在待校正图像中选取第7个控制点--模型自动算出了该点坐标（在已校正图像的坐标）——即得无几何畸变的坐标值 √
→→→→重采样：由有几何畸变的像元亮度值得到无几何畸变的各像元亮度值
→→→→精度评价
（2）重采样及方法
不同的像元坐标在进行配准、纠正和投影等几何变换后，原本的像元中心位置往往会发生一些变化，其在输入栅格中的位置所在的行列号不一定是整数，因此需要根据输出栅格上每个像元在输入栅格中的位置，对输入栅格按一定规律进行重采样操作，即进行每个栅格值的重新计算，建立新的栅格矩阵。这就要求配准之后进行影像重采样。
综上，最近邻法计算简单、运算量小，且不破坏原始影像的灰度信息，但是视觉效应差，几何精度只能达到±0.5个像元，采样后图像的不连续性较突出；双线性内插法克服了最近邻法使图像不连续的缺点，计算较三次卷积内插法简单，不足的是图像边缘受到平滑作用，会出现轮廓模糊现象。三次卷积内插法会使图像边缘增强，但是计算量太大，适合高精度的影像处理要求。往往采用双线性内插法
然后，在Image Resample对话框中，定义重采样参数;进行像元灰度值的重采样就可以达到一般要求。
（忽略零值√∵遥感影像边缘有很大的空白区域，也就是0值区域，要忽略掉）
（3）检验校正结果
首先检验均方根误差RMSerror（“标准误（差）”）是否满足精度要求，其原理是估算坐标和原坐标之间的差值大小代表了每个控制点几何校正的精度，通过计算每个控制点的均方根误差，即可检查有较大误差的地面控制点，又可得到累计的总体均方根误差。通常用户会指定一个可以接受的最大总均方根误差，如果控制点的实际总均方根误差超过了这个值，则需要删除具有最大均方根误差的地面控制点，在必要时选取新的控制点或调整旧的控制点，重新计算RMS error，直至达到所要求的精度。若满足要求保存校正后的图像。
————————————————————————————————————————————————————
解疑
（1）在哪一步建立多项式模型？用的哪些点？
（2）校正？配准？
查阅了不少资料（如https://wenku.baidu.com/view/e8613e5e650e52ea55189867.html）→→个人觉得：区别不大吧，几何校正中有配准这一步（数据是：待配准栅格图像and经过校正的栅格图像），网上查阅关键词“校正”、“配准”也觉得乱乱的。——姚大“它们基本一个意思，不必过分区分。”
————————————————————————————————————————————————————
心得
②第一次懵逼时就打算请教下别人，但没有这样做（其实是∵懒T T），而是继续搜、看——理解进一步深入，请教别人也更顺！
（三）图像合成
（四）图像拼接
实验二_信息融合与融合评价
（一）遥感信息的融合处理
理解
1.实验原理
如一般多光谱图像的光谱信息丰富，而空间分辨率较低，全色图像具有较高的空间分辨率，但是它是一个灰度图，缺乏光谱信息，我们将二者融合后，就可以获得高分辨率的多光谱图像。
https://www.zhihu.com/question/21559635
1）主成分变换融合（(Principal Component Analysis，PCA)又称K-L（Karhunen-Loeve）变换或霍特林（Hotelling）变换）：具有方差信息浓缩、数据量压缩的作用。具体过程是：首先是对输入的多波段数据进行主成分变换，然后以高分辨率遥感数据替代变换后的第一主成分，再进行主成分逆变换，生成具有高空间分辨率的多波段融合图像。该种融合方法最大的优点是对波段数没有限制，可以实现多个波段的融合。通过主成分的变换可以消除冗余信息，减少计算量。
主成分分析（PCA）的原理就是将一个高维向量x,通过一个特殊的特征向量矩阵U，投影到一个低维的向量空间中，表征为一个低维向量y，并且仅仅损失了一些次要信息。也就是说，通过低维表征的向量和特征向量矩阵，可以基本重构出所对应的原始高维向量。
主成分逆变换：将经过主成分变换得到的图像重新恢复到RGB彩色空间上（有当时的特征矩阵参与变换）
2）Multiplicative 变换融合：应用最基本的乘积组合算法直接对两种空间分辨率的遥感数据进行合成，即融合后的波段数值等于多波段图像的任意一个波段数值乘以高分辨率遥感数据。
3）Brovey（比值）变换融合：将输入遥感数据的三个波段用下式表示：Bi’ =Bmi/(Bmr+Bm+Bmb)*Bh
其中，Bi’代表融合以后的波段数值，Bmr、Bm、Bmb分别代表多波段图像中的红、绿、蓝波段数值，Bmi代表红、绿、蓝多波段中的任意一个，Bh代表高分辨率遥感数据。。
4）HIS变换融合：先将多光谱影像进行彩色变换,分离出强度 I(Intension)、色度H(Hue)、饱和度 S(Saturation)3个分量,然后将高分辨率全色影像与分离的强度分量进行直方图匹配，使之与I分量有相同的直方图，最后再将匹配后的全色影像代替I 量与分离的色度H、饱和度S分量做IHS逆变换后得到RGB融合影像。
融合前：多光谱图像&全色波段图像 几何配准！！！
用一定的方法实现融合
融合后：评价融合结果
______________________________________________________
解疑
“全色图像”-单波段？ （“不是单波段，意思就是把可见光范围内的波段剔除出一个来”，0.5-0.75范围的波段 能取出一个，这个意思）
（二）遥感图像的融合效果评价
get √
高通滤波（空间纹理评价第一步：对融合图像和高分辨率图像分别纹理分析 or 进行高通滤波求取其高频部分 ）
①观察灰度分布来描述一幅图像成为空间域，观察图像变化的频率被成为频域。
②频域分析：低频对应区域的图像强度变化缓慢，高频对应的变化快。低通滤波器去除了图像的高频部分，高通滤波器去除了图像的低频部分。
低通滤波：去除噪声。高通滤波：提取图像边缘，进而锐化图像
图像低频/高频 （图像噪声是高频）
http://blog.csdn.net/charlene_bo/article/details/70877999
实验三_监督分类与非监督分类
（一）监督分类
有先验知识 已知→未知
最小距离法：
①机器学习中的特征空间 - null的专栏 - CSDN博客
http://blog.csdn.net/google19890102/article/details/49359161
（特征=对原始数据的数值表示；模型=对特征的数学总结）
②最小距离分类法介绍 - CSDN博客
http://blog.csdn.net/liangdas/article/details/17039583
（上文通俗地介绍了欧氏距离、曼哈顿距离、闵可夫斯基距离！！！）
http://blog.csdn.net/liangdas/article/details/19294951
（二）非监督分类
