这篇博客的目的主要是对最近所学知识的一个整理，加深一下印象。以下的理解均来自《遥感数字图像分析导论第五版》JohnA,Richards著 谷延锋 陈雨时译
在图像光谱域变换部分主要阅读了以下几部分内容：
植被指数
同一图像中不同光谱波段的比值，可用于减少地形的影响，增强岩石和土壤等光谱反射特征的微妙差异。植被指数就是用红外和可见光的差和的比值，描述了像素中存在多少植被。
PCA主成分分析
PCA主成分分析事实上是找到一个新的坐标系去除数据的相关性，减少数据之间的冗余，经过PCA变换后的坐标系的协方差是对角矩阵，对角线上的元素是原始数据的协方差矩阵的特征值，同时也是新坐标系下每一坐标方向的方差。我们可以保留方差较大的几个分量，达到数据压缩的目的。但是PCA变换是旋转变换，不能改进本质上的可分性，原因我想应该是旋转的变换不能改变数据之间的相对距离。
核主成分分析则可以获得一个更好的主成分变换结果，跟SVM引入核一样，核主成分分析也是利用“核戏法”在主成分变换之前，将数据投射到高维空间，在计算变换后的数据空间的第K个成分时只需要知道“核函数”而不需要知道映射本身的实际形式。
//K-T变换即缨帽变换是一种特殊的PCA变换，变换后的新坐标是对原始可见光红，红外，绿色光的线性组合，它的变化矩阵是固定的，是一个4*4的矩阵，第一分量是土壤亮度值，第二分量是是绿度，第三分量是黄度，最后一个是噪声
图像域技术
这部分主要是分析和修正图像几何特性的方法：
如平滑和锐化，描述纹理，腐蚀和膨胀。平滑和锐化这两部分的内容在《数字图像处理》的课程里已经重点学习过。
纹理我理解为物体一种重复的特性，在遥感图像中，草地庄稼和森林都呈现不同的纹理。一种纹理的度量方法是包含在灰度共生矩阵中的熵信息。
这里涉及到一个问题什么是灰度共生矩阵（GLCM）？灰度共生矩阵指的是图像中两个特定亮度级在选定区域方向上、相距一定距离出现的概率，对于每个选定的距离和方向上都有一个GLCM，如果有L个可能的亮度级，那么GLCM将是L*L个矩阵，方向可以是水平方向，垂直方向和对角线方向，也就是说对特定的距离上会有4个矩阵，距离常作为变量来考察在图像局部或者多区域范围内是否有纹理，不同的方向上计算得的GLCM常常保持独立，以此来分析纹理是否与方向有关。当GLCM中所有元素的概率相等时，熵将最大，图像没有明显的纹理特征，如果概率大多不相等，那么熵值低，纹理明显。
腐蚀用于减少参差不齐的边缘，腐蚀的规则是判断模板中的像素是否完全在原始对象内部，若不是则将模板中心的像素从对象中移除，膨胀与之相反，它能增加对象的大小并填充孔洞，膨胀的规则是判断模板中像素是否与原始对象有部分重合，若是则将认为模板中心的像素是该对象的一部分。开运算是先腐蚀后膨胀的过程，可以消除图像上细小的噪声，并平滑物体的边界。闭运算是先膨胀后腐蚀的过程，可以填充物体内细小的空洞，并平滑物体边界。腐蚀使对象的边界收缩了，所以原始图像减去腐蚀后的图像，可以提取出边界。
分类技术
包括监督分类，非监督分类，半监督分类
聚类是非监督分类方法，在分类之前并没有标记的训练数据。聚类要确定可能的类别，以及每一类的均值，每一个数据点都归属到距离最近的类别中，距离的度量方法有很多，有欧式距离，曼哈顿距离，切比雪夫距离，明式距离，夹角余弦，绝对值距离，我们常用的就是欧式距离，聚类的准则是误差平方和。
常用的聚类方法是K均值聚类，主要步骤是：
- 选择可能的聚类数目K，在多维空间中选择k个点为候选聚类中心
- 将每个像素向量x指定到与其最近的均值的候选类中
- 将第三步得到的分组中计算一个新的聚类均值集
- 如果对于全部的类的均值向量都不再改变，停止迭代，否则回到第二步