我们知道，他们是用于图像的辐射增强，但是，怎么增强的？
实际上就是旧的灰度值映射到新的灰度值上，像我们之前学习的线性变换、分段线性变换、对数变换、指数变换均是如此。
而对于直方图均衡化，我们是将各个灰度值的频数均匀分配：
而直方图规定化则是将其与另一幅图象的直方图匹配(与其形状一致)或具有一种预先规定的函数形状。
简而言之，直方图均衡化是将影像直方图分布均匀化的方法；而直方图规定化是将一幅影像与另一影像的直方图匹配使二者直方图形状几乎一致的方法（也称直方图匹配）。
直方图均衡化通常用于当图像的对比度较低，或者某一部分的像素值集中在较小范围内时。直方图均衡化通过拉伸像素值范围，使得每一个可能的像素值都能得到有效利用，从而提高对比度和细节可见度。
而直方图规定化通常用于当需要将一幅图像的灰度分布调整成与另一幅图像相似的情况，如在遥感影像融合、影像拼接、影像色彩校正等任务中。直方图匹配通过调整像素值的分布，使得两幅图像在视觉上具有相似的色彩和亮度特性。
- 小知识点
- 滤波可以在空间域或者频率域进行；
- 滤波的作用是平滑去噪和边缘增强
- 空间域中的平滑去噪-中值滤波+均值滤波的计算
我找一张很形象的动图（一幅影像一个卷积核或者说算子，下方一共8个波段对应8个卷积核）：
但是需要注意的是，上方的计算并没有考虑边缘部分的计算，以下我们以一个例题进行计算。
假定一幅一影像栅格矩阵如下：
由于我们需要考虑边缘部分，因此扩充补零：
我们均值计算的卷积核或者说算子如下：
那么对于第一行第一列的数值，我们的计算如下：
所以对于中心像元45应该替换为11.1111，对于其它像元均是如此计算。需要注意的是，并不是每一个均值计算都是计算中心像元的3✖3窗内所有像元值的和再除以9（常规均值的求取）；一方面要注意窗口的大小，另一方面需要注意卷积核的样子，均值计算的卷积核不止一种。
对于中值运算同样如此，但是一般不需要实际数值的卷积核，因为中值实际上就是将窗口内的数值由大到小排列取中间的数值替换中心像元的数值，但是需要注意它的窗口，不仅仅是窗口大小，更有窗口形状的变换，例如1×3的卷积核，由于计算类似，细看 。
例如下方对于中心像元的中值滤波（滤波窗口为3×3）：
简单看看各种边缘增强的卷积核或者算子的样式：
样式就是卷积核内数值相加必等于0，且具有一定突出效果。
边缘增强的卷积核的作用就是突出图像中的地物边缘、轮廓线或者线状目标，提高了边缘与周围像素之间的反差。
平滑滤波就是我们说的低通滤波，边缘增强也就是我们说的高通滤波；
低通滤波顾名思义就是低的可以通过，具体指代的是低频部分可以通过，但是这里的低频部分一般指代图像的平滑和均匀部分，因为这部分区域的像素变化较慢或者变化较小；è常用于图像平滑和噪声去除。
而高通滤波顾名思义就是高的可以通过，具体指代的是高频部分可以通过，这里的高频成分一般指代图像的边缘和细节部分，因为这部分区域像素值变化较快或者变化较大。è常用于图像锐化和边缘检测。
对频率域来说，通过傅里叶变换将空间域变换到频率域，然后在频率域上进行高通滤波和低通滤波，需要特别注意的是，哪个是在频率域中中间位哪个是在边缘位置上进行滤波；
由于我们的拿到的影像一般如下（经过频谱居中）：
中间部分亮只是因为它的能量比较多，也就是说影像中大部分区域都是低频部分也就是比较平滑。
我们进行低通滤波实际上对频谱图像中心的区域进行处理（让中间区域通过），而抑制或消除边缘部分。
而高通滤波则是对边缘部分进行处理。
首先说说图像分割是什么，了解一下，直接摘了：
一幅图象通常是由代表物体的图案与背景组成，简称物体与背景。若想从一幅图象中“提取”物体，可以设法用专门的方法标出属于该物体的点，如把物体上的点标为“1”，而把背景点标为“0”，通过分割以后，可得一幅二值图象。
- 图像分割的作用
将一个图像分割成若干个具有特定意义的区域，这些区域通常具有一致的某种属性，如颜色、亮度或纹理等。
当影像直方图具有两个峰，分别与两个灰度级范围相对应 ，我们可以将分割阈值设置于两峰之间的谷底，这样能够将目标物和背景分割。它适用于目标在其内部具有均匀一致的灰度值并分布在另一个灰度值均匀的背景时。
或者说，图像中的不同区域在直方图上有不同的峰值。它适用于图像的直方图具有明显的多峰特性，且不同峰值对应的像素值具有明显的区分度也即相邻两峰间的谷对应于目标边缘附近有相对较少数目的点时。
- 梯度方法
梯度方法是基于图像的边缘信息来进行图像分割，它适用于图像中的目标区域和背景之间具有明显的边缘界限。
类似种子扩散算法，要求像素间具有一定的连通性和邻近性，实际上就是需要有一定的相似度
- 数学形态学方法
多用于二值化图像（例如在对分类或者分割好的影像进行腐蚀膨胀去除小斑块孤岛问题等），当然灰度图像也是可以的。
看图说话：
但实际上我们是通过距离（例如曼哈顿距离、欧式距离等）、相关系数、最大似然法等进行地物判断。
- 精度评价方法及其计算？
总体精度（Overall Accuracy）：这是分类结果正确的样本所占的比例。它表示了整体分类的准确性，但不能反映各类别间的精度差异。
制图精度（Producer's Accuracy）：也被称为“用户精度”，是一种针对每个类别的精度度量，它表示了被正确分类到该类别的样本所占该类别所有样本的比例。
漏分误差（Omission Error）：对某一类别，它是未被正确分类到该类别的样本所占该类别所有样本的比例，是制图精度的补。
错分误差（Commission Error）：对某一类别，它是被错误分类到该类别的样本所占所有被分类到该类别的样本的比例。
混淆矩阵（Confusion Matrix）：它是一个表格，用于描述分类结果的详细情况。行代表实际类别，列代表预测类别，表格中的元素表示各类别之间的样本数量。
Kappa系数（Kappa Coefficient）：Kappa系数是一种用于一种测定模型分类结果与实际影像吻合度或精度的统计量。值越接近1，表示分类结果越好；值为0表示预测分类结果与随机结果无差异；值小于0表示分类结果比随机结果还差。
- 混淆矩阵
- Kappa系数
- 监督分类和非监督分类的常见算法及其特征
- 最小距离分类器
- 最大似然分类器
- 神经网络分类器
- 决策树分类器
- 支持向量机分类器
- 随机森林分类器
特征：地物类型是确定的，有充足的参照数据作为训练样本，从训练样本得到解译标志，并用于训练分类器以将光谱数据分类制成专题图。
- K-均值算法(K-mean)
- ISODATA算法(动态聚类法)
特征：使用基于聚类的算法，根据图像内在包含的统计信息将光谱图像划分成许多光谱类别，没有预先定义好的类，分析人员负责将各个光谱类别标明和合并为有意义的类别。
监督分类有哪几种常见算法?非监督分类又有哪几种常见算法？特征是什么，适用于什么样的分类条件；
- 扩大样本数量；
- 剔除不纯净的样本；
- 选用不同的分类算法和相关参数；
- 影像的分辨率提升以及影像的预处理例如辐射定标、大气校正等；
- 了解地物分类的特征，尝试增加更多特征，例如对于植被使用NDVI、NDWI等；
对于不同地物的样本，我们可以对其进行分离度分析来查看各类样本的可分离性，若较为模糊就应该对样本进行改进处理；对于分类效果好坏通过前文的精度评价中各项指标进行。
- 遥感数字图像处理的发展史
- 遥感数字图像的获取、查询和检索、统计和特征、数据格式和存储方式、显示和拉伸
- 图像的辐射校正和几何校正（辐射校正又包括系统辐射校正、辐射定标、大气校正和地形辐射校正；而几何校正又包括正射校正、几何粗校正和几何精校正；）
- 图像的增强（包括各种变换例如傅里叶变换、K-L变换、K-T变换，以及他们和卷积滤波的结合包括平滑去噪和边缘增强两个方面）
- 图像的分割和分类（分割包括各种分割算法例如灰度阈值法、数学形态学算法等；分类包括监督分类和非监督分类算法，具体又有随机森林支持向量机等、ISODATA和K均值等）
