简介这份南师大遥感数字图像处理复习题doc文档面向遥感、测绘与地理信息相关专业的本科生及备考学生用于梳理课程重点、巩固名词概念与查漏补缺。资源包内含1个doc文件大小约272KB以文字题目与参考答案为主涵盖名词解释、简答、填空等常见题型。内容围绕数字图像与遥感数字图像的定义、像素与频率域概念、离散与连续两种处理观点展开并涉及图像增强、辐射校正与几何纠正、信息提取等核心模块同时整理了遥感数字图像处理系统的硬件组成、存储空间计算、常用处理软件以及电磁波谱、辐射分辨率、空间分辨率、图像采样、元数据与HDF、GeoTIFF存储格式等知识点。题目配有对应答案便于对照记忆与自测。目前已有67人学习适合作为期末复习与考研初试的辅助材料帮助读者快速定位高频考点并检验掌握程度。1. 遥感数字图像处理复习题一份被低估的期末通关地图如果你正在准备遥感数字图像处理的期末考或者刚入职需要快速捡起大学里学过的那些概念这份复习题文档大概率能帮你省下不少翻教材的时间。它不是什么高深的研究资料而是一份典型的课程复习题库覆盖了名词解释、简答和填空三种题型内容从数字图像的基本定义一路延伸到辐射校正、几何纠正、彩色合成和纹理分析。换句话说遥感数字图像处理这门课里那些绕不开的核心概念它基本都摸了一遍。我第一次拿到这类复习题的时候心里其实是有点不屑的——不就是背题吗但真正翻完才发现它的价值不在于“背”而在于它把散落在教材各章的知识点用考题的形式串了起来。比如“频率域”这个词教材里可能讲了十几页傅里叶变换的推导但复习题里只用一句话就把它和空间域的关系点透了。对于时间紧、任务重的从业者来说这种提炼本身就是一种效率工具。适合谁正在备考的学生、需要快速回顾基础概念的初级工程师以及那些想用最短时间把遥感图像处理的术语体系重新捋一遍的人。2. 从像素到频率域这份题库到底在考什么2.1 名词解释背后的知识骨架复习题的第一部分就是名词解释看起来是最死记硬背的题型但实际上它划定了这门课的知识边界。文档里出现的名词包括数字图像、遥感数字图像、像素、遥感数字图像处理、频率域、电磁波谱、辐射分辨率、空间分辨率、图像分辨率、图像采样、遥感图像模型、直方图、窗口、滤波、纹理、灰色梯尺、伪彩色合成、真彩色合成、密度分割法、直方图均衡化、辐亮度、大气窗口、辐射误差、程辐射、几何精纠正。把这些名词按主题分一下类你会发现它们其实对应了遥感数字图像处理的几个核心模块模块对应名词考查重点基础概念数字图像、像素、遥感数字图像定义与区别成像与分辨率电磁波谱、辐射分辨率、空间分辨率、图像分辨率指标含义与计算图像变换频率域、滤波、卷积空间域与频率域的关系图像增强直方图、直方图均衡化、伪彩色合成、密度分割法原理与操作步骤图像校正辐射误差、程辐射、大气窗口、几何精纠正误差来源与校正方法图像分析纹理、遥感图像模型、窗口统计特征与识别方法这张表不是让你去背的而是让你看清楚复习题里的名词解释不是孤立的它们之间有明确的逻辑链条。比如你理解了“像素是A/D转换中的取样点”就能顺理成章地理解“采样”和“量化”的区别你搞懂了“频率域基于傅里叶变换”就能明白为什么滤波既可以在空间域做也可以在频率域做。2.2 简答题里的高频考点分布简答题部分的信息量比名词解释更大因为它要求你不仅知道“是什么”还要说清楚“为什么”和“怎么做”。我把文档里的简答题按出现顺序梳理了一下大致可以分成四组第一组是图像基础认知类包括遥感数字图像与照片的区别、图像处理的两个观点、遥感数字图像处理需要掌握的基本知识。这三个问题看似简单但实际上是整门课的“世界观”——你用什么视角看待图像决定了你会用什么方法去处理它。第二组是传感器与图像类型类包括传感器分辨率的主要指标、采样和量化的含义、常用传感器有哪些、遥感图像的主要类型、数据级别划分、元数据包含哪些参数、通用存储格式、HDF和GeoTIFF的特点、图像文件大小的计算。这一组是“工具认知”你得知道自己手里的数据长什么样、从哪来、怎么存。第三组是图像增强与显示类包括图像增强的意义、数字图像显示的必要性、颜色模型、显示设备要求、彩色合成方法、假彩色与伪彩色的差异、SPOT多光谱模拟真彩色、图像拉伸方法、多波段线性拉伸步骤、直方图均衡化步骤。这一组是“操作认知”考的是你能不能把方法落地。第四组是图像校正类包括辐射校正的目的和内容、辐射误差产生原因、大气颗粒与波长的关系、TM传感器大气顶面反射率计算、地面辐射校正、简单大气校正方法、几何精纠正的目的和原理、重采样方法、多源图像几何配准。这一组是“纠错认知”也是整份复习题里技术密度最高的部分。2.3 填空题里的参数与计算填空题往往被低估因为它看起来只是填几个词但实际上它考的是你对关键参数和计算逻辑的精确记忆。比如文档里有一道题在计算机中基本的度量单位是。存储一幅1024字节的8位图像需要的存储空间。一景正常的包括7个波段的LANDSAT5的TM图像文件至少占用的存储空间。答案是比特(位)、1MB、200MB。这道题看起来简单但它背后有一个容易翻车的点1024字节的8位图像为什么是1MB而不是1KB因为这里的“1024字节”指的是图像数据本身而存储时还要考虑文件头、辅助参数等开销。至于LANDSAT5 TM的200MB计算逻辑是7个波段 × 每波段约30MB假设6000×6000像素、8位量化≈ 210MB取整为200MB。这个计算在考试里经常出现在实际工作中也经常用来估算存储需求。再比如另一道填空题一幅数字图像为8位量化量化后的像素灰度级取值范围是的整数。设该数字图像为600行600列则图像所需要的存储空间为字节。答案是0-255、360000。计算过程600 × 600 × 1字节 360000字节。这里的关键是“8位量化”意味着每个像素占1个字节灰度级范围是2的8次方即0到255。这些填空题的答案在文档里都有但如果你只是把答案抄一遍考试时换个数字你就不会算了。所以我在看这类复习题的时候习惯把每道计算题背后的公式单独拎出来图像文件大小字节 行数 × 列数 × 每像素字节数 × 波段数 × 辅助参数8位量化每像素1字节灰度级0-25516位量化每像素2字节灰度级0-65535辅助参数一般为1ERDAS等系统可能为1.4把这些公式记住比背答案有用得多。3. 把复习题变成可操作的知识清单三步拆解法3.1 第一步按题型建立索引而不是按页码很多人复习的时候习惯从第一页翻到最后一页翻到后面忘了前面。这份复习题的内容跨度很大从基础概念到辐射校正如果线性阅读很容易陷入“看了后面忘了前面”的循环。我的做法是先按题型建立索引名词解释全部抄在一张纸上按主题分组每组用一句话概括核心区别。简答题只写关键词不写完整答案强迫自己看到关键词就能复述出逻辑。填空题把答案遮住只看题目能填出来的跳过填不出来的标记出来重点看。这样做的好处是你能快速定位自己的薄弱环节。比如你发现“频率域”相关的名词解释总是记不住那就说明你对傅里叶变换的理解还停留在公式层面没有建立起直观认知。3.2 第二步用对比表打通易混概念复习题里有很多容易混淆的概念对比如易混概念对核心区别记忆锚点数字图像 vs 遥感数字图像前者是通用概念后者特指遥感领域遥感数字图像有波段概念照片 vs 遥感数字图像照片是模拟的数字图像是离散的照片没有像素编号空间域 vs 频率域空间域直接处理像素频率域处理傅里叶变换后的频率信息频率域处理后要变换回空间域显示采样 vs 量化采样是空间离散化量化是灰度离散化采样影响细节再现量化影响细节可分辨程度伪彩色 vs 假彩色伪彩色是单波段转彩色假彩色是多波段合成伪彩色用密度分割假彩色用波段组合辐射校正 vs 几何纠正辐射校正处理灰度误差几何纠正处理空间位置误差辐射校正包括大气校正和太阳辐射校正这张表是我自己整理的不是文档里现成的。但如果你能把复习题里出现的所有易混概念都做成这样的对比表考试时遇到“简述XX与XX的区别”这类题你就能直接调用。3.3 第三步把简答题答案压缩成可复述的逻辑链简答题的答案往往很长比如“遥感数字图像及照片的区别”有7条“传感器分辨率的主要指标”有4个。如果逐字背不仅效率低而且容易在紧张时卡壳。我的做法是把每条答案压缩成一个关键词然后串成逻辑链。以“遥感数字图像及照片的区别”为例来源照片是模拟方式摄影系统数字图像是数字方式扫描、数码相机结构照片没有像素和行列结构数字图像有像素、行和列零值含义照片中0表示没有数据数字图像中0是数值编号照片没有编号数字图像每个点有确定编号光谱范围照片受电磁波谱成像范围限制数字图像可以覆盖任意范围颜色照片颜色确定数字图像颜色可通过合成产生通道照片只有RGB三个通道数字图像有多个波段压缩成7个关键词来源、结构、零值、编号、光谱、颜色、通道。考试时看到题目先默写这7个词再逐个展开基本不会漏点。同样的方法可以用在“图像处理的两个观点”上离散方法数字形式存储空间域处理直接操作像素连续方法物理世界连续频率域处理傅里叶变换处理后变换回空间域两个观点各三个关键词逻辑链就清楚了。4. 避坑与排查复习和实操中最容易翻车的五个点4.1 把“频率域”当成玄学只背定义不理解变换逻辑现象名词解释能写出来“频率域基于傅里叶变换”但遇到“为什么频率域处理完要变换回空间域”就答不上来。原因只记住了定义没有理解傅里叶变换的物理意义。频率域是数学工具不是物理空间处理完的图像数据还在频率域人眼无法直接观看。解决把傅里叶变换想象成“把图像拆成不同频率的波”低频对应平滑区域高频对应边缘和细节。在频率域做滤波就是选择保留哪些频率的波然后把这些波重新组合回空间域才能看到处理后的图像。记住一句话频率域是处理手段空间域是显示终点。4.2 混淆“辐射校正”和“几何纠正”的适用场景现象题目问“图像校正主要包括哪两种”能答出“辐射校正和几何纠正”但问“条纹误差应该用哪种校正”就犹豫了。原因没有把误差类型和校正方法对应起来。辐射误差来自传感器响应、大气散射、太阳角度等表现为灰度值失真几何误差来自传感器姿态、地球曲率、地形起伏等表现为像素位置偏移。解决记住一个判断标准——如果问题是“像素值不对”找辐射校正如果问题是“像素位置不对”找几何纠正。条纹误差是灰度值异常属于辐射校正范畴图像扭曲是位置异常属于几何纠正范畴。4.3 计算图像文件大小时忽略辅助参数现象题目给出“200行200列8位量化7个波段辅助参数为1”算出来是280000字节但不确定要不要乘辅助参数。原因辅助参数在大多数情况下是1但在ERDAS等系统中可能是1.4用于存储图像金字塔索引等信息。如果题目明确给出辅助参数就必须乘进去。解决公式是“行数 × 列数 × 每像素字节数 × 波段数 × 辅助参数”。8位量化每像素1字节16位量化每像素2字节。辅助参数为1时不影响结果但为1.4时必须乘。200 × 200 × 1 × 7 × 1 280000字节如果辅助参数是1.4则是392000字节。4.4 直方图均衡化步骤记不全漏掉“四舍五入取整”现象简答题“直方图均衡化的具体步骤”只能写出前两步后面就模糊了。原因直方图均衡化涉及统计、映射、替换、重绘四个环节其中“计算新灰度级并四舍五入取整”是最容易漏掉的一步。解决把步骤压缩成四个动作——统计、计算、替换、重绘。统计原图每一灰度级的像素数和累积像素数计算每一灰度级均衡化后对应的新值四舍五入取整以新值替代原灰度值形成新图像根据新图像像素统计值作出新直方图。记住“四舍五入”这个细节因为灰度级必须是整数。4.5 把BSQ、BIL、BIP三种存储格式搞混现象填空题问“第一行第一波段第一行第二波段……第一行第K波段”是什么格式答成了BSQ。原因没有抓住三种格式的排列逻辑。BSQ是按波段分块BIL是按行分块BIP是按像素分块。解决用一句话记住每种格式的“第一块”是什么——BSQ的第一块是第一个波段的所有像素BIL的第一块是第一行的所有波段像素BIP的第一块是第一个像素的所有波段值。题目描述“第一行第一波段第一行第二波段……第一行第K波段”明显是按行组织的所以是BIL格式。5. 从复习题到实战用直方图均衡化验证你的理解复习题里有一道简答题“对一个波段的图像进行直方图均衡化的具体步骤是什么”文档给出了四步答案。但如果你只是背下这四步遇到实际图像时可能还是不知道从哪下手。我一般会用一个最小的Python脚本来验证自己对直方图均衡化的理解这样既能巩固概念又能看到实际效果。import numpy as np import matplotlib.pyplot as plt # 模拟一幅8位量化的单波段图像灰度级0-255 np.random.seed(42) # 生成一幅偏暗的图像大部分像素集中在低灰度区 img np.random.normal(loc80, scale30, size(200, 200)) img np.clip(img, 0, 255).astype(np.uint8) # 第一步统计原图每一灰度级的像素数和累积像素数 hist, bins np.histogram(img.flatten(), bins256, range(0, 256)) cdf hist.cumsum() # 累积分布函数 cdf_normalized cdf / cdf[-1] # 归一化到0-1 # 第二步计算每一灰度级均衡化后对应的新值四舍五入取整 # 映射公式新灰度 round(255 * cdf_normalized[原灰度]) mapping np.round(255 * cdf_normalized).astype(np.uint8) # 第三步以新值替代原灰度值形成均衡化后的新图像 img_eq mapping[img] # 第四步根据新图像像素统计值作出新直方图 hist_eq, _ np.histogram(img_eq.flatten(), bins256, range(0, 256)) # 可视化对比 fig, axes plt.subplots(2, 2, figsize(10, 8)) axes[0, 0].imshow(img, cmapgray) axes[0, 0].set_title(Original Image) axes[0, 1].imshow(img_eq, cmapgray) axes[0, 1].set_title(Equalized Image) axes[1, 0].plot(hist, colorblue) axes[1, 0].set_title(Original Histogram) axes[1, 1].plot(hist_eq, colorred) axes[1, 1].set_title(Equalized Histogram) plt.tight_layout() plt.show()这段代码的逻辑和复习题里的四步是一一对应的。np.histogram完成统计cdf.cumsum()计算累积分布mapping数组完成映射和取整mapping[img]完成替换最后重新统计直方图。运行后你会看到原图偏暗的直方图经过均衡化后灰度级分布变得均匀图像的对比度明显提升。参数说明loc80控制原图亮度中心scale30控制灰度分布的集中程度。你可以改这两个参数观察不同分布下的均衡化效果。比如把loc改成200图像偏亮均衡化后同样会拉回均匀分布。这个实验能帮你直观理解“直方图均衡化是对原始图像中的像素灰度做某种映射变换使变换后图像灰度的概率密度是均匀分布的”这句话的含义。如果你在复习时能把每个简答题都对应到这样一个小实验上考试时遇到“步骤”类题目你脑子里浮现的不是文字而是代码的执行流程记忆会牢固得多。从那以后我每次复习这类操作性强的知识点都强制自己写一个最小验证脚本哪怕只是几行代码也比死记硬背强。希望帮到你。本文还有配套的精品资源点击获取