Create
Learn
Share

GEO333 Midterm 1-5

rename
crystal1902's version from 2017-11-06 20:26

Section

Question Answer
Principal components analysis(PCA): 遥感的data set一般都有bands that相互什么。 PCA会什么 data by transforming 什么 to 什么,最终variables之间没有什么。 PCA是stat transformation of 什么,可以get 什么,并detect什么,trends or outliers并找出correlations,这样减少了变维度时的什么loss,同时找出什么的patterns。这个方法可以让你prepare data使他更适合什么,同时增加你analyze时有更有效result的几率。 First component accounts for largest proportions of data什么。Second component accounts for largest proportion of什么,和first component 无关Principal components analysis(PCA): 遥感的data set一般都有bands that相互highly correlated。 PCA会decorrelates data by transforming DN distribution to 新的coordinate system,最终variables之间没有correlation。 PCA是stat transformation of multidimensional dataset,可以get overview of data,并detect groupings,trends or outliers并找出correlations,这样减少了变维度时的信息loss,同时找出variables的patterns。这个方法可以让你prepare data使他更适合data visualization,同时增加你analyze时有更有效result的几率。 First component accounts for largest proportions of data variance。Second component accounts for largest proportion of remaining variance,和first component 无关
PCA stats: variance/covariance matrix 是illustrate variance of 什么以及他们什么。 Correlation matrix 展示了什么和什么among 原始data。 eigenvalues展示每个component的什么。 Factor scores展示了什么和什么的关系; PCA的purpose: 重要的什么technique,用来减少data什么并且produce 新的,uncorrelated variables。 可以用来integrate certain complementary dataset。 Change detection。 Data exploration和visualization。 PCA是transformed axes that产生什么that可以更容易capture什么。新的components不是named variables,不同的图之间不需要consistentPCA stats: variance/covariance matrix 是illustrate variance of original channels以及他们如何vary together。 Correlation matrix 展示了relationships和redundancy among 原始data。 eigenvalues展示每个component的%variance。 Factor scores展示了components和原始channels的关系; PCA的purpose: 重要的data reduction technique,用来减少data dimensionality并且produce 新的,uncorrelated variables。 可以用来integrate certain complementary dataset。 Change detection。 Data exploration和visualization。 PCA是transformed axes that产生新的variables that可以更容易capture observed variance。新的components不是named variables,不同的图之间不需要consistent
树叶的细胞和血管决定了什么从而影响了什么。 什么光是最能被吸收的。 Algae的phycoerythrin是什么颜色的的,叶类植物是什么颜色的。一片叶子不同的时期会reflect不同的光,如果两片叶子有重叠那么light penetration和energy又会不一样。 如果什么和什么都ok,什么of species可以被accurate发现。 AVIRIS是什么。 In situ ceptometer leaf area index measurement:什么用来测LAI,设备是linear array of 80 adjacent 1平方米的什么sensor(PAR)。 什么是Qa,什么是Qb。树叶的细胞和血管决定了light penetration,影响光合作用。 红光是最能被吸收的。 Algae的phycoerythrin是红的,叶类植物是blue的。一片叶子不同的时期会reflect不同的光,如果两片叶子有重叠那么light penetration和energy又会不一样。 如果resolution和spectra都ok,discrimination of species可以被accurate发现。 AVIRIS是airborne visible infrared imaging spectrometer。 In situ ceptometer leaf area index measurement:decagon accupar ceptometer用来测LAI,设备是linear array of 80 adjacent 1平方米的photosynthetically active radiation sensor(PAR)。 Sunlight above canopy是Qa,ceptometer直接接收到的solar energy是Qb。
8个elements of image interpretation: 什么- general form,configuration or outline。 什么-和image scale有关,可以是relative or absolute。 什么-objects的spatial arrangement or repetition。 什么-物体的relative 亮度。 什么-characteristic repetition of tone or color,spatial variability of tone/color,它们是entities,不是pixel。 什么-地理 or topographic location。 什么-occurrence of features 和其他物体的关系。 什么可能会hiding data,如clouds,solar angle,山的valley会cover很多地方8个elements of image interpretation: Shape- general form,configuration or outline。 Size-和image scale有关,可以是relative or absolute。 Pattern-objects的spatial arrangement or repetition。 Tone/Hue-物体的relative 亮度。 Texture-characteristic repetition of tone or color,spatial variability of tone/color,它们是entities,不是pixel。 Site-地理 or topographic location。 Association-occurrence of features 和其他物体的关系。 Shadow可能会hiding data,如clouds,solar angle,山的valley会cover很多地方
Spatial Filtering:spectral image enhancements用来什么,spatial filtering可以用来什么in什么。这个可以用来remove什么的影响,去除什么。High pass and low pass filter: Low pass过滤什么让general trends 显现, High pass过滤什么让high frequency显现。 Spatial filtering的三个目的是加强什么,feature什么和去掉什么。 Spatial filtering的两个方法Spatial Filtering:spectral image enhancements用来broaden sptectral info,spatial filtering可以用来加强或减弱info in the spatial domain。这个可以用来remove shadow的影响,去除noise。High pass and low pass filter: Low pass过滤high frequency让general trends 显现, High pass过滤low frequency让high frequency显现。 Spatial filtering的三个目的是加强data的可interpretability,feature extraction和去掉sensor degradation。 Spatial filtering的两个方法:convolution和fourier analysis
Convolution:ENVI里有,data set会什么or什么。让什么 as filter 在一张图上pass来create新image。 新image里的pixel是function of 什么in什么 and coefficients of moving window as specified by user。 几个pixels过original image,然后平均or removed每个pixel 再apply到新的image上。但是什么不会被改变因为感兴趣的地方大多在image的中心。Convolution coefficients:moving window(什么)是matrix of什么,大多是3,5,7.如果9个数字是一样的就是什么,如果中央和周围不同就是什么。Kernal越大,每个pixel之间的什么就越大。(low pass) filter平均了整张图的什么。Laplacian (什么)filter可以让edge更什么,任何有边边的物体都可以用如房子or路Convolution:ENVI里有,data set会smooth or featurelize。 让moving window as filter 在一张图上pass来create新image。 新image里的pixel是function of original pixel values in the moving window and coefficients of moving window as specified by user。 9个pixels过original image,然后平均or removed每个pixel 再apply到新的image上。但是edges不会被改变因为感兴趣的地方大多在image的中心。Convolution coefficients:moving window(kernel)是matrix of convolution coefficients,大多是3,5,7.如果9个数字是一样的就是average,如果中央和周围不同就是edge filter。Kernal越大,每个pixel之间的距离就越大。(low pass) filter平均了整张图的颜色。Laplacian (edge detector)filter可以让edge更明显,任何有边边的物体都可以用如房子or路
Local Window Operation: 用来加强或减弱什么of什么。这个也可以apply 到DEM上来改变哪三个; Processing in frequency space: 让每个pixel pass filter很费时间,可以用什么更有效。 Fourier analysis:什么in什么,image被分成high和low frequency,display in什么。什么在中心,什么在outward。horizontal features展示什么,vertical feature在什么。把图变成什么,filter只让正常的过,noise不能过Local Window Operation: 用来加强或减弱various aspects of digital imagery。这个也可以apply 到DEM上来改变slope,curvature,flow direction; Processing in frequency space: 让每个pixel pass filter很费时间,可以用larger linear filtering更有效。 Fourier analysis:filtering in the frequency domain,image被分成high和low frequency,display in scatterplot。low frequency在中心,high frequency在outward。horizontal features展示vertical components,vertical feature在horizontal components。把图变成local window,filter只让正常的过,noise不能过
Image Texture测量characteristic repetitions of什么or什么,哪三种textures。 First order stats是关于mean,range,variance or std都是关于什么of什么。window size可以是3,5,7。但不会考虑context or proximity。只看哪里里的东西。 Second order stats关于什么,形容window里的什么的natureImage Texture测量characteristic repetitions of tones or color,三种textures:spatial variability,distant(scale),direction。 First order stats是关于mean,range,variance or std都是关于moments of a distribution。window size可以是3,5,7。但不会考虑context or proximity。只看pixel里的东西。 Second order stats关于co-occurrence,形容window里的intensity values change 的nature
Grey level co-occurrence matrices是几D spatial dependency matrix, GLCM approx the什么of a pair of pixels (Grey level i and j)seperated by 什么。i和J 有多近。在window里,在一个特殊的angle,一个pixel有多少probablity co-occurance with 其他pixel。how often they occur beside each other. Homogeneity:当locally homogenous 在scale s的时候高还是低, Contrast:和homogeneity相反,有variance at scale S, Dissimilarity和contrast 很像, Mean是什么 in the local window。 Standard deviation是local window里的什么, Entropy当elements of GLCM有很多什么的时候high, Angular second moment: 和entropy相反,high when GLCM element只有什么的时候 Correlation是 measures correlation of pairs of pixels separated by C。哪7个GLCM optionsGrey level co-occurrence matrices是2D spatial dependency matrix, GLCM approx the joint probability distribution of a pair of pixels (Grey level i and j)seperated by distance c。i和J 有多近。在window里,在一个特殊的angle,一个pixel有多少probablity co-occurance with 其他pixel。how often they occur beside each other. Homogeneity:当locally homogenous 在scale s的时候high, Contrast:和homogeneity相反,有variance at scale S, Dissimilarity和contrast 很像, Mean是grey level mean in the local window。 Standard deviation是local window里的grey level std, Entropy当elements of GLCM有很多小magnitude elements的时候high, Angular second moment: 和entropy相反,high when GLCM lelment只有一些大的magnitude的element的时候 Correlation是 measures correlation of pairs of pixels separated by C 7个GLCM options:window size, texture variable, input band, quantization level, distance, angle, humdreds of stat possible
H and L resolution imagery: H resolution是什么小于什么,很多小的pixels组成一个object, 什么variability high,有很多什么 information。 L resolution是什么大于什么,local variability什么因为所有东西都是一样的,只有很少的spatial info。什么很重要因为它是fundamental relationship between objects和spatial resolution of imagery,这个可以决定你的什么。 Single remote sensing scene可以是H or L resolution with respect to others。 28个pixels of calgary,但是对于AB来说是high resolutionH and L resolution imagery: H resolution是image pixels小于objects,很多小的pixels组成一个object, local variability high,有很多spatial information。 L resolution是image pixels大于objects,local variability low因为所有东西都是一样的,只有很少的spatial info。 Distinction很重要因为它是fundamental relationship between objects和spatial resolution of imagery,这个可以决定你的subsequenet information extraction strategy。 Single remote sensing scene可以是H or L resolution with respect to others。 28个pixels of calgary,但是对于AB来说是high resolution
Texture primitives:texture至少需要几个points on 2D surface, 需要什么as a structural shape primitive, 只看tree portion of 每个texture primitive。Object specific analysis基于什么of objects而不是单个pixel。 0 order是object里的什么, 1 st order是什么的variability, 2nd object是什么 surrounding the什么。 Texture是什么dependent。Texture primitives:texture至少需要3个points on 2D surface, 需要triangulation as a structural shape primitive, 只看tree portion of 每个texture primitive。Object specific analysis基于spatial interaction of objects而不是单个pixel。 0 order是object里的pixel variability, 1 st order是物体周围的variability, 2nd object是variability of objects surrounding the neighboring objects。 Texture是window size dependent。
memorize

Recent badges