简介这是一份《遥感数字图像处理》课程配套的课后习题详解采用问答形式系统梳理了图像的定义与分类、遥感图像的获取手段、模拟图像数字化中的采样与量化流程以及遥感数字图像处理的核心内容图像转换、辐射与几何校正、图像增强、多源信息复合、计算机解译处理并补充了遥感数字图像处理所需的数学、地学、信息论、计算机、GIS、现代物理学等学科基础。除基础概念外资料还覆盖了几何变形误差的主要类型、几何纠正的一般过程以及中心投影航空像片、多光谱扫描仪图像、推扫式成像仪图像和侧视雷达图像的几何特征等高频考点部分题目结合具体数值如8bit量化、0—255灰度级展开说明便于理解计算细节。资源为单个PDF文件包体约615KB排版紧凑、便于打印或移动端阅读适合遥感科学与技术、地理信息科学等专业学生用于期末复习、考研备考或课后巩固。目前已有717人学习下载是快速掌握遥感数字图像处理核心概念与答题思路的实用资料。1. 遥感数字图像处理课后习题的定位与学习方法一份《遥感数字图像处理课后习题详解》PDF 在手多数人的第一反应是拿来背答案。但对做过几年遥感项目的工程师来说这份材料的真正价值在于它把辐射定标、几何纠正、直方图均衡化这些抽象概念压缩成可以用计算器或几行代码验证的具体数字。公式看十遍不如算一遍算一遍不如跑一遍代码。这份材料解决两类问题考前需要对计算过程逐题核对推导的人和工作中拿到影像却不清楚预处理参数怎么设的人。前者按步骤复算后者从习题的标准数值反推参数的合理取值范围。下面的内容按课后习题最常见的四个考核单元展开每类都给出可重复的手算推导和 Python 复算方式适合正在修课、备考或刚入行做遥感影像处理的人。2. 遥感数字图像处理习题的四类核心题型与考核逻辑2.1 辐射校正与大气校正物理量纲换算辐射校正类习题的核心是一条量纲换算链。典型题目给出一颗卫星的增益gain和偏置bias要求把 DN 值转成表观辐亮度再结合太阳天顶角和日地距离算出表观反射率公式是L gain × DN biasρ π × L × d² / (ESUN × cosθ)这里最常见的坑有三个。第一θ 是太阳天顶角而不是太阳高度角两者差 90 度cos 值完全不同。第二d 是日地距离单位是天文单位AU不是公里。第三ESUN 在不同波段的取值来自卫星传感器手册同一颗卫星不同版本文档之间可能差几个百分点。课后习题答案里如果出现 0.02 和 0.03 的差别先检查是不是把天顶角当成了高度角。大气校正类题目一般不会要求完整跑一遍 6S 或 FLAASH 模型而是给出参数表要求判断哪个波段受气溶胶影响最大。做题时只需要掌握三条经验规律可见光波段对气溶胶敏感短波红外对水汽敏感热红外主要做发射率校正而非反射率校正。Sentinel-2 数据相关的题目通常问预处理流程的先后顺序辐射定标、大气校正、正射校正、重采样。标准答案是先辐射定标再大气校正最后做正射校正因为大气校正假设的是地表平面而正射校正改变的是几何位置。2.2 几何校正多项式拟合与重采样取舍几何校正的习题分两个层次。第一层是选择地面控制点GCP做多项式拟合。多项式阶数由地形起伏决定平原区一阶就够山区至少二阶。GCP 数量的最低要求是 (n1)(n2)/2一阶至少 3 个二阶至少 6 个这个公式在选择题和填空题里反复出现。误差评定看 RMS均方根误差单个控制点残差超过一个像元就应该剔除重选。可以用几行代码把这个约束写成一个辅助函数方便随手检查题目给定的控制点数量是否满足最低要求def min_gcp_count(order): 一阶返回3二阶返回6三阶返回10 return (order 1) * (order 2) // 2 for n in [1, 2, 3]: print(f{n}阶多项式至少需要 {min_gcp_count(n)} 个地面控制点)这段代码的//是整数除法因为 GCP 个数不可能是小数。实际做题时如果题目给出的控制点数量低于这个值多项式拟合的结果在理论上是欠定的答案可以直接判定为不合理。第二层是重采样方法的选择。最近邻法速度最快但会损失几何精度双线性内插会平滑边缘三次卷积最精确但计算量最大。课后题的标准答案是分类前做几何校正选最近邻避免像元值被内插产生新的混合像元计算 NDVI 这类比值指数时三种方法差异不大可以选双线性做亚像元级的定量反演才需要三次卷积。高精度遥感项目的预处理流程里重采样方法的选择直接影响后续分类精度这一条在考试和实际项目里都成立。2.3 空间增强与变换卷积核和直方图的参数语义空间增强的习题核心是卷积运算。3×3 卷积核的均值滤波、中值滤波、拉普拉斯锐化都要求手算输出像元值。边界处理方式——补零、镜像、延拓——不同教材有不同约定做题前先看题目有没有指定没有指定时默认补零但要在草稿上注明。卷积核的系数之和值得留意均值滤波核系数和为 1拉普拉斯锐化核系数和为 0算完顺手校验一下输出值的数量级能提前发现计算错误。除了卷积运算图像间的集合运算交、并、差也是常考概念多用于掩膜提取和变化检测的题目背景选择题里经常会问两种布尔运算的结果矩阵长什么样。这类题目不考复杂计算但要求把二值图像按位运算的规则记清楚交集取两者都为真的区域并集取任一为真的区域差集则是前真后假的区域。直方图均衡化是手算题的常客步骤是统计各灰度级像元数、算概率、累加概率、映射到新灰度级。教科书和习题答案之间最容易不一致的地方是映射取整规则四舍五入还是向下取整。国内多数教材用四舍五入但有的版本向下取整答案差一个灰度级不是算错是规则不同。做题时先把取整规则写在显眼位置再开始算能省大量核对时间。2.4 分类与精度评估混淆矩阵与 Kappa 系数分类题的核心计算是混淆矩阵。用户精度、生产者精度、总体精度、Kappa 系数四个指标必须能从同一个混淆矩阵推算出来相互之间的换算关系如下指标计算方式含义用户精度对角值 ÷ 该行之和分到某类的像元里真实属于该类的比例生产者精度对角值 ÷ 该列之和某类真实像元中被正确分类的比例总体精度对角线之和 ÷ N所有类别的整体正确率Kappa 系数(po - pe) / (1 - pe)排除随机一致性之后的有效精度Kappa 里的 pe 是期望一致性由行和与列和的乘积除以 N² 得到。Kappa 超过 0.8 算很好0.40.8 算中等低于 0.4 说明分类结果接近随机基本不可用。遥感图像标注在近年试卷里经常作为题目背景出现标注样本的类别一致性直接影响混淆矩阵对角线标注质量差的样本会同时压低用户精度和生产者精度。深度学习分割模型比如 SegFormer的精度上限也受制于训练标注的一致性这一考点把传统精度评估和现代语义分割串联起来出题人喜欢在这个位置加一道论述题。3. 三道代表题的手算推导公式、单位与边界约定3.1 直方图均衡化从灰度级分布到映射表给一张 8×8 图像灰度级 07各灰度级像元数统计如下。这是一个典型的课后计算题设灰度级01234567像元数81010881064像元总数 64。第一步算各灰度级概率第二步算累积概率第三步乘以 7灰度级数减一并按四舍五入取整得到映射表原始灰度级概率累积概率映射值(×7后取整)00.1250.125110.1560.281220.1560.437330.1250.562440.1250.687550.1560.843660.0940.937770.0621.0007这里映射值用的是 round(累积概率 × 7)。如果 PDF 答案里灰度级 0 映射到 0 而不是 1说明该教材约定把最小值强制保留为 0或者采用的是向下取整。两种都是合法约定核对答案前先确认题目用的哪一套规则。均衡化的效果是让输出直方图比输入更平坦但离散灰度级的固有量化误差决定了它不可能做到完全平坦映射后出现多个原始灰度级落到同一个输出值是正常现象不是算错。3.2 辐射定标从 DN 到地表反射率的分步换算设某卫星第 4 波段 DN12000增益 0.0002偏置 -2.0太阳天顶角 30°日地距离 1.0 AUESUN 取 1841 W/(m²·μm)。第一步算表观辐亮度L 0.0002 × 12000 (-2.0) 0.4 W/(m²·μm·sr)第二步算表观反射率忽略大气路径辐射ρ π × 0.4 × 1.0² / (1841 × cos 30°) ≈ 0.000788这个结果明显偏小。真实地表反射率通常在 0.020.5 之间出现 0.0007 量级意味着某个参数存在量纲问题。最常见的情况是题目给的是 DN 值的原始计数而增益和偏置是按归一化辐射亮度定义的两者之间差了传感器的量化级数倍。复核时先看 L 的公式和单位再看最终结果的量级是否落在反射率合理区间内。课后习题答案这一步最容易出现印刷错误也是最值得用代码重新算一遍的地方。3.3 重采样的边界效应最近邻与双线性内插的手算对照对一个 2×2 窗口 [[1, 3], [2, 4]] 做几何校正目标像元位于源图像坐标 (0.3, 0.4) 处。最近邻法计算该点到四个像元中心的欧氏距离最近的是 (0, 0)取值为 1。双线性内插先沿 x 方向在每一行内插。第 0 行 f(0.3, 0)1×0.73×0.31.6第 1 行 f(0.3, 1)2×0.74×0.32.6。再沿 y 方向合成 f(0.3, 0.4)1.6×0.62.6×0.42.0。这个结果可以一行代码验证import numpy as np src np.array([[1.0, 3.0], [2.0, 4.0]]) x, y 0.3, 0.4 top src[0, 0] * (1 - x) src[0, 1] * x # x方向内插前一行 bottom src[1, 0] * (1 - x) src[1, 1] * x # x方向内插后一行 value top * (1 - y) bottom * y # y方向合成 print(value) # 2.0这个例子的输入是规则递增数列所以两种方法结果接近。在真实影像的边缘区域最近邻的 1 和双线性的 2 会被放大为地物边界的锯齿或模糊。课后习题用规则数据让你验证计算步骤实际项目里的坑在边缘——这也是为什么 Sentinel-2 预处理流程里官方建议多光谱波段统一用同一种重采样方法避免波段之间出现亚像元偏移。生态遥感指数这类需要多波段参与比值运算的场景波段间几何对齐的精度直接决定产物质量。4. 用 Python 复算课后习题并对照 PDF 答案4.1 最小环境numpy、rasterio 与 scikit-learn复算课后习题不需要深度学习框架装三个库就够pip install numpy rasterio scikit-learnnumpy 负责矩阵运算和直方图统计rasterio 用于读取真实遥感影像做扩展验证scikit-learn 提供现成的混淆矩阵和 Kappa 计算函数。安装完成后用python -c import numpy, rasterio, sklearn; print(ready)验证导入正常。复算时在本地建一个 exercise_solutions 目录按章节分子目录每章一个 Python 脚本和一个结果文本文件对照 PDF 答案时能快速定位差异。三个库的分工对应关系如下库用途对应习题单元numpy矩阵运算、直方图统计、卷积均衡化、空间增强rasterio读取 GeoTIFF 做真实影像验证辐射定标、几何校正scikit-learn混淆矩阵、Kappa、分类评估图像分类精度4.2 直方图均衡化的逐步骤复算代码import numpy as np def hist_equalize_check(img, levels256): 按课后习题的四步流程复算直方图均衡化映射表 h, w img.shape hist np.bincount(img.ravel(), minlengthlevels).astype(float) pdf hist / (h * w) # 步骤1各灰度级概率 cdf np.cumsum(pdf) # 步骤2累积概率 mapping np.round(cdf * (levels - 1)).astype(int) # 步骤3映射表 equalized mapping[img] # 步骤4应用映射 return equalized, mapping, cdf代码说明np.bincount要求灰度级从 0 开始且为连续整数正好匹配教材里数字图像的表示方式。mapping[img]利用 numpy 的高级索引特性一次性完成整张图像的映射不需要写循环。levels参数默认 256做课后题时要按题目改成 8 或 16。如果教材约定的是向下取整把np.round改成np.floor再跑一次对比两张映射表就能看出差异出现在哪一级。提示核对映射表时不要只看最终均衡化图像而是先打印mapping数组本身。映射表只有 8 个或 16 个数字一眼就能定位分叉的灰度级。4.3 混淆矩阵与 Kappa 系数的双路验证import numpy as np from sklearn.metrics import confusion_matrix, cohen_kappa_score y_true np.array([1, 1, 2, 2, 2, 3, 3, 3, 3]) y_pred np.array([1, 2, 2, 2, 3, 3, 3, 1, 2]) cm confusion_matrix(y_true, y_pred) print(混淆矩阵(行真实, 列预测):\n, cm) total cm.sum() overall_acc np.trace(cm) / total # 总体精度 row_sums cm.sum(axis1) # 各真实类别样本数 col_sums cm.sum(axis0) # 各预测类别样本数 pe (row_sums * col_sums).sum() / (total * total) kappa_manual (overall_acc - pe) / (1 - pe) kappa_sklearn cohen_kappa_score(y_true, y_pred) print(f总体精度: {overall_acc:.4f}) print(f手动Kappa: {kappa_manual:.4f}) print(fsklearn Kappa: {kappa_sklearn:.4f})这段代码把 Kappa 的分子分母拆开写方便和手算步骤逐行对应。row_sums * col_sums得到的是各类别期望一致性的未归一化值除以total * total才是期望一致性概率。如果手动结果和 sklearn 结果不一致检查confusion_matrix的类别顺序——sklearn 默认按类别数值升序排列如果教材类别编号从 1 开始而数据里出现 0就会多出一行全零类别Kappa 随之变化。另外cohen_kappa_score算的是双分类器一致性遥感精度评估里的 Kappa 与它在数学定义上一致可以直接互验。4.4 结果核对的三个检查点PDF 答案和代码输出不一致时按下面的顺序排查。4.4.1 灰度级取值范围是否一致教材可能用 0255 也可能用 063levels参数写错整张映射表都会平移。先确认题目图像的最大灰度级和最小值再确认调用函数时传入的levels与之对应。一个快速检查法打印img.min()和img.max()看是否等于 0 和levels-1。4.4.2 取整规则是否一致四舍五入与向下取整的差别是直方图均衡化习题里最常见的分叉点。np.round对应四舍五入np.floor对应向下取整np.ceil对应向上取整。三种取整方式对累积概率接近 0.5 的灰度级影响最大通常只差一个输出级但对后续分类精度评估的影响可能放大到几个百分点。在代码注释里写明「本文件用四舍五入」避免下次复习时再次怀疑答案。4.4.3 混淆矩阵的方向是否对齐有的教材行是真实类别、列是预测类别有的正好相反。sklearn 的confusion_matrix默认行是真值、列是预测值两者转置之后用户精度和生产者精度互换Kappa 值不受影响但指标名称会对不上。在笔记里统一写「行真列预」每次对照答案前先标方向。5. 把 PDF 答案升级为参数化验证用例课后习题 PDF 的最优使用方式不是收藏而是变成一台可以随时复算的测试台。三个技巧按投入产出比排列如下。第一用公式编号建立交叉引用。先用 PDF 解析工具pdftotext 或在线转换服务把习题 PDF 的文字层提取出来然后把每道计算题用到的公式按顺序编号在代码文件头部注释里写上「题目编号 → 公式编号 → 关键参数」例如# ex3.2 uses ρπLd²/(ESUN·cosθ) with DN12000, gain0.0002。下次复习或考试前按公式编号检索三秒钟定位到原始推导不必重新翻 PDF。第二给每道题标注参数假设。直方图均衡化的取整规则、混淆矩阵的行列方向、边界像元的填充方式三类约定必须单独记录一张参数表足够题目取整规则矩阵方向边界约定均衡化 3.1四舍五入——分类 2.4—行真列预—卷积 2.3——补零这张表就是答案对照前置条件清单每次对不上答案先看表再怀疑计算。第三把静态答案变成参数化函数用断言把 PDF 的答案写成期望值import numpy as np from histogram_check import hist_equalize_check pixels [0]*8 [1]*10 [2]*10 [3]*8 [4]*8 [5]*10 [6]*6 [7]*4 demo_img np.array(pixels).reshape(8, 8) # 还原 3.1 的 8x8 图像 expected [1, 2, 3, 4, 5, 6, 7, 7] # PDF 给出的映射表 actual hist_equalize_check(demo_img, levels8)[1] assert actual.tolist() expected, f映射表不一致: {actual}断言失败时报错信息直接告诉你哪一级映射对不上。这种做法的收益是修改参数假设只需要改一行断言十几道同类型题目在几十秒内全部复算完毕。下次复习时直接跑一遍测试脚本就能知道所有映射表、混淆矩阵和辐射定标结果是否与手上的教材版本一致。本文还有配套的精品资源点击获取 遥感数字图像处理课后习题详解：从公式推导到Python复算
简介这是一份《遥感数字图像处理》课程配套的课后习题详解采用问答形式系统梳理了图像的定义与分类、遥感图像的获取手段、模拟图像数字化中的采样与量化流程以及遥感数字图像处理的核心内容图像转换、辐射与几何校正、图像增强、多源信息复合、计算机解译处理并补充了遥感数字图像处理所需的数学、地学、信息论、计算机、GIS、现代物理学等学科基础。除基础概念外资料还覆盖了几何变形误差的主要类型、几何纠正的一般过程以及中心投影航空像片、多光谱扫描仪图像、推扫式成像仪图像和侧视雷达图像的几何特征等高频考点部分题目结合具体数值如8bit量化、0—255灰度级展开说明便于理解计算细节。资源为单个PDF文件包体约615KB排版紧凑、便于打印或移动端阅读适合遥感科学与技术、地理信息科学等专业学生用于期末复习、考研备考或课后巩固。目前已有717人学习下载是快速掌握遥感数字图像处理核心概念与答题思路的实用资料。1. 遥感数字图像处理课后习题的定位与学习方法一份《遥感数字图像处理课后习题详解》PDF 在手多数人的第一反应是拿来背答案。但对做过几年遥感项目的工程师来说这份材料的真正价值在于它把辐射定标、几何纠正、直方图均衡化这些抽象概念压缩成可以用计算器或几行代码验证的具体数字。公式看十遍不如算一遍算一遍不如跑一遍代码。这份材料解决两类问题考前需要对计算过程逐题核对推导的人和工作中拿到影像却不清楚预处理参数怎么设的人。前者按步骤复算后者从习题的标准数值反推参数的合理取值范围。下面的内容按课后习题最常见的四个考核单元展开每类都给出可重复的手算推导和 Python 复算方式适合正在修课、备考或刚入行做遥感影像处理的人。2. 遥感数字图像处理习题的四类核心题型与考核逻辑2.1 辐射校正与大气校正物理量纲换算辐射校正类习题的核心是一条量纲换算链。典型题目给出一颗卫星的增益gain和偏置bias要求把 DN 值转成表观辐亮度再结合太阳天顶角和日地距离算出表观反射率公式是L gain × DN biasρ π × L × d² / (ESUN × cosθ)这里最常见的坑有三个。第一θ 是太阳天顶角而不是太阳高度角两者差 90 度cos 值完全不同。第二d 是日地距离单位是天文单位AU不是公里。第三ESUN 在不同波段的取值来自卫星传感器手册同一颗卫星不同版本文档之间可能差几个百分点。课后习题答案里如果出现 0.02 和 0.03 的差别先检查是不是把天顶角当成了高度角。大气校正类题目一般不会要求完整跑一遍 6S 或 FLAASH 模型而是给出参数表要求判断哪个波段受气溶胶影响最大。做题时只需要掌握三条经验规律可见光波段对气溶胶敏感短波红外对水汽敏感热红外主要做发射率校正而非反射率校正。Sentinel-2 数据相关的题目通常问预处理流程的先后顺序辐射定标、大气校正、正射校正、重采样。标准答案是先辐射定标再大气校正最后做正射校正因为大气校正假设的是地表平面而正射校正改变的是几何位置。2.2 几何校正多项式拟合与重采样取舍几何校正的习题分两个层次。第一层是选择地面控制点GCP做多项式拟合。多项式阶数由地形起伏决定平原区一阶就够山区至少二阶。GCP 数量的最低要求是 (n1)(n2)/2一阶至少 3 个二阶至少 6 个这个公式在选择题和填空题里反复出现。误差评定看 RMS均方根误差单个控制点残差超过一个像元就应该剔除重选。可以用几行代码把这个约束写成一个辅助函数方便随手检查题目给定的控制点数量是否满足最低要求def min_gcp_count(order): 一阶返回3二阶返回6三阶返回10 return (order 1) * (order 2) // 2 for n in [1, 2, 3]: print(f{n}阶多项式至少需要 {min_gcp_count(n)} 个地面控制点)这段代码的//是整数除法因为 GCP 个数不可能是小数。实际做题时如果题目给出的控制点数量低于这个值多项式拟合的结果在理论上是欠定的答案可以直接判定为不合理。第二层是重采样方法的选择。最近邻法速度最快但会损失几何精度双线性内插会平滑边缘三次卷积最精确但计算量最大。课后题的标准答案是分类前做几何校正选最近邻避免像元值被内插产生新的混合像元计算 NDVI 这类比值指数时三种方法差异不大可以选双线性做亚像元级的定量反演才需要三次卷积。高精度遥感项目的预处理流程里重采样方法的选择直接影响后续分类精度这一条在考试和实际项目里都成立。2.3 空间增强与变换卷积核和直方图的参数语义空间增强的习题核心是卷积运算。3×3 卷积核的均值滤波、中值滤波、拉普拉斯锐化都要求手算输出像元值。边界处理方式——补零、镜像、延拓——不同教材有不同约定做题前先看题目有没有指定没有指定时默认补零但要在草稿上注明。卷积核的系数之和值得留意均值滤波核系数和为 1拉普拉斯锐化核系数和为 0算完顺手校验一下输出值的数量级能提前发现计算错误。除了卷积运算图像间的集合运算交、并、差也是常考概念多用于掩膜提取和变化检测的题目背景选择题里经常会问两种布尔运算的结果矩阵长什么样。这类题目不考复杂计算但要求把二值图像按位运算的规则记清楚交集取两者都为真的区域并集取任一为真的区域差集则是前真后假的区域。直方图均衡化是手算题的常客步骤是统计各灰度级像元数、算概率、累加概率、映射到新灰度级。教科书和习题答案之间最容易不一致的地方是映射取整规则四舍五入还是向下取整。国内多数教材用四舍五入但有的版本向下取整答案差一个灰度级不是算错是规则不同。做题时先把取整规则写在显眼位置再开始算能省大量核对时间。2.4 分类与精度评估混淆矩阵与 Kappa 系数分类题的核心计算是混淆矩阵。用户精度、生产者精度、总体精度、Kappa 系数四个指标必须能从同一个混淆矩阵推算出来相互之间的换算关系如下指标计算方式含义用户精度对角值 ÷ 该行之和分到某类的像元里真实属于该类的比例生产者精度对角值 ÷ 该列之和某类真实像元中被正确分类的比例总体精度对角线之和 ÷ N所有类别的整体正确率Kappa 系数(po - pe) / (1 - pe)排除随机一致性之后的有效精度Kappa 里的 pe 是期望一致性由行和与列和的乘积除以 N² 得到。Kappa 超过 0.8 算很好0.40.8 算中等低于 0.4 说明分类结果接近随机基本不可用。遥感图像标注在近年试卷里经常作为题目背景出现标注样本的类别一致性直接影响混淆矩阵对角线标注质量差的样本会同时压低用户精度和生产者精度。深度学习分割模型比如 SegFormer的精度上限也受制于训练标注的一致性这一考点把传统精度评估和现代语义分割串联起来出题人喜欢在这个位置加一道论述题。3. 三道代表题的手算推导公式、单位与边界约定3.1 直方图均衡化从灰度级分布到映射表给一张 8×8 图像灰度级 07各灰度级像元数统计如下。这是一个典型的课后计算题设灰度级01234567像元数81010881064像元总数 64。第一步算各灰度级概率第二步算累积概率第三步乘以 7灰度级数减一并按四舍五入取整得到映射表原始灰度级概率累积概率映射值(×7后取整)00.1250.125110.1560.281220.1560.437330.1250.562440.1250.687550.1560.843660.0940.937770.0621.0007这里映射值用的是 round(累积概率 × 7)。如果 PDF 答案里灰度级 0 映射到 0 而不是 1说明该教材约定把最小值强制保留为 0或者采用的是向下取整。两种都是合法约定核对答案前先确认题目用的哪一套规则。均衡化的效果是让输出直方图比输入更平坦但离散灰度级的固有量化误差决定了它不可能做到完全平坦映射后出现多个原始灰度级落到同一个输出值是正常现象不是算错。3.2 辐射定标从 DN 到地表反射率的分步换算设某卫星第 4 波段 DN12000增益 0.0002偏置 -2.0太阳天顶角 30°日地距离 1.0 AUESUN 取 1841 W/(m²·μm)。第一步算表观辐亮度L 0.0002 × 12000 (-2.0) 0.4 W/(m²·μm·sr)第二步算表观反射率忽略大气路径辐射ρ π × 0.4 × 1.0² / (1841 × cos 30°) ≈ 0.000788这个结果明显偏小。真实地表反射率通常在 0.020.5 之间出现 0.0007 量级意味着某个参数存在量纲问题。最常见的情况是题目给的是 DN 值的原始计数而增益和偏置是按归一化辐射亮度定义的两者之间差了传感器的量化级数倍。复核时先看 L 的公式和单位再看最终结果的量级是否落在反射率合理区间内。课后习题答案这一步最容易出现印刷错误也是最值得用代码重新算一遍的地方。3.3 重采样的边界效应最近邻与双线性内插的手算对照对一个 2×2 窗口 [[1, 3], [2, 4]] 做几何校正目标像元位于源图像坐标 (0.3, 0.4) 处。最近邻法计算该点到四个像元中心的欧氏距离最近的是 (0, 0)取值为 1。双线性内插先沿 x 方向在每一行内插。第 0 行 f(0.3, 0)1×0.73×0.31.6第 1 行 f(0.3, 1)2×0.74×0.32.6。再沿 y 方向合成 f(0.3, 0.4)1.6×0.62.6×0.42.0。这个结果可以一行代码验证import numpy as np src np.array([[1.0, 3.0], [2.0, 4.0]]) x, y 0.3, 0.4 top src[0, 0] * (1 - x) src[0, 1] * x # x方向内插前一行 bottom src[1, 0] * (1 - x) src[1, 1] * x # x方向内插后一行 value top * (1 - y) bottom * y # y方向合成 print(value) # 2.0这个例子的输入是规则递增数列所以两种方法结果接近。在真实影像的边缘区域最近邻的 1 和双线性的 2 会被放大为地物边界的锯齿或模糊。课后习题用规则数据让你验证计算步骤实际项目里的坑在边缘——这也是为什么 Sentinel-2 预处理流程里官方建议多光谱波段统一用同一种重采样方法避免波段之间出现亚像元偏移。生态遥感指数这类需要多波段参与比值运算的场景波段间几何对齐的精度直接决定产物质量。4. 用 Python 复算课后习题并对照 PDF 答案4.1 最小环境numpy、rasterio 与 scikit-learn复算课后习题不需要深度学习框架装三个库就够pip install numpy rasterio scikit-learnnumpy 负责矩阵运算和直方图统计rasterio 用于读取真实遥感影像做扩展验证scikit-learn 提供现成的混淆矩阵和 Kappa 计算函数。安装完成后用python -c import numpy, rasterio, sklearn; print(ready)验证导入正常。复算时在本地建一个 exercise_solutions 目录按章节分子目录每章一个 Python 脚本和一个结果文本文件对照 PDF 答案时能快速定位差异。三个库的分工对应关系如下库用途对应习题单元numpy矩阵运算、直方图统计、卷积均衡化、空间增强rasterio读取 GeoTIFF 做真实影像验证辐射定标、几何校正scikit-learn混淆矩阵、Kappa、分类评估图像分类精度4.2 直方图均衡化的逐步骤复算代码import numpy as np def hist_equalize_check(img, levels256): 按课后习题的四步流程复算直方图均衡化映射表 h, w img.shape hist np.bincount(img.ravel(), minlengthlevels).astype(float) pdf hist / (h * w) # 步骤1各灰度级概率 cdf np.cumsum(pdf) # 步骤2累积概率 mapping np.round(cdf * (levels - 1)).astype(int) # 步骤3映射表 equalized mapping[img] # 步骤4应用映射 return equalized, mapping, cdf代码说明np.bincount要求灰度级从 0 开始且为连续整数正好匹配教材里数字图像的表示方式。mapping[img]利用 numpy 的高级索引特性一次性完成整张图像的映射不需要写循环。levels参数默认 256做课后题时要按题目改成 8 或 16。如果教材约定的是向下取整把np.round改成np.floor再跑一次对比两张映射表就能看出差异出现在哪一级。提示核对映射表时不要只看最终均衡化图像而是先打印mapping数组本身。映射表只有 8 个或 16 个数字一眼就能定位分叉的灰度级。4.3 混淆矩阵与 Kappa 系数的双路验证import numpy as np from sklearn.metrics import confusion_matrix, cohen_kappa_score y_true np.array([1, 1, 2, 2, 2, 3, 3, 3, 3]) y_pred np.array([1, 2, 2, 2, 3, 3, 3, 1, 2]) cm confusion_matrix(y_true, y_pred) print(混淆矩阵(行真实, 列预测):\n, cm) total cm.sum() overall_acc np.trace(cm) / total # 总体精度 row_sums cm.sum(axis1) # 各真实类别样本数 col_sums cm.sum(axis0) # 各预测类别样本数 pe (row_sums * col_sums).sum() / (total * total) kappa_manual (overall_acc - pe) / (1 - pe) kappa_sklearn cohen_kappa_score(y_true, y_pred) print(f总体精度: {overall_acc:.4f}) print(f手动Kappa: {kappa_manual:.4f}) print(fsklearn Kappa: {kappa_sklearn:.4f})这段代码把 Kappa 的分子分母拆开写方便和手算步骤逐行对应。row_sums * col_sums得到的是各类别期望一致性的未归一化值除以total * total才是期望一致性概率。如果手动结果和 sklearn 结果不一致检查confusion_matrix的类别顺序——sklearn 默认按类别数值升序排列如果教材类别编号从 1 开始而数据里出现 0就会多出一行全零类别Kappa 随之变化。另外cohen_kappa_score算的是双分类器一致性遥感精度评估里的 Kappa 与它在数学定义上一致可以直接互验。4.4 结果核对的三个检查点PDF 答案和代码输出不一致时按下面的顺序排查。4.4.1 灰度级取值范围是否一致教材可能用 0255 也可能用 063levels参数写错整张映射表都会平移。先确认题目图像的最大灰度级和最小值再确认调用函数时传入的levels与之对应。一个快速检查法打印img.min()和img.max()看是否等于 0 和levels-1。4.4.2 取整规则是否一致四舍五入与向下取整的差别是直方图均衡化习题里最常见的分叉点。np.round对应四舍五入np.floor对应向下取整np.ceil对应向上取整。三种取整方式对累积概率接近 0.5 的灰度级影响最大通常只差一个输出级但对后续分类精度评估的影响可能放大到几个百分点。在代码注释里写明「本文件用四舍五入」避免下次复习时再次怀疑答案。4.4.3 混淆矩阵的方向是否对齐有的教材行是真实类别、列是预测类别有的正好相反。sklearn 的confusion_matrix默认行是真值、列是预测值两者转置之后用户精度和生产者精度互换Kappa 值不受影响但指标名称会对不上。在笔记里统一写「行真列预」每次对照答案前先标方向。5. 把 PDF 答案升级为参数化验证用例课后习题 PDF 的最优使用方式不是收藏而是变成一台可以随时复算的测试台。三个技巧按投入产出比排列如下。第一用公式编号建立交叉引用。先用 PDF 解析工具pdftotext 或在线转换服务把习题 PDF 的文字层提取出来然后把每道计算题用到的公式按顺序编号在代码文件头部注释里写上「题目编号 → 公式编号 → 关键参数」例如# ex3.2 uses ρπLd²/(ESUN·cosθ) with DN12000, gain0.0002。下次复习或考试前按公式编号检索三秒钟定位到原始推导不必重新翻 PDF。第二给每道题标注参数假设。直方图均衡化的取整规则、混淆矩阵的行列方向、边界像元的填充方式三类约定必须单独记录一张参数表足够题目取整规则矩阵方向边界约定均衡化 3.1四舍五入——分类 2.4—行真列预—卷积 2.3——补零这张表就是答案对照前置条件清单每次对不上答案先看表再怀疑计算。第三把静态答案变成参数化函数用断言把 PDF 的答案写成期望值import numpy as np from histogram_check import hist_equalize_check pixels [0]*8 [1]*10 [2]*10 [3]*8 [4]*8 [5]*10 [6]*6 [7]*4 demo_img np.array(pixels).reshape(8, 8) # 还原 3.1 的 8x8 图像 expected [1, 2, 3, 4, 5, 6, 7, 7] # PDF 给出的映射表 actual hist_equalize_check(demo_img, levels8)[1] assert actual.tolist() expected, f映射表不一致: {actual}断言失败时报错信息直接告诉你哪一级映射对不上。这种做法的收益是修改参数假设只需要改一行断言十几道同类型题目在几十秒内全部复算完毕。下次复习时直接跑一遍测试脚本就能知道所有映射表、混淆矩阵和辐射定标结果是否与手上的教材版本一致。本文还有配套的精品资源点击获取