C++博客-COOOOOOOOL

图像特征提取总结

COOOOOOOOL — Mon, 26 Apr 2010 04:18:00 GMT

常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。

一颜色特征

（一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。

（二）常用的特征提取与匹配方法

（1）颜色直方图

其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。

最常用的颜色空间：RGB颜色空间、HSV颜色空间。

颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。

（2）颜色集

颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从 RGB颜色空间转化成视觉均衡的颜色空间（如 HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系

（3）颜色矩

这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。

（4）颜色聚合向量

其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。

（5）颜色相关图

二纹理特征

（一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理。

例如，水中的倒影，光滑的金属面互相反射造成的影响等都会导致纹理的变化。由于这些不是物体本身的特性，因而将纹理信息应用于检索时，有时这些虚假的纹理会对检索造成“误导”。

在检索具有粗细、疏密等方面较大差别的纹理图像时，利用纹理特征是一种有效的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候，通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。

（二）常用的特征提取与匹配方法

纹理特征描述方法分类

（1）统计方法统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法Gotlieb 和 Kreyszig 等人在研究共生矩阵中各种统计特征基础上，通过实验，得出灰度共生矩阵的四个关键特征：能量、惯量、熵和相关性。统计方法中另一种典型方法，则是从图像的自相关函数（即图像的能量谱函数）提取纹理特征，即通过对图像的能量谱函数的计算，提取纹理的粗细度及方向性等特征参数

（2）几何法

所谓几何法，是建立在纹理基元（基本的纹理元素）理论基础上的一种纹理特征分析方法。纹理基元理论认为，复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成。在几何法中，比较有影响的算法有两种：Voronio 棋盘格特征法和结构法。

（3）模型法

模型法以图像的构造模型为基础，采用模型的参数作为纹理特征。典型的方法是随机场模型法，如马尔可夫（Markov）随机场（MRF）模型法和 Gibbs 随机场模型法

（4）信号处理法

纹理特征的提取与匹配主要有：灰度共生矩阵、Tamura 纹理特征、自回归纹理模型、小波变换等。

灰度共生矩阵特征提取与匹配主要依赖于能量、惯量、熵和相关性四个参数。Tamura 纹理特征基于人类对纹理的视觉感知心理学研究，提出6种属性，即：粗糙度、对比度、方向度、线像度、规整度和粗略度。自回归纹理模型（simultaneous auto-regressive, SAR）是马尔可夫随机场（MRF）模型的一种应用实例。

三形状特征

（一）特点：各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索，但它们也有一些共同的问题，包括：①目前基于形状的检索方法还缺乏比较完善的数学模型；②如果目标有变形时检索结果往往不太可靠；③许多形状特征仅描述了目标局部的性质，要全面描述目标常对计算时间和存储量有较高的要求；④许多形状特征所反映的目标形状信息与人的直观感觉不完全一致，或者说，特征空间的相似性与人视觉系统感受到的相似性有差别。另外，从 2-D 图像中表现的 3-D 物体实际上只是物体在空间某一平面的投影，从 2-D 图像中反映出来的形状常不是 3-D 物体真实的形状，由于视点的变化，可能会产生各种失真。

（二）常用的特征提取与匹配方法

Ⅰ几种典型的形状特征描述方法

通常情况下，形状特征有两类表示方法，一类是轮廓特征，另一类是区域特征。图像的轮廓特征主要针对物体的外边界，而图像的区域特征则关系到整个形状区域。

几种典型的形状特征描述方法：

（1）边界特征法该方法通过对边界特征的描述来获取图像的形状参数。其中Hough 变换检测平行直线方法和边界方向直方图方法是经典方法。Hough 变换是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法，其基本思想是点—线的对偶性；边界方向直方图法首先微分图像求得图像边缘，然后，做出关于边缘大小和方向的直方图，通常的方法是构造图像灰度梯度方向矩阵。

（2）傅里叶形状描述符法

傅里叶形状描述符(Fourier shape descriptors)基本思想是用物体边界的傅里叶变换作为形状描述，利用区域边界的封闭性和周期性，将二维问题转化为一维问题。

由边界点导出三种形状表达，分别是曲率函数、质心距离、复坐标函数。

（3）几何参数法

形状的表达和匹配采用更为简单的区域特征描述方法，例如采用有关形状定量测度（如矩、面积、周长等）的形状参数法（shape factor）。在 QBIC 系统中，便是利用圆度、偏心率、主轴方向和代数不变矩等几何参数，进行基于形状特征的图像检索。

需要说明的是，形状参数的提取，必须以图像处理及图像分割为前提，参数的准确性必然受到分割效果的影响，对分割效果很差的图像，形状参数甚至无法提取。

（4）形状不变矩法

利用目标所占区域的矩作为形状描述参数。

（5）其它方法

近年来，在形状的表示和匹配方面的工作还包括有限元法（Finite Element Method 或 FEM）、旋转函数（Turning Function）和小波描述符（Wavelet Descriptor）等方法。

Ⅱ 基于小波和相对矩的形状特征提取与匹配

该方法先用小波变换模极大值得到多尺度边缘图像，然后计算每一尺度的 7个不变矩，再转化为 10 个相对矩，将所有尺度上的相对矩作为图像特征向量，从而统一了区域和封闭、不封闭结构。

四空间关系特征

（一）特点：所谓空间关系，是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系，这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。通常空间位置信息可以分为两类：相对空间位置信息和绝对空间位置信息。前一种关系强调的是目标之间的相对情况，如上下左右关系等，后一种关系强调的是目标之间的距离大小以及方位。显而易见，由绝对空间位置可推出相对空间位置，但表达相对空间位置信息常比较简单。

空间关系特征的使用可加强对图像内容的描述区分能力，但空间关系特征常对图像或目标的旋转、反转、尺度变化等比较敏感。另外，实际应用中，仅仅利用空间信息往往是不够的，不能有效准确地表达场景信息。为了检索，除使用空间关系特征外，还需要其它特征来配合。

（二）常用的特征提取与匹配方法

提取图像空间关系特征可以有两种方法：一种方法是首先对图像进行自动分割，划分出图像中所包含的对象或颜色区域，然后根据这些区域提取图像特征，并建立索引；另一种方法则简单地将图像均匀地划分为若干规则子块，然后对每个图像子块提取特征，并建立索引。

COOOOOOOOL 2010-04-26 12:18 发表评论

遥感成像与遥感影像特征

COOOOOOOOL — Mon, 22 Mar 2010 06:58:00 GMT

遥感技术最基本的东西其实就是遥感影像，不管你是设计传感器，还是研究影像的信息提取，都是围绕着影像来工作。离开影像来谈遥感，等同于画饼充饥。

这部分内容包括：
l遥感成像原理
l影像描述基本概念
l影像特征
1、遥感成像
遥感成像可分为5个部分，对于我们来说，需要重点学习的是传感器部分。
传感器是获取地面目标电磁辐射信息的装置。传感器按照不同的分类标准可分为很多类，但是任何的传感器都有四个基本部分组成——收集器、探测器、处理器和输出器。
衡量传感器性能的四个指标：

空间分辨率——是指遥感图像上能够详细区分的最小单元的尺寸和大小，是用来表征影像分辨地面目标细节能力的指标。

目前比较通俗的说法就是像元的大小，比如TM影像是30米，Spot5的分辨率是5米或者10米等。

时间分辨率——对同一目标进行重复探测时，相邻两次探测的时间间隔。

通俗的叫法是探测重复周期，如TM的重复周期为16天，气象卫星时间很短，几乎是一天能重复好几次，这样有利于天气的准确预报。

光谱分辨率——指传感器所能记录的电磁波谱中，某一特定的波长范围值，波长范围值越宽，光谱分辨率越低。光谱分辨率的高低，产生了一个非常热门的遥感分支，高光谱遥感。

温度分辨率——指热红外传感器分辨地表热辐射（温度）最小差异的能力。

一般红外系统的的温度分辨率达到0.2~3.0K的标准，如TM6图像的温度分辨率可达到0.5K。同时这四项指标也是影像的重要参数之一，特别是空间分辨率和时间分辨率。

下面我们了解一下目前常见的几种传感器

光学机械扫描系统（optial-mechanial scanning）它是利用平台的行进和旋转扫描镜对与平台行进的垂直方向的地面进行扫描，又称物面扫描系统。

图2 TM的扫描系统示意图

目前正在使用的传感器采用这种方式的主要有Landsat、NOAA/AVHRR、我国的“风云”系列气象卫星。这种扫描方式两个特点是扫描宽幅大但空间分辨率较低。

2、推扫式扫描系统（push-broom scanning）又称镜面扫描系统，用广角光学系统，在整个视场内成像。它是用CCD组成的线性矩阵来感应地面。

图3 推扫式扫描系统示意图

目前正在使用的大部分高分辨率的传感器就是这种系统，包括SPOT系列，中巴资源系列，IKONOS，QUICKBIRD等。此类扫描系统一般分辨率比较高，但扫描宽幅比较小。

3、成像光谱此类系统是把成像技术和分光谱技术有机的结合起来，获取的影像光谱分辨率非常高，波段数非常的多，能达到上百个波段，它仍属于多光谱扫描仪的范畴。很典型的一个传感器就是MODIS（中等分辨率成像光谱仪）。

2、遥感影像特征

在图像处理、分析和解译过程中，我们要了解图像中包含的信息内容，定量地研究其信息量的多少，特别是比较不同的类型的图像和同一图像的不同波段，以及不同处理方法得到的结果中信息的种类、多少和丰富量等信息。
遥感图像反映的信息内容主要有波谱信息、空间信息和时间信息。（注：文中的图像都是指的数字图像）

波谱信息

图像上的波谱信息表现为已经量化的辐射值，即图像的亮度/灰度指/像元值，他是一种相对的量度。量化就是把采样过程中获得的像元平均辐射亮度值，按照一定的编码规则划分为若干等级，即把像元平均辐射亮度值按一定方式离散化。它对应我们常见的概念就是图像的比特或者灰阶，如8比特，量化范围就是0~255。
像元值间接反映了地物的波谱特征，不同的地物有着不同的像元值，当然把同谱异物排除，遥感图像解译中识别不同地物的一个重要标志就是图像的像元值差异。同时像元值也是反映一幅图像信息量大小的重要，信息量的大小一般采用了通讯理论中的的香农在1948年提出的熵来表示。

在ENVI中查看图像的像元值非常的方便，在一个Display中打开一个图像，在Image视图上双击左键，图4中所示，Data中的R、G、B对于的值就是像元值，也就是DN值，由于图像中的原始DN值非常的重要，一般不会轻易改变，但是它的整体饱和度不高，直接显示效果不好。因此在ENVI中，为了显示颜色，有一个LUT VALUE，图中的为Scrn对应的R、G、B值。一般在ENVI中处理图像，都是对LUT VALUE操作，当然也可以选择对FILE PIXEL处理，这个也就是很多人疑问，在ENVI处理很好的图像，为什么在别的软件，如photoshop中打开颜色就变了，就是这个原因。

图4 图像像元值的查看

空间信息

空间信息是通过图像的像元值在空间上的变化反映出来，包括图像上有实际意义的点、线、面或者区域的空间位置、长度、面积、距离、纹理信息等都属于空间信息。

与空间信息相关的两个概念需要理解，一是采样，即把连续图像空间划分成一个个网格，并对各个网格内的辐射值进行测量；二是空间分辨率，即图像中一个像元代表地面实际大小。
在ENVI中，同样可以很方便的查看图像的基本信息，在Available Bands List中，选择一幅图像点击
右键，选择Edit Header。可以看到图像的投影信息，空间分辨率等信息。

图5 图像的信息查看

量测图像也非常的简单，可选择Basic Tools ->Measurement Tool，或者Utility-〉Measure。提供了点、线、面等量测，还可以将量测结果导出成文本文件。

图5 图像量测

时间信息

图像的时间信息指的是不同时相遥感图像的光谱信息与空间信息的差异。图像的时间信息对图像的解译、动态监测等影响很大。如不同季节下的树木所含的叶绿素是不一样的，
因此两幅不同季节下同一地物在图像上的像元值是不一样的，表现为颜色也不一样。一幅影像的时间信息可以通过查看图像所带的元数据文件得到。

除了需要查看以上三个方面的图像特征外，还需要知道图像的一些统计特征，这些统计特征包括：

均值—— 图像中所有像元值得平均值，它反映了地物信息的平均反射强度。
中值——指图像所有灰度级中处于中间的值，表示一个反差状况。
灰度方差——它反映各像元灰度值与图像平均灰度值得总的离散程度，它是衡量一幅图像信息量大小的重要度量。
图像灰度数值值域—— 它是图像最大灰度值和最小灰度值得差值，反映了图像灰度值的变化程度，间接反映了图像的信息量。
图像直方图——指图像中所有灰度值的概率分布。它能够反映图像的信息量及分布特征。
多波段间的相关系数—— 相关系数是描述波段图像间的相关程度的统计量，反映了两个波段图像所包含信息的重叠程度。

在ENVI中的，Basic->Statistics->Compute Statistics可以统计单个图像的特征。

图6 图像的统计特征

COOOOOOOOL 2010-03-22 14:58 发表评论

熵

COOOOOOOOL — Wed, 17 Mar 2010 01:44:00 GMT

熵（entropy）指的是体系的混乱的程度，它在控制论、概率论、数论、天体物理、生命科学等领域都有重要应用，在不同的学科中也有引申出的更为具体的定义，是各领域十分重要的参量。熵由鲁道夫·克劳修斯（Rudolf Clausius）提出，并应用在热力学中。后来在，克劳德·艾尔伍德·香农（Claude Elwood Shannon）第一次将熵的概念引入到信息论中来。

熵 shang
　　释义
　　1：物理学上指热能除以温度所得的商，标志热量转化为功的程度。
　　2: 科学技术上用来描述、表征体系混乱度的函数。亦被社会科学用以借喻人类社会某些状态的程度。
　　3：熵是生物亲序，是行为携灵现象。科学家已经发明了测量无序的量，它称作熵，熵也是混沌度，是内部无序结构的总量。

历史

1850年，德国物理学家鲁道夫·克劳修斯首次提出熵的概念，用来表示任何一种能量在空间中分布的均匀程度，能量分布得越均匀，熵就越大。一个体系的能量完全均匀分布时，这个系统的熵就达到最大值。在克劳修斯看来，在一个系统中，如果听任它自然发展，那么，能量差总是倾向于消除的。让一个热物体同一个冷物体相接触，热就会以下面所说的方式流动：热物体将冷却，冷物体将变热，直到两个物体达到相同的温度为止。克劳修斯在研究卡诺热机时，根据卡诺定理得出了对任意循环过程都都适用的一个公式：dS=（dQ/T）。
　　对于绝热过程Q＝0，故S≥0，即系统的熵在可逆绝热过程中不变，在不可逆绝热过程中单调增大。这就是熵增加原理。由于孤立系统内部的一切变化与外界无关，必然是绝热过程，所以熵增加原理也可表为：一个孤立系统的熵永远不会减少。它表明随着孤立系统由非平衡态趋于平衡态，其熵单调增大，当系统达到平衡态时，熵达到最大值。熵的变化和最大值确定了孤立系统过程进行的方向和限度，熵增加原理就是热力学第二定律。
　　1948年，香农在Bell System Technical Journal上发表了《通信的数学原理》（A Mathematical Theory of Communication）一文，将熵的概念引入信息论中。

熵函数的来历

热力学第一定律就是能量守恒与转换定律，但是它并未涉及能量转换的过程能否自发地进行以及可进行到何种程度。热力学第二定律就是判断自发过程进行的方向和限度的定律，它有不同的表述方法：热量不可能自发地从低温物体传到高温物体；热量不可能从低温物体传到高温物体而不引起其他变化；不可能从单一热源取出热量使之全部转化为功而不发生其他变化；第二类永动机是不可能造成的。热力学第二定律是人类经验的总结，它不能从其他更普遍的定律推导出来，但是迄今为止没有一个实验事实与之相违背，它是基本的自然法则之一。
　　由于一切热力学变化（包括相变化和化学变化）的方向和限度都可归结为热和功之间的相互转化及其转化限度的问题，那么就一定能找到一个普遍的热力学函数来判别自发过程的方向和限度。可以设想，这种函数是一种状态函数，又是一个判别性函数（有符号差异），它能定量说明自发过程的趋势大小，这种状态函数就是熵函数。
　　如果把任意的可逆循环分割成许多小的卡诺循环，可得出
　　∑(δＱi/Ｔi)r＝０ (1)
　　即任意的可逆循环过程的热温商之和为零。其中，δＱi为任意无限小可逆循环中系统与环境的热交换量；Ｔi为任意无限小可逆循环中系统的温度。上式也可写成
　　∮(δＱr/Ｔ)＝０ (2)
　　克劳修斯总结了这一规律，称这个状态函数为“熵”，用Ｓ来表示，即
　　ｄＳ＝δＱr/Ｔ (3)
　　对于不可逆过程，则可得
　　ｄＳ＞δＱr/Ｔ (4)
　　或ｄＳ－δＱr/Ｔ＞０ (5)
　　这就是克劳修斯不等式，表明了一个隔离系统在经历了一个微小不可逆变化后，系统的熵变大于过程中的热温商。对于任一过程（包括可逆与不可逆过程），则有
　　ｄＳ－δＱ/Ｔ≥０ (6)
　　式中：不等号适用于不可逆过程，等号适用于可逆过程。由于不可逆过程是所有自发过程之共同特征，而可逆过程的每一步微小变化，都无限接近于平衡状态，因此这一平衡状态正是不可逆过程所能达到的限度。因此，上式也可作为判断这一过程自发与否的判据，称为“熵判据”。
　　对于绝热过程，δＱ＝０，代入上式，则
　　ｄＳj≥０ (7)
　　由此可见，在绝热过程中，系统的熵值永不减少。其中，对于可逆的绝热过程，ｄＳj＝０，即系统的熵值不变；对于不可逆的绝热过程，ｄＳj＞０，即系统的熵值增加。这就是“熵增原理”，是热力学第二定律的数学表述，即在隔离或绝热条件下，系统进行自发过程的方向总是熵值增大的方向，直到熵值达到最大值，此时系统达到平衡状态。

熵函数的统计学意义

玻尔兹曼在研究分子运动统计现象的基础上提出来了公式：
　　Ｓ＝ｋ×ＬｎΩ (8)
　　其中，Ω为系统分子的状态数，ｋ为玻尔兹曼常数。
　　这个公式反映了熵函数的统计学意义，它将系统的宏观物理量Ｓ与微观物理量Ω联系起来，成为联系宏观与微观的重要桥梁之一。基于上述熵与热力学几率之间的关系，可以得出结论：系统的熵值直接反映了它所处状态的均匀程度，系统的熵值越小，它所处的状态越是有序，越不均匀；系统的熵值越大，它所处的状态越是无序，越均匀。系统总是力图自发地从熵值较小的状态向熵值较大（即从有序走向无序）的状态转变，这就是隔离系统“熵值增大原理”的微观物理意义。

基本特性

·熵均大于等于零，即，H_s \ge 0。
　　·设N是系统S内的事件总数，则熵H_s \le log_2N。当且仅当p1=p2=...=pn时，等号成立，此时熵最大。
　　·联合熵：H(X,Y) \le H(X) + H(Y)，当且仅当X，Y在统计学上相互独立时等号成立。
　　·条件熵：H(X|Y) = H(X,Y) - H(Y) \le H(X)，当且仅当X，Y在统计学上相互独立时等号成立。
　　·社会学意义：从宏观上表示世界和社会在进化过程中的混乱程度。

应用

　　熵在热力学中是表征物质状态的参量之一，通常用符号S表示。在经典热力学中，可用增量定义为dS＝(dQ/T)，式中T为物质的热力学温度；dQ为熵增过程中加入物质的热量。下标“可逆”表示加热过程所引起的变化过程是可逆的。若过程是不可逆的，则dS＞(dQ/T)不可逆。从微观上说，熵是组成系统的大量微观粒子无序度的量度，系统越无序、越混乱，熵就越大。热力学过程不可逆性的微观本质和统计意义就是系统从有序趋于无序，从概率较小的状态趋于概率较大的状态。
　　单位质量物质的熵称为比熵，记为s。熵最初是根据热力学第二定律引出的一个反映自发过程不可逆性的物质状态参量。
　　热力学第二定律是根据大量观察结果总结出来的规律，有下述表述方式：
　　①热量总是从高温物体传到低温物体，不可能作相反的传递而不引起其他的变化；
　　②功可以全部转化为热，但任何热机不能全部地、连续不断地把所接受的热量转变为功（即无法制造第二类永动机）；
　　③在孤立系统中，实际发生的过程总使整个系统的熵值增大，此即熵增原理。摩擦使一部分机械能不可逆地转变为热，使熵增加。热量dQ由高温(T1)物体传至低温(T2)物体，高温物体的熵减少dS1=dQ/T1，低温物体的熵增加dS2=dQ/T2，把两个物体合起来当成一个系统来看，熵的变化是dS＝dS2+dS1＞0，即熵是增加的。
　　物理学家玻尔兹曼将熵定义为一种特殊状态的概率：原子聚集方式的数量。可精确表示为：
　　S=K㏑W
　　K是比例常数，现在称为玻尔兹曼常数。

科学哲学

　　科学技术上泛指某些物质系统状态的一种量（liàng）度，某些物质系统状态可能出现的程度。亦被社会科学用以借喻人类社会某些状态的程度。熵是不能再被转化做功的能量的总和的测定单位。这个名称是由德国物理学家鲁道尔夫·克劳修斯〔鲁道尔夫·克劳修斯(1822—1888)〕德国物理学家，热力学的奠基人之一。于1868年第一次造出来的。但是年轻的法国军官沙迪·迦诺〔沙迪·迦诺(1796—1832)〕一般译作“卡诺”，法国物理学家、工程师，在研究热机效率的过程中，提出了“卡诺循环”定理。却比克劳修斯早41年发现了熵的原理。迦诺在研究蒸汽机工作原理时发现，蒸汽机之所以能做功，是因为蒸汽机系统里的一部分很冷，而另一部分却很热。换一句话说，要把能量转化为功，一个系统的不同部分之间就必须有能量集中程度的差异(即温差)。当能量从一个较高的集中程度转化到一个较低的集中程度(或由较高温度变为较低温度)时，它就做了功。更重要的是每一次能量从一个水平转化到另一个水平，都意味着下一次能再做功的能量就减少了。比如河水越过水坝流入湖泊。当河水下落时，它可被用来发电，驱动水轮，或做其他形式的功。然而水一旦落到坝底，就处于不能再做功的状态了。在水平面上没有任何势能的水是连最小的轮子也带不动的。这两种不同的能量状态分别被称为“有效的”或“自由的”能量，和“无效的”或“封闭的”能量。
　　熵的增加就意味着有效能量的减少。每当自然界发生任何事情，一定的能量就被转化成了不能再做功的无效能量。被转化成了无效状态的能量构成了我们所说的污染。许多人以为污染是生产的副产品，但实际上它只是世界上转化成无效能量的全部有效能量的总和。耗散了的能量就是污染。既然根据热力学第一定律，能量既不能被产生又不能被消灭，而根据热力学第二定律，能量只能沿着一个方向——即耗散的方向——转化，那么污染就是熵的同义词。它是某一系统中存在的一定单位的无效能量。

信息论

　　在信息论中，熵表示的是不确定性的量度。信息论的创始人香农在其著作《通信的数学理论》中提出了建立在概率统计模型上的信息度量。他把信息定义为“用来消除不确定性的东西”。
　　熵在信息论中的定义如下：
　　如果有一个系统S内存在多个事件S = {E1,...,En}, 每个事件的机率分布 P = {p1, ..., pn}，则每个事件本身的讯息为
　　Ie = − log2pi
　　（对数以2为底，单位是位元(bit)）
　　Ie = − lnpi
　　（对数以e为底，单位是纳特/nats）
　　如英语有26个字母，假如每个字母在文章中出现次数平均的话，每个字母的讯息量为
　　I_e = -\log_2 {1\over 26} = 4.7
　　；而汉字常用的有2500个，假如每个汉字在文章中出现次数平均的话，每个汉字的信息量为
　　I_e = -\log_2 {1\over 2500} = 11.3
　　整个系统的平均消息量为
　　H_s = \sum_{i=1}^n p_i I_e = -\sum_{i=1}^n p_i \log_2 p_i
　　这个平均消息量就是消息熵。因为和热力学中描述热力学熵的玻耳兹曼公式形式一样，所以也称为“熵”。
　　如果两个系统具有同样大的消息量，如一篇用不同文字写的同一文章，由于是所有元素消息量的加和，那么中文文章应用的汉字就比英文文章使用的字母要少。所以汉字印刷的文章要比其他应用总体数量少的字母印刷的文章要短。即使一个汉字占用两个字母的空间，汉字印刷的文章也要比英文字母印刷的用纸少。
　　实际上每个字母和每个汉字在文章中出现的次数并不平均，因此实际数值并不如同上述，但上述计算是一个总体概念。使用书写单元越多的文字，每个单元所包含的讯息量越大。
　　I(A)度量事件A发生所提供的信息量，称之为事件A的自信息，P(A)为事件A发生的概率。如果一个随机试验有N个可能的结果或一个随机消息有N个可能值，若它们出现的概率分别为p1,p2,…，pN,则这些事件的自信息的和：[H=-SUM(pi*log(pi)),i=1,2…N]称为熵。

COOOOOOOOL 2010-03-17 09:44 发表评论

共生矩阵

COOOOOOOOL — Wed, 17 Mar 2010 01:26:00 GMT

共生矩阵用两个位置的象素的联合概率密度来定义，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的象素之间的位置分布特性，是有关图象亮度变化的二阶统计特征。它是定义一组纹理特征的基础。

一幅图象的灰度共生矩阵能反映出图象灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图象的局部模式和它们排列规则的基础。

设f(x,y)为一幅二维数字图象，其大小为M×N，灰度级别为Ng,则满足一定空间关系的灰度共生矩阵为

P(i,j)=#｛(x1,y1),(x2,y2)∈M×N｜f(x1,y1)=i,f(x2,y2)=j｝

其中#(x)表示集合x中的元素个数，显然P为Ng×Ng的矩阵，若(x1,y1)与(x2,y2)间距离为d,两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵P(i,j,d,θ)。

纹理特征提取的一种有效方法是以灰度级的空间相关矩阵即共生矩阵为基础的,因为图像中相距(Δx，Δy)的两个灰度像素同时出现的联合频率分布可以用灰度共生矩阵来表示。若将图像的灰度级定为N级，那么共生矩阵为N×N矩阵，可表示为M(Δx，Δy)(h,k)，其中位于(h,k)的元素mhk的值表示一个灰度为h而另一个灰度为k的两个相距为(Δx，Δy)的像素对出现的次数。

对粗纹理的区域，其灰度共生矩阵的mhk值较集中于主对角线附近。因为对于粗纹理，像素对趋于具有相同的灰度。而对于细纹理的区域，其灰度共生矩阵中的mhk值则散布在各处。

为了能更直观地以共生矩阵描述纹理状况，从共生矩阵导出一些反映矩阵状况的参数，典型的有以下几种:

（1）能量：是灰度共生矩阵元素值的平方和，所以也称能量，反映了图像灰度分布均匀程度和纹理粗细度。如果共生矩阵的所有值均相等，则ASM值小；相反，如果其中一些值大而其它值小，则ASM值大。当共生矩阵中元素集中分布时，此时ASM值大。ASM值大表明一种较均一和规则变化的纹理模式。

（2）对比度：反映了图像的清晰度和纹理沟纹深浅的程度。纹理沟纹越深，其对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊。灰度差即对比度大的象素对越多，这个值越大。灰度公生矩阵中远离对角线的元素值越大，CON越大。

（3）相关：它度量空间灰度共生矩阵元素在行或列方向上的相似程度，因此，相关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时，相关值就大；相反，如果矩阵像元值相差很大则相关值小。如果图像中有水平方向纹理，则水平方向矩阵的COR大于其余矩阵的COR值。

（4）熵：是图像所具有的信息量的度量，纹理信息也属于图像的信息，是一个随机性的度量，当共生矩阵中所有元素有最大的随机性、空间共生矩阵中所有值几乎相等时，共生矩阵中元素分散分布时，熵较大。它表示了图像中纹理的非均匀程度或复杂程度。

（5）逆差距：反映图像纹理的同质性，度量图像纹理局部变化的多少。其值大则说明图像纹理的不同区域间缺少变化，局部非常均匀。

其它参数:中值、协方差、同质性/逆差距、反差、差异性、熵、二阶距< Angular Second Moment>、自相关

COOOOOOOOL 2010-03-17 09:26 发表评论

数据融合(data fusion)原理与方法

COOOOOOOOL — Tue, 16 Mar 2010 08:44:00 GMT

数据融合（data fusion）原理与方法

    数据融合（data fusion）最早被应用于军事领域。
    现在数据融合的主要应用领域有：多源影像复合、机器人和智能仪器系统、战场和无人驾驶飞机、图像分析与理解、目标检测与跟踪、自动目标识别等等。在遥感中，数据融合属于一种属性融合，它是将同一地区的多源遥感影像数据加以智能化合成，产生比单一信息源更精确、更完全、更可靠的估计和判断......
一. 数据融合基本涵义
    数据融合（data fusion）最早被应用于军事领域。
    现在数据融合的主要应用领域有：多源影像复合、机器人和智能仪器系统、战场和无人驾驶飞机、图像分析与理解、目标检测与跟踪、自动目标识别等等。在遥感中，数据融合属于一种属性融合，它是将同一地区的多源遥感影像数据加以智能化合成，产生比单一信息源更精确、更完全、更可靠的估计和判断。相对于单源遥感影象数据，多源遥感影象数据所提供的信息具有以下特点：
    1.冗余性：表示多源遥感影像数据对环境或目标的表示、描述或解译结果相同；
    2.互补性：指信息来自不同的自由度且相互独立
    3.合作性：不同传感器在观测和处理信息时对其它信息有依赖关系；
    4.信息分层的结构特性：数据融合所处理的多源遥感信息可以在不同的信息层次上出现，这些信息抽象层次包括像素层、特征层和决策层，分层结构和并行处理机制还可保证系统的实时性。
     实质：  在统一地理坐标系中将对同一目标检测的多幅遥感图像数据采用一定的算法，生成一幅新的、更能有效表示该目标的图像信息。
     目的：将单一传感器的多波段信息或不同类别传感器所提供的信息加以综合，消除多传感器信息之间可能存在的冗余和矛盾，加以互补，改善遥感信息提取的及时性和可靠性，提高数据的使用效率。

二、数据融合原理及过程
    一般来说，遥感影像的数据融合分为预处理和数据融合两步
   1.预处理：
   主要包括遥感影像的几何纠正、大气订正、辐射校正及空间配准
（1）几何纠正、大气订正及辐射校正的目的主要在于去处透视收缩、叠掩、阴影等地形因素以及卫星扰动、天气变化、大气散射等随机因素对成像结果一致性的影响；
（2）影像空间配准的目的在于消除由不同传感器得到的影像在拍摄角度、时相及分辨率等方面的差异。

   影像的空间配准时遥感影像数据融合的前提空间配准一般可分为以下步骤 :
   (1）特征选择：在欲配准的两幅影像上，选择如边界、线状物交叉点、区域轮廓线等明显的特征。
  （2）特征匹配：采用一定配准算法，找处两幅影像上对应的明显地物点，作为控制点。
  （3）空间变化：根据控制点，建立影像间的映射关系。
  （4）插值：根据映射关系，对非参考影像进行重采样，获得同参考影像配准的影像。
    空间配准的精度一般要求在1~2个像元内。空间配准中最关键、最困难的一步就是通过特征匹配寻找对应的明显地物点作为控制点。

   2.数据融合
    根据融合目的和融合层次智能地选择合适的融合算法，将空间配准的遥感影像数据（或提取的图像特征或模式识别的属性说明）进行有机合成，得到目标的更准确表示或估计。
    对于各种算法所获得的融合遥感信息，有时还需要做进一步的处理，如"匹配处理"和"类型变换"等，以便得到目标的更准确表示或估计。

三、数据融合分类及方法
   1  数据融合方法分类
    遥感影像的数据融合方法分为三类：基于像元（pixel）级的融合、基于特征(feature)级的融合、基于决策(decision)级的融合。融合的水平依次从低到高。
     1.1 像元级融合
      像元级融合是一种低水平的融合。
      像元级融合的流程为：经过预处理的遥感影像数据——数据融合——特征提取——融合属性说明。
     优点：保留了尽可能多的信息，具有最高精度。
     局限性：
      1. 效率低下。由于处理的传感器数据量大，所以处理时间较长，实时性差。
      2. 分析数据限制。为了便于像元比较，对传感器信息的配准精度要求很高，而且要求影像来源于一组同质传感器或同单位的。
      3.分析能力差。不能实现对影像的有效理解和分析
      4.纠错要求。由于底层传感器信息存在的不确定性、不完全性或不稳定性，所以对融合过程中的纠错能力有较高要求。
      5.抗干扰性差。
     像元级融合所包含的具体融合方法有：代数法、IHS变换、小波变换、主成分变换（PCT）、K-T变换等

    1.2 特征级融合
     特征级融合是一种中等水平的融合。在这一级别中，先是将各遥感影像数据进行特征提取，提取的特征信息应是原始信息的充分表示量或充分统计量，然后按特征信息对多源数据进行分类、聚集和综合，产生特征矢量，而后采用一些基于特征级融合方法融合这些特征矢量，作出基于融合特征矢量的属性说明。
     特征级融合的流程为：经过预处理的遥感影像数据——特征提取——特征级融合——（融合）属性说明。

    1.3 决策级融合
     决策级融合是最高水平的融合。融合的结果为指挥、控制、决策提供了依据。在这一级别中，首先对每一数据进行属性说明，然后对其结果加以融合，得到目标或环境的融合属性说明。
    决策级融合的优点时具有很强的容错性，很好的开放性，处理时间短、数据要求低、分析能力强。而由于对预处理及特征提取有较高要求，所以决策级融合的代价较高。
    决策级融合的流程：经过预处理的遥感影像数据——特征提取——属性说明——属性融合——融合属性说明。

  2  数据融合方法介绍
   2.1 代数法
    代数法包括加权融合、单变量图像差值法、图像比值法等。
   （1）加权融合法
   （2）单变量图象差值法
   （3）图象比值法

2.2 图像回归法（Image Regression）
图像回归法是首先假定影像的像元值是另一影像的一个线性函数，通过最小二乘法来进行回归，然后再用回归方程计算出的预测值来减去影像的原始像元值，从而获得二影像的回归残差图像。经过回归处理后的遥感数据在一定程度上类似于进行了相对辐射校正，因而能减弱多时相影像中由于大气条件和太阳高度角的不同所带来的影响。

   2.3 主成分变换（PCT）
    也称为W-L变换，数学上称为主成分分析（PCA）。PCT是应用于遥感诸多领域的一种方法，包括高光谱数据压缩、信息提取与融合及变化监测等。PCT的本质是通过去除冗余，将其余信息转入少数几幅影像（即主成分）的方法，对大量影像进行概括和消除相关性。PCT使用相关系数阵或协方差阵来消除原始影像数据的相关性，以达到去除冗余的目的。对于融合后的新图像来说各波段的信息所作出的贡献能最大限度地表现出来。
    PCT的优点是能够分离信息，减少相关，从而突出不同的地物目标。另外，它对辐射差异具有自动校正的功能，因此无须再做相对辐射校正处理。

   2.4 K-T变换
    即Kauth-Thomas变换，简称K-T变换，又形象地成为"缨帽变换"[14]。它是线性变换的一种，它能使座标空间发生旋转，但旋转后的坐标轴不是指向主成分的方向，而是指向另外的方向，这些方向与地面景物有密切的关系，特别是与植物生长过程和土壤有关。以此，这种变换着眼于农作物生长过程而区别于其他植被覆盖，力争抓住地面景物在多光谱空间的特征。通过这种变换，既可以实现信息压缩，又可以帮助解译分析农业特征，因此
有很大的实际应用意义。
    目前对这个变换在多源遥感数据融合方面的研究应用主要集中在MSS与TM两种遥感数据的应用分析方面。

   2.5 小波变换
    小波变换是一种新兴的数学分析方法，已经受到了广泛的重视。小波变换是一种全局变换，在时间域和频率域同时具有良好的定位能力，对高频分量采用逐渐精细的时域和空域步长，可以聚焦到被处理图像的任何细节，从而被誉为"数学显微镜"。
    小波变换常用于雷达影像SAR与TM影像的融合。它具有在提高影像空间分辨率的同时又保持色调和饱和度不变的优越性。

   2.6 IHS变换
    3个波段合成的RGB颜色空间是一个对物体颜色属性描述系统，而IHS色度空间提取出物体的亮度I，色度H，饱和度S，它们分别对应3个波段的平均辐射强度、3个波段的数据向量和的方向及3个波段等量数据的大小。RGB颜色空间和IHS色度空间有着精确的转换关系。
    以TM和SAR为例，变换思路是把TM图像的3个波段合成的RGB假彩色图像变换到IHS色度空间，然后用SAR图像代替其中的I值，再变换到RGB颜色空间，形成新的影像。

   2.7 贝叶斯（Bayes）估计
   2.8 D-S推理法(Dempster-Shafter)
   2.9 人工神经网络（ANN）
   2.10 专家系统

    遥感数据融合存在问题及发展趋势
    遥感影像数据融合还是一门很不成熟的技术，有待于进一步解决的关键问题有：
  （1）空间配准模型
  （2）建立统一的数学融合模型
  （3）提高数据预处理过程的精度
  （4）提高精确度与可信度
    随着计算机技术、通讯技术的发展，新的理论和方法的不断出现，遥感影像数据融合技术将日趋成熟，从理论研究转入到实际更广泛的应用，最终必将向智能化、实时化方向发展，并同GIS结合，实现实时动态融合用于更新和监测。

COOOOOOOOL 2010-03-16 16:44 发表评论

图像融合效果的评价方法

COOOOOOOOL — Tue, 16 Mar 2010 08:38:00 GMT

当前融合效果的评价问题一直未得到很好的解决，原因是：同一融合算法，对不同类型的图像，其融合效果不同；同一融合算法，对同一图像，观察者感兴趣的部分不同，则认为效果不同；不同的应用方面，对图像各项参数的要求不同，导致选取的评价方法不同。
     因而，需要寻找一种比较客观评价融合图像效果的方法，使计算机能够自动选取适合当前图像的、效果最佳的算法。从而为不同场合下选择不同较优算法提供依据。
    1客观评价
    1.1基于信息量的评价
    1.1.1 熵[3]
    图像的熵是衡量图像信息丰富程度的一个重要指标。如果融合图像的熵越大，说明融合图像的信息量增加。
    1.1.2交叉熵
    交叉熵直接反映了两幅图像对应像素的差异，是对两幅图像所含信息的相对衡量。
    1.1.3相关熵（互信息）
    相关熵（互信息）是信息论中的一个重要基本概念，它可作为两个变量之间相关性的量度，或一个变量包含另一个变量的信息量的量度，因此，融合图像与原始图像的相关熵（互信息）越大越好。
    1.1.4偏差熵
    偏差熵反映了两幅图像像素偏差的程度，同时也反映了两幅图像信息量的偏差度，分别有：单一偏差熵、总体平方平均偏差熵、总体算术平均偏差熵、总体几何平均偏差熵、总体调和平均偏差熵。
    1.1.5联合熵
    联合熵也是信息论中的一个重要基本概念，它可作为三幅图像之间相关性的量度，同时也反映了三幅图像之间的联合信息，因此，融合图像与原始图像的联合熵越大越好。
    1.2基于统计特性的评价
    1.2.1均值
    1.2.2标准差
    标准差反映了灰度相对于灰度均值的离散情况，标准差越大，则灰度级分布越分散，有标准差、对数标准差。
    1.2.3偏差度
    偏差度用来反映融合图像与原始图像在光谱信息上的匹配程度，如果偏差指数较小，则说明融合后的图像R在提高空间分辨率的同时，较好地保留了F的光谱信息，有：绝对偏差度、相对偏差度。
    1.2.4均方差
    1.2.5平均等效视数
    平均等效视数[8]可以用来衡量噪声的抑制效果、边缘的清晰度和图像的保持性。
    1.2.6 协方差
    1.3基于信噪比的评价
    图像融合后去噪效果的评价原则为：（1）信息量是否提高；（2）噪声是否得到抑制；（3）均匀区域噪声的抑制是否得到加强；（4）边缘信息是否得到保留；（5）图像均值是否提高。因此可以从下面几个方面评价。
    1.3.1信噪比
    1.3.2峰值信噪比
    1.4基于梯度值的评价
    1.4.1清晰度（平均梯度）
    清晰度[11]反映图像质量的改进，同时还反映出图像中微小细节反差和纹理变换特征。
    1.4.2  空间频率
    空间频率反映了一幅图像空间域的总体活跃程度。
    1.7基于小波能量的评价[14~15]
    对图像进行小波分解后，对小波系数处理，然后重构得到融合图像，这种方法融合图像的效果评价可以采用小波系数平均能量的办法。
    2 评价指标的选取
    评价指标的选取一般根据融合的目的选取，图像融合的目的主要有以下几个方面。
    2.1 去噪
    一般而言，从传感器得到的图像都是有噪图像，而后续的图像处理一般要求噪声在一定范围内，因此，可以采用融合的方法来降低噪声，提高信噪比。对于这种方法一般采用基于信噪比的评价。
    2.2 提高分辨率
    提高分辨率也是图像融合的一个重要目的，有时从卫星得到的红外图像的分辨率不高，这就要求用其它传感器得到图像（如光学图像，合成孔径图像）与红外图像进行融合来提高分辨率。对于这种方法的融合效果评价可采用基于统计特性及光谱信息的评价方法。
    2.3 提高信息量
    在传输图像，图像特征提取等方面需要提高信图像的信息量。图像融合是提高信息量的一个重要手段。对于融合图像的信息量是否提高，我们可采用基于信息量的评价方法。
    2.4 提高清晰度
    在图像处理中，往往需要在保持原有信息不丢失的情况下，提高图像的质量、增强图像的细节信息和纹理特征、保持边缘细节及能量，这对于一般的图像增强很难办到，因此需要采用图像融合的办法，这时，对融合效果的评价可采用基于梯度的方法及模糊积分的办法和小波能量的评价方法.
    2.5特殊要求
    在有些方面融合的目的既不是提高信息量，也不是提高分辨率和降低噪声。这就需要根据特殊的要求来加以衡量。
    2.6定性描述
    定性描述就是主观评价法，也就是目测法。这种方法主观性比较强，但对一些明显的图像信息进行评价直观、快捷、方便；对一些暂无较好客观评价指标的现象可以进行定性的说明。其主要用于判断融合图像是否配准，如果配准不好，那么图像就会出现重影，反过来通过图像融合也可以检查配准精度；判断色彩是否一致；判断融合图像整体亮度、色彩反差是否合适，是否有蒙雾或马赛克现象；判断融合图像的清晰度是否降低，图像边缘是否清楚；判断融合图像纹理及色彩信息是否丰富，光谱与空间信息是否丢失等。

COOOOOOOOL 2010-03-16 16:38 发表评论

密码的去除与破解

COOOOOOOOL — Fri, 12 Mar 2010 07:20:00 GMT

密码固然有保护作用，但若自己忘了密码却会带来麻烦。因此，除了会设置密码外，更要学会去除和破解密码。

1、密码的去除：

密码的“去除”是指在已经知道密码的情况下去除密码。

方法是：进入BIOS设置画面，选择已经设置密码的“SUPERVISOR PASSWORD”或“USER PASSWORD”，回车后，出现“Enter Password”时，不要输入密码，直接按回车键。此时屏幕出现提示：

“ PASSWORD DISABLED ！！！（去除密码！！！）
Press any key to continue……（按任意键继续……）”

按任意键后退出保存，密码便被去除。

2、密码的破解：

密码的“破解”是指在忘记密码，无法进入BIOS设置或无法进入操作系统的情况下破解密码。方法如下：

（1）程序破解法：

此法适用于可进入操作系统，但无法进入BIOS设置（要求输入密码）。具体方法是：将计算机切换到DOS状态，在提示符“C：WINDOWS〉”后面输入以下破解程序：

debug
- O 70 10
- O 71 ff
- q

再用exit命令退出DOS，密码即被破解。因BIOS版本不同，有时此程序无法破解时，可采用另一个与之类似的程序来破解：

debug
- O 71 20
- O 70 21
- q

用exit命令退出DOS，重新启动并按住Del键进入BIOS，此时你会发现已经没有密码挡你的道了！

（2）放电法：

当“BIOS设置”和“操作系统”均无法进入时，便不能切换到DOS方式用程序来破解密码。此时，只有采用放电法。放电法有两种：一种是“跳线放电法”??拆开主机箱，在主板上找到一个与COMS有关的跳线（参考主板说明书），此跳线平时插在1-2的针脚上，只要将它插在2-3的针脚上，然后再放回1-2针脚即可清除密码。另一种是“COMS电池放电法”?? 拆开主机箱，在主板上找到一粒钮扣式的电池，叫CMOS电池（用于BIOS的单独供电，保证BIOS的设置不因计算机的断电而丢失），取出COMS电池，等待5分钟后放回电池，密码即可解除。但此时BIOS的密码不论如何设置，用万能密码均可进入BIOS设置和操作系统。当然，自己设置的密码同样可以使用。 BIOS中的其他设置将恢复到原来状态，要优化计算机性能或解决硬件冲突需要重新设置。

（3）万能密码：

生产较早的某些主板，厂家设有万能密码（参考主板说明书），如：以6个“*”作为万能密码。这种主板，BIOS的密码不论如何设置，用万能密码均可进入BIOS设置和操作系统。当然，自己设置的密码同样可以使用。

COOOOOOOOL 2010-03-12 15:20 发表评论

usb 启动盘制作的几种办法

COOOOOOOOL — Fri, 12 Mar 2010 00:53:00 GMT

USB启动盘越来越流行了。因为一些轻便的笔记本，根本就没有光驱。带U盘比带光盘还是方便一点。

本文关注windows启动盘的制作，以windows 7 iso为例。首先，准备一个win7.iso，是win7的安装盘镜像。该镜像可以在微软的在线 store买到。另外，准备一个不低于4G的空U盘，格式化为FAT32。

以下是一些可行的办法。但USB的安装盘还是可能会有莫名其妙的错误。需要多尝试。

1.使用Windows 7 USB/DVD Download Tool

这个号称是傻瓜工具，但我试用时发现并不那么好用。

下载页面：http://images2.store.microsoft.com/prod/clustera/framework/w7udt/1.0/en-us/Windows7-USB-DVD-tool.exe

安装usb tool时，提示缺Image Mastering API v2.0 (IMAPIv2.0) for Windows XP (KB932716)，中文名

Windows XP 的映像控制 API v2.0 (IMAPIv2.0) (KB932716)。下载页面：http://www.microsoft.com/downloads/details.aspx?FamilyID=b5f726f1-4ace-455d-bad7-abc4dd2f147b&displayLang=zh-cn

不过需要正版验证。

可能还需要.net 2.0 以上的framework.下载：http://www.microsoft.com/downloads/details.aspx?FamilyID=0856EACB-4362-4B0D-8EDD-AAB15C5E04F5&displaylang=en

但我在使用Windows 7 USB/DVD Download Tool 时，报错：

the selected file is not a valid iso file windows 7 usb，please select a valid ISO file and try again。

因为我的是直接拷的win7.iso。据成功的反应，如果是购买的微软的iso则拷贝到U盘和DVD都没有问题。

很多人遇到此问题，有人提出了解决办法，在这里（英文）。他提供了一个工具。直接在cmd下面执行isoavdpcopy iso_file.

也有人用如下的方法创建win7 usb tool兼容的iso：

oscdimg -lWindows_7 -u2 -bC:\DVD_Data\Boot\etfsboot.com C:\DVD_Data C:\Win7.iso

说明：http://technet.microsoft.com/en-us/library/cc749036%28WS.10%29.aspx

2. 使用ms-diskpart

假如U盘为F：

先将U盘格式化为NTFS。

要将U盘格式为NTFS，必须在U盘的属性的策略里，将其改为“为提高性能而优化”

FORMAT F: /FS NTFS

DISKPART
LIST DISK
SELECT DISK x (x是上一个命令的#编号）

SELECT PARTITION 1
ACTIVE
EXIT

但我使用时，发现list disk没有U盘。

C:\>DISKPART

Microsoft DiskPart 版本 5.1.3565

DISKPART> list disk

磁盘 ### 状态大小可用动态 Gpt
-------- ---------- ------- ------- --- ---
磁盘 0 联机 233 GB 0 B

DISKPART> select disk 0

磁盘 0 现在是所选磁盘。

DISKPART>

解决办法：

用Lexar Bootit工具将U盘改为固定硬盘(fix disk)。

再将win7.iso用daemon等虚拟光驱挂载，如挂在Z：盘

CD \BOOT
BOOTSECT /NT60 F:

XCOPY Z:\ F:\ /S/E

3.ultraiso

用ultraiso premium 9.3.3以上版本打开win7.iso

从启动菜单点“写入硬盘映像”，硬盘选中U盘。（Bootable” 与 “Write Disk Image”.）

4.poweriso(完全版)

打开菜单“文件”，“属性”，check UDF，点Ok。保存即可。

5. 使用7-zip

USB格式化为fat32

用7-zip将win7.iso解压到USB盘，即可启动。

6.ubuntu (or ubuntu live cd)

1. sudo fdisk -l （U盘：/dev/sdb (盘), /dev/sdb1 (分区)）
2. sudo dd if=/dev/zero of=/dev/sdb/ bs=1M count=1
3. sudo blockdev --rereadpt /dev/sdb
4. usb-creator-gtk

在图形界面选好win7.iso或dvd，生成U盘启动盘。

7.将usb盘烧成usb-cdrom,usb-hdd

下载芯片精灵，查看U盘芯片，记下vid，pid

下载相应的芯片的usb量产工具，设置相应参数，指定win7.iso

量产。

这个看似比较有前途，不过目前我没有成功。

网上有相应图文教程。

以上的方法，我只有部分验证，只提供一下思路。每一个人的情况不一样，不打包票成功。

COOOOOOOOL 2010-03-12 08:53 发表评论

制作Windows 7 USB启动U盘（Windows 7 USB/DVD Download Tool）

COOOOOOOOL — Fri, 12 Mar 2010 00:39:00 GMT

很多人在XP时代就非常熟悉从U盘或者硬盘来安装操作系统，好处大概有2个，一个是U盘或者硬盘来安装速度快，因为读写都比CD/DVD盘要快，硬盘安装更明显，二是假如您要在一个没有光驱的PC上安装，您只能选择从其他设备启动了。今天带来一个小工具，是微软官方给出的一个Windows 7 USB/DVD 启动盘制作工具。工具下载地址是：http://images2.store.microsoft.com/prod/clustera/framework/w7udt/1.0/en-us/Windows7-USB-DVD-tool.exe
您可以复制地址到浏览器或者迅雷等下载工具中下载此工具。
Windows 7 USB/DVD 启动盘制作方法：
1.安装下载到的 Windows7-USB-DVD-Download-Tool-Installer-en-US.exe 到本地硬盘。下载Windows 7 安装ISO文件，这个我相信大家都下的到。
2.插入您要制作的U盘，从程序启动Windows 7 USB/DVD Download Tool ，启动后程序后提示，选择ISO文件，选择您需要制作的Windows 7 ISO版本即可（旗舰版或者专业版等），然后点击NEXT之后会让您选择设备，选择USB即可，如果没有识别出您的设备，点击刷新。选择之后一路NEXT(这个工具只有4步），等待三五分钟之后，您的USB就变成一个可启动的USB安装盘了，是不是很简单？
3.制作成功之后您会发现您的U盘的图标会变成一个Windows 7 系统安装盘的图标，U盘标识也变成了DT Vivid
PS：
1.您需要的有1个4G的U盘，一个WIN7 ISO镜像文件。
2.XP系统需要安装 Microsoft .NET Framework v2 和 Microsoft Image Mastering API v2 才能制作这个U盘启动盘
这里是微软官方说明：http://store.microsoft.com/Help/ISO-Tool

COOOOOOOOL 2010-03-12 08:39 发表评论

notes

COOOOOOOOL — Fri, 05 Mar 2010 03:17:00 GMT

asp.net中runat="server" 的作用

ruant="server"表示这个控件是在服务器端运行的，说简单点就是你可以在.cs后台代码里引用到这个控件。
asp.net的控件都是以ruant="server"为基础的 

与区别

是服务器控件 
是客户端控件 
在JS里调用没必要用服务器控件

这种写法是你添加了一个asp.net的组件TestBox， 这种写法是你添加了一个客户端的控件， 是Html的标记，你写的函数是在客户端找textid

其实就是被微软给封装了一下！其它的没有什么不同的！在服务器端运行的控件在客房端显示的ＩＤ是不可预测的！所果要用其ＩＤ写clicentid才可以！

 最终还是解析为  HTML 

赶紧搞清楚asp.net的机理 
在页面的生命周期的最后一步是要render成html 的 
因为浏览器只解析html语言的元素 
只要你保证render后的html元素的id对应就可以

COOOOOOOOL 2010-03-05 11:17 发表评论