遥感影像空间增强与傅立叶变换滤波处理
遥感图像增强实验报告
遥感图像增强实验报告1. 实验目的和内容实验目的：（1）遥感图像的空间域增强：通过直接改变图像中的单个像元及相邻像元的灰度值来增强图像，是图像增强技术的基本组成部分，包括点运算和邻域运算。
（2）遥感图像的频率域增强：通过对频率域的调整对遥感图像进行平滑和锐化，平滑主要是保留图像的低频部分抑制高频部分，锐化则保留图像的高频部分而削弱低频部分。
（3）遥感图像的彩色增强：将黑白图像转换成彩色图像，使地物的差别易于分辨，突出图像的有用信息，从而提高对图像的解译和分析能力。
实验内容：（1）遥感图像的空间域增强：点运算—直方图均衡化、灰度拉伸、任意拉伸，邻域运算—图像平滑、图像锐化。
（2）遥感图像的频率域增强：定义FFT，反向FFT，再进行对比。
（3）遥感图像的彩色增强：多波段影像—彩色合成、单波段影像—伪彩色增强、色彩空间变换、遥感数据融合。
2. 图像处理方法和流程A.遥感图像的空间域增强1.直方图均衡化(1)在主窗口中打开can_tmr.img文件。
(2)以gray形式显示一个波段。
(3)Display窗口>enhance>equalization2.灰度拉伸(1)Display窗口>enhance>interactive stretching(2)弹出的对话框>stretch_type>linear(3)在STRETCH对应的两个文本框中输入需要拉伸的范围，然后单击对话框上的APPLY按钮，图像显示为线性拉伸后的效果。
3.任意拉伸（1）弹出的对话框>stretch_type>Arbitary，在output histogram中单击绘制直方图，右键结束（2）点击apply，结果如图所示4.图像平滑（1）均值平滑，在主窗口中打开can_tmr.img文件。
主窗口>enhance>filter>smooth[3*3]。
结果如图所示（2）中值平滑，在主窗口中打开can_tmr.img文件。
遥感影像处理中的变换与滤波技术选用原则
遥感影像处理中的变换与滤波技术选用原则遥感影像处理是地球科学和遥感技术领域的重要分支，其目的是从遥感影像中提取出有用的地学信息。
在遥感影像处理的过程中，变换与滤波技术是常用的工具，用于对原始遥感影像进行预处理、增强和特征提取。
本文将探讨在遥感影像处理中变换与滤波技术的选用原则。
一、变换技术的选用原则1.1 直方图均衡化直方图均衡化是一种常用的变换技术，它通过调整灰度级的分布，增强遥感影像的对比度。
在图像中存在较大动态范围的情况下，直方图均衡化能够显着提高影像的可视化效果。
但是，在某些特定场景下，直方图均衡化可能会导致细节的丢失或错觉的产生，因此需要根据具体的应用场景进行评估和选用。
1.2 傅里叶变换傅里叶变换是将信号分解为不同频率的基本频率分量的数学工具。
在遥感影像处理中，傅里叶变换常用于频域滤波和纹理分析。
通过傅里叶变换，可以对影像进行低通滤波或高通滤波，滤除或保留不同频率的信息。
此外，傅里叶变换还可用于纹理分析，通过频域特征提取来描述不同地物的纹理特性。
1.3 小波变换小波变换是一种时频分析方法，在时域和频域上都表现出较好的特性。
在遥感影像处理中，小波变换可用于噪声的去除、边缘检测和特征提取。
小波变换具有多分辨率分析的特点，可以同时捕捉到图像的局部和全局特征，特别适用于提取具有不同尺度特征的地物信息。
二、滤波技术的选用原则2.1 空域滤波空域滤波是对遥感影像的像素进行操作的滤波方法，常用于预处理、降噪和模糊处理。
空域滤波的原理简单、易于实施，并且对于大多数应用场景具有较好的效果。
常见的空域滤波方法包括均值滤波、中值滤波和高斯滤波。
2.2 频域滤波频域滤波是对遥感影像进行傅里叶变换，对频域图像进行滤波操作，然后再进行逆变换得到空域图像的滤波方法。
频域滤波可以通过选择不同的滤波函数来实现图像的增强、边缘检测和目标提取等功能。
常见的频域滤波方法包括理想滤波、巴特沃斯滤波和高斯滤波。
2.3 小波滤波小波滤波是对遥感影像进行小波变换后，通过滤波或阈值处理来实现图像增强和边缘检测的方法。
遥感图像处理的图像增强和特征提取方法
遥感图像处理的图像增强和特征提取方法遥感图像处理是利用遥感技术获取和处理地球表面信息的一种方法。
在遥感图像处理中，图像增强和特征提取是两个重要的步骤。
本文将探讨遥感图像处理的图像增强和特征提取方法，并介绍其在实际应用中的重要性和挑战。
一、图像增强方法图像增强是通过改善遥感图像的质量和清晰度来提取更多有用信息的过程。
在遥感图像处理中，常用的图像增强方法包括直方图均衡化、滤波和增强算法等。
1. 直方图均衡化直方图均衡化是一种通过调整图像的亮度分布来增强图像对比度的方法。
它通过将图像的亮度值映射到一个更均匀分布的直方图来使图像的细节更加清晰。
直方图均衡化能够有效地提高图像的视觉质量，但在某些情况下可能会导致过度增强和失真。
2. 滤波滤波是一种通过去除图像中的噪声和不必要的细节来改善图像质量的方法。
在遥感图像处理中，常用的滤波方法包括中值滤波、高斯滤波和小波变换等。
这些滤波方法能够有效地降低图像的噪声和模糊度，提高图像的清晰度和边缘保持能力。
3. 增强算法增强算法是一种通过对图像进行像素级别的调整和处理来增强图像质量的方法。
常用的增强算法包括灰度拉伸、对比度增强和边缘增强等。
这些算法能够根据图像的特点和需求来调整图像的亮度、对比度和细节等，从而提高图像的视觉效果和信息提取能力。
二、特征提取方法特征提取是通过从遥感图像中提取和表示有用的信息和模式来分析和识别图像内容的过程。
在遥感图像处理中，常用的特征提取方法包括纹理特征提取、频谱特征提取和形状特征提取等。
1. 纹理特征提取纹理特征提取是一种通过分析图像中的纹理信息来描述和表示图像内容的方法。
常用的纹理特征提取方法包括灰度共生矩阵、小波变换和局部二值模式等。
这些方法能够有效地提取图像中的纹理细节和结构特征，用于图像分类、目标检测和地物识别等应用。
2. 频谱特征提取频谱特征提取是一种通过分析图像的频域信息来描述和表示图像内容的方法。
常用的频谱特征提取方法包括傅里叶变换、小波变换和高斯金字塔等。
2遥感图像增强——空间滤波(教案).docx
实验二遥感图像增强——空间滤波注：实验采用软件为加拿大产遥感专业图彖处理软件PCI,为便于对比及评分，实验图像一般采用安装盘自带文件夹DEMO下irvine.piXo一、滤波的原理及方法在遥感图像处理中，经常采用空间域中的邻域处理方法來改变遥感图像中像元与其周围相邻像元的关系，即“空间滤波”，來突出遥感图像上某些特征，如突出边缘或纹理等。
传统的空间滤波方法有图像卷积运算、平滑、锐化。
图像卷积运算是在空间域上对图像进行邻域检测的运算，具体做法是选定一个卷积函数t(m, n),又称为“模板”，即一个MxN的图像，运算时，从图像左上角开始一个为模板同样大小的活动窗口U(m, n),使活动窗口与模板像元的灰度值对应相乘再相加，计算结果r(i, j)作为活动窗口屮心像元的新的灰度值。
在平滑处理中，均值平滑是将每个像元在以其为中心的区域内取平均值來代替该像元值以达到去掉尖锐“噪声”和平滑图像的目的。
常用的邻域冇4-邻域和8-邻域。
在屮值滤波屮则是以某像元为中心的邻域内取中间亮度值来代替该像元值，以达到去掉尖锐“噪声”和平滑图像的目的。
空间滤波是指在图像空间(x, y)或空间频率(J H)对输入图像应川若干滤波函数而获得改进的输出图像的技术，即对图像屮某些空间、频率特征的信息增强或抑制，如增强高频信息，即突出边缘、纹理、线条等。
增强低频信息抑制高频信息、既去掉细节。
其效果冇噪声的消除，边缘及线的增强，图像的清晰化等。
注意突出的图像上的某些特征，突出边缘或图像处理方法，也叫做“空间滤波”，它属于一种儿何增强处理。
空间滤波技术的基本思路有3条：Fil血滤波，操作如下：①提取原图像的边缘信息，进行加权处理，然示与原图像亞加；②提取原图像屮的模糊成分进行加权处理，然示与原图叠加；③使用某一指定的两数对原图像进行加权，是图像产生尖锐或平滑的效果。
在进行运算吋，多采用空间卷积技术，即在原图像上移动“活动窗口”，逐块进行局部运算。
遥感图像的增强处理
目的：通过上机操作，掌握彩色变换增强，空间域增强，频率域增强，多光谱变换增强等几种遥感图像增强处理的过程和方法，加深对遥感图像增强处理的理解。
实验内容：彩色合成；对比度变换增强；空间滤波增强；频率域增强；图像运算；主成分变换。
一、彩色合成
根据加色法彩色合成原理，选择遥感图像的三个波段，分别赋予红、绿、蓝三种原色，然后将这三个波段叠加，构成彩色合成图像。
锐化：interpreter—spatical enhancement—convolution（索伯尔）以T1为例。 New为自己新定义一个模板，在Xsize与Ysize中定义，以默认的3为例，在窗口中的行列中输入T1（突出线状地物，为水平方向线性地物）点file中的librarian中的name中命名“suoboer”点save后close，发现自定义的suoboer已出现 在convolution窗口中的kernel下，点击suoboer，再在output file中命名。
（1）索伯尔梯度
1 2 1 -1 0 1
T1= 0 0 0 T2= -2 0 2
-1-2-1 -1 0 1
（2）拉普拉斯算法（有利于提取边缘信息）
0 1 0
T（m，n）=1-4 1（同时突出横、纵向，但边界是断断续续
标准假彩色合成：
TM2(绿波段)赋予蓝
TM3（红波段）赋予绿
TM4（近红外波段）赋予红；
步骤：配准--------合成
空间位置上配准（通过几何校正进行配准）
做一标准假彩色合成（选影像tm2、3、4）
首先将tm2、3、4打开看是否能直接合成（投影坐标是否一样，若不一样则需配准后才能合成）
图像增强的方法有哪些
图像增强的方法有哪些图像增强是指通过一系列的处理方法，改善图像的质量和视觉效果，使得图像更加清晰、鲜艳、易于理解和分析。
图像增强技术在计算机视觉、医学影像、遥感图像等领域有着广泛的应用。
本文将介绍图像增强的几种常见方法，包括灰度拉伸、直方图均衡化、滤波和增强、空间域增强、频域增强等。
首先，灰度拉伸是一种简单而有效的图像增强方法。
它通过扩展图像的灰度动态范围，将原本灰暗的区域拉伸到整个灰度范围内，从而增强了图像的对比度和细节。
灰度拉伸通常适用于灰度动态范围较窄的图像，比如受到光照影响的图像或者拍摄条件不佳的图像。
其次，直方图均衡化是一种常用的图像增强方法。
它通过重新分布图像的灰度级，使得图像的直方图在整个灰度范围内均匀分布，从而增强了图像的对比度和视觉效果。
直方图均衡化适用于灰度动态范围较窄或者灰度分布不均匀的图像，能够有效地改善图像的质量。
另外，滤波和增强也是常见的图像增强方法。
滤波可以去除图像中的噪声和干扰，增强图像的清晰度和细节。
常用的滤波方法包括均值滤波、中值滤波、高斯滤波等。
在滤波的基础上，可以对图像进行锐化、边缘增强等操作，从而进一步改善图像的质量。
此外，空间域增强和频域增强也是图像增强的重要方法。
空间域增强是指直接对图像的像素进行操作，比如对比度调整、颜色增强、锐化等。
而频域增强则是通过对图像的频谱进行操作，比如傅里叶变换、滤波等。
这些方法能够有效地改善图像的质量和视觉效果。
总的来说，图像增强是一项重要的技术，能够改善图像的质量和视觉效果，提高图像的可读性和分析性。
在实际应用中，可以根据图像的特点和需求，选择合适的增强方法进行处理，以获得更加清晰、鲜艳、易于理解和分析的图像。
希望本文介绍的几种常见方法能够为图像增强技术的应用提供一些参考和帮助。
遥感图像的增强处理
遥感图像的增强处理一、实验目的通过上机操作，了解空间增强、辐射增强、光谱增强几种遥感图像增强处理的过程和方法，加深对图像增强处理的理解。
二、实验内容对下图进行卷积增强处理；直方图均衡化；主成分变换；色彩变换三、实验过程ERDAS IMAGE图像解译模块主要包括了图像的空间增强、辐射增强、光谱增强、高光谱工具、傅立叶变换、地形分析以及其他实用功能。
1、卷积增强（Convolution）空间增强技术是利用像元自身及其周围像元的灰度值进行运算，达到增强整个图像之目的。
卷积增强（Convolution）是空间增强的一种方法。
卷积增强（Convolution）时将整个像元分块进行平均处理，用于改变图像的空间频率特征。
卷积增强（Convolution）处理的关键是卷积算子——系数矩阵的选择。
该系数矩阵又称卷积核（Kernal）。
ERDAS IMAGINE将常用的卷积算子放在一个名为default.klb的文件中，分为3*3，5*5，7*7三组，每组又包括“Edge Detect/Low Pass/Horizontal/Vertical”等七种不同的处理方式。
具体执行过程如下：ERDAS图标面板菜单条：Main→Image Interpreter→Spatial enhancement→convolution→convolution对话框。
图3-1 Convolution对话框几个重要参数的设置：边缘处理方法：（Handle Edges by）：Reflection卷积归一化处理：Normalize the KernelKernel：3*3EdgeDetcetInput File(*.hdr): C\data\nj.hdr type:ENVI*.hdrOutput File(*.img): C\11.imgOutput: Unsigned 8 bit2、直方图均衡化（Histogram Equalization）直方图均衡化实质上是对图像进行非线性拉伸，重新分配图像像元值，是一定灰度范围内的像元数量大致相同。
卫星遥感影像处理的常用方法
卫星遥感影像处理的常用方法随着卫星遥感技术的不断发展和应用，卫星遥感影像处理已经成为了解地球表面特征和环境变化的重要手段。
在这个过程中，常用的方法及算法起到至关重要的作用。
本文将介绍几种常见的卫星遥感影像处理方法，包括图像增强、分类与识别、变化检测、目标提取等。
一、图像增强图像增强是改进和优化遥感影像质量的一种方法。
常用的图像增强方法包括直方图均衡化、滤波、拉普拉斯变换等。
直方图均衡化通过对图像的灰度直方图进行调整，使得图像的灰度分布更加均匀，从而增强图像的对比度。
滤波方法通过对图像的像素值进行平滑或增强，使图像更加清晰和易于分析。
拉普拉斯变换则用于边缘检测，通过计算图像中像素灰度的二阶导数，实现对图像边缘的提取。
二、分类与识别分类与识别是卫星遥感影像处理中的一个重要环节。
它可以将遥感影像中的像素分为不同的类别，从而实现对地面特征的解译和分析。
常用的分类与识别方法包括监督分类、非监督分类和目标识别等。
监督分类是根据已知类别的训练样本进行分类，其分类准确度较高。
非监督分类是根据像素之间的相似性进行分类，但需要人工干预进行分类结果的解释。
目标识别则是通过特定的算法和规则，自动提取出遥感影像中的目标对象。
三、变化检测变化检测是比较两幅或多幅遥感影像之间的差异，以检测出地表特征和环境变化的方法。
常用的变化检测方法包括基于差异图的像素级差异检测、基于时间序列的统计分析以及基于分类方法的变化检测等。
像素级差异检测是通过计算两幅影像中像素灰度的差异值，来获得地表特征的变化信息。
时间序列分析则是基于多幅影像的时间序列数据进行统计分析，以检测出地表特征的长期变化趋势。
基于分类方法的变化检测则是通过对两幅影像进行分类，从而实现对影像中的变化区域的提取。
四、目标提取目标提取是将图像中的目标对象从背景中分割和提取出来的方法。
常用的目标提取方法包括基于阈值分割、基于纹理分析和基于形态学运算等。
阈值分割是通过设定不同的阈值来将影像中的目标与背景分离，但其结果受噪声的影响较大。
遥感影像处理中的数据增强与滤波方法
遥感影像处理中的数据增强与滤波方法遥感影像处理是一门重要的技术领域，它通过对遥感图像进行分析和处理，提取出有用的信息，为科学研究和资源管理提供了强大的支持。
在遥感影像处理中，数据增强与滤波方法是常用的技术手段，它们能够提高遥感图像的质量和可用性。
数据增强是一种常用的处理方法，通过对原始遥感图像进行一系列的转换和处理，来提高图像的视觉效果和信息表达能力。
其中，亮度增强是最基本的数据增强方法之一。
它能够通过调整图像的亮度和对比度，来增强目标物体的边缘和细节特征，使其更加清晰和鲜明。
此外，色彩增强也是常用的数据增强方法。
通过对图像的色彩空间进行调整和变换，可以提高图像的色彩饱和度和对比度，使目标物体在图像中更加突出。
此外，还有锐化增强、边缘增强等数据增强方法，它们能够通过增强图像的细节特征和边缘信息，提高图像的清晰度和分辨率。
除了数据增强方法外，滤波方法也是遥感影像处理中常用的技术手段之一。
滤波是一种对信号进行频域或空域处理的方法，能够去除图像中的噪声和干扰，还原出目标物体的真实特征。
在遥感影像处理中，常用的滤波方法有均值滤波、中值滤波、高斯滤波等。
均值滤波是一种基于图像平均值的滤波方法，它能够有效地去除图像中的高频噪声，平滑图像的纹理和细节特征。
中值滤波是一种基于统计中值的滤波方法，它能够在保护图像边缘和细节特征的前提下，去除图像中的椒盐噪声和斑点噪声。
高斯滤波是一种基于高斯模板的滤波方法，它能够通过对图像进行模糊来降低图像的噪声和干扰，提高图像的质量和可用性。
除了传统的数据增强和滤波方法外，近年来，深度学习方法在遥感影像处理中得到了广泛的应用。
深度学习是一种模拟人类神经网络的计算思维方式，通过多层次的神经元网络来实现对遥感图像的自动分析和处理。
在遥感影像处理中，深度学习方法主要应用于图像的超分辨率重建和目标检测等方面。
超分辨率重建是指通过图像处理算法提高图像的分辨率，使其更加清晰和细腻。
而目标检测是指通过深度学习算法来自动识别和提取遥感图像中的目标物体，如建筑物、道路、植被等。
实习7——遥感图像增强处理
实习7——遥感图像增强处理一、实习目的学会对遥感图像进行空间增强、辐射增强和波谱增强处理、利用DEM进行地形分析以及一些实用分析和地理信息系统分析。
二、原理说明对遥感图像进行各种增强处理，空间增强主要是高通或者低通滤波对图像中的线、边缘、纹理结构特征进行卷积运算的增强处理，低通滤波主要是降低图像的空间频率，可以通过压抑高频，增强低频成分的方法来实现，也可称为图像的平滑，保留主干、粗结构；高通滤波主要提高图像的空间频率，可以用增强高频成分的方法来实现，也可称为图像的锐化，以突出边缘、线条、纹理、细节。
辐射增强主要指对比度增强。
波谱信息增强主要突出灰度信息。
地形分析包括利用DEM生成坡度、坡向、高程分带、地形阴影以及栅格化的等高线。
实用分析包括变化检测、函数计算、图像掩膜以及去除坏线等。
地理信息系统分析功能包括邻域分析、权重相加分析、栅格叠加统计分析等。
三、实习内容空间增强处理、辐射增强处理、波谱增强处理、地形分析功能、实用分析功能和地理信息系统分析功能。
四、实习步骤：一、空间增强处理1卷积增强（Convolution）卷积增强是将整个像元按照像元分块进行平均处理，用于改变图像的空间频率特征。
处理的关键是卷积算子（卷积核）系数矩阵的选择，ERDAS IMAGINE将常用的卷积算子放在一个名为Default.klb的文件中，分为3×3、5×5、7×7三组，每组又包括边缘检测（Edge Detect）、边缘增强（Edge Enhance）、低通滤波（Low Pass）、高通滤波（High Pass）、水平增强（Horizontal）、垂直增强（Vertical）等。
确定输入文件：Lanier.img，卷积算子：5×5 Edge Enhance，输出数据类型为Unsigned 8 Bit，统计忽略0。
2非定向边缘增强（Non-Directional Edge）非定向边缘增强应用两个非常通用的滤波器（Sobel滤波器和Prewitt滤波器），首先通过两个正交卷积算子（Horizontal算子和Vertical算子）分别对遥感图像进行边缘检测，然后将两个正交结果进行平均化处理。
图像增强技术在卫星遥感中的应用研究
图像增强技术在卫星遥感中的应用研究一、引言卫星遥感作为一种高效的地球观测手段，已经在环境监测、资源管理、自然灾害预警等领域发挥着重要作用。
然而，在实际应用过程中，卫星遥感图像普遍存在云雾、雾霾、阴影、噪声等问题，对后续的信息提取和分析带来很大的挑战。
因此，图像增强技术在卫星遥感中的应用逐渐成为研究热点。
二、图像增强技术概述图像增强技术是指对原有图像进行处理，改善视觉效果和减少图像噪声的一系列技术。
主要的增强方法包括空间域处理、频域处理、直方图处理等。
空间域处理是指对像素点进行增益或偏移的处理，如亮度调整、对比度调整等；频域处理是将图像转化到频域进行处理，例如滤波、傅里叶变换等；直方图处理是对图像的灰度分布进行处理，可以调整图像的亮度和对比度等。
三、卫星遥感图像增强技术分类针对卫星遥感图像的特点，增强方法可以分为下列几类：1.多通道融合增强技术多通道融合增强技术是利用卫星遥感图像的不同波段信息，将多个波段的信息融合起来进行增强。
按照融合方式可分为加权平均法、主成分分析法等。
在图像处理中，多通道融合能够有效降低图像数据产生的噪声，提高图像的信噪比和辨别能力，从而更好地支持环境监测、资源管理等的使用。
2.去云雾增强技术卫星遥感图像在拍摄时，常常会受到云雾干扰，影响图像的质量和准确性。
而去云雾增强技术的主要目标就是在去掉云雾的同时保留图像中的有用信息。
该技术有多种实现方式，包括改变图像亮度、对比度等，或者通过数学模型对云雾进行拟合和抑制来实现。
去云雾增强技术可以在卫星遥感中提供更精确的图像信息，增强对大范围环境变化的监测能力。
3.阴影去除增强技术卫星遥感图像中，由于地形起伏和植被分布等因素的影响，会产生很多阴影。
而阴影区域会导致反射光强度下降，进而影响图像质量和信息提取。
阴影去除增强技术的主要目标是对阴影和其它目标进行区分，并将阴影区域进行修正，使图像更加清晰明了。
通过阴影去除增强技术的应用，可以重构亚洲地形，拟合颜色主题，通过众多形态，反应出真实地貌。
遥感图像处理方法与技巧
遥感图像处理方法与技巧引言：遥感图像处理是指通过感知、获取地球表面信息的遥感数据，利用计算机技术和图像处理算法对遥感图像进行处理、分析、提取等操作的过程。
这一技术的发展不仅在地理信息系统领域有着广泛的应用，也在农业、环境保护、城市规划等诸多领域发挥着重要作用。
本文将介绍几种常见的遥感图像处理方法和技巧。
一、图像预处理技术在进行进一步的图像处理前，通常需要对原始遥感图像进行预处理，以消除图像中的噪声、增强图像的特定信息等。
图像预处理的主要方法有：1.空间滤波：通过利用滤波器，对图像进行平滑或锐化处理。
常用的滤波器包括均值滤波器、中值滤波器和高斯滤波器。
2.辐射校正：由于不同地表物体对电磁波的反射率不同，遥感图像中的亮度值会受到光照和传感器等因素的影响。
辐射校正可消除这些因素对图像的影响，使得不同遥感图像具有一致的亮度分布。
3.几何校正：由于遥感图像通常受到地球自转、地形起伏等因素的影响，导致图像中的地理信息不准确。
几何校正可以修正图像的位置和形状，使其与真实地理坐标一致。
二、图像分类与分割方法图像分类与分割是遥感图像处理的核心环节，旨在将遥感图像中的不同地物或地物类别进行识别和分离。
常见的分类与分割方法有：1.基于像元的分类：将遥感图像中的每个像元（图像的最小单位）分配给不同的类别。
这种方法基于每个像元的统计特征进行分类，如亮度、颜色和纹理等。
2.分层分类：将遥感图像中的类别按照层级进行分类，从粗粒度到细粒度逐步区分不同地物。
3.聚类分割：通过对遥感图像中的像元进行聚类，将具有相似特征的像元划分到同一类别。
常用的聚类算法有K-means和基于区域的分水岭算法。
4.基于边缘的分割：提取遥感图像中物体的边缘信息，并利用边缘信息对图像进行分割。
这种方法适用于物体之间边缘明显的场景。
三、变化检测技术变化检测是指通过比较不同时期的遥感图像，寻找并分析地表上发生的变化。
变化检测技术在自然灾害监测、城市规划等方面有着广泛的应用。
ERDAS 遥感图像的增强·优选.
学号:遥感数字图像处理软件实验报告（2011~2012学年第二学期）学院：地环学院班级： 09地科（2）姓名：指导老师：实验三：遥感图像的增强一.实验平台：ERDAS IMAGINE 9.1二.实验目的通过上机操作，掌握对比度变换、空间滤波、彩色变换、图像运算及多光谱变换等几种遥感图像增强处理的过程和方法，学会图像融合的方法，加深对图象增强处理的理解。
三.实验内容：遥感图像的空间增强；遥感图像的辐射增强；遥感图像的光谱增强；遥感图像的傅立叶变换；遥感图像的融合等内容。
四．实验步骤1.空间增强1.1 卷积增强(1) 在ERDAS 图标面板菜单条中点击Main。
(2) 点击Image Interpreter，打开Image Interpreter 菜单。
(3) 在Image Interpreter 菜单中点击Spatial Enhancement，打开Spatial Enhancement 菜单。
(4) 在Spatial Enhancement 菜单中点击Convolution，打开Convolution 对话框，如图1所示。
图1 图2(5) 在 Convolution 对话框中设置下列参数：输入文件：Lanier.img；输出文件：convolve.img；算子文件：default.klb；算子类型：3x3 Edge Detect；点击Kernel Selection 中的Edit 按钮打开3 × 3 Edge Detect 对话框，用户可以自行定义该算子的各元素；算子归一化处理。
(6) 点击 OK，关闭Convolution 对话框，执行卷积增强处理，结果如图2。
1.2 非定向边缘增强(1) 在 ERDAS 图标面板菜单条中点击Main。
(2) 点击 Image Interpreter，打开Image Interpreter 菜单。
(3) 在 Image Interpreter 菜单中点击Spatial Enhancement，打Spatial Enhancement 菜单。
实习4、遥感影像空间增强与傅立叶变换滤波处理
Data range 可以较好地反映出影像的地 物特征，类似于 sobel 等边缘增强效果
Skewness（偏度）能够对特定地物有较好 地显示效果
二阶纹理还具有一下特征：
Homogeneity（同质化）可以看出山体的等高 线
Contrast（对比度）类似于 Homogeneity，但是 Contrast 中等高线是高亮显示， Homogeneity 中正好相反
域的变换，得到去除噪声的影像。
• 原始影像 空间域
傅里叶变换
去噪声模板
• 原始影像 频率域
• 目标影像 频率域
傅里叶逆变换
目标影像空间域
数据准备 ESRI Data& Map 9.x：SRTM DEM ENVI/IDL 或 ERDAS Imagine 实习数据：Landsat tm_1.img； 操作方法及过程 在视窗中加载亚洲幅 SRTM DEM 影像数据 srtm_n_elev_e.jp2，从中裁剪中国境内一适当 子区。 Basic Tools | Resize Data | 选择裁剪范围 | 文件保存
（图 4-1） （图 4-1）为我裁剪的子区：陕西省宝鸡市； map info = {Geographic Lat/Lon, 1.0, 1.0, 106.45, 35.04, WGS-84, units=Degrees}此字段包 括了子区的基本信息，经纬度分别为 106.45E、35.04N，坐标参考系为 WGS-84。 利用下述操作对影像 DEM 数据进行处理，比较变换前后影像的显示结果 1、 卷积增强： Filter | Convolutions and Morphology
结果与分析 1-1、 高通滤波
（图 4-2） （图 4-2）从左至右分别为原始影像、用 3*3 滤波器变换的影像、用 9*9 滤波器变换的影像、 影像在 google earth 上的图像（上面的为陆地与水库的接壤处、下图为山顶） ，通过与原影像 的比较我们可以看出，影像经过高通滤波处理后，影像的边缘得到明显的锐化。处理后，使 得不同高度的地物得到很好的凸显，如影像中的山脉、山谷、湖泊的特征就更明显。 1-2、拉普拉斯变换
数字图像处理技术在遥感中的应用
数字图像处理技术在遥感中的应用随着数字化时代的到来，遥感技术从传统的航空摄影演变为数字遥感，数字图像处理技术的应用也越来越广泛。
在遥感领域，数字图像处理技术可以分为三类：图像增强、特征提取和目标识别。
下面将详细介绍数字图像处理技术在遥感中的应用。
一、图像增强图像增强是指通过一些数字图像处理方法使图像的质量得到提升或者说让人类更容易观察和分析图像。
在遥感领域，由于航拍或卫星拍摄的图像不可避免地存在一些噪声或者扭曲形变，因此图像增强成为了一项关键技术。
一般来说，图像增强可以分为两类：空域滤波和频域滤波。
空域滤波是通过改变像素之间的数值来调整图像的像素值，如中值滤波、均值滤波等。
而频域滤波则是通过改变图像的傅里叶变换谱来调整图像的像素值，比如高通滤波、低通滤波等。
一般而言，频域滤波的效果更好，但是空域滤波的速度更快。
除了常见的滤波方法，还有一些特殊的图像增强方法。
比如，波尔多（Bordeaux）大学曾经提出了一种基于小波变换的图像增强方法，可以在直通波束和散射波束中实现噪声过滤和反射率估计。
二、特征提取特征提取是指从图像中提取出更具信息含量和区分力的特征。
例如，提取植被指数（NDVI）、离散点（blight）指数、道路网图及车辆一系列特征等。
遥感图像的特征提取常常是复杂且繁琐的，可以通过数字图像处理方法简化和优化。
特征提取大致分为两步：一是预处理，二是特征计算。
预处理包括图像分割、去噪等操作。
特征计算则是对分割后的图像进行特征计算，例如感兴趣区域（ROIs）内的植被覆盖率、沙漠化率、土地变化率、道路交通状况等。
特征提取常常是其他应用的基础，例如在目标识别任务中，特征提取就是提高分类正确率的关键。
因此特征提取技术的改进是遥感图像分析技术发展的核心任务。
三、目标识别目标识别是指利用遥感图像中的信息来识别特定的目标，例如建筑物、水体、植被覆盖等。
通过数字图像处理技术的应用，可以提高遥感图像目标识别任务的准确率和自动化水平。
《ERDAS IMAGE遥感图像处理方法》操作
《ERDAS IMAGE遥感图像处理方法》操作一空间增强（Spatial Enhancement）1卷积增强处理（Convolution）功能：用一个系数矩阵将整个图像按照象元分块进行平均处理，用于改变图像的空间频率特征。
to效果：地物的轮廓和线条勾勒变清晰了。
2非定向边缘增强（Non-directional Edge）功能：应用两个非常通用的滤波器（Sobel 滤波器和Prewitt 滤波器），首先通过两个正交卷积算子（Horizontal算子和Vertical算子）分别对遥感图像进行边缘检测，然后将两个正交结果进行平均化处理。
to效果：效果明显而且强烈分别出邻区不同的部分。
3.聚焦分析（Focal Analysis）功能：使用类似卷积滤波的方法，选择一定的窗口呼函数，对输入图像文件的数值进行多种变换，应用窗口范围内的象元数值计算窗口中心象元的值，达到图像增强的目的。
to效果：深色地方变模糊，浅色地物图象得到增强，但也变得不清晰。
4.纹理分析（Texture Analysis）功能：通过二次变异等分析使图象的纹理结构更加清晰。
to效果：纹理边缘部分十分清晰。
5.自适应滤波（Adaptive Filter）功能：应用自适应滤波器对图像的感兴趣区域进行对比度拉伸处理。
to效果：颜色变浅了。
6.分辨率融合（Resolution Merge）功能：对不同空间分辨率遥感图像的融合处理，使处理后的遥感图像即具有较好的空间分辨率，又具有多光谱特征，达到图象增强的目的。
+ ＝效果：处理后图象既有高分辨率又有多光谱特征（彩色）。
7.锐化增强处理（Crisp Enhancement）功能：对图像进行卷积滤波处理，使整景图像的亮度得到增强而不使其专题内容发生变化。
效果：区别不大，亮度得到些许增强。
二．辐射增强（Radiometric Enhancement）1.查找表拉伸（LUT Stretch）功能：通过修改图像查找表使输出图像值发生变化。
如何进行遥感影像增强与处理
如何进行遥感影像增强与处理遥感影像是通过航空或卫星等方式获取的地球表面的图像数据。
由于拍摄条件、设备性能以及环境因素的限制，遥感影像常常存在一些问题，如图像模糊、噪声干扰等。
为了提高遥感影像的质量和准确性，需要进行增强和处理。
本文将介绍如何进行遥感影像增强与处理的方法和技巧。
一、图像增强的目的和方法图像增强是指通过一系列的处理方法，改善图像的视觉效果和质量。
其目的是提高图像的对比度，减少噪声，增强图像细节，以便更好地进行分析和解译。
1、直方图均衡化直方图均衡化是一种常用的图像增强方法。
它通过调整图像像素值的分布，使得图像的亮度和对比度得到均衡。
具体步骤是：首先计算图像的灰度直方图，然后根据直方图进行像素值的调整。
直方图均衡化能够有效地增强图像的细节和对比度，使得图像更易于解译。
2、滤波器增强滤波器增强方法主要是通过应用不同类型的滤波器来抑制图像中的噪声和其他干扰。
常用的滤波器有均值滤波器、中值滤波器和锐化滤波器等。
均值滤波器可以平滑图像，中值滤波器可以有效地去除椒盐噪声，而锐化滤波器可以增强图像的边缘。
3、多尺度分析多尺度分析是一种结合不同尺度的信息来进行图像增强的方法。
通过分析图像在不同尺度上的特征，可以更好地理解图像的内容。
常用的多尺度分析方法有小波变换和特征金字塔等。
小波变换能够将图像分解为不同频率的子图像，从而提取出图像的细节信息。
特征金字塔则是一种层次化的图像表示方法，可以在不同尺度上检测出图像的边缘和纹理等特征。
二、图像分割和分类的方法图像分割是指将图像分成若干个具有相同特征的区域的过程。
图像分类是指将图像分配到不同的类别或标签中的过程。
图像分割和分类是遥感影像处理中重要的一步，它可以用于自动提取和识别图像中的目标或区域。
1、基于颜色和亮度的分割方法基于颜色和亮度的分割方法是最常用的一种图像分割方法。
它通过分析图像中像素的颜色和亮度信息，将图像分成不同的区域。
常用的方法有阈值分割、区域生长和分水岭算法等。
遥感影像空间增强与傅立叶变换滤波处理
研究区地形地貌特征：发现平坦地区在DEM 图像呈现高亮，呈树枝状的是山脊。
二、完成如下卷积增强运算，比较变换前后影像中地形/地貌信息上的差异：高通滤波：工具：Toolbox—Filter—Convolutions and Morphology；参数：Convolutions 选择卷积类型为High Pass(高通滤波)；Kernel Size 设置卷积核大；（ENVI 默认卷积核大小以奇数来表示）；Image Add Back代表影像加回值。
(1)选择Kernel Size设置默认的3*3；Image Add Back设置默认值0：浮雕效果更佳显著，在影像中可以更加清晰地看见河流与沟谷以及山体褶皱。
(4)选择Kernel Size设置默认的3*3；Image Add Back设置默认值30%：拉普拉斯变换：工具：Toolbox—Filter—Convolutions and Morphology；Convolutions 选择卷积类型为Laplacian (拉普拉斯变换)；(1)Kernel Size设置默认的3*3, Image Add Back设置默认值0：影像立体感大大增强，浮雕效果增强，对沟谷的表现力增强。
选择Kernel Size设置默认的3*3；Image Add Back设置默认值30%：影像立体感明显增强，呈现较强的浮雕效果。
对于山体表现效果极佳，能清晰的反映出山体边缘、沟谷及褶皱。
高斯高通滤波：Toolbox —Filter—Convolutions and Morphology；Convolutions 选择卷积类型为Gaussian High Pass；(1)Kernel Size（卷积核大小）设置为3*3, Image Add Back(影像加回值)设置默认值0%：此操作后，影像整体无值呈现白色，在部分地势变化起伏较大的高频区域，影像中呈现不明显的表现。
因此，此操作对于突出体现影像中高频区域有较好的效果。
遥感图像处理空间增强
点处理（点运算）；邻域处理（局部运算）
遥感图像处理空间增强
▪ 点处理：点运算公式： g’(x,y)=I［g(x,y)］，I为 与 (x,y) 位 置 无 关 的 线 性 或非线性变换。
▪ 点运算就是将原图像中 每一个像元的灰度值， 通过变换转换成输出图 像中一个新的灰度值， 其图像中各个像元的位 置并不改变。
波谱特征增强：突出不同地物之间波谱特征的差别 空间特征增强：突出空间形态特征、边缘、线条、纹理结 构特点 时间信息增强：提取多时相图像中波谱与空间特征随时间 变化的信息
按照参加处理运算的波段影像数目可分为：
单波段图像增强：对单一波段数据处理，如反差扩展 多波段图像增强：对多个波段数据处理，如彩色合成
原图像亮度范围：0-15，变换后：0-30 线性变换方程：x b=2xa，
遥感图像处理空间增强
2.分段线性变换
xb
1 3
xa,
xa
0,6,
xb
0,2
xb 2xa 10,xa 6,11,xb 2,12
xb
3 4
xa
15, 4
xa
11,15,
xb
12,15
常用于需要充分扩展某个或某些亮度值区间的微 小差异而不愿意舍弃其他部分信息。一般是提供一系 列的分界点，确定输入及输出图像的对应亮度区间。
直方图匹配是通过非线性变换使得一个 图像的直方图与另一个图像直方图类似。 直方图匹配对在不同时间获取的同一地 区或邻接地区的图像，或者由于太阳高 度角或大气影响引起差异的图像很有用， 特别是对图像镶嵌或变化检测。
遥感图像处理空间增强
直方图匹配：条件（运用两幅图象）
原始图象和参考图象 两个图象的直方图的总体形态应相似 图象中相对亮和暗的特征应相同 对某些应用，图象的分辨率应相同（但可不同） 图象中的地物类型的相对分布应相同，无论两幅
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实习序号及题目实习4.遥感影像空间增强与傅立叶变换滤波处理实习人姓名张启兴专业班级及编号10地信1027任课教师姓名刘勇实习指导教师姓名尹毅实习地点榆中校区实验楼A109实习日期时间2012年11月19日实习目的理解遥感影像空间增强和傅立叶变换的概念和意义，掌握运用ENVI/IDL进行空间增强和傅立叶变换及滤波的步骤和方法。
学会使用SRTM DEM数据应用的初步步骤。
实习内容在视窗中打开亚洲幅SRTM DEM影像数据srtm_n_elev_e.jp2，从中裁剪中国境内一适当子区。
注意在数据输入选项中设定输入文件类型为JPEG2000，输出选项.img格式，unsigned16bit。
由此得到研究区DEM。
利用下述操作对影像DEM数据进行处理，比较变换前后影像的显示结果1.卷积增强；2.形态学滤波；3.纹理滤波器；4.自适应滤波；利用傅立叶变换对影像tm_1.img进行下列处理，选择恰当的参数消除影像上的噪声信号1.周期噪声去除；比较变换前后影像信息的差异。
基本原理卷积（Convolutions）滤波是通过消除特定的空间频率来使图像增强，根据增强类型（低频、中频和高频）不同可分为低通滤波、带通滤波和高通滤波。
此外还可以增强图像某些方向特征的方向滤波等Kernel Size卷积核大小，以奇数来表示，如3x3、5x5等，有些卷积核是不能改变大小，包括Sobel和Roberts。
默认卷积核是正方形，如果需要使用非正方形，选择Options->Square kernel。
纹理分析指通过一定的图像处理技术提取出纹理特征参数,从而获得纹理的定量或定性描述的处理过程.纹理分析方法按其性质而言,可分为两大类:统计分析方法和结构分析方法自适应滤波是应用wailter adaptive filter方法对图像的感兴趣区域作对比度拉升。
从而达到图像增强的目的。
快速Fourier变换傅里叶变换首先是将空间域的影像转换到频率域的影像，其次在频率域内对影像进行滤波，掩模，等编辑操作，最后将其再次转换到空间域的过程。
Image Add Back输入一个加回值（add back）。
将原始图像中的一部分“加回”到卷积滤波结果图像上，有助于保持图像的空间连续性，该方法经常用于图像锐化。
“加回”值是原始图像在结果输出图像中所占的百分比。
例如：如果为“加回”值输入40%，那么40%的原始图像将被“加回”到卷积滤波结果图像上，并生成最终的结果图像。
高斯高通滤波（Gaussian High Pass）高斯高通滤波器通过一个指定大小的高斯卷积函数对图像进行滤波。
默认的变换核大小是3×3，且卷积核的维数必须是奇数。
高斯低通滤波（Gaussian Low Pass）高斯低通滤器波通过一个指定大小的高斯卷积函数对图像进行滤波。
默认的变换核大小是3×3，且卷积核的维数必须是奇数。
中值滤波器（Median）中值滤波在保留大于卷积核的边缘的同时，平滑图像，这种方法对于消除椒盐噪声或斑点非常有效。
ENVI的中值滤波器用一个被滤波器的大小限定的邻近区的中值代替每一个中心像元值。
默认的卷积核大小是3x3。
数据准备1.ESRI Data&Map9.x：SRTM DEM2.tm-1实习数据操作方法及过程1、操作步骤（1）将srtm_n_elev_e.jp2添加到envi中，从中裁剪兰州地区的子图。
Basical tools/resize截取子图2、通过得到的子图进行滤波处（1）卷积增强；High passLapacianDirectional.sobelRoberts具体操作：选择filter/convolution and monphology打开convolution and monphology对话框，设置卷积增强的类别和参数。
（2）纹理滤波器；OccurrenceCo-occurrence具体步骤：filter/texture/Occurrence或co-currence打开对话框设置参数。
（3）自适应滤波；Local sigma具体步骤：filter/adaptive/Local sigma3、利用傅立叶变换对影像tm_1.img进行下列处理，选择恰当的参数消除影像上的噪声信号（1）周期噪声去除；比较变换前后影像信息的差异。
具体步骤：加载tm-1Filter/forward fft然后在view的菜单条overlay/annotion设置参数：选择标注使用polygon，镜像设置为开。
（turn mirror on）定义模板，filter/defined选择删除标注内的filter type/use defined cut加载annotion文件，选择filter/inverse fft完成操作。
结果与分析一．Convolution（卷积滤波）1.High pass（高通滤波）image add back（加回值）为45%从图可知高通滤波对影像起到增强的目的，在保持图像高频信息的同时，消除了图像中的低频成分。
它可以用来增强纹理、边缘等信息。
高通滤波通过运用一个具有高中心值的变换核来完成（周围通常是负值权重）。
由于我在作处理时加回值较大，故影像较为平滑。
pacian（拉普拉斯滤波）image add back为40%拉普拉斯滤波同样对影像起到锐化增强的目的，是边缘增强滤波，拉普拉斯滤波强调图像中的最大值，它通过运用一个具有高中心值的变换核来完成（一般来说，外围南北向与东西向权重均为负值，角落为“0”）。
ENVI中默认的拉普拉斯滤波使用一个大小为3x3，中心值为“4”，南北向和东西向均为“-1”的变换核。
所有的拉普拉斯滤波卷积核的维数都必须是奇数。
3.directional（方向滤波）angle（角度）5image add back为35%方向滤波是边缘增强滤波，它有选择性地增强有特定方向成分的（例如：梯度）图像特征。
方向滤波变换核元素的总和为0。
结果在输出的图像中有相同像元值的区域均为0，不同像元值的区域呈现为较亮的边缘。
4.sobel image add back为45%Sobel滤波器非线性边缘增强滤波，它是使用Sobel函数的近似值的特例，也是一个预先设置变换核为3×3的，非线性边缘增强的算子。
滤波器的大小不能更改，也无法对卷积核进行编辑。
5.roberts image add back为5%Roberts滤波是一个类似于Sobel的非线性边缘探测滤波。
它是使用Roberts函数预先设置的2×2近似值的特例，也是一个简单的二维空间差分方法，用于边缘锐化和分离。
滤波器的大小不能更改，也无法对卷积核进行编辑。
二．Texture1.occurrencea.data range数据范围是将单维窗口内该组数据像元DN值的max-min作为该组第一个像元的DN值，数据概率统计结果有突出信息边缘信息的作用。
b.mean从两幅影像可以看出，中值参数得到的影像和源图像比较似乎没有明显的变化，因为中值主要对影像起到平滑的作用。
C.variance在限定的一维窗口内将该组数DN值的方差作为第一个像元的DN值，方差的表现结果会突出边缘信息。
达到影像锐化增强的目的。
D.entropy从上述图像得到，熵的结果反应了该点所含信息量的大小，由于地形，光照等原因，在谷底，沟底熵值较小，故呈黑色。
偏差反映的时该点像元DN值与原先影像的偏差额度。
偏差越大的地区呈现黑色2.cooccurrenceA.homogeneity同质性：在右图中可以看到山谷地区呈白色，说明他们的同质性指数高，其他地区呈不规则的斑点交错。
原因是山地的DN值变化幅度大，同质性差。
b.Contrast反差：从两幅图像可知，概率统计能突出影像边缘信息，达到锐化增强的目的。
但过于突出地物的边缘信息了。
C.dissimiliarity不相似性体现影像的地物之间的差异性，这种差异性能够识别不同的地物类型，从而能突出边缘地物。
d.second moment二阶矩：是将该影像各点的DN值用二维窗口中的二阶矩代替。
从图可知该操作能增强边缘，突出影像轮廓。
E.corelation相关性表现两种地物或同种地物的相似程度，相似性越高的地区颜色一致，说明给地区地物类型可能相同。
如果同种颜色呈大块分布，说明给地区同种地物类型大量聚集。
三．AdaptiveLocal sigma10从上图可知Sigma自适应滤波对影像起到平滑处理的增强的结果，对后期的目视解译有很好的帮助。
四。
Fast fourier change快速傅里叶变换以上两幅图为经傅里叶变换及反向变换后剔除噪声后合成后的影像，分别为432和742波段合成的影像，从处理效果来看不够理想，存在可能原因是在做标注是没有将噪声信息剔除干净，也有可能是在做标注过程中过多的剔除了影像信息，造成缺失。
存在问题与解决办法问题：1.在卷积滤波和自适应滤波中加回值取多少既能达到影像增强的目的又不至于时影像边缘过于突出，使影像过于枯燥。
解决：对于具体的影像加回值的选择有所不同，需要根据影像的质量，传感器，成像时间，季节等作出判断，主要是在遥感影像的处理过程冲，需要一定的经验。
2.在傅里叶变换中噪声信息的剔除相当重要，怎样使影像在剔除噪声的同时，不至于剔除过多的信息，造成后面逆变换后的影像中出现信息缺失。
解决：根据噪声斑点的形状，密集度，对称性选择适当的点，线，面作标注，在使用镜像选择时应更为注意，如果斑点不对称，则最好不要选择。
还有标注的深度也要根据具体情况和经验做好必要的判断。
总结1.本次实习增强了对空间滤波的理解，通过操作进一步理解了个参数的意义和目的，空间增强和滤波处理是遥感影像处理和解译过程中非常重要的操作。
对于后期的学习有很大的帮助。
2.进一步理解了噪声处理遥感影像重要作用，能够有效的修复受噪声影响的影响，大大提高我们数据的利用效率和对影像的解译效果。