遥感数字图像的增强
合集下载
相关主题
- 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)。
1辐射增强
辐射增强是一种通过直接改变图像中的像元的灰度值来改变图像的对比度，从而改善图像视觉效果的图像处理方法。人的眼睛鉴别图像时能够分辨20级左右的灰度级，而显示设备显示灰度的动态范围要大得多。例如，计算机显示器能够显示256个灰度级，灰度值范围为0-255。在获取图像的过程中，由于多种因素的影响，导致图像质量多少会有所退化。图像增强的目的在于：(1)采用一系列技术改善图像的视觉效果，提高图像的清晰度；(2)将图像转换成一种更适合于人或机器进行分析处理的形式。通过处理设法有选择地突出便于人或机器分析某些感兴趣的信息，抑制一些无用的信息，以提高图像的使用价值。
归一化植被指数（Normalized Difference Vegetation Index）
NDVI=(IR-R)/(IR+R)
式中，IR为遥感多波段图像中的近红外(infrared)波段；R为红波段。
3.2主成份变换
主成份变换(PCA. Principal Component Analysis)是一种常用的数据压缩方法，它可以将具有相关性的多波段数据压缩到完全独立的较少的几个波段上，使图像数据更易于解译。ERDAS IMAGINE提供的主成份变换功能最多可以对含有256个波段的图像进行转换压缩。
遥感数字图像的增强处理
遥感图像在获取的过程中受到大气的散射、反射、折射或者天气等的影响，获得的图像难免会带有噪声或目视效果不好，如对比度不够、图像模糊；或者，有些图像的波段较多，数据量大，各波段的信息量存在一定的相关性，为进一步处理造成困难。针对上述为题，需要对图像进行增强处理，提高目视效果，突出所需要的信息。
3.3缨帽变换
缨帽变换是针对植物学家所关心的植被图像特征，在植被研究中将原始图像数据结构轴进行旋转，优化图像数据显示效果。该变换的基本思想是：多波段(N波段)图像可以看作是N维空间(N-dimensional Space)，每一个像元都是N维空间中的一个点，其位置取决于像元在各个波段上的数值。研究表明，植被信息可以通过三个数据轴(亮度轴、绿度轴、湿度轴)来确定，而这三个轴的信息可以通过简单的线性计算和数据空间旋转获得，当然还需要定义相关的转换系数。同时，这种旋转与传感器有关，因而还需要确定传感器类型。
辐射增强能够使一幅图像充分利用成像设备，达到最佳动态范围，改善目视效果。
增强的方法往往具有针对性，增强的结果只是靠人的主观感觉加以评价。因此，图像增强方法只能有选择地使用。
图像增强方法从增强的作用域出发，可分为空间域增强和频率域增强两种。空间域增强是直接对图像像素灰度进行操作；频率域增强是对图像经傅立叶变换后的频谱成分进行操作，然后经傅立叶逆变换获得所需结果。
下面介绍典型的归一化指数：归一化植被指数（NDVI）。
2）植被指数
下面介绍典型的归一化指数：归一化植被指数（NDVI）。
植被指数是遥感监测地面植物生长和分布的一种方法。由于不同绿色植被对不用波长光的吸收率不同，光线照射在植物上时，近红外波段的光大部分被植物反射，而可见光波段的光则大部分被植物吸收，通过对近红外和红波段反射率的线性或非线性组合，可以消除地物光谱产生的影响。根据地物光谱反射率的差异做比值运算可以突出图像中植被的特征、提取植被类别或估算绿色生物量，能够提取植被的算法称为植被指数。
2.2自适应滤波
自适应滤波是应用Wallis Adapter Filter方法对图像的感兴趣区域(AOI)进行对比度拉伸处理，从而达到图像增强的目的。操作过程比较简单，关键是移动窗口范围(Moving Window Size)和乘积倍数大小(Multiplier)的定义。
2.3锐化增强处理
锐化增强处理实质上是通过对图像进行卷积滤波处理，其专题内容发生变化，从而达到图像增强的目的。使整景图像的亮度得到增强的目的，根据其底层的处理过程，又可以分为两种方法：(1)根据定义的矩阵(Custom Matrix )直接对图像进行卷积处理(空间模型：Crisp-greyscale.gmd)，(2)是首先对图像进行主成份变换，并对第一主成份进行卷积滤波，然后再进行主成份逆变换(空间模型为：Crip-Minmax.gmd)。
辐射增强主要掌握直方图均衡化和直方图匹配。
1.1直方图均衡化
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，使一定灰度范围内像元的数量大致相等。这样，原来直方图中间的峰顶部分对比度得到增强，而两侧的谷底部分对比度降低，增强图像上大面积地物与周围地物的反差。其本质就是将直方图不符合正态分布的原始图像经过一个转换函数变成直方图基本符合正态分布的新图像，从而达到图像增强的目的。
1.2直方图匹配
直方图匹配是对图像查找表进行数学变换，使一幅图像的直方图与另一幅图像类பைடு நூலகம்。直方图匹配经常作为相邻图像拼接或应用多时相遥感图像进行动态变化研究的预处理工作，通过直方图匹配可以部分消除由于太阳高度角或大气影响造成的相邻图像的效果差异。
2空间增强处理
2.1卷积增强处理
卷积增强是将整个图像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。卷积增强处理的关键是卷积算子—系数矩阵的选择，该系数矩阵又称为卷积核（Kernal)。ERDAS IMAGINE将常用的卷积算子放在一个名为defatilt.kfb的文件中，分为3×3，5×5，7×7三组，每组又包括“Edge Detect / Edge Enhance / Low Pass / High Pass / Horizontal / Vertical/Summary”等七种不同的处理方式。
植被指数是代数运算增强的典型应用。在遥感应用领域，植被指数已广泛用来定性和定量评价植被覆盖及其生长活力。植被指数作为一种重要的遥感归一化参数，并已作为一种遥感手段广泛应用于土地利用覆盖探测、植被覆盖密度评价、作物识别和作物预报等方面。
绿色植物叶子的细胞结构在近红外波段具有高反射性，其叶绿素在红光波段具有强吸收性。因此，在多波段图像中，用红外/红波段的图像比值运算，结果图像上植被区域具有高亮度值，甚至在绿色生物量很高时达到饱和。
3光谱增强处理
3.1归一化指数
1)归一化指数
归一化指数是比较特殊的比值运算方式。基本的公式是：
B=（B1-B2）/(B1+B2)
在基本的比值运算中，如果分母中的波段B2的值比较小(特别是小于1的情况下)，那么，比值的结果将扩大差异，使用归一化植被指数可以避免这个问题。此外，与比值运算不同的是，归一化植被指数中像素值的变化是有约束的。
辐射增强是一种通过直接改变图像中的像元的灰度值来改变图像的对比度，从而改善图像视觉效果的图像处理方法。人的眼睛鉴别图像时能够分辨20级左右的灰度级，而显示设备显示灰度的动态范围要大得多。例如，计算机显示器能够显示256个灰度级，灰度值范围为0-255。在获取图像的过程中，由于多种因素的影响，导致图像质量多少会有所退化。图像增强的目的在于：(1)采用一系列技术改善图像的视觉效果，提高图像的清晰度；(2)将图像转换成一种更适合于人或机器进行分析处理的形式。通过处理设法有选择地突出便于人或机器分析某些感兴趣的信息，抑制一些无用的信息，以提高图像的使用价值。
归一化植被指数（Normalized Difference Vegetation Index）
NDVI=(IR-R)/(IR+R)
式中，IR为遥感多波段图像中的近红外(infrared)波段；R为红波段。
3.2主成份变换
主成份变换(PCA. Principal Component Analysis)是一种常用的数据压缩方法，它可以将具有相关性的多波段数据压缩到完全独立的较少的几个波段上，使图像数据更易于解译。ERDAS IMAGINE提供的主成份变换功能最多可以对含有256个波段的图像进行转换压缩。
遥感数字图像的增强处理
遥感图像在获取的过程中受到大气的散射、反射、折射或者天气等的影响，获得的图像难免会带有噪声或目视效果不好，如对比度不够、图像模糊；或者，有些图像的波段较多，数据量大，各波段的信息量存在一定的相关性，为进一步处理造成困难。针对上述为题，需要对图像进行增强处理，提高目视效果，突出所需要的信息。
3.3缨帽变换
缨帽变换是针对植物学家所关心的植被图像特征，在植被研究中将原始图像数据结构轴进行旋转，优化图像数据显示效果。该变换的基本思想是：多波段(N波段)图像可以看作是N维空间(N-dimensional Space)，每一个像元都是N维空间中的一个点，其位置取决于像元在各个波段上的数值。研究表明，植被信息可以通过三个数据轴(亮度轴、绿度轴、湿度轴)来确定，而这三个轴的信息可以通过简单的线性计算和数据空间旋转获得，当然还需要定义相关的转换系数。同时，这种旋转与传感器有关，因而还需要确定传感器类型。
辐射增强能够使一幅图像充分利用成像设备，达到最佳动态范围，改善目视效果。
增强的方法往往具有针对性，增强的结果只是靠人的主观感觉加以评价。因此，图像增强方法只能有选择地使用。
图像增强方法从增强的作用域出发，可分为空间域增强和频率域增强两种。空间域增强是直接对图像像素灰度进行操作；频率域增强是对图像经傅立叶变换后的频谱成分进行操作，然后经傅立叶逆变换获得所需结果。
下面介绍典型的归一化指数：归一化植被指数（NDVI）。
2）植被指数
下面介绍典型的归一化指数：归一化植被指数（NDVI）。
植被指数是遥感监测地面植物生长和分布的一种方法。由于不同绿色植被对不用波长光的吸收率不同，光线照射在植物上时，近红外波段的光大部分被植物反射，而可见光波段的光则大部分被植物吸收，通过对近红外和红波段反射率的线性或非线性组合，可以消除地物光谱产生的影响。根据地物光谱反射率的差异做比值运算可以突出图像中植被的特征、提取植被类别或估算绿色生物量，能够提取植被的算法称为植被指数。
2.2自适应滤波
自适应滤波是应用Wallis Adapter Filter方法对图像的感兴趣区域(AOI)进行对比度拉伸处理，从而达到图像增强的目的。操作过程比较简单，关键是移动窗口范围(Moving Window Size)和乘积倍数大小(Multiplier)的定义。
2.3锐化增强处理
锐化增强处理实质上是通过对图像进行卷积滤波处理，其专题内容发生变化，从而达到图像增强的目的。使整景图像的亮度得到增强的目的，根据其底层的处理过程，又可以分为两种方法：(1)根据定义的矩阵(Custom Matrix )直接对图像进行卷积处理(空间模型：Crisp-greyscale.gmd)，(2)是首先对图像进行主成份变换，并对第一主成份进行卷积滤波，然后再进行主成份逆变换(空间模型为：Crip-Minmax.gmd)。
辐射增强主要掌握直方图均衡化和直方图匹配。
1.1直方图均衡化
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，使一定灰度范围内像元的数量大致相等。这样，原来直方图中间的峰顶部分对比度得到增强，而两侧的谷底部分对比度降低，增强图像上大面积地物与周围地物的反差。其本质就是将直方图不符合正态分布的原始图像经过一个转换函数变成直方图基本符合正态分布的新图像，从而达到图像增强的目的。
1.2直方图匹配
直方图匹配是对图像查找表进行数学变换，使一幅图像的直方图与另一幅图像类பைடு நூலகம்。直方图匹配经常作为相邻图像拼接或应用多时相遥感图像进行动态变化研究的预处理工作，通过直方图匹配可以部分消除由于太阳高度角或大气影响造成的相邻图像的效果差异。
2空间增强处理
2.1卷积增强处理
卷积增强是将整个图像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。卷积增强处理的关键是卷积算子—系数矩阵的选择，该系数矩阵又称为卷积核（Kernal)。ERDAS IMAGINE将常用的卷积算子放在一个名为defatilt.kfb的文件中，分为3×3，5×5，7×7三组，每组又包括“Edge Detect / Edge Enhance / Low Pass / High Pass / Horizontal / Vertical/Summary”等七种不同的处理方式。
植被指数是代数运算增强的典型应用。在遥感应用领域，植被指数已广泛用来定性和定量评价植被覆盖及其生长活力。植被指数作为一种重要的遥感归一化参数，并已作为一种遥感手段广泛应用于土地利用覆盖探测、植被覆盖密度评价、作物识别和作物预报等方面。
绿色植物叶子的细胞结构在近红外波段具有高反射性，其叶绿素在红光波段具有强吸收性。因此，在多波段图像中，用红外/红波段的图像比值运算，结果图像上植被区域具有高亮度值，甚至在绿色生物量很高时达到饱和。
3光谱增强处理
3.1归一化指数
1)归一化指数
归一化指数是比较特殊的比值运算方式。基本的公式是：
B=（B1-B2）/(B1+B2)
在基本的比值运算中，如果分母中的波段B2的值比较小(特别是小于1的情况下)，那么，比值的结果将扩大差异，使用归一化植被指数可以避免这个问题。此外，与比值运算不同的是，归一化植被指数中像素值的变化是有约束的。