遥感——-空间滤波
空间滤波技术的应用
空间滤波技术的应用摘要空间滤波技术是一种采用滤波处理的影响增强方法，目的是改善影像质量，包括去除高频噪声与干扰，及影像边缘增强、线性增强以及去模糊等。
本文主要介绍了空间滤波技术在如下二个方向的应用：遥感图像和条带噪声去除。
关键词空间滤波；遥感图像；条带噪声The application of spatial filtering technologyAbstract The spatial filtering technique is a filtering process enhancement method,the purpose is to improve the image quality,including removing high frequency noise and interference,and the image edge enhancement,linear enhancement,and deblurring. This paper describes the spatial filtering with noise removal technology in the application of the following three directions: quality testing,remote sensing image,as well as Article.Key words spatial filtering; remote sensing image; striping noise1.引言空间滤波技术的理论基础是空间卷积，分为低通滤波（平滑化）、高通滤波（锐化）和带通滤波。
空间滤波能够应用在很多方面，在对影像的增强作用上效果明显，还可以配合其它的图像处理技术在图像处理方面发挥更大作用。
2.空间滤波在遥感图像中的应用近些年，随着人们生活素质的提高，对信息的需求越来越多，遥感信息的需求量更是日益增加，为此，快速地发展遥感图像处理技术具有很深刻的现实意义。
遥感名词解释
名词解释1.图像分割：图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。
它是由图像处理到图像分析的关键步骤。
现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。
2.多源遥感影像融合：是对多遥感器的图像数据和其他信息的处理过程。
将多种遥感平台，多时相遥感数据与非遥感数据之间的信息组合匹配的技术。
着重于把空间和时间上冗余或互补的多源数据，按一定的规则（或算法）进行运算处理，获得比任何单一数据更精确、更丰富的信息，生成一副具有新的空间、波谱、时间特征的合成图像。
它不仅仅是数据间的简单复合，而强调信息的优化，以突出有用的专题信息。
3.KT变换：是Kauth-Thomas变换的简称，也称穗帽变换。
这种变换也是一种线性组合变换，变换公式为：Y=BX，式中，X为变换前多光谱空间的像元矢量；Y为变换后的新坐标空间的像元矢量；B为变换矩阵。
是一种特殊的主成分分析，不同的是转换系数是固定的。
将MSS的四个波段转换产生4个新轴，土壤亮度指数，绿度指数，黄度指数和噪声。
随着作物生长这个分布显示出一个似“穗帽”的形状和一个“土壤面的底部。
随着作物生长农作物像元值移到穗帽区，当作物成熟及凋落时，像元值回到土壤面。
K-T 变换的应用主要针对TM数据和曾经广泛使用的MSS数据。
它抓住了地面景物，特别是植被和土壤在多光谱空间中的特征。
4.监督分类：又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。
5.非监督分类：非监督分类的前提是假定遥感影像上同类物体在同样条件下具有相同的光谱信息特征。
不必对影像地物获取先验知识，仅依靠影像上不同地物光谱信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。
6.黑体辐射：如果一个物体对任何波长的电磁辐射都全部吸收，则这个物体是绝对黑体。
envi遥感影像条带去除原理
envi遥感影像条带去除原理遥感影像条带去除是指通过一定的算法和处理，消除遥感影像中出现的条纹状噪声，保持影像的准确性和清晰度。
在遥感应用中，条带噪声产生的原因通常是由于遥感传感器的性能问题、地面观测条件等因素导致的，对于遥感应用而言，这些噪声会影响到图像的真实性和可用性。
因此，去除影像的条带噪声是遥感影像处理中的重要环节之一遥感影像条带去除的原理主要有以下几个方面：1.噪声建模：首先需要对条带噪声进行建模。
噪声建模可以通过统计学方法来实现，比如统计其中一个区域内的噪声分布情况，然后对其进行分析和建模，找出噪声的统计规律和特征。
这样可以为后续的去除算法提供依据和基础。
2.频域滤波：频域滤波是常用的一种去除条带噪声的方法。
主要思想是将影像转换到频域，利用频率的特征来进行滤波处理。
其中常用的方法包括傅里叶变换、小波变换等。
通过对频域图像进行滤波处理，可以抑制条带噪声的效果。
3.统计滤波：统计滤波是一种常见的图像去噪方法，它基于统计学原理对图像进行滤波处理。
常见的统计滤波方法有中值滤波、均值滤波、高斯滤波等。
针对条带噪声，可以选择合适的统计滤波方法进行处理，例如中值滤波可以有效地抑制条带噪声。
4.图像增强技术：图像增强技术也可以用于去除条带噪声。
例如，直方图均衡化可以通过对图像的灰度级进行重新分布来增强图像的对比度，从而达到去除条带噪声的效果。
5.空间滤波：空间滤波是根据图像空间域的像素值进行滤波处理。
常见的空间滤波方法有邻域平均法、拉普拉斯算子法等。
通过利用空间滤波，可以将条带噪声进行平滑处理，减小噪声对图像的影响。
综上所述，遥感影像条带去除的原理主要包括噪声建模、频域滤波、统计滤波、图像增强技术和空间滤波等方法。
不同的影像条带噪声去除方法各有优势和适用场景，需要根据具体情况选择合适的方法进行处理，以达到去除条带噪声的效果。
第四章 遥感图像处理—数字图像增强
同一景物不同波段图像之间的运算—识别地物
图像的差值运算有利于目标与背景反差较小 的信息提取。 如在红光波段，植被和水体难以区 分，在红外波段，植被和土壤难以区分，通过相 减,可以有效的区分出三种地物
2、比值运算 两幅同样行、列数的图像，对应像元的亮度值相除 (除数不为0)就是比值运算，即：
真彩色合成 假彩色合成
彩色合成的原理图
①真彩色合成
红光波段赋成红 绿光波段赋成绿 蓝光波段赋成蓝
真彩色合成 红光波段赋成红
真彩色合成 红光波段赋成红 绿光波段赋成绿
真彩色合成 红光波段赋成红 绿光波段赋成绿 蓝光波段赋成蓝
②假彩色合成 假彩色合成 近红外波段赋成红 红光波段赋成绿 绿光波段赋成蓝
1 图像卷积运算
数字图像的局部
模板
z1 z2 z3
z4 z5 z6 z7 z8 z9
w1 w2 w3 w4 w5 w6 w7 w8 w9
1/9
1/9 1/9
1/9 1/9 1/9 1/9 1/9 1/9
Replace with R
= w1z1 + w2z2 + ….. +w9z9
模板按像元依次向右移动，而后换行，直到整幅图 像全部处理完为止
对于亮点噪音，用中值滤波好
带有椒盐噪声的ikonos图像
中值滤波后的图像
均值平滑后的图像
3
图像锐化
（1）图像锐化的目的是突出图像中景物的边缘、线状目 标或某些亮度变化率大的部分。 （2）边缘或轮廓通常位于灰度突变或不连续的地方，具
有一阶微分最大值和二阶微分为0的特点;
锐化的方法很多，在此只介绍常用的几种：
遥感
第一章1遥感：广义理解，泛指一切无接触的远距离探测，包括对电磁场，力场，机械波，等的探测。
狭义来说，遥感是应用探测仪器，不与探测目标相接触，从远处把目标的电磁波特性记录下来，通过分析，揭示出物体特征性质及其变化的综合性探测技术。
2电磁波：当电磁震荡进去空间，变化的磁场激发了涡旋电场，变化的电场又激发了涡旋磁场，使电磁震荡在空间传播，这就是电磁波。
3电磁波谱：按电磁波在真空中传播的波长或频率，递增伙递减排列，则构成了电磁波谱。
电磁波谱以频率从高到低排列，可以划分为r射线，x射线，紫外线，可见光，红外线，无线电波。
4黑体：如果一个物体对于任何波长的电磁辐射都全部吸收，则这个物体是绝对黑体。
5太阳辐射：太阳辐射有时习惯称作太阳光，太阳光通过地球大气照射到地面，，经过地面物体反射又返回，再经过大气进入传感器。
6大气窗口：通常把电磁波通过大气层时较少被反射，吸收，或散射的，通过率较高的波段成为大气窗口。
7遥感的特点：大面积的同步观测：在地球上，进行资源和环境调查时，大面积同步观测所得到的数据是最宝贵的。
时效性：遥感探测，尤其是空间遥感探测，可以在段时间内对同一地区进行重复探测，发现地球上许多事物的动态变化。
遥感数据的综合性和可比性：遥感获得的地物电磁波特性数据综合地反映了地球上许多自然，人文信息。
经济性：遥感的费用投入与所获取的效益，与传统的方法相比，可以大大的节省人力，物力，财力和时间，具有很高的经济效益和社会效益。
局限性：目前，遥感技术所利用的电磁波还很有限，仅是其中几个波段范围。
此外，已经被利用的电磁波谱段对许多地物的某些特征还不能准确反应。
8遥感分类：p4第二章1光谱反射率：物体反射的辐射能量占总入射能量的百分比，称为反射率。
不同物体的反射率不同，这主要取决于物体本身的性质，以及入射电磁波的波长和入射角度，反射率的范围总是小于等于1，利用反射率可以判断物体的性质。
2地物的波谱特征：由于地面上各种物体组成物质的分子，原子性质和结构规模不同，因而各种地物对不同波长的电磁波的反射，吸收，发射及透射本领也有差异，导致无物体反射，吸收，发射，及透射的电磁波的本领随入射波的改变而改变的特性。
遥感图像处理实例分析05(空间滤波)
空间滤波（spatial filters）空间滤波（又称local operation）空间滤波是一种通用的光栅图像处理操作。
是根据某像素周围像素的数值,修改图像中的该像素值.它能增强或抑制图像的空间细节信号，提高图像的可视化解释。
如应用滤波增强图像的边界信息，去除或减少图像中的噪音图案。
突出结构特征等.空间频率（Spatial frequency）空间频率是所有类型的光栅数据共有的特性，它的定义是指图像中的任何一特定部分,每单位距离内数据值的变化数量.对图像上数据变化小、或渐进变化的区域称为低频区域（如平滑的湖面），对图像上数据变化大、或迅速变化的区域称为高频区域（如布满密集公路网的城区）.空间滤波分为三大类：低通滤波(Low pass filters）：强调的是低频信息，平滑了图像的噪音、减少了数据的菱角。
因为它不在重视图像的细节部分,所以低通滤波有时又称为平滑或均值滤波。
高通滤波（High pass filters）:强调的是高频信息，增强或锐化线性特征,象公路、断层、水陆边界。
因为它没有图像的低频部分,增强了图像的细节信息，所以高通滤波有时又称为锐化滤波。
边界检测滤波(Edge detection filters）：强调的是图像中目标或特征的边界，以便更容易分析。
边界检测滤波通常建立一个灰色背景图和围绕图像目标或特征边界的黑白色线.卷积核(convolution kernels）卷积核是指二维矩形滤波距阵（或窗口），包含着与图像像素值有关的权值。
滤波距阵(或窗口）在图像上从左向右，自上而下，进行平移滑动，窗口中心的像素值是根据其周围像素值与窗口中对应的每个像素的权值乘积就和而计算出来的。
ER Mapper滤波对话框如图1—1。
包含着滤波文件名、滤波距阵和滤波编辑等项。
图1-1 ER Mapper滤波对话框实习目的：建立和删除滤波，应用不同的滤波距阵，查看结果。
实习步骤：（一)增加滤波1．打开和显示一个已存在的算法文件①在标准工具条上，点击Open按钮,打开图像显示窗口和文件输入窗口。
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。
遥感图像处理实验报告_图像的空间域滤波处理
遥感图像处理实验报告（2013 —2014 学年第1学期）实验名称：图像的空间域滤波处理实验时间：实验地点：指导教师：专业班级：姓名：学号：一：实验目的掌握Matlab编程语言的基本语法掌握Matlab中imread()、imfilter()、imshow()、mat2gray()、等相关函数的用法及意义通过Matlab程序语言完成图像的空间域滤波处理，以达成边缘检测的目的二：实验内容在Matlab中，分别运用经典一阶梯度、Robert算子、Sobel算子、Prewitt算子及Laplacian 算子进行目标图像的边缘检测，互相对比实验结果，分析差异三：实验平台Windows 7 Ultimate SP1Matlab 2012b四：实验代码及Matlab使用心得（注释中）%清空工作空间clc;%清屏clear all;%关闭所有绘图窗口close all;%定义一个矩阵I 用来存储待处理图像,用imread()函数读取的数据格式为unit8I = imread('C:\Users\Administrator\Desktop\Matlab\data\barbara.png');%创建一个绘图窗口，并显示原图像figure(1);imshow(I);title('原图');%把unit8格式数据转换为doulbe格式，以便滤波计算I = double(I);%%%%%%%%%%%%%%%%%%%%%%%%%%%%经典一阶梯度%%%%%%%%%%%%%%%yjtdx = [0 0 0;-1 1 0;0 0 0];yjtdy = [0 -1 0;0 1 0;0 0 0];%imfilter()函数为一个滤波函数%其中有两个参数，外加一系列附加指令%如下中的I 代表被处理图像%yjtdx 代表滤波器%'replicate'是一个附加指令，因为处理过的数据，可能会超出原图像数据大小的上下限%这个附加指令令超出上下限的数据为最接近上下限的数据ImageYjtdx = imfilter(I, yjtdx, 'replicate');ImageYjtdy = imfilter(I, yjtdy, 'replicate');%将x与y方向上的处理结果进行几何平均，作为处理结果ImageYjtd= sqrt(ImageYjtdx.^2 + ImageYjtdy.^2);%figure()函数创建一个绘图窗口figure(2);%绘制处理后的图像%在用imshow()函数显示图像时要注意，因为现在的处理结果是double类型的，而不是unit8类型%而imshow()在显示图像时，只有unit8类型的矩阵图像数据可以直接输入直接显示%而对于double类型的矩阵，imshow()认为其灰度空间是从0到1，而不是从0-256或其它%也就是说，对于double类型的矩阵，imshow()函数不知道矩阵所代表的图像的灰度级数是多少%这时就需要用mat2gray()函数对double型矩阵做归一化，所谓归一化，就是把原矩阵中的数据%映射至0-1的数据空间中，这时，经m at2gray()函数处理过的矩阵，其中所有元素都在0-1范围内%再用imshow()函数进行显示，才可得到正常的显示结果imshow(mat2gray(ImageYjtd));title('经典一阶梯度处理结果'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%Robert算子%%%%%%%%%%%%%%%%% Robert1 =[-1 0 0;0 1 00 0 0];Robert2 =[0 -1 0;1 0 00 0 0];ImageRobert1 = imfilter(I, Robert1, 'replicate');ImageRobert2 = imfilter(I, Robert2, 'replicate');ImageRobert = sqrt(ImageRobert1.^2 + ImageRobert2.^2);figure(3);imshow(mat2gray(ImageRobert));title('Robert算子处理结果'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%Sobel算子%%%%%%%%%%%%%%%%%% Sobel1 = [1 2 1;0 0 0;-1 -2 -1];Sobel2 = [-1 0 1;-2 0 2;-1 0 1];ImageSobel1 = imfilter(I, Sobel1, 'replicate');ImageSobel2 = imfilter(I, Sobel2, 'replicate');ImageSobel = sqrt(ImageSobel1.^2 + ImageSobel2.^2);figure(4);imshow(mat2gray(ImageSobel));title('Sobel算子处理结果'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%Prewitt算子%%%%%%%%%%%%%%%%% Prewitt1 = [-1 -1 -1;0 0 0;1 1 1];Prewitt2 = [-1 0 1;-1 0 1;-1 0 1];ImagePrewitt1 = imfilter(I, Prewitt1, 'replicate');ImagePrewitt2 = imfilter(I, Prewitt2, 'replicate');ImagePrewitt = sqrt(ImagePrewitt1.^2 + ImagePrewitt2.^2);figure(5);imshow(mat2gray(ImagePrewitt));title('Prewitt算子处理结果'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%Laplacian算子%%%%%%%%%%%%%%%% Laplacian = [0 -1 0;-1 4 -1;0 -1 0];ImageLaplacian = imfilter(I, Laplacian, 'replicate');%滤波结果中可能出现负数，因此需要用abs()函数取绝对值ImageLaplacian = abs(ImageLaplacian);figure(6);imshow(mat2gray(ImageLaplacian));title('Laplacian算子处理结果'); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%五：实验结果（仅列一例）六：实验心得1：Matlab部分Matlab是一个命令行式的、解释式的程序语言，学习难度低，在矩阵和数字处理上处速度也很快，有时间我会继续学习2：滤波算子部分1）：Laplacian算子对噪声比较敏感，图像颗粒感较强时得到的处理结果很差，在几乎没有噪声的图像中，Laplacian算子的处理结果却出奇的好。
遥感图像处理的基本方法与算法解读
遥感图像处理的基本方法与算法解读一、引言遥感技术是通过人工卫星、航空器或其他遥感平台获得地球表面信息的一种手段。
遥感图像处理则是遥感技术的重要应用领域之一。
本文将介绍遥感图像处理的基本方法与算法，探讨其原理和应用。
二、遥感图像预处理遥感图像预处理是遥感图像处理的第一步，主要目的是去除图像中的噪声和干扰，提高图像的可用性。
常用的图像预处理方法包括边缘增强、直方图均衡化和空间滤波。
1. 边缘增强边缘增强是通过提升图像边缘信息的方法来提高图像质量。
其中常用的边缘增强算法有Sobel算子、Prewitt算子和Laplacian算子。
这些算子能够检测出图像中的边缘特征，从而使图像更加清晰。
2. 直方图均衡化直方图均衡化是一种通过调整图像亮度分布来增加对比度的方法。
通过对图像的灰度直方图进行变换，使得图像中的像素分布更加均匀，从而使得图像更加清晰和易于分析。
3. 空间滤波空间滤波是一种常用的图像平滑方法，通过对图像进行滤波操作，可以去除图像中的噪声和干扰。
常用的空间滤波算法有均值滤波、中值滤波和高斯滤波。
三、遥感图像分类遥感图像分类是根据图像中的像素值进行分类的过程。
常用的图像分类方法包括基于像素的分类和基于对象的分类。
1. 基于像素的分类基于像素的分类是一种将图像中的每个像素都分配到一个类别中的方法。
常用的基于像素的分类算法有最大似然分类算法、支持向量机和人工神经网络。
这些算法能够根据像素的特征进行分类，从而对图像进行分割和分析。
2. 基于对象的分类基于对象的分类是将图像中的相邻像素聚合成一组对象，然后根据对象的特征进行分类的方法。
常用的基于对象的分类算法有基于区域的分类和基于形态的分类。
这些算法能够更好地保留图像中的空间信息，从而提高分类的准确性。
四、遥感图像变化检测遥感图像变化检测是通过比较多幅遥感图像之间的差异，来检测地表发生的变化情况。
主要应用于城市规划、环境监测和资源管理等领域。
1. 基于像素的变化检测基于像素的变化检测是一种将多幅遥感图像像素级别进行比较的方法。
遥感题库答案
一、名词解释：1.RS:广义理解：泛指一切无接触的远距离探测。
狭义理解：是应用探测仪，不与探测目标相接触，从远处把目标的电磁波特性记录下来，通过分析，揭示出物体的特征、性质及其变化的综合探测技术。
2.大气窗口：通过大气而较少被反射、吸收或散射的透射率较高的电磁辐射波段。
3.密度分割：单波段黑白遥感图像可按亮度分层，对每层赋予不同的色彩，使之成为一幅彩色图像，这种方法叫做密度分割。
4.遥感影像地图：遥感影像地图是一种以遥感影像和一定的地图符号来表现制图对象地理空间分布和环境状况的地图。
5.高光谱遥感：是高光谱分辨率的遥感的简称，它是在电磁波谱的可见光，近红外、中红外和热红外波段范围内，获取许多非常窄的光谱连续的影像数据的技术。
6.瑞利散射与米氏散射：瑞利散射：当微粒的直径比辐射波长小得多时，此时的散射称为瑞利散射。
米氏散射：当微粒的直径与辐射波长差不多时的大气散射。
7.地物反射波谱：地物的反射率随入射波长变化的规律。
8.主动遥感与被动遥感：主动遥感由探测器主动发射一定电磁波能量并接收目标的后向散射信号。
被动遥感的传感器不向目标发射电磁波，仅被动接收目标物的自身发射和对自然辐射源的反射能量。
9.空间分辨率与时间分辨率：空间分辨率是指像素所代表的地物范围大小，即扫描仪的瞬时视场或地面物体能分辨的最小单元。
时间分辨率：只对同一地点进行遥感采样的时间间隔，即采样的时间频率也称重访周期。
10.空间滤波：以突出图像上的某些特征为目的，通过像元与周围相邻像元的关系，采取空间域中的邻域处理方法进行图像增强方法。
11.多光谱空间：就是一个n维坐标系，每一个坐标轴代表一个波段，坐标值为亮度值，坐标系内的每一个点代表一个像元。
12.多源信息复合：是将多种遥感平台，多时相遥感数据之间以及遥感数据与非遥感数据之间的信息组合匹配的技术。
13. 遥感平台：是搭载传感器的工具，根据运载工具的类型分为航天平台、航空平台和地面平台。
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。
简述空间滤波在光信息处理中的实际应用
简述空间滤波在光信息处理中的实际应用空间滤波是光信息处理领域中常用的一种处理方法。
它采用一定的滤波器对图像的空间域或频域进行处理，从而去除图像中的噪声和干扰，提高图像质量。
在实际应用中，空间滤波有着广泛的应用，以下将从多个方面介绍它的应用。
1. 去除图像噪声在光学成像过程中，由于各种因素的影响会导致图像中出现噪声，从而影响图像的质量。
空间滤波可以对图像进行均值滤波、中值滤波等操作，从而可以消除图像中的噪声，提高图像的质量。
这在医学图像处理中特别重要，因为医生需要清晰地看到患者身体的各种器官和组织，以确保正确的诊断。
2. 图像融合光信息处理中另一个重要的应用是图像融合。
这种方法通过将多张图像混合在一起，制作一张具有完整信息的图像。
利用空间滤波技术，可以消除不同图像之间的噪声和异常值，从而更好地合并图像。
这种方法广泛应用于卫星遥感和气象学领域。
3. 像素恢复和图像增强空间滤波在像素恢复和图像增强方面也有广泛的应用。
在这些应用中，滤波器能够增强图像中不同元素的对比度，并恢复部分被损坏的像素，从而提高图像的质量。
例如，在航空、医学、工业和安全监控中，空间滤波可以用于图像增强，帮助操作员识别重要的信息。
4. 图像分割图像分割是光信息处理领域的一项重要任务，它可以将图像中的不同区域分离开来。
这种方法广泛应用于医疗图像分析、遥感和涉及图像分类的应用。
空间滤波技术可以有效地进行图像分割，帮助区分不同区域之间的边界和轮廓，使图像在分类和识别上更加精确。
综上所述，空间滤波在光信息处理中的应用有着广泛的应用，它可以消除噪声和干扰，提高图像质量，还可以进行图像融合、像素恢复和图像增强，以及图像分割。
通过这些应用，空间滤波技术在医学、工业、军事、航空、气象和环境保护等领域中发挥着重要作用。
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。
南大遥感名词解释讲解
普朗克定律：普朗克（Planck）定律－描述黑体辐射通量密度与温度、波长分布的关系。
•辐射通量密度随波长连续变化，每条曲线只有一个最大值。
•温度越高，辐射通量密度越大，不同温度的曲线不相交。
I = 1.95 cal/cm2min = 1.360×103W/m2
模式识别：
ARC/INFO：
判读标志：
GPS：
长二捆：长征二号捆绑运载火箭（CZ-2E），简称长二捆，是一枚大型两级捆绑式运载火箭。在其一级外部捆绑有四个直径为2.25米，高为15米的助推器，主要用于发射近地轨道有效载荷。
捆绑式火箭：是指将多枚火箭并排捆绑起来发射，目的是为了使众多火箭同时产生更大推力。由于捆绑式火箭推力大，所以可以用它来运载更重的航天器上天。
数字图像处理：
中心投影：
航向重叠和航向重叠率：
升交点：
SPOT：
HDDT：
太阳同步轨道：
灰标：
像点位移：
CCD：电荷耦合器件CCD，CCD是一种用电荷量表示信号大小，用耦合方式传输信号的探测原件，具有自扫描、感受波谱范围宽、畸变小、体积小、重量轻、系统噪声低、动耗小、寿命长、可靠性高等一系列有点，并可做成集成度非常高的组合件。
3）高光谱成像光谱扫描：既能成像又能获取目标光谱曲线的“谱像合一”的技术，称为成像光谱技术。按该原理制成的扫描仪称为成像光谱仪。
北师
黑体：
反射因子：
成像光谱仪：
漫反射：
比辐射率：
透视收缩：
地形叠掩：
米氏散射：
体散射：
直方图均衡化：
植被指数：比值运算可以检测波段的斜率信息并加以扩展，以突出不同波段间地物光谱的差异，提高对比度。该运算常用于突出遥感影像中的植被特征、提取植被类别或估算植被生物量，这种算法的结果称为植被指数。
遥感数字图像处理第7章 图像滤波
不足：会造成图像模糊，削弱边缘和细节
均值滤波模板
1 1 1 1 1 1 1 ,或 1 1 1 1 1 1 1 9 8 1 1 1 1 1 1
中值滤波(Median filtering)
中值滤波取每个领域像素值的中均作为该像素的新值。
图像滤波的方法：
1. 空间域滤波
通过窗口或卷积核
2. 频率域滤波
通过傅立叶变换和逆变换
相关概念
1. 邻域、4-邻域、8-邻域
2. 卷积、窗口卷积
噪声
噪声是影响对图像信息理解或分析的成分
遥感图像中常见的噪声：
1. 高斯噪声
在信号上附加均值为0，具有高斯概率密度的函数值
2. 椒盐噪声（脉冲噪声）
随机改变一些像素值
优点：对椒盐噪声比较有效，能保留部分细节信息，
减少模糊
不足：计算复杂，对随机噪声效果不好
高斯低通滤波(Gaussian low-pass filtering)
高斯低通滤波的模板由二维高斯分布计算得到，使用
窗口卷积计算像素新值。
优点：对高斯噪声比较有效
不足：计算复杂
梯度倒数加权法
在离散图像内部相邻区域的变化大于区域内部的变化，
通过微分过程来实现。
梯度
梯度反映了相邻像素之间灰度的变化率，图像中的边
缘部分灰度变化率大，因此梯度值较大；相应的灰
度值变化小的地方，梯度值也较小。
f ( x , y ) ' f x x gradf ( x , y ) ' f ( x , y ) fy y
1 1 1 0 或1 0 1 1 0 0 1 1 2 2 1 1 或 1 2 1 1 1 1 1 2
《遥感原理与应用》实验报告——空间滤波
实验名称：空间滤波一、 实验内容1. 对影像进行中值滤波。
2. 对影像进行Sobel 滤波。
二、 实验所用的仪器设备，包括所用到的数据Window7/XP 操作系统电脑一台，遥感影像处理软件（ENVI4.3)，TM 单波段卫星遥感影像PCA 。
三、 实验原理（一） 中值滤波1. 定义：是一种非线性的平滑方法，对一个滑动窗口内的诸像素灰度值排序，用其居于中间位置的值代替窗口中心像素的灰度值。
2. 中间值的取法：当邻域内像元数为偶数时，取排序后中间两像元值的平均值；当邻域内的像素数为奇数时，取排序后的位于中间位置的像元的灰度。
3. 优缺点：抑制噪声的同时能够有效保护边缘少受模糊，但是对点、线等细节较多的图像却不太合适。
当窗口内噪声点的个数大于窗口宽度的一半时，中值滤波的效果不好，因此正确选择窗口的尺寸是用好中值滤波的重要环节。
（二） Sobel 滤波1. Sobel 算子： Sobel 算子是图像处理中的算子之一，主要用于边缘检测。
在技术上，它是一离散性差分算子，用来运算图像亮度函数的梯度之近似值。
在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量。
2. 核心公式：该算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。
如果以A 代表原始图像，Gx 及Gy 分别代表经横向及纵向边缘检测的图像，其公式如下:AG and A G +⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡+++---=+⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡+-+-+-=121000121101202101y x 图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合，来计算梯度的大小。
然后可用以下公式计算梯度方向。
如果以上的角度θ等于零，即代表图像该处拥有纵向边缘，左方较右方暗。
3. Sobel 滤波：Sobel 滤波是通过Sobel 算子与原始影像进行卷积实现的。
4. 优缺点：该滤波方式使图像的非线性边缘增强。
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。
遥感数字图像处理：遥感图像处理-图像滤波
中值滤波-算例
例
取3X3窗口
212 200 198
212 200 198
206 202 201
206 205 201
208 205 207
208 205 207
从小到大排列，取中间值
198 200 201 202 205 206 207 208 212
中值滤波-算例
例
适合去除椒盐噪声。
取N=3
80 90 200 110 120
梯度的概念
反映了相邻像元的亮度变化率，也就是 说，图像中如果存在边缘，如湖泊、 河流的边界，山脉和道路等，则边缘 处有较大的梯度值。对于亮度值较平 滑的部分，亮度梯度值较小。因此， 找到梯度较大的位置，也就找到边缘， 然后再用不同的梯度计算值代替边缘 处像元的值，也就突出了边缘，实现 了图像的锐化。
g(x,y) FFT G(u,v) ×H(u,v) F(u,v) IFFT f(x,y)
下面介绍几种常用的低通滤波器。
1. 低通滤波法
v=-N/2
u=-N/2
u=0
D(u,v) D0
u=N/2
v= 0
v=N/2
低通滤波器示意图
ILPF
1.1理想低通滤波器（ILPF）
一个理想的低通滤波器的传递函数是由下式表示：
f (i 1, j) f (i 1, j) 2 f (i, j)
2
f (x, y) y 2
f
(i,
j 1)
f
(i,
j 1) 2 f
(i,
j)
为此，拉普拉斯算子为：
2 f
2 f x2
2 y
f
2
f (i 1, j) f (i 1, j) f (i, j 1) f (i, j 1) 4 f (i, j)
遥感名词解释
遥感名词解释1.模拟图像：空间坐标和明暗程度连续变化,计算机无法直接处理的图像,又称光学图像。
2.数字图像：指用计算机存储和处理的图像，是一种空间坐标和灰度均不连续的、用离散数学表示的图像。
数字图像的最小单元是像素。
3.遥感数字图像(digital image)：是以数字形式表述的遥感图像。
不同的地物能够反射或辐射不同波长的电磁波，利用这种特性，遥感系统可以产生不同的遥感数字图像。
4.电磁波谱：按电磁波在真空中传播的波长或频率，递增或递减排列，则构成电磁波谱。
5.反射波谱：地物反射电磁辐射的能力，随所反射的电磁波波长变化而变化。
如以横坐标表示波长的变化，纵坐标表示其反射率（或反射亮度系数）可构成反映反射光谱特性的曲线，称为反射光谱曲线。
6.高光谱图像：是指利用很多很窄的电磁波波段从感兴趣的物体中获取有关数据得到的遥感图像，波段多，波段范围一般<10nm。
7.高空间分辨率图像：空间分辨率<10m遥感图像。
8.遥感影像地图：以航空和航天遥感影像为基础，经几何纠正，配合数字线划图和少量注记，将制图对象综合表示在图面上的地图。
遥感影像地图具有一定的数学基础，有丰富的光谱信息与几何信息，又有行政界限和属性信息，直接提高了可视化效果。
9.遥感图像模型：传感器探测地物电磁波辐射能量所得到的遥感图像从理论角度归纳出的一个具有普遍意义的模型。
10.多源信息融合：将多种遥感平台、多时相、遥感数据之间以及遥感与非遥感数据之间的信息组合匹配的技术，复合后将更有利于综合分析，一般包括匹配和复合两个步骤。
11.像素：数字图像最基本的单位是像素，像素是A/D 转换中的取样点，是计算机图像处理的最小单元；每个像素具有特定的空间位置和属性特征。
像素值称为亮度值(灰度值/DN值)。
亮度值的高低由传感器所探测到的地物辐射强度决定。
由于地物反射或辐射电磁波的性质不同且受大气影响不同，相同地点不同图像（不同波段、时期、种类）的亮度值可能不同，因此灰度值是相对的，仅能在图像内部相互比较。
遥感滤波名词解释
遥感滤波名词解释嘿，朋友！你知道什么是遥感滤波吗？这可不是什么晦涩难懂的概念哦。
打个比方，遥感就像是我们从高空俯瞰大地的一双超级眼睛，而滤波呢，就像是给这双眼睛戴上了一副神奇的眼镜，让我们能更清晰、更准确地看到地面上的情况。
遥感，简单来说，就是不直接接触目标，却能获取它的信息。
就好像你不用亲手摸到一个苹果，通过一些特殊的手段就能知道它的大小、颜色和形状。
那滤波又是啥呢？想象一下，你在听广播，里面有很多杂音，让你听不清楚真正想听的内容。
这时候，要是有个神奇的按钮，一按下去就能把那些杂音去掉，只留下清晰的声音，多好呀！滤波就类似这个神奇的按钮。
在遥感中，接收到的信号往往是复杂而混乱的，有各种干扰和噪声。
滤波的作用就是把这些没用的、干扰我们的东西去掉，留下有用的信息。
比如说，在遥感图像中，可能会有一些因为大气干扰、设备误差等产生的杂点或者模糊的部分。
这时候，滤波就出马啦！它能让图像变得更加清晰，轮廓更加分明，就像给一幅模糊的画做了一次精心的修复。
常见的遥感滤波方法有好多呢！像均值滤波，它就像是把周围的像素值都平均一下，让图像变得平滑一些。
还有中值滤波，就好像是在一堆数字中找出中间那个，把异常的值给替换掉，让图像更稳定。
再比如高斯滤波，这就像是给图像蒙上了一层轻柔的纱，让细节更加柔和，去除一些尖锐的变化。
遥感滤波可重要啦！要是没有它，我们得到的遥感图像可能就像一张乱糟糟的涂鸦，什么也看不清，那还怎么进行地理分析、资源监测、环境评估这些重要的工作呢？所以说，遥感滤波就是遥感技术中的大功臣，帮助我们从纷繁复杂的信息中找到真正有价值的东西，让我们能更好地了解我们生活的这个地球家园。
总之，遥感滤波就是让遥感图像变得更清晰、更有用的神奇魔法，让我们能在探索地球的道路上看得更清楚、走得更稳当！。
- 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)。
实验名称：空间滤波
一、实验内容
1.掌握中值滤波器、Sobel滤波器的工作机理。
2.通过选用不同的变换核，分析变换核对滤波结果的影响。
3.理解滤波器的作用。
二、实验所用的仪器设备，包括所用到的数据
电脑一台，遥感影像处理软件（ENVI），TM单波段卫星遥感影像PCA。
三、实验原理
（一）中值滤波
1.定义:是一种非线性的平滑方式，对一个滑动窗口内的诸像素灰度值排序，用其居于中间位置的值代替窗口中心像素的灰度值。
2.中间值的取法:当邻域内像元的为偶数时，取排序后中间两像元值的平均值;当邻域内的像素数为奇数时,取排序后的位于中间位置的像元的灰度。
3.优缺点:抑制噪声的同时能够有效保护边缘少受模糊，但是对点线等细节较多的图像却不太合适.当窗口内噪声点的个数大于窗口宽度的一半时，中值滤波的效果不好，因此正确选择窗口的尺寸是用好中值滤波的重要环节。
（二）Sobel滤波
1.Sobel算子：该算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。
如果以A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像，其公式如下:
图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合，来计算梯度的大小。
然后可用以下公式计算梯度方向。
如果以上的角度Θ等于零，即代表图像该处拥有纵向边缘，左方较右方暗。
2.Sobel滤波：该滤波是通过Sobel算子与原始影像进行卷积实现的。
3.优缺点：该滤波方式使图像的非线性边缘增强。
滤波器的大小不能更改，也无法编辑变换核的大小。
四、实验步骤及其结果分析
（一）对影像进行中值滤波
1.实验步骤：打开envi 软件→file→ Open Image File→PCA，在Available Bands List中选择Gray Scale，选择PC-5（图1），因PC-5的噪声大，所以选择该波段值的影像进行中值滤波效果较明显。
图1.PC-5影像图
单击Load Band，选择Filter→Convolutions and Photogeologic，出现Convolutions and Photogeologic Tool 对话框，在Convolutions中选择录波器的类型为Median，Kernel Size为3，Image Add Back 为0，单击Quick Apply，Select Impute Band选择Band 5，点击OK，得到结果如图2。
图2.中值滤波后(加回值:0, 核尺寸:3*3)
结果分析：
与原始图像对比，过滤处理过的图像颗粒物明显减少，图像变得平滑，但是图像同时会变得模糊不清，图像灰度并没有明显变化。
可以得出中值滤波在不破坏原始影像灰度的基础上保护边缘信息，平滑噪声的作用。
改变Kernel Size为5，结果如图3：
图3.中值滤波后(加回值:0, 核尺寸:5*5)
结果分析：
核尺寸变大，图像越平滑，去噪效果更好，但同时图像会变得更加模糊。
改变Image Add Back 为50%，得到结果如图4。
图5.中值滤波后(加回值:50%, 核尺寸:5*5)
结果分析：
结果比图3清晰很多，与原图的清晰度更为靠近。
可见Image Add Back的作用是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，实验将“加回”值输入50%，那么50%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5。
（二）对影像进行Sobel滤波
1. 实验步骤：打开envi 软件→file→ Open Image File→PCA，在Available Bands List中选择Gray Scale，
选择TM-5后点击Load Band，结果如图2。
选择Filter→Convoluntions and Morphologicy，出现Convoluntions and Morphologicy Tool 对话框，在Convoluntions中选择录波器的类型为Sobel， Image Add Back 为0，点击Quick Apply，得到结果如图5。
将加回值调为100%，得到结果如图6。
图6.经Sobel滤波处理后(加回值：0) 图7.经Sobel滤波处理后(加回值：100%)
结果分析：
对比原始图像，图6的边缘增强，轮廓愈加清晰，可见Sobel滤波有提取影像边缘值的作用，即该滤波方式使图像的非线性边缘增强。
从操作过程中可发现Sobel滤波的核大小不能改变，只能改变其加回值，加回值越大影响颜色越浅，加回值到100%时，主体轮廓与背景几乎接近，提取轮廓的作用效果显著下降,由此可以看出，Sobel算子并没有基于图像灰度进行处理，没有将图像的主体与背景严格地区分开来，加回值不合适，提取图像轮廓效果就会不尽人意。