遥感图像辐射增强与光谱增强
遥感图像辐射处理
基本概念
• 辐射定标和辐射校正是遥感数据定量 化的最基本环节。
• 辐射定标：指传感器探测值的标定过 程方法，用以确定传感器入口处的准 确辐射值。
• 辐射校正：指消除或改正遥感图像成 像过程中附加在传感器输出的辐射能 量中的各种噪声的过程。
进入遥感器的辐射强度反映在图像上就是亮度值（灰 度值）。辐射强度越大，亮度值（灰度值）越大。
地形坡度引起的辐射校正方法需要有图像对应地区的DEM数据， 校正较为麻烦，一般情况下对地形坡度引起的误差不做校正。 对于多波段图像，可用波段比值来进行校正，消除地表坡度的 影响。
三、系统噪音
• 图像数据中的干扰。 • 产生的原因：受感测、信号数字化或数
据记录过程中的限制。 • 影响：数字图像质量下降，或完全掩盖
• 我国根据需要选择了敦煌西戈壁作为可见光和 红外波段的辐射校正场，青海湖作为热红外波 段和红外低发射率的辐射校正场。
中国气象局第7号令 《气象探测环境和设施保护办法》
• 第十五条 严禁在遥感卫星辐射校正场场 区内从事任何建设和改变场区内自然状 态的行为。 本办法所称遥感卫星辐射校正场，是 指利用辐射特性稳定、均匀的地物目标 作为辐射参考基准，通过星地同步观测， 对在轨运行遥感仪器进行绝对辐射定标 或星上辐射定标校正的场地。
加拿大在北部大草原也开展卫星、飞机积雪同步观测,以 便对卫星传感器作出客观评价。
根据美、法公布的资料，目前用辐射校正场的方法对可见光 和近红外波段的标正精度可达6%-3%左右。除成功地对 Landsat-4、5的TM，SPOT的HRV，NOAA-9、10 、11 的AVHRR ，Nimbus-7的CZCS 进行辐射校正外，目前正在进一步研究 高分辨率成像光谱仪(AVIRIS) 和中分辨率成像光谱仪 (MODIS) 的辐射校正，并对法国偏光照相机(POLDER) 进行 辐射校正。
高光谱遥感图像处理与应用研究
高光谱遥感图像处理与应用研究遥感技术是地球科学和自然资源管理领域的核心技术之一。
高光谱遥感是一种近年来发展迅猛的高分辨率遥感技术，其具有高维度、高分辨率和高覆盖面积等优势，被广泛应用于农业、森林、城市规划和环境监测等领域。
本文将对高光谱遥感图像的处理方法和应用进行简要介绍。
一、高光谱遥感图像的处理方法（一）预处理高光谱遥感图像的预处理是为了降低图像噪声和增强图像特征，以提高后续分析处理的准确性和可信度。
1、辐射校正：即将图像灰度值归一化为反射率，以消除光照不均匀和大气影响。
2、几何校正：对图像进行几何校正可以消除成像中的扭曲和畸变，使得图像更为准确和精确。
3、噪声去除：高光谱遥感图像常常伴随着高噪声，因此需要通过噪声滤波或概率降噪等方法来降低图像噪声。
（二）特征提取特征提取是高光谱遥感图像处理的重要环节，它是提取图像中某些特定目标信息的过程。
1、主成分分析法（PCA）：PCA是最常见的特征提取算法之一，可以将高光谱数据降维并提取主成分，以保留更有效的信息，提高分类精度。
2、端元分解法（VCA）：VCA是一种基于混合像元模型的特征提取方法，可以将每个像素分解为混合的端元（pure pixels）和混杂像元，从而更好地识别目标对象。
（三）分类识别分类识别是高光谱遥感图像分析最常用的技术之一，它是将图像中像素点进行分类，把同一类别的像素标注相同标签的过程。
1、常用分类算法：传统的分类算法包括最小距离分类、支持向量机（SVM）分类、KNN分类等。
2、深度学习分类：随着深度学习的发展，深度卷积神经网络（CNN）被广泛应用于高光谱遥感图像分类中，并在各种分类任务中取得了不错的效果。
二、高光谱遥感图像的应用研究（一）农业领域高光谱遥感图像可以用于农作物的分类、生长状态的监测和病虫害的诊断，从而帮助农业生产做出更加科学和精准的决策。
（二）森林资源管理领域高光谱遥感图像可用于森林植被覆盖度、森林生物多样性、森林类型等指标的监测和评估。
遥感影像处理知识
1.几何校正：几何校正是利用地面控制点和几何校正数学模型来矫正非系统因素产生的误差，同时也是将图像投影到平面上，使其符合地图投影系统的过程。
2.图像镶嵌：指在一定的数学基础控制下，把多景相邻遥感影像拼接成一个大范围、无缝的图像的过程。
3.图像裁剪：图像裁剪的目的是将研究之外的区域去除。
常用方法是按照行政区划边界或自然区划边界进行图像裁剪。
在基础数据生产中，还经常要进行标准分幅裁剪。
按照ENVI 的图像裁剪过程，可分为规则裁剪和不规则裁剪。
4.图像分类：遥感图像分类也称为遥感图像计算机信息提取技术，是通过模式识别理论，分析图像中反映同类地物的光谱、空间相似性和异类地物的差异，进而将遥感图像自动分成若干地物类别。
5.正射校正：正射校正是对图像空间和几何畸变进行校正生成多中心投影平面正射图像的处理过程。
6.面向对象图像分类技术：是集合邻近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间、纹理和光谱信息来分割和分类，以高精度的分类结果或者矢量输出。
7.DEM：数字高程模型是用一组有序数值阵列形式表示地面高程的一种实体地面模型。
8.立体像对：从两个不同位置对同一地区所摄取的一对相片。
9.遥感动态监测：从不同时间或在不同条件获取同一地区的遥感图像中，识别和量化地表变化的类型、空间分布情况和变化量，这一过程就是遥感动态监测过程。
10.高光谱分辨率遥感：是用很窄而连续的波谱通道对地物持续遥感成像的技术。
在可见光到短波红外波段，其波谱分辨率高达纳米数量级，通常具有波段多的特点，波谱通道多达数十甚至数百个，而且各波谱通道间往往是连续的，因此高光谱遥感又通常被称为"成像波谱遥感"。
11.端元波谱：端元波谱作为高光谱分类、地物识别和混合像元分解等过程中的参考波谱，与监督分类中的分类样本具有类似的作用，直接影响波谱识别与混合像元分解结果的精度。
12.可视域分析：可视域分析工具利用DEM数据，可以从一个或多个观察源来确定可见的地表范围，观测源可以是一个单点,线或多边形13.三维可视化：ENVI的三维可视化功能可以将DEM数据以网格结构、规则格网或点的形式显示出来或者将一幅图像叠加到DEM数据上。
遥感图像处理的基本步骤与技巧
遥感图像处理的基本步骤与技巧遥感技术是指利用航天器、飞机、卫星等高空平台获得的遥感图像进行信息提取和数据分析的过程。
随着科技的不断进步和应用范围的扩大，遥感图像处理已经成为许多领域中的重要工具。
本文将介绍遥感图像处理的基本步骤与技巧，以帮助读者更好地理解和应用这一技术。
一、图像预处理遥感图像预处理是遥感图像处理的第一步，旨在通过去除噪声、辐射校正和几何校正等处理，使图像质量更高，方便后续处理。
其中，去除噪声主要是采用滤波算法，如中值滤波、均值滤波等。
辐射校正主要用于将图像的辐射能量转换为表观反射率，以消除云、阴影等因素的影响。
几何校正是通过对图像进行几何变换，将其与地理坐标系统对齐，以便于后续的地理信息提取。
二、特征提取特征提取是遥感图像处理的核心环节，目的是从遥感图像中提取出具有代表性和区分度的特征信息。
常用的特征包括光谱特征、纹理特征、形状特征等。
光谱特征是指根据图像像素的光谱反射率或辐射能量，提取出不同波段的特征。
纹理特征是指从图像中提取出地物的纹理信息，包括纹理方向、纹理密度等。
形状特征是指从图像中提取出地物的形状信息，包括面积、周长等。
三、分类与识别分类与识别是遥感图像处理中的重要任务，目的是将地物按照其属性进行分类和识别。
常见的分类方法包括监督分类和无监督分类。
监督分类是指根据已知的样本类别信息，通过训练分类器将图像中的地物分到不同的类别中。
无监督分类是指根据图像像素之间的相似性将其分为一定数量的类别。
分类结果可以用于制作地图、监测资源变化等。
四、变化检测变化检测是遥感图像处理中的一项重要任务，主要应用于监测和分析地表物体的变化。
遥感图像在不同时间获取的变化信息可以帮助我们了解自然和人类活动对地表的影响。
常见的变化检测方法包括像素级变化检测和对象级变化检测。
像素级变化检测是指比较两幅图像对应像素之间的差异，以确定变化的位置和类型。
对象级变化检测是指先将图像分割成不同的对象，然后比较不同时间获取的对象之间的差异。
遥感的概念
遥感的概念：从不同高度的平台上，使用各种传感器，接受来自地球表层各类电磁波的信息，并对这信息进行加工处理，从而对不同的地物及其特征进行远距离的探测和识别的一门科学技术。
遥感的特点：宏观性、综合性、可比性，多波段性，时效性，客观性，经济性，局限性（信息的提取方法不能满足遥感快速发展的要求）遥感的类型：按机理划分：被动遥感(传感器不向目标发射电磁波，仅被动的接收目标物的自身发射和对自然辐射的反射能量)主动遥感(传感器主动发射一定电磁波能量并接受标反射回来的信号)按平台划分：地面遥感：如车载，船载，手提，固定或活动高架平台等航空遥感: 传感器设置在航空器上(小于80km)，主要为飞机，气球等航天遥感：传感器设置在航天器上(大于80km），如人造地球卫星、航天飞机，空间站，火箭等，以卫星为平台的遥感叫做卫星遥感按电磁波段划分：可见光遥感（电磁波波长范围：0.38~0.76μm）红外遥感（电磁波波长范围：0.76~1000μm）微波遥感（电磁波波长范围：1mm~10m）按大的研究领域划分：陆地遥感；大气遥感；海洋遥感。
按应用范围划分：资源环境遥感；灾害遥感；农业遥感；地质遥感；渔业遥感....遥感技术系统的概念：是一个从地面到空中直至空间，从信息的收集、存储、传输处理到分析判读、应用的完整技术系统；它能够实现对全球范围的多层次、多视角、多领域的立体观测，是获取地球资源的现代高科技的重要手段电磁波谱：按各种电磁波在真空中的波长或频率，递增或递减排列制成的图表电磁波谱的波段和遥感常用的电磁波波段：按波长由小到大依次为：γ射线—X射线—紫外线—可见光—红外线—微波—无线电波。
常用的是：紫外（0.01-0.38um)可见光（0.38-0.76um）红外（0.76-1000um）微波遥感器（1mm-1m) 辐射亮度：辐射亮度L: 面辐射源，在某一方向，单位投影表面、单位立体角内的辐射通量。
单位是瓦/ 米²•球面度（W/m²•Sr）黑体辐射的三个特征;辐射出射度随波长连续变化，每条曲线只有一个最大值；温度越高，辐射出射度越大，不同温度的曲线不相交；随着温度的升高，辐射最大值所对应的波长向短波方向移动。
《遥感概论》课程笔记
《遥感概论》课程笔记第一章：绪论1.1 遥感及其技术系统遥感（Remote Sensing）是指不直接接触对象物体，通过分析从远处感知到的电磁波信息来识别和探测地表及其上方环境的技术。
遥感技术系统是由多个组成部分构成的复杂体系，主要包括以下几部分：- 传感器（Sensor）：用于探测和记录目标物体发射或反射的电磁波的设备。
- 遥感平台（Remote Sensing Platform）：携带传感器的载体，如卫星、飞机、无人机等。
- 数据传输系统（Data Transmission System）：将传感器收集的数据传回地面的设备。
- 数据处理与分析系统（Data Processing and Analysis System）：对遥感数据进行处理、分析和解释的软件和硬件。
1.2 遥感门类及技术特点遥感技术根据不同的分类标准可以分为以下几类：- 按照电磁波波长：可见光遥感、红外遥感、微波遥感等。
- 按照传感器工作方式：主动遥感（如激光雷达）和被动遥感（如摄影相机）。
- 按照平台类型：卫星遥感、航空遥感、地面遥感等。
遥感技术的主要特点包括：- 大范围覆盖：遥感技术可以覆盖广阔的地表区域，对于大规模的地理现象监测具有优势。
- 高效快速：遥感平台可以快速穿越监测区域，获取数据的时间周期短。
- 多维信息：遥感可以提供关于地表及其上方环境的多种信息，如形状、纹理、温度等。
- 非侵入性：遥感技术不需要直接接触目标物体，因此对环境的影响较小。
1.3 遥感行业应用概况遥感技术在多个行业中有着广泛的应用，以下是一些主要的应用领域：- 农业领域：通过遥感技术监测作物生长状况、评估产量、监测病虫害、进行土地资源调查等。
- 环境保护：监测森林覆盖变化、湿地保护、沙漠化趋势、大气污染等环境问题。
- 灾害管理：利用遥感技术进行地震、洪水、飓风、火灾等自然灾害的预警、监测和评估。
- 城市规划：通过遥感图像分析城市扩张、交通布局、土地利用效率等，为城市规划提供依据。
erdas中图像处理功能介绍
其中关建是：点击View/custom Table 进入查找表编辑状态。根据需要修改查找表。
3.3直方图均衡化处理 该处理实质上是对图像进行非线性拉伸，重新分配图像像元值，使一定灰度范围内的像元的数量大致相等。
.在ERDAS图标面板工具条中，点击Interpreter/Radiometric Enhancement/Histogram Equalization—--打开Histogram Equalization对话框,并设置参数如下：
4.光谱增强处理
4.1光谱增强处理是基于多波段数据对每个像元的灰度值进行变换，达到图像增强的目的。ERDSA IMAGINE 提供的光谱增强处理功能如下图所示
注，需要定义相关参数set coefficients,点击set coefficients按钮，打开对话框，确定区域内的类型。下图为原始图像与缨穗变换的亮度、绿度、湿度分量的比较图。
4.4色彩变换
色彩变换是将区域图像从RGB的彩色空间转换到IHS作为定位参数的彩色空间，以便达到增强目的。
.在ERDAS图标面板工具条中，点击Interpreter/spectral Enhancement/RGB to IHS—--打开RGB TO IHS对话框，并设置参数如下：
从上图可以看出，ERDAS图像解译模块包含了8个方面的功能，依次是遥感图像的空间增强（Spatial Enhancement）、辐射增强（Radiometric Enhancement）、光谱增强(SpectralEnhancement)、高光谱工具（Hyper Spectral Tools）、傅立叶交换（Fourier Analysis ）、地形分析（Topographic Analysis）。地理信息系统分析（GlS Analysis）、以及其它实用功能（Utilities）。每一项功能菜单中又包含若干具体的遥感图像处理功能。
《遥感技术》实验报告
郑州大学水利与环境学院遥感技术实验报告（适用于地理信息系统专业）专业班级： ***********学生姓名： *******学生学号： ***********指导教师： ******实验成绩：***年***月实验一、遥感图像认知与输入/输出的基本操作一、实验要求1.了解遥感卫星数字影像的差异。
2.掌握查看遥感影像相关信息的基本方法。
3.掌握遥感图像处理软件ERDAS的基本视窗操作及各个图标面板的功能。
4.了解遥感图像的格式，学习将不同格式的遥感图像转换为ERDASimg格式，以及将ERDASimg 格式转换为多种指定的格式图像。
5.学习如何输入单波段数据以及如何将多波段遥感图像进行波段组合。
6.掌握在ERDAS系统中显示单波段和多波段遥感图像的方法。
二、实验内容1.遥感图像文件的信息查询。
2.空间分辨率。
3.遥感影像纹理结构认知。
4.色调信息认知。
5.遥感影像特征空间分析。
6.矢量化。
7.遥感图像的格式。
8.数据输入/输出。
9.波段组合。
10.遥感图像显示。
三、实验结果及分析：简述矢量功能在ERDAS中的意义。
矢量功能可以将栅格数据转化为矢量数据。
矢量数据有很多优点：1.矢量数据由简单的几何图元组成，表示紧凑，所占存储空间小。
2.矢量图像易于进行编辑。
3.用矢量表示的对象易于缩放或压缩，且不会降低其在计算机中的显示质量。
四、实验结果及分析：简述不同传感器的卫星影像的特点和目视效果。
SPOT卫星最大的优势是最高空间分辨率达10m，并且SPOT卫星的传感器带有可以定向的发射镜，使仪器具有偏离天底点（倾斜）观察的能力，可获得垂直和倾斜的图像。
因而其重复观察能力由26天提高到1~5天，并在不同的轨道扫面重叠产生立体像对，可以提供立体观测地面、描绘等高线，进行立体绘图的和立体显示的可能性。
CBRES的轨道是太阳同步近极地轨道，轨道高度是778km，卫星的重访周期是26天，其携带的传感器的最高空间分辨率是19.5m。
《遥感信息的获取和处理》 讲义
《遥感信息的获取和处理》讲义一、引言遥感技术作为一种非接触式的探测手段，能够从远距离获取地球表面的各种信息。
这些信息对于资源调查、环境监测、城市规划等众多领域都具有极其重要的价值。
要想充分利用遥感技术所获取的信息，就必须了解其获取和处理的方法。
接下来，让我们一起深入探讨遥感信息的获取和处理。
二、遥感信息的获取（一）遥感平台遥感平台是搭载传感器的工具，常见的遥感平台包括卫星、飞机和无人机等。
卫星遥感平台具有覆盖范围广、重复观测周期短等优点，能够获取大面积的地球表面信息。
例如，陆地卫星系列可以提供多光谱、高分辨率的影像，用于土地利用、植被监测等方面。
飞机遥感平台则具有灵活性高、可以根据特定需求进行飞行任务规划的特点。
它适用于小范围、高精度的遥感数据获取，比如在地质勘探、城市规划中发挥重要作用。
无人机遥感平台近年来发展迅速，其操作简便、成本相对较低，能够在复杂地形和近地面获取高分辨率的影像数据。
传感器是遥感系统中用于收集和记录电磁辐射能量的装置。
根据工作原理的不同，传感器可分为光学传感器和微波传感器。
光学传感器利用可见光、近红外和短波红外等波段的电磁波进行成像。
常见的有电荷耦合器件（CCD）传感器和互补金属氧化物半导体（CMOS）传感器。
它们能够获取色彩丰富、细节清晰的影像，广泛应用于农业、林业和生态环境监测等领域。
微波传感器则通过发射和接收微波信号来获取信息，不受天气和光照条件的限制，具有穿透云雾、雨雪的能力。
合成孔径雷达（SAR）就是一种重要的微波传感器，在灾害监测、海洋监测等方面有着独特的优势。
（三）遥感数据的类型遥感数据主要包括图像数据和非图像数据。
图像数据是最常见的遥感数据类型，如多光谱图像、高光谱图像和全色图像等。
多光谱图像包含多个波段的信息，能够反映地物的不同特征；高光谱图像具有数百个甚至上千个波段，能够提供更丰富的光谱信息，有助于地物的精细分类；全色图像则具有较高的空间分辨率，能够清晰地显示地物的细节。
ENVI遥感图像增强处理
ENVI遥感图像增强处理任务五图像增强⽬录1.空间域增强处理 (1)1.1卷积滤波 (1)2.辐射增强处理 (2)2.1交互式直⽅图拉伸 (2)3.光谱增强处理 (4)3.1波段⽐的计算 (4)3.2⾊彩空间变换 (5)3.3NDVI计算 (6)4.傅⾥叶变换 (6)4.1快速傅⾥叶变换 (6)4.2定义FFT滤波器 (7)4.3反向FFT变换 (8)5.波段组合 (8)5.1RGB合成显⽰ (8)图像增强的主要⽬的是提⾼图像的⽬视效果，以便处理结果图像⽐原图像更适合于特定的应⽤要求，⽅便⼈⼯⽬视解译、图像分类中的样本选取等。
ENVI图像增强的内容主要包括：●空间域增强处理●辐射增强处理●光谱增强处理●傅⾥叶变换●波段组合1.空间域增强处理空间域增强处理是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。
1.1卷积滤波卷积滤波是通过消除特定的空间频率来增强图像。
它们的核⼼部分是卷积核，ENVI提供很多卷积核，包括⾼通滤波、低通滤波、拉普拉斯算⼦、⽅向滤波、⾼斯⾼通滤波、⾼斯低通滤波、中值滤波、Sobel、Roberts，还可以⾃定义卷积核。
使⽤数据：lena.jpg具体操作：通过尝试ENVI提供的各种图像增强算⼦，观察⽐较图像增强的效果。
（1）打开图像⽂件lena.jpg。
（2）在主菜单中，选择Filter→Convolutions and Morphology。
（3）在Convolutions and Morphology Tool中，选择Convolutions→滤波类型。
（4）不同的滤波类型对应不同的参数，主要包括三项参数：●Kernel Size（卷积核的⼤⼩）卷积核的⼤⼩，以奇数来表⽰，如3×3、5×5等，有些卷积核不能改变⼤⼩，包括Sobel和Roberts。
●Image Add Back（输⼊加回值）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。
遥感原理与应用第6章-遥感作业
第六章遥感图像辐射校正名词解释：辐射定标、绝对定标、相对定标、辐射校正、大气校正、图像增强、累积直方图、直方图匹配、NDVI、图像融合1、辐射定标：是指传感器探测值的标定过程方法，用以确定传感器入口处的准确辐射值。
2、绝对定标：建立传感器测量的数字信号与对应的辐射能量之间的数量关系，对目标作定量的描述，得到目标的辐射绝对值。
3、相对定标：又称传感器探测元件归一化，是为了校正传感器中各个探测元件响应度差异而对卫星传感器测量到的原始亮度值进行归一化的一种处理过程。
最终得到的是目标中某一点辐射亮度与其他点的相对值。
4、辐射校正：是指消除或改正遥感图像成像过程中附加在传感器输出的辐射能量中的各种噪声的过程。
5、大气校正：是指消除大气对阳光和来自目标的辐射产生的吸收和散射影响的过程。
6、图像增强：为了特定目的，突出遥感图像中的某些信息，削弱或除去某些不需要的信息，使图像更易判读。
7、累积直方图：以累积分布函数为纵坐标，图像灰度为横坐标得到的直方图称为累积直方图。
8、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。
也称生物量指标变化，可使植9、NDVI：归一化差分植被指数。
NDVI=B7−B5B7+B5被从水和土中分离出来。
10、图像融合：是指将多源遥感图像按照一定的算法，在规定的地理坐标系，生成新的图像的过程。
问答题：1．根据辐射传输方程，指出传感器接收的能量包含哪几方面，辐射误差及辐射误差纠正内容是什么。
根据辐射传输方程，传感器接收的电磁波能量包含三部分：1）太阳经大气衰减后照射到地面，经地面发射后又经过大气的二次衰减进入传感器的能量；2）大气散射、反射和辐射的能量；3）地面本身辐射的能量经过大气后进入传感器的能量。
辐射误差包括：1）传感器本身的性能引起的辐射误差；2）大气的散射和吸收引起的辐射误差；3）地形影响和光照条件的变化引起的辐射误差。
辐射误差纠正的内容是传感器辐射定标和辐射误差校正等。
遥感原理与应用_第4章_3 遥感影像处理-遥感影像辐射处理
1 2 3 4 5 6 7
传 感 器 校 正
L d s2 E0 cos
L为地物在给定波ain
和bias分别为传感器的增益和偏移量，从图像头文件中可以读取； ρ为 反射率（即表观反射率）；ds是日地天文单位距离；E0大气顶层的太
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
绝对定标要建立传感器测量的数字信号与对应的辐射能量之间
1 2 3 4 5 6 7
传 感 器 校 正
的数量关系，该关系通常呈线性关系，建立该关系就是确定线性 关系中的系数及常数项，即定标系数。
K：传感器的增益；
Lmax：传感器达到饱和时所记录的辐射能量，即传感器记录 的最大能量；
Lmin：传感器探测并记录的最小能量；
Cmax：遥感图像中的最大值（如：对无符号8位类型数据，最 大值是255）。
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
1 2 3 4 5 6 7
传 感 器 校 正
探测元件响应度差异造成的影像色调不一致性
C o p y r i g h t © 2 0 1 5, G u o l i n C a i & L i S h e n
SWJTU
DN值(从遥感器 得到的数字测 量值) 遥感器校正
• 光学系统特征(如边缘减光) • 光电变换系统的灵敏度特 征的偏差 • 遥感器系统的增减及偏差 相关系数(如Landsat TM和 MSS)
《遥感数字图像处理》实验指导书42530
遥感信息技术课程组·2005 《遥感数字图像处理》实验一、遥感图像处理软件介绍（2学时，验证性）实验二、遥感图像辐射增强（2学时，验证性）实验三、遥感图像空间增强（2学时，验证性）实验四、遥感图像光谱增强（2学时，验证性）实验五、遥感图像非监督分类（2学时，设计性）实验六、遥感图像监督分类（2学时，设计性）实验七、遥感图像专家分类（2学时，设计性）实验八、遥感图像分析（2学时，设计性）实验九、遥感图像空间建模（2学时，设计性）实验十、遥感图像几何校正（4学时，设计性）实验十一、遥感影像制图（2学时，设计性）实验一、遥感图像处理软件介绍ERDAS Imagine遥感图像处理软件简介国外常用的ERDAS、PCI、ENVI、ER-MAPPER及国内的GEOIMAGE等商业化软件。
1 ERDAS IMAGINE软件概述ERDAS IMAGINE是以模块化的方式提供给用户的，用户可以根据自己的使用要求，资金状况合理地选择不同功能模块及其组合，对系统进行裁剪，以便充分利用软硬件资源，最大限度地满足专业使用要求。
ERDAS IMAGINE面向不同需求的用户，对于系统的扩展功能采用开放的体系结构，以IMAGINE Essentials、IMAGINE Advantage、IMAGINE Professional的形式为用户提供了低、中、高3档产品架构，并有丰富的功能扩展模块提供用户选择，使产品模块的组合具有极大的灵活性。
1）IMAGINE Essentials级IMAGINE Essentials是一个花费较少、包括有制图和可视化核心功能的图像工具软件。
利用该软件，可完成图像的二维／三维显示、数据输人、排序和管理、地图配准、专题制图及简单的分析。
可以集成使用多种数据类型，并易于升级到其他ERDAS公司的产品。
其主要内容有：●数据的输人和输出；●影像库管理；●图像处理／几何校正；●影像／矢量编辑；●非监督分类（ISoDATA）；●三维可视化；●专题地图生产。
遥感影像处理中的光谱分析方法与技巧
遥感影像处理中的光谱分析方法与技巧遥感影像处理是一门应用遥感技术对地球表面进行观测和分析的学科领域，它通过获取和处理遥感影像数据来获取地球表面的信息。
而光谱分析则是其中的一种常用方法和技巧，通过对遥感影像中的光谱信息进行分析，可以获取到地表物质的相关信息。
一、光谱分析的基本原理光谱分析基于光与物质之间的相互作用原理。
在遥感影像中，由于不同地物对光的反射、辐射和吸收能力不同，所以它们在遥感影像中会表现出不同的光谱特征。
通过对比和分析不同地物的光谱特征，可以判断出它们的差异。
二、遥感影像中的光谱数据获取在遥感影像处理中，光谱数据的获取是非常重要的一步。
常用的光谱数据获取方式有两种，一种是主动数据获取，即通过激光器等对地球表面进行扫描，获取其反射或发射的光谱数据；另一种是被动数据获取，即通过卫星或飞机等载体获取自然环境中的光谱数据。
三、光谱分析方法与技巧1. 光谱曲线的图像处理光谱曲线是遥感影像中的一条光谱数据曲线，它描述了地物对不同波段的光反射、辐射和吸收情况。
通过对光谱曲线进行图像处理，可以提取出其中的隐藏信息，进而为后续的地物分类和定量分析提供依据。
2. 光谱特征参数的提取与分析在光谱分析中，我们可以根据不同波长下的光谱特征参数来区分不同地物。
例如，植被的光谱特征参数可以通过计算不同波长下的NDVI指数来进行提取和分析，从而实现植被覆盖度的检测和分析。
3. 光谱混合像元分解在一幅遥感影像中，往往存在着多种地物混合像元的情况。
通过光谱混合像元分解技术，可以将混合像元分解为不同纯净地物像元的组合，从而实现对地物的识别和分类。
4. 光谱库的建立与应用光谱库是一种用于存储和管理遥感影像中地物光谱信息的数据库。
通过建立光谱库，可以将不同地物的光谱数据进行整理和归纳，并为后续的地物分类和时序分析提供支持。
四、光谱分析在遥感影像处理中的应用光谱分析在遥感影像处理中有着广泛的应用。
例如，在城市土地利用变化监测中，可以通过对城市区域的多时相遥感影像进行光谱分析，识别不同地物的光谱变化，从而实现对城市土地利用变化的监测和分析。
如何进行遥感图像的光谱分析
如何进行遥感图像的光谱分析遥感图像是通过航天器或无人机拍摄的地球表面的影像，它包含了丰富的信息，可以帮助我们了解地球的动态变化、资源利用以及环境状况。
光谱分析则是利用遥感图像中的光谱信息来推断地物的属性和特征。
本文将探讨如何进行遥感图像的光谱分析，以揭示地物的隐藏信息和潜在价值。
1. 光谱分析的原理和意义光谱是指透过光或电磁波辐射所表现出来的一系列连续的颜色或波长。
遥感图像中的每一个像素点所包含的光谱信息可以用来区分不同地物类型，如植被、水体、建筑物等。
通过光谱分析，我们可以了解地物的光谱反射特征，从而推断其物理、化学和生物属性，进而实现土地利用、环境监测和资源管理等方面的目标。
2. 光谱分析的步骤和方法2.1 数据获取与预处理首先，我们需要获取高质量的遥感图像数据。
可以通过购买商业卫星图像，或者利用公开的遥感数据库，如美国地质调查局（USGS）的地球资源观测数据（EROS Data Center）等。
获取图像后，还需要进行数据预处理，包括图像校正、大气校正和几何校正等，以确保分析结果的准确性和可靠性。
2.2 光谱签名提取光谱签名是指不同地物在光谱上表现出来的特征曲线。
通过选取一定数量的样本点，可以提取出不同地物的光谱特征，并进行对比分析。
在提取光谱签名时，需要注意样本的代表性和数量的合理性，以确保分析结果的准确性。
2.3 光谱分析方法光谱分析方法有许多种，包括常见的基于统计学的方法和基于物理原理的方法。
其中，常用的方法有：- 主成分分析（PCA）：通过线性组合来降低维度，从而将多个波段的信息简化为少数几个主成分，以减小数据的复杂性。
- 最大似然分类（MLC）：基于统计学的方法，假设不同地物的光谱值符合特定的分布，通过计算概率来进行分类。
- 支持向量机（SVM）：基于机器学习的方法，通过构建分类边界以实现地物分类。
3. 光谱分析的应用光谱分析在很多领域都具有广泛的应用价值。
以下列举几个典型的应用案例：3.1 植被监测通过光谱分析，可以获取植被的健康状况、光合作用效率以及叶绿素含量等信息。
(2021年整理)遥感数字图像处理-要点
遥感数字图像处理-要点编辑整理：尊敬的读者朋友们：这里是精品文档编辑中心，本文档内容是由我和我的同事精心编辑整理后发布的，发布之前我们对文中内容进行仔细校对，但是难免会有疏漏的地方，但是任然希望（遥感数字图像处理-要点）的内容能够给您的工作和学习带来便利。
同时也真诚的希望收到您的建议和反馈，这将是我们进步的源泉，前进的动力。
本文可编辑可修改，如果觉得对您有帮助请收藏以便随时查阅，最后祝您生活愉快业绩进步，以下为遥感数字图像处理-要点的全部内容。
遥感数字图像处理—要点1．概论遥感、遥感过程遥感图像、遥感数字图像、遥感图像的数据量遥感图像的数字化、采样和量化通用遥感数据格式（BSQ、BIL、BIP）遥感图像的模型：多光谱空间遥感图像的信息内容：遥感数字图像处理、遥感数字图像处理的内容遥感图像的获取方式主要有哪几种？如何估计一幅遥感图像的存储空间大小？遥感图像的信息内容包括哪几个方面?多光谱空间中,像元点的坐标值的含义是什么？与通用图像处理技术比较，遥感数字图像处理有何特点？遥感数字图像处理包括那几个环节?各环节的处理目的是什么?2。
遥感图像的统计特征2。
1图像空间的统计量灰度直方图：概念、类型、性质、应用最大值、最小值、均值、方差的意义2.2多光谱空间的统计特征均值向量、协方差矩阵、相关系数、相关矩阵的概念及意义波段散点图概念及分析主要遥感图像的统计特征量的意义两个重要的图像分析工具：直方图、散点图3。
遥感数字图像增强处理图像增强：概念、方法空间域增强、频率域增强3.1辐射增强：概念、实现原理直方图修正，线性变换、分段线性变换算法原理直方图均衡化、直方图匹配的应用3。
2空间增强邻域、邻域运算、模板、模板运算空间增强的概念平滑（均值滤波、中值滤波）原理、特点、应用锐化、边缘增强概念方向模板、罗伯特算子、索伯尔算子、拉普拉斯算子的算法和特点•计算图像经过下列操作后，其中心象元的值：–3×3中值滤波–采用3×3平滑图像的减平滑边缘增强–域值为2的3×1平滑模板–Sobel边缘检测–Roberts边缘检测–模板3.3频率域处理高频和低频的意义图像的傅里叶频谱频率域增强的一般过程频率域低通滤波频率域高通滤波同态滤波的应用3。
遥感数字图像处理期末重点 南信大
1、数字图像：是指数字存储的、用计算机直接处理的图像，是空间坐标和图像数值不连续的、用离散数字表示的图像。
2、遥感数字图像处理的内容：1）图像增强2）图像矫正3）信息提取3、遥感的传感器分类：1）按照工作方式是否具有人工辐射源，分为被动方式和主动方式两种。
2）按照数据记录方式，分为成像方式和非成像方式两种。
4、传感器按使用的工作波段分类：紫外、可见光、红外、微波、多波段。
5、传感器的分辨率是指传感器区分自然特征相似或光谱特征相似的相邻地物的能力。
6、辐射分辨率是传感器区分所接收的电磁波辐射强度差异的能力。
7、谱分辨率是传感器记录的电磁波谱的波长范围和数量。
8、按电磁波的波段范围分类：遥感可分为1）可见光-反射红外遥感（可见光遥感或光学遥感）2）热红外遥感3）微波遥感9、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或大小，即传感器能把两个目标物作为清晰的实体记录下来的两个目标物之间的最小距离，它表征图像分辨地面目标细节的能力10、空间分辨率通常用像素大小，解像力或视场角来表示。
11、时间分辨率：传感器对同一空间区域进行重复探测时，相邻两次探测时间间隔。
12、采样涉及两个内容：波谱采样和空间采样。
13、重采样：是指从一个空间分辨率图像转变为另一个空间分辨率图像的过程。
常用于图像的几何纠正或不同空间分辨率图像的匹配。
14、量化：是将像素灰度值转换成整数灰度级的过程。
可用量化位数定量描述。
n位量化，其量化后灰度级=2n-115、图像对比度:是一个单波段图像中明暗区域最亮的白和最暗的黑之间不同灰度级的测量，指一幅图像灰度反差的大小，常用来表述图像灰度值的总体变化情况。
16、直方图：是灰度级的函数，描述的是图像中各个灰度级的像素个数。
17、直方图的性质：1）反映图像中灰度的分布规律2）任何图像都有唯一的直方图与之对应，但不同的图像可以有相同的直方图。
3）如果一幅图像仅包括两个相连通的区域，并且每个区域的直方图已知，则整幅图像的直方图是这两个区域的直方图之和。
高分辨率卫星影像的图像处理方法综述
高分辨率卫星影像的图像处理方法综述随着高分辨率卫星影像获取技术的不断进步，卫星影像的质量得到了极大的提高。
然而，由于高分辨率卫星影像的数据量庞大，传统的图像处理方法往往难以充分利用这些数据，因此需要对高分辨率卫星影像进行专门的图像处理。
本文将对目前常用的高分辨率卫星影像的图像处理方法进行综述。
一、图像预处理图像预处理是高分辨率卫星影像处理的第一步，旨在提高图像的质量和适用性。
常见的图像预处理方法包括图像去噪、图像增强和辐射校正。
1. 图像去噪由于卫星影像获取受到天气、气候等因素的影响，获取的图像常常受到噪声的干扰。
图像去噪的目的是减少噪声对图像的影响，提高图像的清晰度和细节表现。
常用的图像去噪方法有中值滤波、小波去噪和自适应滤波等。
2. 图像增强图像增强旨在改善卫星影像的视觉效果，使图像更易于观察和分析。
常用的图像增强方法包括直方图均衡化、拉普拉斯增强和对比度增强等。
这些方法能够提高图像的亮度、对比度和细节表现。
3. 辐射校正高分辨率卫星影像的获取受到大气影响，导致图像中出现辐射失真。
辐射校正的目的是去除大气散射和大气吸收引起的辐射失真，使图像更符合地物的真实表现。
辐射校正常用的方法有大气校正和模拟光谱等。
二、图像分类与识别图像分类和识别是对高分辨率卫星影像进行有效利用的重要手段。
通过图像分类和识别，可以将卫星影像中的地物进行自动化识别，为遥感应用提供基础数据。
常用的图像分类与识别方法包括遥感图像分类和深度学习等。
1. 遥感图像分类遥感图像分类是指将遥感图像中的像素或像元划分为不同的类别，如水域、植被、建筑等。
常用的遥感图像分类方法有传统的基于像元的分类方法和面向对象的分类方法。
基于像元的分类方法利用像素的光谱信息进行分类，而面向对象的分类方法则将相邻像素组成的对象作为分类的基本单元。
2. 深度学习深度学习是近年来兴起的一种图像分类和识别方法。
通过构建深度神经网络模型，可以实现对图像的自动分类和识别。
- 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)。
遥感图像辐射增强与光谱增强一、实验目的与要求辐射增强处理是通过对单个像元的灰度值进行变换处理来增强处理，如直方图匹配、方图拉伸、去除条带噪声处理。
光谱增强是基于多光谱数据对波段进行变换达到图像增强的处理。
通过此次上机实验，要求同学们：1、掌握交互式直方图拉伸的方法和过程，理解图像直方图变化与图像亮度变化之间的关系。
2、理解主成分分析、樱帽变换、色彩空间变换、色彩拉伸方法和操作步骤。
3、掌握利用特征空间视图进行遥感影像分析。
二、实验内容与方法1实验内容（1 ）交互式互式直方图拉伸Linear （线性拉伸）Equalization （直方图均衡化拉伸）Gaussion （高斯拉伸）Square Root （平方根拉伸）Logarithmic （对数拉伸）2 ）主成分分析（3 ）樱帽变换。
（4 ）色彩空间变换（5 ）色彩拉伸2实验方法（1 ）交互式互式直方图拉伸将一个多光谱图像打开并显示在视窗中，在主菜单中，选择 Display → Custom Stretch （或在工具箱中单击）就可以打开交互式直方图拉伸操作面板。
在进行直方图拉伸时，可选择直方图统计的数据范围为全图统计或者当前视图范围内的数据。
（2 ）主成分分析多光谱图像的各个波段之间经常是高度相关的，它们的 DN 值以及显示出来的视觉效果往往很相似。
主成分分析（ Principal Component Analysis, PCA ）就是一种去除波段之间的多余信息、将多波段的图像信息压缩到比原来波段更为有效的少数几个转换波段的方法。
一般情况下，第一主成分（PCI）包含了所有波段中 80% 的方差信息，前三个主成分包含了所有波段中 95% 以上的信息量。
由于各波段之间的不相关，主成分波段可以生成更多颜色、饱和度更好的彩色合成图像。
ENVI 中提供主成分正变换和主成分逆变换。
当使用主成分正变换是， ENVI 可以通过计算新的统计值，或者根据已经存在的统计值进行主成分正变换。
（3 ）樱帽变换。
X=[x1,x2,x3,x4,x5,x7]T, ，对应于 TM 一种特殊的主成分变换。
其中，影像的1、2、3、4、5、7 波段。
变换后得到： Y=[y1,y2,y3,y4,y5,y7]T , 这六个分量相互正交，前四个分量意义明确： y1 代表亮度分量，是 TM 六个波段亮度值的加权和，反映了总体的亮度变化； y2 代表绿度分量，与亮度分量垂直，是近红外与可见光波段的对比；又称为绿度植被指数（ GVI ）；y3 代表黄度或湿度分量，主要与土壤湿度 / 水分状况有关； y4 对于 MSS 数据没有意义，而对于TM 数据代表霾，大气辐射衰减效应。
4）色彩空间变换通过对同一幅影像的不同色彩系别之间的转换，从多角度来寻找更适合人眼对颜色的敏感和识别程度，凸显或减弱某些地物的边界的对比，从而帮助对影像的分析。
ENVI 支持将三波段红、绿、蓝（ RGB ）图像变换到一个特定的彩色空间，并且能从所选彩色空间变换回 RGB 。
两次变换之间包括“色度、饱和度、颜色亮度值HSV ）”、“色度、亮度、饱和度（ HLS）”、 HSV （USGS Munsell ）。
其中，色度代表像元的颜色，取值范围为 0-360 ；饱和度代表颜色的纯度，取值为 0-1 ；颜色亮度值为颜色的亮度，取值范围为 0-1 ；亮度表示整个图形的明亮程度，取值范围为0-1 。
其中， HSV （USGS Munsell ）彩色系统被土壤科学家和地质学家用于描述土壤和岩石的颜色特征。
这套彩色系统已经被美国地质勘测部门做了修订，以描绘数字图像的颜色。
USGS Munsell 变换将 RGB 坐标变换成了色彩坐标（色调、饱和度和颜色亮度值）。
色度变化范围为 0-360 ，这里 0 和360 代表蓝， 120 代表绿， 240 代表红。
饱和度变化范围为 0-208 ，值越高代表颜色越纯。
颜色亮度值的变化范围大致为 0-512 ，较高的值代表较量的颜色。
（5 ）色彩拉伸ENVI 提供的色彩拉伸有：去相关拉伸、 Photographic 拉伸和饱和度拉伸。
三、实验设备与材料1 实验设备装有 ENVI 的计算机2 实验材料资源一号 02C 多光谱数据南京市 Landsate5 号卫星上传感器获得的一景编号为 LT51200382010231BJC00 的TM 影四、实验步骤1 交互式互式直方图拉伸1 ） 打开一个多光谱图像并显示在视窗中， 在主菜单中， 选择 Display → Custom Stretch2） 在面板右侧可以根据需要选择 R ，G ，B 3 个波段之一，这里以 R 波段为例。
3 ） 在交互式直方图拉伸操作面板下方的下拉列表中，可以选择不同的拉伸方法。
Linear （线性拉伸）Equalization （直方图均衡化拉伸） Gaussion （高斯拉伸） Square Root （平方根拉伸） Logarithmic （对数拉伸）打开交互式直方图拉伸操作面板。
按钮，可以恢复拉伸方法到打开此面板之前的状态。
或在工具箱中单击图 1 交互式直方图拉伸操单击面板右下2 主成分分析1）打开图像文件2) 在 Toolbox 工具箱中，双击 Transform/PCA Rotation/Forward PCA RotationNew Statistics and Rotate 工具。
在 Principal Components Input File对话框中，选择图像文件3) 在 Forward PCA Parameters 对话框中，在 Stats X/Y Resize Factor 文本框中键入小于等于 1 的调整系数，用于计算统计值时的数据二次采样。
键入小于 1 的调整系数， 将会提高统计计算速度。
例如使用一个 0.1 的调整系数， 在统计计算中将图 1 主成分分析对话框4) 键入一个输入统计路径及文件名。
使用箭头切换按钮，选择(协方差矩阵)或根据 Correlation Matrix 般来说， 计算主成分时选择使用协方差矩阵。
择相关系数矩阵。
5) 选择输出的路径及文件名，输出数据类型为6) 单击 Select Subset from Eigenvalues统计信息将被计算， 并出现 Sele Output PC Bands 对话框， 列出每个波只用到十分之一的像元。
选择默认值为 1。
Covariance Matrix相关系数矩阵)计算主成分波段。
一Floating Point 。
标签右侧的箭头切换按钮， 选择“ EYS2) 在 Toolbox 工具箱中，双击 Transform/PCA Rotation/Forward PCA Rotation段机器相应的特征值；同时，也会列出每个主成分波段中包含的数据方差的累计百分比。
如果选择“ NO” , 则系统会计算特征值并显示供选择输出的波段数。
7)输出波段数 ( Number of Output PC Bands )选择默认值 (输入文件的波段数)8)单击 OKENVI 处理完毕后，将会出现 PC Eigenvalues 绘图窗口。
可以看到，第三分量具有很大差异的特征值。
主成分波段被导入可用波段列表中，选择 PC1, PC2,PC3 合成 RGB 显示，色彩非常饱和。
选择 PC4, PC5,PC6 合成 RGB 显示，可以看到很多噪声。
在 Toolbox 工具箱中，双击 Statistics/View Statistics File 工具，打开主成分分析中得到的统计文件，可以得到各个波段的基本统计值、协方差矩阵、相关系数矩阵和特征向量矩阵。
在 Toolbox 工具箱中，双击 Transform/PCA Rotation/Inverse PCA Rotation 具可以执行主成分逆变换。
图 2 主成分分析特征值3 樱帽变换 1) 打开一个 Landsat5 TM 数据的” Landsat5TM4) 选择输出的路径及文件名，单击OK.2) 在 Toolbox 工具箱中，双击Transform/T assaled Cap 工具。
在 Tasseled Cap Transform Input File 对话框中，选择输入 Landsat5TM数据，单击 OK 3) 在 Tasseled Cap Transform Parameters 面板中。
选择 Input File Type 选项中图 3 主成分分析得到的个波段统计值4 色彩空间变换色彩空间变换操作比较简单，下面以从 RGB 到 HSV 为例介绍操作过程，其他色 彩空间变换操作过程类似。
1 打开一个至少含 3 个波段的图像文件，显示 RGB 彩色图像。
2在 Toolbox 工具箱中，双击 Transform/Color Trandsform/RGB to HSVColorTrandsform 工具。
在 RGB to HSV Input Bands 对话框中，可以从可用波段列表 中选择 3 个波段进行变换。
3在 RGB to HSV Parameters 对话框中，选择输出路径及文件名，单击 OK 。
、 5 色彩拉伸1) 去相关拉伸 去相关拉伸处理可以消除多光谱数据各波段间的高度相关性，从而生成一幅 色彩亮丽的彩色合成图像。
它首先是对图像做主成分分析， 并对主成分图像进行对 比度拉伸处理，然后再进行主成分逆变换，将图像恢复到 RGB 彩色空间，达到图 像增强的目的。
在 Toolbox 工具箱中，双击 Transform/Decorrelation Stretch工图 4 Tasseled Cap TransformParameters 面具。
在Decorrelation Stretch Input Bands 对话框中，从可用波段列表中选择 3 个波段作为输入。
在 Decorrelation Stretch Parameters 对话框中选择输出路径及文件名。
2)Photographic 拉伸Photographic 拉伸可以对一幅真彩色输入图像进行增强，从而生成一幅与目视效果良好吻合的 RGB 图像。
其结果与现实彩色照片类似。
这种拉伸方法对真彩色输入图像的波段进行非线性缩放，然后将它们叠加。
PhotographicStretch Input Bands 输入对话框中，从可选用波段列表中选择 3 个波段作为输入。
在 Photographic Stretch Parameters 对话框中选择输出路径及文件名。
3）饱和度拉伸饱和度拉伸是对输入的 3 波段图像进行彩色增强，生成具有较高颜色饱和度的波段。
输入的数据由红、绿、蓝（ RGB ）空间变换为色度、饱和度和颜色亮度值（ HSV ）空间。