遥感影像反差增强
第五章 遥感图像处理—图像增强
特征；其余三个分量与地物特征没有明确的对应关系。
七、多元信息复合
遥感图像信息融合(Fusion)是将多源遥感数据在统一的 地理坐标系中，采用一定的算法生成一组新的信息或合
其中：
k ( g 'max g 'min ) /( gmax gmin ) 255/ 52 4.9
b g 'ij kgij 0 49 49
2、非线性拉伸
（1）指数变换
xb be
（2）对数变换
axa
c
xb b度进行分层，每一层所包含的亮度值范围可以不
同。
图像密度分割原理可以按如下步骤进行：
（1）求图像的极大值dmax和极小值dmin； （2）求图像的密度区间ΔD = dmax-dmin + 1； （3）求分割层的密度差Δd =ΔD／n ，其中 n为需分割的层数；
（4）求各层的密度区间；
（5）定出各密度层灰度值或颜色。
减法运算可以增加不同地物间光谱反射率以及在 两个波段上变化趋势相反时的反差。不同时相同 一波段图像相减时，可以提取波段间的变化信息。
T M 4 影 像
T M 3 影 像
TM4-TM3影像
87 年 影 像
92 年 影 像 变化监测结果影像
（二）加法运算
B= i /m
i=1 m
加法运算可以加宽波段，如绿色波段和红色波 段图像相加可以得到近似全色图像；而绿色波 段，红色波段和红外波段图像相加可以得到全 色红外图像。
-1 -2 -1 0 0 0 1 2 1 1 2 0 -2 1 0 -1
遥感图像增强处理
第八章（4） 遥感图像增强处理一、彩色增强处理彩色合成变换：加色法密度分割：单波段的彩色：密度分割IHS 变换（一）彩色合成多波段彩色合成：利用计算机将同一地区三个波段的影像，分别赋予红、绿、蓝三原色，进行单基色变换（色阶），然后使各影像准确套合叠置显示，依照彩色合成原理，构成彩色合成影像。
分类：假彩色合成、真彩色合成真彩色合成：当三幅影像的工作波段分别为红、绿、蓝时，同时分别对应赋予红色、绿色、蓝色，合成后的影像十分接近自然界的色彩，称为真彩色合成。
假彩色合成：（重点看）各工作波段被赋予的颜色，与波段所代表的真实颜色不同，合成色不是地物真实的颜色，因此这种合成叫做假彩色合成标准假彩色合成：1、近红外波段赋予红色、红光波段赋予绿色，绿光波段赋予蓝色。
2、针对TM 影像的7个波段：第2波段是绿色波段、第3波段是红色波段、第4波段是近红外波段当4、3、2波段分别赋予红、绿、蓝色时，这一合成方案称为标准假彩色合成（二）假彩色密度分割单波段的假彩色密度分割：将单波段影像的像元值从小到大按照某种标准划分等级，每一级别赋予一种颜色，最终影像表现为彩色，这些色彩是人为加上的，与地物的天然色彩不一定相同，称为假彩色密度分割。
等密度分割：对像元数值从小到大划分为n 级，各级内含有的像元数大致相等时，称为等密度分割。
（三）IHS 变换HSI 代表色调、饱和度和明度（hue ，saturation,intensity ）。
色彩模式可以用近似的颜色立体来定量化。
定义：IHS 变换是RGB 颜色系统与HIS 颜色系统之间的变换。
具体方法 ：令IRIGIB ,下标max 为R ，G ，B 中最大值，下标min 为R ，G ，B 中最小值， IRIGIB 和Ｓ均为0-1的实数，Ｈ为0-360的实数。
则有明度： 2/)(min max I I I +=饱和度：5.0≤I )/()(min max min max S S S S S +-=5.0>I )11/()(min max min max S S S S S -+--=色调：min max H H H -=∆如果max H H R =，则]/)[(60H H H H B G ∆-=，位于黄和品红之间如果max H H G =，则]/)(2[60H H H H R B ∆-+=，位于青和黄之间如果max H H B =，则 ]/)(4[60H H H H G R ∆-+=，位于品红和蓝之间二 、光谱增强处理（一）反差增强线性变换，非线性变换，直方图增强⏹ 通过修改各种像元值来改善影像对比度，从而改变影像质量的处理方法。
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。
第四章3遥感图像处理图像增强
5.遥感图像多光谱变换(Ⅰ)——主成分分析(K—L变换)
② 就变换后的新波段主分量而言，K—L变换后的 新波段主分量包括的信息量不同，呈逐渐减少趋 势。其中，第一主分量集中了最大的信息量，常 常占80％以上，第二、第三主分量的信息量依次 快速递减，到第n分量信息几乎为0。由于K—L变 换对不相关的噪声没有影响，所以信息减少时， 便突出了噪声，最后的分量几乎全是噪声。所以 这种变换又可分离出噪声。
基于上述特点，在遥感数据处理时，常常用K— L变换作数据分析前的预处理（数据压缩和图像增
强）。举例P125
6.遥感图像多光谱变换(Ⅱ)——缨帽变换(K—T变换)
(1)K—T变换是Kauth—Thomas变换的简称，这种变换也是 一种线性组合变换，其变换公式为：Y=BX 这里X为变换前的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。这也是一种坐标 空间发生旋转的线性变换，但旋转后的坐标轴不是指向主 成分方向，而是指向了与地面景物有密切关系的方向。 1984年，Crist和Cicone提出TM数据在K—T变换时的B值： P126 在此，矩阵为6X6，主要针对TM的1至5和第7波段，低分 辨率的热红外(第6波段)波段不予考虑。
1.遥感图像增强(工)——对比度变化1
非线性变换
直方图均衡化(histogram equalization):把原图像的直方 图变换为灰度值频率固定的直方图，使变换后的亮度级 分布均匀，图像中等亮度区的对比度得到扩展，相应原 图像中两端亮度区的对比度相对压缩。
1.遥感图像增强(工)——对比度变化1
MN
r(i, j) (m, n)t(m, n) m1 n1
将计算结果放在窗口中心的像元位置，成为新像元的灰度 值。然后活动窗口向右移动一个像元，再做同样的运算。 P117说明
遥感技术重点
传感 遥感技术重点第一章 绪论一遥感概念: 即不直接接触物体本身，从远处通过仪器（传感器）探测和接收来自目标物体 的信息（如电场、磁场；电磁波、地震波等），经过信息的传输及其处理分析，来识别物 体的属性及其分布等特征。
二 遥感技术含义：从不同的高度平台上，使用各种传感器，接收来自地球表层各类地物的各种电 磁波信息，并对这些信息进行加工分析处理从而对不同的地物及其特征（性）进行远距离 的探测和识别的综合指标。
特点： 1 宏观性、综合性 2 多波段性 3 多时性三 遥感技术组成遥感平台：装载传感器的运载工具。
分为近地面平台，航空平台，航天平台。
器（核心）：是记录地物或反射电磁波能量的装置地面指挥系统：指挥和控制传感器与平台并接收其信息的指挥部，现代遥感的指挥系 统一般由计算机系统来执行。
四 遥感技术的发展趋势（1）进行地面遥感，航空遥感，航天遥感的多层次遥感试验，系统地获取地球表面 不同比例尺，不同地面分辨力的影像数据。
（2）传感器的研制正向电磁波谱全波段可能覆盖的方向发展，向立体遥感，全息遥 感，器件固体化，小型化，高分辨力高灵敏度，高光谱方向发展（3）遥感图像处理实现光学——电子计算机混合处理及实时处理，实现自动分类（4）加强地物波普形成机制和遥感信息传输理论研究，建立地物波普与影像特征的 关系模型，以实现遥感分析解译的定量化和精确化。
（5） 3S 技术结合，构成一体化的技术体系，广泛应用于军事侦查，地图测绘，资源 调查，资源开发与利用，环境监测及农业生产管理方面，并向更多的地学科学领域内推广 应用，为有关部门提供辅助决策手段第二章 遥感物理基础电磁波谱、反射光谱、发射光谱、大气窗口电磁波谱：按照电磁波的波长的长短（或频率的大小），依次排列成的图表。
地物 的反射率随入射波长变化的规律，叫地物的反射光谱。
地物的发射率随波长变化的规律，称为地物的发射光谱。
电磁波在大气中传输过程中吸收和散射很小，透射率很高的波段称为大气窗口。
浅谈遥感图像辐射校正与增强技术
浅谈遥感图像辐射校正与增强技术作者：盖乐来源：《科教导刊》2009年第09期摘要大多数的遥感图像存在视觉对比度低、分辨率低的缺点,因而在对遥感图像分析之前,通常都需要对图像进行处理。
遥感图像的辐射校正与增强技术研究,是做好遥感应用工作的基础。
本文较为详细地介绍了遥感图像校正的主要内容及增强技术的主要方法,并对遥感图像辐射校正与增强技术面临的问题与发展做了简要分析。
关键词遥感图像辐射校正辐射增强发展趋势中图分类号:P23文献标识码:A近年来,随着航天技术、计算机技术、卫星定位技术和地理信息技术的发展,摄影测量与遥感已成为地球空间信息科学的基础技术,遥感图像在人类生活的诸多领域被广泛应用。
然而,在遥感成像时,由于各种因素的影响,遥感图像会存在一定的辐射量失真现象,这些失真影响了图像的质量和应用,必须对其做消除或减弱处理,遥感图像辐射校正与增强技术就是针对遥感图像这一缺陷而发展起来的。
1 遥感图像辐射校正解析在图像遥感中,由于系统误差、大气、太阳辐射等的存在,电磁辐射在太阳—地球表面—传感器之间传输的过程中受到各种各样的影响,使得遥感器所接受的目标反射辐射能量被衰减,不能准确地反映表面真实的辐射特性。
所谓辐射校正,主要是纠正由于传感器制造、传感器芯片热噪声、成像天气条件、地物所处的地形和太阳的照射条件等因素造成的辐射度量误差,尽可能消除因传感器自身条件、薄雾等大气条件、太阳位置和角度条件及某些不可避免的噪声而引起的传感器得到的测量值与目标的光谱反射率或光谱辐射亮度等物理量之间的差异,尽可能恢复图像的本来面目,为遥感图像的识别、分类、解译等后续工作打下基础。
辐射校正的主要内容包括:系统辐射校正、大气辐射校正、太阳辐射校正和其他辐射校正。
1.1 系统辐射校正传感器得到的测量值与目标的光谱反射率或光谱辐射亮度等物理量是不一致的,这些数据的畸变可能是因传感器的灵敏度特性引起的误差。
对于这样的误差,我们利用现有的TM图像进行辐射校正是无法修正遥感卫星传感器参数的,应由生产单位根据传感器参数进行校正。
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）
遥感图像增强
• E直方图均衡化模式
其中:
直方图均衡化模式代码
I = imread('tire.tif'); J = histeq(I); imshow(I) figure, imshow(J) figure,imhist(I,64) figure,imhist(J,64)
%另注:还有直方图规定化模式
• F图像间的代数运算模式
axis tight,xlabel('f'),ylabel('g')
X2=double(X1);
figure,imshow(mat2gray(g))
%变换矩阵中的每个元素
• b图像求反
EH如图
图像求反代码：
X1=imread('2zong.jpg'); figure,imshow(X1)
f1=200;%f1和 g1分别为f，g的最大值 g1=256;
for i=1:m for j=1:n f=X2(i,j); g(i,j)=0;
if (f>=0)&(f<=f1) g(i,j)=r1*f+b1; elseif (f>=f1)&(f<=f2) g(i,j)=r2*f+b2;
r1=(g1-g0)/(f1-f0);
elseif (f>=f2)&(f<=f3)
绿滤片：
绿无绿 无 黄 青无 无
蓝滤片：
蓝 无 无 蓝 无 青 品红 无
合成： 红 红 无 无 黄 无品红 无 绿 无 绿 无 黄 青 无 无
蓝 无 无 蓝 无 青品红 无
恢复原来色彩：白 红 绿 蓝 黄 青 品红 黑
一、遥感图像数字增强意义
遥感图像增强的目的及应用
遥感图像增强的目的及应用遥感图像增强的目的是通过一系列的数字图像处理技术，改善获取的遥感图像质量，使得图像更加清晰、具备更丰富的信息，以便更好地反映地物表面的特征和变化，提高对地物目标的识别和提取能力。
遥感图像增强的目标是以较低的成本和较少的数据，获取更准确、更丰富的信息。
遥感图像增强的应用非常广泛，涵盖了农业、林业、地质、环境、城市规划、水资源等多个领域。
下面分别介绍一些具体的应用案例：1. 农业：通过遥感图像增强技术，可以更好地提取农田的土壤类型、植被信息和作物生长情况，对农业生产进行监测和评估。
如可以准确识别出农田的植被覆盖度，为农业精细化管理提供数据支持，实现农田水分、化肥的准确施用。
2. 水资源管理：通过对遥感图像进行增强处理，可以提取水体边界和水体类型，实时监测水体的变化，评估水资源的利用状况。
例如，可以对湖泊、河流等水体进行动态监测，及时发现水质异常和水体污染问题。
3. 灾害预警和防治：遥感图像增强可以帮助提取地质灾害、森林火灾、洪涝灾害等灾害的前兆信号，为灾害预警和防治提供及时有效的数据支持。
例如，可以通过增强处理提取出植被覆盖度等指标，评估和预测森林火灾的潜在风险。
4. 城市规划：通过遥感图像增强，可以提取出城市的道路网络、建筑物分布情况、绿地覆盖等信息，为城市规划和土地利用提供准确的基础数据。
例如，可以通过增强处理提取出建筑物的形状和高度信息，用于城市建筑物的三维模型构建和城市景观设计。
5. 环境监测：遥感图像增强可以监测大气、水体和土地等环境污染情况，提取环境参数，评估环境状况和污染程度。
例如，可以通过增强处理提取出水体的叶绿素-a浓度，用于评估水体的富营养化程度。
6. 地质勘探：遥感图像增强可以提取地表地貌、岩性、构造等地质信息，用于地质勘探和矿产资源的评估与开发。
例如，可以通过增强处理提取出岩性差异，找出潜在的矿产资源区域。
综上所述，遥感图像增强在农业、水资源管理、灾害预警和防治、城市规划、环境监测和地质勘探等领域具有重要的应用价值，能够提高数据的质量和精度，为相关领域的研究和决策提供准确的数据支持。
如何进行遥感影像的融合和增强处理
如何进行遥感影像的融合和增强处理遥感影像处理是指通过对卫星、无人机或其他遥感设备获取的影像进行处理和分析，进而提取有用信息的过程。
遥感影像的融合和增强是其中重要的一环，可以提高图像的分辨率、减少噪声、增强特定的目标等，从而更好地满足实际应用的需求。
一、遥感影像融合的基本原理和方法遥感影像融合是指将多源、多波段的遥感影像合并成一幅新的影像，以获取更全面、更准确的信息。
常见的融合方法有色彩合成和分辨率合成两种。
色彩合成是将不同波段的遥感影像以某种方式进行组合，以表现出不同目标的物理特性。
常见的色彩合成方法有RGB合成、主成分分析法等。
RGB合成是将红、绿、蓝三波段的图像分别分配给红、绿、蓝三个通道，以达到表现亮度和色彩的效果。
主成分分析法则是通过对多波段影像进行主成分分析，提取出最具代表性的主成分图像，再将其染成真彩色图像。
分辨率合成是通过将低分辨率的遥感影像与高分辨率的影像进行融合，以提高图像的细节信息。
常用的分辨率合成方法有小波变换法、多尺度变换法等。
小波变换法是指将影像信号分解到不同的尺度上，再根据不同尺度上的细节信息进行图像融合。
多尺度变换法则是通过将低分辨率图像进行插值或补全，使其与高分辨率图像尺寸一致，再进行融合。
二、遥感影像增强的基本原理和方法遥感影像增强是指通过某种处理方法，提升影像的视觉效果、减少噪声、增强特定目标等。
下面介绍几种常用的增强方法。
直方图均衡化是一种常用的图像增强方法，通过对影像的直方图进行重分布，增加图像的对比度。
直方图均衡化可分为全局均衡化和局部均衡化两种。
全局均衡化是对整幅图像的直方图进行均衡化处理，适用于图像对比度较低、灰度级分布不均匀的情况。
局部均衡化则是将图像分为若干个小块，对每个小块的直方图进行均衡化，适用于目标细节丰富、不同区域具有不同对比度的图像。
滤波方法也是一种常用的图像增强方法，通过滤除或抑制图像中的噪声，增强图像的细节信息。
常见的滤波方法有均值滤波、中值滤波、高通滤波等。
遥感图像解译中的图像增强和分类技术介绍
遥感图像解译中的图像增强和分类技术介绍概述：遥感图像解译是指通过对遥感数据进行处理和解析，来获取地理信息的过程。
在这一过程中，图像增强和分类技术是至关重要的工具，可以提高图像质量和准确度。
本文将介绍遥感图像解译中的图像增强和分类技术的原理和应用。
一、图像增强技术图像增强技术是指通过对原始遥感图像进行处理，改善图像质量的方法。
1. 直方图均衡化直方图均衡化是通过变换图像的灰度级分布，增强图像的对比度和亮度。
该方法适用于单一场景中的图像。
通过对原始图像中每个像素的像素值进行统计，可以得到图像的灰度级分布。
根据统计分布，可以将原始图像中的灰度级重新映射，使得图像的灰度级分布更均匀。
这样可以增强图像的对比度，使得图像中的目标更加清晰可见。
2. 滤波技术滤波技术通过对图像进行空域或频域的滤波处理，来改善图像的质量。
常用的滤波方法包括线性滤波和非线性滤波。
线性滤波方法包括均值滤波、中值滤波等，主要用于降噪和平滑图像。
非线性滤波方法包括边缘增强滤波、退化滤波等，主要用于增强图像的边缘信息。
3. 多尺度分析多尺度分析是一种基于图像的不同尺度表示，来提取图像不同层次特征的方法。
常用的多尺度分析方法包括小波变换、尺度空间分析等。
通过对不同尺度下的图像进行处理和分析，可以获得更全面的图像信息。
这些信息可以用于图像分类和目标检测等应用。
二、图像分类技术图像分类技术是将遥感图像中的像素点或图像区域划分为不同的类别的过程。
图像分类是遥感图像解译的关键步骤，它可以帮助我们理解和分析图像中的地物信息。
1. 监督分类监督分类是一种通过人工标签指定不同类别的样本进行训练的分类方法。
在监督分类过程中，我们首先需要选择一种合适的分类算法，如支持向量机（SVM）、决策树、人工神经网络等。
然后，根据已标注的样本，使用分类算法进行训练和分类预测。
监督分类方法适用于有充足样本且具有明显特征的图像。
2. 无监督分类无监督分类是一种不依赖于人工标签的分类方法。
遥感专业名词中英对照
地面 Ground
地面分辨率 Ground resolution
地面记录与监测系统 Ground Recording & Monitoring System，GR&MS
地面接收站 Ground receiving station
复共线性 Multi-Collinearity
傅里叶变换 Fourier transform
改进型甚高分辨率辐射仪 Advanced very high resolution radiometer,AVHRR
感光材料 Graphical materials
高度 Altitude
高分辨率可见光波段传感器 Haute resolution visible,HRV
高分辨率视频 High resolution video,HRV
高分辨率图像传递装置 High resolution picture transmission,HRPT
地球资源技术卫星 Earth resources technology satellite,ERTS
地球资源卫星 Land satellite,LANDSAT
地物波谱特征 Ground spectrum characteristics
电磁波 Electromagnetic wave
国际电信联盟 International telecommunications union,ITU
国家海洋与大气管理局 National oceanographic and atmospheric administration,NOAA
国家航空航天局 National aeronautics and space administration,NASA
第五章遥感图像增强
4、图像增强的方法
数字增强处理
采用数字图像计算机系统进行 优点：快速、功能全，能应用光学方法无法 进行的一些算法对图象增强。
光学增强 采用光学仪器进行
优点：直观、方便、快速、操作方法容易掌 握、耗资较少； 缺点：光学增强仪器对各种增强方法的适应 性比数字处理设备要差。
真彩色合成(true color composite) 合成结果为真彩色，符合人眼观察习惯；
假彩色合成(false color composite)
合成结果与实际景物颜色不对应或缺失某 一色光，彩色鲜明，特征突出。
真彩色合成
假彩色合成
3）彩色合成方法
按合成机制不同，分为： 加色法和减色法 二者均以色彩混合原理为依据。
例如：
y a ln(x 1) c ln b
用（x＋1）是为了避免对0求对数
参数b用于改变对数的底
a和c用于调节数值范围。
对数扩展的效果：
➢ 着重扩展了亮度值低的部分
➢ 相对压缩了亮度值高的部分
（3） 指数扩展（exponent stretch）
指数扩展的一般形式： y＝bax
其中：b为底，常用b＝e。因x可能达 到127或255，故a须远小于1，否则y值可 能非常大。
大气散射作用又使影像的反差更为降低。 使得研究对象模糊不清。
3. 对比度增强分类
对比度增强可分为线性和非线性两种。
1）线性扩展（linear stretch）
将原始图象诸亮度值按线性关系进行扩 大，亮度范围可扩展为任意制定的范围。相 当于进行y＝ax＋b的变换。 （1）普通线性扩展
直接应用上述单一的线性关系。
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11.1卷积滤波12.辐射增强处理22.1交互式直方图拉伸23.光谱增强处理43.1波段比的计算43.2色彩空间变换53.3NDVI计算64.傅里叶变换64.1快速傅里叶变换64.2定义FFT滤波器74.3反向FFT变换85.波段组合85.1RGB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。
该方法常用于图像锐化。
“加回”值是原始图像在结果输出图像中所占的百分比。
●Editable Kernel（编辑卷积核中各项的值）在文本框中双击鼠标可以进行编辑，选择Kernel可以把卷积核保存为文件（.ker），选择Kernel可以打开一个卷积核文件。
影像反差的计算公式
影像反差的计算公式影像反差是指图像中不同区域之间的明暗差异程度。
在数字图像处理中，我们经常需要对图像进行反差增强，以突出图像中的细节和纹理。
影像反差的计算公式是一种常用的方法，它可以帮助我们量化图像中的反差程度，从而更好地进行图像处理和分析。
影像反差的计算公式可以通过以下公式来表示：\[ C = \frac{1}{N} \sum_{i=1}^{N} (I_i \mu)^2 \]其中，C表示图像的反差值，N表示图像中的像素总数，I_i表示第i个像素的灰度值，μ表示图像的平均灰度值。
这个公式的含义是，我们首先计算图像中每个像素的灰度值与图像的平均灰度值之差的平方，然后将所有像素的差值平方求和并取平均值，得到图像的反差值。
通过这个公式，我们可以量化图像中不同区域之间的明暗差异程度，从而更好地理解图像的特点和结构。
在实际的图像处理中，我们可以根据图像的反差值来调整图像的对比度和亮度，从而获得更好的视觉效果和图像质量。
除了上述的基本公式外，还有一些其他的影像反差计算公式，例如标准差、方差等。
这些公式都可以用来量化图像中的反差程度，但它们各自有不同的适用范围和特点。
在实际应用中，我们可以根据具体的需求和图像特点选择合适的反差计算公式。
影像反差的计算公式不仅可以用于图像处理和分析，还可以应用于许多其他领域，例如医学影像、遥感图像、工程图像等。
通过对图像反差的量化分析，我们可以更好地理解图像中的信息和特征，为后续的应用和研究提供更可靠的数据支持。
在实际的图像处理和分析中，我们经常需要对图像进行反差增强，以突出图像中的细节和纹理。
通过影像反差的计算公式，我们可以量化图像中的反差程度，从而更好地理解图像的特点和结构。
这将有助于我们更好地进行图像处理和分析，为各种应用提供更可靠的数据支持。
因此，影像反差的计算公式在数字图像处理和分析中具有重要的意义，值得我们深入研究和应用。
浅谈遥感图像增强的处理
如， Ｔ ，Ｔ ：Ｔ 。 将 Ｍ 、Ｍ 、Ｍ 图像分别进行红 、 绿 蓝的基色
直方图是以每个像元为统计单元 ， 表示 图像 中各亮 度值或亮度值区间像元出现频率的分布图。从数字
变换 ， 可得到近似真彩色的合成图像。但是 ， 若这种 对应关系被破坏 ， 采用其它的组合关系 ， 产生的图像
则为假彩色合成 图像 。为了提高图像增强的效果 ， 图像直方图上可以直观地了解图像的亮度值分布范 可进行多组合 ， 同配置的多种方案的合成 ， 不 选择最 围、 峰值位置、 均值 以及亮度值分布 的离散程度等。 佳 的图像增 强效 果 。 由于一幅图像常包含数 目 众多 的像元 ， 像元的亮度
收稿 日期 ：０５— Ｏ—ｌ ２０ １ １
作者 简 介： 冰 （９ ８一） 女 ， 张 １７ ， 黑龙 江哈 尔 滨人 ， 大学 ， 助理工程师．
此函数对图像中每一个像元进行变换 ， 使像元得到
统一的重新分配 ， 构成得到反差增强 的图像。变换
函数可以是线性 的或是非线性 的。例如 ： 可根据增 强前亮度值分布范 围（ｎ ， ） ， ｍ 和设定 的扩展后 的 ， 亮度值分布 区间 （ ， ） ， 提供的参数确定 变换 函数 ； 或依据图像直方图调整的需要确定变换 函数 ； 或采 用指定 函数 （ 如指数 函数 、 数 函数 等 ） 对 为变 换
Ｔ ２Ｔ １ Ｍ ，Ｍ ／ Ｍ ，Ｍ ／ Ｍ …。在这些 比值 Ｍ ，Ｍ ／ Ｔ １Ｔ ４Ｔ ２Ｔ ３ Ｔ
得到一定拉伸扩展 。 一些像元得到突出的同时 ， 必然
地消弱和摒弃一些像元信息 ， 以在处理时应 随时 所 注意这种变化 ， 根据需要采用不 同的变换函数或方 法， 以获得较为满意的效果。
值又是随机的， 因此数字 图像直方 图的包络线近似 接近正态分布曲线。一般来说 ， 图像直方 图分布曲
遥感图像增强PPT课件
※反差拉伸法之线性拉伸法
g(x,y)-a1
◆ f(x,y)=
× (b2-b1) +b1
(a2-a1)
其中: g(x,y)为原图像的像元灰度， f(x,y)为拉伸后的像元灰度， a1、a2分别为原图像的最小灰度值和最大灰度值, b1、b2分别为 拉伸后图像的最小灰度值和最大灰度值，并且b1<a1、b2>a2
第 五 章 遥感图像增强
5.1 辐射增强 5.2 边缘增强 5.3 彩色增强 5.4 图像变换 5.5 影像信息融合 5.6 局部图像羽化处理技术
第26页/共47页
第 二节 边缘增强
★遥感图像的边缘增强:对图像上局部范围内多个像素 的灰度值进行综合处理，以调整像元与其周围像元间 的对比关系，从而达到改善图像质量、突出图像上某 些用户感兴趣的线性形迹、纹理与地物边界等信息.
b1<a1、b2>a2
第7页/共47页
※反差拉伸法之非线性拉伸法
◆非线性拉伸法:按非线性函数关系扩展原图像的灰 度值，即对整个灰度值的动态范围以不等权的关系
进行变换.（线性或分段线性拉伸法都是等比例地变 换指定动态范围内的像元灰度值）
◆实施方法：指数函数、对数函数等
第8页/共47页
第五章 练习
♣目的： 应用ERDAS中的Model Maker 模 块，对遥感图像进行线性拉伸处理.
185km*475m 的一个窄条信 息；接着,TM再 进行自东向西 的回扫,同样可 在地面上扫描 185公里。
※去条带处理
第25页/共47页
◆边缘处理方法:
Reflection(倒影)： 应用边缘灰度值 的镜面倒影值作 为图像边缘以外 的像元值；
Fill(填充)：统一 将图像边缘以外 的像元以0值填充.
遥感实验报告——地信
遥感技术实验报告实验一：图像几何较正姓名：付昌昌班级：地信21301学号： 201300142 指导教师：邓帆老师长江大学地球科学学院2016一、实验目的掌握遥感图像几何纠正的主要过程与原理。
二、实验数据与内容1、扫描地形图的几何校正2、Landsat影像的几何校正三、实验步骤1、扫描地形图的几何校正第一步：打开并显示图像文件，点击 Image File,将taian-drg.tif文件打开，并显示出来，如图1所示。
图1 显示图像第二步：启动几何校正模块（1）点击Map>Registration>Select GCPs: Image to Map,弹出Image to Map Registration 对话框，选择坐标系，如图2所示。
图2 选择投影坐标系（2）添加若干个控制点，如图3，4所示。
图3 添加控制点图4 控制点列表（3）在Ground Control Poionts Selection 上，点击菜单options>Warp File,选择校正的文件taian-drg.tif.点击OK。
（4）在校正参数面板中，校正的方法选择多项式（2次），重采样选择Bilinear,Background选择0，指定输出文件名和路径，即可输出校正之后的文件，如图5所示。
图5 设置校正参数2、Landsat5影像几何校正第一步：打开并显示SPOT和TM图像文件第二步：启动几何校正模块（1）点击主菜单下的Map>Registration>Select GCPS:image to image,打开几何校正模块。
（2）选择显示SPOT文件的Display为基准影像，显示TM文件的Display 为待校正影像，点击OK进入采集控制点，如图6所示。
图6 设置基准影像和待校正影像第三步：采集地面控制点（1）在两个Display中找到相同的区域，在zoom窗口中。
点击左下角的十字光标，打开定位十字光标，将十字光标定位到相同的点上，再点击Add Point 按钮，将点加到控制点列表中。
- 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)。
拉伸（使用分段线性函数进行变化，对于多峰值直方图有较好的变化效果）和灰度窗口切片（将窗口图像实现二值化）。
（2） 非线性拉伸：包括指数变换（指数变换关系，使影像的低灰度区间被压缩，高灰度区间被拉伸）和对数变换（使影像的低灰度区间被拉伸，高灰度区间被压缩）。
（3） 多波段拉伸直方图匹配：把一幅影像的直方图匹配到另一幅上，从而使图像的亮度尽可能接近。
归一化差值植被指数（Normalized Difference Vegetation Index ，NDVI ）：应用于检测植被生长状态、植被覆盖度和消除部分辐射误差等。
NDVI =NIR −Red NIR +Red（1）-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR 和R 近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；（2）NDVI 的局限性表现在，用非线性拉伸的方式增强了NIR 和R 的反射率的对比度。
对于同一幅图象，分别求RVI 和NDVI 时会发现，RVI 值增加的速度高于NDVI 增加速度，即NDVI 对高植被区具有较低的灵敏度；（3）NDVI 能反映出植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗糙度等，且与植被覆盖有关。
影像镶嵌：在一定的数学基础上，对若干幅互为邻接的影像通过几何镶嵌、色调调整、去重叠等处理，拼接为统一的影像预处理。
两幅遥感影像的要求：统一的影像投影和坐标系、统一的空间分辨率、统一的波段对应关系、统一的辐射特征。
方法：（1）将每景影像进行几何精纠正，使之保持地图投影和坐标系的统一（2）在条件允许的情况下完成大气辐射校正，保持待镶嵌影像之间在辐射特征上的统一。
（3）选定其中一景作为基准影像。
按照基准影像的直方图对所要进行镶嵌的其他影像进行直方图匹配，使它们具有相近的灰度分布特征（4）对相邻图幅边界进行羽化处理，取边界两侧一定范围内重叠部分像元的灰度平均值代替基准影像和匹配影像的值（5）生成结果影像坏道填补：有些影像由于传感器的某个探测器不能正常工作而产生的周期性数据丢失。
找出g (i,j )−b1b2−b1=f (i,j )−a1a2−a1线性关系式的斜率决定拉伸或压缩操作方法及过程启动ENVI 5.1，在菜单栏依次点击File》Preference》Data Managerment，将Auto Display Files on Open，设置为False。
在下方Directories中将工作路径设置为E:\ENVIEX03\data\。
一、单波段影像对比度增强1、加载影像并进行拉伸增强将实习一中的子区分别以灰度和标准假彩色的形式加载。
使用工具条上的拉伸工具对子区影像进行不同方式的拉伸操作。
在Optimized Linear拉伸模式下，此模式为软件自动优化后的线性拉伸方式，影像的显示效果良好，但是由于是软件自动设置的参数，所以并没有达到最佳的显示效果。
在Linear拉伸模式下，图像灰度值被线性拉伸成0~655365范围，图像显示晦暗，细节信息显示很不清楚，严重影响地物的判别。
高亮度地物较低亮度地物更明显。
在Linear 1%拉伸模式下，图像原灰度值在1%~99%的像元灰度值被拉伸成0~65535，两端不在范围内的灰度值被赋为0或65535。
图像显示明亮，不同地物的显示效果都达到了最佳，色彩的饱和度也较好，便于地物的识别。
在Linear 2%拉伸模式下，图像原灰度值在2%~98%的像元灰度值被拉伸成0~65535，两端不在范围内的灰度值被赋为0或65535。
图像显示很明亮，地物展示效果良好，但是色彩的饱和度较1%较差。
在Linear 5%拉伸模式下，图像原灰度值在5%~95%的像元灰度值被拉伸成0~65535，两端不在范围内的灰度值被赋为0或65535。
影像显示出过饱和的状态，对于河流、建筑物等高亮度的地物边缘明显地模糊，并且内部特征纹理也不再明显。
在直方图均衡化拉伸（Equalization）模式下，影像进行非线性拉伸，使在一定灰度值范围内的像元数量大致相等，输出的是一个较平整的直方图。
影像较线性拉伸具有较明显的灰度级差别和较丰富的色彩，突出了地物内部的差别。
在高斯拉伸（Gaussian）模式下，系统默认使用均值DN和对应于0~65535的以正负三个标准差的值进行拉伸。
影像的色彩表现随不及前面影像的效果，但是保留了影响中最为集中的影像灰度和色彩特征。
在平方根拉伸（Square Root）模式下，软件计算影像直方图的平方根，然后使用线性拉伸显示。
图像显示比较晦暗，整体灰度级数不明显。
在对数拉伸（Logarithmic）模式下，对数拉伸是一种非线性的低亮度增强的拉伸方式，增强了原始影像中亮度低的部分，有利于对这一部分的地物进行观察。
2、计算归一化差值植被指数（NDVI）在工具箱中依次点击Band Ratio》Band Math，输入表达式：fix(((float(b1)-b2)/(b1+b2))*10000)，并添加到列表中。
点击OK确认表达式。
依次在公式中变量列表和可用波段列表中选择b1为近红外波段B5，b2为红光波段B4。
设置输出位置，点击OK计算NDVI。
影像中水域色调最深，城镇表现为深灰色，植被则是高亮显示。
除了使用波段计算器计算NDVI以外，ENVI中内置了一个计算NDVI的工具NDVI Calculation Parameters。
在选择好进行NDVI的影像以后，软件自动根据影像的相关信息确定输入的文件类型和相应的红光和近红外波段，用户只需要设置好输出位置和输出数据类型就可以了。
需要注意的是，如果选择字节型输出，键入的最小NDVI值将被拉伸为0，键入的最大NDVI值将被拉伸为1。
如果选择的是浮点型数据，NDVI的数值将保持在-1~+1之间。
在工具栏上点击Region of Interest（ROI）Tool，（New ROI）分别创建两个（水体和森林）感兴趣区使用Polygon工具选取样本并保存。
通过计算统计（Compute Statistics）工具查看ROI区域的最大值和最小值。
水体（Min:-220,Max:560），森林（Min:2387,Max:4826）通过将影像的DN值进行自定义的拉伸，将拉伸的区域设置为水体区域的DN值范围，从而将水体从影像中提取出来。
同样地，将拉伸的范围设置成森林的DN值范围也可以将森林区域从影像中提取出来。
相同地，在ENVI Classic中，通过依次点击影像窗口的Enhance》Interactive Stretch打开影像拉伸窗口，在Stretch_Type中选择Piecewise Linear设置成分段线性拉伸，在Options中选中Auto Apply打开自动应用功能。
二、影像镶嵌将两幅带镶嵌的影像加载到ENVI 5.1界面中，在工具栏依次选择Mosaicking》Seamless Mosiac，打开图像无缝镶嵌工具。
通过点击窗口中的添加影像（Add Scene）按钮，将需要进行镶嵌的影像添加到工具中。
在Main选项卡下方表格显示区中的Data Ignore Value选项中设置影像重叠区的背景值为0。
勾选窗口右上的Show Preview预览效果。
不难发现，两景影像重叠区域存在着较明显的色差。
下面进行匀色处理（即直方图匹配）。
打开Color Correction选项卡，勾选直方图匹配（Histogram Matching）。
一般而言，当影像间的重叠部分超过10%时，我们选择Overlap Area Only，否则选择Entire Scene。
这里通过对比，我们可以发现使用前者的效果较好。
返回Main选项卡，在表格显示区右击Color Matching Action，切换影像间的参照和适应关系，使镶嵌的影像达到最佳。
打开Seamlines/Feathering选项卡，打开Seamlines下拉列表，选择AutoGenerate Seamlines自动生成接边线，自动裁剪掉影像边缘锯齿。
自动生成的接边线比较规整，可以明显看到由于颜色不同而显现的接边线。
在Seamlines下拉菜单中选择Start editingSeamlines，可以通过绘制覆盖所要修改的接边线的多边形修改。
返回Main选项卡，在表格中设置Feathering Distance为30个像元大小。
打开Export选项卡，设置影像的输出格式为ENVI标准格式，设置好输出路径，将输出影像的背景值设置为0。
为了快速有效且保留像元值的意义，采用最近邻方法。
设置输出的波段为影像的所有波段。
点击Finish确认以上操作。
对比镶嵌前的影像，可以明显地感觉到影像在色调和饱和度上达到了很好的匹配，已经无法辨别两幅影像的边界了。
三、MODIS L1B 数据预处理在工具栏中依次选择File》Open As》Generic Format》HDF4，打开MODIS L1B影像。
在弹出的窗口中选择本次预处理使用的Earth View 500M Reflective Solar Bands Scaled Integers和Earth View 250M Aggregated 500M Reflective Solar Bands Scaled Integers。
选择数据的存储方式为BSQ。
1、基于自带定位信息的几何纠正在工具箱中，依次选择Geometric Correction》Georeference by Sersor》Georeference MODIS。
在Input MODIS File中我们选择Dataset 3#进行校正。
点击Spectral Subset，选中出波段5以外的所有波段，由于波段5具有蝴蝶结，所以稍后单独处理。
设置平面坐标系为UTM，参考椭球体为WGS84，代号为48N。
设置控制点为50*50（在X 方向的校正点数量不大于51个，Y方向的数量不应大于行数）。
设置输出地面控制点文件路径（后面用来纠正波段5），将消除蝴蝶结效应设置为Yes。
点击OK选择校正模型。
在Registration Parameters面板中，系统自动计算出了起始点的坐标值、像元大小和图像行列数据，可以根据需要更改。
这里我们只需要设置好输出路径就可以了。
点击OK进行计算。
2、坏道填补在菜单栏上依次点击File》Open As》Generic Format》HDF4，打开MODIS数据并且加载第三个数据集Earth View 500M Reflective Solar Bands Scaled Integers。
单独设置以灰度形式显示第三个波段，适当地放大影像，可以看见影像中规律性地出现了坏道。
使用工具栏上的使用十字丝工具（Crosshair）（Ctrl+I）定位出现坏道的行数，可以发现出现坏道的行数从第4行到第4044行，每隔20行出现一条坏道。