遥感图像处理实例分析05a(空间滤波、公式)
遥感图像处理
遥感图像处理1. 简介遥感图像处理是指利用遥感技术获取的卫星或无人机等遥感图像数据进行处理和分析的过程。
遥感图像处理可以应用于多个领域，包括地理信息系统（GIS）、环境监测、农业、城市规划等。
本文将介绍遥感图像处理的基本概念、常用方法和应用案例。
2. 遥感图像处理的基本概念遥感图像处理涉及多个概念和技术，以下是一些常用的基本概念：2.1 遥感图像遥感图像是通过遥感设备获取的图像数据，可以是卫星图像、航空摄影图像或无人机图像等。
遥感图像通常包含多个波段，每个波段代表不同的光谱信息。
2.2 遥感图像预处理遥感图像预处理是指对原始遥感图像数据进行校正、矫正和增强的过程。
预处理的目的是提高图像质量、减少噪声和伪影，并使得图像更适合进行后续处理和分析。
2.3 遥感图像分类遥感图像分类是指将遥感图像根据像素的特征或属性进行划分和分类的过程。
常见的遥感图像分类方法包括基于统计学的分类、基于机器学习的分类和基于深度学习的分类。
2.4 遥感图像变化检测遥感图像变化检测是指对多个时间点的遥感图像进行比较，以检测地物、景观或环境发生的变化。
遥感图像变化检测可以用于监测自然灾害、环境变化等。
2.5 遥感图像分析遥感图像分析是指对遥感图像进行解译和分析，提取图像中的有用信息和特征。
遥感图像分析可以用于土地利用/覆盖分类、植被指数计算等应用。
3. 遥感图像处理的常用方法遥感图像处理常用的方法包括图像增强、图像配准、图像融合和目标检测等。
3.1 图像增强图像增强是指通过对图像进行滤波、对比度拉伸、直方图均衡化等处理，以增强图像的可视化效果和信息提取能力。
常用的图像增强方法包括直方图均衡化、滤波（如中值滤波、高斯滤波）和锐化等。
3.2 图像配准图像配准是指将两幅或多幅遥感图像在坐标系、旋转、尺度和形变等方面进行校正和匹配的过程。
常用的图像配准方法包括特征点匹配、地物匹配和基于控制点的配准方法。
3.3 图像融合图像融合是指将多幅具有不同光谱或分辨率的遥感图像融合成一幅多光谱和高分辨率的遥感图像。
遥感图像处理 第五讲 空间域增强
真彩色增强技术
四、彩色变换增强
伪彩色增强技术
假彩色增强技术
54
真彩色增强技术
四、彩色变换变换
TM1 TM2 TM3
伪彩色增强技术 假彩色增强技术
TM123
55
真彩色增强技术
四、彩色变换增强
伪彩色增强技术 假彩色增强技术
56
真彩色增强技术
四、彩色变换增强
密度分割
伪彩色增强技术 假彩色增强技术
49
直方图均衡化 直方图匹配
50
四、彩色变换增强
51
四、彩色变换增强
真彩色增强技术
伪彩色增强技术
假彩色增强技术
52
真彩色增强技术
四、彩色变换增强
伪彩色增强技术 假彩色增强技术
概念：把能真实反应或近似反应地物本来颜色
的影像叫真彩色影像。
实例： TM 影像三个可见光波段 TMl 、TM2 和
TM3的合成影像近似为真彩色影像。 TMl——蓝、TM2——绿、TM3——红
12
一、影像变换与增强的 方法
为什么进行增强 影像增强机理 影像增强概念 增强处理方法
低频增强
13
一、影像变换与增强的 方法
为什么进行增强 影像增强机理 影像增强概念 增强处理方法
14
二、影像灰度变换增强
15
二、灰度变换增强
16
二、灰度变换增强
线性变换
17
二、灰度变换增强
线性变换
18
影像增强(image enhancement) ：
为什么进行增强 影像增强机理 影像增强概念 增强处理方法
为了使分析者能容易确切地识别影像内容， 按照特定目的对影像数据进行加工，使部分信息 得到增强的过程。
遥感图像处理资料
滑影像的目的。
• 计算公式： r(i, j)
1
MN
(m, n)
MN m1 n1
• 一般采用3×3的模板作卷积运算：
1/9 1/9 1/9 t(m,n)= 1/9 1/9 1/9
1/9 1/9 1/9
1/8 1/8 1/8
或t(m,n)= 1/8 0 1/8 1/8 1/8 1/8
② 中值滤波
偏暗处，要根据对影像显示效果的需要而人 为地设定
分段线性变换
• 为了更好地调节影像的对比度，需要在一 些亮度段拉伸，而在另一些亮度段压缩， 这种变换称为分段线性变换。
• 分段线性变换时，变换函数不同，在变换 坐标系中成为折线，折线间断点的位置根 据需要决定。
①
xb
1 3
xa
② xb 2xa 10
（2）平滑（低通滤波）
• 作用： 影像中出现某些亮度变化过大的区域，或
出现不该有的亮点（“噪声”）时，采用 平滑的方法可以减小变化，使亮度平缓或 去掉不必要的“噪声”点。 • 具体方法：
– 均值平滑 – 中值滤波
① 均值平滑
• 将每个像元在以其为中心的区域内取平均值来
代替该像元值，以达到去掉尖锐“噪声”和平
① 罗伯特梯度
• 基本公式：
gradf f (i, j) f (i 1, j 1) f (i 1, j) f (i, j 1)
• 模板：
1 0 t1 0 1
0 1 t2 1 0
gradf t1 t2
• 阈值设定
② 索伯尔梯度
• 与罗伯特梯度类似 • 模板
1 2 1 t1 0 0 0
第4章 遥感图像处理
4.1 光学原理与光学处理 4.2 数字图像的校正 4.3 数字图像的增强 4.4 多源信息复合
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ppt课件
02
人工智能在遥感图像处理中可以应用 于地物分类、目标检测、变化检测等 方面。通过训练人工智能算法，使其 能够自动识别和分类地物，提高遥感 数据的利用价值和精度。同时，人工 智能算法还可以对遥感数据进行自动 化分析和处理，提高数据处理效率。
03
人工智能在遥感图像处理中需要解决 的关键问题包括数据标注、模型训练 和优化等。同时，还需要考虑人工智 能算法的可解释性和可靠性，以确保 其在实际应用中的效果和安全性。随 着技术的不断发展，人工智能在遥感 图像处理中的应用将进一步提高遥感 数据的利用价值和精度。
详细描述
遥感图像存储与处理是遥感技术应用的核心环节之一。 在这个过程中，原始数据会经过一系列的预处理、增强 和分类等操作，以提高图像质量和提取更多有用的信息 。例如，辐射定标、大气校正、几何校正等预处理操作 可以提高图像的精度和可靠性；图像增强技术如对比度 拉伸、滤波等可以提高图像的可视化效果和特征提取能 力；分类和目标检测等技术则可以对图像进行语义化表 达和信息提取，以满足不同应用的需求。
遥感图像处理涉及的技术包括辐 射校正、几何校正、图像增强、 信息提取等。
遥感图像处理的重要性
遥感图像处理是遥感技术应用的关键 环节，能够提高遥感数据的精度和可 靠性，为各领域提供更准确、更全面 的信息。
通过遥感图像处理，可以提取出更多 有用的信息，为决策提供科学依据， 促进各行业的智能化发展。
遥感图像处理的应用领域
图像预处理技术
01
02
03
04
去噪
消除图像中的噪声，提高图像 的清晰度。
校正
纠正图像的几何畸变和辐射畸 变，使图像更接近真实场景。
配准
将不同来源的图像进行坐标对 齐，以便于后续的图像分析和
遥感图像处理实例分析01(算法、图像增强)
图像处理（Image processing）基本概念数字图像处理（digital image processing）指的是使用计算机巧妙处理以数字格式存储图像数据的过程。
其目的是提高地理数据质量，使其对使用者更有意义，并能提取定量信息，解决问题。
数字图像（digital image）的存储是以二维数组或网格的形式保存像素值，每个像素在空间上对应着地表一块小面积。
数组或网格又称光栅，所以图像数据经常叫着光栅数据。
光栅数据的排列是这样：水平行叫着线（lines），垂直列叫着样品（samples）（如图1-1）。
图像光栅数据的每个像素代表着是数字（digital number），简称DN。
图1-1 光栅数据图像数字DNs在不同的数据源中，代表着不同的数据类型。
如对Landsat、SPOT卫星数据，DNs代表的是地物在可见光、红外或其它波段的反射强度。
对雷达图像，DNs代表的是雷达脉冲返回到天线的强度。
对数字地形模型（DTMs），DNs代表的是地形高程。
通过应用数学变换，图像转化为数字图像。
ER Mapper可以增强数字图像，突出和提取传统手工方法难以得到的细小信息。
这就是为什么图像处理能成为所有地球科学应用的强大工具的原因多光谱数据（multispectral data）指的是多波段数据，图像数据中含有多个波段的反射强度。
图像处理技术随着合并不同波段的信息而发展，突出了一些特别类型的信息，如植被指数、水质量参数、地表矿物出现类型等。
图像处理广泛应用在地球科学的制图、分析和模型应用上。
主要有：土地利用/土地覆盖制图和变迁勘察（land use/land cover mapping and change detection）、农业评价和监测（agricultural assessment and monitoring）、海岸线和海洋资源管理（coastal and marine resource management）、矿产勘查（mineral exploration）、石油和天然气勘查（o il & gas exploration）、森林资源管理（forest resource management）、城市规划和变迁勘察（ urban planning and change detection）、无线通讯定点和规划（telecommunications siting and planning）、海洋物理学（physical oceanography）、地质和地形制图（geology and topographic mapping）、冰川探测和制图（sea ice detection and mapping）等。
遥感图像处理实例分析06(公式、图像地理连接)
公式（formula）公式处理(formula processing）“公式"常用于多波段遥感图像数据的信息提取。
围绕着光栅空间模型或工作任务，公式的编写或处理可以从简单的数据四则运算、阀值定义到复杂的逻辑运算。
公式处理是一种“点操作”（point operation)过程，应用数学函数对图像中的每个像素进行操作。
ER Mapper提供了完整的运算及函数功能,包括影像统计、特殊函数，以及自行以C语言设计的函数。
1．运算符号在公式中，常用的运算符号包括算术运算符号、关系运算符号和逻辑运算符号，如表1—1。
2．常用函数ER Mapper提供的常用函数，通常只有一个或二个变量，其语法及函数名称如表1—2。
单变量函数：函数名（表达式）双变量函数: 函数名（表达式,表达式)多变量函数：函数名(表达式，表达式，.。
..。
.。
.)表1-2 常用函数函数名称功能函数名称功能ABS（x) 系数x的绝对值LOG（x）系数x的自然对数值SIN（x）弧度x的正弦值LOG10（x) 系数x的对数值（10为底)COS（x）弧度x的余弦值POW（x，y) 系数x的y次方TAN(x) 弧度x的正切值SQRT(x) 系数x的开平方ASIN（x）弧度x的反正弦值MIN(x,y，.。
）传回所有系数里的最小值ACOS（x）弧度x的反余弦值MAX（x，y,..。
）传回所有系数里的最大值ATAN（x) 弧度x的反正切值FLOOR（x) 小于等于x的最大整数EXP（x) 自然数e的x次方CEIL（x）大于等于x的最小整数RND（）产生随机数3．特殊函数函数名称及功能如表1-3。
有关更多的函数说明见附录1。
表1-3 特殊函数特殊函数名称函数功能INREGION(r) 传回1当象素值包含于区域r，否则传回0ISNULL（）传回1当象素值是空白，否则传回0CELLX() 传回方格的x坐标值CELLY() 传回方格的y坐标值MAHAL（r1，i1,.。
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。
遥感中均值平滑和中值滤波的计算方法
遥感中均值平滑和中值滤波的计算方法遥感中的均值平滑和中值滤波是常用于图像处理的两种滤波技术，它们可用于消除图像中的噪声和提高图像质量。
在以下内容中，我将详细介绍这两种滤波方法的计算步骤和原理。
1.均值平滑：均值平滑是通过计算像素点周围邻域像素的平均灰度值来平滑图像。
以下是均值平滑的计算步骤：步骤1：选择滑动窗口的大小（一般为奇数），例如3x3、5x5等。
步骤2：将滑动窗口置于图像的每个像素点处。
步骤3：计算滑动窗口内所有像素的平均灰度值。
步骤4：将计算得到的平均灰度值赋给窗口中心的像素。
步骤5：重复步骤2到步骤4，直到窗口遍历完整张图像。
均值平滑的计算方法相对简单，但输出图像在平滑程度上会丧失较多的细节。
2.中值滤波：中值滤波是通过计算像素点周围邻域像素的中值来平滑图像。
以下是中值滤波的计算步骤：步骤1：选择滑动窗口的大小（一般为奇数），例如3x3、5x5等。
步骤2：将滑动窗口置于图像的每个像素点处。
步骤3：将窗口内所有像素的灰度值提取出来，进行排序。
步骤4：将排序后得到的中值赋给窗口中心的像素。
步骤5：重复步骤2到步骤4，直到窗口遍历完整张图像。
中值滤波的计算方法相对复杂一些，但输出图像在平滑程度上保留了较多的细节，且能够更好地去除椒盐噪声等孤立点噪声。
这两种滤波方法均可通过编程语言实现，以下是Python示例代码：1. 均值平滑的Python代码示例：```pythonimport cv2import numpy as npdef mean_filter(image, kernel_size):padded_image = cv2.copyMakeBorder(image, kernel_size//2, kernel_size//2, kernel_size//2, kernel_size//2,cv2.BORDER_CONSTANT)filtered_image = np.zeros_like(image)for i in range(image.shape[0]):for j in range(image.shape[1]):filtered_image[i, j] = np.mean(padded_image[i:i+kernel_size, j:j+kernel_size])return filtered_imageimage = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)filtered = mean_filter(image, 3)cv2.imshow('Mean Filtered Image', filtered)cv2.waitKey(0)```2. 中值滤波的Python代码示例：```pythonimport cv2import numpy as npdef median_filter(image, kernel_size):padded_image = cv2.copyMakeBorder(image, kernel_size//2, kernel_size//2, kernel_size//2, kernel_size//2,cv2.BORDER_CONSTANT)filtered_image = np.zeros_like(image)for i in range(image.shape[0]):for j in range(image.shape[1]):filtered_image[i, j] =np.median(padded_image[i:i+kernel_size, j:j+kernel_size]) return filtered_imageimage = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)filtered = median_filter(image, 3)cv2.imshow('Median Filtered Image', filtered)cv2.waitKey(0)```在实际应用中，可以根据具体情况选择合适的滤波方法。
遥感图像处理经典案例
h
19
4. 数字图像直方图：以每个像元为单位，表示图像中
各亮度值或亮度值区间像元出现的频率的分布图。
5. 直方图的作用：直观地了解图像的亮度值分布范围、
峰值的位置、均值以及亮度值分布的离散程度。直方图的曲 线可以反映图像的质量差异。
✓ 正态分布：反差适中，亮度分布均匀，层次丰富，图像
h
25
1、遥感影像变形的原因
① 遥感平台位置和运动状态变化的影响： 航高、航速、俯仰、翻滚、偏航。
② 地形起伏的影响：产生像点位移。
③ 地球表面曲率的影响：一是像点位置的移 动；二是像元对应于地面宽度不等，距星 下点愈远畸变愈大，对应地面长度越长。
④ 大气折射的影响：产生像点位移。
⑤ 地球自转的影响：产生影像偏离。
h
46
2、锐化—突出图像的边缘、线性目标或某些亮度
变化率大的部分。
① 罗伯特梯度：找到了梯度较大的位置，也就找
到了边缘，用不同的梯度值代替边缘处像元的值， 也就突出了边缘。
② 索伯尔梯度 ③ 拉普拉斯算法 ④ 定向检测
h
47
Edge Enhancement
▪ edge enhancement mathematically manipulates an image to provide a new image in which edges are made to stand out.
1、平滑--图像中出现某些亮度值过大的区域，
或出现不该有的亮点时，采用平滑方法可以减小 变化，使亮度平缓或去掉不必要的亮点。
① 比值平滑：将每个像元在以其为中心的区域
内，取平均值来代替该像元值，以达到去掉尖 锐“噪声”和平滑图像的目的。
遥感图像处理第7章
遥感图像处理
梯度反映了图像上相邻像素之间灰度的变化率，图像中的 边缘有较大的梯度值，大面积的平原等区域灰度变化小， 梯度也较小，灰度级为常数的区域，梯度为0。 对于数字图像，梯度表示为
| gradf ( x, y ) |≅| f ( x, y ) − f ( x + 1, y ) | + | f ( x, y ) − f ( x, y + 1) |
对应的模板为
1 0 1 −1 h1 = , h2 = 0 0 −1 0
h1对应垂直方向的锐化，h2对应水平方向的锐化。
遥感图像处理
罗伯特梯度采用交叉差分的方法
| gradf ( x, y ) |≅
| f ( x, y ) − f ( x + 1, y + 1) | + | f ( x + 1, y ) − f ( x, y + 1) |
逆变换为
1 f ( x, y ) = NM
N −1 M −1 x =0 y =0
∑ ∑ F ( u, v ) exp j 2π ( ux / N + vy / M )
( x = 1, 2,…, N − 1; y = 1, 2,…, M − 1)
二维离散傅立叶变换的频谱和相位为
| F ( u , v ) |= R ( u , v ) + I
G(u,v)
傅立叶变换
g(x,y)
空间域
遥感图像处理
图像的傅立叶变换
F ( u, v ) = ∫ ∫
+∞ −∞ +∞
f ( x, y ) exp − j 2π ( ux + vy ) dxdy F ( u , v ) exp j 2π ( ux + vy ) dudv
遥感数字图像处理第7章 图像滤波
均值滤波模板
1 1 1 1 1 1
1 9
1 1
1 1
1 1
,或
1 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。 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)
梯度的近似计算：
gradf ( x, y ) t1 t2
对于离散的二维图像：
gradf ( x, y ) t1 t2 t1 f ( x, y ) f ( x 1, y ) t2 f ( x,y ) f ( x,y 1)
梯度的近似计算：
gradf ( x, y ) t1 t2 t1 f ( x, y ) f ( x 1, y ) t2 f ( x,y ) f ( x,y 1)
f ( x, y ) i( x, y ) r( x, y )
其中，f(x, y)是图像 i(x, y)是照射分量 r(x, y)是反射分量
同态滤波的步骤
1.取对数
ln f ( x, y ) lni( x, y ) ln r( x, y )
2.对结果进行傅立叶变换
F( u,v ) I( u,v ) R( x, y )
3.对变换结果进行滤波
G( x, y ) H( u,v )F( u,v ) H( u,v )I( u,v ) H( u,v )R( x, y )
同态滤波的步骤
4.使用傅立叶逆变换
hf ( x, y ) hi( x, y ) hr ( x, y )
5.对结果进行指数变换
《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。
遥感数字图像处理教程_05图像的显示和拉伸
RGB颜色模型
Cyan
Magenta
Yellow
遥感数字图像处理与分析
第四章 图像显示和拉伸
第一节 数字图像的显示
1.4 颜色模型
CMY颜色模型：彩色打印机
遥感数字图像处理与分析
第四章 图像显示和拉伸
第一节 数字图像的显示
1.5 颜色模型
HIS颜色模型：图像的显示和处理
遥感数字图像处理与分析
遥感数字图像处理与分析
第四章 图像显示和拉伸
第一节 数字图像的显示
1.4 颜色模型
常用的颜色模型： RGB颜色模型：彩色监视器和彩色摄像机 CMY颜色模型：彩色打印机 YIQ颜色模型：彩色电视广播 HIS颜色模型：图像的显示和处理
遥感数字图像处理与分析
第四章 图像显示和拉伸
第一节 数字图像的显示
遥感数字图像处理与分析 第三节 图像拉伸
3.2 灰度拉伸
线性拉伸： 全域线性拉伸：
变 换 后 亮 度 值
第四章 图像显示和拉伸
g(x,y)-c f(x,y)-a = d-c b-a d-c g(x,y)= f(x,y)-a) +c b-a
变换前亮度值
遥感数字图像处理与分析 第三节 图像拉伸
遥感数字图像处理与分析
第四章 图像显示和拉伸
第二节 图像的彩色合成
2.4 假彩色合成
教程 图4.16
遥感数字图像处理与分析
第四章 图像显示和拉伸
第二节 图像的彩色合成
2.5 模拟真彩色合成
遥感数字图像处理与分析
第四章 图像显示和拉伸
第二节 图像的彩色合成
2.5ቤተ መጻሕፍቲ ባይዱ模拟真彩色合成
SPOT多光谱各波段的波长范围
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)
《遥感图像处理》课件
土壤质量评估
通过遥感图像的色彩、纹理和植被覆盖等信息，评估土壤质量，如土壤肥力、土壤湿度等。
农业灾害预警
利用遥感图像处理技术，提取灾害特征，如病虫害、旱涝等，及时预警并采取应对措施。
地震灾害评估
01
利用遥感图像处理技术，提取地震灾害后的房屋倒塌、地表裂缝等信息，评估灾害损失和影响范围。
洪水灾害监测
城市扩张监测
利用遥感图像的色彩、纹理和形状等信息，评估城市环境质量，如空气污染、水体污染等。
城市环境质量评估
通过遥感图像处理技术，提取城市交通道路网和车流量信息，分析城市交通状况和拥堵情况。
城市交通状况分析
农作物长势监测
利用遥感图像处理技术，监测农作物的生长状况，预测产量，为农业生产和决策提供支持。
02
特征级变化检测
提取图像中的地物特征，并比较这些特征的变化来检测地物的变化。
03
CHAPTER
遥感图像处理流程
1
2
3
将传感器获取的原始数据转换为地表反射率或辐射率。
辐射定标
消除图像中的几何畸变，使其符合地图投影的要求。
几何校正
提高图像的对比度和清晰度，突出目标信息。
图像增强
边缘检测
提取图像中的纹理特征，用于描述地物的表面结构。
纹理分析
形状分析
提取目标的形状特征，用于识别和分类地物。
提取图像中的边缘信息，用于目标识别和分类。
对分类或识别结果进行精度评估，了解分类或识别效果。
精度评估
根据精度评估结果，对分类或识别算法进行优化，提高分类或识别精度。
结果优化
04
CHAPTER
遥感图像处理案例分析
通过对比不同时期的遥感图像，监测城市扩张的程度和方向，为城市规划和管理提供决策依据。
- 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)。
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在文件输入窗口中，输入文件：\examples\Data_Types\SPOT_Panchromatic\Greyscale.alg。
图像显示窗口中显示出圣地亚哥灰色Spot全色卫星图像。
2．应用低通滤波①在主菜单工具按钮上，点击Edit Filter (Kernel) 按钮，滤波窗口出现。
②在滤波窗口上，从File菜单中，选择Load项。
滤波文件选择窗口出现。
③在滤波文件选择窗口中，输入滤波文件\kernel\filters_lowpass\avg3.ker。
低通滤波建立了模糊或均值化效果。
通常情况下，低通滤波是将窗口中所有像素的平均值分配给中心像素，这样平滑掉数据中跳妖的菱角的数据。
低通滤波对于减少图像上周期性“胡椒面”噪音或斑点，是有用的，它使解释主要特征更容易了。
3．删除低通滤波在滤波窗口上，从Edit菜单中，选择Delete this filter项。
ER Mapper删除掉刚进行的低通滤波运算，图像恢复原样。
4．应用高通滤波①在滤波窗口上，从File菜单中，选择Load项。
滤波文件选择窗口出现。
②在滤波文件选择窗口中，输入滤波文件\kernel\filters_high_pass\Sharpen2.ker。
通常情况下，高通滤波是增强了图像边界特征周围的局部对比度，这样图像显得锐化或清新。
象公路、城区与植被区的边界特征更清楚的定义了。
5．删除高通滤波在滤波窗口上，从Edit菜单中，选择Delete this filter项。
ER Mapper删除掉刚进行的高通滤波运算，图像恢复原样。
6．应用方向梯度边缘检测滤波①在滤波窗口上，从File菜单中，选择Load项。
滤波文件选择窗口出现。
②在滤波文件选择窗口中，输入滤波文件\kernel\filters_sunangle\North_West.ker。
North_West滤波是一种非线性滤波。
对于图像中特征变化呈从东北向西南方向延伸的信息，具有离析和提升边界的效果。
7．调整滤波图像对比度①在普通功能工具条上，单击“Edit Transform Limits”按钮，“变换”对话框出现。
②在“变换”对话框中，从Limits菜单中选择Limits to Actual项。
图像对比度增强，大多数像素被分配给中灰度色彩。
③在“变换”对话框中，单击“Create autoclip transform”按钮。
ER Mapper通过对比度增强，重新显示了图像。
边缘特征通过黑白色被突出，没有锐化的特征区域如海洋，以灰色显示。
这种滤波突出了图像的边缘特性，好象从图像的西北处（左上方）照射，所以面向西北方向的边缘特性被增强，显亮。
背向的显暗。
边缘增强滤波通常用于地质应用，如断层、线性轮廓的突出等。
注意：方向梯度边缘检测滤波会产生不同的数据范围，图像对比度较差，需要进行对比度变换，而上面的其它两种滤波不需要进行对比度变换。
8．应用东北方向的梯度边缘检测滤波①在滤波窗口上，从File菜单中，选择Load项。
滤波文件选择窗口出现。
③在滤波文件选择窗口中，输入滤波文件\kernel\filters_sunangle\North_East.ker。
这次面向东北方向的边缘特性被增强，显亮。
图像中特征变化呈从西北向东南方向延伸的信息。
②关闭所有窗口。
（二）建立斜坡和方位图像1．打开一个灰度DEM（digital elevation model）算法①在主菜单上，点击Open按钮。
②输入文件\examples \Data_Types\Digital_Elevation\Greyscale.alg。
ER Mapper显示了圣地亚哥数字高程（DEM）图像。
以灰色模型显示，低值区显示暗，高值区显示亮。
如图1-10图1-10 圣地亚哥数字高程（DEM）图像图1-11ER Mapper显示的坡度图像2．装入滤波，建立斜坡度图像①在主菜单上，点击“Edit Filter (Kernel)”按钮。
②在滤波窗口中，打开文件夹按钮。
③输入滤波文件名：\kernel\filters_DEM\slope_degrees.ker。
④在主菜单上，点击“99% Contrast enhancement”按钮。
经过内部计算，ER Mapper显示出了坡度图像，陡坡的斜面以亮灰色显示，平缓的斜面以暗灰色显示，如图1-11。
斜坡是地面陡度的一个测量尺度。
是地形表面给定区域附近高程的变化率。
这个滤波产生的斜坡值是斜面与水平面的角度值，变化范围从0度（平坦地形）到90度（垂直地形）。
ER Mapper也提高了一种百分率计算的斜坡，滤波文件为slope_percent.ker。
3．装入不同滤波文件，产生方位图像①在滤波窗口中，打开文件夹按钮。
③输入滤波文件名：\kernel\filters_DEM\aspect.ker。
④关闭滤波窗口。
⑤在主菜单上，点击“99% Contrast enhancement”按钮。
ER Mapper以不同的灰度阴影，显示出高程数据的不同方位角图像，如图1-12。
方位角（Aspect）是用罗盘测量地形表面特定点方向的尺度。
从正北0度开始，变化范围为0-360度。
朝东的斜坡，方位角为90度。
朝南的斜坡，方位角为180度。
朝西的斜坡，方位角为270度。
图1-12 高程数据方位角灰度图像图1-13 高程数据方位角假彩色图像4．改变显示模式①打开算法窗口，选择Surface标签。
②从Color Table列表栏中，选择azimuth项。
图像以4种颜色重新显示，每种代表着一个罗盘方向，主要面向北的区域显示黑色，东的显黄色，南的显白色，西的显兰色。
（三）为多层添加滤波1．打开和显示一个RGB图像①在主菜单上，点击Open按钮。
②输入文件\examples\Data_Types\SPOT_XS\SPOT_XS_rgb_321.alg。
图像为SPOT XS卫星RGB（321）彩色合成图像，如图1-14。
图1-14 RGB（321）彩色合成图像图1-15 RGB高通滤波图像2．打开算法窗口和滤波对话框①点击“算法”按钮，打开算法窗口。
②点击“公式”按钮后面的“滤波”按钮，打开了滤波对话框。
3．应用高通滤波对RGB三层运算①在“滤波”对话框中，点击“Move to next Red layer in surface”按钮，系统对R层进行滤波。
②在滤波窗口中，打开文件夹按钮。
③输入滤波文件名：\kernel\ filters_high_pass\Sharpen2.ker。
同样的方法对G和B层进行高通滤波。
图像效果图为图1-15。
（四）使用多个有序滤波1．显示一个灰度图像①在标准工具条上，点击Open按钮。
②输入文件\examples\Data_Types\SPOT_ Panchromatic\Greyscale.alg。
图像为SPOT Panchromatic卫星图像，如图1-16。
2.添加一个方向边缘检测滤波①点击“算法”按钮，打开算法窗口。
②点击“公式”按钮后面的“滤波”按钮，打开了“滤波”对话框。
③在“滤波“对话框中，打开“文件选择器”按钮。
③输入滤波文件名：\kernel\ filters_ sunangle\North_West.ker。
滤波窗口如图1-17滤波后图像如图1-18。
ER Mapper运用西北向滤波，突出了东北向西南方向伸张的边缘特性。
图1-16 SPOT Panchromatic卫星图像图1-17 滤波窗口North_West.ker 图1-18 North_West.ker滤波后图像3．添加一个高通滤波①在“滤波”对话框中，从Edit菜单中，选择Append new filter项。
算法窗口中，添加了第二个滤波按钮，但是空的。
②从File菜单中，选择Load项。
文件选择器窗口打开。
③在文件选择器窗口中，输入文件高通滤波文件：\kernel\filters_high_pass\Sharpen2.ker。
滤波窗口如图1-19，滤波后图像如图1-20。
ER Mapper通过高通滤波，锐化了边缘附近的高频信息。
这时，在算法窗口中，已经装入了2个滤波文件。
图1-19 高通滤波窗口图1-20高通滤波后图像4．调整滤波图像对比度①在算法窗口中，选择“变换”按钮，打开“变换”对话框。
②在“变换”对话框中，从Limits菜单中，选择Limits to Actual项。
X轴的变化区间与图像像素值实际边界相符。
图像对比度增强，大多数像素被分配在中灰度色区，如图1-21。
③选择“自动剪切变换”按钮。
图像再次增强，如图1-22。
④在“滤波”对话框中，从Edit菜单中，选择Delete this filter项。