2_遥感图像处理系统及基本概念

遥感图像处理与分析
（二）
Remote Sensing Image Processing and Analysis


第二章 遥感图像处理系统及基本概念
遥感图像处理系统介绍 ¾ 数字图像处理的基本概念
¾


一、遥感图像处理系统介绍
基本要求与分类
¾
¾
¾
以计算机系统为核心的、处理和分析图像信息的 系统。

从巨型机到微机都可构成图像处理系统。

但与一 般计算机系统相比较，数字图像处理系统必须具 备图像输入和输出的专用设备。

且要求： ① 存储容量要大； ② 处理速度要快； ③ 人机交互要方便。

随着计算机技术的发展，图像处理系统也出现了 多功能、小型化和普及化的趋势。

遥感图像处理系统
大容量图 大容量图 像存储 像存储 图像输入 图像输入 图像运算 图像运算 处理 处理 终端 终端 图像输 图像输 出 出


¾
一个遥感图像处理系统包括：
遥感图像的获取设备（传感器） 图像处理软件 计算机 输入数据存储装置 输出数据存储装置 图像的输出和显示设备


图像处理输入（传感器数据）格式


1、图像处理的软件部分
ƒ ƒ ƒ ƒ ƒ ƒ ƒ
它是各种基本的的图像处理程序，包括： 图像显示 图像变换 图像灰度处理 图像几何处理 图像匹配 图像分类 等等。

专业遥感图像处理系统、通用系统


图像显示
„ „ „ „ „
格式：BMP 大小：256×256 像素深度：8 色彩模式：灰度 图像大小：65K


反色
阈值化


窗口变换


灰度拉伸
均衡化
原图像、水平、垂直镜像、平移
图像的转置和旋转
图像匹配
遥感图像分类
是模式识别技术在遥感技术领域的具体应用。

对遥感图像中地物的光谱信息和空间信息进行分析，选择特征，并用将特征控件划分为若干不重叠的子区间，然后将图像中各象素分到各子空间中去。

根据是否给定非类的类别可分为：监督分类和非监督分类。

ERDAS IMAGINE
ERDAS IMAGINE是美国ERDAS公司开发的专业遥感图像处理与地理信息系统软件，以模块的方式提供给用户，可使拥护根据自己的应用要求，资金情况合理的选择不同的功能模块极其不同功能模块的组合。

ENVI系统
ENVI（The Environment for Visualizing Images）是一套功能齐全的遥感图像处理系统，是处理、分析并显示多光谱数据、高光谱数据和雷达数据的高级工具。

PCI软件
加拿大PCI GEOMATICA是国际上比较流行而且比较有名的RS软件之一，是PCI公司将原有的四个产品系列整合在一起，产生了一个使用简单、灵巧的工作平台。

尽可能满足用户对遥感影像处理、摄影测量、GIS空间分析、专业制图功能的需要，而且使用户可以方便地在同一个应用界面下，完成他们的工作。

eCongnition面向对象的图像分析软件
通用图像处理软件
PHOTOSHOP
CorelDRAW
等等
2、图像处理系统中的硬件部分
由主机及与主机相配合的外设装置构成。

¾（1）、遥感图像的获取设备：
可见光、框幅式摄影机；彩色、彩红外摄影机；全景摄影机；红外扫描仪；多光谱扫描仪；CCD线阵扫描仪和CCD面阵扫描仪,CCD三线阵扫描仪；合成孔径雷达等。

¾丰富的信息：几何的与物理的、多实相的，灵活提供，而且分辩率不断提高：
•LANDSAT MSS（多光谱扫描仪）象素地面尺
寸79M
•LANDSAT-4/5TM（专题制图仪，83—84）象素地面尺寸30M ETM+提高到15M
•SPACELAB（欧空局（ESA）航天飞机，1983.12发射）利用Zeiss300mm、23X23cm航摄仪，地面分辨力20M，象素地面尺寸8M。

•SKYLAB（美国）彩色相机，象素地面尺寸5M。

•LFC，美国宇航局航天飞机大像幅相机，地面分辨力15M，象素地面尺寸6M，
•SPOT—第一颗具有立体测图功能的、多用途卫星，平面与高程精度可达10M以内。

航天相机
画幅式相机
DMC数字摄影仪ADS40数字摄影仪
平板/滚筒扫描仪
SPOT 卫星系统
SPOT 1，2，3，4 号星：60 x 60 km
10 米分辨率全色影像20 米分辨率多光谱影像10 米分辨率彩色合成影像
P XS P＋XS
SPOT 5 号卫星图像
SPOT 5 号星保持覆盖面积不变: 60 x 60 km
全色影像分辨率为2.5 米多光谱分辨率为10 米
•印度的IRS-1A ，（无全球复盖能力）具有5米的地面分辨率
•俄罗斯的KFA-1000，具有5米的地面分辨率
•IKONOS是第一颗成功发射的高分辨率商业遥感卫星，空间分辨率达1米（全色），（多光谱4米）。

1999,9
•QUICKBIRD，2001年10月，美国发射成功的又一颗高分辨率遥感卫星，空间分辨率可达0.61米。

高分辩率遥感影像
Space Imaging -IKONOS
•美国空间成像公司
•发射时间：1999年9月24日
•分辨率：1 米黑白；4米多
光谱
•680 公里太阳同步轨道
•幅宽11 公里
IKONOS产品
Digital Globe-QuickBird
•发射时间：2001年10月
•分辨率：0.61 米黑
白；2.44 米多光谱
•450 公里太阳同步轨道
•幅宽16.5 公里
蓝波段
450-520 nm 绿波段520-600 nm 红波段630-690 nm 近红外波段760-900 nm
不同波段比较
圣地亚哥: 全色
450-900 nm (45-90 µ)
Spans all spectral regions
圣地亚哥: 自然彩色
波段 3 (红), 2 (绿) ,1 (蓝) 2.4 m GSD
一般图像的获取途径
扫描:扫描仪（见硬件）
拍摄:数码相机,数字摄像机（见硬件） 截取:视频片段（VCD、电视卡、采集
卡）
（2）其它图像系统硬件
图像的输出装置主要有打印机、绘图仪、磁带机、显示器等。

计算机主机是图像的运算处理装置，在有些图像处理系统中，有独立于主机的图像处理器
（IP9000）。

特殊图像硬件通常由执行一些原始图像操作的硬件组成。

例如：执行图像取平均操作的前端子系统。

硬件执行图像操作的最显著优点是速度快，比一般的主机要快很多。

图像的存储装置通常有：计算机内存、帧缓存（用来提供短期存储），磁带、光盘、磁盘阵列等（用于长期的，无需频繁访问的档案存储）。

光盘塔
磁盘阵列
磁带磁带库
磁带机
二、数字图像处理的基本概念
¾图像与视觉密不可分
图像的获取过程与人类视觉有可比性；
图像处理和分析需要视觉的参与、控制和评价。

¾主要讨论：
视觉现象
连续图像模型
数字图像的获取
图像直方图
图像的特征
数字图像的简单计算介绍
视觉现象
9人眼成像
人眼的生理结构
锥细胞（亮视觉，颜色敏感度高）、柱细胞（暗视觉，总体感知能力）
9视觉能力
1、视觉的动态范围
人眼所能感受到的亮度范围
相对视敏度曲线：λm1 = 555nm(亮视觉)
λm2 = 505nm(暗视觉)
2、空间分辨率
被观察目标上可分辨的最近两点与眼睛之间的夹角θ。

一般人眼的静止θ约为1，，对应视网膜上约4.9μm。

3、亮度分辨率
即“灰度分辨能力”，指人眼对灰度细微变化的辨别能力。

(鲎)
4、视觉的空间频率特性
空间频率：在空间距离上图像信号变化的周期特性。

5、马赫带（Mach band）与同时对比度
马赫带：过高或过低估计不同亮度区域边界值的现象。

同时对比度：人眼对目标感觉到的亮度受到其背景明暗程度的影响。

这两个现象证明了感觉亮度不是简单的强度函数。

6、其它
视觉残留性：约1/16秒
图案和结构的感觉：从杂乱或无规律的目标中找到或形成规则图形的能力。

视错觉:如目标的结构影响对长度的判断
连续图像
•
图像：在一定成像条件下被摄目标的电磁波反射（或辐射、或透射）性质的表现形式或记录形式。

图像分为两类：连续图像、数字图像（表示图像的整数阵列）光学图像处理属连续图像处理数字图像处理承袭了部分光学图像处理的概念、方法，如密度（灰度）分辨率、线性系统理论。

简要介绍连续图像的一些确定性特征和统计性特征。

•连续图像：像面上像点是连续的，相邻像点的灰度分布也是连续的。

n t i i R L n t t t t y x f m
i y x f B
G R i y x f y x f y x f y x f y x f ,,,}
),({,,2,1}),({,,}),({}
),(,),({12),(01,0),(21""===−≤≤=时间序列：多光谱：彩色：立体：
灰度：
二值：
连续图像的统计模型：
1、随机变量和随机场
连续图像可以看作二维随机场f（r，ωi ）。

其中，r为位置向量，ωi 为图像的某次实现（即抽样结果）当r固定时，f（r，ωi ）为ωi 的函数，成为随机变量；
当ωi 固定时，f（r，ωi ）成为x-y平面上的二维灰度函数f（x，y）。

2、随机场的统计量
对于给定的r，可求相应的均值、方差、相关函数等。

3、Markov随机场
图像处理中常假定图像是Markov随机场，其意义：
把图像场分成过去、现在、将来三个区以及相应的三个随机变量集，则将来区的随机变量与过去无关。

若设现在区的大小为p，就称为p阶Markov随机场。

若p=1，则称为Markov链。

Markov随机场常用于图像预测。

幻灯片 49
S2 I = imread('Lenna.bmp');
J1 = imnoise(I,'salt & pepper',0.02);
subplot(2,2,1);imshow(J1);title('salt & pepper noise');
J2 = imnoise(I,'gaussian',0.02);
subplot(2,2,2);imshow(J2);title('gaussian noise');
J3 = imnoise(I,'poisson');
subplot(2,2,3);imshow(J3);title('poisson noise(泊松分布)');
J4 = imnoise(I,'speckle');
subplot(2,2,4);imshow(J4);title('speckle noise');
Shys, 2010-9-25。