第八章 遥感图像的辐射处理
合集下载
相关主题
- 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)。
第八章遥感图像的辐射处理
8.1遥感图像的辐射校正 8.1.1辐射畸变 1）定义
辐射畸（ji）变：太阳辐射相同时，图像上像 元辐射亮度值受多种因素的影响发生改变，不 能直接反映地表地物的真实的辐射亮度值，这 部分变化，称为辐射畸变。
8.1.1 辐射畸变
2）原因
（1）传感器本身性能引起的辐射误差，对图 像的影响主要为图像不均匀，产生条纹和噪声。 （2）大气的散射和吸收引起的辐射误差。对 图像的影响主要为：减少了图像的对比度。 （3）地形影响和光照条件的变化引起的辐射 误差；对图像的影响主要为：产生阴影，不同 图像的亮度不一致。
以20cm-1的光谱分辨率的分子吸收算法。
8.1.2 辐射校正
（3）MORTARN模型（Moderate Resolution Transmission：中分辨率传输模型） 以2cm-1的光谱分辨率的分子吸收算法。 （4）UVRAD模型（Ultraviolet and Visible Radiation：紫外线和可见光辐射模型） （5）ATCOR模型（A Spatially-Adaptive Fast Atmospheric Correction：空间分布快速大气 校正模型）
8.2.5 多光谱增强
1）K-L变换
从直观上看，就是不同波段的遥感图像很相似。 因而从提取有用信息的角度考虑，有相当大一 部分数据是多余和重复的。K-L变换的目的就 是把原来多波段图像中的有用信息集中到数目 尽可能少的新的图像中，使这些图像之间互不 相关，包含的信息内容不重叠，大大减少数据 量。
8.2.5 多光谱增强
8.2.5 多光谱增强
数理统计：
主成分分析（Principal Components Analysis， PCA）又称：主分量分析，主成分回归分析法。 主成分分析也称主分量分析，旨在利用降维的 思想，把多指标转化为少数几个综合指标。
8.2.5 多光谱增强
（2）数学原理
设多光谱影像M有n个波段，将它们组成一个 含有n个波段的向量集X： X [ X 1 , X 2 , X n ] 每个波段的协方差为：
8.1.2 辐射校正
2）基于地面场地数据或辅助数据进行辐射校正 在遥感成像的同时，同步获取成像目标的反射率， 或通过预先设置已知反射率的目标，把地面实况数 据与传感器的输出数据进行比较，来消除大气的影 响。 将地面测定的结果与卫星图像对应像元的亮度值进 行回归分析，其回归方程为： L=a+bR 其中：a为常数。b为回归系数。bR为地面实测值， 该值未受大气影响。
8.2.1 图像灰度的直方图
目的：改变图像像元的亮度值来改善图像质量。
1）图像直方图
（1）定义：图像像元亮度值的统计图。
pi
xi
M
M：图像像素的总数，xi：亮度值为i的像元的 个数。
8.2.1 图像灰度的直方图
8.2.1 图像灰度的直方图
（2）直方图特点
8.2.1 图像灰度的直方图
a 峰值偏向左侧，图像偏暗； b 峰值偏向右侧，图像偏亮； c 峰值居中且狭窄，为低反差景物图像； d 峰值居中且值低，为高反差景物的图像； e 图像直方图呈现出多峰，图中有多种地物出 现的频率较高； f 图像直方图呈现出双峰，并且高亮度地物 （如云、白背景等）出现频率高。
M N
0 1 t2 1 0
M N
r (i , j )
m 1 n 1
( m , n )t ( m , n ) ( m , n )t ( m , n )
1 m 1 n 1 2
8.2.3 图像增强
（2）索伯尔（Sobel）
作用：改进的罗伯特梯度。
xb
b2 b1 a2 a1
( xa a1 ) b1
图像亮度范围拉伸：a2-a1<b1-b2； 图像亮度范围压缩：a2-a1>b1-b2；
8.2.2 对比度变换方法
（2）密度分割
是线性变换的一种，用下式计算：
d
' ij
d ij dmin dmax dmin
n
分段线形变换：在一部分灰度段拉伸，在另 一部分灰度段压缩的变换。
（1）概念来源 信号处理：
K-L变换（ Karhunen-Loeve Transform）是建 立在统计特性基础上的一种变换，有的文献也 称为霍特林（Hotelling）变换，因他在1933年 最先给出将离散信号变换成一串不相关系数的 方法。K-L变换的突出优点是相关性好，是均 方误差（MSE，Mean Square Error）意义下 的最佳变换，它在数据压缩技术中占有重要地 位。
8.2.2 对比度变换方法
2）非线性变换
（1）定义：当变换函数是非线性的。 最常用的有：指数变换和对数变换。 （2）常用的变换 ax 指数变换： xb be a c 亮度较高的部分，亮度拉伸，亮度较低的 部分，亮度压缩。 对数变换：xb b lg(axa 1) c 亮度较高的部分，亮度压缩，亮度较低 的部分，亮度拉伸。
8.2.3 图像增强
2）图像平滑 （1）均值平滑
9 1 t ( m , n) 9 1 9
1
1 9 1 9 1 9
1 9 1 9 1 9
1 8 1 t ( m , n) 8 1 8
1 8 0 1
8 1 8 1
1
8 8
1 2 1 t1 0 0 0 1 2 1
1 0 1 t 2 2 0 2 1 0 1
8.2.3 图像增强
（3）拉普拉斯（Laplace） 突出亮度值的突变位置。
0 1 0 t ( m , n ) 1 4 1 0 1 0
8.1.2 辐射校正
（2）直方图最小值去除法
若图像中存在亮度为零的目标，如深海水体、 阴影等，则其对应图像的亮度值应为零，实际 上目标由于受水气散射、辐射使得目标的亮度 值不为零。各波段要校正的大气影响是不同的。 为确定大气影响，显示有关图像的直方图，从 图上可以得知最黑的目标亮度为零。
8.1.2 辐射校正
8.1.2 辐射校正
3）大气模型 （1）比值方法
由于太阳高度角的影响，在图像上会产生阴影现象， 阴影会覆盖阴坡地物，对图像的定量分析和自动识 别产生影响。一般情况下阴影是难以消除的，但对 多光谱图像可以用两个波段图像的比值产生一个新 图像以消除地形的影响。在多光谱图像上，产生阴 影区的图像亮度值是无阴影时的亮度和阴影亮度值 之和，通过两个波段的比值可以基本消除。 地形坡度引起的辐射亮度校正需要知道成像地区的 数字地面模型，校正不方便。同样也可以用比值图 像来消除其影响。
8.2.3 图像增强
检测对角线边界时：
0 1 1 t ( m , n ) 1 0 1 1 1 0
1 1 0 1 0 1 0 1 1
2 1 1 1 2 1 1 1 2
1 1 2 1 2 1 2 1 1
（3）回归分析法
一般情况下，散射主要发生在短波图像，对近 红外波段几乎没有影响。 在不受大气影响的波段图像和待校正的某一波 段图像中，选择由最亮至最暗的一系列目标， 将每一目标的两个待比较的波段亮度值进行回 归分析，如MSS的第4和7波段其亮度建立回归 方程为（一般为）： y=a+bx 其中：x，y为两波段图像灰度平均值。
8.2.1 图像灰度的直方图
（3）直方图均衡化
直方图均衡是将随机分布的图像直方图修改成 均匀分布的直方图。其实质是对图像进行非线 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。
（4）直方图匹配
直方图匹配是通过查找表使得一个图像的直方 图与另一个图像直方图类似，亦属于非线性变 换。
8.1.2 辐射校正
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。
1）基于辐射传输方程的大气校正
建立地面辐射定标场（校正场）：提高辐射 定标和校正的精度。
8.1.2 辐射校正
（1）6S模型（Second Simulation of the Satellite Signal in Solar Spectrum：太阳光谱 波段第二次卫星信号模拟） 近似和逐次散射算法。 （2）LOWTRAN模型（Low Resolution Transmission：低分辨率传输模型）
8.2.1 图像灰度的直方图
8.2.2 对比度变换方法
线性变换和非线性变换。
1）线形变换
（1）定义：变换函数是线性的或分段线形的。 变换前亮度xa范围为：a1～a2，变换后的亮度 xb范围为：b1～b2，如下图：
8.2.2 对比度变换方法
变换公式为：
xb b1 b2 b1
xa a1 a2 a1
8.2.3 图像增强
（2）中值滤波
将模板对应的图像窗口所有像元按亮度值的大 小排列，取中间值作为该像元的值，所以 M×N取奇数为好。
3）图像锐化
目的：突出图像的边缘、线状目标或亮度变化 率大的部分。Fra Baidu bibliotek
8.2.3 图像增强
（1）罗伯特梯度（Roberts）
作用：突出边界，边缘特征。
1 0 t1 0 1
8.2 遥感图像增强
1）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。 2）分类：空间域和频率域的处理。 （1）空间域处理是指直接对图像进行各种运 算以得到需要的增强结果。 （2）频率域处理是指先将空间域图像变换成 频率域图像，然后在频率域中对图像的频谱进 行处理，以达到增强图像的目的。
8.2.4 图像的运算
1）差值运算
定义：两幅同样行、列数的图像，对应像元的 亮度值相减。 差值植被指数DVI： DVI=NIR-RED 其中，NIR表示近红外波段反射率，RED表示 红光波段反射率。
8.2.4 图像的运算
应用： （1）背景和目标反差较小的信息的提取。如： 在红波段和红外波段相减后提取植被信息。红 波段，植被和土壤接近，难以区分；红外波段， 植被和水体接近，难以区分；两个波段植被差 值大，土壤和水差别小。 （2）不同时相的动态变化，如水灾、火灾、 城市扩张等侵占农田等。
8.2.4 图像的运算
3）混合运算
定义：两幅同样行、列数的图像，对应像元的 亮度值进行混合运算。 植被指数：归一化植被指数NDVI： NDVI=(NIR-RED)/（NIR+RED）
8.2.5 多光谱增强
原理：遥感数据的多光谱数据之间都有不同程度 的相关性，为消除其冗余，采用线性变换，保留 主要信息，降低数据量。 相当于向量空间的降维处理，消去的向量（波 段），图像显示为黑色（没有信息）。
8.2.3 图像增强
1）图像的卷积
（1）定义：模板像元与图像窗口对应的亮度 值相乘再相加。
r (i , j )
m 1 n 1
( m , n )t ( m , n )
M
N
模板：也称为卷积内核，卷积核，掩码，算子 等。
8.2.3 图像增强
（2）图像卷积的边界问题
当在图像上逐个移动模板时，当模板移到了图 像的边缘，这时模板的边缘像素悬空，对应不 上图像像素，解决这一问题有两个方法： ① 忽略模板空悬数据； ② 在图像的四周复制图像的边界数据。
8.2.4 图像的运算
2）比值运算
定义：两幅同样行、列数的图像，对应像元的 亮度值相除（除数不为零）。 比值植被指数RVI： RVI=NIR/RED 应用： （1）消除地形的影响； （2）提取隐伏构造信息等的有关线形特征；
8.2.4 图像的运算
（3）提取植被类别信息，估算植被生物量； （4）土壤水分差异； （5）微地貌变化； （6）地球化学反应的微小光谱变化。
0 1 0 t ( m , n ) 1 4 1 0 1 0
8.2.3 图像增强
（4）定向检测
1 1 1 1 1 1 t ( m , n) 0 0 0 t ( m , n) 2 2 2 1 1 1 1 1 1
8.1遥感图像的辐射校正 8.1.1辐射畸变 1）定义
辐射畸（ji）变：太阳辐射相同时，图像上像 元辐射亮度值受多种因素的影响发生改变，不 能直接反映地表地物的真实的辐射亮度值，这 部分变化，称为辐射畸变。
8.1.1 辐射畸变
2）原因
（1）传感器本身性能引起的辐射误差，对图 像的影响主要为图像不均匀，产生条纹和噪声。 （2）大气的散射和吸收引起的辐射误差。对 图像的影响主要为：减少了图像的对比度。 （3）地形影响和光照条件的变化引起的辐射 误差；对图像的影响主要为：产生阴影，不同 图像的亮度不一致。
以20cm-1的光谱分辨率的分子吸收算法。
8.1.2 辐射校正
（3）MORTARN模型（Moderate Resolution Transmission：中分辨率传输模型） 以2cm-1的光谱分辨率的分子吸收算法。 （4）UVRAD模型（Ultraviolet and Visible Radiation：紫外线和可见光辐射模型） （5）ATCOR模型（A Spatially-Adaptive Fast Atmospheric Correction：空间分布快速大气 校正模型）
8.2.5 多光谱增强
1）K-L变换
从直观上看，就是不同波段的遥感图像很相似。 因而从提取有用信息的角度考虑，有相当大一 部分数据是多余和重复的。K-L变换的目的就 是把原来多波段图像中的有用信息集中到数目 尽可能少的新的图像中，使这些图像之间互不 相关，包含的信息内容不重叠，大大减少数据 量。
8.2.5 多光谱增强
8.2.5 多光谱增强
数理统计：
主成分分析（Principal Components Analysis， PCA）又称：主分量分析，主成分回归分析法。 主成分分析也称主分量分析，旨在利用降维的 思想，把多指标转化为少数几个综合指标。
8.2.5 多光谱增强
（2）数学原理
设多光谱影像M有n个波段，将它们组成一个 含有n个波段的向量集X： X [ X 1 , X 2 , X n ] 每个波段的协方差为：
8.1.2 辐射校正
2）基于地面场地数据或辅助数据进行辐射校正 在遥感成像的同时，同步获取成像目标的反射率， 或通过预先设置已知反射率的目标，把地面实况数 据与传感器的输出数据进行比较，来消除大气的影 响。 将地面测定的结果与卫星图像对应像元的亮度值进 行回归分析，其回归方程为： L=a+bR 其中：a为常数。b为回归系数。bR为地面实测值， 该值未受大气影响。
8.2.1 图像灰度的直方图
目的：改变图像像元的亮度值来改善图像质量。
1）图像直方图
（1）定义：图像像元亮度值的统计图。
pi
xi
M
M：图像像素的总数，xi：亮度值为i的像元的 个数。
8.2.1 图像灰度的直方图
8.2.1 图像灰度的直方图
（2）直方图特点
8.2.1 图像灰度的直方图
a 峰值偏向左侧，图像偏暗； b 峰值偏向右侧，图像偏亮； c 峰值居中且狭窄，为低反差景物图像； d 峰值居中且值低，为高反差景物的图像； e 图像直方图呈现出多峰，图中有多种地物出 现的频率较高； f 图像直方图呈现出双峰，并且高亮度地物 （如云、白背景等）出现频率高。
M N
0 1 t2 1 0
M N
r (i , j )
m 1 n 1
( m , n )t ( m , n ) ( m , n )t ( m , n )
1 m 1 n 1 2
8.2.3 图像增强
（2）索伯尔（Sobel）
作用：改进的罗伯特梯度。
xb
b2 b1 a2 a1
( xa a1 ) b1
图像亮度范围拉伸：a2-a1<b1-b2； 图像亮度范围压缩：a2-a1>b1-b2；
8.2.2 对比度变换方法
（2）密度分割
是线性变换的一种，用下式计算：
d
' ij
d ij dmin dmax dmin
n
分段线形变换：在一部分灰度段拉伸，在另 一部分灰度段压缩的变换。
（1）概念来源 信号处理：
K-L变换（ Karhunen-Loeve Transform）是建 立在统计特性基础上的一种变换，有的文献也 称为霍特林（Hotelling）变换，因他在1933年 最先给出将离散信号变换成一串不相关系数的 方法。K-L变换的突出优点是相关性好，是均 方误差（MSE，Mean Square Error）意义下 的最佳变换，它在数据压缩技术中占有重要地 位。
8.2.2 对比度变换方法
2）非线性变换
（1）定义：当变换函数是非线性的。 最常用的有：指数变换和对数变换。 （2）常用的变换 ax 指数变换： xb be a c 亮度较高的部分，亮度拉伸，亮度较低的 部分，亮度压缩。 对数变换：xb b lg(axa 1) c 亮度较高的部分，亮度压缩，亮度较低 的部分，亮度拉伸。
8.2.3 图像增强
2）图像平滑 （1）均值平滑
9 1 t ( m , n) 9 1 9
1
1 9 1 9 1 9
1 9 1 9 1 9
1 8 1 t ( m , n) 8 1 8
1 8 0 1
8 1 8 1
1
8 8
1 2 1 t1 0 0 0 1 2 1
1 0 1 t 2 2 0 2 1 0 1
8.2.3 图像增强
（3）拉普拉斯（Laplace） 突出亮度值的突变位置。
0 1 0 t ( m , n ) 1 4 1 0 1 0
8.1.2 辐射校正
（2）直方图最小值去除法
若图像中存在亮度为零的目标，如深海水体、 阴影等，则其对应图像的亮度值应为零，实际 上目标由于受水气散射、辐射使得目标的亮度 值不为零。各波段要校正的大气影响是不同的。 为确定大气影响，显示有关图像的直方图，从 图上可以得知最黑的目标亮度为零。
8.1.2 辐射校正
8.1.2 辐射校正
3）大气模型 （1）比值方法
由于太阳高度角的影响，在图像上会产生阴影现象， 阴影会覆盖阴坡地物，对图像的定量分析和自动识 别产生影响。一般情况下阴影是难以消除的，但对 多光谱图像可以用两个波段图像的比值产生一个新 图像以消除地形的影响。在多光谱图像上，产生阴 影区的图像亮度值是无阴影时的亮度和阴影亮度值 之和，通过两个波段的比值可以基本消除。 地形坡度引起的辐射亮度校正需要知道成像地区的 数字地面模型，校正不方便。同样也可以用比值图 像来消除其影响。
8.2.3 图像增强
检测对角线边界时：
0 1 1 t ( m , n ) 1 0 1 1 1 0
1 1 0 1 0 1 0 1 1
2 1 1 1 2 1 1 1 2
1 1 2 1 2 1 2 1 1
（3）回归分析法
一般情况下，散射主要发生在短波图像，对近 红外波段几乎没有影响。 在不受大气影响的波段图像和待校正的某一波 段图像中，选择由最亮至最暗的一系列目标， 将每一目标的两个待比较的波段亮度值进行回 归分析，如MSS的第4和7波段其亮度建立回归 方程为（一般为）： y=a+bx 其中：x，y为两波段图像灰度平均值。
8.2.1 图像灰度的直方图
（3）直方图均衡化
直方图均衡是将随机分布的图像直方图修改成 均匀分布的直方图。其实质是对图像进行非线 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。
（4）直方图匹配
直方图匹配是通过查找表使得一个图像的直方 图与另一个图像直方图类似，亦属于非线性变 换。
8.1.2 辐射校正
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。
1）基于辐射传输方程的大气校正
建立地面辐射定标场（校正场）：提高辐射 定标和校正的精度。
8.1.2 辐射校正
（1）6S模型（Second Simulation of the Satellite Signal in Solar Spectrum：太阳光谱 波段第二次卫星信号模拟） 近似和逐次散射算法。 （2）LOWTRAN模型（Low Resolution Transmission：低分辨率传输模型）
8.2.1 图像灰度的直方图
8.2.2 对比度变换方法
线性变换和非线性变换。
1）线形变换
（1）定义：变换函数是线性的或分段线形的。 变换前亮度xa范围为：a1～a2，变换后的亮度 xb范围为：b1～b2，如下图：
8.2.2 对比度变换方法
变换公式为：
xb b1 b2 b1
xa a1 a2 a1
8.2.3 图像增强
（2）中值滤波
将模板对应的图像窗口所有像元按亮度值的大 小排列，取中间值作为该像元的值，所以 M×N取奇数为好。
3）图像锐化
目的：突出图像的边缘、线状目标或亮度变化 率大的部分。Fra Baidu bibliotek
8.2.3 图像增强
（1）罗伯特梯度（Roberts）
作用：突出边界，边缘特征。
1 0 t1 0 1
8.2 遥感图像增强
1）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。 2）分类：空间域和频率域的处理。 （1）空间域处理是指直接对图像进行各种运 算以得到需要的增强结果。 （2）频率域处理是指先将空间域图像变换成 频率域图像，然后在频率域中对图像的频谱进 行处理，以达到增强图像的目的。
8.2.4 图像的运算
1）差值运算
定义：两幅同样行、列数的图像，对应像元的 亮度值相减。 差值植被指数DVI： DVI=NIR-RED 其中，NIR表示近红外波段反射率，RED表示 红光波段反射率。
8.2.4 图像的运算
应用： （1）背景和目标反差较小的信息的提取。如： 在红波段和红外波段相减后提取植被信息。红 波段，植被和土壤接近，难以区分；红外波段， 植被和水体接近，难以区分；两个波段植被差 值大，土壤和水差别小。 （2）不同时相的动态变化，如水灾、火灾、 城市扩张等侵占农田等。
8.2.4 图像的运算
3）混合运算
定义：两幅同样行、列数的图像，对应像元的 亮度值进行混合运算。 植被指数：归一化植被指数NDVI： NDVI=(NIR-RED)/（NIR+RED）
8.2.5 多光谱增强
原理：遥感数据的多光谱数据之间都有不同程度 的相关性，为消除其冗余，采用线性变换，保留 主要信息，降低数据量。 相当于向量空间的降维处理，消去的向量（波 段），图像显示为黑色（没有信息）。
8.2.3 图像增强
1）图像的卷积
（1）定义：模板像元与图像窗口对应的亮度 值相乘再相加。
r (i , j )
m 1 n 1
( m , n )t ( m , n )
M
N
模板：也称为卷积内核，卷积核，掩码，算子 等。
8.2.3 图像增强
（2）图像卷积的边界问题
当在图像上逐个移动模板时，当模板移到了图 像的边缘，这时模板的边缘像素悬空，对应不 上图像像素，解决这一问题有两个方法： ① 忽略模板空悬数据； ② 在图像的四周复制图像的边界数据。
8.2.4 图像的运算
2）比值运算
定义：两幅同样行、列数的图像，对应像元的 亮度值相除（除数不为零）。 比值植被指数RVI： RVI=NIR/RED 应用： （1）消除地形的影响； （2）提取隐伏构造信息等的有关线形特征；
8.2.4 图像的运算
（3）提取植被类别信息，估算植被生物量； （4）土壤水分差异； （5）微地貌变化； （6）地球化学反应的微小光谱变化。
0 1 0 t ( m , n ) 1 4 1 0 1 0
8.2.3 图像增强
（4）定向检测
1 1 1 1 1 1 t ( m , n) 0 0 0 t ( m , n) 2 2 2 1 1 1 1 1 1