遥感数字图像处理

AllCopyrightsReservedBySoonyenJu1/12南京信息工程大学复习参考资料——数字图像处理绪论遥感数字图像：以栅格形式组织，每一个栅格即是一个象元，每一个象元有一个值，记录地表反射发射的能量。数字图像：一种空间坐标和灰度值均不连续，以离散数学原理表达的图像。模拟图像：一种空间坐标和灰度连续变化，计算机无法直接处理的图像。分辨率：在显示设备上的象元数或影像中单个象元所代表的地物面积。相同空间分辨率的影像可以用不同的比例尺表示。数字图像处理：用计算机处理或解译图像从而获得某种预期效果。包括：1.图像校正2.图像增强3.图像分类、参数反演第一章图像校正图像校正定义：机载和星载传感器记录的影像数据包含有几何和象元灰度的误差，纠正这些误差的过程叫做图像校正。辐射误差：象元值不能真实反映地表物反射、辐射的能量。辐射校正：消除图像数据中依附在辐射亮度里的各种失真的过程。影响因素：1.传感器故障或灵敏度2.地形影响3.大气影响几何校正：在象元相对位置和地物相对位置的不正确产生的误差，对这个误差校正的过程。产生几何畸变的因素：1.传感器：内部因素（像主点偏移等，属几何粗校正）、姿态、运行状态（行高、航速、俯仰、侧滚、偏航）2.大气折射和太阳不同季节的入射辐照度不同3.地面因素：地形起伏、地球曲率、地球自转（消除几何误差需要数据处理中心的系统参数，如：地表曲率、传感器运动状态。但仍有误差需要终端用户来消除）几何校正的步骤：1.准备工作和遥感影像的输入(确定GCPs的位置：影像上地理坐标已知的象元)2.计算并检测转换模型模型包括：仿射坐标模型（即共线方程，精密但复杂需要GCPs高程值）、多项式模型多项式模型阶数确定：在最小均方根误差的条件下尽量底次幂均方根误差（RMS）：输入与转换后的GCP坐标距离3.产生含有新坐标信息的头文件的输出影像4.重采样象元来形成新的格网5.核定结果AllCopyrightsReservedBySoonyenJu2/126.校正后的影像输出GCPs选择标准：选择GCPs方法：已知地图或影像、GPS接收机1.在图像上有明显、清晰的定标位置2.GCP地物不随时间变化3.满幅均匀选择4.复杂地形多选，简单地形少选5.靠近图像边缘尽可能选6.足够多的点（30，至少为（n+1）（n+2）/2；n为多项式阶数）（误差在0.5个象元以内）重采样：内插计算象元值的过程。重采样的方法：最邻近插值法：将最临邻近的象元值赋给输出象元I（P）=I(N)X=Integer（x+0.5）Y=Integer（y+0.5）双线性内插法：使用双线性方程计算2x2窗口的象元值赋给输出象元P=(1-dx)(1-dy)f(i,j)+(1-dx)dyf(i,j+1)+dx(1-dy)f(i+1,j)+dxdyf(i+1,j+1);dx=x-int(x),dy=y-int(y)立体卷积法：使用立体卷积公式计算4x4窗口象元值赋给输出象元三种方法优劣比较：大气校正的四个方法：暗象元法（直方图法）：每个波段的DN值的最小值（深水体或山的阴影部分）理论上为零，因此其辐射值为大气引入的误差。假设：大气影响均匀，且影响为地物辐亮度加上散射辐亮度。辐射到反射反转法：需要已知图像上至少两个目标（暗目标、亮目标）的反射率（获取方式：现场测量、标准材料的反射率表）。DN=k*r+b(r为反射率)线性回归法：全图像象元亮度值减去一个辐射偏置量，该偏置量或是图像直方图的最小亮度值，或是直方图的开端与非辐射值的第一个0.001%之间的距离，将该辐射值作为该图像的程辐射值。建立回归方程：Bx=b0*B7+a；代校正图像减a：B’x=Bx-aAllCopyrightsReservedBySoonyenJu3/12假设：近红外、中红外大气散射为0，且散射以瑞利散射为主。散射对辐射的影响为地物辐亮度加上散射辐亮度。大气模型法：利用大气辐射传输模型校正（6S、Modtran）。输入参数：1.大气廓线（温、压、水汽、臭氧）2.气溶胶类型3.高程4.太阳天顶角5.传感器视场角第二章图像增强（辐射增强）图像增强：为某个特定目的或应用而对图像所做的处理（更易提取信息）。直方图：横坐标为某个波段亮度值量化等级，纵坐标表示这些亮度值出现的频率。累积频率直方图：横坐标表示灰度级，纵坐标表示每一灰度级及以下灰度级的象元数与总象元数比值。模型：对照拉伸、直方图均衡化、直方图匹配、亮度反转对照拉伸：输入象元的灰度值范围很窄，但经拉伸后的输出象元的灰度值范围扩大。1.线性拉伸2.非线性拉伸：指数对照拉伸、对数对照拉伸3.分段线性拉伸直方图均衡化：通过变换使每个范围遥感影像象元数出现的次数接近相等，直方图接近一条水平直线（最常用于目视解译）。拉伸因子：（L-1）/N直方图均衡化的步骤：1.数据输入2.统计原图像每一灰度级的象元数和累积象元数。3.计算每一灰度级均衡化后对应的新值，并对其四舍五入取整，得到新灰度级。4.以新灰度值代替原灰度值，形成均衡化的新图像。5.根据原图像象元统计值对应找到新图像象元统计值，做出新直方图。6.数据输出直方图均衡化的作用：拉伸中间、压缩两尾，突出细节信息；在较宽的输出值范围内有粗略的分类效果。直方图匹配：为光谱一致化，使原始影像和参考影像亮度变化规律相似。直方图匹配步骤：1.数据输入2.做出原图像的直方图3.做出原图像的Zb=T(xa)累积直方图，对原图像进行均衡化变换4.做出参考图像的直方图或确定参考直方图5.做出参考图像的累积直方图Zb=G(yc)，进行均衡化变化6.对于原图像中的每一灰度级xa的累积值，再参考累积直方图中找到对应的累积值G(yc)；如皋G为数学公式可以直接计算求值，得到对应的新灰度值yc7.以新值yc代替原灰度值xa，形成均衡化后的影像8.根据原图像象元统计值对应找到新图像象元统计值，做出新直方图9.数据输出直方图匹配的作用：AllCopyrightsReservedBySoonyenJu4/121.匹配不同时间或因太阳角和大气影像产生微小差别的相同或相邻的地物的影像2.图像拼接3.变化检测直方图匹配的条件：1.两幅影像的直方图形状相似2.两幅影像有相同的明暗特点3.针对某些应用，影像的光谱分辨率应一致4.不同地区下的陆地分布应相似5.匹配前应消除云引起的误差亮度反转（条件反转、简单反转）：使原图像灰度产生反转对照，暗的部分变量、亮的部分变暗。简单反转：DN(out)=1.0-DN(in)条件反转:DN(out)=1.00.0DN(in)0.1DN(out)=0.1/DN(in)0.1DN(in)1.0第三章图像变换图像变换：两个或两个以上波段的联合运算光谱增强需要多波段的数据，多用于：1.数据波段压缩2.提取出新的波段，更易被目视解译3.使用RGB三色显示更多的信息主成分变换（K-L）：对原始波段正交变换产生新的主成分影像，互相垂直，无不相关，使影像信息向前几个波段集中，达到图像信息压缩的目的。作用：数据压缩、图像增强、图像分类预处理。线性正交变换公式：Y=TkXY为主成分向量空间，k为特征向量矩阵，X为原始数据的向量空间主成分变换步骤：1.图像数据预处理2.协方差矩阵计算3.特征值矩阵计算4.特征向量矩阵计算5.图像正交变换6.参数和图像输出主成分贡献率计算;iq=𝜆𝑖/1nii*1oo%分辨率融合步骤（TM与SPOT&RGB和HIS）：1.TM数据主成分变换2.使用SPOT全色波段代替第一主成分3.其他主成分重采样提高分辨率4.进行主成分逆变换变换TM影像与SPOT影像做相关分析和匹配AllCopyrightsReservedBySoonyenJu5/12缨帽变换（K-T变换）：使得变换后的主成分具有物理意义的线性变换，分别定义：亮度分量：土壤总辐照能量绿度分量：近红外、可见光反射亮度值，反映植被生长情况湿度分量：土壤水含量、冠层水含量指数运算：差值植被指数、比值植被指数（近红外DN值和红光波段DN值）。彩色变换：RGB-HIS；H：色调，I：强度，S：饱和度第四章傅里叶变换（附）频率域平滑（平衡抑制噪声与边缘差异）1.理想低通滤波器由于高频部分包含大量边缘信息，因此，滤波处理后导致边缘损失，使图像边缘模糊。2.Butterworth低通滤波器Butterworth低通滤波器的特点是连续衰减，不象理想低通滤波器那样陡峭和具有明显的不连续性，因此用此滤波器处理后的图像中边缘的模糊程度大大降低。3.指数低通滤波器指数低通滤波器的在抑制噪声的同时，图像边缘的模糊程度比Butterworth滤波器大。4.梯形低通滤波器梯形低通滤波器滤波效果介于理想低通滤波器与指数低通滤波器的之间，处理后的图像有一定的模糊。频率域锐化（亦增强噪声）1.理想高通滤波器理想高通滤波处理后的图像中边缘有抖动现象；2.Butterworth高通滤波器Butterworth锐化效果较好，边缘抖动不明显，但计算复杂；3.指数高通滤波器指数高通滤波器比Butterworth效果差些，边缘抖动现象不明显；4.梯形高通滤波器梯形高通滤波器会产生轻微抖动现象，但计算简单，经常被使用周期性噪声去除输入图像首先被分割成相互重叠的128128的象元块，每个象元块分别进行快速傅立叶变换，并计算傅立叶图像的对数亮度均值，依据平均光谱能量对整个图像进行傅立叶变换，然后再进行傅立叶逆变换。第五章图像滤波（空间增强）空间滤波：考虑周围象元值来改变象元值大小以达到增强的目的，处理的是空间频率——与邻近象元值的差异，若该差异是周期性变化则为纹理。窗口：以图像中任一象元（x,y）为中心，按上下左右对称所设定的象元范围。AllCopyrightsReservedBySoonyenJu6/12卷积核：以特殊方法平均周围象元值的数值矩阵。四邻域：边相邻的上下左右四个栅格。八邻域：有接触点的周围八个栅格。权重：相邻象元对中心象元的影响程度。噪声：图像上的异常亮点，或亮度值过大的区域。平滑：为抑制噪声改善图像或减少变化幅度，使亮度变化平缓所做的处理叫图像平滑。均值滤波：使用邻域平均值作为当前的象元值。均值滤波优点:1.适用于高斯噪声2.算法简单均值滤波缺点:1.对数据进行了平滑，导致图像模糊2.主要是在降低噪声的同时使图像产生模糊，特别在边缘和细节处。而且邻域越大，在去噪能力增强的同时模糊程度越严重。中值滤波：对一个滑动窗口内的诸象元灰度值排序，用中值代替窗口中心象元的原来灰度值。中值滤波优点：1.过滤噪声的同时，保持边缘的信息2.可以有效的消除孤立的点和线段锐化：突出边缘和轮廓、线状信息，并使其清晰。也称边缘增强。平滑与锐化的区别:锐化提高了边缘与周围象元间的反差，即边缘增强。平滑则使图像边缘模糊。定向检测：提取某一特定方向的边缘或线性特征。常用卷积模板：零和模板（Zero-SumKernels）Low-FrequencyKernelsHigh-FrequencyKernelsRobert梯度Prewitt和Sobel梯度第六章图像分类图像分类（计算机自动分类）：基于遥感影像象元值，将有限的象元归并到有专题意义的类别中去。分类的目的和要求：1.选择遥感影像2.分类类别确定3.图像预处理4.选择分类方法5.特征选取和提取6.选择合适的分类参数进行分类7.分类后处理8.精度分析9.成果输出非监督分类：完全根据光谱值的相似性分类，在分类前不需要先验知识。监督分类：利用光谱相似性分类，需要代表物光谱特性的先验知识。AllCopyrightsReservedBySoonyenJu7/12光谱相似性的测量：欧式距离：马氏距离：非监督分类的方法：基于直方图的非监督分类K-均值聚类分析：逐个象元分析，迭代，通过距离最小分析步骤：1.图像及辅助资料准备2.分类参数确定及参数确定及分类中心确定3.计算每个象元与类别中心距离4.依据距离最小原则对每个象元归类5.计算新的中心的均值和方差6.是否满足终止条件7.是，则输出光谱类别图，否则回到第3步8.光谱类别与信息类别连接9.精度分析10.分类