图像增强研究报告.pptx

遥感图像增强处理——空域滤波;空间滤波是通过像元与其周围相邻像元的关系，采用空间域中的邻域处理方法，突出图像上的某些特征;任何一幅原始图像，在其获取和传输等过程中，会受到各种噪声的干扰，使图像恶化，质量下降，图像模糊，特征淹没，对图像分析不利 遥感图像中常见的噪声 高斯噪声 脉冲噪声（椒盐噪声） 周期噪声;;建立一个含有由系数矩阵或权重因子矩阵构成的移动窗口。这些矩阵被认为是算子(operators)或内核(kernels)，且它们的大小一般为奇数个像元 内核在原始图像上移动，而且另一幅输出图像的内核中心灰度值，可以用原始图像中相对应的像元灰度值乘以内核内的对应系数，然后再将所有结果相加而得到 这个处理是针对原始图像中的每一个像元值进行 ;针对原始图像中的每一个像元值，内核在原始图像上移动，输出图像的内核中心灰度值，用原始图像中相对应的像元灰度值乘以内核内的对应系数，然后再将所有结果相加而得到;图像在获取和传输过程中，由于传感器的噪声及大气的影响，会在图像上产生一些不该有的亮点（“噪声”点），或者图像中出现某些亮度值过大的区域 为了抑制噪声改善图像质量或减少变化幅度，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 均值滤波 中值滤波;相邻像素间存在很高的空间相关性，而噪声则是统计独立的。因此，可用邻域内各像素的灰度平均值代替该像素原来的灰度值，实现图像的平滑 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”和平滑图像的目的;;均值平滑的卷积运算 Round(1/9×(16×1+12×1+20×1+13×1+9×1+15×1+2×1+7×1+12×1)) = Round(11.7778) = 12 Round函数表示“取整”或“四舍五入”;(a)原图像 (b) 对(a)加椒盐噪声的图像 (c)3×3邻域平滑 (d) 5×5邻域平滑 ;原始图像;常用的算子有 算子不同，中心点或邻域的重要程度也不相同，因此，应根据问题的需要选取合适的算子;图像平滑——中值滤波;;;突出边缘和轮廓、线性目标或某些亮度变化率大的部分，可以采用锐化的方法。锐化使图像上边缘与线性目标的反差提高，因此也称为边缘增强 平滑——使图像边缘模糊 锐化——使图像边缘突出、清晰 ;几种常用的边缘检测算子;图像锐化——梯度法;图像锐化——梯度法;图像锐化——梯度法;除梯度算子以外，还可采用Roberts、Prewitt和Sobel 算子计算梯度，来增强边缘 差分计算式如下： fx’ =f(x,y)-f(x+1,y+1) fy’ =f(x+1,y)-f(x,y+1) Roberts对应的模板 特点： 与梯度算子检测边缘的方法类似，对噪声敏感，但效果较梯度算子略好 ;公式 模板： 特点： 在检测边缘的同时，能抑止噪声的影响;公式 模板 特点： 对4邻域采用带权方法计算差分 能进一步抑止噪声 但检测的边缘较宽;定义： 二维函数f(x,y)的拉普拉斯是一个二阶的微分定义为： ?2f = [?2f / ?x2 , ?2f / ?y2] 离散形式： 模板： 可以用多种方式被表示为数字形式。对于一个3x3的区域，经验上被推荐最多的形式是： ; 定义数字形式的拉普拉斯的基本要求是，作用于中心像素的系数是一个负数，而且其周围像素的系数为正数，系数之和必为0。;拉普拉斯算子的分析： 优点： 各向同性、线性和位移不变的； 对细线和孤立点检测效果较好。 缺点： 对噪音的敏感，对噪声有双倍加强作用； 不能检测出边的方向； 常产生双像素的边缘。 ;;遥感图像增强处理——频域滤波;图像的频率域表示;建立对傅里叶变换和频域的基本理解 了解傅里叶变换的性质 明确它们将如何应用于图像增强 如果不对傅里叶变换（FFT）和图像的频率域处理技术有所了解，就不可能完全理解图像增强这个最基本的图像处理任务;傅里叶变换;一个恰当的比喻是将傅里叶变换比作一个玻璃棱镜 棱镜是可以将光波分成不同颜色成分的物理仪器，每个成分的颜色由波长（或频率）决定。傅里叶变换可以看成是“数学的棱镜”，将函数基于频率分成不同的频率 ;;图像在空间上单位长度内的正弦状浓淡变化的重复次数称为图像的空间频率 根据傅里叶变换的理论，一般图像在二维空间的灰度变化可以由无限多不同频率、不同振幅的正弦波和余弦波变化的叠加来表示，通常用正交的两个方向(u,v)的频率来合成 将f(x,y)表示的图像称为图像的空间域，将F(u,v)表示的图像称为图像的频率域;图像的频率域表示形式;既然频率与变化率直接相关，直观上要将傅里叶变化的频率与图像中的强度变化模式联系起来并不困难 变换最慢的频率成分（u=v=0）对应一幅图像的平均灰度级 当从变换的原点移开时，低