八影像滤波.ppt

影像滤波 主要内容 傅立叶变换 空间滤波 频域滤波增强 空间域滤波增强 傅立叶变换 傅立叶理论 任何一个连续函数F(x)都可以用一系列不同空间频率的正弦函数项之和来表示 傅立叶变换定义 定义：令为实变量的连续函数，如果满足下面的狄里赫莱条件： （1）有有限个间断点； （2）有有限个极值点； （3）绝对可积； 则有以下二式成立： 式中x为时域变量，u为频率变量，i为虚数单位 傅立叶变换定义 函数的傅立叶变换通常是一个复数，它可表示如下 式中： 和 分别是实部和虚部。 如果表示成指数形式则为： 幅度函数被称为的傅立叶谱，而 为相角。傅立叶谱的平方： ，一般称为的能量谱。 二维傅立叶变换 离散傅立叶变换 由于遥感图像是由灰度值组成的二维离散数据矩阵，对它进行傅立叶变换就必须知道离散的傅立叶变换。 一维变换如下 傅立叶变换的应用 影像复原 影像滤波 辐射校正 空间滤波 空间信息描述 对于图像中在空间位置上具有一定延伸方向、延伸距离、宽度以及反差等特点的信息可以用以下模式描述： 长距离、宽线条的形迹－－低频率 细小的边界、纹理、断裂－－高频率 介于两者之间的－－中频率 空间频率 影像中任一特定部分单位距离内亮度值的变化数量 影像中给定区域内的亮度值变化很少,则称为低频部分 很短距离内,影像亮度值变化剧烈则称为高频细节部分 空域与频域 一幅图像中像元的亮度值在空间上的差异与变化，可以看作是复杂的波形，是由具有不同的振幅、频率和相位的许多正弦或余弦波叠合而成。短距离内的亮度变化相当于高频波，而长距离内的变化相当于低频波。 频谱图像是空间图像的离散傅里叶变换，通常为复数值。可以分解为波幅图像和相位图像。空间频率信息的分布是按极坐标表示，任意一点到频谱图像原点的距离代表该点空间频率的高低，而与原点连线的方位角决定线性特征的走向，明暗度表示相应频率上振幅大小 空间信息滤波增强 高通滤波－－实现高频信息的增强 低通滤波－－实现低频信息的增强 带通滤波－－增强中间频段的信息 定向滤波－－增强某些方向的形态特征 频域滤波 低通滤波器 常用的频率域低通滤波器 空域滤波 离散卷积 卷积运算 平滑滤波 平滑滤波是低频增强的空间域滤波技术 目的：一类是模糊；另一类是消除噪音。空间域的平滑滤波一般采用简单平均法进行，就是求邻近像元点的平均亮度值。邻域的大小与平滑的效果直接相关，邻域越大平滑的效果越好，但邻域过大，平滑会使边缘信息损失的越大，从而使输出的图像变得模糊，因此需合理选择邻域的大小。 邻域平均法 示例 （1）采用滤波窗口模板和对模板赋予一定的权值来实现。 各种平滑模板 1 1 1 0 1 0 0 0 0 0 1 0 1 1 1 0 1 0 1 1 1 1 1 1 1 1 1 0 1 0 0 0 0 0 1 0 （2）在具体平滑时，每个模板还要被模板各权值之和来除，如果模板各权值之和为M，则整个模板就应乘以1/M. 中值滤波 边缘增强 遥感数字图像中地物的边缘包括地物的边界、地质线性构造和环状构造等 图像微分运算求像元变化率，具有加强高频分量的作用 边缘增强主要通过微分而使图像边缘突出、清晰。常用的方法有梯度算子和拉普拉斯算子。 梯度算子 梯度的两个重要性质是： （1）矢量G[f(x,y)]指向f(x,y)在（x,y）点的最大变化率方向； （2）用GM[f(x,y)]表示G[f(x,y)]的幅度（梯度的模），并由下式给出 常用梯度差分法 拉普拉斯算子 Sobel算子 Prewitt算子 定向滤波 定向滤波又称匹配滤波。它是通过一定尺寸的方向模板对图像进行卷积运算，并以卷积值代替各像元点灰度值，其强调的是某一些方向的地面形迹，例如水系、线性影像。所谓方向模板是一个各元素大小按一定的规律取值，并对某一方向灰度变化最敏感的矩阵。定向滤波计算公式为： k=f1g1+ f2g2+…+ fMgM 方向模板分零模板和非模板两种，所谓零模板就是模板各元素值的和为零，非零模板就是模板各元素值的和不为零 定向滤波技术的关键是模板的选择，除了模板方向选择外，模板内元素间的差值大小也要影响增强的强度。 1 1 1 1 1 0 1 0 -1 0 -1 -1 0 0 0 1 0 -1 1 0 -1 1 0 -1 -1 –1 –1 0 –1 –1 1 0 -1 1 1 0 -1 -1 -1