讲义7第4章遥感图像处理2课件.ppt

4.3 数字图像增强 光学图像 一个光学图像，可以看成是一个二维的连续的光密度(或透过率)函数。 像片上的密度随坐标变化而变化，如果取一个方向的图像 ，则密度随空间而变化，是一条连续的曲线。f(x,y) 这个函数的特点，除了连续变化外，其值是非负的和有限的 。 0≤ f(x,y)＜∞ 数字图像 数字图像是二维的离散的密度(或亮度)函数。 它在空间坐标(x，y)和密度上都已离散化。空间坐标仅取离散值。（坐标离散化必然导致图像密度值离散化） 数字图像可用一个二维矩阵表示。实际上是由每个像元密度值排列成的一个数字矩阵。 图像的频谱表示 光学图像或数字图像还可以另一种坐标空间---频率域的形式来表示。 即在数学表达上，将上述光学和数字图像从空间域变入频率域（傅立叶变换反之，则采用傅立叶逆变换）。 傅氏变换与逆变换都可以通过光学系统实现。当然也可以在数字处理系统中进行。 光学图像又称作模拟量，数字图像又称作数字量，它们之间的转换称模/数转换，或反之，称数/模转换。 数字量与模拟量的本质区别在于模拟量是连续变量而数字量是离散变量。 4.3.1 对比度变换 通过改变图像像元亮度值来改变图像像元对比度，从而改善图像质量的图像处理方法。 一幅原始图像及其直方图 1．线性变换 线性变换：扩大原始灰度等级范围。 简单的线性变换是按比例扩大，通常使输出图像直方图的两端达到饱和。 线性变换是通过一个线性函数进行变换，其数学表达式为： X b ＝ A X a + B 图4-18图像分段线性变换的结果 4.3.2 空间滤波 对比度扩展的辐射增强是通过单个像元的运算从整体上改善图像的质量。 而空间滤波则是以重点突出图像上的某些特征为目的的，如突出边缘或纹理等，因此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，也叫做“空间滤波”。 基本思路像我们已经介绍的线性变换那样，使用一个变换函数来得到一幅图像上每个像元为新亮度值的图像。 空间域滤波属于空间域增强处理（空间域函数运算），所谓滤波，即选择一个“滤波器”，使之能强化我们感兴趣的特征信息，而把我们不需要的“噪声”滤掉或抑制。 既然是空间域增强，这里的“滤波器”就是把一个空间函数作为“滤波函数”。 是在空间域上对图像作局部检测的运算，以实现平滑和锐化的目的。 具体作法是选定一卷积函数，又称“模板”，实际上是一个M×N图像。 （卷积模板又称为“卷积窗口”或“卷积核”） 假定模板大小为M×N，窗口为ф (m，n)，模板为t(m，n)，则模板运算为： 2．平滑 图像中出现某些亮度变化过大的区域，或出现不该有的亮点(“噪声”)时，采用平滑的方法可以减小变化，使亮度平缓或去掉不必要的“噪声”点。 (1)均值平滑（均值滤波） 是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”和平滑图像目的的。 即设计一个模板，使之与原图像进行卷积运算后，达到平滑滤波的目的。 区域范围取作M×N时，求均值公式为 (2)中值滤波 设计一个中值滤波模板。 是将图像上每个像元在以其为中心的邻域内取中间亮度值来代替该像元值，以达到去尖锐“噪声”和平滑图像目的的。 具体计算方法与模板卷积方法类似，仍采用活动窗口的扫描方法。 取值时，将窗口内所有像元按亮度值的大小排列，取中间值作为中间像元的值。所以M×N取奇数为好。 均值滤波与中值滤波的比较及各自适用情况： 一般来说，图像亮度为阶梯状变化时，取均值平滑比取中值滤波要明显得多， 而对于突出亮点的“噪声”干扰，从去“噪声”后对原图的保留程度看取中值要优于取均值。 3．锐化（边缘增强） 目的1：为了突出图像的边缘、线状目标或某些亮度变化率大的部分，可采用锐化方法。 目的2：有时可通过锐化，直接提取出需要的信息。 锐化后的图像已不再具有原遥感图像的特征而成为边缘图像。 数字锐化（边缘增强）的原理是在边缘处产生附加（额外）的亮度变化率，以适应人眼的视觉特征，使边缘得到突出。 增强处理过程是首先提取边缘信息，然后经过处理使之与原来影像迭加，或者说，首先检测边缘，而后加权处理。 监测边缘通常采用微分方法，如梯度法、拉普拉斯算法、模糊法等。 加权处理通常采用卷积运算和卷积核设计来完成，并且卷积运算和卷积核设计是所有空间滤波方法的共同手段。 梯度法是多种边缘增强方法的基础。 ◢ 梯度法概述 这里所谓梯度，是指相邻像元的亮度变化幅度（亮度差） 一般原理：假定图像亮度变化为连续函数g(x,y)，则函数梯度比较大的点表示边缘的存在，因而求图像的梯度m，则是提取图像边缘信息的基础。 为了简单和易于理解，设一维图像g，