第4章 遥感图像处理(3).pptVIP

Crist等人提出TM数据在K-T变换时的B值： 通过调整参数a1，a2，b1，b2，即改变变换直线的形态，可以产生不同的变换效果： a2-a1b2-b1，亮度范围扩大，图像被拉伸， a2-a1b2-b1，亮度范围缩小，图像被压缩。 对于a2与a1 ，是取在图像亮度值的全部或部分，偏亮或偏暗处，均可根据对图像显示效果的需要而人为地设定。 a，b，c为可调参数，可以改变指数函数曲线的形态，从而实现不同的拉伸比例。 对数变换 与指数变换相反，意 义是在亮度值较低的 部分拉伸，而在亮度 值较高的部分压缩， 对比度扩展的辐射增强：通过单个像元的运算从整体上改善图像的质量。 空间滤波：以重点突出图像上的某些特征为目的的采用空间域中的邻域处理方法。属于几何增强处理，主要包括平滑和锐化。 空间滤波是图象卷乘积运算的一种特殊应用。 在空间域上对图像作局部检测的运算，以实现平滑和锐化。 具体作法：选定一卷积函数（又称“模板”，实际上是一个M×N图像），二维的卷积运算是在图像中使用模板来实现运算的。 : 从图像左上角开始开一与模板同样大小的活动窗口，图像窗口与模板像元的亮度值对应相乘再相加。假定模板大小为M*N，窗口为Φ(m,n)，模板为t(m，n)，则模板运算为 图像中某些亮度变化过大的区域，或出现不该有的亮点（“噪声”），采用平滑的方法减小变化，使亮度平缓或去掉不必要的“噪声”点。具体方法有： ???? 均值平滑 ???? 中值滤波：是将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。 常用3×3的模板作卷积运算，其模板为 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。 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。常用几种： ???? 罗伯特梯度 ???? 索伯尔梯度 ???? 拉普拉斯算法 ???? 定向检测 梯度较大的位置 －－－边缘 －－－梯度计算值代替边缘处像元的值 －－－实现图像的锐化。 相当于取窗口2×2大小，用模板t1作卷积计算后取绝对值加上模板t2计算后的绝对值。计算出的梯度值放在左上角的像元f（i，j）的位置，成为r（i，j）。 罗伯特梯度的意义：交叉的方法检测出像元与其邻域在上下之间或左右之间或斜方向之间的差异，最终产生一个梯度影像，提取边缘. 为突出主要边缘，需将图像的其他亮度差异部分模糊掉，故采用设定正阈值的方法，只保留较大梯度值改善锐化后效果。 与罗伯特方法相比，较多地考虑邻域点的关系，窗口由2×2扩大到3×3，检测边界更精确。 拉普拉斯算法：即上下左右4个邻点的值相加再减去该像元值的4倍，作为这一像元的新值。 拉普拉斯算法的意义：与前述两种算法不同，它不检测均匀的亮度变化，而是检测变化率的变化率 单波段黑白遥感图像按亮度分层，对每层赋予不同的色彩，使之成为一幅彩色图像。 即按图像的密度进行分层，每一层所包含的亮度值范围可以不同。 加色法彩色合成原理---选择遥感影像的某三个波段---分别赋予红、绿、蓝三种原色---合成彩色影像。 真彩色合成 假彩色合成 ???? 多波段影像合成时，方案的选择决定彩色影像能否显示较丰富的地物信息,或突出某一方面的信息。 ???? 颜色立体曲线锥形改成上 下两个六面金字塔状。 Hotelling变换，主成分分析（principal component analysis）着眼于变量之间的相互关系，尽可能不丢失信息的用几个综合性指标汇集多个变量的测量值而进行描述的方法。 通过采用主成分分析就可以把图像中所含的大部分信息用假想的少数波段表示出来，这意味着信息几乎不丢失但数据量可以减少。 主成分分析主要特征: 变换前后方差总和不变，而是将原来方差不等量地再分配到新的主分量影像中；变换后的各主分量之间的相关系数为0或接近0;第一主分量包括了原始多波段影像信息的绝大部分内容，其它各主分量所包括的信息逐渐递减；第一主分量相当于原始各波段的加权和，而权值又与该波段的方差大小成正比。 主成分分析用于影像融合可采用以下两种方式进行: 1)、用另一传感器影像替代多波段影像经主分量变换后的第一主分量，这种方法基本思路是通过一高分辨率（如SPOT全色影像）来提高多光谱影像（如TM多光谱影像）的空间分辨率，首先将预处理好的高分辨率影像替代多光谱影像的第一主分量影像，然后进行主分量逆变换； 2）、对所有要融合的多传感器影像进行主成份分析，将高分辨率影像与多光谱影像一起进行主分量变换，复合生成一个影像文件，它集成了多传感器输入数据的不同特征。 主成分分析用于影像融合可采用以下两种方式进行: 1)、用SPOT全色影像替代多波段影像经主分量变换后的第一主分量，然后