遥感地质学全套课件（上）.ppt

④数字图像几何纠正中控制点的选择 地面控制点（GCP，Ground Control Point）：一些特定的象元，其地图坐标为已知。 地面控制点特点： 人工地物 线性地物交叉点 不易随时间变化的目标 分布：较均匀分布与图像范围内，保证足够数量 1.图像校正 控制点的选择时的注意问题 多项式纠正法的精度与地面控制点（GCP）的精度、分布、数量及纠正范围有关； GCP的位置精度越高，则几何纠正的精度越高；适当增加GCP的个数，可以提高几何纠正的精度。 最少需求量：（n+1）（n+2）/2 20-30个GCP，一般可以满足需求 GCP分布应尽可能在整幅图像内均匀分布，否则在GCP密集区精度较高，在GCP分布稀疏区出现较大误差 1.图像校正 控制点的选择与分布 1.图像校正 纠正后——图像各处校正均匀 1.图像校正 增强处理：增强图像中的有用信息，利于识别分析。 包括： （1）直方图增强 反差增强 直方图匹配 彩色分割） （2）邻域增强 （3）图像变换 2. 图象增强 反差增强（Contrast enhancement） 也称辐射增强，按象元逐次进行。 主要通过改变图像灰度分布态势，扩展灰度分布区间，达到增强反差的目的。 通过调整直方图来实现 调整后的直方图应达到： 分布好（较均匀），没有大量暗或亮的象元集中分布 （1）直方图增强 反差增强原理 反差增强原理 纠正前的图像及直方图 反差增强 纠正后的图像及直方图 反差增强 反差增强分为两种情况： （1） 分段线性方法 （2）非线性方法 原始数据:SPOT 图像 原始图像 线性拉伸结果 （1）分段线性方法 增强某些部分，压制某些部分 斜率大的部分被拉伸增强，斜率小的部分被压缩 （1）分段线性方法 （2）非线性拉伸 对数拉伸：扩张低的灰度区，压缩高的灰度区 指数拉伸：扩展高灰度区间 直方图均衡化（Histogram Equalization） 将每个灰度区间等概率分布，代替了原来的随机分布，即增强后的每个灰度级内有大致相同的象元数；通过改变灰度区间来实现； 根据灰度值的出现频率来分配它们的亮度显示范围，频率高的部分被增强了，频率低的部分被压缩。 （2）非线性拉伸 效果：增强了峰值处的对比度，两端（最亮和最暗）的对比度减弱了。 直方图均衡化（Histogram Equalization） （2）非线性拉伸 原始的直方图 均衡化后的直方图 直方图均衡化（Histogram Equalization） （2）非线性拉伸 直方图均衡化（Histogram Equalization） （2）非线性拉伸 直方图匹配（histogram matching） 把原图像的直方图变换为某种指定形状的直方图或某一参考图像的直方图，然后按照已知的指定形态的直方图调整原图像各象元的灰级，最后得到一个直方图匹配的图像 主要应用于有一幅很好的图像作为标准的情况下，对另一图像进行匹配，以改善被处理图像的质量 应用于数字镶嵌 （1）直方图增强 直方图匹配条件 原始图像和参考图像 两个图像的直方图的总体形态应相似 图像中相对亮和暗的特征应相同 对某些应用，图像的分辨率应相同（但可不同） 图像中的地物类型的相对分布应相同，无论两幅图像是否覆盖同一地区。如一幅有云，另一幅没有云，应先将云去掉（覆盖），然后再进行直方图匹配 （1）直方图增强 伪彩色 （pseudocolor）-密度分割 单波段灰度图像的彩色表示或显示，将连续的灰度值转换为少量的灰度区间，并用不同的颜色表示，增强图像的目视解译效果。 （1）直方图增强 滤波 目的：抑制噪声，增强某些特征 途径： 平滑：均值、中位数滤波 锐化：边缘检测与增强 （2）邻域增强 概念：高频和低频信息 （2）邻域增强 均值滤波 窗口中心的象元被窗口内所有象元的均值代替 减少噪声，但同时也损失了某些高频信息 （2）邻域增强 中位数滤波（Median Filter） 窗口中心的象元 被赋予窗口内灰度值大小位于所有象元中间的值 （2）邻域增强 边缘检测与增强 边缘增强：增强几何细节的有效方法 原理：首先检测边缘，然后将边缘信息加到原始图像中，以增强边缘附近的对比度，或突出边缘。 常用方法： 梯度法 （2）邻域增强 （3）图像变换 涉及不同图像（波段）间的运算 A：主成分分析（PCA） B：K-T变换 C：算术运算（如植被指数） A：主成分分析（PCA） 多光谱数据各波段间往往存在一定程度的相关性， 光谱反射的相关性； 地形 遥感器波段间的重叠 应用PCA可以去除相关性、突出地物特征、压缩数据，另外还可以剔除噪声，因为PCA