遥感数字图像处理方法一.ppt

* Linearly Stretched Data Three band combination: Band 1 （spectral green） displayed as blue Band 2 （spectral red） displayed as green Band 3 （spectral NIR） displayed as red Unstretched Linear Stretch * 分段线性：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 * 非线性拉伸 对数拉伸：扩张低的灰度区，压缩高的灰度区 * 非线性拉伸 指数拉伸： 扩展高灰度区间 * 对数变换 指数变换 灰度翻转 * 直方图均衡化（Histogram Equalization） 非线性的增强方法； 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。 * 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） * 原始的直方图 均衡化后的直方图 直方图均衡化（Histogram Equalization） * 直方图均衡化（Histogram Equalization） * Histogram Equalization Stretch First band （Green） for sample SPOT image 直方图均衡化实例 * Three band combination: Band 1 （spectral green） displayed as blue Band 2 （spectral red） displayed as green Band 3 （spectral NIR） displayed as red 直方图均衡化实例 直方图均衡化（Histogram Equalization） Three band combination: Band 1 （spectral green） displayed as blue Band 2 （spectral red） displayed as green Band 3 （spectral NIR） displayed as red 直方图均衡化（Histogram Equalization） * 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 使用的模板有正态拉伸匹配、暗区拉伸匹配、亮区拉伸匹配 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 * 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 * * * * * 坐标关系 （xp ，yp）（XP，YP）分别是任意一个像元在原始图像和纠正后图像中的坐标。 直接 间接 * 坐标变换 * 图像灰度值的重采样 几何校正过程中，由于校正前后图像的像元大小可能变化、象元点位置的相对变化等，不能简单用原图像象元灰度值代替输出象元灰度值。 对应的坐标值可能不是整数 因此，需要插值（重采样） 三种插值方法：最邻近法、双线性法、三次卷积法 * 最邻近法（nearest neighbor） 用距离投影点（采样点）最近象元灰度值代替输出象元灰度值 简单、省时，保留原始图像的值 边缘出现锯齿状 * 最邻近法原理 * 最邻近法 优点： 1 保留大量原始灰度值，没有经过平滑处理，对于区分植被类型、识别线性特征等有重要意义 2 简易、省时 3 分类前使用 4 适合于专题文件 缺点： 1 锯齿状、不平滑 2 某些值重复、某些值丢失 3 对线性地物，可能出现不连续 * 原始图像 纠正后图像（最邻近插值） 最邻近法纠正效果 * 双线性内插法 取(z，y)点周围的4邻点，在y方向(或x方向)内插二次，再在x方向(或y方向)内插一次，得到(x，y)点的亮度值f(x，y)，该方法称双线性内插法. * 双线性（bilinear） 优点 1 较平滑，没有锯齿状 2 与最邻近法相比，空间信息更准确些 3 常用于改变象元大小时，如数据融合 缺点： 象元值被平均化，某些地物边缘更平滑，某些极值可能丢