第五章 遥感图像处理基础(四).pptVIP

第五章 遥感数字图像预处理 5.1 遥感图像几何校正 5.2 遥感图像辐射校正 5.3 遥感图像增强与变换 5.4 遥感图像中的特征提取 5.3 遥感图像增强与变换 空间域滤波增强 5.3 遥感图像增强与变换 空间域滤波增强 5.3 遥感图像增强与变换 空间域滤波增强 5.3 遥感图像增强与变换 空间域滤波增强 5.3 遥感图像增强与变换 空间域滤波增强 5.3 遥感图像增强与变换 空间域滤波增强 5.3 遥感图像增强与变换 空间域滤波增强 5.3 遥感图像增强与变换 空间域滤波增强 5.3 遥感图像增强与变换 空间域滤波增强 5.3 遥感图像增强与变换 空间域滤波增强 5.3 遥感图像增强与变换 空间域滤波增强 5.3 遥感图像增强与变换 空间域滤波增强 * * 对比度扩展的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，两者在方法和效果上不同。 空间滤波是指通过考察像元与其周围相邻像元的关系，采用空间域中的邻域（模板）处理实现图像增强的方法。 在使用邻域对图像进行运算时，一般采用空间卷积技术（又称掩膜技术），即在原图像上移动“活动窗口”逐块进行局部运算，以实现增强目的。 什么是图像卷积运算？ 卷积运算的具体做法是选定某一卷积函数，又称模板，实际上是一副小的M×N图像。 运算过程是：使用此模板从图像左上角开始开辟一个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，将结果赋予窗口中心位置像元。然后活动向右移动一列，同样运算，依次进行，逐行扫描，直至结束。 注：由于新的灰度值位于窗口中心，所以模板的M、N一般区奇数，且M=N。如3×3、5×5、7×7等。 设选定的运算模板为 ，其大小为M×N，从图像左上角开设的活动窗口为 ， 为活动窗口中心像元的新的灰度值。则卷积运算可表示为： 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，采用平滑可以减小变化，使亮度平缓或去掉不必要的“噪声”。但是由于图像细节一般集中于高频区域，平滑也是图像细节消退的过程。 具体方法主要有： （1）均值平滑 均值平滑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的目的。当区域为M×N时，公式为： 常用3×3模板做卷积运算： （2）中值滤波 中值滤波是将邻域中的像素按灰度级排序，取其中间值为输出像素。取值时，将窗口内的所有像素按灰度排列，取中间值作为中间像元的值。 图像为阶梯变化时，均值平滑效果好；而对于亮点噪声，中值滤波要更好。 3、锐化 为了突出图像的边缘、线状目标和某些亮度变化较大的部分，可采用锐化的方法，有时可通过锐化直接提取出需要的信息。锐化后的图像已不在具有原图像的遥感特征而成为边缘图像。 （1）水平垂直差分法（梯度锐化法） 梯度反映相邻像元的亮度变化率。也就是说，图像中如果存在边缘、如湖泊、河流边界、山脉和道路等，则边缘处有较大的梯度值。 而大面积的平原、海面灰度变化较小，一定具有较小的梯度值。 因此，以梯度值替代像元的原灰度值生成的梯度图像，在梯度图像上梯度值较大的部分就是边缘。对于遥感数字图像，可以近似认为： （2）Roberts梯度 与上面的类似，这是一种交叉差分计算方法。 Roberts梯度相当于在图像上开了2×2窗口。意义在于用交叉的方法检测像元与其上下或左右之间的差异，产生梯度图像。 （3）Prewitt和Sober梯度 Prewitt算法较多地考虑了邻域点的关系，将模板从2×2扩大到3×3： Sober算法是在Prewitt算法的基础上，采用加权进行差分，因而对边缘更精确： （4）Laplace梯度 Laplace算子表达式为： Laplace算子取某像元上下左右4个像元的值相加的和减去该像元的4倍，作为该像元新的灰度值。此算法不检测均匀的灰度变化，而检测变换的速率，其结果更能突出边缘突变的位置。 除了上述以外，通常用于卷积滤波的Laplace算法还有： （5）定向检测