实习的遥感影像空间增强和傅立叶变换滤波处理.docx

实习序号及题目 遥感影像空间增强与傅立叶变换滤波处理 实习人姓名 专业班级及编号 任课教师姓名 实习指导教师姓名 实习地点 榆中校区实验楼A209 实习日期时间 2013-11-21 实习目的 理解遥感影像空间增强和傅立叶变换的概念和意义，掌握运用ENVI/IDL进行空间增强和傅立叶变换及滤波进行地形和地貌信息提取的步骤和方法。 学会使用SRTM DEM数据应用的初步步骤。 基本原理 1、遥感影像空间增强是指通过直接改变遥感影像中单个像元与它周围像元的灰度值来增强遥感影像。目的是为了改善遥感影像的显示效果，更好地进行目视解译；提取更多的地物信息；消除影像噪声信号或数据缺失，遥感影像空间增强的方法有：代数运算、空间卷积、傅立叶变换、主成份分析、樱帽变换、纹理分析、彩色变换、影像融合。 此次实习过程中主要有以下几种方式： 1-1、空间卷积（Spatial Convolution）又称为空间滤波（filtering），是一种对单位像元与其邻域的像元的灰度值在掩膜（窗口window实质为变换矩阵函数）的作用下进行函数变化，使单位像元的灰度值变化。目的是为了提取影像中灰阶、彩色变化以及变异性的提取和对影像中噪声信号的减弱。 卷积计算公式为：g( 其中：g( f( w( 注：选取不同窗口参数矩阵，可以完成不同的功能 2、纹理分析 纹理是一种重要的视觉信息，是遥感图像存在而又难以描述的特征，主要体现遥感影像中局部灰度或者彩色的有规律重复出现。它是影像中地物形状、大小、色彩等的综合体现，为遥感影像的目视解译提供了有力的信息。 目前对于纹理的信息提取方法有二类：结构法与统计法。结构法把纹理视为由基本纹理元按特定的排列规则构成的周期性重复模式。统计方法有自相关函数、灰度行程和自回归模型等，统计方法将纹理描述为光滑、粗糙、粒状等。 2-1、纹理信息的提取方法：灰度共生矩阵 灰度共生矩阵是是根据2个位置的像元的联合概率来定义，它不仅反映亮度的分布特性，也反映具有同样灰度或接近灰度的像元之间的位置分布特性，是有关影像像元灰度变化的二阶统计特征，它是定义一组纹理特征的基础。 定义的位置算子： Δxy Δxy Δy Δx 0 基于灰度共生矩阵的纹理信息计算方法：角度二阶矩（Angular Second Moment, ASM）、对比度CON、相关性COR、熵ENT2、同质性HOM 3、傅里叶变换消除周期噪声 傅里叶变换说明了非周期的函数可以用正弦函数和/或余弦函数乘以加权函数的积分来表示。如图： 傅里叶变换将函数的值域（红色）与频域（蓝色）相关联。频谱中的不同成分频率在频域中以峰值形式表示。从而产生频率域影像坐标系，如下如图所示： 傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数傅立叶频谱图上我们看到的明暗不一的亮点，实际上图像上某一点与邻域点差异的强弱，即梯度的大小，也即该点的频率的大小 傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数 傅立叶频谱图上我们看到的明暗不一的亮点，实际上图像上某一点与邻域点差异的强弱，即梯度的大小，也即该点的频率的大小 3-1、傅里叶变换消除噪声是在完成了傅里叶变换之后，通过观察频率域影像，选取高亮部分（图像上单位像元与邻域像元差异较大），制作成滤波模板，然后用制作好的滤波模板完成对噪声信号的剔除，形成新的频率影像，最后通过傅里叶逆变换，完成从频率域到空间域的变换，得到去除噪声的影像。 数据准备 ESRI Data& Map 9.x：SRTM DEM ENVI/IDL或ERDAS Imagine实习数据：Landsat tm_1.img； 操作方法及过程 在视窗中加载亚洲幅SRTM DEM影像数据srtm_n_elev_e.jp2，从中裁剪中国境内一适当子区。 Basic Tools | Resize Data | 选择裁剪范围 | 文件保存 （图4-1） （图4-1）为我裁剪的子区：陕西省宝鸡市； map info = {Geographic Lat/Lon, 1.0, 1.0, 106.45, 35.04, WGS-84, units=Degrees}此字段包括了子区的基本信息，经纬度分别为106.45E、35.04N，坐标参考系为WGS-84。 利用下述操作对影像DEM数据进行处理，比较变换前后影像的显示结果 卷积增强： Filter | Convolutions and Morphology Convolution后面为卷积变换类型；Kernel Size后面为窗口的行数与列数； Convolution后面为卷积变换