遥感数字图像处理_数字影像增强课件.ppt

3.1.2 锐化(边缘增强） 为了突出影像的边缘、线状目标或某些亮度变化率大的部分，可采用锐化方法。有时可通过锐化，直接提取出需要的信息。锐化后的影像已不再具有原遥感影像的特征而成为边缘影像。锐化的方法很多，在此只介绍常用的几种： 罗伯特梯度 索伯尔梯度 拉普拉斯算法 走向检测 梯度反映了相邻像元的亮度变化率，也就是说，影像中如果存在边缘，如湖泊、河流的边界，山脉和道路等，则边缘处有较大的梯度值。对于亮度值较平滑的部分，亮度梯度值较小。因此，找到梯度较大的位置，也就找到边缘，然后再用不同的梯度计算值代替边缘处像元的值，也就突出了边缘，实现了影像的锐化。 3.2 空间频率域滤波 通过修改原影像的傅立叶变换式实现滤波。滤波函数有低通滤波、高通滤波和带通滤波等。 低通滤波用于仅让低频的空间频率成分通过而消除高频成分的场合，由于影像的噪声成分多数包含在高频成分中，所以可用于噪声的消除。 高通滤波仅让高频成分通过，可应用于目标物轮廓的增强。 带通滤波由于仅保留一定的频率成分，所以可用于提取、消除每隔一定间隔出现的干扰条纹的噪声。 空间滤波实习： 1卷积增强处理 2非定向边缘增强 3聚焦分析（包含平滑） 4锐化 4 影像运算 两幅或多幅单波段影像，完成空间配准后，通过一系列运算，可以实现图像增强，达到提取某些信息或去掉某些不必要信息的目的。 4.1 差值运算 即两幅同样行、列数的影像，对应像元的亮度值相减。 差值运算应用于两个波段时，相减后的值反映了同一地物光谱反射率之间的差。由于不同地物反射率差值不同，两波段亮度值相减后，差值大的被突出出来。例如，当用红外波段减红波段时，植被的反射率差异很大，相减后的差值就大，而土壤和水在这两个波段反射率差值就很小，因此相减后的影像可以把植被信息突出出来。如果不作相减，在红外波段上植被和土壤，在红色波段上植被和水体均难区分。因此影像的差值运算有利于目标与背景反差较小的信息提取，如冰雪覆盖区，黄土高原区的界线特征；海岸带的潮汐线等。 另外，差值运算还常用于研究同一地区不同时相的动态变化。如监测森林火灾发生前后的变化和计算过火面积；监测水灾发生前后的水域变化和计算受灾面积及损失；监测城市在不同年份的扩展情况及计算侵占农田的比例等。 有时为了突出边缘，也用差值法将两幅影像的行、列各移一位，再与原影像相减，也可起到几何增强的作用。 4.2 比值运算 两幅同样行、列数的影像，对应像元的亮度值相除（除数不为0） 比值运算可以检测波段的斜率信息并加以扩展，以突出不同波段间地物光谱的差异，提高对比度。该运算常用于突出遥感影像中的植被特征、提取植被类别或估算植被生物量，这种算法的结果称为植被指数，常用算法： 近红外波段／红波段 或 （近红外-红）/(近红外+红） 比值运算对于去除地形影响也非常有效。由于地形起伏及太阳倾斜照射，使得山坡的向阳处与阴影处在遥感影像上的亮度有很大区别，同一地物向阳面和背阴面亮度不同，给判读解译造成困难，特别是在计算机分类时不能识别。由于阴影的形成主要是地形因子的影响，比值运算可以去掉这一因子影响，使向阳与背阴处都毫无例外地只与地物反射率的比值有关。 比值处理还有其他多方面的应用，例如对研究浅海区的水下地形有效，对土壤富水性差异、微地貌变化、地球化学反应引起的微小光谱变化等，对与隐伏构造信息有关的线性特征等都能有不同程度的增强效果。 影像运算实习： 代数运算(operators) 5 多光谱变换 遥感多光谱影像，特别是陆地卫星的TM等传感器，波段多，信息量大，对影像解译很有价值。但数据量太大，在图像处理计算时，也常常耗费大量的机时、占据大量的磁盘空间。实际上，一些波段的遥感数据之间都有不同程度的相关性，存在着数据冗余。多光谱变换方法可通过函数变换，达到保留主要信息，降低数据量；增强或提取有用信息的目的。其变换的本质是对遥感影像实行线性变换，使多光谱空间的坐标系按一定规律进行旋转。 所谓多光谱空间就是一个n维坐标系，每一个坐标轴代表一个波段，坐标值为亮度值，坐标系内的每一个点代表一个像元。像元点在坐标系中的位置可以表示成一个n维向量：其中每个分量xi表示该点在第i个坐标轴上的投影，即亮度值。这种多光谱空间只表示各波段光谱之间的 关系，而不包括任何该点在原影像中的位置信息，它没有影像空间的意义，遥感数据采用的波段数就是光谱空间的维数。 5.1 K-L变换 K－L变换是离散（Karhunen－loeve）变换的简称，又被称作主成分变换。它是对某一多光谱影像X，利用K－L变换矩阵A进行线性组合，而产生一组新的多光谱影像Y，表达式为： Y=AX 即 对影像中每一像元矢量逐个乘以矩阵A，便得到