nullnull环境遥感数字图像处理
遥感图像描述
主要
内容
财务内部控制制度的内容财务内部控制制度的内容人员招聘与配置的内容项目成本控制的内容消防安全演练内容
校正处理
增强处理
多源信息融合
图像分类遥感图像描述遥感图像描述数字图像的
表
关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf
示
数字图像的表示
图像的像素
图像是像素的二维排列
数字图像的
数学
数学高考答题卡模板高考数学答题卡模板三年级数学混合运算测试卷数学作业设计案例新人教版八年级上数学教学计划
表示数字图像的数学表示二维矩阵或数组A[m,n]
m , n说明图像的宽和高
矩阵元素a(i j)的值表示图像在第i 行,第j 列的像素的灰度值
二维离散亮度函数f(i,j)
i,j说明图像像素的坐标
函数值f 代表了在点(i,j)处像素的亮度值
对比模拟图像
遥感数字图像
遥感数字图像
由传感器远距离获取目标的电磁波信息生成的数字图像,其源图像通常是自然景观,特别是地表景观。遥感数字图像形成和显示的过程null
遥感图像的数据存储格式:
目前遥感数据采用LTWG格式(Landsat技术工作组提出的世界
标准
excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载
格式),有下列三种存储方式:
①逐波段存储,分波段处理时采用,BSQ格式(Band Sequential)现用;
②逐行存储,行扫描记录设备采用, BIL格式(Band Interleaved by Line) ;
③逐像素存储,用于分类,BIP格式(Band Interleaved by Pixel)。
其他图像格式:TIFF,BMP等null主要内容主要内容null校正处理(图像恢复或图像复原):
包括辐射校正、几何校正等
变换处理:
从某一空间投影到另一空间,一部分信息被增强,包括:彩色增强、直方图增强、图像运算、邻域增强、频率域增强、傅立叶变换、高斯滤波、K-L变换、K-T变换和多信息融合。
环境信息提取:
按一定规则对遥感信息进行环境特征分析,提取有用的环境信息,制成环境专题图。主要是遥感图像的分类处理,包括非监督分类、监督分类、神经网络分类、模糊分类、空间信息提取等校正处理校正处理图象的辐射纠正图象的辐射纠正1.1为什么要进行辐射纠正?
1) 传感器本身的特性,
2)大气对于电磁辐射的衰减;(散射、 反射和吸收)
3) 地形因子的影响——阴影
4) 其它生态环境因子
形成“同物异谱,异物同谱”现象。
图象不能全部真实地反映不同地物地特征,影响了数字图象的质量。 纠正方法纠正方法1)遥感器纠正:遥感器的设计
2)大气辐射纠正:
3) 地形辐射纠正:需要DEM
4)地物反射模型纠正:需要和成像时刻取得同步的地面地物光谱测量数据。
大气纠正方法大气纠正方法1)以红外波段最低值校正可见光波段
2)回归法
3)相对散射模型以红外波段最低值校正可见光波段以红外波段最低值校正可见光波段前提假设:大气散射的影响主要在短波波段,红外波段中清洁的水体几乎不受影响,反射率值应当为0。由于散射影响,而使得水体的反射率不等于0,推定是由于受到了天空辐射项的影响。
直方图法确定
纠正方法:差值法回归法回归法原理:蓝光波段散射最强,红外波段散射最小。深大水体和阴影如果没有受到散射影响,各波段都是黑色的。选择最黑的目标做回归分析。
选择可见光和红外波段进行2维散点图,建立线性回归方程。
待校正波段黑色目标的灰度值红外波段黑色目标的灰度值回归直线截距回归直线斜率回归法(续1)回归法(续1)TM4TM7null直方图法0值处有像元数
0值处没有像元数
遥感图像几何畸变 遥感图像几何畸变 遥感器本身引起的畸变
外部因素引起的畸变
处理过程中引起的畸变 环境遥感图像的几何畸变和几何纠正方法 遥感器本身引起的畸变遥感器本身引起的畸变遥感器本身引起的几何畸变与遥感器的结构、特性和工作方式不同而异。这些因素主要包括:
1) 透镜的辐射方向畸变像差;
2) 透镜的切线方向畸变像差;
3) 透镜的焦距误差;
4) 透镜的光轴与投影面不正交;
5) 图像的投影面非平面;
6) 探测元件排列不整齐;
7) 采样速率的变化;
8) 采样时刻的偏差;
9) 扫描镜的扫描速度变化 。MSS 举例MSS 举例例如扫描形式成像的MSS,产生的几何畸变主要是由于扫描镜的非线性振动和其它一些偶然因素引起的。在地面上影响可达395米。 全景畸变:外部因素引起的畸变 外部因素引起的畸变 影响图像变形的外部因素包括:
1) 地球的曲率
2) 大气密度差引起的折光
3) 地形起伏
4) 地球自传
5) 遥感器轨道位置和姿态等 地球自传引起的误差地球自传引起的误差地球曲率和地形起伏引起的误差地球曲率和地形起伏引起的误差遥感器轨道位置和姿态引起的误差遥感器轨道位置和姿态引起的误差中心投影遥感器轨道位置和姿态引起的误差遥感器轨道位置和姿态引起的误差多中心投影
例如
MSS
TM处理过程中引起的畸变处理过程中引起的畸变遥感图像在处理过程中产生的误差,主要是由于处理设备产生的噪声引起的。
传输、复制
光学
数字 遥感图像的几何纠正方法遥感图像的几何纠正方法遥感图象的几何粗处理和精处理。
遥感图像的几何纠正按照处理方式分为光学纠正和数字纠正。
光学纠正主要用于早期的遥感图像的处理中,现在的应用已经不多。除了对框幅式的航空照片(中心投影)可以进行比较严密的纠正以外,对于大多数动态获得的遥感影像只能进行近似的纠正。
主要介绍数字图像的几何纠正。
坐标关系 坐标关系 数字图象几何纠正:通过计算机对离散结构的数字图像中的每一个像元逐个进行纠正处理的方法。
这种方法能够精确地改正动态扫描图像所具备地各种误差。
基本原理:利用图像坐标和地面坐标(另一图像坐标、地图坐标等)之间的数学关系,即输入图像和输出图像间的坐标转换关系实现。
坐标关系(续1)坐标关系(续1) 其中,(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。直接间接坐标关系(续2)坐标关系(续2)直接纠正方法:从原始图像,依次对每个像元根据变换函数 F(),求得它在新图像中的位置。并将灰度值付给新图像的对应位置上。
间接纠正法:由反解变换公式,从新图像中依对次每个像元,根据变换函数 f ( ) 找到它在原始图像中的位置,并将图像的灰度值赋予新图像的像元。确定新的图像的边界 确定新的图像的边界 纠正后图像和原始图像的形状、大小、方向都不一样。所以在纠正过程的实施之前,必须首先确定新图像的大小范围。
根据公式6-1,6-2求出原始图像四个角点(a, b, c, d)在纠正后图像中的对应点(a’, b’, c’, d’)的坐标(Xa’,Ya’)(Xb’,Yb’) (Xc’,Yc’) (Xd’,Yd’),
然后求出最大值和最小值。 确定新的图像的边界(续1)确定新的图像的边界(续1)X1 = min (Xa’, Xb’, Xc’, Xd’)
X2 = max (Xa’, Xb’, Xc’, Xd’)
Y1 = min (Ya’, Yb’, Yc’, YXd’)
Y2 = max (Ya’, Yb’,Yc’, Yd’)确定新图像的分辨率确定新图像的分辨率目的是确定新图像宽度和高度;
根据精度要求,在新图像的范围内,划分网格,每个网格点就是一个像元。
新图像的行数 M=(Y2-Y1)/△Y+1;
新图像的列数 N=(X2-X1)/△X+1;
新图像的任意一个像元的坐标由它的行列号唯一确定。灰度的重采样灰度的重采样纠正后的新图像的每一个像元,根据变换函数,可以得到它在原始图像上的位置。如果求得的位置为整数,则该位置处的像元灰度就是新图像的灰度值。
如果位置不为整数,则有几种方法:
1) 最近邻法
2) 双线性内插法
3)三次卷积法 灰度的重采样(续1)灰度的重采样(续1)1) 最近邻法:距离实际位置最近的像元的灰度值作为输出图像像元的灰度值;灰度的重采样(续2)灰度的重采样(续2)2)双线性法:以实际位置临近的4个像元值,确定输出像元的灰度值。公式为: 灰度的重采样(续3)灰度的重采样(续3)3)三次卷积法 以实际位置临近的16个像元值,确定输出像元的灰度值。公式为: PSF 三次样条函数 sinc函数灰度的重采样(续4)灰度的重采样(续4)几种采样方法的优缺点:1)最近邻法:计算简单,一般情况下可接受,灰度级细微变化…,保留原始数据。
2) 双线性插值:计算,效果,细节丧失;斜率数字图象的纠正过程数字图象的纠正过程综上所述: 纠正的函数可有多种选择:多项式方法、共线方程方法、随机场内插方法等等。其中多项式方法的应用最为普遍。 遥感数字图像的多项式纠正 遥感数字图像的多项式纠正 多项式纠正的基本思想:图像的变性规律可以看作是平移、缩放、旋转、仿射、偏扭、弯曲等形变的合成。一般的公式为: 2) 直接法 1) 间接法 利用有限的控制点的已知坐标,解求多项式的系数,确定变换函数。然后将各个像元带入多项式进行计算,得到纠正后的坐标。遥感数字图像的多项式纠正 (续1)遥感数字图像的多项式纠正 (续1)1) 表征空间位置的可靠性,道路交叉点,标志物,水域的边界,山顶,小岛中心,机场等。
同名控制点要在图像上均匀分布;
清楚辨认;
数量应当超过多项式系数的个数((n+1)*(n+2)/2)。当控制点的个数超过多项式的系数个数时,采用最小2乘法进行系数的确定,使得到的系数最佳。 控制点的选择原则:最小二乘法最小二乘法最小二乘法最早称为回归分析法。由著名的英国生物学家、统计学家道尔顿(F.Gallton)所创。
探索变量之间关系最重要的方法,用以找出变量之间关系的具体表现形式。
后来,回归分析法从其方法的数学原理——误差平方和最小(二乘是平方的意思)出发,改称为最小二乘法。 最小二乘法(续1)最小二乘法(续1)为了精确地描述Y与X之间的关系,必须使用这两个变量的所有观察值,才不至于以“点”概面(作到同步与全面)。
2.Y与X之间是否是直线关系(用协方差或相关系数衡量)?若是,将用一条直线描述它们之间的关系。
3.在Y与X的散点图上画出直线的方法很多。
任务?——找出一条能够最好地描述Y与X(代表所有点)之间关系的直线。
4.什么是最好?—找出判断“最好”的原则。
最好指的是找这么一条直线,使得所有点到该直线的纵向距离的和(平方和)最小。
5.三种距离最小二乘法(续2)最小二乘法(续2)
点到直线的距离——点到直线的垂直线的长度。
横向距离——点沿(平行)X轴方向到直线的距离。
纵向距离——点沿(平行)Y轴方向到直线的距离。也就是实际观点的Y坐标减去根据直线方程计算出来的Y^的拟合值。最小二乘法(续3)最小二乘法(续3)纵向距离是Y的实际值与拟合值之差,差异大拟合不好,差异小拟合好。
将所有纵向距离平方后相加,即得误差平方和。所以,“最好”直线就是使误差平方和最小的直线。
运用求极值的原理,将求最好拟合直线问题转换为求误差平方和最小的问题。最小二乘法(续3)最小二乘法(续3)软件实习软件实习6.3.1 图像到图像的几何纠正(配准)
6.3.2 图像的拚接(图象的镶嵌)
软件操作软件操作卫星影像几何校正
第1步:显示图像文件
viewer1, viewer2;
Session>tile viewers;
在viewer1中打开需要校正的图像spot_tj.img;
在viewer2中打开作为地理参考矫正过的图像iknos_tj.img。
null第2步:启动几何校正模块
1.Viewer1中,单击raster>geometric correction;
2.在set geometric model 对话框选多项式几何校正模型polynomial;
3.单击Ok, 同时打开Geo Correction Tools 和Polynomial Properties对话框, 在Polynomial Properties中定义参数:
(1) Polynomial Order多项式次方选2
(2) Projection投影参数略(因为Iknos图像已含有投影信息)
(3) 单击Close或Apply, 打开GCP Tool Reference Setup对话框;
null第3步:启动控制点工具
在GCP Tool Reference Setup中选Existing Viewer;
单击OK(关闭GCP Tool Reference Setup);
打开Viewer Selection Instruction指示器;
单击viewer2中的图像;
打开Reference Map Information提示框;
单击OK(关闭Reference Map Information);
屏幕出现2个主窗口、2个放大窗口、2个关联方框,进入控制点采集状态。
null
第4步:采集地面控制点
1.在GCP工具框单击控制点选择图标;
2.在GCP数据表将Color设置为明显的黄色;
3.在Viewer1中移动关联框选明显的地物特征点,作为输入的GCP;
4.在GCP工具框单击Create GCP图标,在Viewer3中单击定点;
5.单击,重新进入GCP选择状态;
6.在GCP数据表将参考GCP设置为红色;
7.在Viewer2移动关联框寻找对应地物特征点,作为参考GCP;
8.选,在Viewer4中单击定点,系统自动显示参考点坐标;
9.单击,重新进入GCP选择状态;光标移回Viewer1,准备采集另一个控制点;
10.不断重复1~9,采集足够的GCP。
null第5步:采集地面检查点
在GCP工具框Edit菜单选Set Pint Type>Check
在GCP工具框单击Edit>Point Matching选GCP Matching 参数
(1) Max Search Radius>3; Search Window Size>X=5, Y=5
(2) 相关阈值Correlation Threshold=0.8, 选Discard Unmatched Pint
(3) 选Reference from Input或Input from Reference
(4) Close
单击 和 , 同选择控制点一样, 分别在Viewer1和Viewer2定义五个检查点, 然后Unlock,
单击 计算检查点误差, 所有检查点误差均小于一个像元时,才能进行重采样
null第6步:计算转换模型
点击Geo Correction Tools中图标Display Model Properties ,查阅模型参数,记录转换模型
null第7步:图像重采样
1.点击Geo Correction Tools中图标Image Resample
2.Output File=spot_tj_rectify.img
3.Resample Method=Nearest Neighbor临近点插值法, 临近像元值直接赋予输出像元(Bilinear Interpolation:双线性插值, 双线性方程和2x2模板计算输出像元; Cubic Convolution: 立方卷积插值, 三次方程和4x4模板计算输出像元值)
4.定义输出图像范围Output Corners: ULX, ULY, LRX,LRY
5.定义输出像元大小(Output Cell Size): X=11, Y=11
6.选中Ignore Zero in Stats复选框
7.设置Recalculate Output Defaults(Skip Factor=10)
8.OK
null第8步:保存几何校正模式
点击Geo Correction Tools中的Exit,系统提示定义模式文件(*.gms), 便于下次直接使用.
第9步:检验校正结果
1.点击File>Open>Raster Option或Session>Tile
2.在Viewer1击右键, 选择Geo Link/Unlink, 单击Viewer2, 与Viewer1连接
3.在Viewer1击右键, 选择Inquire Cursor, 在Viewer1中移动查询光标,观察二者位置及匹配程度。
卫星图像拼接
Satellite Image Mosaic卫星图像拼接
Satellite Image Mosaic
原图像为3幅陆地资源卫星图像wasia1_mss.img,wasia2_mss.img,wasia3_tm.img
null第1步:启动图像拼接工具
2种途径:
1.Main>Data Preparation>Mosaic
2.点击工具条Data Prep >Data Preparation>Mosaic Image
null第2步:加载图像
在Mosaic Tool点击菜单Edit>Add Image或单击图标, 在Add Image for Mosaic对话框设置参数:
(1) Image File Name:wasia1_mss.img
(2) Image Area Option:Computer Active Area(Edge)
(3) 单击Add
(4) 同样依次加载wasia2_mss.img,wasia3_tm.img
(5) 单击Close
1.图像叠置组合
在Mosaic Tool点击Set Input Mode图标,单击图形窗口需要调整的图像,用如下图标调整
:Send Selected Image(s)to Top
:Send Selected Image(s) Up One
:Send Selected Image(s)to Bottom
:Send Selected Image(s)Down One
:Reverse Order of Selected Image(s)
null第4步:图像匹配设置
在Mosaic Tool点击Edit>Image Matching, 在Mosaic Tool点击Set Input Mode图标, 单击Image Matching图标, 设置Image Matching对话框参数:
(1) Matching Method:Overlap Area
(2) OK
在Mosaic Tool点击Edit>Set Intersection Mode图标,单击Overlap Function,设置Set Overlap Function对话框参数:
(1) Intersection Method:No Cutline Exit(无裁切线)
(2) Select Function:Average(叠置区灰度计算,均值法)
(3) Apply
(4) Close
null第5步:运行Mosaic工具
在Mosaic Tool点击Process>Run Mosaic, 设置Run Mosaic对话框参数:
(1) Output File Name:wasia_mosaic.img
(2) Witch Outputs:All
(3) Ignore Input Value:0
(4) Output Background Value:0
(5) 选择Stats Ignore Value复选框
(6) OK
第6步:退出Mosaic工具
在Mosaic Tool点击File>Close,系统提示是否保存Mosaic设置,单击No。
增强处理增强处理null 图像增强是采用一系列技术有选择地突出某些感兴趣的信息,同时抑制一些不需要的信息,以提高图像的使用价值。图像增强的目的在于:
图像增强不是以图像保真度为原则,不会增加图像数据中的信息,只是扩大所选择特征的动态范围。
图像增强方法从增强的作用域出发,可分为彩色增强、空间域增强和频率域增强两种。
彩色增强 利用人眼的视觉特性,将灰度图像变成彩色图像或改变彩色图像已有彩色的分布,改善图像的可分辨性。彩色增强方法可分为假彩色密度分割、彩色增强和多波段彩色合成等。
空间域增强 直接对图像像素进行处理;
频率域增强 对图像经傅立叶变换后的频谱成分进行处理,然后逆傅立叶变换获得所需的结果。 null假彩色密度分割
密度分割法是把黑白图像的灰度级从0(黑)到M0(白)分成N个区间Ii(i=1,2,…,N),给每个区间Ii指定一种彩色Ci,这样,便可以把一幅灰度图像变成一幅伪彩色图像。
该方法比较简单、直观。缺点是变换出的彩色数目有限。 null彩色增强(变换)
根据色度学原理,将原图像f(x,y)的灰度范围分段,经过红、绿、蓝三种不同变换TR(•)、TG(•)和TB(•),变成三基色分量IR(x,y)、IG(x,y)、IB(x,y),然后用它们分别去控制彩色显示器的红、绿、蓝电子枪,便可以在彩色显示器的屏幕上合成一幅彩色图像。 null假彩色合成
频率域伪彩色增强的方法是:
把黑白图像经傅立叶变换到频率域,在频率域内用三个不同传递特性的滤波器分离成三个独立分量;
然后对它们进行逆傅立叶变换,便得到三幅代表不同频率分量的单色图像,接着对这三幅图像作进一步的处理(如直方图均衡化)
最后将它们作为三基色分量分别加到彩色显示器的红、绿、蓝显示通道,得到一幅彩色图像。 nullB5 1.550-1.750Landsat-7 ETMB4 0.775-0.900B7 2.090-2.35假彩色合成nullB3 0.630-0.690Landsat-7 ETMB2 0.525-0.605B1 0.450-0.515真彩色合成null色相(H)是指红、橙、黄、绿、青、蓝、紫等不同颜色。取决于光谱组成,反射强度以及人眼对于光谱的反应能力。
明度(L or I)是指色彩的明暗程度。对于物体来说也称亮度、深浅程度,对于光源来说也称光度。比如同样是“红”颜色,还有深浅之分,可以分出不同的明暗层次。对于“灰白”色,可以分出由“黑”到“白”若干等级。
彩度(C)是指色彩的纯净程度,也叫纯度、饱和度(S)。从物理光学看,波长单一的光,彩度值高,波长混杂的光,彩度值较低。取决于地物对于光谱的选择性。白光越多,饱和度越小,反之则反。
ISH增强null亮度扩展:
R,G,B H,L,S H,L,S R,G,B,其中L是经过扩展的。特点:彩色图像的亮度范围变大,层次感增强。
色调扩展:
R,G,B H,L,S H,L,S R,G,B,其中H是经过扩展的。特点:彩色图像的色彩丰富,色彩对比增强。
纹理增强:见下页。
null空间域图像增强空间域图像增强灰度拉伸
灰度变换可调整图像的动态范围或图像对比度,是图像增强的重要手段之一。
1.直方图线性拉伸
令图像f(i,j)的灰度范围为
[a,b],线性变换后图像g(i,j)的
范围为[a´,b´],如图4.1.1。
g(i,j)与f(i,j)之间的关系式为:
null2.直方图分段线性拉伸
为了突出感兴趣目标所在的灰度区间,相对抑制那些不感兴趣的灰度区间,可采用分段线性变换。常用的是三段线性变换,如图4.1.2所示。
设原图像在[0,Mf],感兴趣目标所在灰度范围在[a,b],欲使其灰度范围拉伸到[c,d],则对应的分段线性变换表达式为null3.非线性拉伸变换
当用某些非线性函数如对数函数、指数函数等,作为映射函数时,可实现图像灰度的非线性变换。
①对数变换
对数变换的一般表达式为
这里a,b,c是为了调整曲线的位置和形状而引入的参数。当希望对图像的低灰度区较大的拉伸而对高灰度区压缩时,可采用这种变换,它能使图像灰度分布与人的视觉特性相匹配。null②指数变换
指数变换的一般表达式为
这里参数a,b,c用来调整曲线的位置和形状。这种变换能对图像的高灰度区给予较大的拉伸。null直方图均衡化
直方图均衡化是将原图像(灰度值分布不均,范围窄,图像结构不清楚)通过某种变换,得到一幅灰度直方图为均匀分布的新图像的方法。原图像的直方图均衡后图像的直方图null直方图均衡化示例 直方图匹配直方图匹配在某些情况下,并不一定需要具有均匀直方图的图像,有时需要具有特定的直方图的图像,以便能够增强图像中某些灰度级。直方图匹配就是针对上述思想提出来的。直方图匹配是使原图像灰度直方图变成规定形状的直方图而对图像作修正的增强方法。
可见,它是对直方图均衡化处理的一种有效的扩展。直方图均衡化处理是直方图匹配的一个特例。匹配后图像的直方图原图像的直方图需要匹配的直方图在图像镶嵌或变化监测时,常需要将同一地区或相邻地区不同时相的图像,或不同太阳高度角或大气影响引起差异的图像进行直方图匹配处理在图像镶嵌或变化监测时,常需要将同一地区或相邻地区不同时相的图像,或不同太阳高度角或大气影响引起差异的图像进行直方图匹配处理图(C)、(c)是将图像(A)按图(b)的直方图进行规定化得到的结果及其直方图。通过对比可以看出图(C)的对比度同图(B)接近一致,对应的直方图形状差异也不大。这样有利于影像融合处理,保证融合影像光谱特性变化小。null
图像代数运算:指对多波段图像逐像元地进行代数运算,其中以四则运算为主,可包括初等函数。
1)图像相加(Image addition)
若 ,则Y是一个加权平均图像。平均图像
可有效地降低噪声提高信噪比,一般有
加法运算用于同一区域的多幅图像求平均,可减少图像的加性噪声
代数运算null图像相减(Image subtraction)
可用于变换检测、运动图像检测、消除背景噪声、压抑地形影响、增强特定光谱特征等。缺点:减少图像信息,降低信噪比。
增强特定光谱特征用于2个波段差值反映同地物在两个波段的反射率之差,用于检测影像之间的变化,差值大的地物被增强:如红外-红:增强了植被.使其从红外的浅色土壤,红外的深色土与水体中区分出来。null3)图像相乘(Image multiplication)
应用:图像掩膜(Masking)
调制图像(Modulate)RI,GI,B I用一地貌灰度图像(I)调制彩色编码分类图像多用卷积运算,用以图像轮廓增强null4)图像相除
如果
则Y为[0,255]的实数。在8位编码和显示模式下, [0,1]将映射为0。由此可能造成一半信息的损失。因此常取:
该算法对增强和区分不同波段的比值差异较大的地物有明显的效果null有时混合运算可以达到特殊的增强效果。如(TM4-TM3)/(TM4+TM3),可以计算植被绿度指数NDVI。nullErdas软件实习
空间增强处理Spatial Enhancement空间增强处理Spatial Enhancement1.卷积增强处理Convolution
卷积核kernel有3×3, 5×5, 7×7三组, 每一组包括Edge Detect, Edge Enhance, Low-pass High-pass, Vertical, Horizontal/Summary多种不同的处理方式
Interpreter> Spatial Enhancement> Convolution
非边缘定向增强Non-directional Edge
非边缘定向增强Non-directional Edge
利用两个通用滤波器Sobel和Prewitt
Image Interpreter | Spatial Enhancement... | Non-directional Edge....
辐射增强处理辐射增强处理查找表拉伸LUT Stretch(mobbay.img)
Image Interpreter | Radiometric Enhancement... | LUT Stretch....
LUT Stretch >View …> Model Maker>edit the graphical model /edit the Spatial Modeler Language script
直方图均衡化Histogram Equalization
增强峰顶/降低谷底对比度
Image Interpreter | Radiometric Enhance... | Histogram Equalization.…(liniar.img)
直方图匹配Histogram Match直方图匹配Histogram MatchImage Interpreter | Radiometric Enhance... | Histogram Match.…(wasia1.img/ wasia2.img)
去条带处理Destripe TM Data去条带处理Destripe TM DataImage Interpreter | Radiometric Enhancement... | Destripe TM Data…(tm_striped.img)
代数运算Operators 代数运算Operators 6种:加/减/乘/除/幂/模
Image Interpreter | Utilities... | Operators....
Input File #1:lanier.img
Layer:All
Input File #2:lndem.img
Layer:
Output File:lanier_dem.img
Operator: + Addition
Ignore Zero in Output Stats
Select Area By>Union
Output: Float Single
傅立叶变换Fourier Analysis傅立叶变换Fourier Analysis主要作用:
消除周期性噪声, 如传感器异常
用于模式识别
处理步骤:
空间域>频率域, RGB图像>正弦波傅立叶图像
对傅立叶图像进行滤波/掩膜编辑, 减少或消除部分高/低成分
将傅立叶图像变换到RGB1. 快速傅立叶变换1. 快速傅立叶变换Interpreter> Fourier Analysis> Fourier Transformation2.傅立叶图像编辑2.傅立叶图像编辑Interpreter> Fourier Analysis> Fourier Transformation Editornull3.低通滤波:
消除高频, 通过低频, 使图像平滑/柔和
1)Fourier Editor>Mask>Filters
null2). 保存傅立叶图像:
Fourier Editor>File>Save Asnull3).执行傅立叶逆变换
Fourier Editor>File>Inverse Transform4). 对比傅立叶处理效果:
通过窗口叠加显示功能显示tm_1.img和tm_1lowpass.img发现处理后的图像效果比处理前更差.说明方法/参数不当或处理不充分.null4.高通滤波High-Pass Filtering
消弱低频, 通过高频, 使图像锐化和边缘增强
处理步骤:
1) 在Fourier Editor打开tm_1.fft
2) Fourier Editor>Mask>Filters
3)保存傅立叶处理图像
4)执行傅立叶逆变换
5)对比tm_1.img和
tm_1highpass.img5.契形掩膜Wedge Mask5.契形掩膜Wedge Mask作用: 去除扫描条带
处理过程:
1)打开傅立叶图像tm_1.fft
2)确定辐射线走向: 光标查询沿辐射线分布的亮点坐标(36,-185), 由此计算辐射线角度为:-actan(-185/36)=78.99
3)定义契形掩膜参数: Fourier Editor>Mask>Wedge Mask
4)保存傅立叶处理图像: Fourier Editor>File>Save As
5)执行傅立叶逆变换: Fourier Editor>File>Inverse Transform
6)对比傅立叶处理效果: 打开tm_1.img和 tm_1wedge.img
null6.周期噪声去除Periodic Noise Removal6.周期噪声去除Periodic Noise Removal作用:
通过傅立叶变换自动消除扫描条带等周期性噪声
步骤:
分割输入图像为相互重叠的128×128像元块, 分别进行快速傅立叶变换,计算傅氏图像的对数亮度均值;
依据平均光谱能量对整个图像进行傅立叶变换;
进行傅立叶逆变换nullInterpreter> Fourier Analysis> Periodic Noise Removal多源遥感信息融合多源遥感信息融合一. 数据融合基本涵义 一. 数据融合基本涵义 数据融合(data fusion)最早被应用于军事领域。
现在数据融合的主要应用领域有:多源影像复合、机器人和智能仪器系统、战场和无人驾驶飞机、图像分析与理解、目标检测与跟踪、自动目标识别等等。
在遥感中,数据融合属于一种属性融合,它是将同一地区的多源遥感影像数据加以智能化合成,产生比单一信息源更精确、更完全、更可靠的估计和判断。 null相对于单源遥感影象数据,多源遥感影象数据所提供的信息具有以下特点:
1.冗余性:表示多源遥感影像数据对环境或目标的表示、描述或解译结果相同;
2.互补性:指信息来自不同的自由度且相互独立
3.合作性:不同传感器在观测和处理信息时对其它信息有依赖关系;
4.信息分层的结构特性:数据融合所处理的多源遥感信息可以在不同的信息层次上出现,这些信息抽象层次包括像素层、特征层和决策层,分层结构和并行处理机制还可保证系统的实时性。 null实质:在统一地理坐标系中将对同一目标检测的多幅遥感图像数据采用一定的算法,生成一幅新的、更能有效表示该目标的图像信息。
目的:将单一传感器的多波段信息或不同类别传感器所提供的信息加以综合,消除多传感器信息之间可能存在的冗余和矛盾,加以互补,改善遥感信息提取的及时性和可靠性,提高数据的使用效率。
二、数据融合原理及过程 二、数据融合原理及过程 一般来说,遥感影像的数据融合分为预处理和数据融合两步
1.预处理:主要包括遥感影像的几何纠正、大气订正、辐射校正及空间配准
(1)几何纠正、大气订正及辐射校正的目的主要在于去处透视收缩、叠掩、阴影等地形因素以及卫星扰动、天气变化、大气散射等随机因素对成像结果一致性的影响;
(2)影像空间配准的目的在于消除由不同传感器得到的影像在拍摄角度、时相及分辨率等方面的差异。 null影像的空间配准时遥感影像数据融合的前提
空间配准一般可分为以下步骤 :
(1)特征选择:在欲配准的两幅影像上,选择如边界、线状物交叉点、区域轮廓线等明显的特征。
(2)特征匹配:采用一定配准算法,找处两幅影像上对应的明显地物点,作为控制点。
(3)空间变化:根据控制点,建立影像间的映射关系。
(4)插值:根据映射关系,对非参考影像进行重采样,获得同参考影像配准的影像。
空间配准的精度一般要求在1~2个像元内。空间配准中最关键、最困难的一步就是通过特征匹配寻找对应的明显地物点作为控制点。 null2.数据融合
根据融合目的和融合层次智能地选择合适的融合算法,将空间配准的遥感影像数据(或提取的图像特征或模式识别的属性说明)进行有机合成,得到目标的更准确表示或估计 。
对于各种算法所获得的融合遥感信息,有时还需要做进一步的处理,如“匹配处理”和“类型变换”等,以便得到目标的更准确表示或估计。 数据融合分类及方法 数据融合分类及方法 1 数据融合方法分类
遥感影像的数据融合方法分为三类:基于像元(pixel)级的融合、基于特征(feature)级的融合、基于决策(decision)级的融合。融合的水平依次从低到高。
1.1 像元级融合
像元级融合是一种低水平的融合。
像元级融合的流程为:经过预处理的遥感影像数据——数据融合——特征提取——融合属性说明。 null优点:保留了尽可能多的信息,具有最高精度。
局限性:
1. 效率低下。由于处理的传感器数据量大,所以处理时间较长,实时性差。
2. 分析数据限制。为了便于像元比较,对传感器信息的配准精度要求很高,而且要求影像来源于一组同质传感器或同单位的。
3.分析能力差。不能实现对影像的有效理解和分析
4.纠错要求。由于底层传感器信息存在的不确定性、不完全性或不稳定性,所以对融合过程中的纠错能力有较高要求。
5.抗干扰性差。
像元级融合所包含的具体融合方法有:代数法、IHS变换、小波变换、主成分变换(PCT)、K-T变换等 null1.2 特征级融合
特征级融合是一种中等水平的融合。在这一级别中,先是将各遥感影像数据进行特征提取,提取的特征信息应是原始信息的充分表示量或充分统计量,然后按特征信息对多源数据进行分类、聚集和综合,产生特征矢量,而后采用一些基于特征级融合方法融合这些特征矢量,作出基于融合特征矢量的属性说明。
特征级融合的流程为:经过预处理的遥感影像数据——特征提取——特征级融合——(融合)属性说明。 null1.3 决策级融合
决策级融合是最高水平的融合。融合的结果为指挥、控制、决策提供了依据。在这一级别中,首先对每一数据进行属性说明,然后对其结果加以融合,得到目标或环境的融合属性说明。
决策级融合的优点时具有很强的容错性,很好的开放性,处理时间短、数据要求低、分析能力强。而由于对预处理及特征提取有较高要求,所以决策级融合的代价较高。
决策级融合的流程:经过预处理的遥感影像数据——特征提取——属性说明——属性融合——融合属性说明。 表1 三级融合层次的特点 表1 三级融合层次的特点 null表2 三级融合层次下的融合方法
null2 数据融合方法介绍
2.1 代数法
代数法包括加权融合、单变量图像差值法、图像比值法等。
(1)加权融合法
(2)单变量图象差值法
(3)图象比值法 null2.2 图像回归法(Image Regression)
图像回归法是首先假定影像的像元值是另一影像的一个线性函数,通过最小二乘法来进行回归,然后再用回归方程计算出的预测值来减去影像的原始像元值,从而获得二影像的回归残差图像。经过回归处理后的遥感数据在一定程度上类似于进行了相对辐射校正,因而能减弱多时相影像中由于大气条件和太阳高度角的不同所带来的影响。 null2.3 主成分变换(PCT)
也称为W-L变换,数学上称为主成分分析(PCA)。PCT是应用于遥感诸多领域的一种方法,包括高光谱数据压缩、信息提取与融合及变化监测等。PCT的本质是通过去除冗余,将其余信息转入少数几幅影像(即主成分)的方法,对大量影像进行概括和消除相关性。PCT使用相关系数阵或协方差阵来消除原始影像数据的相关性,以达到去除冗余的目的。对于融合后的新图像来说各波段的信息所作出的贡献能最大限度地表现出来。
PCT的优点是能够分离信息,减少相关,从而突出不同的地物目标。另外,它对辐射差异具有自动校正的功能,因此无须再做相对辐射校正处理。 null2.4 K-T变换
即Kauth-Thomas变换,简称K-T变换,又形象地成为“缨帽变换”[14]。它是线性变换的一种,它能使座标空间发生旋转,但旋转后的坐标轴不是指向主成分的方向,而是指向另外的方向,这些方向与地面景物有密切的关系,特别是与植物生长过程和土壤有关。以此,这种变换着眼于农作物生长过程而区别于其他植被覆盖,力争抓住地面景物在多光谱空间的特征。通过这种变换,既可以实现信息压缩,又可以帮助解译分析农业特征,因此有很大的实际应用意义。
目前对这个变换在多源遥感数据融合方面的研究应用主要集中在MSS与TM两种遥感数据的应用分析方面。 null2.5 小波变换
小波变换是一种新兴的数学分析方法,已经受到了广泛的重视。小波变换是一种全局变换,在时间域和频率域同时具有良好的定位能力,对高频分量采用逐渐精细的时域和空域步长,可以聚焦到被处理图像的任何细节,从而被誉为“数学显微镜”。
小波变换常用于雷达影像SAR与TM影像的融合。它具有在提高影像空间分辨率的同时又保持色调和饱和度不变的优越性。 null2.6 IHS变换
3个波段合成的RGB颜色空间是一个对物体颜色属性描述系统,而IHS色度空间提取出物体的亮度I,色度H,饱和度S,它们分别对应3个波段的平均辐射强度、3个波段的数据向量和的方向及3个波段等量数据的大小。RGB颜色空间和IHS色度空间有着精确的转换关系。
以TM和SAR为例,变换思路是把TM图像的3个波段合成的RGB假彩色图像变换到IHS色度空间,然后用SAR图像代替其中的I值,再变换到RGB颜色空间,形成新的影像。 null数据融合增强null遥感数据融合存在问题及发展趋势遥感数据融合存在问题及发展趋势 遥感影像数据融合还是一门很不成熟的技术,有待于进一步解决的关键问题有:
(1)空间配准模型
(2)建立统一的数学融合模型
(3)提高数据预处理过程的精度
(4)提高精确度与可信度
随着计算机技术、通讯技术的发展,新的理论和方法的不断出现,遥感影像数据融合技术将日趋成熟,从理论研究转入到实际更广泛的应用,最终必将向智能化、实时化方向发展,并同GIS结合,实现实时动态融合用于更新和监测。 软件操作软件操作数据融合操作的关键:
融合前两幅图像的配准(Rectification)
处理过程中融合方法的选择
ERDAS面板工具条,单击Interpreter>Spatial Enhancement>Resolution Merge:
High Resolution Input File高分辨率输入文件: spots.img
Multispectral Input File多光谱输入文件: dmtm.img
Output File输出文件: merge.img
Method融合方法: Principal Component(主成分变换法)其他2种为:Multiplicative(乘积法)和Brovey Transform(比值法)
Resampling Techniques重采样方法: Bilinear Interpolation(双线性插值)
Output Options输出数据选项: Stretch to Unsigned 8 bit
Layer Selection输出波段选择: Select Layers:1:7
单击OKnull图像分类图像分类遥感图像的分类遥感图像的分类1 图像分类的概念
2 计算机图像分类的方法
2.1 非监督分类
2.2 监督分类
2.3 分类的后处理
3 非监督分类
4 监督分类
5 分类后处理
6. 精度评价1 图像分类的概念1 图像分类的概念以区别图象中所含的多个目标物为目的,对每个像元或者比较均匀的像元组给出对应其特征的名称。如图
特征名称一般成为类别,例如土地利用/覆盖中的居民地、水域、园地、林地、耕地等。
参与分类地多个特征量(向量)所定义的空间,称为特征空间,例如2 个波段定义的2 维特征空间,3 个波段定义的3 维特征空间等等
分类的实质是根据某一标准,对特征空间进行划分,并给予划分后的均匀区域相同的名称。
2 计算机图像分类的方法
2.1 非监督分类2 计算机图像分类的方法
2.1 非监督分类分类标准的确定不需要人的参与,由计算机根据自动按照某一标准(例如距离最短)自动进行。需要确定要分几种类别,或者类似的输入条件。分类后的结果,还需要再给出具体的涵义。
类似的概念,聚类分析、点群分析、空间积群等。
2.2 监督分类2.2 监督分类首先选择已知类别的具有代表性的训练区(试验区),建立判别准则,对未知的地区进行自动判别。先学习后分类法。也是遥感应用中最为常用的方法。
一般的步骤为如图1:
null1) 根据应用目的和数据特点,确定分类类别。
2) 寻找各个类别的特征量,有必要时进行图像的特征空间的转化。
3) 根据图像数据和其他辅助数据选择训练样本。
4) 测定总体特征。如从各个类别的样本数据中,利用最大似然比等方法测定总体的统计量。
5) 按照选定的分类器对整个图像进行分类
2.3 分类的后处理2.3 分类的后处理由于基于像元的图像分类结果必然出现零星的类别,一般需要进行分类的后处理。后处理的目的是去除孤立的离散点。
1) 分类的后处理,进行滤波,驱除孤立离散点。
2) 将已知训练样本和分类结果做比较,进行分类结果的精度评价。如果结果不满足精度要求,分析原因,重新进行处理,直到满意为止。
3) 生成最终分类图像,供进一步处理。
3 非监督分类
1) K-均值算法3 非监督分类
1) K-均值算法在数据空间内平均计算各类的均值,使用最小距离法,将未知像元划分到某一类中,再调整均值,直到迭代次数满足,或者距离阈值满足。
输入参数
Number of class: 要分成几类
Change threshold%(0-100): 如果每一类的像元数目变化小于此数值,则迭代停止。
2) ISODATA 算法(迭代自组织)2) ISODATA 算法(迭代自组织)迭代自组织数据分析算法( Interactive Self-Organizing Data Analysis Technology Algorithm,简称ISODATA)在K 均值算法的基础上,加入了试探性的步骤,能够吸取中间结果的经验,在迭代的过程中可以进行类别的分离和合并,具有“自组织”性,是目前非监督分类中使用最为广泛的算法。该算法中影响分类结果的参数有:迭代次数、类别数、参加分类的波段数目。
输入参数:输入参数: 最大和最小类别数目,因为算法进行自动的类别分裂和合并,所以不能确定类别的具体数目。
最大迭代次数和每类中像元数量的变化,其中一项满足,则分类结束。
如果某一类别中的像元数目不满足Minimum # pixel in class,则删除该类别,像元归并到最近的一类中。
如果某一类的标准差大于Minimum class stdv,则该类别需要分裂成两个类别。
如果来年改革类别的平均距离小于Maximum class distance,则该两个类别合并成一类。
Maximum # merge class 定义最多合并多少类别。
Maximum stdev from mean;
Maximum distance error
图2-7 ISODATA 算法图2-7 ISODATA 算法4 监督分类4 监督分类1) 平行管道分类
使用简单的分类规则进行多光谱遥感图像的分类。
决策线在n 维光谱空间中是一个平行的管道。管道的直径根据距离平均值的标准差确定。如果某个像元落在某一类的平行管道的阈值范围内,则划分到该类别中。如果落在多个类中,ENVI 则将这格像元划分到最后匹配的类别。落不到任何管道中,则标识为未分类像元。
输入参数Max stdev from the mean, 是距离平均值多少个标准差。
2) 最小距离分类
2) 最小距离分类
计算未知像元距离各个类别均值向量的欧氏距离,将该像元划分到距离最小的类别中。如果没有没有确定最大的标准差和距离阈值,则所有的像元都会分类。
输入参数:Max stdev from the mean, 是距离平均值多少个标准差。
Max distance error , 距离的最大阈值
如果两个参数都输入了,ENVI 使用其中小的作为最终的判别标准。
原理如图原理如图
null3) 马氏距离分类
这是一个方向敏感的分类器。类似于最大似然分类。区别是假定所有类别的斜方差矩阵是相同的。
因此速度比最大似然法要快。
4) 最大似然分类
假设条件:数据符合多维正态分布。如果不符合,分类的精度也将下降。
计算每个像元属于各