三讲感图像处理3

《三讲感图像处理3》由会员分享，可在线阅读，更多相关《三讲感图像处理3（52页珍藏版）》请在装配图网上搜索。

1、1遥感图像处理遥感图像处理光学图像光学图像光学原理和光学处理方法光学原理和光学处理方法数字图像数字图像数字图像校正数字图像校正数字图像增强数字图像增强多源信息复合多源信息复合对比度变换对比度变换空间滤波空间滤波彩色变换彩色变换图像运算图像运算多光谱变换多光谱变换24 图像运算图像运算5 多光谱变换多光谱变换数字图像增强数字图像增强3图像运算图像运算 两幅或多幅单波段图像，空间配准后可进行算术运算，实现图像的增强。1、差值运算：两幅同样行、列数的图像，对应像元的亮度（灰度）值相减。差值图像提供了不同波段或不同时相图像间的差异信息。2、比值运算：两幅同样行、列数的图像，对应像元的亮度（灰度）值相除

2、（除数不为0）。比值图像，像元的亮度反映了两个波段光谱比值的差异，常用来检测植被，消除“同物异谱”现象。4图像运算图像运算1、差值运算),(),(),(21yxfyxfyxfD1）出现负值）出现负值2）像元灰度值大于）像元灰度值大于255。byxfyxfayxfD),(),(),(215图像运算图像运算1、差值运算TM4-3-2TM4-TM36图像运算图像运算2、比值运算),(),(),(21yxfyxfyxfR),(),(),(21yxfyxfaIntegeryxfR7图像运算图像运算2、比值运算植被指数：是基于植被叶绿素在红色波段的强烈吸收以及在植被指数：是基于植被叶绿素在红色波段的强烈吸

3、收以及在近红外波段的强烈反射，通过红和近红外波段的比值或线性近红外波段的强烈反射，通过红和近红外波段的比值或线性组合实现对植被信息状态的表达。组合实现对植被信息状态的表达。8图像运算图像运算2、比值运算植被指数有许多不同的表达公式：SR=NIR/R（simple ratio）（比值植被指数）NDVI=（NIR-R）/(NIR+R)（归一化差值植被指数）SAVI=（1+L）（NIR-R）/（NIR+R+L），L=0.5（土壤修正植被指数）如对TM数据：NDVI=（TM4-TM3）/（TM4+TM3）9图像运算图像运算2、比值运算假彩色合成图象假彩色合成图象 NDVI图象图象10图像运算图像运算2

4、、比值运算太阳光太阳光砂岩砂岩阴坡阴坡阳坡阳坡地形部位波段TM1TM2TM1/TM2阳坡阴坡282243340.650.65114 图像运算图像运算5 多光谱变换多光谱变换数字图像增强数字图像增强12多光谱变换多光谱变换1、n维多光谱空间像元矢量像元矢量13多光谱变换多光谱变换1、n维多光谱空间14多光谱变换多光谱变换1、n维多光谱空间每个像元点在多光谱空间中的位置都可以表示为一个N维向量XTninixxxxxxxxX,212115多光谱变换多光谱变换2、K-L变换离散（Karhunen-Loeve）变换主成分变换（主成分变换（PCA,Principal Component Analysis）

5、16多光谱变换多光谱变换2、K-L变换离散（Karhunen-Loeve）变换 多光谱数据各波段间往往存在一定程度的相关性，多光谱数据各波段间往往存在一定程度的相关性，光谱反射的相关性；光谱反射的相关性；地形地形 遥感器波段间的重叠遥感器波段间的重叠 应用应用PCA可以去除相关性、突出地物特征、压缩数据，可以去除相关性、突出地物特征、压缩数据，另外还可以剔除噪声，因为另外还可以剔除噪声，因为PCA变换后的信息量通常变换后的信息量通常随主分量顺序而减少，噪声信息更突出随主分量顺序而减少，噪声信息更突出17多光谱变换多光谱变换2、K-L变换离散（Karhunen-Loeve）变换基本原理：基本原理

6、：求出一个变换矩阵，经变换形成一组新的主分量波段，公式为：Y=AX其中，Y为变换后的主分量空间像元矢量，如主分量1，2，3X为变换前的多光谱空间像元矢量，如TM1，TM2，.A为变换矩阵。是是X空间协方差矩阵空间协方差矩阵x的特征向量矩阵的转置的特征向量矩阵的转置矩阵。矩阵。18多光谱变换多光谱变换2、K-L变换离散（Karhunen-Loeve）变换步骤：步骤：1.计算原始图象的协方差矩阵；计算原始图象的协方差矩阵；2.计算的特征值和特征向量；计算的特征值和特征向量；3.生成主成分生成主成分19多光谱变换多光谱变换2、K-L变换离散（Karhunen-Loeve）变换20原始图象原始图象TM

7、1-5，7主成分图象主成分图象PC1-621多光谱变换多光谱变换2、K-L变换离散（Karhunen-Loeve）变换变换意义：变换意义：1、数据压缩：取、数据压缩：取123三个主分量，包含了绝大多数的地物三个主分量，包含了绝大多数的地物信息，数据量可减少到信息，数据量可减少到43%。2、图像增强：前几个主分量，信噪比大，突出了主要信、图像增强：前几个主分量，信噪比大，突出了主要信息，增强了图像。息，增强了图像。22多光谱变换多光谱变换3、K-T变换（Kauth-Thomas）变换是一种线性变换，使坐标轴发生旋转，旋转之后坐标轴的是一种线性变换，使坐标轴发生旋转，旋转之后坐标轴的方向与地物，特

8、别是和植被生长及土壤有密切的关系。方向与地物，特别是和植被生长及土壤有密切的关系。Y=BX23多光谱变换多光谱变换3、K-T变换（Kauth-Thomas）变换24多光谱变换多光谱变换3、K-T变换（Kauth-Thomas）变换Y1:亮度亮度Y2:绿度绿度Y3:湿度湿度25多源信息复合多源信息复合将多种遥感平台，多时相遥感数据之间以及遥感数据与非遥感数据之间的信息组合匹配的技术。遥感信息复合遥感信息复合遥感与非遥感遥感与非遥感信息复合信息复合不同传感器的不同传感器的遥感信息复合遥感信息复合不同时相的遥不同时相的遥感信息复合感信息复合26多源信息复合多源信息复合1、遥感信息复合、遥感信息复合1

9、）不同传感器的遥感信息复合（以）不同传感器的遥感信息复合（以TM与与SPOT图像为例）图像为例）步骤步骤（1）配准）配准（2）复合）复合方法一：方法一：TM432每个波段图像与每个波段图像与SPOT图像作逐点运算，图像作逐点运算，生成三幅图像，然后进行彩色合成，生成复合图像；生成三幅图像，然后进行彩色合成，生成复合图像；方法二：方法二：27多源信息复合多源信息复合1、遥感信息复合、遥感信息复合1）不同传感器的遥感信息复合（以）不同传感器的遥感信息复合（以TM与与SPOT图像为例）图像为例）步骤步骤（1）配准）配准（2）复合）复合方法二：代换法方法二：代换法TM多光谱图像作多光谱图像作PCA变换

10、，用变换，用SPOT全色图像代换变全色图像代换变换后的第一主成分，然后作反变换；换后的第一主成分，然后作反变换；TM作作HLS变换，用变换，用SPOT全色图像代换变换后的明度全色图像代换变换后的明度成分，然后作反变换。成分，然后作反变换。28多源信息复合多源信息复合1、遥感信息复合、遥感信息复合1）不同传感器的遥感信息复合（以）不同传感器的遥感信息复合（以TM与与SPOT图像为例）图像为例）原始图像原始图像复合后图像复合后图像2930多源信息复合多源信息复合1、遥感信息复合、遥感信息复合2）不同时相的遥感数据复合）不同时相的遥感数据复合步骤步骤（1）配准）配准（2）直方图调整）直方图调整（3）

11、复合）复合31多源信息复合多源信息复合2、遥感与非遥感信息复合、遥感与非遥感信息复合步骤：1、地理数据的网格化（1）网格数据生成（2）与遥感数据配准2、最优遥感数据的选取：可选PCA变换后的前两个波段。3、复合32地层（地层（R），化探（），化探（G）和重力（）和重力（B）数据合成影像）数据合成影像33遥感与地层，重力，化探融合影像34主要成矿地层影像化探主因子f1灰度成矿地层与化探融合影像35 目前，一般通过多种统计分析方法来评判融合图像的目前，一般通过多种统计分析方法来评判融合图像的质量：质量：如用如用“熵与联合熵熵与联合熵“来评定其信息量的大小；来评定其信息量的大小；用用“梯度和平均梯度

12、梯度和平均梯度”来评定融合图像的清晰度；来评定融合图像的清晰度；计算图像偏移、逼真度、影像的方差和相关等作为图计算图像偏移、逼真度、影像的方差和相关等作为图像质量的数学评判标准等像质量的数学评判标准等。3、融合效果评价、融合效果评价36 熵是衡量信息丰富程度的一个重要指标，一般可选用熵是衡量信息丰富程度的一个重要指标，一般可选用对融合前后图像求熵和联合熵的方法，来求其信息量对融合前后图像求熵和联合熵的方法，来求其信息量的大小。熵越大图像所含的信息越丰富的大小。熵越大图像所含的信息越丰富基于信息量的评价基于信息量的评价3738 影像清晰度是指影像的边界或影线两侧附近灰度有明显差异，即灰度变化率大

13、，这种变化率的大小可用梯度来表示。基于清晰度的评价39应用实例（应用实例（1）-多波段遥感数据融合多波段遥感数据融合40应用实例（应用实例（1）-多波段遥感数据融合多波段遥感数据融合41应用实例应用实例-多波段遥感数据融合多波段遥感数据融合42应用实例应用实例-多波段遥感数据融合多波段遥感数据融合4344应用实例（应用实例（2）-多时相遥感数据融合多时相遥感数据融合多时相遥感数据的融合主要有两个目标：一是利用光谱特征时间效应(即地物光谱特征随时间变化的特征)，来提高专题信息的识别能力和分类精度；二是利用地面目标不同时序的变化信息，进行动态分析、变化检测，如资源与环境的变化、城市的扩展湖泊的消涨

14、、河流的迁徒等。45应用实例（应用实例（2）-多时相遥感数据融合多时相遥感数据融合以多时相TM图像进行土地利用的计算机分类研究为例。具体步骤如下：1多时相遥感图像的选择 试验区选择位于华北平原的天津城郊区，土地类型丰富。为了避免因不同年份间作物种植结构调整或耕作条件变化而使作物失去可比性或增加计算机自动识别的复杂性，根据作物的农事历表和地方物候历，选择了作物一年生长期内，光谱待征变化较为明显的春(1987年5月14日)、夏(1987年7月8日)两季的TM图像数据。由于受数据源的限制，均采用了TM 2、3、4波段组合。46应用实例（应用实例（2）-多时相遥感数据融合多时相遥感数据融合2多时相TM

15、图像分析 遥感图像的土地利用分类主要依据地物灰度值的差异。对于光谱特征相似的不同地类，往往单一时相的遥感图像数据难以区分，但利用地物光谱特征的时间效应，不同时相的图像数据能提供地物光谱持征间的差异，从而获得区分地类的有用信息。47应用实例（应用实例（2）-多时相遥感数据融合多时相遥感数据融合2多时相TM图像分析 48应用实例（应用实例（2）-多时相遥感数据融合多时相遥感数据融合3TM图像的预处理及分类系统的确定 根据该区的土地利用特点，确定了玉米(包括高粱)、小麦、菜地、水稻、芦苇、城市、村镇、水域、棵地、树木等11个地类。为了避免选择训练区时同一地类地物出现明显的多峰现象而降低分类精度，对于

16、一些光谱特征有较明显差异的同一地类分别划分了子类，如玉米地因湿度不同而深浅有别，分为玉米1、2；水稻田因插秧前后，水背景的作用大小不一，分为水田1、2；菜地因生长期与菜类的不同，色调有异，分为菜地1、2，因而初分类时，共划分14类，待分类结束后再将子类归并。49应用实例（应用实例（2）-多时相遥感数据融合多时相遥感数据融合4训练区的选择和光谱特征的统计分析 监督分类中训练区的选择十分重要，根据由彩红外航空像片所编制的1：1万的土地利用现状图与2个时相TM图像对照分析，选择各地类的训练区。作各类地物的直方图，并计算各地类的统计参数(均值与方差)。为了更直观地显示各地类灰度值分布情况、绘制了各地类

17、在TM各波段的亮度均值分布图和叠合光谱图。5051应用实例（应用实例（2）-多时相遥感数据融合多时相遥感数据融合5最佳组合波段的选择 离散度作为多变量的统计可分性的一种变量，可以间接指示出分类的错误概率的大小对于多个类别，分别计算各种候选波段组合(每两个类别间)的离散度和(各类别间的)平均离散度。离散度值愈大，地物光谱差异愈大、地物间可分性愈大，波段组合愈佳。因而可以依据平均离散度的大小，依次序得到TM3(5月)、TM4(5月)、TM3(7月)波段组合“最佳”，TM3(5月)、M3(7月)、TM4(7月)波段组合次之，或TM3(5月)、TM4(5月)、TM4(7月)波段组合较好等。但是，事实上并不存在一种最佳波段组合对所有地类的区分效果均最佳，而只能是对大多数类别的区分效果好，总还有一些地类的区分效果不满意。因而往往需要在固定那些“满意”类别的基础上，对一些末很好区分的类别，另行选择适合于它们的“最佳波段组合”进行第二次分类。当然这可能会伴生新的地类混分现象，有必要的话还可重复上述过程进行三次分类。52应用实例（应用实例（2）-多时相遥感数据融合多时相遥感数据融合5图像分类与精度评价 采用最大似然法进行图像监督分类，并依据大比例尺土地利用现状因进行分类精度的评价。结果表明，用2个时相TM融合图像分类比任一单时相、多波段的TM图像的土地利用分类，精度可以提高l0一20。