遥感概论课件：8图象校正与增强

1、1图像校正与增强数字图像基础图像辐射校正几何校正原理与方法图像增强处理2数字图像 (Digital Image)指能够被计算机存储、处理和使用的图像“离散化”二维矩阵：每个元素的取值是图像连续变化的灰度的离散整数值3数字图像（Digital Images）(1,1) (1,2) (1,3)(1,m)(2,1) (2,2) (2,3)(2,m)(n,1) (n,2) (n,3)(n,m)4图像直方图 (image histogram) 用平面直角坐标系表示一幅灰度范围为0-n的数字图像像元灰度分布状态，横轴表示灰度级，纵轴表示某一灰度级（或范围）的像元个数或其占总像元数的百分比。 通过灰度直方图

2、可以直观地了解图像特征，以确定图像增强方案并了解图像增强后的效果imagehistogram5不同反差特征的图像6反差增强原始图像增强后7遥感图像处理系统计算机（主机）图像输入输出设备磁带机、数字化器等；打印机、绘图仪、激光图像记录仪专用处理设备图像计算机、阵列处理机外存设备磁盘、磁带、光盘显示器软件部分系统软件、应用软件（图像处理软件）8数字图像处理的主要内容图像校正：包括辐射校正、几何校正增强处理：增强图像中的有用信息，利于识别分析。 包括彩色增强、直方图增强、图像运算、邻域增强、频率域增强、信息融合等图像变换：消除干扰和滤掉噪声，提高图像质量信息提取：图像分类、空间信息提取、光谱信息提取

3、、目视解译（判读）9辐射校正(radiometric correction)由于传感器响应特性和大气的吸收、散射及其它随机因素影响，导致图像模糊失真，造成图像分辨率和对比度相对下降。这些都需要通过辐射校正复原包括：系统辐射校正、大气校正其它：太阳高度角、方位角等不同引起的亮度差异等 ，地形导致的辐射亮度差异等，10系统辐射校正光学摄影机内部辐射误差校正镜头中心和边缘透射光的强度不一致，造成图像上不同位置的同一类地物有不同的灰度值。光电扫描仪内部辐射误差校正A）光电转换误差；B）探测器增益变化引起的误差不同成像单元间的差异如推扫式扫描仪11去条带(Destriping)12大气校正(atmosp

4、heric correction)消除主要由大气散射、吸收引起的辐射误差的处理过程何时需要进行大气校正 定量信息提取 不同时相间的定量比较 不同波段间的运算13Energy-matter interactions in the atmosphere, at the study area, and at the remote sensor detector大气效应14大气校正方法公式法（较准确、绝对）(绝对大气纠正)卫星过顶时实测大气状况（气温、相对湿度、大气压、能见度等），找到各波段地物反射率与图像亮度值间的数学关系，以修正图像亮度。简单的相对大气校正方法： 去除或减少某些大气影响2 回归分析

5、法3 直方图校正法15回归分析法原理：大气散射主要影响短波部分，波长较长的波段几乎不受影响，可用其校正其它波段数据。方法：在不受大气影响的波段（如TM5或7）和待校正的某一波段图像中，选择一系列目标，将每个目标的两个待比较的波段灰度值提取出来进行回归分析，建立线性回归方程。Y：待校正波段的图像亮度值X：不受大气影响波段的图像亮度值求出a, 从待纠正的图像像元值减去a,即为纠正后的值，去除大气散射的影响（假设没有散射影响，则二者的关系应为：Y=bX）16回归分析法17直方图校正方法直方图校正方法： 从图像像元亮度值中减去一个辐射偏置量，辐射偏置量等于图像直方图中最小的亮度值 前提（假设）：水体（

6、或阴影）等物体的灰度值为0，大气散射导致图像上这些物体的灰度值不为0（辐射偏置量） 暗物体法（Dark-object method）18直方图校正方法19几何校正(geometric correction)从具有几何变形的图像中消除变形的过程 对图像进行预处理，以消除几何变形，使每个像元处于正确的平面位置（x,y）。这样，遥感得到的信息可以与GIS或空间决策支持（SDSS）系统中其它专题信息联系起来； 经过几何校正的图像可以用于提取准确的距离、多边形面积、方向等信息20遥感图像几何畸变来源误差来源：内部误差：由于传感器自身的性能、结构等因素造成；外部误差：传感器以外的各因素造成，如地球曲率、地

7、形起伏、地球旋转等传感器成像几何形态影响传感器外方位元素变化畸变地球自转的影响地球曲率的影响其它21传感器成像几何形态影响成像几何特点：中心投影、全景投影、斜距投影、平行投影全景投影：每条扫描线相当于中心投影，扫描视场角越大，边缘变形越大-全景畸变斜距投影变形：侧视雷达22传感器外方位元素变化畸变传感器外方位元素变化： 指决定遥感平台姿态的6个自由度：三轴方向（X,Y,Z）和姿态角(,)，其中任何一个发生变化，都会给遥感图像带来不同变形，这种畸变是成像瞬间的综合影响。对不同的传感器，畸变可能不尽相同。 航高、航速、俯仰、翻滚、偏航高度（altitude）、姿态 (attitude)23中心投影

8、传感器外方位元素变化畸变24高度（altitude）和姿态（attitude）变化引起的图像几何畸变25传感器外方位元素变化畸变多中心投影例如MSSTM等26地球自转引起的误差27a) Landsat satellites 4, 5, and 7 are in a Sun-synchronous orbit with an angle of inclination of 98.2. The Earth rotates on its axis from west to east as imagery is collected. b) Pixels in three hypothetical sc

9、ans (consisting of 16 lines each) of Landsat TM data. While the matrix (raster) may look correct, it actually contains systematic geometric distortion caused by the angular velocity of the satellite in its descending orbital path in conjunction with the surface velocity of the Earth as it rotates on

10、 its axis while collecting a frame of imagery. c) The result of adjusting (deskewing) the original Landsat TM data to the west to compensate for Earth rotation effects. Landsats 4, 5, and 7 use a bidirectional cross-track scanning mirror.Jensen, 2004地球旋转引起的图像变形28地球曲率引起的误差29遥感图像几何校正通过计算机对图像每个像元逐个地解析纠

11、正处理完成，可以较精确改正线性和非线性变形误差。两种类型：图像-图的纠正（image-to-map rectification）图像配准（image-to-image registration）30包括两个方面（基本环节）： （1）像元坐标变换； （2）像元灰度值重新计算（重采样）。图像-图的纠正（image-to-map rectification）:地图为参考，有确定的平面坐标图像配准（image-to-image registration）：一个图像为参考，有或者没有平面坐标；相同的地理范围；便于图像叠加或运算3132控制点（GCP）的选择33坐标关系的建立：控制点的选择地面控制点（GC

12、P，Ground Control Point）: 地球表面一些特定的点，其图像坐标和地图坐标为已知人工地物 线性地物交叉点不易随时间变化的目标大比例尺的图像：道路交叉点、机场跑道、建筑物小比例尺的图像：城区、一些线性地物交叉点（河流、道路）分布：较均匀分布与图像范围内，保证足够数量34地面控制点（GCP）的选择35控制点的选择注意问题：1. 多项式纠正法的精度与地面控制点（GCP）的精度、分布、数量及纠正范围有关；GCP的位置精度越高，则几何纠正的精度越高；GCP的个数不少于多项式的系数个数；适当增加GCP的个数，可以提高几何纠正的精度。 20-30个GCP，一般可以满足需求2. GCP分布应

13、尽可能在整幅图像内均匀分布，否则在GCP密集区精度较高，在GCP分布稀疏区出现较大误差36坐标关系的建立坐标关系多项式建立基本原理：不考虑成像的空间几何过程，而直接对图像变形的本身进行数学模拟。把遥感图像的总体变形看作是平移、缩放、旋转、仿射、偏扭、弯曲及更高次的基本变形的综合作用结果，因此，将纠正前后图像相应点间的坐标关系用一适当的多项式表达可用于图像对地图的纠正，以及不同类型图像间配准多项式的次数：1-3次，可以满足精度要求需要地面控制点： 分布、数量37最少的控制点数量多项式的次数最小个数：(t+1)*(t+2)/2t: 多项式的次数38数字图像几何纠正的主要处理过程(具体实现)准备工作

14、输入原始数字影象建立纠正变换函数确定输出影象范围像元坐标变换像元亮度值重采样输出纠正后的图像39确定纠正后图像的边界范围 纠正后图像的边界范围，指在计算机存储器中为输出影象所开出的存储空间大小，以及该空间边界范围（首行、首列、末行、末列）的地图（或地面）坐标定义值；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。40 先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。 为了将该边界范围转换为计算机纠正后的存

15、储数组空间，须在其中划分出网格，每个网格代表一个输出像元；须根据精度要求确定输出像元的地面尺寸； 地面坐标与输出图像坐标关系表达确定纠正后图像的边界范围41坐标变换确定原始图像和纠正后图像间的坐标变换关系（x, y）- (u, v) (u行数, v列数, 均为整数)有两种方案：直接纠正方案和间接纠正方案直接纠正方案：从原始图像阵列出发，依次对其中每一个像元P(x，y)分别计算其在输出（纠正后）图像的坐标P(X，Y)，并计算P(X，Y)的灰度值;间接纠正方案：从空白图像阵列出发，依次计算每个像元P(X，Y)在原始图像中的位置P(x，y)，然后把该点的灰度值依次计算后返送给P(X，Y). 二者间并

16、无本质差别，互为逆变换42坐标关系 （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43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。并将灰度值赋给新图像的对应位置上。间接纠正法:从新图像中依次每个像元，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。二者并无本质区别，互为逆变换坐标变换44a) The logic of filling a rectified output matrix with values from an unrectified input image ma

17、trix using input-to-output (forward) mapping logic. b) The logic of filling a rectified output matrix with values from an unrectified input image matrix using output-to-input (inverse) mapping logic and nearest-neighbor resampling. Output-to-input inverse mapping logic is the preferred methodology b

18、ecause it results in a rectified output matrix with values at every pixel location.纠正后图像灰度值的重新计算（重采样）45图像灰度值的重采样(resampling)几何校正过程中，由于校正前后图像的像元大小可能变化、像元点位置的相对变化等，不能简单用原图像像元灰度值代替输出像元灰度值。 对应的坐标值可能不是整数, 需要插值（重采样） 三种插值方法：最邻近法、双线性法、三次卷积法46最邻近法（nearest neighbor）用距离待估值点(采样点)最近像元灰度值代替输出像元灰度值简单、省时，保留原始图像的值边缘

19、出现锯齿状47最邻近法48最邻近法优点：1 保留大量原始灰度值，没有经过平滑处理，对于区分植被类型、识别线性特征等有重要意义2 简易、省时3 分类前使用4 适合于专题文件缺点：1 锯齿状、不平滑2 某些值重复、某些值丢失3 对线性地物，可能出现不连续49原始图像纠正后图像（最邻近插值）50双线性（bilinear）考虑待估值点(采样点)周围4个相邻像元的灰度值，并根据各自权重计算输出像元灰度值公式为：gx,y: 输出灰度值pi: 距离权重（1/di或1/di2， di为邻近点到待估值点的距离）gi: 邻近点的灰度值51双线性插值利用X方向和Y方向进行三次插值(4个邻点)52双线性（biline

20、ar）优点1 较平滑，没有锯齿状2 与最邻近法相比，空间信息更准确些3 常用于改变像元大小时，如数据融合缺点：像元值被平均化，某些地物边缘更平滑，某些极值可能丢失53双线性插值原始图像纠正（双线性插值）54三次卷积法(cubic convolution)取与投影点邻近的16个像元灰度值（4*4） ，计算输出像元的灰度值有不同的实现算法55三次卷积法优点：1 与其它重采样方法相比，均值和标准偏差与原始像元的相一致2 改变像元大小时使用（改变幅度更大时）3 可能锐化图像、平滑噪声，实际的效应与数据有关缺点：1 数据的值可能被改变2 计算费时56原始图像几何纠正（三次卷积）57控制点的选择与分布58

21、纠正后的图像59基于三角网的几何纠正（Triangulation-based method）又称Rubber Sheeting适用于航空遥感图像纠正，几何变形复杂、不均匀其它方法的结果不理想时可用要求大量的地面控制点60三角网的建立61基于三角网方法的几何纠正三角网校正方法（Triangulation base methods）用由地面控制点（GCPs）形成的Delauney三角网来模拟几何偏差。用地面控制点形成Delauney三角网，然后用不同的多项式来拟合每一个三角形为分段的胶皮（Rubber-sheet）变换方法, 图像被划分为许多区域（三角形），每个区域采用不同的变换方程只有被地面控制

22、点包围的区域才进行三角网纠正。未被地面控制点包围的区域可用多项式方法纠正三角网校正方法需要更多的地面控制点三角网校正方法减少了局部误差（几何偏差），而多项式方法则减少全局误差三角网校正方法适合于航空遥感图像，用于消除由偏航、前后颠簸等引起的局部偏差以及纠正全景误差62图像配准 (image registration)将同一地区的各种遥感图像匹配在一起；以便于后续的处理与分析原理与几何校正相同（图像-图像）；以其中一个图像作为参照或标准，其他图像与之进行配准。63SPOT 5ETM+图像配准64图像镶嵌(Mosaicking)图像镶嵌是将多个具有重叠部分的图像制作成一个没有重叠的新图像；方法：基

23、于像元的镶嵌和基于地理坐标的镶嵌； 65图像镶嵌66镶嵌要有足够宽的重叠区，最好不少于图像的1/5，否则会影响精度相邻图像往往色调或灰度值不一致，需要进行直方图匹配如果镶嵌后需要进行某种地图投影变换，最好先根据该投影方式分幅校正，然后再镶嵌图像镶嵌注意的问题67反差增强(Contrast enhancement)又称对比度增强（拉伸，stretch） 是一种通过改变像元的亮度值来改变图像像元的对比度，从而改善图像质量的图像处理方法。 由于亮度是辐射强度的反映，所以也称辐射增强。按像元逐次进行，也称点增强主要通过改变图像灰度分布态势，扩展灰度分布区间，达到增强反差的目的主要通过调整直方图来实现

24、调整后的直方图应达到： 分布好（较均匀），没有大量暗或亮的像元集中分布68反差增强原理69反差增强原理-定量图形表达70纠正前的图像及直方图：偏暗高反射率图像反差增强71纠正后的图像及直方图反差增强72反差增强线性和非线性方法分段线性：增强某些部分，压制某些部分73线性增强（拉伸）增强前后灰度函数关系符合线性关系式： g=kg+bg增强后的灰度值, g增强前的灰度值, b常数, k斜率如：可采用以下公式进行增强DN=(DN-MIN)/(MAX-MIN)*255DN, 输出图像像元灰度值；DN, 输入图像像元灰度值； MIN, MAX 输入图像像元灰度最小值、最大值74线性拉伸实例Input D

25、NOutput DN002552555015095114SPOT第一波段的直方图 （原始）原始图像的直方图与图像拉伸后图像的直方图与图像SPOT第一波段的直方图 （拉伸后）77线性拉伸 SPOT 3-2-1波段合成图像UnstretchedLinear Stretch78分段线性：增强某些部分，压制某些部分斜率大的部分被拉伸增强斜率小的部分被压缩79非线性拉伸对数拉伸：扩张低的灰度区，压缩高的灰度区80非线性拉伸指数拉伸：扩展高灰度区间 81直方图均衡化（Histogram Equalization）非线性的增强方法；将每个灰度区间等概率分布，代替了原来的随机分布，即增强后的每个灰度级内有大致

26、相同的像元数；通过改变灰度区间来实现；根据灰度值的出现频率来分配它们的亮度显示范围，频率高的部分被增强了,频率低的部分被压缩。82直方图均衡化（histogram equalization）效果：增强了峰值处的对比度，两端（最亮和最暗）的对比度减弱了83原始的直方图均衡化后的直方图直方图均衡化84直方图均衡化直方图均衡化SPOT 第一波段直方图均衡化实例直方图均衡化SPOT 3-2-1波段直方图均衡化实例87直方图匹配(histogram matching)把原图像的直方图变换为某种指定形状的直方图或某一参考图像的直方图，然后按照已知的指定形态的直方图调整原图像各像元的灰级，最后得到一个直方图

27、匹配的图像使用的模板有正态拉伸匹配、暗区拉伸匹配、亮区拉伸匹配主要应用于有一幅调整好的图像作为标准的情况下，对另一图像进行匹配，以改善被处理图像的质量应用于数字镶嵌88直方图匹配：条件（运用两幅图像）原始图像和参考图像两个图像的直方图的总体形态应相似图像中相对亮和暗的特征应相同对某些应用，图像的分辨率应相同（但可不同）图像中的地物类型的相对分布应相同，无论两幅图像是否覆盖同一地区。如一幅有云，另一幅没有云，应先将云去掉（覆盖），然后再进行直方图匹配89图像彩色增强处理人眼对灰度级别的观察有限，至多20级左右，但对彩色差异的分辨能力很高；使用不同的彩色和色调的变化来代替图像的黑白灰度级别变化，可

28、突出图像信息空间分布；方法：彩色合成，密度分割（伪彩色）90彩色合成地物波谱辐射在不同波段上反映不同，因此，把不同波段的信息差异综合反映出来，图像上的地物信息就显著扩大，提高了识别效果；根据彩色合成原理，选取同一目标的三个多光谱数据合成一幅彩色图像；当合成图像的红、绿、蓝三色与三个多光谱波段相吻合，即红代表红波段，绿代表绿波段，蓝代表蓝波段，图像再现地物的彩色原型，为真彩色图像；否则，为假彩色图像。91彩色合成真彩色(true color): RGB； 假彩色(false color)：RGB3-2-1 7-4-2Landsat TM92密度分割(density slicing)伪彩色 (ps

29、eudocolor): 单波段灰度图像的彩色表示或显示密度分割：将连续的灰度值转换为少量的灰度区间，并用不同的颜色表示增强了图像的目视解译效果9394TM3密度分割（5级）粗略显示水体、植被、裸地/城镇等类别95邻域增强（邻域操作）滤波(filtering)抑制噪声，增强某些特征平滑(smoothing)：均值、中位数滤波锐化(sharpening)：边缘检测与增强边缘增强：减法平滑（锐化）根据周围的像元点的关系进行邻域运算， 窗口运算、模板运算96移动窗口（Moving Window）窗口中心的像元值将被改变，根据周围像元的值以及采用的规则窗口大小可根据实际情况变化97移动窗口2225522

30、12225Value will be replaced by 2均值滤波98移动窗口222552212225Note: the pixel is not changed until the end of the pass.99高频和低频信息100平滑与锐化低通与高通滤波（Low vs. High Pass Filter）OriginalLow passHigh pass101均值滤波（mean filtering）窗口中心的像元被窗口内所有像元的均值代替减少噪声，但同时也损失了某些高频信息102中位数滤波（Median Filter）窗口中心的像元 被赋予窗口内灰度值大小位于所有像元中间的值1

31、03均值滤波与中位数滤波比较104中位数滤波优点：抑制噪声的同时，较好地保留了高频信息原始中位数均值105边缘检测与增强边缘增强：增强几何细节的有效方法首先检测边缘，然后将边缘信息加到原始图像中，以增强边缘附近的对比度，或突出边缘边缘增强的方法： 梯度法 拉普拉斯算子 106梯度：一阶微分不同地物的界线（边缘）在图像上是以灰度或色调表现出来，在数字图像上，边缘附近必然存在较为明显的灰度值变化，这种灰度变化率称为梯度，可用一阶微分形式来表示梯度如果令边缘两侧分别加减这个梯度值，则这一边缘得到增强107也可用边缘检测模板实现-10+1-10+1-10+1-1-1-1000+1+1+10+1+1-1

32、0+1-1-10+1+10+10-10-1-1垂直 水平 对角线108从原始图像减去一个平滑后的图像: 锐化一个平滑后的图像保留了所有低频空间信息，但高频信息（边缘、线）减弱了。因此，从原始图像减去平滑后的图像，所产生的差值图像只保留了高频信息。将差值图像（以不同的比例）再加到原始图像上，将形成边缘增强的图像是一种常用的边缘增强方法109从原始图像减去一个平滑后的图像（锐化）110图像变换(image transformation)涉及不同图像（波段）间的运算算术运算（如植被指数）主成分分析（PCA）图像融合111算术运算加、减、乘、除运算也是重要的信息提取方法减：差值除（波段比）减、除等运算

33、可用于变化检测112图像差 Image DifferencingImage Date 1Image Date 2Difference Image = Image 1 - Image 2113植被指数(Vegetation Index)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。 可用于识别植被、监测植被健康状况等114植被、水体、土壤的反射光谱115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） (Norm

34、alized Difference Vegetation Index)SAVI=（1+L）（NIR-R）/（NIR+R+L），L=0.5（土壤修正植被指数）(Soil-Adjusted Vegetation Index)如对 Landsat TM数据： NDVI=（TM4-TM3）/（TM4+TM3）植被指数(Vegetation Index)116假彩色合成图像 NDVI图像117假彩色合成图像 NDVI图像118像元矢量：每个波段可视为一维；多波段数据即多维数据每个像元可看做光谱矢量空间的一个点，也可作为一个矢量（从原点到该点的矢量），在每个波段的值即在该维上的分量值多光谱/高光谱图像11

35、9主成分分析（PCA, Principal Component Analysis）（K-L变换）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；地形遥感器波段间的重叠应用PCA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PCA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120主成分分析也称K-L变换，Karhunen-Loeve 变换是对某一多光谱图像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图像Y的操作，表达式为： Y=AX其中，X为变换前多光谱空间的像元矢量，Y为变换后主分量空间的像元矢量对图像中每个像元矢量逐个乘以矩阵A，便得到新

36、图像中的每一像元矢量。A的作用是给多波段的像元亮度以加权系数，实现线性变换。121基本原理 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为变换后的主分量矢量，如主分量1，2，3X为变换前的原始图像矢量，如TM1，TM2，. A为变换矩阵。主成分分析122步骤：计算原始图像的方差-协方差矩阵；计算的特征值和特征向量；生成主成分按照K-L变换的数学原理，矩阵A是X空间协方差矩阵的特征向量矩阵的转置矩阵主成分分析123主成分分析（PCA）124The spatial relationship between the first two principal compone

37、nts: (a) Scatter-plot of data points collected from two remotely bands labeled X1 and X2 with the means of the distribution labeled 1 and 2. (b) A new coordinate system is created by shifting the axes to an X system. The values for the new data points are found by the relationship X1 = X1 1 and X2 =

38、 X2 2. (c) The X axis system is then rotated about its origin (1, 2) so that PC1 is projected through the semi-major axis of the distribution of points and the variance of PC1 is a maximum. PC2 must be perpendicular to PC1. The PC axes are the principal components of this two-dimensional data space.

39、 Component 1 usually accounts for approximately 90% of the variance, with component 2 accounting for approximately 5%.PCA的图形表示125主成分分析主成分变换后的新波段主分量包含的信息量不同，呈逐渐减少的趋势。其中，第一主分量集中了最大的信息量，第二、第三主分量的信息量依次快速递减，到第n分量信息几乎为0。由于K-L变换对不相关的噪声没有影响，所以信息减少时，便突出了噪声，最后的分量几乎全是噪声。因此，此变换又可分离噪声。126原始图像TM1-5，7主成分图像PC1-6127128where akp = eigenvectors, BVi,j,k = brightness value in band k for the pixel at row i, column j, and n = number of bands.It is possible to compute a new value for pixel 1,1 (it has 7 ban