遥感技术第六章 图像增强2014

第六章图像增强马龙home218@126.comQQ：917675964Fotor遥感图像增强是为特定目的，突出遥感图像中的某些信息，削弱或除去某些不需要的信息，使图像更易判读。图像增强的实质是增强感兴趣目标和周围背景图像间的反差。它不能增加原始图像的信息，有时反而会损失一些信息。它也是计算机自动分类一种预处理方法。图像增强的目的：一方面为了提高图像的目视效果；另一方面便于图像的后续处理。

第一节数字图像及其直方图第二节灰度变换第三节空间滤波第四节多光谱图像四则运算第五节主成分变换第六节图像融合第一节数字图像及其直方图数字图像：遥感数据有光学图像和数字图像之分。数字图像是能被计算机存储、处理和使用的用数字表示的图像。数字化：将连续的图像变化，作等间距的抽样和量化。通常是以像元的亮度值表示。数字量和模拟量的本质区别：连续变量，离散变量。数字图像的表示：矩阵函数数字图像直方图:以每个像元为单位，表示图像中各亮度值或亮度值区间像元出现的频率的分布图。（a）图像直方图靠近低灰度区，该图像属于低反射率景物图像；（b）图像为高反射率景物图像；（c）图像直方图标准差偏小，为低反差景物图像；（d）图像直方图的标准差较大，为高反差景物的图像；（e）图像直方图呈现出多峰，图中有多种地物出现的频率较高；（f）图像直方图呈现出双峰，并且高亮度地物（如云、白色背景等）出现频率高。图像直方图是描述图像质量的可视化图表。在图像处理中，可以通过调整图像直方图的形态，改善图像显示的质量，以达到图像增强的目的。第二节灰度变换灰度变换是一种简单而实用的方法。它可使图像动态范围增大，图像对比度扩展，图像变清晰，特征明显，它是图像增强的重要手段之一。1.线性拉伸（linearcontrastenhancement）左图可以看到原始图像的灰度范围为：4-105，而显示设备的灰度范围0-225。为了取得比较好的目视效果，需要利用显示设备的整个亮度范围。对比度拉伸将原始图像的亮度值范围扩大0-255灰度范围（即充分利用显示设备的亮度范围）。最小最大值拉伸（minimum-maximumcontraststretch）

百分比和标准差线性拉伸（percentagelinearandstandarddeviationcontraststretching）百分比和标准差线性拉伸（percentagelinearandstandarddeviationcontraststretching）originalMinimum-maximum±1standarddeviation百分比和标准差线性拉伸（percentagelinearandstandarddeviationcontraststretching）originalMinimum-maximum±1standarddeviation分段线性拉伸（piecewiselinearcontraststretch）

分段线性拉伸（piecewiselinearcontraststretch）Savannahthermalplume的像素值主要从81-170。为了强调plume，我们需要对这个部分进行对比度拉伸。0-80设置为255，81-170进行线性拉伸至0-255，171-255设置为255。非线性拉伸（nonlinearcontrastenhancement）直方图均衡是将随机分布的图像直方图修改成均匀分布的直方图，其实质是对图像进行非线性拉伸，重新分配图像像元值，使一定灰度范围内的像元的数量大致相等。2.直方图均衡亮度值分为0to7区间，按频数计算公式将其归入相关的区间直方图均衡直方图均衡特点是：（1）各灰度级所占图像的面积近似相等。（2）原图像上频率小的灰度级被合并。（3）增强图像上大面积地物与周围地物的反差，同时也增加图像的可视粒度。（4）如果输出数据分段级较小，则会产生一个初步分类的视觉效果。（5）具体增强效果不易控制，只能全局均衡。直方图均衡前后的影像直方图均衡前后的彩色影像3.直方图正态化直方图正态化是将随机分布的原图像直方图修改成高斯分布，修改直方图的方法与直方图均衡类似，采用累加方法4.直方图匹配英文：histogrammatching，又叫直方图归一化（HistogramNormalization）。将图像直方图以标准图像的直方图为标准作变换，使两图像的直方图相同和近似，从而使两幅图像具有类似的色调和反差。在遥感图像处理中，直方图匹配应用于：①图像镶嵌中图像的灰度调节，通过直方图匹配使相邻两幅图像的色调和反差趋于相同。②多时相图像处理中以一个时相的图像为标准，调节另一幅图像的色调与反差，以便作进一步的运算。③以一幅增强后色调和反差比较满意的图像为标准，对另一幅图像作处理，期望得到类似的结果。为了使图像直方图匹配获得好的结果，两幅图像应有相似的特性：（1）图像直方图总体形状应类似；（2）图像中黑与亮特征应相同；（3）对某些应用，图像的空间分辨率应相同；（4）图像上地物分布应相同，尤其是不同地区的图像匹配。如果一幅图像里有云，而另一幅没有云，那么在直方图匹配前，应将其中一幅里的云去掉。待匹配的影像匹配后的影像标准影像相应的直方图5.密度分割6.亮度反转处理灰度反转是指图像灰度范围进行线性或非线性取反，产生一幅与输入图像灰度相反的图像，其结果是原来亮度的地方变暗，原来暗的地方变亮。第三节空间滤波（spatialfiltering）遥感图像一个重要的特征是空间频率（spatialfrequency）（definedasthenumberofchangesinbrightnessvalueperunitdistanceforanyparticularpartofanimage）。如果亮度变化小，那么这个区域就称为低频区域。反之，称为高频区域。从本质上来说，空间频率描述了空间区域的亮度值，因此有必要采用空间方法来提取定量的空间信息。通常，对于空间信息的分析，往往不是局限于单个独立的像素，而是对一个局地区域的像素进行分析。遥感图像的空间频率，可以通过两种方法得到加强或者降低。一个是空间卷积滤波，主要利用空间算子，来提高或降低图像的空间频率。另一个是傅立叶变换，将图像变换到频率域，对某个范围的频率进行分析。一、空间卷积滤波一个线性空间滤波器（linearspatialfilter），其输出影像i、j位置的像素是输入图像相应位置出周围像元的加权平均值。这个过程叫做二维卷积滤波。线性空间滤波器可以通过加强高频信息来增强图像中的边缘信息。也可以通过加强低频信息来减少图像噪声。111111111

c1xBV1c2xBV2c3xBV3Masktemplate=c4xBV4c5xBV5c6xBV6

c7xBV7c8xBV8c9xBV9其中BV1=BVi-1，j-1，

BV2=BVi-1，jBV3=BVi-1，j+1BV4=BVi，j-1BV5=BVi，jBV6=BVi，j+1BV7=BVi+1，j-1BV8=BVi+1，jBV9=BVi+1，j+1

c1c2c3Masktemplate=c4c5c6

c7c8c9111111111低通滤波（low-frequencyfilteringintheSpatialDomain）低通滤波

0.25

0.50

0.25MaskB=0.50

1.00

0.50

0.25

0.50

0.25

1.00

1.00

1.00

MaskC=1.00

2.00

1.00

1.00

1.00

1.00前面介绍的最简单的滤波算子容易造成图像模糊，特别是目标的边缘。如果卷积模版增大，这种情况会更加严重，因此发展了如下的两种模版高通滤波（high-frequencyfilteringintheSpatialDomain）高通滤波用于去除变化缓慢的量，增强高频局地信息。

-1

-1

-1MaskD=-1

9

-1

-1

-1

-1

1

-2

1

MaskE=-2

5

-2（见图f）

1

-2

1下面两个模版可以突出或者锐化目标的边缘中值滤波器（medianfilter）中值滤波器适于去除图像中的枪击噪音（快门噪音）。同低通滤波不一样，中值滤波将邻近像元按其值的大小顺序进行排列，选择中间值的像元，作为中心像元的值。同低通滤波相比，其优点在于：1）不会移动边界的位置；2）对边界的退化（degradation）影响最小。缺点：当图像中的线状元素小于领域像元或者拐角的一半宽度时，这时，这些像元可能会被去除。为了解决这个问题，提出了edge-preservingmedianfilter，求黑色像元的中值，灰色像元的中值，这两个中值加上原始图像的中心像元，三个值进行排序，再选取中值，赋予中心像元。自适应滤波器（adaptiveboxfilter）对于去除图像噪音非常有用，Eliason和McEwen（1990）开发了两个自适应滤波器：去除随机噪声（shotnoise）；平滑噪声数据（pixelsrelatedtotheimagescenebutwithanadditiveormultiplicativecomponentofnoise）。这两个方法都需要计算标准偏差（不包括中心像元）。处于中心位置的像元，先假定它是噪声，如果中心像元值偏离周围像元均值超过标准偏差一倍至两倍，那么就认为该像元是噪音，其值由八个像元的均值代替；或者选取偏离中心像元值不超过标准偏差一倍至两倍的像元值，取其平均赋予中心像元。空间域边缘增强很多遥感都离不开边缘信息的提取，通过边缘增强，可以容易地获取图像形状，便于信息的分析和提取。视觉上，处于边界处的像元，其像元值变化较大。可以利用线性和非线性边缘增强算子来增强边缘信息。线性边界增强一阶方向微分算法（directionalfirst-differencealgorithm），计算相邻像元的一阶导数（thefirstderivative）。算法计算水平、垂直和水平、垂直和对角线方向的结果可能为负或者为正，K一般取127。因此，对于像元值相近的像元，增强后其值处于127附近；反之，其值距离127较远。通过这样的运算后，利用最小最大对比度拉伸（min-maxcontrast），可以增强图像的边缘。我们也可以利用前面介绍卷积模板进行边缘增强，用于边缘提取的算子大小和地表粗糙度与太阳角度有关。Delta，△Smoothness/roughnessKernelsize≤±3Verysmooth9*9±4smooth±5semismooth7*7±6Smooth/rough±7Rough/smooth5*5±8Semirough±9Rough3*3≥±10Veryrough1*1根据前面讨论的水平方向的一阶微分，处理后的图像其灰度图反映了图像中包含多少条边界。计算一阶微分图的标准偏差，并乘以2.3，即获得△。Kernelsize=12—△结合上式和上表，就可以确定最优的kernelsize。一旦卷积算子的大小确定了，就可以采用不同的系数来提高图像的边缘。00010-1000001000-100浮雕效果EmbossEastEmbossNW方向梯度算子（compassgradientmasks），从命名上可以看出，该算子可以最大地增强坡度方向的响应。比如，向东梯度算子生成一个反映从西向东的水平亮度值变化最大的输出。算子各个系数之和为零，因此对于没有边界存在的区域，相应的输出为零。1111-21-1-1-1北向

111-1-21-1-11东北向-111-1-21-111东向西南方向梯度算子，增强了plume；而向东方向梯度算子，增强了plume和河的西岸边界。拉普拉斯算子（Laplacianconvolutionmask）可用于增强图像边缘。它计算邻近像元的二阶导数，对点、线、面的方向变化不敏感（itisinsensitivetothedirectioninwhichthediscontinuities(e.g.，points，lines，

edges)run）。0-10-14-10-10-1-1-1-18-1-1-1-11-21-24-21-21拉普拉斯算子一般可以增强图像中的点线面，压制均一变化的的区域（suppressesuniformandsmoothlyvaryingregions），这同人们观察地物的方式是一致的。非线性边界增强14782693order-101-202-101121000-1-2-1X=Y=Sobel边缘探测器可以探测水平、垂直和对角线方向的边缘。图a可以看出，plume为白色的亮线所包围。如果设定一个阈值，可以获取边缘图。14782693order500001000-10000010-10X=Y=

二、傅立叶变换对于遥感图像处理，需要解决二维空间的问题，因此，考虑离散情况（N表示x方向的像素数，M表示y方向的像素数）：反变换有：即其中

从左图影像中，选择了三处地区说明傅立叶变换。A处为质地均匀、频率低的水体；B处包含了低频和中频的地形信息，并具有水平和垂直分布；C处包含了低频和中频的地形信息，并具有对角线分布特征。

注意频谱图中明亮部分的走向，它反映了左图中呈对角线分布的地物信息。左图的斜纹条带类似于我们之前课上介绍的striping。右图中的亮点反映了斜条纹的频率和方向。亮点同图像原点的连线与原始图像斜条纹的方向垂直。结合原始图像和频谱图像可以看出，在频率域噪音信息呈点状或系列点状分布，因此比较容易地发现噪音信息，并加以消除。然而我们在空间域消除这些噪音就比较困难。而在频率域，通过手动或程序就很容易地消除这些噪音。这一幅某地区海岸带附近的影像，可以看到非常明显的条带（striping），如果不消除这个噪音，我们就无法开展悬浮物质迁移的研究频率域的空间滤波我们已经讨论了在空间域利用卷积模板滤波的方法。在频率域，我们可以通常对频谱图进行滤波，即利用频率域滤波器。第四节多光谱图像四则运算

比值图像（除法运算）也可以增强某些地物之间的反差，如植物、土壤、水在红色波段与红外波段图像上反射率是不同的，通过比值运算可以加以区分因此，比值运算是自动分类的预处理方法之一。类别红波段红外波段红外波段/红波段植被暗很亮更亮水体稍亮很暗更暗房屋较亮较亮不变

第五节主成分变换（principalcomponentsanalysis，PCA）它的基本原理是：对某一多光谱图像实行一个线性变换，产生一组新的多光谱图像，使变换后各分量之间具有最小的相关性。它是一种常用的数据压缩方法，可以将具有相关性的多波段数据压缩到完全独立的前几个主分量上；同时由于主成分变换后的前几个主分量包含了主要的地物信息，噪声较少，因而可以突出主要信息，抑制噪声，达到图像增强的目的；另外，它也可以用于分类前的预处理，减少分类的波段数并提高分类效果，即作为特征选择的方法新的特征图像组就是一个特征维数得到压缩的n维特征矢量。原始数据经过主成分变换后，其方差分布主要集中在前面几个特征，方差的大小反映了模式的散布情况。如图所示，第一分量方差分布最广，集中最多信息，第二分量次之。第六节图像融合

1.图像融合定义将多源遥感图像按照一定的算法，在规定的地理坐标系，将不同传感器获取的遥感影像中所提供的各种信息进行综合，

生成新的图像的过程。融合目的：提高对影像进行分析的能力（通过融合既提高多光谱图像空间分辨率，又保留其多光谱特性）。多源遥感图像信息融合的关键（1）对多源遥感数据作出合理的选择（2）影像精确配准解决