1、数字图像增强,数字图象增强目的,增强目视效果 提高图像质量和突出所需信息，有利于分析判读或作进一步的处理,数字图象增强,对比度变换 空间滤波 图像运算 多光谱变换,对比度变换,是一种通过改变图像像元的亮度值来改变图像像元对比度，从而改善图像质量的图像处理方法。因为亮度值是辐射强度的反映，所以也称之为辐射增强。常用的方法有对比度线性变换和非线性变换。,从直方图形态判断图像质量,对比度变换,线性变换为了改善图像的对比度，必须改变图像像元的亮度值，并且这种改变需符合一定的数学规律，即在运算过程中有一个变换函数。如果变换函数是线性的或分段线性的，这种变换就是线性变换。线性变换是图像增强处理最常用的方法
2、。,直方图,数字图像,最小值,最大值,线性变换,将亮度值为015图像拉伸为030，要设计一个线性变换函数，横坐标xa为变换前的亮度值，纵坐标xb为变换后的亮度值。当亮度值xa从015变换成xb从030，变换函数在图中是一条直线OO，方程式为,变换前后直方图对比,变换后图像,线性变换,一般情况下，当线性变换时，变换前图像的亮度范围xa为a1a2，变换后图像的亮度范围xb为b1b2，变换关系是直线，则变换方程为,线性变换,通过调整参数a1，a2，b1，b2，即改变变换直线的形态，可以产生不同的变换效果。若a2-a1b2-b1，亮度范围缩小，图像被压缩。对于a2与a1 ，是取在图像亮度值的全部或部分
3、，偏亮或偏暗处，均可根据对图像显示效果的需要而人为地设定。,线性变换,有时为了更好地调节图像的对比度，需要在一些亮度段拉伸，而在另一些亮度段压缩，这种变换称为分段线性变换。分段线性变换时，变换函数不同，在变换坐标系中成为拆线，拆线间断点的位置根据需要决定。从图中可以看出，第一、三段为压缩，第二段为拉伸，每一段的变换方程为：,结果 比较,非线性变换,当变换函数是非线性时，即为非线性变换。非线性变换的函数很多，常用的有指数变换和对数变换。,非线性变换,指数变换其意义是在亮度值较高的部分xa 扩大亮度间隔，属于拉伸，而在亮度值较低的部分xb缩小亮度间隔，属于压缩，其数学表达式为,a，b，c为可调参数
4、，可以改变指数函数曲线的形态，从而实现不同的拉伸比例。,非线性变换,对数变换与指数变换相反，它的意义是在亮度值较低的部分拉伸，而在亮度值较高的部分压缩，其数学表达式为,a，b，c仍为可调参数，由使用者决定其值 。,空间滤波,对比度扩展的辐射增强是通过单个像元的运算从整体上改善图像的质量。而空间滤波则是以重点突出图像上的某些特征为目的的，如突出边线或纹理等，因此通过像元与其周围相邻像元的关系，采用空间域中的邻域处理方法。它仍属于一种几何增强处理，主要包括平滑和锐化。,空间滤波,图像卷积运算是在空间域上对图像作局部检测的运算，以实现平滑和锐化的目的。具体作法是选定一卷积函数，又称“模板”，实际上是
5、一个MN图像。二维的卷积运算是在图像中使用模板来实现运算的。,空间滤波,从图像左上角开始开一与模板同样大小的活动窗口，图像窗口与模板像元的亮度值对应相乘再相加。假定模板大小为M*N，窗口为(m,n)，模板为t(m，n)，则模板运算为:,将计算结果r（i，j）放在窗口中心的像元位置，成为新像元的灰度值。然后活动窗口向右移动一个像元，再按公式做同样的运算，仍旧把计算结果放在移动后的窗口中心位置上，依次进行，逐行扫描，直到全幅图像扫描一遍结束，则新图像生成。,空间滤波,平滑图像中出现某些亮度变化过大的区域，或出现不该有的亮点（“噪声”）时，采用平滑的方法可以减小变化，使亮度平缓或去掉不必要的“噪声”
6、点。具体方法有： 均值平滑 中值滤波,空间滤波,均值平滑是将每个像元在以其为中心的区域内取平均值来代替该像元值，以达到去掉尖锐“噪声”和平滑图像目的的。区域范围取作MN时，求均值公式为具体计算时常用33的模板作卷积运算，其模板为,t(m,n)=,或t(m,n)=,1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9,1/8 1/8 1/8 1/8 0 1/8 1/8 1/8 1/8,空间滤波,中值平滑是将每个像元在以其为中心的邻域内取中间亮度值来代替该像元值，以达到去尖锐“噪声”和平滑图像目的的。具体计算方法与模板卷积方法类似，仍采用活动窗口的扫描方法。取值时，将窗口内所有像
7、元按亮度值的大小排列，取中间值作为中间像元的值。所以MN取奇数为好。 一般来说，图像亮度为阶梯状变化时，取均值平滑比取中值滤波要明显得多，而对于突出亮点的“噪声”干扰，从去“噪声”后对原图的保留程度看取中值要优于取均值。,锐化,为了突出图像的边缘、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。锐化后的图像已不再具有原遥感图像的特征而成为边缘图像。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,梯度的概念,反映了相邻像元的亮度变化率，也就是说，图像中如果存在边缘，如湖泊、河流的边界，山脉和道路等，则边缘处有较大的梯
8、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，实现了图像的锐化。,锐化,罗伯特梯度可以近似地用模板计算，其公式表示为,相当于取窗口22大小，用模板t1作卷积计算后取绝对值加上模板t2计算后的绝对值。计算出的梯度值放在左上角的像元f（i，j）的位置，成为r（i，j）。这种算法的意义在于用交叉的方法检测出像元与其邻域在上下之间或左右之间或斜方向之间的差异，最终产生一个梯度影像，达到提取边缘信息的目的。有时为了突出主要边缘，需要将图像的其他亮度差异部分模糊掉，故采用设定正阈值的方法，只保留较大的梯度值
9、来改善锐化后的效果。,1 0 0 1,0 1 1 0,t1,t2,锐化,索伯尔梯度是罗伯特梯度方法的改进，模板变为,1 2 1 0 0 0 -1 2 -1,-1 0 1 -2 0 2 -1 0 1,t1,t2,与罗伯特方法相比，此法较多地考虑了邻域点的关系，使窗口由22扩大到33，使检测边界更加精确。,锐化,拉普拉斯算法 在模板卷积运算中，将模板定义为：,0 1 0 1 -4 1 0 1 0,t（m,n),即上下左右4个邻点的值相加再减去该像元值的4倍，作为这一像元的新值。拉普拉斯算法的意义与前述两种算法不同，它不检测均匀的亮度变化，而是检测变化率的变化率，相当于二阶微分。计算出的图像更加突出
10、亮度值突变的位置。,锐化,拉普拉斯算法有时，也用原图像的值减去模板运算结果的整倍数，即：,r(i,j)为拉普拉斯运算结果。这样的计算结果保留了原图像作为背景，边缘之处加大了对比度，更突出了边界位置。,锐化,定向检测当有目的地检测某一方向的边、线或纹理特征时，可选择特定的模板卷积运算作定向检测。常用的模板为：,-1 0 1 -1 0 1 -1 0 1,-1 2 -1 -1 2 -1 -1 2 -1,t(m,n),或,-1 -1 -1 0 0 0 1 1 1,-1 -1 -1 2 2 2 -1 -1 -1,t(m,n),或,0 1 1 -1 0 1 -1 1 0,1 1 0 1 0 -1 0 -1
11、 -1,-1 -1 -2 -1 2 -1 2 -1 -1,2 -1 1 -1 2 -1 -1 -1 2,检测垂直边界：,检测水平边界：,检测对角线边界：,t(m,n),典型的3 3算子,空间滤波,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，由于图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。,彩色变换,亮度值的变化可以改善图像的质量，但就人眼对图像的观察能力而言，一般正常人眼只能分辨
12、20级左右的亮度级，而对彩色的分辨能力则可达100多种，远远大于对黑白亮度值的分辨能力。不同的彩色变换可大大增强图像的可读性，在此介绍常用的三种彩色变换方法。 单波段彩色变换 多波段色彩变换 HSI变换,彩色变换：单波段彩色变换,单波段黑白遥感图像可按亮度分层，对每层赋予不同的色彩，使之成为一幅彩色图像。这种方法又叫密度分割，即按图像的密度进行分层，每一层所包含的亮度值范围可以不同。例如，亮度010为第一层，赋值1，1115为第二层，赋值2，1630为第三层，赋值3，等等，再给1，2，3等分别赋不同的颜色，于是生成一幅彩色图像。目前计算机显示彩色的能力很强，理论上完全可以将256层的黑白亮度赋
13、予256种彩色，因此彩色变换很有前景。 对于遥感影像而言，将黑白单波段影像赋上彩色总是有一定目的的，如果分层方案与地物光谱差异对应得好，可以区分出地物的类别。例如在红外波段，水体的吸收很强，在图像上表现为接近黑色，这时若取低亮度值为分割点并以某种颜色表现则可以分离出水体；同理砂地反射率高，取较高亮度为分割点，可以从亮区以彩色分离出砂地。因此，只要掌握地物光谱的特点，就可以获得较好的地物类别图像。当地物光谱的规律性在某一影像上表现不太明显时，也可以简单地对每一层亮度值赋色，以得到彩色影像，也会较一般黑白影像的目视效果好。,彩色变换：多波段彩色变换,根据加色法彩色合成原理，选择遥感影像的某三个波段
14、，分别赋予红、绿、蓝三种原色，就可以合成彩色影像。由于原色的选择与原来遥感波段所代表的真实颜色不同，因此生成的合成色不是地物真实的颜色，因此这种合成叫做假彩色合成。 多波段影像合成时，方案的选择十分重要，它决定了彩色影像能否显示较丰富的地物信息或突出某一方面的信息。以陆地卫星Landsat的TM影像为例，TM的7个波段中，第2波段是绿色波段（052060m），第4段波段是近红外波段（076090mp，当4，3，2波段被分别赋予红、绿、蓝色时，即绿波段赋蓝，红波段赋绿，红外波段赋红时，这一合成方案被称为标准假彩色合成，是一种最常用的合成方案。,彩色变换：多波段彩色变换,实际应用时，应根据不同的应
15、用目的经实验、分析，寻找最佳合成方案，以达到最好的目视效果。通常，以合成后的信息量最大和波段之间的信息相关最小作为选取合成的最佳目标，例如，TM的4，5，3波段依次被赋予红、绿、蓝色进行合成，可以突出较丰富的信息，包括水体、城区、山区、平原及线性特征等，有时这一合成方案甚至优于标准的4，3，2波段的假彩色合成,彩色变换：多波段彩色变换,TM标准假彩色合成图像,TM7(R)、4(G)、2(B),彩色变换：多波段彩色变换,TM3(R)、2(G)、1(B),TM4(R)、5(G)、3(B),HSI变换,HSI代表色调、饱和度和明度（hue，saturation, intensity）的色彩模式。这种
16、模式可以用近似的颜色立体来定量化。如图所示，颜色立体曲线锥形改成上下两个六面金字塔状。环绕垂直轴的圆周代表色调（H），以红色为0o，逆时针旋转，每隔60o改变一种颜色并且数值增加 1，一周 360o刚好6种颜色，顺序为红、黄、绿、青、蓝、品红。垂直轴代表明度（I），取黑色为0，白色为1，中间为0.5。从垂直轴向外沿水平面的发散半径代表饱和度（S），与垂直轴相交处为0，最大饱和度为1。根据这一定义，对于黑白色或灰色，即色调H无定义，饱和度S0，当色调处于最大饱和度时Sl，这时I05。,HSI变换,从常用的红绿蓝表达方式到HIS表达方式，有专门的算法进行转换，常用的图像处理软件系统均有此项功能。,
17、图像运算,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。 差值运算 比值运算,图像运算：差值运算,即两幅同样行、列数的图像，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，因此相减后的图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。因此图像的差值运算有利于目
18、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。,图像运算：差值运算,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，也用差值法将两幅图像的行、列各移一位，再与原图像相减，也可起到几何增强的作用。,图像运算：比值运算,两幅同样行、列数的图像，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
19、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）,图像运算：比值运算,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
20、息有关的线性特征等都能有不同程度的增强效果。,图像相关,图像相关（image correlation）是指在两张不同的图像中存在同一个目标物时，识别2图像中相互对应的物体位置所采用的技术。它除了主要用于寻找立体图像的对应点以外，还用于对不同时期拍摄的图像控制点的自动识别等。如在一幅图像A上设定nn的窗口，在另一幅图像B中寻找对应其中心点的点。在搜索中，在B图像上移动nn的窗口，求出表示窗口内图像间的相似性的互相关或相关系数为最大的点。,图像相关,式中： ai是A图像的数据， bi是B图像的数据， n为图像数据的个数。由于两式之间几乎没有差异，所以多采用计算机上比较简单的（l）式。因该方法设定了
21、nn的窗口（区域）来搜索对应点，所以也叫区域匹配（areabased matChing）。,图像相关,窗口的大小可根据图像的分辨率及特征进行选择，但对于SPOT卫星的立体图像多使用 55、77、99的窗口，对于航空像片多使用 99到2121的窗口。此外，为了处理的高速化，还常用对应的像元值之差的绝对值总和来评价窗口内图像间的相似性，以该总和为最小的点作为对应点的方法。,图像相关,其它的对应点搜索方法还有：提取出物体的角等图像灰度有特征变化的特征点，然后对该特征点进行匹配，或对图像中提取的边缘进行匹配的方法等。如果寻找出了立体图像的对应点就可以算出高程（目标物的三维坐标）。,多光谱变换,遥感多光
22、谱影像，特别是陆地卫星的TM等传感器，波段多，信息量大，对图像解译很有价值。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图像实行线性变换，使多光谱空间的坐标系按一定规律进行旋转。,多光谱变换,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
23、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图像中的位置信息，它没有图像空间的意义，遥感数据采用的波段数就是光谱空间的维数。,多光谱变换：K-L变换,KL变换是离散（Karhunenloeve）变换的简称，又被称作主成分变换。它是对某一多光谱图像X，利用KL变换矩阵A进行线性组合，而产生一组新的多光谱图像Y，表达式为： Y=AX 即,对图像中每一像元矢量逐个乘以矩阵A，便得到新图像中的每一像元矢量。A的作用是给多波段的像元亮度加权系数，实现线性变换。由于变换前各波段之间有很强的相关性，经过KL变换组合，输出图像Y的各分量之间将具有最小的相关性。,多光谱变换：K-L变
24、换,主成分分析 （principal component analysis）是着眼于变量之间的相互关系，尽可能不丢失信息地用几个综合性指标汇集多个变量的测量值而进行描述的方法。通过采用主成分分析就可以把图像中所含的大部分信息用假想的少数波段表示出来，这意味着信息几乎不丢失但数据量可以减少。,多光谱变换：K-L变换,KL变换的特点： 从几何意义来看，变换后的主分量空间坐标系与变换前的多光谱空间坐标系相比旋转了一个角度。而且新坐标系的坐标轴一定指向数据信息量较大的方向。以二维空间为例，假定某图像像元的分布呈椭圆状，那么经过旋转后，新坐标系的坐标轴一定分别指向椭圆的长半轴和短半轴方向主分量方向，因为
25、长半轴这一方向的信息量最大。,多光谱变换：K-L变换,主成分分析的原理,多光谱变换：K-L变换,KL变换的特点： 就变换后的新波段主分量而言，它们所包括的信息量不同，呈逐渐减少趋势。事实上，第一主分量集中了最大的信息量，常常占80以上。第二、三主分量的信息量依次很快递减，到了第n分量，信息几乎为零。由于KL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。所以这种变换又可分离出噪声。,多光谱变换：K-L变换,因此，在遥感分析前进行KL变换可以实现： 数据压缩：以TM影像为例，共有7个波段处理起来数据量很大。进行KL变换后，第一，或前二或前三个主分量已包含了绝大多
26、数的地物信息，足够分析使用，同时数据量却大大地减少了。应用中常常只取前三个主分量作假彩色合成，数据量可减少到43，既实现了数据压缩，也可作为分类前的特征选择。 图像增强：KL变换后的前几个主分量，信噪比大，噪声相对小，因此突出了主要信息，达到了增强图像的目的。此外将其他增强手段与之结合使用，会收到更好的效果。计算机处理时，需要根据被处理的图像计算变换矩阵A。由于KL变换使用较为普遍。故常用的图像处理软件包中都具有这一功能，不必用户自已计算，也免去了许多编程工作。,多光谱变换：K-T变换,KT变换是KauthThomas变换的简称，也称缨帽变换。这种变换也是一种线性组合变换，其变换公式为： Y=
27、BX X、Y分别为变换前后多光谱空间的像元矢量； B为变换矩阵。该变换也是一种坐标空间发生旋转的线性变换，但旋转后的坐标轴不是指向主成分方向，而是指向与地面景物有密切关系的方向。 KT变换的应用主要针对TM数据和曾经广泛使用的MSS数据。它抓住了地面景物，特别是植被和土壤在多光谱空间中的特征，这对于扩大陆地卫星TM影像数据分析在农业方面的应用有重要意义。,多光谱变换：K-T变换,Crist等人提出TM数据在K-T变换时的B值：,0.3037 0.2793 0.4743 0.5585 0.5082 0.1863 -0.2848 -0.2435 -0.5436 0.7243 0.0840 -0.1
28、8000.1509 0.1973 0.3279 0.3406 -0.7112 -0.4572 -0.8242 -0.0849 0.4392 -0.0580 0.2012 -0.2768 -0.3280 -0.0549 0.1075 0.1855 -0.4357 0.80850.1084 -0.9022 0.4120 0.0573 -0.0251 0.0238,变换（不含6波段）结果的前三个分量与地面景物的关系密切：y1为亮度，实际上是TM的6个波段的加权和，反映出图像总体的反射值。y2为绿度，从变换矩阵B的第2行系数看，波长较长的红外波段5和7，有很明显的抵削，剩下4与1，2，3波段，刚好是近
29、红外与可见光部分的差值，反映了绿色生物量的特征。y3为湿度，该分量反映了可见光与近红外波段14与波长较长的红外5，7波段的差值，而5，7两波段对土壤湿度和植被湿度最为敏感，易于反映出湿度特征。,多光谱变换：K-T变换,图为农作物在生长过程中的在植被视面中的位置。虚线表示植物的生长过程，其中点1为农作物破土前的裸土；点2附近为植物的生长，反映出叶子逐渐茂密，绿度的增长，阴影的扩大，故亮度降低；到点3附近为植物最茂盛阶段，裸土和阴影几乎全部被植物覆盖而使绿度和亮度都增加了；直到农作物衰老枯萎，绿度迅速降低。这一过程在植被视面上十分清楚。靠近亮度的底边线是土壤线，表现出各种不同类型的裸土位置。,1裸土 2生长 3植被最大覆盖 4衰老,多光谱变换：K-T变换,土壤视面图中除了亮度，又增加了湿度分量。在植物生长过程中，湿度从点1向点2和3逐渐增加，经过一个恒定过程，再稍许变化。这一平面中没有表现出土壤线的线状规律，而是散布在整个土壤面中。,多光谱变换：K-T变换,只有过渡视面既反映了植被信息又反映了土壤信息。图中所有坐标均没标明原点位置，仅仅表示出各分量增长的方向。 如果将三个坐标分量立体化可以更清楚地反映出农作物生长过程中的三维形态的规律。因三维形态看起来像一顶带穗的帽子，所以有人形象地称K-T变换为“缨帽变换”。,
