光学传感器图像处理流程(二)
2.4. 图像增强
为使遥感图像所包含的地物信息可读性更强,感兴趣目标更突出,需要对遥感图像进行增强处理。
2.4.1. 彩色合成
为了充分利用色彩在遥感图像判读和信息提取中的优势,常常利用彩色合成的方法对多光谱图像进行处理,以得到彩色图像。彩色图像可以分为真彩色图像和假彩色图像。
![](https://i-blog.csdnimg.cn/direct/ec84e93620734988b2e7d4490eaaf673.png)
2.4.2 直方图变换
统计每幅图像的各亮度的像元数而得到的随机分布图,即为该幅图像的直方图。一般来说,包含大量像元的图像,像元的亮度随机分布应是正态分布。直方图为非正态分布,说明图像的亮度分布偏亮、偏暗或亮度过于集中,图像的对比度小,需要调整该直方图到正态分布,以改善图像的质量。
![](https://i-blog.csdnimg.cn/direct/84be1ee3d480478a82eb65d412c328e7.png)
![](https://i-blog.csdnimg.cn/direct/35640c1f86614334a0f8f2cce7a80a69.png)
2.4.3. 密度分割
将灰度图像按照像元的灰度值进行分级,再分级赋以不同的颜色,使原有灰度图像变成伪彩色图像,达到图像增强的目的。
![](https://i-blog.csdnimg.cn/direct/3798bdf0580942b5a84733b8debde5ab.png)
2.4.4. 图像间运算
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。常见的有加法运算、减法运算、比值运算和综合运算。例如:
减法运算:可突现出两波段差值大的地物,如红外-红,可突现植被信息。
比值运算:常用于计算植被指数、消除地形阴影等。
植被指数:NDVI=(IR-R)/(IR+R)
![](https://i-blog.csdnimg.cn/direct/066961c817dc4002bc6157ea0e7bd19b.png)
2.4.5. 邻域增强
又叫滤波处理,是在被处理像元周围的像元参与下进行的运算处理,邻域的范围取决于滤波器的大小,如3×3或5×5等。邻区法处理用于去噪声、图像平滑、锐化和相关运算 。
![](https://i-blog.csdnimg.cn/direct/11213994b4854c2391c2df7dd928eacb.png)
2.4.6. 主成分分析
也叫PCA变换,可以用来消除特征向量中各特征之间的相关性,并进行特征选择。
主成分分析算法还可以用来进行高光谱图像数据的压缩和信息融合。例如:对Landsat TM的6个波段的多光谱图像(热红外波段除外)进行主成分分析,然后把得到的第1,2,3主分量图像进行彩色合成,可以获得信息量非常丰富的彩色图像。
![](https://i-blog.csdnimg.cn/direct/ce6358db291645b28c4d491ca0e05e3d.png)
2.4.7. 图像融合
遥感图像信息融合是将多源遥感数据在统一的地理坐标系中,采用一定的算法生成一组新的信息或合成图像的过程。
不同的遥感数据具有不同的空间分辨率、波谱分辨率和时相分辨率,如果能将它们各自的优势综合起来,可以弥补单一图像上信息的不足,这样不仅扩大了各自信息的应用范围,而且大大提高了遥感影像分析的精度。
![](https://i-blog.csdnimg.cn/direct/ed1482e468ee4ed6b360fae8c7772394.png)
![](https://i-blog.csdnimg.cn/direct/51c0f7c5485e45dcb292d648cc660564.png)
2.5. 裁剪与镶嵌
2.5.1. 图像裁剪
在日常遥感应用中,常常只对遥感影像中的一个特定的范围内的信息感兴趣,这就需要将遥感影像裁减成研究范围的大小。
(1) 按ROI裁剪
根据ROI(感兴趣区域)范围大小对被裁减影像进行裁剪。
![](https://i-blog.csdnimg.cn/direct/0dae3a440bd84818928da7695238db98.png)
(2) 按文件裁剪
按照指定影像文件的范围大小对被裁减影像进行裁剪。
(3) 按地图裁剪
根据地图的地理坐标或经纬度的范围对被裁减影像进行裁剪。
2.5.2. 图像镶嵌
(1) 图像镶嵌
也叫图像拼接,是将两幅或多幅数字影像(它们有可能是在不同的摄影条件下获取的)拼在一起,构成一幅整体图像的技术过程。
通常是先对每幅图像进行几何校正,将它们规划到统一的坐标系中,然后进行镶嵌。
![](https://i-blog.csdnimg.cn/direct/84f7298d28e147138e314625c971dbb5.png)
(2) 影像匀色
在实际应用中,我们用来进行图像镶嵌的遥感影像,经常来源于不同传感器、不同时相的遥感数据,在做图象镶嵌时经常会出现色调不一致,这时就需要结合实际情况和整体协调性对参与镶嵌的影像进行匀色。
![](https://i-blog.csdnimg.cn/direct/91d0d49e529c40f38a236875a0c78907.png)
2.6. 遥感信息提取
遥感图像中目标地物的特征是地物电磁波的辐射差异在遥感影像上的反映。依据遥感图像上的地物特征,识别地物类型、性质、空间位置、形状、大小等属性的过程即为遥感信息提取。目前信息提取的方法有:目视解译,计算机分类,遥感反演,机器学习等。
2.6.1. 目视解译
也叫人工解译,即用人工的方法判读遥感影像,对遥感影像上目标地物的范围进行手工勾绘,达到信息提取的目的。
![](https://i-blog.csdnimg.cn/direct/4c6e466af0ae4817a58497daa653102d.png)
2.6.2. 图像分类
是依据是地物的光谱特征,确定判别函数和相应的判别准则,将图像所有的像元按性质分为若干类别的过程。
(1)监督分类
在研究区域选有代表性的训练场地作为样本,通过选择特征参数(如亮度的均值、方差等),建立判别函数,对样本进行分类,依据样本的分类特征来识别样本像元的归属类别的方法。
![](https://i-blog.csdnimg.cn/direct/40093c1ad4a440d0a010843fe47cfc3d.png)
(2)非监督分类
没有先验的样本类别,根据像元间的相似度大小进行归类,将相似度大的归为一类的方法。
(3)其他分类方法
包括神经网络分类、分形分类、模糊分类等分类方法,以及他数据挖掘方法如模式识别、人工智能等,在这里不做进一步阐述。
2.6.3. 遥感反演
遥感反演分为经验统计方法、基于物理模型方法等。遥感中许多参数均可利用反演方法获得,如LAI、植被覆盖度等。
2.6.4. 机器学习
随着遥感时空大数据的不断发展,传统的数据处理方法已经远不能深入挖掘大数据的内在价值,因此,未来需要依靠机器学习等人工智能算法进行遥感领域的数据信息挖掘,以更好的利用遥感数据,满足实际应用需求。