04_5图像增强

图像光谱增强•图像运算•多光谱变换多重图像增强处理——图像运算ImageCalcu.（1）多光谱图像加法运算),(1),(1yxfKyxrKii为参加运算的波段数目为计算结果的新图像波段的原图像为第Kyxriyxfi),(),(例如：TM-1，2，3相加，得到近似全色黑白图像（TM-1，0.45～0.52;TM-2,0.52～0.60;TM-3,0.63～0.69）TM-1，2，3，4相加，近似的红外全色黑白图像（TM-4，0.76～0.90）。多重图像增强处理——图像运算ImageCalcu.（1）多光谱图像减法运算两个不同波段图像间相减有利于提取各种地物在这两个波段图像间的相关信息。),(),(),(yxfyxfyxrBA•减法运算•用途：–区分地物–动态监测2020/3/7差值运算•应用–增强在两个不同波段间亮度差异大的目标–检测同一区域内目标的运动变化TM4－TM3TM41999.9－TM42001.9多重图像增强处理——图像运算ImageCalcu.（1）多光谱图像乘法运算KiKiyxfyxr/11),(),(除法运算),(),(),(yxfyxfyxrBA混合运算•作用：–植被指数–去除地形影响…除法运算（比值运算）),(),(),(yxfyxfyxrBA比值运算•应用–可以扩大不同地物的光谱差异，区分在单波段中容易发生混淆的地物–可以消除或减弱地形阴影、云影影响和植被干扰以及显示隐伏构造等•运用图像相除应注意它的缺点–比值使得原来图像的独立波谱意义不存在了，失去了地物的总的反射强度信息–比值处理常常放大了噪声，因而比值处理前应充分做好消除噪声的工作2020/3/713TM4/TM3可突出植被信息TM4TM3可以扩大不同地物的光谱差异，区分在单波段中容易发生混淆的地物2020/3/714TM5/TM7抑制地形阴影TM5TM7可以消除或减弱地形阴影、云影影响和植被干扰以及显示隐伏构造等植被指数植被指数的应用极为广泛，例如：利用植被指数可监测某一区域农作物长势，在此基础上建立农作物估产模型从而进行大面积的农作物估产。植被指数运算不仅仅用于植被分析，还广泛应用于其他地物信息的提取。在地质探测中，地质学家常用TM的某种组合解译矿石类型。传感器IR波段R波段LandsatTM43LandsatMSS75SPOTXS32NOAAAVHRR21常用的红外(IR)与红(R)波段部分遥感植被指数植被指数方程参考文献简单比值指数（SR）Birth和McVey，1968Colombo等，2003归一化植被指数（NDVI）Rouse等，1974Deering等，1975Huete等，2002K-T变换（缨帽变换）LandsatMSSKauth和Thomas,1976亮度B=0.332MSS1+0.603MSS2+0.675MSS3+0.262MSS4Kauth等,1979绿度G=-0.283MSS1-0.660MSS2+0.577MSS3+0.388MSS4黄度Y=-0.899MSS1+0.428MSS2+0.076MSS3-0.041MSS4其他N=-0.016MSS1+0.131MSS2-0.452MSS3+0.882MSS4nirredSRrednirrednirNDVI部分遥感植被指数（续）植被指数方程参考文献LandsatThematicMapper（TM）Grist和Kauth等,1986亮度B=0.2909TM1+0.2493TM2+0.4806TM3+0.5568TM4+0.4438TM5+0.1706TM7Lunetta等，2002Price等，2002绿度G=-0.2728TM1-0.2174TM2-0.5508TM3+0.7221TM4+0.0733TM5-0.1648TM7湿度W=0.1446TM1+0.1761TM2+0.3322TM3+0.3396TM4-0.6210TM5-0.4186TM7红外指数（II）Hardisky等，1983正交植被指数（PVI）Richardson和Wiegand，1977裸土绿度指数（GRASS）Hay等，1979水分胁迫指数（MSI）Rock等，19865454TMTMTMTMMidIRNIRMidIRNIRII22)2852.04355.0()2149.04355.0(PVIMSSMSSMSSMSS58959.509178.0GARSSBG45TMTMNIRMidIRMSI部分遥感植被指数（续）植被指数方程参考文献叶片相对含水量指数（LWCI）Hunt等，1987中红外指数Musick和Pelletier,1988土壤调整植被指数（SAVI）和修正的SAVI指数（MSAVI）Huete，1988Huete和Liu，1994Running等，1994Qi等，1995大气阻抗植被指数（ARVI）Kaufman和Tanre,1992Huete和Liu，1994土壤和大气阻抗植被指数（SARVI）Huete和Liu，1994Running等，1994增强型植被指数（EVI）Huete等，1997Huete和Justice，1994Huete等，2002ftTMftTMLWCIMidIRNIRTMMidIRNIRTM5541log41log75TMTMMidIRMidIRMidIRLLSAVIrednirrednir)())(1()()(rbnirrbnirARVI)()(LARVIrbnirrbnir)1()()(21LLCCGEVIbluerebnirrebnir部分遥感植被指数（续）植被指数方程参考文献新型植被指数（NVI）Gupta等，2001不受气溶胶影响的植被指数（AFRI）Karnieli等，2001三角植被指数（TVI）Broge和Leblance,2000简化的简单比值植被指数（RSR）Chen等，2002可见光大气阻抗植被指数（VARI）Gitelson等，2002归一化建筑物指数（NDBI）Zha等，2003673747777NVImnirmnirmAFRI6.16.16.166.066.0mnirmnirmAFRI1.21.21.25.05.0greenredgreennirTVI2001205.0minmaxmin1swirswirswirswirrednirRSRblueredgreenredgreengreenVARI4545TMTMTMTMNIRMidIRNIRMidIRNDBINDVINDBIupBuiltarea多重图像增强处理——图像运算ImageCalcu.（2）多时相图像时间较短的多时相图像运算——消除随机噪声),(1),(1yxfKyxrKiTi时间较长的多时相图像运算——提取地物动态变化信息),(),(),(12yxfyxfyxrTTT（3）不同传感器之间图像的组合多光谱变换2020/3/7多光谱变换•多光谱遥感影像，特别是陆地卫星的TM等传感器，波段多，信息量大•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。2020/3/7241-蓝2-绿3-红TMCorrelationBand1Band2Band3Band4Band5Band6Band11.00000.95680.93800.01300.80700.8454Band20.95681.00000.97930.11870.84860.8691Band30.93800.97931.00000.08030.88070.8995Band40.01300.11870.08031.00000.0925-0.0703Band50.80700.84860.88070.09251.00000.9594Band60.84540.86910.8995-0.07030.95941.00002020/3/7251-蓝2-绿3-红4-近红外TMCorrelationBand1Band2Band3Band4Band5Band6Band11.00000.95680.93800.01300.80700.8454Band20.95681.00000.97930.11870.84860.8691Band30.93800.97931.00000.08030.88070.8995Band40.01300.11870.08031.00000.0925-0.0703Band50.80700.84860.88070.09251.00000.9594Band60.84540.86910.8995-0.07030.95941.00002020/3/726多光谱变换•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，增强有用信息的目的•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2020/3/727多光谱空间•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，即亮度值TnnxxxxxxX...,,,...21212020/3/7邱永红28多光谱变换•通过线性变换，以获得新的波段数据，实现在降低数据冗余、压缩数据量的同时保留主要信息、增强有用信息的目的•本质是对多光谱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nmnmmnnmxxxyyy2121222211121121,,,,,,,,,2020/3/7邱永红29多光谱变换•主要方法–主成分变换，PrincipalComponentsTransformation–缨帽变换,TasseledCapTransformation2020/3/730主成分变换•即主成分分析(PCA)、卡夫林－列夫变换(KL变换)，是根据各波段之间的协方差或相关系数构建的一种正交线性变换方法•变换的目的就是把原来多波段图像中的有用信息集中到数目尽可能少的新的主成分图像中，并使这些主成分图像之间互不相关，也就是说各个主成分包含的信息内容是不重叠的，从而大大减少总的数据量并使图像信息得到增加2020/3/731主成分变换的性质和特点•K-L变换是一种线性变换，而且是当取Y的前p（pm）个主成分经反变换而恢复的图像X′和原图像X在均方误差最小意义上的最佳正交变换。它具有以下性质和特点–（1）由于是正交线性变换，所以变换前后的方差总和不变，变换只是把原来的方差（方差大说明信息量大）不等量的再分配到新的主成分图像中–（2）第一主成分包含了总方差的绝大部分（一般在80%以上），信息最丰富，图像对比度大，其余各主成分的方差依次减小–（3）变换后各主成分之间的相关系数为零，也就是说各主成分间的内容是不同的，是“正交”的2020/3/732–（4）是一种数据压缩和去相关技术，即把原来的多变量数据在信息损失最少的前提下，变换为尽可能少的互不相关的新的变量，以减少数据的维数，便于显示和分析。–（5）第一主成分还降低了噪声，有利于细部特征的增强和分析，适用于进行高通滤波，线性特征增强和提取以及密度分割等处理。–（6）在几何意义上相当于进行空间坐标的旋转，第一主成分取波谱空间中数据散布最大的方向；第二主成分则取与第一主成分正交且数据散布次大的方向，其余依此类推。2020/3/733主成分变换矩阵其中，m和n分别为波段数（或称变量数）和每