4.3遥感.ppt

1、1,几何校正,几何畸变：遥感图像的几何位置上发生变化，产生诸如行列不均匀，像元大小与地面大小对应不准确，地物形状不规则变化等变形。 几何畸变是平移、缩放、旋转、偏扭、弯曲等作用的结果。,2,几何校正,从具有几何变形的图像中消除变形的过程。 一般步骤： 1 确定校正方法 2 确定校正公式 3 验证校正方法 4 对原始输入图像进行重采样,3,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：传感器以外的个因素造成，如地球曲率、地形起伏、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,4,传感器成像几何形

2、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；,5,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,6,中心投影,传感器外方位元素变化畸变,7,多中心投影 例如MSS,TM等,传感器外方位元素变化畸变,8,地球自转引起的误差,9,地球曲率引起的误差,10,遥感图像几

3、何校正的原理,包括光学校正和数字纠正 数字纠正：通过计算机对图像每个象元逐个地解析纠正处理，可以较精确改正线性和非线性变形误差。 包括两个方面（基本环节）： （1）象元坐标变换； （2）象元灰度值重新计算（重采样）。,11,遥感图像几何校正的原理,12,数字图像几何纠正的主要处理过程,准备工作：图像、地图、大地测量资料、平台轨道参数、传感器参数、控制点的选择；（具体内容可选） 纠正变换函数建立：输入和输出图像间的坐标变换关系；如多项式法、共线方程法等,13,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：

4、从原始图像阵列出发，依次对 其中每一个象元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，依次计算每个象元P（X，Y）在原始图像中的位置P（x，y），然后把该点的灰度只依次计算后返送给P（X，Y）. 二者间并无本质差别，互为逆变换,14,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,15,坐标变换,16,图像灰度值的重采样,几何校正过程中，由于校正前后图像的像元大小可能变化、象元点位置的相对变化等，不能简单用原图像象元灰度值代替输出象元灰度值。 对应的坐标值可

5、能不是整数 因此，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,17,最邻近法（nearest neighbor）,用距离投影点（采样点）最近象元灰度值代替输出象元灰度值 简单、省时，保留原始图像的值 边缘出现锯齿状,18,最邻近法原理,19,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,20,原始图像,纠正后图像（最邻近插值）,最邻近法纠正效果,21,双线性内插法,取(z，y)

6、点周围的4邻点，在y方向(或x方向)内插二次，再在x方向(或y方向)内插一次，得到(x，y)点的亮度值f(x，y)，该方法称双线性内插法.,22,双线性（bilinear）,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 常用于改变象元大小时，如数据融合,缺点： 象元值被平均化，某些地物边缘更平滑，某些极值可能丢失,23,双线性插值效果,原始图像,纠正（双线性插值）,24,三次卷积法（cubic convolution）,取与投影点邻近的16个象元灰度值（44） ，计算输出象元的灰度值 取与计算点(x，y)则围相邻的16个点，与双向线性内插类似，可先在在某一入向上内插，

7、如先在x方向上，每4个值依次内插4次，再根据这四个计算结果在y方向上内插，得到f(x，y)。每一组4个样点组成一个连续内插函数。实际上是一种卷积运算，也叫三次卷积内插。,25,三次卷积法,优点： 1 与其它重采样方法相比，均值和标准偏差与原始象元的相一致 2 改变象元大小时使用（改变幅度更大时） 3 可以锐化图像、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,26,原始图像,几何纠正（三次卷积）,三次卷积法处理效果,2020/7/22,27,1 遥感图像的增强处理,目前常用的遥感图像增强处理主要有：彩色合成、灰度变换、直方图变换、密度分割、灰度颠倒、图像间运算、

8、邻域增强处理、主成分分析、KT变换、信息融合。,To be continued,2020/7/22,28,一、对比度变换（直方图调整） 直方图：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。 一般的遥感图像处理软件均有此功能。,To be continued,1 遥感图像的增强处理,29,First band （Green） for sample SPOT image,原始图像的直

9、方图,30,First band （Green） for sample SPOT image,拉伸后图像的直方图,31,Raw Unstretched Data,First band （Green） for sample SPOT image,原始图像,32,Linearly Stretched Data,First band （Green） for sample SPOT image,线性拉伸结果,2020/7/22,33,二、空间滤波（邻域增强处理） 邻区法增强处理是在被处理像元周围的像元参与下进行的运算处理 。 邻域处理又叫滤波处理，邻域的范围取决于滤波器的大小，如33或55等。 邻区法

10、处理用于去噪声、图像平滑、锐化和相关运算 。,To be continued,1 遥感图像的增强处理,2020/7/22,34,图 像 平 滑（1）,图像的平滑是使图像中高频成分消退，即平滑图像的细节，使其反差降低，保存低频成分，在频域中称为低通滤波。 在空间域处理中，是对邻区窗口内的图像区域积分。对于离散的数字图像其平滑公式为： 式中：g(x，y)为点(X，Y)平滑后的灰度值； f(n，m)为S集合中各像元的灰度值； X = O，1，2，N-1； Y = O，1，2，N-1； S是点(X，Y)邻域中的坐标(不包括(X，Y)的集合； M是集合S中坐标点的总数。,To be continued,

11、2020/7/22,35,图 像 平 滑（2）,常用平滑邻域算法,返回,反射率,亮度值,亮度值,反射率,平滑前后的图像直方图,平滑后的影像,原始影像,2020/7/22,36,锐 化 (1),锐化是增强图像中的高频成分，在频域处理中称为高通滤波，也就是使图像细节的反差提高，也称边缘增强。 锐化是对邻区窗口内的图像微分。 给定一个函数f(X，Y)，在坐标(X，Y)上的梯度定义为一个矢量： 梯度的模为：,To be continued,2020/7/22,37,锐 化 (2),锐化前后的直方图比较,返回,亮度值,亮度值,反射率,2020/7/22,38,三、密度分割 图像密度分割原理可以按如下步骤

12、进行： （1）求图像的极大值dmax和极小值dmin； （2）求图像的密度区间D = dmax-dmin + 1； （3）求分割层的密度差d =Dn ，其中n为需分割的层数； （4）求各层的密度区间； （5）定出各密度层灰度值或颜色。,To be continued,1 遥感图像的增强处理,2020/7/22,39,密度分割原理图,To be continued,2020/7/22,40,TM4,密度分割结果 （伪彩色）,2020/7/22,41,三、多光谱色彩变换（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

13、图像可以分为真彩色图像和假彩色图像。,To be continued,1 遥感图像的增强处理,2020/7/22,42,彩色合成的原理图,To be continued,反射率/%,2020/7/22,43,真彩色图像,真彩色图像上影像的颜色与地物颜色基本一致。 利用数字技术合成真彩色图像时，是把红色波段的影像作为合成图像中的红色分量、把绿色波段的影像作为合成图像中的绿色分量、把蓝色波段的影像作为合成图像中的蓝色分量进行合成的结果。 如TM321分别用RGB合成的图像。,To be continued,2020/7/22,44,假彩色图像,假彩色图像是指图像上影像的色调与实际地物色调不一致的图

14、像。 遥感中最常见的假彩色图像是彩色红外合成的标准假彩色图像。它是在彩色合成时，把近红外波段的影像作为合成图像中的红色分量、把红色波段的影像作为合成图像中的绿色分量、把绿色波段的影像作为合成图像中的蓝色分量进行合成的结果。 如TM432用RGB合成的图像为标准假彩色图像。,To be continued,2020/7/22,45,TM,1(0.45-0.52)蓝波段,2(0.52-0.60)绿波段,3(0.63-0.69)红波段,4(0.76-0.90)近红外波段,5(1.55-1.75)近红外波段,7(2.08-2.35)近红外波段,2020/7/22,46,真彩色：TM321,假彩色,TM

15、432 TM741,2020/7/22,47,四、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。 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=（TM4-TM3）/（TM4+TM3）,To be continued,1 遥感图像的增强处理,2020/7/22,48,五、多光谱变换 1、主成分分析 在遥感图像分类中，常常利用主成分分析算法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(Hyper-spectral images)数

16、据的压缩和信息融合。 例如：对LandsatTM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。 主成分分析的原理(next)。,To be continued,2020/7/22,49,原始数据为二维数据，两个分量x1、x2之间存在相关性，具有如图所示的分布。通过投影，各数据可以表示为y1轴上的一维点数据。从二维空间中的数据变成一维空间中的数据会产生信息损失，为了使信息损失最小，必须按照使一维数据的信息量(方差)最大的原则确定y1轴的取向，新轴y1称作第一主成分。为了进一步汇集剩余的信息，可求出与第一轴y1正交、且尽可能多地汇集剩余信息第二轴y2，新轴y2称作第二主成分。,主成分分析原理,To be continued,x2,2020/7/22,50,2、K-T变换及其应用 Kauth-Thomas变换（)，简称K-T变换，又形象地称为“缨帽变换”。这种变换着眼点在于农作物生长过程而区别于其他植被覆盖，力争抓住地面景物在多光谱空间中的特征。 目前对这个变换的研究主要集中在MSS与TM两种遥感数据的应用分析方面。,1976年，Kauth和Thomas发现了一种线性变换，它使坐标空间发生旋转，但旋转后的坐