1、第四章 遙感圖像處理 顏色的性質(zhì)可以由明度、色調(diào)和飽和度明度、色調(diào)和飽和度來描述。 上圖從左至右飽和度逐漸增大，葉子的綠色中摻入上圖從左至右飽和度逐漸增大，葉子的綠色中摻入 白光的成分越來越少。物體的飽和度取決于其反射白光的成分越來越少。物體的飽和度取決于其反射 （透射）光譜特性。反射（透射）光譜越窄，物體（透射）光譜特性。反射（透射）光譜越窄，物體 飽和度就越高。飽和度就越高。 紅、綠、藍這三種顏色稱為“色光三原色” 也稱加法三原色。 光學基礎知識光學基礎知識 原色減法：三補色(黃，品紅，青）全部 參與疊加形成黑色，任意其中兩種補色 相加形成不參與合成的顏色的原色。 （近似）真彩色合成 標準

2、假彩色合成 其中遙感平臺位置和運動狀態(tài)變化的影響 包括航高、航速、俯仰、翻滾、偏航等 遙感影像變形原因：遙感影像變形原因： 遙感平臺位置和運動狀態(tài)變化的影響 地形起伏的影響 地球表面曲率的影響 大氣折射的影響 地球自轉(zhuǎn)的影響 數(shù)字圖像的校正 數(shù)字圖像的校正 精校正基本思路 數(shù)字圖像的校正 精校正具體步驟 確定校正前后像元的位置關系 通過控制點，找到變換前后圖像坐標的對應關系 建立該關系的數(shù)學描述 根據(jù)該數(shù)學描述計算坐標 計算校正后各像元的亮度值 ？ 最小二乘法在多項式糾正的使用 多項式幾何糾正根據(jù)多項式方程的次數(shù)，有最少 控制點個數(shù)的要求，但控制點選擇過程中可能存 在隨機誤差。為了消除隨機誤差

3、，需要盡可能將 更多的控制點信息應用到多項式模型的方程解算 當中，因此需要利用最小二乘法將更多的控制點 坐標信息應用到多項式方程的求解過程。 最小二乘法最小二乘法（又稱最小平方法最小平方法）是一種數(shù)學優(yōu)化技術。它 通過最小化誤差的平方和尋找數(shù)據(jù)的最佳函數(shù)匹配。 數(shù)字圖像的校正 計算方法 計算校正后各像元的亮度值 最近相鄰法 k=Integer(x+0.5) l=Integer(y+0.5) 優(yōu)點：簡單易用，計算量小 缺點：精度差，亮度不連續(xù) 數(shù)字圖像的校正 jifyif yifjif 1 ) 1,(),(),(),( 雙線性內(nèi)插 數(shù)字圖像的校正 地面控制點（GCP）數(shù)目的確定原則 最低限按未知

4、方程的次數(shù)來確定 一般實際控制點數(shù)目要遠遠多于最低數(shù) 控制點的選取原則 應選取圖像上易分辨且較精細的特征點 特征變化大的地區(qū)要多選 圖像邊緣部分一定要選 盡可能滿幅均勻選取 (n+1)(n+2)/2 數(shù)字圖像的校正 校正方法 精校正 1.利用遙感影像相對于地面坐標（如GPS 地面點坐標）的配準校正； 2.利用遙感影像相對于地圖投影坐標系統(tǒng) 配準校正； 3.利用不同類型或不同時相的遙感影像之 間的幾何配準； 數(shù)字圖像的輻射校正 理想狀態(tài)下， 進入傳感器的輻射強度只受兩個因素影響： 太陽照射到地面的輻射強度 地物的光譜反射率 實際狀態(tài)下， 還受其它因素的影響（輻射校正的目的就是 去除這些影像）：

5、儀器本身的誤差儀器本身的誤差 大氣對輻射的影響大氣對輻射的影響 數(shù)字圖像的輻射校正 粗校正方法直方圖最小值去除法 原理： 假設程輻射在同一幅圖像的同一個波段上的值是常數(shù) （實際上與像元位置有關） 在一幅圖像上，總可以找到某幾處地物，其輻射亮度 理論上應接近于0。 如實測值不為0，則多出部分應為大氣散射導致的程 輻射值。 方法： 將每一波段中每一像元亮度都將去本波段的最小值。 數(shù)字圖像的增強 空間濾波 卷積運算 ),(),(),( 11 nmtnmjir n m n n 數(shù)字圖像的增強 空間濾波 平滑 用于減小圖像的亮度變化， 去掉不必要的噪聲點 數(shù)字圖像的增強 空間濾波 銳化(邊緣增強） 用于

6、突出圖像的邊緣、線狀目標等 亮度變化率大的部分 數(shù)字圖像的增強 彩色變換 HLS變換 色調(diào)、明度、飽和度 （hue、lightness、 saturation） 遙感技術的應用，使得NDVI廣泛的被用來定性和定量的評價 植被覆蓋及其生長活力； 它是基于物理知識，將電磁波輻射、大氣、土壤、植被覆蓋等 相互作用集合在一起，對植物在紅光和近紅外波段的光譜進行 分析。 NDVI=(近紅外-紅)/(近紅外+紅) 針對TM影像NDVI=(B4-B3)/(B4+B3) 圖像運算 數(shù)字圖像的增強 K-L(Karhunen-Loeve)變換（PCT主成分變換） 利用影像各波段亮度值間的協(xié)方差矩陣構造的 線性變換

7、矩陣，從而使影像數(shù)據(jù)的信息依次向 前幾個維度集中的影像處理方法。 目的： 數(shù)據(jù)壓縮-多個波段可以轉(zhuǎn)化為幾個主分量 波段 圖像增強-主分量波段的信噪比比原圖增大 簡單的說就是降維、減噪 數(shù)字圖像的增強 多光譜變換 Kauth-Thomas變換（纓帽、穗帽變換）Tasseled Cap 根據(jù)經(jīng)驗確定的變換矩陣將影像的多光譜亮度空間綜 合變換到由亮度、綠度、濕度三維空間的一種線性特 征變換圖像處理方法。 多源信息融合 不同傳感器的遙感信息的融合 融合原因：來自不同傳感器的信息有 不同的特征: 空間分辨率（高空間分辨率影像，往往是 全色的） 光譜分辨率（多波段影像的光譜信息） 時間分辨率 遙感圖像目視

8、解譯原理 目標地物特征 色顏色 形形狀 位位置 目標地物的直接判讀標志 色調(diào)（tone）顏色（colour） 陰影（shadow） 形狀（shape） 紋理（texture） 大小（size） 位置（site） 圖型（pattern） 遙感圖像目視解譯原理 遙感圖像目視解譯原理 間接判讀標志目標地物與其相關指示 特征 間接判讀標志地物及其與環(huán)境的關系 間接判讀標志目標地物與成像時間的關系 TM影像（5號星） 波段序號波長/um波段名稱地面分辨率 10.450.52藍色30 20.520.60綠色30 30.630.69紅色30 40.760.90近紅外30 51.551.75短波紅外30 61

9、0.412.5熱紅外120 72.082.35短波紅外30 SPOT4影像 波段序號波長/um波段名稱地面分辨率 10.500.60綠色20 20.610.68紅色20 30.790.89近紅外20 41.51.75短波紅外20 全色0.510.73全色10 中巴資源一號01、02星 高分辨率CCD相機 波段序號波長/um波段名稱地面分辨率 10.450.52藍綠色19.5 20.520.59綠色19.5 30.630.69紅色19.5 40.770.89近紅外19.5 全色0.510.73全色19.5 遙感圖像目視解譯基礎 目視解譯步驟 準備工作 初步解譯與建標 室內(nèi)詳細判讀 野外驗證與補判

10、 目視解譯成果的轉(zhuǎn)繪與制圖 計算機自動分類的實質(zhì) 是根據(jù)某一標準，對像元特征空間進行劃 分，將遙感影像上的每一個像元劃分到不 同地物類別的過程。 分類主要依據(jù) 地物的光譜特征 像素的相似度 通常用距離和相關系數(shù)作為衡量相似度的指標 n k jkikij xxd 1 | 絕對值距離 歐氏距離 )(*)( 2 ji T jiij xxxxd k jki ji ji k jkijiji xx xx xx xxxxxx 2 2 11 2 211 *)()()( 馬氏距離 )(*)( 1 2 ji ij T jiij xxxxd 混合距離 n k gkikig Mxd 1 | 相關系數(shù) 2 1 2 1

11、1 )()( )( n k jjk n k iik jjk n k iik ij xxxx xxxx r 分類方法 監(jiān)督分類 通過選取有代表性的訓練場地作為樣本， 并依此建立判別函數(shù)。應用該函數(shù)對非 樣本像元進行分類 選取訓練樣本是監(jiān)督分類的前提 注意：通常對每類地物都會選N個樣本 分類方法 監(jiān)督分類 最小距離分類 分類方法 監(jiān)督分類 最近鄰域分類 法 分類方法 監(jiān)督分類 特征曲線窗口法 分類方法 監(jiān)督分類 最大似然比分類法 Maximum Likelihood Classifier 分類方法 非監(jiān)督分類 不以任何先驗知識為依據(jù)，純粹依靠不同光 譜數(shù)據(jù)組合在統(tǒng)計上的差別來進行“盲分 類”， 事

12、后再對已分出各類的地物屬性進 行確認的分類方法。 n非監(jiān)督分類 n分級集群法（Hierarchical Clustering） n用距離評價各個像元在光譜空間上分布的相似程度， 把它們合并成不同的集群，即分類結果中不同的類別。 非監(jiān)督分類 動態(tài)聚類法（ISODATA） 分類方法 遙感圖像的計算機分類 監(jiān)督分類與非監(jiān)督分類的比較 監(jiān)督分類需要根據(jù)訓練場提供的特征參數(shù)建 立判別函數(shù)。工作量大，資料收集有難度， 費用高，訓練場選擇較好時，分類質(zhì)量高。 非監(jiān)督分類不需要任何先驗知識，根據(jù)地物 光譜的統(tǒng)計特性進行分類。費用較低。光譜 特征類與唯一地物對應時，分類質(zhì)量高。地 物間光譜特性相差小時，分類質(zhì)量

13、低。 人工智能方法人工智能方法 人工神經(jīng)網(wǎng)絡（ANN） 主要特征： 大規(guī)模的并行處理和分布式信息存儲 具有自適應性和自組織性的非線性系統(tǒng) 較強的學習功能、聯(lián)想功能和容錯功能 從本質(zhì)上講也可以說一種監(jiān)督分類，因為也有樣 本參與訓練的過程 計算自動解譯與目視解譯的區(qū)別與聯(lián)系，及各自的優(yōu)缺 點 聯(lián)系：都是從遙感圖像上獲取目標地物的信息 區(qū)別：目視解譯完全靠手工提取，計算機自動解譯給定 判定準則（算法）后計算機自動處理 目視解譯的優(yōu)點在于對專業(yè)解譯人員而言，能用的判讀 標志多，使用影像的信息多，解譯精度高，其缺點在于 手工工作量大，不同的解譯員的判據(jù)有差異，無法完全 保證結果的客觀一致性。 計算機自動

14、分類的優(yōu)點在于判定準則給定后，計算能夠 自己實現(xiàn)待分像元的類別歸屬，手工工作量相對較小。 其缺點在于主要僅用影像的光譜信息，對于一些地學與 物理意義等需要歸納的信息難以直接應用到分類當中。 而且計算機自動分類還是需要目視解譯去核查分類精度。 第四章 遙感圖像處理 顏色的性質(zhì)可以由明度、色調(diào)和飽和度明度、色調(diào)和飽和度來描述。 標準假彩色合成 數(shù)字圖像的校正 計算方法 計算校正后各像元的亮度值 最近相鄰法 k=Integer(x+0.5) l=Integer(y+0.5) 優(yōu)點：簡單易用，計算量小 缺點：精度差，亮度不連續(xù) 數(shù)字圖像的校正 jifyif yifjif 1 ) 1,(),(),(),

15、( 雙線性內(nèi)插 數(shù)字圖像的校正 地面控制點（GCP）數(shù)目的確定原則 最低限按未知方程的次數(shù)來確定 一般實際控制點數(shù)目要遠遠多于最低數(shù) 控制點的選取原則 應選取圖像上易分辨且較精細的特征點 特征變化大的地區(qū)要多選 圖像邊緣部分一定要選 盡可能滿幅均勻選取 (n+1)(n+2)/2 多源信息融合 不同傳感器的遙感信息的融合 融合原因：來自不同傳感器的信息有 不同的特征: 空間分辨率（高空間分辨率影像，往往是 全色的） 光譜分辨率（多波段影像的光譜信息） 時間分辨率 n k jkikij xxd 1 | 絕對值距離 歐氏距離 )(*)( 2 ji T jiij xxxxd k jki ji ji k jkijiji xx xx xx xxxxxx 2 2 11 2 211 *)()()( 馬氏距離 )(*)( 1 2 ji ij T jiij xxxxd 混合距離 n k gkikig Mxd 1 | 相關系數(shù) 2 1 2 1 1 )()( )( n k jjk n k iik jjk n k iik ij xxxx xxxx r 計算自動解譯與目視解譯的區(qū)別與聯(lián)系，及各自的優(yōu)缺 點 聯(lián)系：都是從遙感圖像上獲取目標地物的信息 區(qū)別：目視解