遙感圖像的處理演算法

⑴ 論述遙感圖像的處理方法

在進行遙感圖像的增強處理前，應先經行預處理：幾何校正和輻射校正（當然，如果你拿到的圖像已被預處理過了，就沒有必要了）

遙感圖像的增強處理方法有光學增強處理和數字圖像增強處理（就是大部分要和電腦打交道的），現在由於電腦的普及，多是用電腦處理數字圖像。

數字圖像的處理方法有很多種，這要取決於你的目的。
數字圖像增強和變換：對比度增強（在erdas等數字圖像處理軟體中很容易就能實現的）；圖像波段間的比值（包含各波段間的加減運算，可以消除地形和大氣的部分影響）及各種指標提取（比如NDVI等用於植被的計算）；主成分分析（在原圖像的基礎上通過坐標空間的變換，消除冗餘信息）；纓帽變換（多用於農業上）；
數字圖像分類：監督分類；非監督分類；

⑵ 面向遙感圖像分類基於注意力機制，你有哪些了解演算法

傳統的基於像素的遙感圖像處理方法是基於遙感圖像豐富的光譜信息和地面物體之間明顯的光譜差異。對於只有幾個波段的高解析度遙感影像，傳統的分類方法會導致分類精度降低和大量的空間數據冗餘，分類結果往往是椒鹽圖像，不利於進行空間分析。為了解決這一傳統問題，模糊分類技術應運而生。模糊分類是一種圖像分類技術，它將任何范圍的特徵值轉化為0到1之間的模糊值，表示屬於某個指定類別的程度。

除此以外，所有這些背景信息在圖像分析中都非常重要，例如，城市綠地與一些濕地在光譜信息上相當相似，只要在面向對象的圖像分析中明確城市綠地的背景為城市地區，就可以很容易地區分綠地和濕地，在基於像素的分類中，幾乎不使用這種背景信息。面向對象的圖像分析技術是在空間信息技術的長期發展過程中產生的，在遙感圖像分析中具有很大的潛力。

到目前為止，面向對象的方法是一種比較理想的方法，可以建立一個與現實世界相匹配的地面模型。面向對象的處理方法中最重要的部分是圖像分割。隨著地球觀測任務的逐步細化，高解析度的遙感衛星圖像得到了越來越廣泛的應用。這給遙感圖像分類方法帶來了挑戰。現有的研究表明，基於像素的高解析度遙感圖像分類存在著明顯的局限性。近年來，基於對象的圖像分析（OBIA）被認為是遙感和地理信息科學的一個重要趨勢，在高解析度遙感圖像處理中變得越來越突出。

⑶ 遙感圖像增強處理的目的與方法

遙感圖像增強處理的主要著眼點在於改進圖像顯示、提高遙感圖像的視覺效果和可解譯性，使遙感應用者易於從經過增強處理的遙感圖像上獲得所感興趣的有用信息，快速實現從遙感數據向有用信息的轉化。

從數學意義上理解，任何圖像的增強處理都是對圖像特徵施行某種變換。遙感圖像能為視覺感受且可作為參數描述的特徵是灰度、顏色、紋理和形狀等。增強就是根據圖像數據的這些特徵參數，結合顯示介質和人的視覺系統特點，選擇某種從原始圖像到增強圖像的變換。這種變換在數學上是不難實現的，但是變換結果能否突出有用信息，是否符合實際要求，在很大程度上取決於應用目的及處理者對增強效果的主觀判斷。目前尚難確定一個普遍適用的統一評價標准，必須結合具體情況考慮需增強的要素，來選擇變換參數與變換演算法，並通過反復試驗，觀察變換結果，不斷調整，直至滿意為止。所以遙感圖像增強處理技術水平的提高過程，是理論指導下的實踐經驗積累，沒有理論指導，僅注重實踐，必進展遲緩，九事一功。反過來，僅掌握一般的圖像增強處理理論，而缺乏有關應用專業的理論素養與豐富經驗，則根本無法完成開發與提高遙感圖像應用處理技術水平的任務。

遙感圖像增強處理技術根據處理空間的不同，可分為基於圖像空間的空域方法和基於圖像變換的頻域方法兩大類。圖像變換問題已在上章討論過。空域增強處理主要是直接在灰度值上進行。每次對單個象元進行灰度增強處理稱為點處理；對一個象元周圍的小區域子圖像進行處理，稱為鄰域處理或模板處理。此外，根據圖像處理的范圍又可將增強處理技術分為全局（整幅圖像）處理和局部（部分圖像）處理兩種。後來，隨著彩色圖像的廣泛應用，發展了許多針對彩色圖像的增強處理方法，故又有灰度圖像和彩色圖像增強之分。總之，可採用的增強處理方法和演算法很多，本章主要對應用較廣泛的遙感圖像空域處理技術加以剖析，並順便對頻域的濾波處理技術做些簡要介紹。

⑷ 實驗十八 遙感圖像非監督分類處理

一、實驗目的

通過使用ENVI的兩種遙感非監督分類器——IsoData非監督分類和K-Means非監督分類命令，加深對遙感非監督分類原理和對地質應用的理解，了解其技術實現過程，初步掌握其ENVI功能命令的基本使用操作。

二、實驗內容

①桂林市TM 遙感影像數據IsoData非監督分類；②桂林市TM 遙感影像數據KMeans非監督分類；③IsoData非監督分類與K-Means非監督分類效果比較分析。

三、實驗要求

（①預習ISODATA和K-Means兩種演算法原理；②掌握ISODATA和K-Means分類處理的基本操作；③對兩種分類結果進行比較分析；④編寫實驗報告。

四、技術條件

①微型計算機；②桂林市TM 遙感影像數據；③ENVI軟體；④Photoshop軟體（ver.6.0以上）和ACDSee軟體（ver.4.0以上）。

五、實驗步驟

非監督分類是根據圖像數據的本身統計特徵及點群的情況，從純統計學的角度對圖像數據進行類別劃分。非監督分類不需要事先給定類別，由圖像數據的統計特徵來決定，即同類地物在相同的成像條件下具有相同或相近的光譜特徵（如DN 值），歸屬於同一個光譜空間區域；不同地物由於光譜信息特徵不同，歸屬於不同的光譜空間區域。

非監督分類一般可分為四個步驟：執行非監督分類、類別定義、合並子類和評價結果。

（一）執行非監督分類

ENVI有ISODATA和K-Means兩種非監督分類方法。

1.ISODATA非監督分類

ISODATA（iterative self-organizing data analysis technique）屬於聚類分析方法。是按照像元之間的聯系程度（親疏程度）來進行歸類的一種多元統計分析方法。ISODATA非監督分類計算數據空間中均勻分布的類均值，然後用最小距離技術將剩餘像元迭代聚集，每次迭代都重新計算均值，且根據所得的新均值，對像元進行再分類。具體操作步驟如下：

在ENVI主菜單欄中選擇「Classification>Unsupervised>ISODATA」，在「Classificatoin Input File」對話框中選擇待分類遙感影像，打開「ISODATA Parameters」對話框，如圖18-1所示。

圖18-1 ISODATA參數對話框

對圖18-1中的參數進行如下說明：

（1） Number of Classes：類數范圍（最小值和最大值），一般輸入最小數量不能小於最終分類數量，最大數量為最終分類數量的2～3倍。

（2） Maximum Iterations：最大迭代次數值，迭代次數越大，得到的結果越精確。

（3） Change Threshold%（0～100）：變化閾值（0～100%），當每一類的變換像元數小於閾值時，結束迭代過程，該值越小得到的結果越精確。

（4） Minimum #Pixel in Class：形成一類需要的最少像元數，如果某一類中的像元數少於最少像元數，該類將被刪除，其中的像元被歸並到距離最近的類中。

（5） Maximum Class Stdv：最大分類標准差，以像素值為單位，如果某一類的標准差比該閾值大，該類將被拆分成兩類。

（6） Minimum Class Distance：類均值之間的最小距離，如果類均值之間的距離小於輸入的最小值，則這一類就會被合並。

（7） Maximum #Merge Pairs：合並成對的最大數。

（8）Maximum Stdev From Mean：距離類別均值的最大標准差，為可選項，篩選小於這個標准差的像元參與分類。

（9） Maximum Distance Error：允許的最大距離誤差，為可選項，篩選小於這個最大距離誤差的像元參與分類。

（10）選擇輸出路徑及文件名，單擊【OK】按鈕，執行ISODATA非監督分類。

2.K-Means非監督分類

K-Means演算法接受輸入量K；然後將n個數據對象劃分為K個聚類以便使所獲得的聚類滿足：同一聚類中的對象相似度較高；而不同聚類中的對象相似度較小。聚類相似度是利用各聚類中對象的均值所獲得一個「中心對象」（引力中心）來進行計算的。具體操作步驟如下：

在ENVI主菜單欄中選擇「Classification>Unsupervised>K-Means」，在「Classification Input File」對話框中選擇待分類遙感影像，打開「K-Means Parameters」對話框，如圖18-2所示。

圖18-2 K-Means分類器參數設置對話框

（1） Number of Classes：分類數量，一般輸入為最終分類數量的2～3倍。

（2） Maximum Iterations：最大迭代次數值，迭代次數越大，得到的結果越精確。

（3） Maximum Stdev From Mean：距離類別均值的最大標准差，為可選項，篩選小於這個標准差的像元參與分類。

（4） Maximum Distance Error：允許的最大距離誤差，為可選項，篩選小於這個最大距離誤差的像元參與分類。

（5）選擇輸出路徑及文件名，單擊【OK】按鈕，執行K-Means非監督分類。

（二）定義類別與子類合並

執行非監督分類後，得到的只是一個初步的分類結果，需要進行類別定義域合並子類的操作。

1.類別定義

類別定義的根據可以通過更高解析度圖像上目視解譯獲得，也可以通過野外實地調查獲得。

（1）打開分類圖像即灌陽地區QuickBird遙感數據，並使之顯示在「Display」中。

（2）在分類圖像的主窗口中，選擇「Overlay>Classification」，在「Interactive Class Tool Input File」對話框中選擇非監督分類結果，單擊【OK】按鈕打開「Interactive Class Tool」對話框，如圖18-3所示。

圖18-3 互動式分類工具對話框

（3）在「Interactive Class Tool」對話框中，勾選類別前面的「On」選擇框，就能將此類結果疊加顯示在「Display」分類圖像窗口上，識別此分類類別。

（4）在「Interactive Class Tool」對話框中，選擇「Options>Edit Class Colors/Names」，打開「Class Color Map Editing」對話框，如圖18-4所示。

在「Class Color Map Editnig」對話框中，選擇對應的類別，在「Class Name」中輸入重新定義的類別名稱，同時可以修改此類別顯示的顏色，修改後點擊【OK】按鈕完成修改。

（5）重復步驟（3）～步驟（4），定義其他類別。

（6）完成各類別定義後，在「Interactive Class Tool」對話框中，選擇「File>Save Change to File」，保存修改結果。

2.合並子類

在選擇非監督分類類別數量時，一般選擇為最終分類數量的2～3倍，因此在定義類別之後，需要將相同類別合並。

（1）在 ENVI 主菜單欄中，選擇「Classification > Post Classification > Combine Classes」，在「Combine Classes Input File」對話框中選擇定義好的分類結果，單擊【OK】按鈕打開「Combine Classes Parameters」對話框（圖18-5）。

圖18-4 編輯分類名稱和顏色對話框

圖18-5 分類類別的合並對話框

（2）在「Combine Classes Parameters」對話框中，從「Select Input Class」中選擇合並的類別，從「Select Output Class」中選擇並入的類別，單擊【Add Combination】按鈕添加到合並方案中，合並方案顯示在「Combine Classes」列表中。

（3）合並方案確定後，點擊【OK】按鈕，打開「Combine Classes output」對話框，在「Remove Empty Classes」選項中選擇「Yes」，將無用類移除。

（4）選擇輸出合並結果路徑及文件夾名，點擊【OK】按鈕，執行合並子類。

（三）分類後處理和評價分類結果

分類後處理和評價分類結果的方法同監督分類一樣，可參考實驗十七中的「遙感影像監督分類」。

完成遙感影像非監督分類後，分別利用ISODATA 和K-Means非監督分類方法對灌陽地區QuickBird遙感影像進行非監督分類處理，利用混淆矩陣對兩種分類結果進行評價，得出總體分類精度和Kappa系數。比較兩種分類結果，用W ORD文件記錄，取名為《灌陽地區QuickBird遙感影像兩種非監督分類方法分類結果評價》，存入自己的工作文件夾。

六、實驗報告

（1）簡述實驗過程。

（2）回答問題：①根據實驗操作步驟及各步驟之間的關系，分析兩種非監督分類方法具有的共同特點。②通過目視解譯定性比較兩種非監督分類方法的效果。

實驗報告格式見附錄一。

⑸ 實驗十六 多波段遙感圖像融合處理

一、實驗目的

了解多波段低空間解析度遙感影像數據與高空間解析度單波段遙感影像數據融合處理的目的和技術實現條件，直觀感受融合處理影像具有的「揚長避短」增強效果，掌握Transform功能的四種主要融合處理操作，加深對融合增強處理原理和作用的理解。

二、實驗內容

（1）用ENVI的Transform功能對甘肅省白銀市IKONOS高解析度遙感影像分別作：①HSV變換融合；②Brovey融合；③PCA融合；④Gram-Schmidt融合處理。

（2）對四種不同的融合圖像比較分析。

三、實驗要求

①根據實驗課時容許情況選擇融合處理方案數量，但HSV 變換融合必須完成；②如果進行了兩種以上融合，要求對不同融合方法結果進行比較分析；③如果只進行了一種融合，要求將融合圖像與RGB合成圖像進行比較分析。

四、技術條件

①微型計算機；②甘肅省白銀市IKONOS影像；③ENV I軟體；④Photoshop軟體（ver.6.0以上）和ACDSee軟體（ver.4.0以上）。

五、實驗步驟

遙感影像融合是指將多源遙感圖像按照一定的演算法，在規定的地理坐標系中生成新的圖像的過程。圖像通過融合既可以提高多光譜圖像空間解析度，又保留其多光譜特性。本次實驗選擇的四種融合演算法為：HSV變換、Brovey彩色變換、PCA融合、Gram -Schmidt變換。具體操作步驟如下：

在ENVI主菜單欄中選擇「File>Open Image File」，出現文件目錄窗口，將甘肅省白銀市IKONOS的4個多光譜波段和Pan波段數據調入「Available Bands List」窗口。

（1）HSV融合。

1）在ENVI主菜單欄中選擇「Transform >Image Shraepning>HSV」，如圖16-1所示出現「Select Input RGB」對話框，ENVI提供兩種波段選擇方法：從一幅打開的彩色圖像或者從可用波段列表中選擇3個波段進行變換，任選一種方法後點擊【OK】按鈕。

2）出現「High Resolution Input File」對話框時（圖16-2），選擇高空間解析度全色輸入波段，點擊【OK】按鈕到下一步。

3）當出現「HSV Sharpening Parameters」對話框時（圖16-3），從「Resampling」下拉菜單選擇重采樣方法。選擇輸出到「File」或「Memory」，點擊【OK】按鈕開始處理，結果將出現在可用波段列表中。

圖16-1 選擇輸入RGB對話框

圖16-2 高解析度輸入文件對話框

（2） Brovey融合（色彩標准化融合）。

1）在 ENVI主菜單欄中選擇「Transform > Image Sharpening > Color Normalized（Brovey）」，如圖16-1所示，出現「Select Input RGB」對話框，ENVI提供兩種波段選擇方法：從一幅打開的彩色圖像或者從可用波段列表中選擇3個波段進行變換。任選一種方法後點擊【OK】按鈕。

2）出現「High Resolution Input File」對話框時（圖16-2），選擇高空間解析度全色輸入波段，點擊【OK】按鈕到下一步。

3）當出現「Color Normalized Sharpening Parameters」對話框時（圖16-4），從「Resmaplnig」下拉菜單選擇重采樣方法。選擇輸出到「File」或「Memory」，點擊【OK】按鈕開始處理，結果將出現在可用波段列表中。

（3） PCA融合。

1）在ENV 主菜單欄中選擇「Transform>Image Sharpening>PC Spectral Sharpening」。如圖16-5所示，出現「Select Low Spatial Resolution Multi Band Input File」對話框時，從「Select Input File」中選擇低解析度的多光譜輸入文件，如需要，可用選擇任意空間子集，選擇完畢後點擊【OK】按鈕。

圖16-3 HSV融合參數對話框

圖16-4「Color Normalized Sharpeni Parameters」融合參數對話框

圖16-5 選擇低空間解析度多光譜輸入文件對話框

2）出現「High Resolution Input File」對話框時，選擇高空間解析度全色輸入波段，並可用標准ENVI文件選擇方法建立空間子集，點擊【OK】按鈕到下一步。

3）當出現「PC Spectral Sharpening Parameters」對話框時，從「Resampling」下拉菜單選擇低解析度多光譜影像的重采樣方法。如圖16 -6 所示，選擇輸出到「File」或「Memory」，點擊【OK】按鈕開始處理，結果將出現在可用波段列表中。

圖16-6 PC光譜融合參數對話框

（4） Gram-Schmidt變換融合。

1）在ENVI主菜單欄中選擇「Transform>Image Sharpening>Gram -Schmidt Spectral Sharpening」。如圖16-5所示，出現「Select Low Spatial Resolution Multi BandInput File」對話框時，從「Select Input File」中選擇低解析度的多光譜輸入文件，如需要，可用選擇任意空間子集，選擇完畢後點擊【OK】按鈕。

2）出現「High Resolution Input File」對話框時，選擇高空間解析度全色輸入波段，並可用標准ENVI文件選擇方法建立空間子集，點擊【OK】按鈕到下一步。

3）當出現「Gram - Schmidt Spectral Sharpening Parameters」對話框時（圖16-7），從「Select Method for Low Resolution Pan」選項中選擇一種構造低解析度全色波段影像的方法，構造低解析度全色波段影像的方法有：①在步驟2）操作中選擇的低解析度多光譜輸入文件的基礎上，以平均值構造出低解析度全色波段影像；②另外輸入一個低解析度多光譜的全色波段影像；③通過感測器類型，創造一個新的低解析度多光譜全色波段影像，選擇這個方法，融合圖像是經過輻射定標的數據；④使用用戶自定義的濾波函數。

從「Resampling」下拉菜單選擇低解析度多光譜影像重采樣方法。如圖16-7 所示，選擇輸出到「File」或「Memory」，點擊【OK】按鈕，結果將出現在可用波段列表中。

圖16-7 Gram-Schmidt光譜融合參數對話框

（5）用上述四種方法對甘肅省白銀市IKONOS衛星遙感數據進行圖像融合處理，保存每種融合方法的處理結果，用JPEG圖像格式保存每種融合方法的處理結果，存入自己的工作文件夾。

六、實驗報告

（1）簡述實驗過程。

（2）回答問題：①全色波段數據和多波段數據各在圖像融合處理中分別起何作用？②用框圖給出HSV融合的操作步驟。③用Photoshop軟體平鋪顯示HSV變換融合、Brovey融合、PCA融合和Gram-Schmidt融合四種融合圖像，分析其圖像增強特徵及效果。

實驗報告格式見附錄一。

⑹ 遙感數據預處理

4.1.1 幾何精糾正

遙感圖像的幾何精糾正方法不外乎多項式糾正法、共線方程式糾正法等。多項式糾正法迴避了感測器成像時的實際幾何狀態，直接對變形的影像進行強糾;共線方程式糾正法需要提供衛星的姿態參數，或者根據一定數量的GCP來反演姿態參數，然後對圖像進行糾正。筆者選擇多項式糾正法。

在ErdasImagine8.6軟體平台對1、2、3、4、5、7波段進行疊加組合(LayerStack)和RGB顯示操作，在1∶50000軍用地形圖上，在相山礦田及鄰區大致均勻分布地選取10個控制點，採用三次多項式變換模式，把圖像糾正到UTM投影上。為了不使光譜發生明顯退化，選取鄰近點插值法(NearestNeighbbor)重采樣，像元大小15m×15m(與8波段一致)。控制點誤差:X=1.7364m，Y=2.0219m，Total為2.6652m，明顯小於0.5個像元。

應用已保存的幾何校正模式，以相同的多項式變換和采樣方法，對6、8波段進行幾何精糾正，其中6波段GCP輸入值是1、2、3、4、5、7波段的2倍，控制點誤差:X=0.8682m，Y=1.0109m，Total為1.3326m。8波段GCP輸入值是1、2、3、4、5、7波段的4倍，控制點誤差:X=3.4728m，Y=4.0438m，Total為5.3304m。

4.1.2 數據特徵統計分析

各波段數據的最大值、最小值、平均值、中值、標准差見表4.1。標准差是衡量圖像信息量大小的參數，表4.1顯示，ETM5波段信息量最大，ETM7次之，4、3、8、2、1、6波段依次降低，其中ETM6均值較高。

表4.1 相山礦田ETM數據特徵統計表

各波段相關系數矩陣見表4.2，ETM1、2、3之間，ETM5、7之間相關性較好，相關系數在0.94以上，而ETM6、4波段相對獨立性較強。相關系數矩陣是RGB最佳合成方案選擇的依據。

表4.2 各波段相關系數矩陣

4.1.3 圖像融合

圖像融合是指將多元遙感圖像按照一定的演算法，在規定的地理坐標系，生成新的圖像的過程(孫家柄，2003)。ETM⁺多波段(空間解析度30m)和全色波段(空間解析度15m)來自同一感測器系統，有相同的太陽高度角和其他環境條件，影像獲取時間也一致，兩種不同解析度的圖像可以不經配准實現高精度的融合(許榕峰等，2004)，從而可最大限度地發揮ETM⁺多波段數據豐富的光譜信息和全色波段高解析度圖像的空間信息，實現兩種解析度遙感數據的信息互補，使地物特徵清晰，易於目視解譯和影像分析。

目前常用的圖像融合方法很多，究竟哪種方法更適合於相山地區的ETM⁺圖像的融合呢?筆者採用HIS變換、SIFM變換(劉建國，2000)、主成分變換、保真融合(齊澤榮等，2004)、加權融合5種方法，分別進行ETM⁺全色波段與ETM⁺多光譜波段的融合試驗，並從空間紋理信息、光譜真實性兩個方面進行定量和定性評價。

相山地區各種岩性及線性構造在ETM⁺各波段及其RGB合成圖像上均有一定的反映，HIS變換、主成分變換、SFIM變換、加權融合、光譜保真融合處理試驗表明，除加權融合外，空間解析度均有較大改善，岩性邊界和線狀影像更加明顯清晰，然而，這5種方法融合的效果也不盡相同，色調與原ETM⁺圖像有不同程度的差異，光譜有一定程度的退化。其中HIS變換、主成分變換融合前後圖像光譜特徵差異較大，產生光譜退化現象，如HIS變換融合圖像741波段組合水體呈紫紅色，與原始圖像ETM741組合深藍色的水體有明顯差異;主成分變換融合圖像直方圖與原始ETM⁺相對應波段的直方圖有明顯差異。而FSIM融合、保真融合、加權融合圖像的色調與原始圖像很接近，較好地保留了原始ETM⁺圖像的光譜特徵。

眾所周知，不同解析度的圖像融合目的在於實現空間解析度和光譜信息的互補。融合圖像質量高低對於後續的信息提取、解譯都是至關重要的。由於不同融合方法產生的光譜失真可能導致不可靠的判別和應用。根據圖像融合前後目視判別對比作出定性評價，無疑是最簡單、最直接的評價方法，但是主觀性太強。為進一步客觀定量地評價融合效果，本次研究還分別根據光譜真實性、空間紋理信息兩個方面進行了分析。

Clavez等(1991)認為圖像融合不應造成原始多光譜數據的光譜扭曲和退化。對光譜真實性可運用以下指標進行評價:

(1)光譜偏差:

式中:N為整個圖像像元總數;i、j分別為行列位置;G'_ij和G_ij分別為多光譜波段融合前後對應像元的灰度值;D_i表示融合前後光譜的差異，因此該值越小越好。

(2)均值偏差:M_i=|M_i-M'_i|

式中:M'和M'_i分別為多光譜波段融合前後圖像的均值;均值偏差M_i反映兩圖像均值之間的偏離程度，該值越小越好。

(3)方差偏差:S_i=S_i-S'_i

式中:S_i和S'_i分別為多光譜波段融合前後圖像的方差;方差偏差S_i反映兩圖像之間的方差偏離程度，方差越大反映圖像的信息量越大，因此該值越大越好。

不同融合圖像的空間紋理信息的比較，採用簡單的高通濾波分別對全色波段和融合後的多光譜波段濾波，然後計算兩者的相關程度，相關程度越高，表明越多的高解析度全色波段的紋理信息被融合入相應波段中。濾波採用3×3SharpenEdgeFilter模板:

相山鈾礦田多源地學信息示範應用

各種融合方法融合圖像的光譜真實性和空間紋理信息的量化指標見表4.3。從光譜真實性看，上述5種方法的光譜偏差和均值偏差均不等於0，說明融合前後光譜DN值均發生了變化。HIS變換和主成分變換融合圖像光譜偏差、均值偏差(絕對值)均較大，反映光譜退化較嚴重，雖然與全色波段的相關性較好，即融入了較多的空間紋理信息，但對於後續的地物信息的提取和識別研究將會產生嚴重影響，因此在相山地區的實用性將受到很大限制。

SFIM融合圖像光譜偏差2.125～4.078，6個波段融合圖像的光譜平均偏差3.096;均值偏差-0.629～-0.218，平均-0.419;方差偏差0.781～2.448，平均1.493，為正值，表明融合後圖像的信息量多於融合前信息量。SFIM融合方法較好地保留了原始多光譜波段的光譜信息。

加權融合方法光譜偏差1.115～4.628，平均2.112;均值偏差-4.629～-0.448，平均-1.981;方差偏差-0.038～-1.302，平均-0.688，為負值，表明融合後圖像信息量弱，有減少。

光譜保真融合方法光譜偏差2.881～4.546，平均3.517;均值偏差-0.128～-0.114，平均-0.122;方差偏差0.480～1.490，平均0.913，為正值，融合後信息量弱，有增加。

SFIM、加權及保真融合方法的融合圖像的光譜偏差、均值偏差都不是很大，反映了光譜真實性得到了較好的保留。而且SFIM和保真融合圖像信息量均有一定量的增加。

關於融合圖像的空間紋理信息，從表4.4中的融合圖像與全色波段的相關系數可以看出，除HIS和主成分變換融合圖像高頻細節和全色波段的高頻細節相關程度較高外，SFIM和保真融合方法融合圖像的高頻細節與全色波段的高頻細節相關程度也較高，即融入的全色波段高解析度信息較多，而加權融合方法高解析度信息導入效果不好。

表4.3 融合效果量化指標

因此，從光譜真實性和空間紋理信息兩方面綜合考慮，基於SFIM和光譜保真融合方法既較好地保留了低解析度的多光譜信息，又明顯地提高了空間解析度，可作為相山地區圖像處理的首選融合方法。由於SFIM融合方法較光譜保真融合方法簡單、易操作，下文主要採用SFIM融合方法結果來進行地質影像理解和識別。

4.1.4 假彩色合成

假彩色合成是多光譜圖像判讀的一種有效方法。ETM或其融合圖像可供選擇的波段有6個(1、2、3、4、5、7)，在6個波段中選擇3個最佳波段進行合成，使合成後圖像包容的信息最豐富呢?美國的Lhavez提出了最佳指數因子OIF(Optimum Index Factor)的方法(戴昌達等，1989)，即

相山鈾礦田多源地學信息示範應用

式中:OIF為某合成方案的OIF因子;i為參與合成的波段數，S_i為第i波段(因子)的標准差;R_ij為I和j兩波段的相關系數。OIF值越大，合成圖像的信息量越大，波段組合方案最優。

相山地區SFIM融合圖像各波段相關系數見表4.4，RGB合成的OIF因子見表4.5，從表4.5可看出，754波段的RGB組合的OIF值最高，為24.18，其次是543組合，OIF為23.79，這可能是植被較發育地區的最佳波段組合的普遍規律。743、541、741、542、742、431、753、751、432、752、531、532、421、521、731、732、721、321RGB組合的OIF依次降低。

表4.4 SFIM融合圖像各波段相關系數

表4.5 SFIM融合圖像波段合成方案最佳因子

通過對OIF較大的合成方案的目視判讀及選擇，SFIM754合成圖像的影紋清晰，環、線構造明顯，微地貌景觀突出，植被、岩石圖斑、色調、紋理差異細微，對影像地學理解及分析應用效果較好。筆者主要應用此合成圖像進行地質構造解譯分析。

⑺ 遙感圖像分析與信息提取

遙感圖像分析的目的是通過各種方法手段對遙感圖像進行有用信息的提取和解譯。遙感圖像解譯中，通常將表徵地物和地質現象遙感信息的影像特徵稱之為圖像解譯標志；將提取遙感信息的過程稱之為圖像解譯（判譯、判讀）；而將遙感圖像信息提取的種種手段稱之為遙感圖像解譯方法。

目前，遙感圖像信息提取的手段主要有三種：一是遙感圖像的目視解譯，它藉助於簡單的觀察工具（如立體鏡、放大鏡等）憑肉眼鑒別影像，判斷目標物的屬性特徵；二是遙感圖像的光學處理，即採用光學儀器改進圖像質量，壓抑雜訊，突出目標影像，提取有關信息；三是遙感圖像的數字處理，即用計算機對數字化了的影像進行幾何校正、增強等專門處理，達到提取目標物屬性特徵信息的目的。三種方法各有所長，但目視解譯是基礎，光學處理和數字處理是深入解譯和提高解譯水平不可缺少的技術手段，但其效果仍需要專業人員目視解譯判斷。隨著計算機技術的高速發展，遙感信息已越來越多地採用數字記錄和儲存，故數字圖像處理已經成為當今遙感圖像處理的主要手段。本節主要介紹遙感圖像的目視解譯和遙感數字圖像處理的基本方法。

20.1.1 遙感圖像目視解譯

目視解譯法的基本特點是能高度發揮解譯者所掌握的專業基礎知識和思維判斷能力，降低判錯概率，且具有簡便易行的優點。只要有遙感圖像資料，在任何場合都可以進行解譯。遙感圖像的目視解譯中，解譯效果取決於解譯者的知識、技能和經驗水平。

20.1.1.1 遙感圖像的地質解譯標志

地質解譯標志是表徵地質體及地質形象遙感信息的影像特徵。據其表現形式的不同，地質解譯標志又分成為直接解譯標志和間接解譯標志兩大類。前者是地質體及地質現象本身屬性特徵在遙感圖像上的直接反映，如影像形狀、大小、色調和陰影等；後者則是與地質體或地質形象具有相關關系的其他物體或現象所呈現出的影像特徵，如地貌特徵、水系格局、植被、土壤、水文和人類活動遺跡等，通過對它們的相關分析，也能判別這些地質體或地質形象的屬性特徵。

不同類型的地物，其電磁輻射特性不同。在影像上的反映就是形成各種各樣的色、形信息：色，就是色調、顏色、陰影和反差等；形，就是形狀、大小、空間布局、紋理等。「色」只有依附在「形」上來解譯才有意義。色形差異也常常顯示深部現象的「透視」信息。採取由此及彼、由表及裡的綜合分析和對比，從已知推未知，解譯才會有好的效果。

20.1.1.2 遙感圖像目視解譯的基本方法

目視解譯最基本的方法是立體觀察。它使用簡單的光學立體鏡，將二維平面圖像轉化為三維空間的立體光學模型，從而突出了地物的空間特徵，使人眼睛易於辨認目標和確定其空間位置。

進行立體觀察必須滿足兩個基本條件：一是具有立體像對，二是具有立體鏡。立體像對指在相鄰兩個攝影基站對同一地面獲取的一對具有相同比例尺和一定重疊的像片（圖像）。立體鏡是用來進行立體觀察的專門儀器，它的主要作用是迫使觀察者做到左眼只看左片（圖像），右眼只看右片（圖像），以獲得良好的立體觀察效果。

隨著遙感技術的發展，遙感解譯所使用的不僅是攝影方法得到的像片，而且還有紅外掃描成像和雷達成像的圖像等。應該指出，雖然它們的影像要素或特徵也是形狀、大小、陰影、周圍環境、空間布局、色調等等，但是它們在不同波段成像的圖像中所表達的含義有所不同。

20.1.1.3 目視解譯的方法與原則

（1）解譯方法

對於各種不同的遙感圖像的解譯，主要差別在於目標物的具體解譯標志有所不同；而解譯的原則與方法則是一致的。目視解譯中常用的方法主要是以下三種。

① 直判法。指運用直接解譯標志來判斷地質體或地質現象。這種方法簡便可靠，但必須在地質體直接出露於地表，或覆蓋很少，而且解譯標志比較穩定時，才宜應用。如我國西北地區大多具備這種條件，許多地質體可用直判法予以確定。

② 對比法。這是最常用的一種方法。它通常包括幾種情況，一是將遙感影像與地質實體進行對比；二是與已經工作過的鄰區圖像對比；三是與前人資料對比。通過對比，建立本區適用的確切可靠的解譯標志。對比法也用於解譯成果的野外驗證。

③ 邏輯推理法。根據地質體和地質現象與地表其他景觀要素的相關關系，運用地質學、地貌學、水文學、土壤學、地植物學等有關學科的理論進行綜合分析、邏輯推理，從而確定目標物的屬性。這里，主要是運用各種間接標志來判斷被掩蓋的地質體或地質現象，對我國南方地區的圖像進行解譯時，常常用到這種方法。

（2）解譯原則

遙感圖像解譯的原則可概略如下。

① 宏觀原則。在任何地區進行解譯時，應先採用衛星圖像或小比例尺航片略圖，對影像總體輪廓進行研究。以獲取整個工作區宏觀構造格架的正確概念。這是下一步詳細解譯能否快速、准確地取得成果的關鍵，具有重大的指導意義。在此前提下，方能有效地開展各個局部的詳細解譯。

② 先易後難，循序漸進原則。整個解譯工作必須做到循序漸進，方能提高工作效率，收到事半功倍之效。下面是一些實踐經驗的總結，可供參考。ⓐ 從比較了解的地段入手，向較陌生的地段推進，即從已知到未知。ⓑ 先解譯影像清晰部分，後解譯模糊部分。ⓒ 先山地，後平原；先構造，後岩性。ⓓ 先斷裂，後褶皺。ⓔ 先線性構造，後環形構造。ⓕ 先岩漿岩，後沉積岩，再變質岩。ⓖ 先解譯顯露的，後解譯隱伏的。其中，ⓓ、ⓔ、ⓕ三點靈活性較大，需根據影像顯示程度決定先後。解譯中，交錯進行的情況也是常見的。

20.1.2 遙感數字圖像處理

遙感圖像處理，特別是數字圖像處理是增強、提取成礦環境地質、構造、礦化等有用信息的重要手段，同時也在資源、環境、農、林、牧、漁、國土整治、工程地質等領域中廣泛應用，潛力很大。尤其是隨著新一代遙感圖像光譜解析度、空間解析度的提高，多時相、多類型遙感圖像數據的融合以及遙感圖像與其他數據的融合，將顯得越來越重要。由於遙感圖像記錄了大量肉眼以及常規儀器難以發現的微弱的地物特徵信息，如目標物的紅外波譜信息、微波信息等，通過遙感圖像數字處理提取這些標志信息，尤其是弱成礦標識信息，可大大增加人們鑒別目標的能力。實際上，當前隨著計算機技術的發展，遙感圖像處理的內容已遠遠超出了宏觀圖像的范疇，對遙感、物探、化探及地質、礦產數據都可以用圖像處理方法來進行有效組合、綜合與復合或進行增強、變換、分類及模式識別，提取一組特徵標志進而形成找礦綜合信息圖（或圖像）。

20.1.2.1 數字圖像

數字圖像是一種以二維數組（矩陣）形式表示的圖像。該數組由對連續變化的空間圖像作等間距抽樣所產生的抽樣點——像元（像素）組成，抽樣點的間距取決於圖像的解析度或服從有關的抽樣定律；抽樣點（像元）的量值，通常取抽樣區間內色調（色彩）連續變化之地物的平均值，一般稱作亮度值或灰度值；它們的最大、最小值區間代表該數字圖像的動態范圍。數字圖像的物理含義取決於抽樣對象的性質。對於遙感數宇圖像，就是相應成像區域內地物電磁輻射強度的二維分布。在數字圖像中，像元是最基本的構成單元。每一個像元的位置可由行、列（x，y）坐標確定；亮度值（z）通常以0（黑）到255（白）為取值范圍。因此，任何一幅數字圖像都可以通過X、Y、Z的三維坐標系表示出。例如，陸地衛星的MSS圖像（圖20-1），便可看作x=2340（行），y=3240（列），Z=0～255的三維坐標系。TM、SPOT等亦然，只是行、列數不同而已。

數字圖像可以有各種不同的來源。大多數衛星遙感，如MSS、TM、SPOT、SAR圖像等，地面景象的遙感信息都直接記錄在數字磁帶上。有關的遙感衛星地面站或氣象衛星接收站均可提供相應的計算機兼容數字磁帶（CCT）或數據光碟及其記錄格式。應用人員只要按記錄格式將圖像數據輸入計算機圖像處理系統，即可獲得數字圖像，並進行各種圖像處理。對於像片或膠片影像，則可通過電子-光學透射密度計和掃描器以及掃描儀等，將影像密度轉換為數值，進而形成數字圖像；對於非遙感的地學圖件，如地形圖、地質圖、航磁圖、重力圖、化探元素異常圖等等，也可通過數字化儀或掃描儀，轉換為數字圖像。同一地區不同來源的數字圖像都可精確配准，並作復合處理。

圖20-1中左圖是一條掃描線上亮度值產生原理。左圖中圖像坐標和像元參考系與光學圖像相比，數字圖像量化等級高（256級）、失真度小、不同圖像的配准精度高、傳輸及儲存方便，尤為重要的是可由計算機進行各種靈活、可靠、有效的處理，使遙感圖像獲得更好的判讀、分析等應用效果。

20.1.2.2 數字圖像處理

數字圖像以不同亮度值像元的行、列矩陣組織數據，其最基本的特點就是像元的空間坐標和亮度取值都被離散化了，即只能取有限的、確定的值。所以，離散和有限是數字圖像最基本的數學特徵。所謂數宇圖像處理，就是依據數字圖像的這一數字特徵，構造各種數學模型和相應的演算法，由計算機進行運算（矩陣變換）處理，進而獲得更加有利於實際應用的輸出圖像及有關數據和資料。故數字圖像處理通常也稱為計算機圖像處理。

數字圖像處理在演算法上基本可歸為兩類：一類為點處理，即施行圖像變換運算時只輸入圖像空間上一個像元點的值，逐點處理，直到所有點都處理完畢，如反差增強、比值增強等。另一類為鄰域處理，即為了產生一個新像元的輸出，需要輸入與該像元相鄰的若干個像元的數值。這類演算法一般用作空間特徵的處理，如各種濾波處理。點處理和鄰域處理有各自不同的適應面，在設計算估時，需針對不同的處理對象和處理目標加以選擇。

圖20-1 陸地衛星MSS數字圖像的構成原理

遙感數字圖像處理，數據量一般很大，往往要同時針對一組數字圖像（多波段、多時像等）做多種處理。因此，需要依據遙感圖像所具有的波譜特徵、空間特徵和時間特性，按照不同的對象和要求構造各種不同的數學模型，設計出不同的演算法；它不僅處理方法非常豐富，而且形成了自身的特色，已發展為一門專門的技術方法。

根據處理目的和功能的不同，目前遙感數字圖像處理主要包括以下四方面的內容。

（1）圖像恢復處理。旨在改正或補償成像過程中的輻射失真、幾何畸變、各種雜訊以及高頻信息的損失等。屬預處理范疇，一般包括輻射校正、幾何校正、數字放大、數字鑲嵌等。

（2）圖像增強處理。對經過恢復處理的數據通過某種數學變換，擴大影像間的灰度差異，以突出目標信息或改善圖像的視覺效果，提高可解譯性。主要包括有反差增強，彩色增強、空間濾波、圖像變換增強等方法。

（3）圖像復合處理。對同一地區各種不同來源的數字圖像按統一的地理坐標作空間配准疊合，以進行不同信息源之間的對比或綜合分析。通常也稱多源（元）信息復合，既包括遙感與遙感信息的復合，也包括遙感與非遙感地學信息的復合。

（4）圖像分類處理。對多重遙感數據，根據其像元在多維波譜空間的特徵（亮度值向量），按一定的統計決策標准，由計算機劃分和識別出不同的波譜集群類型，據此實現地質體的自動識別分類。有監督和非監督兩種分類方法。

需要指出，數字圖像處理經過近10多年的高速發展，其理論和方法逐步得到完善與發展，已經形成為一門研究內容豐富多彩的學科——數字圖像處理學。限於篇幅，這里僅列出了遙感數字圖像處理的一般過程（圖20-2）。

20.1.2.3 數字圖像處理系統

遙感數字圖像處理不僅數據量大，而且數據傳輸頻繁，專業性強。因此，一般都要在專門的處理設備上進行。用以進行數字圖像處理的專門計算機及其外圍設備和有關的軟體，即構成了數字圖像處理系統，通常由硬體系統和軟體系統兩大部分組成。其中硬體系統，按目前國內外的發展趨勢可分為大型專用機系統和微機圖像處理系統兩類。一般情況下，它們都包括以下一些基本的部件。

圖20-2 遙感圖像數字處理基本流程

（1）主機。進行各種運算、預處理、統計分析和協調各種外圍設備運轉的控制中心，是最基本的設備。一般為速度快、內存大的專用計算機。

（2）磁帶機和光碟刻錄機。連結數字磁帶（CCT）或圖像數據光碟和主機的數據傳輸裝置，既可以輸入原始圖像數據，也可以將中間處理和最終處理的結果再轉存記錄到磁帶上或光碟上。目前的微機圖像處理系統大多都帶有光碟刻錄機，圖像數據的輸入和輸出較為方便。

（3）圖像處理機。是數字圖像處理專用的核心設備，既具體承擔各種圖像處理功能的實施，如進行圖像復原、幾何校正、增強和分類等各種處理的數學運算，也是主機和各種輸出輸入設備的紐帶。

（4）輸出設備。用作處理結果的顯示分析及記錄和成圖，包括彩色監視器或彩顯，各種類型的列印機、繪圖儀、膠片記錄儀和掃描儀等等。

對於功能齊全的系統，除上述外，通常還包括有膠片影像的攝像或掃描數字化儀、圖形數字化儀等輸入設備。

軟體系統系指與硬體系統配套的用於圖像處理及操作實施的各種軟體。一般包括系統軟體和應用軟體兩部分。前者又包括操作系統和編譯系統，主要用於輸入指令、參數及與計算機「對話」；後者則是以某種語言編制的應用軟體，存於硬體系統的應用程序庫中，用戶可按研究任務採用對話方式或菜單方式，發出相應的指令使用這些程序，由主機作運算處理，獲得所需的結果。不同專業往往設計有各自的應用軟體系統，故國際上已開發出各種各樣的圖形圖像處理軟體系統，針對微機也開發了一系列建立在Windows上的圖形圖像處理軟體，如Photoshop等等，功能強大，操作也非常方便。

20.1.3 遙感圖像光學處理

光學圖像處理是指以膠片方式記錄的遙感影像或由數字產品轉換來的影像膠片為處理對象，通過光學或電子光學儀器的加工改造，對遙感圖像進行變換和增強的一種圖像處理技術。

用作光學處理的儀器和技術手段很多，包括攝影處理、光電處理和相干光處理等等；處理方法上，則有密度分割、彩色合成、邊緣增強、反差增強、光學圖像比值、光學變換、光學編碼等。其中較常用的是假彩色等密度分割和假彩色合成。

值得指出，隨著計算機硬體和軟體技術的高速發展，造價昂貴的光學圖像處理系統基本上由計算機圖像處理系統取代。因此，這里不再介紹。

⑻ 遙感圖像處理的主要內容

遙感影像數字圖像處理的內容主要有：
1、圖像恢復：即校正在成像、記錄、傳輸或回放過程中引入的數據錯誤、雜訊與畸變。包括輻射校正、幾何校正等；
2、數據壓縮：以改進傳輸、存儲和處理數據效率；
3、影像增強：突出數據的某些特徵，以提高影像目視質量。包括彩色增強、反差增強、邊緣增強、密度分割、比值運算、去模糊等；
4、信息提取：從經過增強處理的影像中提取有用的遙感信息。包括採用各種統計分析、集群分析、頻譜分析等自動識別與分類。通常利用專用數字圖像處理系統來實現，且依據目的不同採用不同演算法和技術。

⑼ 遙感圖像處理的算術運算

圖像的算術運算是另一種灰度增強方法。圖像的相加和相乘，常被用於幾種遙感圖像的復合。同一地點不同時期的兩張圖像配准後相減，可以突出地物的變化。不同譜段的兩幅多光譜圖像相除稱為比值圖像，它可用於消除圖像上的陰影部分，加深不同類別地物的差別。
圖像配准、投影變換和鑲嵌：在多種遙感圖像復合使用時，應當使同一地物在各圖像上處於同一位置，這稱為圖像配准。圖像配准與幾何精糾正有相似的含義。前者指遙感圖像間的配准，而後者是遙感圖像與地形圖間的配准。當兩幅圖像較接近時可以用計算機進行自動配准。
用遙感數據進行專題制圖時，需要和地形圖配准才能知道地物的確切位置。當比例尺較小時，各種投影的幾何形狀差別較大，通常先按地圖投影的幾何表達式進行遙感圖像的投影變換，然後再進行幾何精糾正，以保證精度。
由於地圖的分幅與遙感圖像的分幅不同，當兩者配准時總會遇到一幅地圖包含兩幅以至四幅遙感圖像的情況。這時需要把幾幅圖像拼接在一起，這稱為圖像鑲嵌。由於這些圖像可能在不同日期經過不同處理後得到的，簡單的拼接往往能看出明顯的色調差別。為了得到色調統一的鑲嵌圖，要先進行各波段圖像的灰度匹配。例如，根據圖像重疊部分具有相同的灰度平均值和方差的原則調整各圖像的灰度值，以及利用自然界線（如河流、山脊等）作為拼接在邊界而不是簡單的矩形鑲嵌。這樣可使鑲嵌圖無明顯的接縫。

⑽ 遙感圖像增強的方法，詳述一種演算法

在進行遙感圖像的增強處理前，應先經行預處理：幾何校正和輻射校正（當然，如果你拿到的圖像已被預處理過了，就沒有必要了）

遙感圖像的增強處理方法有光學增強處理和數字圖像增強處理（就是大部分要和電腦打交道的），現在由於電腦的普及，多是用電腦處理數字圖像。

數字圖像的處理方法有很多種，這要取決於你的目的。
數字圖像增強和變換：對比度增強（在erdas等數字圖像處理軟體中很容易就能實現的）；圖像波段間的比值（包含各波段間的加減運算，可以消除地形和大氣的部分影響）及各種指標提取（比如NDVI等用於植被的計算）；主成分分析（在原圖像的基礎上通過坐標空間的變換，消除冗餘信息）；纓帽變換（多用於農業上）；
數字圖像分類：監督分類；非監督分類；
http://wenku..com/view/bc726a6f58fafab069dc0268.html