遥感图像的处理算法

⑴ 论述遥感图像的处理方法

在进行遥感图像的增强处理前，应先经行预处理：几何校正和辐射校正（当然，如果你拿到的图像已被预处理过了，就没有必要了）

遥感图像的增强处理方法有光学增强处理和数字图像增强处理（就是大部分要和电脑打交道的），现在由于电脑的普及，多是用电脑处理数字图像。

数字图像的处理方法有很多种，这要取决于你的目的。
数字图像增强和变换：对比度增强（在erdas等数字图像处理软件中很容易就能实现的）；图像波段间的比值（包含各波段间的加减运算，可以消除地形和大气的部分影响）及各种指标提取（比如NDVI等用于植被的计算）；主成分分析（在原图像的基础上通过坐标空间的变换，消除冗余信息）；缨帽变换（多用于农业上）；
数字图像分类：监督分类；非监督分类；

⑵ 面向遥感图像分类基于注意力机制，你有哪些了解算法

传统的基于像素的遥感图像处理方法是基于遥感图像丰富的光谱信息和地面物体之间明显的光谱差异。对于只有几个波段的高分辨率遥感影像，传统的分类方法会导致分类精度降低和大量的空间数据冗余，分类结果往往是椒盐图像，不利于进行空间分析。为了解决这一传统问题，模糊分类技术应运而生。模糊分类是一种图像分类技术，它将任何范围的特征值转化为0到1之间的模糊值，表示属于某个指定类别的程度。

除此以外，所有这些背景信息在图像分析中都非常重要，例如，城市绿地与一些湿地在光谱信息上相当相似，只要在面向对象的图像分析中明确城市绿地的背景为城市地区，就可以很容易地区分绿地和湿地，在基于像素的分类中，几乎不使用这种背景信息。面向对象的图像分析技术是在空间信息技术的长期发展过程中产生的，在遥感图像分析中具有很大的潜力。

到目前为止，面向对象的方法是一种比较理想的方法，可以建立一个与现实世界相匹配的地面模型。面向对象的处理方法中最重要的部分是图像分割。随着地球观测任务的逐步细化，高分辨率的遥感卫星图像得到了越来越广泛的应用。这给遥感图像分类方法带来了挑战。现有的研究表明，基于像素的高分辨率遥感图像分类存在着明显的局限性。近年来，基于对象的图像分析（OBIA）被认为是遥感和地理信息科学的一个重要趋势，在高分辨率遥感图像处理中变得越来越突出。

⑶ 遥感图像增强处理的目的与方法

遥感图像增强处理的主要着眼点在于改进图像显示、提高遥感图像的视觉效果和可解译性，使遥感应用者易于从经过增强处理的遥感图像上获得所感兴趣的有用信息，快速实现从遥感数据向有用信息的转化。

从数学意义上理解，任何图像的增强处理都是对图像特征施行某种变换。遥感图像能为视觉感受且可作为参数描述的特征是灰度、颜色、纹理和形状等。增强就是根据图像数据的这些特征参数，结合显示介质和人的视觉系统特点，选择某种从原始图像到增强图像的变换。这种变换在数学上是不难实现的，但是变换结果能否突出有用信息，是否符合实际要求，在很大程度上取决于应用目的及处理者对增强效果的主观判断。目前尚难确定一个普遍适用的统一评价标准，必须结合具体情况考虑需增强的要素，来选择变换参数与变换算法，并通过反复试验，观察变换结果，不断调整，直至满意为止。所以遥感图像增强处理技术水平的提高过程，是理论指导下的实践经验积累，没有理论指导，仅注重实践，必进展迟缓，九事一功。反过来，仅掌握一般的图像增强处理理论，而缺乏有关应用专业的理论素养与丰富经验，则根本无法完成开发与提高遥感图像应用处理技术水平的任务。

遥感图像增强处理技术根据处理空间的不同，可分为基于图像空间的空域方法和基于图像变换的频域方法两大类。图像变换问题已在上章讨论过。空域增强处理主要是直接在灰度值上进行。每次对单个象元进行灰度增强处理称为点处理；对一个象元周围的小区域子图像进行处理，称为邻域处理或模板处理。此外，根据图像处理的范围又可将增强处理技术分为全局（整幅图像）处理和局部（部分图像）处理两种。后来，随着彩色图像的广泛应用，发展了许多针对彩色图像的增强处理方法，故又有灰度图像和彩色图像增强之分。总之，可采用的增强处理方法和算法很多，本章主要对应用较广泛的遥感图像空域处理技术加以剖析，并顺便对频域的滤波处理技术做些简要介绍。

⑷ 实验十八 遥感图像非监督分类处理

一、实验目的

通过使用ENVI的两种遥感非监督分类器——IsoData非监督分类和K-Means非监督分类命令，加深对遥感非监督分类原理和对地质应用的理解，了解其技术实现过程，初步掌握其ENVI功能命令的基本使用操作。

二、实验内容

①桂林市TM 遥感影像数据IsoData非监督分类；②桂林市TM 遥感影像数据KMeans非监督分类；③IsoData非监督分类与K-Means非监督分类效果比较分析。

三、实验要求

（①预习ISODATA和K-Means两种算法原理；②掌握ISODATA和K-Means分类处理的基本操作；③对两种分类结果进行比较分析；④编写实验报告。

四、技术条件

①微型计算机；②桂林市TM 遥感影像数据；③ENVI软件；④Photoshop软件（ver.6.0以上）和ACDSee软件（ver.4.0以上）。

五、实验步骤

非监督分类是根据图像数据的本身统计特征及点群的情况，从纯统计学的角度对图像数据进行类别划分。非监督分类不需要事先给定类别，由图像数据的统计特征来决定，即同类地物在相同的成像条件下具有相同或相近的光谱特征（如DN 值），归属于同一个光谱空间区域；不同地物由于光谱信息特征不同，归属于不同的光谱空间区域。

非监督分类一般可分为四个步骤：执行非监督分类、类别定义、合并子类和评价结果。

（一）执行非监督分类

ENVI有ISODATA和K-Means两种非监督分类方法。

1.ISODATA非监督分类

ISODATA（iterative self-organizing data analysis technique）属于聚类分析方法。是按照像元之间的联系程度（亲疏程度）来进行归类的一种多元统计分析方法。ISODATA非监督分类计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元迭代聚集，每次迭代都重新计算均值，且根据所得的新均值，对像元进行再分类。具体操作步骤如下：

在ENVI主菜单栏中选择“Classification>Unsupervised>ISODATA”，在“Classificatoin Input File”对话框中选择待分类遥感影像，打开“ISODATA Parameters”对话框，如图18-1所示。

图18-1 ISODATA参数对话框

对图18-1中的参数进行如下说明：

（1） Number of Classes：类数范围（最小值和最大值），一般输入最小数量不能小于最终分类数量，最大数量为最终分类数量的2～3倍。

（2） Maximum Iterations：最大迭代次数值，迭代次数越大，得到的结果越精确。

（3） Change Threshold%（0～100）：变化阈值（0～100%），当每一类的变换像元数小于阈值时，结束迭代过程，该值越小得到的结果越精确。

（4） Minimum #Pixel in Class：形成一类需要的最少像元数，如果某一类中的像元数少于最少像元数，该类将被删除，其中的像元被归并到距离最近的类中。

（5） Maximum Class Stdv：最大分类标准差，以像素值为单位，如果某一类的标准差比该阈值大，该类将被拆分成两类。

（6） Minimum Class Distance：类均值之间的最小距离，如果类均值之间的距离小于输入的最小值，则这一类就会被合并。

（7） Maximum #Merge Pairs：合并成对的最大数。

（8）Maximum Stdev From Mean：距离类别均值的最大标准差，为可选项，筛选小于这个标准差的像元参与分类。

（9） Maximum Distance Error：允许的最大距离误差，为可选项，筛选小于这个最大距离误差的像元参与分类。

（10）选择输出路径及文件名，单击【OK】按钮，执行ISODATA非监督分类。

2.K-Means非监督分类

K-Means算法接受输入量K；然后将n个数据对象划分为K个聚类以便使所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。具体操作步骤如下：

在ENVI主菜单栏中选择“Classification>Unsupervised>K-Means”，在“Classification Input File”对话框中选择待分类遥感影像，打开“K-Means Parameters”对话框，如图18-2所示。

图18-2 K-Means分类器参数设置对话框

（1） Number of Classes：分类数量，一般输入为最终分类数量的2～3倍。

（2） Maximum Iterations：最大迭代次数值，迭代次数越大，得到的结果越精确。

（3） Maximum Stdev From Mean：距离类别均值的最大标准差，为可选项，筛选小于这个标准差的像元参与分类。

（4） Maximum Distance Error：允许的最大距离误差，为可选项，筛选小于这个最大距离误差的像元参与分类。

（5）选择输出路径及文件名，单击【OK】按钮，执行K-Means非监督分类。

（二）定义类别与子类合并

执行非监督分类后，得到的只是一个初步的分类结果，需要进行类别定义域合并子类的操作。

1.类别定义

类别定义的根据可以通过更高分辨率图像上目视解译获得，也可以通过野外实地调查获得。

（1）打开分类图像即灌阳地区QuickBird遥感数据，并使之显示在“Display”中。

（2）在分类图像的主窗口中，选择“Overlay>Classification”，在“Interactive Class Tool Input File”对话框中选择非监督分类结果，单击【OK】按钮打开“Interactive Class Tool”对话框，如图18-3所示。

图18-3 交互式分类工具对话框

（3）在“Interactive Class Tool”对话框中，勾选类别前面的“On”选择框，就能将此类结果叠加显示在“Display”分类图像窗口上，识别此分类类别。

（4）在“Interactive Class Tool”对话框中，选择“Options>Edit Class Colors/Names”，打开“Class Color Map Editing”对话框，如图18-4所示。

在“Class Color Map Editnig”对话框中，选择对应的类别，在“Class Name”中输入重新定义的类别名称，同时可以修改此类别显示的颜色，修改后点击【OK】按钮完成修改。

（5）重复步骤（3）～步骤（4），定义其他类别。

（6）完成各类别定义后，在“Interactive Class Tool”对话框中，选择“File>Save Change to File”，保存修改结果。

2.合并子类

在选择非监督分类类别数量时，一般选择为最终分类数量的2～3倍，因此在定义类别之后，需要将相同类别合并。

（1）在 ENVI 主菜单栏中，选择“Classification > Post Classification > Combine Classes”，在“Combine Classes Input File”对话框中选择定义好的分类结果，单击【OK】按钮打开“Combine Classes Parameters”对话框（图18-5）。

图18-4 编辑分类名称和颜色对话框

图18-5 分类类别的合并对话框

（2）在“Combine Classes Parameters”对话框中，从“Select Input Class”中选择合并的类别，从“Select Output Class”中选择并入的类别，单击【Add Combination】按钮添加到合并方案中，合并方案显示在“Combine Classes”列表中。

（3）合并方案确定后，点击【OK】按钮，打开“Combine Classes output”对话框，在“Remove Empty Classes”选项中选择“Yes”，将无用类移除。

（4）选择输出合并结果路径及文件夹名，点击【OK】按钮，执行合并子类。

（三）分类后处理和评价分类结果

分类后处理和评价分类结果的方法同监督分类一样，可参考实验十七中的“遥感影像监督分类”。

完成遥感影像非监督分类后，分别利用ISODATA 和K-Means非监督分类方法对灌阳地区QuickBird遥感影像进行非监督分类处理，利用混淆矩阵对两种分类结果进行评价，得出总体分类精度和Kappa系数。比较两种分类结果，用W ORD文件记录，取名为《灌阳地区QuickBird遥感影像两种非监督分类方法分类结果评价》，存入自己的工作文件夹。

六、实验报告

（1）简述实验过程。

（2）回答问题：①根据实验操作步骤及各步骤之间的关系，分析两种非监督分类方法具有的共同特点。②通过目视解译定性比较两种非监督分类方法的效果。

实验报告格式见附录一。

⑸ 实验十六 多波段遥感图像融合处理

一、实验目的

了解多波段低空间分辨率遥感影像数据与高空间分辨率单波段遥感影像数据融合处理的目的和技术实现条件，直观感受融合处理影像具有的“扬长避短”增强效果，掌握Transform功能的四种主要融合处理操作，加深对融合增强处理原理和作用的理解。

二、实验内容

（1）用ENVI的Transform功能对甘肃省白银市IKONOS高分辨率遥感影像分别作：①HSV变换融合；②Brovey融合；③PCA融合；④Gram-Schmidt融合处理。

（2）对四种不同的融合图像比较分析。

三、实验要求

①根据实验课时容许情况选择融合处理方案数量，但HSV 变换融合必须完成；②如果进行了两种以上融合，要求对不同融合方法结果进行比较分析；③如果只进行了一种融合，要求将融合图像与RGB合成图像进行比较分析。

四、技术条件

①微型计算机；②甘肃省白银市IKONOS影像；③ENV I软件；④Photoshop软件（ver.6.0以上）和ACDSee软件（ver.4.0以上）。

五、实验步骤

遥感影像融合是指将多源遥感图像按照一定的算法，在规定的地理坐标系中生成新的图像的过程。图像通过融合既可以提高多光谱图像空间分辨率，又保留其多光谱特性。本次实验选择的四种融合算法为：HSV变换、Brovey彩色变换、PCA融合、Gram -Schmidt变换。具体操作步骤如下：

在ENVI主菜单栏中选择“File>Open Image File”，出现文件目录窗口，将甘肃省白银市IKONOS的4个多光谱波段和Pan波段数据调入“Available Bands List”窗口。

（1）HSV融合。

1）在ENVI主菜单栏中选择“Transform >Image Shraepning>HSV”，如图16-1所示出现“Select Input RGB”对话框，ENVI提供两种波段选择方法：从一幅打开的彩色图像或者从可用波段列表中选择3个波段进行变换，任选一种方法后点击【OK】按钮。

2）出现“High Resolution Input File”对话框时（图16-2），选择高空间分辨率全色输入波段，点击【OK】按钮到下一步。

3）当出现“HSV Sharpening Parameters”对话框时（图16-3），从“Resampling”下拉菜单选择重采样方法。选择输出到“File”或“Memory”，点击【OK】按钮开始处理，结果将出现在可用波段列表中。

图16-1 选择输入RGB对话框

图16-2 高分辨率输入文件对话框

（2） Brovey融合（色彩标准化融合）。

1）在 ENVI主菜单栏中选择“Transform > Image Sharpening > Color Normalized（Brovey）”，如图16-1所示，出现“Select Input RGB”对话框，ENVI提供两种波段选择方法：从一幅打开的彩色图像或者从可用波段列表中选择3个波段进行变换。任选一种方法后点击【OK】按钮。

2）出现“High Resolution Input File”对话框时（图16-2），选择高空间分辨率全色输入波段，点击【OK】按钮到下一步。

3）当出现“Color Normalized Sharpening Parameters”对话框时（图16-4），从“Resmaplnig”下拉菜单选择重采样方法。选择输出到“File”或“Memory”，点击【OK】按钮开始处理，结果将出现在可用波段列表中。

（3） PCA融合。

1）在ENV 主菜单栏中选择“Transform>Image Sharpening>PC Spectral Sharpening”。如图16-5所示，出现“Select Low Spatial Resolution Multi Band Input File”对话框时，从“Select Input File”中选择低分辨率的多光谱输入文件，如需要，可用选择任意空间子集，选择完毕后点击【OK】按钮。

图16-3 HSV融合参数对话框

图16-4“Color Normalized Sharpeni Parameters”融合参数对话框

图16-5 选择低空间分辨率多光谱输入文件对话框

2）出现“High Resolution Input File”对话框时，选择高空间分辨率全色输入波段，并可用标准ENVI文件选择方法建立空间子集，点击【OK】按钮到下一步。

3）当出现“PC Spectral Sharpening Parameters”对话框时，从“Resampling”下拉菜单选择低分辨率多光谱影像的重采样方法。如图16 -6 所示，选择输出到“File”或“Memory”，点击【OK】按钮开始处理，结果将出现在可用波段列表中。

图16-6 PC光谱融合参数对话框

（4） Gram-Schmidt变换融合。

1）在ENVI主菜单栏中选择“Transform>Image Sharpening>Gram -Schmidt Spectral Sharpening”。如图16-5所示，出现“Select Low Spatial Resolution Multi BandInput File”对话框时，从“Select Input File”中选择低分辨率的多光谱输入文件，如需要，可用选择任意空间子集，选择完毕后点击【OK】按钮。

2）出现“High Resolution Input File”对话框时，选择高空间分辨率全色输入波段，并可用标准ENVI文件选择方法建立空间子集，点击【OK】按钮到下一步。

3）当出现“Gram - Schmidt Spectral Sharpening Parameters”对话框时（图16-7），从“Select Method for Low Resolution Pan”选项中选择一种构造低分辨率全色波段影像的方法，构造低分辨率全色波段影像的方法有：①在步骤2）操作中选择的低分辨率多光谱输入文件的基础上，以平均值构造出低分辨率全色波段影像；②另外输入一个低分辨率多光谱的全色波段影像；③通过传感器类型，创造一个新的低分辨率多光谱全色波段影像，选择这个方法，融合图像是经过辐射定标的数据；④使用用户自定义的滤波函数。

从“Resampling”下拉菜单选择低分辨率多光谱影像重采样方法。如图16-7 所示，选择输出到“File”或“Memory”，点击【OK】按钮，结果将出现在可用波段列表中。

图16-7 Gram-Schmidt光谱融合参数对话框

（5）用上述四种方法对甘肃省白银市IKONOS卫星遥感数据进行图像融合处理，保存每种融合方法的处理结果，用JPEG图像格式保存每种融合方法的处理结果，存入自己的工作文件夹。

六、实验报告

（1）简述实验过程。

（2）回答问题：①全色波段数据和多波段数据各在图像融合处理中分别起何作用？②用框图给出HSV融合的操作步骤。③用Photoshop软件平铺显示HSV变换融合、Brovey融合、PCA融合和Gram-Schmidt融合四种融合图像，分析其图像增强特征及效果。

实验报告格式见附录一。

⑹ 遥感数据预处理

4.1.1 几何精纠正

遥感图像的几何精纠正方法不外乎多项式纠正法、共线方程式纠正法等。多项式纠正法回避了传感器成像时的实际几何状态，直接对变形的影像进行强纠;共线方程式纠正法需要提供卫星的姿态参数，或者根据一定数量的GCP来反演姿态参数，然后对图像进行纠正。笔者选择多项式纠正法。

在ErdasImagine8.6软件平台对1、2、3、4、5、7波段进行叠加组合(LayerStack)和RGB显示操作，在1∶50000军用地形图上，在相山矿田及邻区大致均匀分布地选取10个控制点，采用三次多项式变换模式，把图像纠正到UTM投影上。为了不使光谱发生明显退化，选取邻近点插值法(NearestNeighbbor)重采样，像元大小15m×15m(与8波段一致)。控制点误差:X=1.7364m，Y=2.0219m，Total为2.6652m，明显小于0.5个像元。

应用已保存的几何校正模式，以相同的多项式变换和采样方法，对6、8波段进行几何精纠正，其中6波段GCP输入值是1、2、3、4、5、7波段的2倍，控制点误差:X=0.8682m，Y=1.0109m，Total为1.3326m。8波段GCP输入值是1、2、3、4、5、7波段的4倍，控制点误差:X=3.4728m，Y=4.0438m，Total为5.3304m。

4.1.2 数据特征统计分析

各波段数据的最大值、最小值、平均值、中值、标准差见表4.1。标准差是衡量图像信息量大小的参数，表4.1显示，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均值较高。

表4.1 相山矿田ETM数据特征统计表

各波段相关系数矩阵见表4.2，ETM1、2、3之间，ETM5、7之间相关性较好，相关系数在0.94以上，而ETM6、4波段相对独立性较强。相关系数矩阵是RGB最佳合成方案选择的依据。

表4.2 各波段相关系数矩阵

4.1.3 图像融合

图像融合是指将多元遥感图像按照一定的算法，在规定的地理坐标系，生成新的图像的过程(孙家柄，2003)。ETM⁺多波段(空间分辨率30m)和全色波段(空间分辨率15m)来自同一传感器系统，有相同的太阳高度角和其他环境条件，影像获取时间也一致，两种不同分辨率的图像可以不经配准实现高精度的融合(许榕峰等，2004)，从而可最大限度地发挥ETM⁺多波段数据丰富的光谱信息和全色波段高分辨率图像的空间信息，实现两种分辨率遥感数据的信息互补，使地物特征清晰，易于目视解译和影像分析。

目前常用的图像融合方法很多，究竟哪种方法更适合于相山地区的ETM⁺图像的融合呢?笔者采用HIS变换、SIFM变换(刘建国，2000)、主成分变换、保真融合(齐泽荣等，2004)、加权融合5种方法，分别进行ETM⁺全色波段与ETM⁺多光谱波段的融合试验，并从空间纹理信息、光谱真实性两个方面进行定量和定性评价。

相山地区各种岩性及线性构造在ETM⁺各波段及其RGB合成图像上均有一定的反映，HIS变换、主成分变换、SFIM变换、加权融合、光谱保真融合处理试验表明，除加权融合外，空间分辨率均有较大改善，岩性边界和线状影像更加明显清晰，然而，这5种方法融合的效果也不尽相同，色调与原ETM⁺图像有不同程度的差异，光谱有一定程度的退化。其中HIS变换、主成分变换融合前后图像光谱特征差异较大，产生光谱退化现象，如HIS变换融合图像741波段组合水体呈紫红色，与原始图像ETM741组合深蓝色的水体有明显差异;主成分变换融合图像直方图与原始ETM⁺相对应波段的直方图有明显差异。而FSIM融合、保真融合、加权融合图像的色调与原始图像很接近，较好地保留了原始ETM⁺图像的光谱特征。

众所周知，不同分辨率的图像融合目的在于实现空间分辨率和光谱信息的互补。融合图像质量高低对于后续的信息提取、解译都是至关重要的。由于不同融合方法产生的光谱失真可能导致不可靠的判别和应用。根据图像融合前后目视判别对比作出定性评价，无疑是最简单、最直接的评价方法，但是主观性太强。为进一步客观定量地评价融合效果，本次研究还分别根据光谱真实性、空间纹理信息两个方面进行了分析。

Clavez等(1991)认为图像融合不应造成原始多光谱数据的光谱扭曲和退化。对光谱真实性可运用以下指标进行评价:

(1)光谱偏差:

式中:N为整个图像像元总数;i、j分别为行列位置;G'_ij和G_ij分别为多光谱波段融合前后对应像元的灰度值;D_i表示融合前后光谱的差异，因此该值越小越好。

(2)均值偏差:M_i=|M_i-M'_i|

式中:M'和M'_i分别为多光谱波段融合前后图像的均值;均值偏差M_i反映两图像均值之间的偏离程度，该值越小越好。

(3)方差偏差:S_i=S_i-S'_i

式中:S_i和S'_i分别为多光谱波段融合前后图像的方差;方差偏差S_i反映两图像之间的方差偏离程度，方差越大反映图像的信息量越大，因此该值越大越好。

不同融合图像的空间纹理信息的比较，采用简单的高通滤波分别对全色波段和融合后的多光谱波段滤波，然后计算两者的相关程度，相关程度越高，表明越多的高分辨率全色波段的纹理信息被融合入相应波段中。滤波采用3×3SharpenEdgeFilter模板:

相山铀矿田多源地学信息示范应用

各种融合方法融合图像的光谱真实性和空间纹理信息的量化指标见表4.3。从光谱真实性看，上述5种方法的光谱偏差和均值偏差均不等于0，说明融合前后光谱DN值均发生了变化。HIS变换和主成分变换融合图像光谱偏差、均值偏差(绝对值)均较大，反映光谱退化较严重，虽然与全色波段的相关性较好，即融入了较多的空间纹理信息，但对于后续的地物信息的提取和识别研究将会产生严重影响，因此在相山地区的实用性将受到很大限制。

SFIM融合图像光谱偏差2.125～4.078，6个波段融合图像的光谱平均偏差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，为正值，表明融合后图像的信息量多于融合前信息量。SFIM融合方法较好地保留了原始多光谱波段的光谱信息。

加权融合方法光谱偏差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，为负值，表明融合后图像信息量弱，有减少。

光谱保真融合方法光谱偏差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，为正值，融合后信息量弱，有增加。

SFIM、加权及保真融合方法的融合图像的光谱偏差、均值偏差都不是很大，反映了光谱真实性得到了较好的保留。而且SFIM和保真融合图像信息量均有一定量的增加。

关于融合图像的空间纹理信息，从表4.4中的融合图像与全色波段的相关系数可以看出，除HIS和主成分变换融合图像高频细节和全色波段的高频细节相关程度较高外，SFIM和保真融合方法融合图像的高频细节与全色波段的高频细节相关程度也较高，即融入的全色波段高分辨率信息较多，而加权融合方法高分辨率信息导入效果不好。

表4.3 融合效果量化指标

因此，从光谱真实性和空间纹理信息两方面综合考虑，基于SFIM和光谱保真融合方法既较好地保留了低分辨率的多光谱信息，又明显地提高了空间分辨率，可作为相山地区图像处理的首选融合方法。由于SFIM融合方法较光谱保真融合方法简单、易操作，下文主要采用SFIM融合方法结果来进行地质影像理解和识别。

4.1.4 假彩色合成

假彩色合成是多光谱图像判读的一种有效方法。ETM或其融合图像可供选择的波段有6个(1、2、3、4、5、7)，在6个波段中选择3个最佳波段进行合成，使合成后图像包容的信息最丰富呢?美国的Lhavez提出了最佳指数因子OIF(Optimum Index Factor)的方法(戴昌达等，1989)，即

相山铀矿田多源地学信息示范应用

式中:OIF为某合成方案的OIF因子;i为参与合成的波段数，S_i为第i波段(因子)的标准差;R_ij为I和j两波段的相关系数。OIF值越大，合成图像的信息量越大，波段组合方案最优。

相山地区SFIM融合图像各波段相关系数见表4.4，RGB合成的OIF因子见表4.5，从表4.5可看出，754波段的RGB组合的OIF值最高，为24.18，其次是543组合，OIF为23.79，这可能是植被较发育地区的最佳波段组合的普遍规律。743、541、741、542、742、431、753、751、432、752、531、532、421、521、731、732、721、321RGB组合的OIF依次降低。

表4.4 SFIM融合图像各波段相关系数

表4.5 SFIM融合图像波段合成方案最佳因子

通过对OIF较大的合成方案的目视判读及选择，SFIM754合成图像的影纹清晰，环、线构造明显，微地貌景观突出，植被、岩石图斑、色调、纹理差异细微，对影像地学理解及分析应用效果较好。笔者主要应用此合成图像进行地质构造解译分析。

⑺ 遥感图像分析与信息提取

遥感图像分析的目的是通过各种方法手段对遥感图像进行有用信息的提取和解译。遥感图像解译中，通常将表征地物和地质现象遥感信息的影像特征称之为图像解译标志；将提取遥感信息的过程称之为图像解译（判译、判读）；而将遥感图像信息提取的种种手段称之为遥感图像解译方法。

目前，遥感图像信息提取的手段主要有三种：一是遥感图像的目视解译，它借助于简单的观察工具（如立体镜、放大镜等）凭肉眼鉴别影像，判断目标物的属性特征；二是遥感图像的光学处理，即采用光学仪器改进图像质量，压抑噪声，突出目标影像，提取有关信息；三是遥感图像的数字处理，即用计算机对数字化了的影像进行几何校正、增强等专门处理，达到提取目标物属性特征信息的目的。三种方法各有所长，但目视解译是基础，光学处理和数字处理是深入解译和提高解译水平不可缺少的技术手段，但其效果仍需要专业人员目视解译判断。随着计算机技术的高速发展，遥感信息已越来越多地采用数字记录和储存，故数字图像处理已经成为当今遥感图像处理的主要手段。本节主要介绍遥感图像的目视解译和遥感数字图像处理的基本方法。

20.1.1 遥感图像目视解译

目视解译法的基本特点是能高度发挥解译者所掌握的专业基础知识和思维判断能力，降低判错概率，且具有简便易行的优点。只要有遥感图像资料，在任何场合都可以进行解译。遥感图像的目视解译中，解译效果取决于解译者的知识、技能和经验水平。

20.1.1.1 遥感图像的地质解译标志

地质解译标志是表征地质体及地质形象遥感信息的影像特征。据其表现形式的不同，地质解译标志又分成为直接解译标志和间接解译标志两大类。前者是地质体及地质现象本身属性特征在遥感图像上的直接反映，如影像形状、大小、色调和阴影等；后者则是与地质体或地质形象具有相关关系的其他物体或现象所呈现出的影像特征，如地貌特征、水系格局、植被、土壤、水文和人类活动遗迹等，通过对它们的相关分析，也能判别这些地质体或地质形象的属性特征。

不同类型的地物，其电磁辐射特性不同。在影像上的反映就是形成各种各样的色、形信息：色，就是色调、颜色、阴影和反差等；形，就是形状、大小、空间布局、纹理等。“色”只有依附在“形”上来解译才有意义。色形差异也常常显示深部现象的“透视”信息。采取由此及彼、由表及里的综合分析和对比，从已知推未知，解译才会有好的效果。

20.1.1.2 遥感图像目视解译的基本方法

目视解译最基本的方法是立体观察。它使用简单的光学立体镜，将二维平面图像转化为三维空间的立体光学模型，从而突出了地物的空间特征，使人眼睛易于辨认目标和确定其空间位置。

进行立体观察必须满足两个基本条件：一是具有立体像对，二是具有立体镜。立体像对指在相邻两个摄影基站对同一地面获取的一对具有相同比例尺和一定重叠的像片（图像）。立体镜是用来进行立体观察的专门仪器，它的主要作用是迫使观察者做到左眼只看左片（图像），右眼只看右片（图像），以获得良好的立体观察效果。

随着遥感技术的发展，遥感解译所使用的不仅是摄影方法得到的像片，而且还有红外扫描成像和雷达成像的图像等。应该指出，虽然它们的影像要素或特征也是形状、大小、阴影、周围环境、空间布局、色调等等，但是它们在不同波段成像的图像中所表达的含义有所不同。

20.1.1.3 目视解译的方法与原则

（1）解译方法

对于各种不同的遥感图像的解译，主要差别在于目标物的具体解译标志有所不同；而解译的原则与方法则是一致的。目视解译中常用的方法主要是以下三种。

① 直判法。指运用直接解译标志来判断地质体或地质现象。这种方法简便可靠，但必须在地质体直接出露于地表，或覆盖很少，而且解译标志比较稳定时，才宜应用。如我国西北地区大多具备这种条件，许多地质体可用直判法予以确定。

② 对比法。这是最常用的一种方法。它通常包括几种情况，一是将遥感影像与地质实体进行对比；二是与已经工作过的邻区图像对比；三是与前人资料对比。通过对比，建立本区适用的确切可靠的解译标志。对比法也用于解译成果的野外验证。

③ 逻辑推理法。根据地质体和地质现象与地表其他景观要素的相关关系，运用地质学、地貌学、水文学、土壤学、地植物学等有关学科的理论进行综合分析、逻辑推理，从而确定目标物的属性。这里，主要是运用各种间接标志来判断被掩盖的地质体或地质现象，对我国南方地区的图像进行解译时，常常用到这种方法。

（2）解译原则

遥感图像解译的原则可概略如下。

① 宏观原则。在任何地区进行解译时，应先采用卫星图像或小比例尺航片略图，对影像总体轮廓进行研究。以获取整个工作区宏观构造格架的正确概念。这是下一步详细解译能否快速、准确地取得成果的关键，具有重大的指导意义。在此前提下，方能有效地开展各个局部的详细解译。

② 先易后难，循序渐进原则。整个解译工作必须做到循序渐进，方能提高工作效率，收到事半功倍之效。下面是一些实践经验的总结，可供参考。ⓐ 从比较了解的地段入手，向较陌生的地段推进，即从已知到未知。ⓑ 先解译影像清晰部分，后解译模糊部分。ⓒ 先山地，后平原；先构造，后岩性。ⓓ 先断裂，后褶皱。ⓔ 先线性构造，后环形构造。ⓕ 先岩浆岩，后沉积岩，再变质岩。ⓖ 先解译显露的，后解译隐伏的。其中，ⓓ、ⓔ、ⓕ三点灵活性较大，需根据影像显示程度决定先后。解译中，交错进行的情况也是常见的。

20.1.2 遥感数字图像处理

遥感图像处理，特别是数字图像处理是增强、提取成矿环境地质、构造、矿化等有用信息的重要手段，同时也在资源、环境、农、林、牧、渔、国土整治、工程地质等领域中广泛应用，潜力很大。尤其是随着新一代遥感图像光谱分辨率、空间分辨率的提高，多时相、多类型遥感图像数据的融合以及遥感图像与其他数据的融合，将显得越来越重要。由于遥感图像记录了大量肉眼以及常规仪器难以发现的微弱的地物特征信息，如目标物的红外波谱信息、微波信息等，通过遥感图像数字处理提取这些标志信息，尤其是弱成矿标识信息，可大大增加人们鉴别目标的能力。实际上，当前随着计算机技术的发展，遥感图像处理的内容已远远超出了宏观图像的范畴，对遥感、物探、化探及地质、矿产数据都可以用图像处理方法来进行有效组合、综合与复合或进行增强、变换、分类及模式识别，提取一组特征标志进而形成找矿综合信息图（或图像）。

20.1.2.1 数字图像

数字图像是一种以二维数组（矩阵）形式表示的图像。该数组由对连续变化的空间图像作等间距抽样所产生的抽样点——像元（像素）组成，抽样点的间距取决于图像的分辨率或服从有关的抽样定律；抽样点（像元）的量值，通常取抽样区间内色调（色彩）连续变化之地物的平均值，一般称作亮度值或灰度值；它们的最大、最小值区间代表该数字图像的动态范围。数字图像的物理含义取决于抽样对象的性质。对于遥感数宇图像，就是相应成像区域内地物电磁辐射强度的二维分布。在数字图像中，像元是最基本的构成单元。每一个像元的位置可由行、列（x，y）坐标确定；亮度值（z）通常以0（黑）到255（白）为取值范围。因此，任何一幅数字图像都可以通过X、Y、Z的三维坐标系表示出。例如，陆地卫星的MSS图像（图20-1），便可看作x=2340（行），y=3240（列），Z=0～255的三维坐标系。TM、SPOT等亦然，只是行、列数不同而已。

数字图像可以有各种不同的来源。大多数卫星遥感，如MSS、TM、SPOT、SAR图像等，地面景象的遥感信息都直接记录在数字磁带上。有关的遥感卫星地面站或气象卫星接收站均可提供相应的计算机兼容数字磁带（CCT）或数据光盘及其记录格式。应用人员只要按记录格式将图像数据输入计算机图像处理系统，即可获得数字图像，并进行各种图像处理。对于像片或胶片影像，则可通过电子-光学透射密度计和扫描器以及扫描仪等，将影像密度转换为数值，进而形成数字图像；对于非遥感的地学图件，如地形图、地质图、航磁图、重力图、化探元素异常图等等，也可通过数字化仪或扫描仪，转换为数字图像。同一地区不同来源的数字图像都可精确配准，并作复合处理。

图20-1中左图是一条扫描线上亮度值产生原理。左图中图像坐标和像元参考系与光学图像相比，数字图像量化等级高（256级）、失真度小、不同图像的配准精度高、传输及储存方便，尤为重要的是可由计算机进行各种灵活、可靠、有效的处理，使遥感图像获得更好的判读、分析等应用效果。

20.1.2.2 数字图像处理

数字图像以不同亮度值像元的行、列矩阵组织数据，其最基本的特点就是像元的空间坐标和亮度取值都被离散化了，即只能取有限的、确定的值。所以，离散和有限是数字图像最基本的数学特征。所谓数宇图像处理，就是依据数字图像的这一数字特征，构造各种数学模型和相应的算法，由计算机进行运算（矩阵变换）处理，进而获得更加有利于实际应用的输出图像及有关数据和资料。故数字图像处理通常也称为计算机图像处理。

数字图像处理在算法上基本可归为两类：一类为点处理，即施行图像变换运算时只输入图像空间上一个像元点的值，逐点处理，直到所有点都处理完毕，如反差增强、比值增强等。另一类为邻域处理，即为了产生一个新像元的输出，需要输入与该像元相邻的若干个像元的数值。这类算法一般用作空间特征的处理，如各种滤波处理。点处理和邻域处理有各自不同的适应面，在设计算估时，需针对不同的处理对象和处理目标加以选择。

图20-1 陆地卫星MSS数字图像的构成原理

遥感数字图像处理，数据量一般很大，往往要同时针对一组数字图像（多波段、多时像等）做多种处理。因此，需要依据遥感图像所具有的波谱特征、空间特征和时间特性，按照不同的对象和要求构造各种不同的数学模型，设计出不同的算法；它不仅处理方法非常丰富，而且形成了自身的特色，已发展为一门专门的技术方法。

根据处理目的和功能的不同，目前遥感数字图像处理主要包括以下四方面的内容。

（1）图像恢复处理。旨在改正或补偿成像过程中的辐射失真、几何畸变、各种噪声以及高频信息的损失等。属预处理范畴，一般包括辐射校正、几何校正、数字放大、数字镶嵌等。

（2）图像增强处理。对经过恢复处理的数据通过某种数学变换，扩大影像间的灰度差异，以突出目标信息或改善图像的视觉效果，提高可解译性。主要包括有反差增强，彩色增强、空间滤波、图像变换增强等方法。

（3）图像复合处理。对同一地区各种不同来源的数字图像按统一的地理坐标作空间配准叠合，以进行不同信息源之间的对比或综合分析。通常也称多源（元）信息复合，既包括遥感与遥感信息的复合，也包括遥感与非遥感地学信息的复合。

（4）图像分类处理。对多重遥感数据，根据其像元在多维波谱空间的特征（亮度值向量），按一定的统计决策标准，由计算机划分和识别出不同的波谱集群类型，据此实现地质体的自动识别分类。有监督和非监督两种分类方法。

需要指出，数字图像处理经过近10多年的高速发展，其理论和方法逐步得到完善与发展，已经形成为一门研究内容丰富多彩的学科——数字图像处理学。限于篇幅，这里仅列出了遥感数字图像处理的一般过程（图20-2）。

20.1.2.3 数字图像处理系统

遥感数字图像处理不仅数据量大，而且数据传输频繁，专业性强。因此，一般都要在专门的处理设备上进行。用以进行数字图像处理的专门计算机及其外围设备和有关的软件，即构成了数字图像处理系统，通常由硬件系统和软件系统两大部分组成。其中硬件系统，按目前国内外的发展趋势可分为大型专用机系统和微机图像处理系统两类。一般情况下，它们都包括以下一些基本的部件。

图20-2 遥感图像数字处理基本流程

（1）主机。进行各种运算、预处理、统计分析和协调各种外围设备运转的控制中心，是最基本的设备。一般为速度快、内存大的专用计算机。

（2）磁带机和光盘刻录机。连结数字磁带（CCT）或图像数据光盘和主机的数据传输装置，既可以输入原始图像数据，也可以将中间处理和最终处理的结果再转存记录到磁带上或光盘上。目前的微机图像处理系统大多都带有光盘刻录机，图像数据的输入和输出较为方便。

（3）图像处理机。是数字图像处理专用的核心设备，既具体承担各种图像处理功能的实施，如进行图像复原、几何校正、增强和分类等各种处理的数学运算，也是主机和各种输出输入设备的纽带。

（4）输出设备。用作处理结果的显示分析及记录和成图，包括彩色监视器或彩显，各种类型的打印机、绘图仪、胶片记录仪和扫描仪等等。

对于功能齐全的系统，除上述外，通常还包括有胶片影像的摄像或扫描数字化仪、图形数字化仪等输入设备。

软件系统系指与硬件系统配套的用于图像处理及操作实施的各种软件。一般包括系统软件和应用软件两部分。前者又包括操作系统和编译系统，主要用于输入指令、参数及与计算机“对话”；后者则是以某种语言编制的应用软件，存于硬件系统的应用程序库中，用户可按研究任务采用对话方式或菜单方式，发出相应的指令使用这些程序，由主机作运算处理，获得所需的结果。不同专业往往设计有各自的应用软件系统，故国际上已开发出各种各样的图形图像处理软件系统，针对微机也开发了一系列建立在Windows上的图形图像处理软件，如Photoshop等等，功能强大，操作也非常方便。

20.1.3 遥感图像光学处理

光学图像处理是指以胶片方式记录的遥感影像或由数字产品转换来的影像胶片为处理对象，通过光学或电子光学仪器的加工改造，对遥感图像进行变换和增强的一种图像处理技术。

用作光学处理的仪器和技术手段很多，包括摄影处理、光电处理和相干光处理等等；处理方法上，则有密度分割、彩色合成、边缘增强、反差增强、光学图像比值、光学变换、光学编码等。其中较常用的是假彩色等密度分割和假彩色合成。

值得指出，随着计算机硬件和软件技术的高速发展，造价昂贵的光学图像处理系统基本上由计算机图像处理系统取代。因此，这里不再介绍。

⑻ 遥感图像处理的主要内容

遥感影像数字图像处理的内容主要有：
1、图像恢复：即校正在成像、记录、传输或回放过程中引入的数据错误、噪声与畸变。包括辐射校正、几何校正等；
2、数据压缩：以改进传输、存储和处理数据效率；
3、影像增强：突出数据的某些特征，以提高影像目视质量。包括彩色增强、反差增强、边缘增强、密度分割、比值运算、去模糊等；
4、信息提取：从经过增强处理的影像中提取有用的遥感信息。包括采用各种统计分析、集群分析、频谱分析等自动识别与分类。通常利用专用数字图像处理系统来实现，且依据目的不同采用不同算法和技术。

⑼ 遥感图像处理的算术运算

图像的算术运算是另一种灰度增强方法。图像的相加和相乘，常被用于几种遥感图像的复合。同一地点不同时期的两张图像配准后相减，可以突出地物的变化。不同谱段的两幅多光谱图像相除称为比值图像，它可用于消除图像上的阴影部分，加深不同类别地物的差别。
图像配准、投影变换和镶嵌：在多种遥感图像复合使用时，应当使同一地物在各图像上处于同一位置，这称为图像配准。图像配准与几何精纠正有相似的含义。前者指遥感图像间的配准，而后者是遥感图像与地形图间的配准。当两幅图像较接近时可以用计算机进行自动配准。
用遥感数据进行专题制图时，需要和地形图配准才能知道地物的确切位置。当比例尺较小时，各种投影的几何形状差别较大，通常先按地图投影的几何表达式进行遥感图像的投影变换，然后再进行几何精纠正，以保证精度。
由于地图的分幅与遥感图像的分幅不同，当两者配准时总会遇到一幅地图包含两幅以至四幅遥感图像的情况。这时需要把几幅图像拼接在一起，这称为图像镶嵌。由于这些图像可能在不同日期经过不同处理后得到的，简单的拼接往往能看出明显的色调差别。为了得到色调统一的镶嵌图，要先进行各波段图像的灰度匹配。例如，根据图像重叠部分具有相同的灰度平均值和方差的原则调整各图像的灰度值，以及利用自然界线（如河流、山脊等）作为拼接在边界而不是简单的矩形镶嵌。这样可使镶嵌图无明显的接缝。

⑽ 遥感图像增强的方法，详述一种算法

在进行遥感图像的增强处理前，应先经行预处理：几何校正和辐射校正（当然，如果你拿到的图像已被预处理过了，就没有必要了）

遥感图像的增强处理方法有光学增强处理和数字图像增强处理（就是大部分要和电脑打交道的），现在由于电脑的普及，多是用电脑处理数字图像。

数字图像的处理方法有很多种，这要取决于你的目的。
数字图像增强和变换：对比度增强（在erdas等数字图像处理软件中很容易就能实现的）；图像波段间的比值（包含各波段间的加减运算，可以消除地形和大气的部分影响）及各种指标提取（比如NDVI等用于植被的计算）；主成分分析（在原图像的基础上通过坐标空间的变换，消除冗余信息）；缨帽变换（多用于农业上）；
数字图像分类：监督分类；非监督分类；
http://wenku..com/view/bc726a6f58fafab069dc0268.html