遙感圖像變換方法有哪些

❶ 遙感變化信息檢測的主要方法

本節所研究的主要是基於像元級的遙感變化信息檢測方法。當今國內外常用的遙感變化信息檢測方法主要有分類後比較法、代數運演算法、光譜特徵變異法、主成分分析法等。

( 一) 光譜特徵變異法

光譜特徵變異法是使用最為廣泛的一種遙感變化信息檢測方法，其原理是將兩時相遙感影像的相關波段進行融合、組合，如果地物類型發生了變化，該區域的光譜就會發生變異或突變，與周圍地物失去協調性，使得能通過肉眼識別出來。該方法容易受到研究區域地物光譜特徵的影響，可能會丟失細小的變化圖斑，但是在一般情況下總體效果良好 ( 馮德俊，2004) 。

圖 4 －8 HIS 融合法結果

把研究區震前 IKONOS 的全色波段影像和震後QuickBird 的多光譜影像運用光譜特徵變異法中的 HIS進行了融合，結果見圖 4 －8。從圖中可以看出，沒有發生變化的區域光譜特徵和解析度都得到了加強 ( 空間解析度變為 1m) ，其中水體、河流為藍色，山地為褐色，植被信息為綠色，白色區域明顯與四周的地物和背景信息光譜不協調，這就是發生變化的區域。

( 二) 主成分分析法

主成分分析法在遙感變化信息檢測中使用很多，一般能夠取得很好的檢測效果，它能夠在一定程度上消除影像內部各波段間的相關性，提高變化信息檢測的效率和精度。

圖 4 － 9 為 IKONOS 融合後影像與 QuickBird 融合後影像求差並取絕對值後進行主成分變換的第一個主成分圖像。由主成分變換的特性知道，變換結果的第一分量集中了影像絕大部分的變化信息，而其他分量則主要反映了波段之間的差異性。第一分量就代表著變化信息。圖 4 －9 中白色區域為發生變化的區域。

基於主成分分析的遙感變化信息檢測方法仍然存在著一些缺陷: ① 由於主成分變換所得到的各個分量往往失去了原有的物理意義，所以還需要參考其他數據來分析地物類型變化與否及其因果關系。② 主成分分析 ( PCA) 是基於二階統計的方法，只有在信號的統計分布滿足高斯分布的條件下，才能完全消除信號間的相關性，而對於非高斯信號則只能去除信號間的二階相關性 ( 鍾家強、王潤生，2006) 。在多時相遙感影像中，各種地類的光譜特性幾乎都不能滿足高斯分布，因此經過主成分變換後的各成分圖像間仍然存在高階相關性，而這些相關信息會直接影響到變化信息的檢測和提取。由於這個原因，在做主成分分析時，常常導致把這些高階相關信息轉變為雜訊，如圖 4 －9 所示，白色的 「斑點」遍布整個分量影像，又和變化信息摻雜在一起 ( 變化的區域也為高亮的白色) ，這使得在提取真正變化信息的時候遇到困難，如何有效地消除多時相圖像間的高階相關信息，避免這些 「偽變化」的雜訊，對於變化信息的檢測和提取具有非常重要的意義。

❷ 遙感數字圖像處理方法

1.直方圖法

    對於每幅圖像都可作出其灰度直方圖。根據直方圖的形態可大致推斷圖像的質量。由於圖像包含有大量的像元，其像元灰度值的分布應符合概率統計分布規律。假定像元的灰度值是隨機分布的，那麼其直方圖應該是正態分布。圖像的灰度值是離散變數，因此直方圖表示的是離散的概率分布。若以各灰度級的像元數占總像元數的比例值為縱坐標作出圖像的直方圖，將直方圖中各條形的最高點連成一條外輪廓線，縱坐標的比例值即為某灰度級出現的概率密度，輪廓線可近似看成圖像相應的連續函數的概率分布曲線。一般來說，如果圖像的直方圖輪廓線越接近正態分布，則說明圖像的亮度接近隨機分布，適合用統計方法處理，這樣的圖像一般反差適中；如果直方圖峰值位置偏向灰度值大的一邊，則圖像偏亮；如果峰值位置偏向灰度值小的一邊，則圖像偏暗；峰值變化過陡、過窄，則說明圖像的灰度值過於集中，後3種情況均存在反差小、質量差的問題。直方圖分析是圖像分析的基本方法，通過有目的地改變直方圖形態可改善圖像的質量。

2.鄰域法

    對於圖像中任一像元（i，j），把像元的集合{i+p，j+p}（j，p取任意整數）均稱為像元的鄰域，常用的鄰域如圖所示，分別表示中心像元的4-鄰域和8-鄰域。

    在圖像處理過程中，某一像元處理後的值g（i，j）由處理前該像元f（i，i）的小鄰域N（i，j）中的像元值確定，這種處理稱為局部處理，或稱為鄰域處理。一般圖像處理中，可根據計算目的差異，設計不同的鄰域分析函數。

3.卷積法

    卷積運算是在空間域內對圖像進行鄰域檢測的運算。選定一個卷積函數，又稱為「模板」，實際上是一個M×N的小圖像，例如3×3、5×7、7×7等。圖像的卷積運算是運用模板來實現的。模板運算方法如圖所示，選定運算模板φ（m，n），其大小為M×N，從圖像的左上角開始，在圖像上開一個與模板同樣大小的活動窗口f（m，n），使圖像窗口與模板像元的灰度值對應相乘再相加。計算結果g（m，n）作為窗口中心像元新的灰度值。模板運算的公式如下（若模板的和為0，則除以1）：

4.頻率域增強法

    在圖像中，像元的灰度值隨位置變化的頻繁程度可用頻率予以表示，這是一種隨位置變化的空間頻率。對於邊緣、線條、雜訊等特徵，如河流、湖泊的邊界，道路，差異較大的地表覆蓋交界處等具有高的空間頻率，即在較短的像元距離內灰度值變化的頻率大；而均勻分布的地物或大面積的穩定結構，如植被類型一致的平原，大面積的沙漠、海面等具有低的空間頻率，即在較長的像元距離內灰度值逐漸變化。例如，在頻率域增強技術中，平滑主要是保留圖像的低頻部分抑制高頻部分，銳化則是保留圖像的高頻部分而削弱低頻部分。

5.圖像運演算法

    對於遙感多光譜圖像和經過空間配準的兩幅或多幅單波段遙感圖像，可進行一系列的代數運算，以達到某種增強的目的。這與傳統的空間疊置分析類似，具體運算包括加法運算、差值運算、比值運算、復合指數運算等。

6.非監督分類法

    是指人們事先對分類過程不做任何的先驗知識，僅根據遙感影像地物的光譜特徵的分布規律，隨其自然地進行分類。其分類的結果，只是對不同類別進行區分，並不能確定類別屬性，其類別屬性是事後對各類的光譜曲線進行分析，以及與實地調查相比較後確定的。

    遙感圖像上的同類地物在相同的表面結構特徵、植被覆蓋、光照等條件下，一般具有相同或相近的光譜特徵，從而表現出某種內在的相似性，歸屬於同一個光譜空間區域；不同的地物，光譜信息特徵不同，歸屬於不同的光譜空間區域。這就是非監督分類的理論基礎。由於在一幅復雜的圖像中，訓練區有時不能包括所有地物的光譜樣式，這就造成了一部分像元找不到歸屬。在實際工作中為了進行監督分類而確定類別和訓練區的選取也是不易的，因而在開始分析圖像時，用非監督分類方法來研究數據的本來結構及其自然點群的分布情況是很有價值的。

    非監督分類主要採用聚類分析的方法，以此使得屬於同一類別的像元之間的距離盡可能小而不同類別上像元間的距離盡可能地大。在進行聚類分析時，首先要確定基準類別的參量。然而非監督分類中並無基準類別的先驗知識可利用，因而只能先假定初始的參量，並通過預分類處理來形成集群。再由集群的統計參數來調整預制的參量，接著再聚類、再調整。如此不斷地迭代，直到有關參數達到允許的范圍為止。

7.監督分類法

    與非監督分類不同，監督分類的最基本特點是在分類前人們對遙感圖像上某些抽樣區中影像地物的類別屬性已有了先驗知識，即先要從圖像中選取所有要區分的各類地物的樣本，用於訓練分類器（建立判別函數）。這里的先驗知識可來自於野外的實地考察，也可參照相關的其他的文字資料或圖件或者直接是圖像處理者本人的經驗等。訓練區中，具體確定各類地物各波段的灰度值，從而可確定特徵參數，建立判別函數。監督分類一般是在圖像中選取具有代表性的區域作為訓練區，由訓練區得到各個類別的統計數據，然後根據這些統計數據對整個圖像進行分類，其既可採用概率判別函數，也可採用距離判別函數。

8.圖像分割法

    它是數字圖像處理中的關鍵技術之一。圖像分割是將圖像中有意義的特徵部分提取出來，其有意義的特徵有圖像中的邊緣、區域等，這是進一步進行圖像識別、分析和理解的基礎。雖然目前已研究出不少邊緣提取、區域分割的方法，但還沒有一種普遍適用於各種圖像的有效方法。因此，對圖像分割的研究有待不斷深入。

❸ 遙感圖像地質信息增強處理

地質信息遙感圖像增強處理目的是通過選擇合理的圖像處理方法，改善圖像的視覺效果，突出遙感地質調查所需要的有用信息。

4.3.1 常用的圖像增強處理方法

在遙感地質應用方面，圖像增強處理方法按照主要增強的信息內容可分為波(光)譜特徵增強和空間特徵增強兩大類。

4.3.1.1 圖像波(光)譜特徵增強處理

圖像波(光)譜特徵增強處理是基於多波段數據，對每個像元的灰度進行變換達到圖像增強的目的。其圖像增強結果便於識別不同性質的地質體、岩石類型、地質異常(如蝕變帶、熱異常等)、規模較大的線性和圓形構造。

(1)灰度變換方法

當原始圖像的直方圖比較窄，灰度分布較集中，圖像層次較少時，進行灰度變換是最基本的要求。對於灰度接近正態分布的圖像通常進行線性拉伸就可達到改善圖像視覺效果的目的。對於直方圖呈多峰狀、部分地物過亮或過暗的圖像，應針對圖像的特點採用不同的灰度變換方法，包括分段線性拉伸、直方圖調整和高斯變換等非線性拉伸等。

分段線性拉伸是為了有效利用有限個灰度級，將整個灰度范圍劃分為幾個區間，分區間進行線性擴展，達到最大限度增強圖像中有用信息的目的。常用的非線性變換有指數變換法(增強原始圖像的高亮度值部分)、對數變換法(增強圖像的低亮度值部分)、高斯變換(增強圖像中間灰度范圍)及正切變換(可對圖像的暗、亮區進行增強)。

直方圖調整是通過改善圖像的直方圖形態來達到圖像增強的目的。其原理是用一種變換函數作用於原始圖像的直方圖，使之變成具有某種特定亮度分布形態的直方圖。這種方法著重於擴展高頻數亮度值之間的間隔，使直方圖中部所包含的地物反差得到增強，有利於地質體的區分。常用的直方圖調整方法有直方圖均衡化和直方圖正態化等。

(2)比值增強

比值增強是通過不同波段的同名像元亮度值之間的除法運算，生成新的比值圖像來實現的。比值處理對地質信息尤為敏感，成為遙感地質圖像處理中廣為應用的方法之一。其基本作用為:

1)可以擴大岩石和土壤的波譜差異，有利於這些地物的區分。

2)消除或減弱地形等環境因素對同類岩性的影響。

3)提取與礦化蝕變有關的信息。

4)比值彩色合成圖像能夠增強岩性和蝕變岩信息。

(3)主成分變換

主成分變換是多波段遙感圖像增強常用的一種方法。它是一種基於圖像統計特徵的多維正交線性變換，變換後的新組分圖像反映了地物總的輻射差異和某些波譜特徵，同時還具有分離信息、減少相關、突出不同地物的作用。利用不同新組分圖像進行彩色合成，可顯著提高彩色增強效果，有助於岩性的區分。在實際應用中，也常用比值或差值圖像與原始圖像一起進行主成分變換，會有利於某些專題信息的提取。

(4)IHS變換

在色度學中，把彩色圖像的RGB變換成亮度(I)、色度(H)、飽和度(S)稱為IHS變換，而IHS變換成RGB稱為反變換。利用IHS變換和反變換，可以進行多源遙感圖像之間的信息融合、高度相關圖像數據的色彩增強、圖像的特徵增強，以及改善圖像空間解析度等融合處理。如圖4.1所示，對研究區內的環形構造、岩體和地層都起到了一定的增強作用。

圖4.4 多波段相關性比值增強處理對比

圖4.5 圖像增強處理對比

(3)基於地物紋理的岩性識別

當岩性組成復雜，且分布尺度大於感測器的空間解析度時，遙感圖像就可能記錄到地物的結構組成信息，其影像就存在著明顯的紋理特徵。當存在著有別於背景地物的紋理結構特徵時，就可利用地物的光譜特徵與紋理特徵提取岩性信息。利用紋理識別岩性的方法步驟如下。

1)選擇一定大小的移動窗口，計算不同地物的紋理特徵，對待研究岩石類型的紋理特徵與周圍地物的紋理特徵進行比較分析。主要紋理特徵計算有:對數變差函數、平均歐式距法(一階)、方差法(二階)、斜度(三階)、峰度(四階)和共生矩陣法。從灰度共生矩陣中可以產生8種紋理測度，它們分別是局部平穩、對比度、相異性測度、均值測度、標准差、熵、角二階矩及相關等。

2)分析研究岩石裸露區和背景地物之間的紋理指數和圖像，尋找岩石類型與紋理特徵的關聯規律，採用合適的閾值，識別和提取岩石信息。

(4)基於形狀知識識別岩性信息

1)增強地物之間的邊界，提取出邊界信息。進行形狀指數的計算。主要測定基於周長和面積的指數、基於面積的指數以及基於面積和區域長度的指數。

2)根據岩石的形狀知識指數值，對不同形狀指數的岩性進行定性定位識別和提取，結合不同岩性的形狀特徵賦予一定的地質屬性信息。

(5)主成分變換多層次信息分析識別岩性信息

基於主成分分析的多層次信息分解技術是增強地質岩性弱信息的一種常用方法，在岩性增強和識別中的實施過程如下。

1)多波段圖像的統計特徵分析。對多波段圖像數據進行統計特徵分析，計算波譜圖像的灰度動態范圍、均值與中值、波段圖像的相關系數矩陣、波段圖像的協方差陣。

2)求出多波段圖像的協方差陣的特徵值與特徵向量，用特徵向量構成KL變換的系數矩陣A。

3)主成分變換後處理。根據岩性識別目的和各主分量與矩陣向量間的關系分析，選擇包含特定岩性信息的組分圖像、包含專題信息組分圖像的增強處理、組分圖像的彩色合成處理以及組分圖像與其他處理結果或波段圖像的信息復合分析。

4)根據各主分量的分析結果，對主分量圖像的各種後處理結果與單元結果對照進行影像目視解譯，確定能夠較好反映工作區岩性信息的主分量圖像，選取它們做彩色合成或信息復合，增強影像上的地質岩性弱信息。

(6)IHS變換法增強岩性信息

對多波段圖像選擇適當的代數運算後所產生的新圖像進行IHS變換，可起到突出岩性的目的。例如，利用TM波段比值進行IHS變換，可以識別火山岩地區的岩性和與礦化有關的蝕變特徵。

1)用TM5/TM7，TM3/TM4，TM3/TM2比值分別賦紅、綠、藍進行IHS變換。

2)在變換處理後的圖像上，Fe₂O₃含量高的玄武岩分布區呈醒目的褐色或紅色色調，不同岩性的火山岩類有不同的色調，可以相互區分;含黏土類礦物和三價鐵氧化物的礦化蝕變岩石分布區呈獨特的黃色。

(7)對遙感圖像進行最優多級密度分割提取岩性信息

目的是在植被稀少、基岩廣泛裸露的乾旱地區通過選擇最佳遙感識別圖像，通過最優多級密度分割，提取和識別岩石信息。

1)利用費歇爾准則對圖像進行密度分割，通過直方圖統計，找到使各分割段的段內離差總和最小、段間離差總和最大的分割法，稱為圖像的最優多級密度分割法。

2)對分割圖像按灰度級由高到低分別賦以不同的顏色，對照區域地質圖確定不同顏色的地質岩性屬性信息。

(8)岩性的自動分類識別

在乾旱、半乾旱地區，利用遙感圖像的光譜信息，使用非監督分類方法，可起到岩性自動識別和填圖的目的。

以TM或ETM⁺數據為例，說明非監督分類方法主要實施過程:

1)從TM或ETM⁺多波段圖像中選擇3個三波段組合，使波段間相關性小且重復利用的波段最少。

2)對所有波段組圖像用均衡反差增強技術進行反差增強，以優化每個波段的反差，消除彩色合成中可能出現的色彩偏差。

3)對每個三波段組合用RGB-IHS變換產生一個色度圖像，然後分別進行合成，產生色度合成圖像。

4)用三維特徵空間交互集群技術對色度合成圖像進行非監督集群分類。

5)用模板直方圖匹配分類技術對分類圖像進行空間再分類，以檢測感興趣類的結構和模式。

6)對分類圖像用空間濾波法和小類別合並技術進行平滑處理和空間簡化處理。

7)根據野外檢查與類別的波譜曲線形態，參照地質圖，將類別賦以岩性或按其他地物類型術語進行識別和描述。

8)進行互動式類別編輯。用類別區域編輯法將代表不同地帶的不同岩性按位置進行分解，用類別分組法將相同岩性或地物類型一致的類別歸入一組。

9)用邊緣檢測技術，檢測地物類別邊緣。

10)對調整後的分類圖像進行互動式著色，並將反映地形背景的強度圖像疊加到岩性分類圖中，形成岩性影像圖。

(9)基於岩塊分類的岩石類型識別

適用於乾旱、半乾旱基岩裸露區岩石類的識別。以TM數據為例具體說明主要實施過程:

1)對TM圖像進行地形校正，生成數字視反射率圖像R₁、R₂、R₃、R₄、R₅、R₇。

2)用TM6與R₁～R₇進行空間集群法非監督分類，編制平面分類圖。

3)用TM6與R₁～R₇數據進行監督分類，首先用已知樣本作為訓練區，訓練區樣本為厚層單岩性岩塊、簡單岩性組合岩塊，復雜岩性組合岩塊和標志性薄層岩塊，然後逐個像元提取同類目標並編制平面圖。

4)對分類圖像中的各類別進行均值、最小、最大值，標准差、協方差等參量統計。

5)進行紋理分析及分類，編制紋理類型平面圖。

6)對非監督分類、監督分類及紋理分類平面圖進行疊合，通過人機交互目視解譯歸並整理，編制岩石遙感類型平面圖。

7)岩石填圖。將已知岩石屬性信息填繪於同類的空白區域中，未知空白區域待野外檢查確定岩性屬性後填入。

(10)用高光譜資料來識別岩性

利用成像光譜資料，定量檢測岩石和單種或多種礦物的波譜特徵，提取和識別岩性和礦物信息，編制專題岩性和礦物圖件。主要實施方法是:

1)確定工作區岩性和礦物的一些標志性波譜特徵。

2)利用高光譜成像數據提取地物的波譜曲線，與岩石的野外光譜曲線和某些標志性礦物的實驗室實測典型曲線對比，半定量地確定岩性和標志性礦物的存在。

3)通過岩性和標志性礦物的檢測，達到找礦和編制岩性分布圖的目的。

4.3.2.2 斷裂構造及地質界線圖像增強處理

主要利用空間濾波、自動線性提取等方法增強或提取斷裂構造信息。

(1)空間方向濾波方法

對原始圖像進行方向濾波，突出某一方向的紋理信息，增強地質體的空間結構。

1)按其所需要的方向信息確定濾波運算元見表4.1。

2)對多波段圖像進行主成分變換，利用定向濾波法對第一主分量圖像進行邊緣梯度增強。

3)增強圖像的局部邊緣梯度，壓制整個圖像的反差，再結合一些平滑處理方法對構造蝕變帶和環形構造進行增強。

4)圖像反差擴展。採用拉伸、直方圖變換、比值、濾波等，突出圖像中的線、邊緣、紋理結構特徵，增強岩性、線形構造和環形構造影像特徵。

5)高通濾波增強空間頻率高的地表形跡，提取幾十到幾百米的線性體(如節理、裂隙和斷裂等一些地質構造形跡);低通濾波增強空間頻率低的地表形跡，提取延伸長、規模大的斷裂帶和蝕變帶等地質形跡。

6)用高斯卷積濾波突出地質體邊界輪廓細節，區分紋理差異大的岩體。

(2)傅里葉功率譜紋理增強法

1)取一定大小的窗口圖像，分別作行、列傅氏變換。

2)求功率譜矩陣，作對數變換。

3)計算紋理測度，形成紋理圖像。

4)紋理圖像解譯，提取線性體信息和岩性地質界線。

(3)圖像紋理統計法

通過紋理特徵變化推測斷裂活動的差異、岩石成分的變化等，圈定活動斷裂帶范圍，解釋斷裂活動方式。

(4)線、環狀影像特徵法

1)對圖像進行高通濾波和線狀影像增強

2)從22.5°～67.5°、67.5°～112.5°、292.5°～337.5°及337.5°～22.5°四個方向進行方向濾波。

3)計算單位面積(2.5km×2.5km)線狀影像密度及等密度圖。

4)對線、環狀影像平面圖進行目視分析，篩除非地質邊緣點，並進行疊合與歸並，劃分線狀影像區、帶和等級，環狀影像之間的空間結構及其組合關系。

5)進行線、環狀影像地質屬性解譯。

(5)線性體自動提取法

1)採用定向濾波法對多波段圖像的KL變換第一分量進行邊緣梯度增強。

2)對梯度圖像進行二值化處理，提取邊緣點圖像。

3)人機交互去掉干擾和孤立的邊緣點。

4)利用Hough變換進行線性體的連接和統計，輸出線性體分布圖和密度圖。

5)線性構造提取與地質分析。

(6)圖像亮溫法

選擇適當季節和時間的熱紅外遙感圖像，以熱紅外波段圖像的亮溫分布的極值線為標志，提取構造信息。

(7)多重主成分分析方法

首先應用各種方法，包括一般主成分分析、選擇主成分分析(特徵主成分選擇)、波段比值等，盡可能提取圖像中較弱的地質構造信息，然後提取顯示最好或較好的專題信息，進行二次處理。處理方法包括兩種:一是進行不同的彩色組合或疊加，以突出專題信息;二是選取對專題信息提取最有利的結果和原始波段再次進行主成分分析，進行地質信息的二次提取和增強。

(8)基於融合處理的構造信息提取方法

不同感測器獲取同一地區的圖像，由於其波長范圍不同、幾何特性不同、解析度不同等因素而具有不同的應用特點，基於不同感測器圖像的融合處理，可以綜合不同感測器圖像的優點，提高對構造信息的識別能力。下面以TM和SAR圖像融合處理為例進行說明。

1)首先，對SAR圖像濾波，進行雜訊消除。

2)其次，把單波段SAR圖像和多光譜TM圖像進行幾何配准和融合，TM3、4、5進行IHS變換，用濾波後的SAR圖像代替I分量，做IHS反變換，再用TM3、4、5與SAR圖像作主成分變換，最後將IHS反變換得到的G分量、TM4波段和主成分變換的第一主分量圖像進行彩色合成，作為地質解譯圖像。

3)融合後的圖像可以直觀地提取斷裂構造信息，利用SAR圖像一定的穿透性，可以提取隱伏斷裂構造信息。

4.3.2.3 區域地質穩定性的綜合處理與遙感信息的輔助提取

1)獲取多時相多平台遙感衛星數據，收集地面控制點數據和區域地質環境資料。

2)進行圖像幾何精校正和配准處理。首先，對地形圖進行高精度掃描，形成數字圖像;然後，對數字地形圖進行投影變換、配准和鑲嵌，進行區域圖像的合成與鑲嵌;最後，建立地質活動區域的DEM和三維地形地貌可視化影像。

進行人機交互解譯。以精校正的數字衛星圖像為基礎，一方面進行增強構造活動帶、滑坡及其發育環境信息的各種圖像處理;一方面進行目視解譯，確定區域地質穩定性信息，在計算機上定位，劃分邊界、製作圖形。獲取遙感解譯信息，綜合其他環境資料和綜合處理進行分析、比較和修改。

4.3.2.4 隱伏地質信息提取與增強

利用重磁資料與不同類型的遙感圖像復合處理技術提取隱伏地質信息。

1)利用重磁網格數據和三維歐拉反褶積方法確定地下構造位置(邊界)和深度。

2)利用遙感圖像解譯地表的構造特徵，將重磁數據提取的相應位置的構造信息疊加到遙感構造圖像上，把不同深度的構造在圖像上分別表現出來，利用圖像上構造的不同深度信息，輔助進行隱伏地質體和構造帶信息提取。

4.3.3 遙感地質信息自動提取方法

計算機自動信息提取的目的是把地質專家用於目視解譯的知識定量化表達，從根本上實現知識參與的自動提取。現有的計算機自動信息提取方法主要包括:光譜特徵模型法、計算機自動分類法和基於空間數據挖掘與知識發現信息提取方法。

4.3.3.1 光譜特徵模型法

一般利用統計回歸建立一個遙感信息模型，根據具體圖像的實際情況不斷對模型參數進行調整，最終使模型適用於該影像。遙感信息模型是在現有地面實驗基礎上提煉出來的地物的反演模型，由於圖像數據影響因素很多，因此地物在衛星圖像上的反映並非與地面實測數據一一對應，把遙感信息理論和實際圖幅影像有效結合在一起來進行專題信息自動提取，應用范圍和精度都很有限。岩石地層單元建模技術就是一種光譜特徵模型法。具體步驟如下。

1)把一些具有特殊影像特徵的礦源層、賦礦地層以及諸如含多元素黑色炭質頁岩、蛇綠岩帶、混雜岩帶和超基性岩體等岩石地層作為一種基本單元，它們的多波段遙感像元灰度值是波段的函數，不同單元具有不同的函數曲線。

2)對有一定地質意義的單元進行光譜特徵統計，確定特定單元在各波段的亮度范圍和同一單元類別在多維空間的聚集性。

3)根據單元類別的變差參數(均值和標准差)，建立基於遙感圖像亮度值區間的岩石地層單元模型，輸入的閾值參數和多波段遙感數據，自動提取岩石地層單元信息。

4.3.3.2 分類方法

在遙感信息自動提取方面，分類方法佔有重要地位。其核心是對遙感圖像進行自動分割。現有的計算機自動分類方法，主要利用的是遙感圖像數據，雖然有時可以自動加入其他方面的地學知識，但遠沒有充分利用人腦在分析圖像時所應用的知識，因此很難達到很高的精度。利用分類方法進行岩性自動填圖是遙感圖像處理中最復雜、最難的一個問題，而對於像植被、水體、土地和冰雪等一些大面積分布均勻的特定目標信息的提取，自動分類可起到良好的應用目的。

4.3.3.3 基於數據挖掘和知識發現技術

基於數據挖掘和知識發現技術理論的遙感專題信息自動提取，其基本內容包括知識的發現、應用知識建立提取模型，利用遙感數據和模型提取遙感專題信息。在知識發現方麵包括從單一遙感圖像上發現有關地物的光譜特徵知識、空間結構與形態知識、地物之間的空間關系知識;從多時相遙感圖像中，除了可發現以上知識外，還可以進一步發現地物的動態變化過程知識;從GIS資料庫中發現各種相關知識。利用所發現的某種知識、某些知識或所有知識建立相應的遙感專題信息提取模型，利用遙感數據實現從單知識、單模型的應用到多知識、多模型的集成應用，從單數據的使用到多數據的綜合使用的自動信息提取。

❹ 遙感圖像處理的處理方法

是提高遙感圖像的像質以利於分析解譯應用的處理。灰度增強、邊緣增強和圖像的復原都屬於圖像的整飾處理。
是將衛星圖像的像元雖然用256個灰度等級來表示，但地物反射的電磁波強度常常只佔256個等級中的很小一部分，使得圖像平淡而難以解譯，天氣陰霾時更是如此。為了使圖像能顯示出豐富的層次，必須充分利用灰度等級范圍，這種處理稱為圖像的灰度增強。
常用的灰度增強方法有線性增強、分段線性增強、等概率分布增強、對數增強、指數增強和自適應灰度增強6種。
1、線性增強：把像元的灰度值線性地擴展到指定的最小和最大灰度值之間；
2、分段線性增強：把像元的灰度值分成幾個區間，每一區間的灰度值線性地變換到另一指定的灰度區間；
3、等概率分布增強：使像元灰度的概率分布函數接近直線的變換；
4、對數增強：擴展灰度值小的像元的灰度范圍，壓縮灰度值大的像元的灰度范圍；
5、指數增強：擴展灰度值大的和壓縮灰度值小的像元的灰度范圍；
6、自適應灰度增強：根據圖像的局部灰度分布情況進行灰度增強，使圖像的每一部分都能有盡可能豐富的層次。 是一種重要的圖像處理方法，其基本原理是：像元的灰度值等於以此像元為中心的若干個像元的灰度值分別乘以特定的系數後相加的平均值。由這些系數排列成的矩陣叫卷積核。選用不同的卷積核進行圖像卷積，可以取得各種處理效果。例如，除去圖像上的雜訊斑點使圖像顯得更為平滑；增強圖像上景物的邊緣以使圖像銳化；提取圖像上景物的邊緣或特定方向的邊緣等。常用的卷積核為3×3或5×5的系數矩陣，有時也使用7×7或更大的卷積核以得到更好的處理效果，但計算時間與卷積核行列數的乘積成正比地增加。
圖像的灰度增強和卷積都是直接對圖像的灰度值進行處理，有時稱為圖像的空間域處理。 在數字信號處理中常用離散的傅里葉變換，把信號轉換成不同幅度和相位的頻率分量,經濾波後再用傅里葉反變換恢復成信號，以提高信號的質量。圖像是二維信息，可以用二維的離散傅里葉變換把圖像的灰度分布轉換成空間頻率分量。圖像灰度變化劇烈的部分對應於高的空間頻率，變化緩慢的部分對應於低的空間頻率。濾去部分高頻分量可消除圖像上的斑點條紋而顯得較為平滑，增強高頻分量可突出景物的細節而使圖像銳化，濾去部分低頻分量可使圖像上被成片陰影覆蓋的部分的細節更清晰地顯現出來。精心設計的濾波器能有效地提高圖像的質量。經傅里葉變換、濾波和反變換以提高圖像質量的處理，有時稱為圖像的空間頻率域處理。

❺ 遙感數字圖像處理問題，謝謝！

圖像配准和圖像融合是圖像拼接的兩個關鍵技術。圖像配準是圖像融合的基礎,而且圖像配准演算法的計算量一般非常大,因此圖像拼接技術的發展很大程度上取決於圖像配准技術的創新。
一般來說,圖像拼接主要包括以下五步:
a)圖像預處理。包括數字圖像處理的基本操作(如去噪、邊緣提取、直方圖處理等)、建立圖像的匹配模板以及對圖像進行某種變換(如傅里葉變換、小波變換等)等操作。
b)圖像配准。就是採用一定的匹配策略,找出待拼接圖像中的模板或特徵點在參考圖像中對應的位置,進而確定兩幅圖像之間的變換關系。
c)建立變換模型。根據模板或者圖像特徵之間的對應關系,計算出數學模型中的各參數值,從而建立兩幅圖像的數學變換模型。
d)統一坐標變換。根據建立的數學轉換模型,將待拼接圖像轉換到參考圖像的坐標系中,完成統一坐標變換。
e)融合重構。將帶拼接圖像的重合區域進行融合得到拼接重構的平滑無縫全景圖像。
相鄰圖像的配准及拼接是全景圖生成技術的關鍵,有關圖像配准技術的研究至今已有很長的歷史,其主要的方法有以下兩種:基於兩幅圖像的亮度差最小的方法和基於特徵的方法。全景圖的拼接主要包括以下4個步驟：圖像的預拼接,即確定兩幅相鄰圖像重合的較精確位置,為特徵點的搜索奠定基礎。特徵點的提取,即在基本重合位置確定後,找到待匹配的特徵點。圖像矩陣變換及拼接,即根據匹配點建立圖像的變換矩陣並實現圖像的拼接。最後是圖像的平滑處理。
在遙感圖像處理方面，eCognition是PCI Geomatica公司的產品,它的主要特點在於基於影像空間和波 譜兩方面信息的信息提取。傳統的遙感影像分類,包括監督分類或者非監督分類，都是在影像的光譜特徵空間中,依靠不同光譜數據的組合在統計上的差別來進行 的。但是由於Quick Bird數據的空間解析度很高,圖像上地物景觀的結構、形狀、紋理和細節等信息都非常突出,而光譜解析度不高,因此，在分類時不能僅依靠其 光譜特徵，更多的是要利用其幾何信息和結構信息。eCognition將採用面向對象的 遙感影像分析技術來進行影像的分類和信息提取。
首先對Quick Bird數據進行影像分割,從二維化的圖像信息陳列中恢復出圖 像所反映的景觀場景中的目標地物的空間形狀及組合方式。影像的最小單元不再 是單個的像素,而是一個個對象，後續的影像分析和處理也都基於對象進行。
採用決策支持的模糊分類演算法,並不將每個對象簡單地分到某一類,而是給出 毎個對象隸屬於某一類的概率,便於用戶根據實際情況進行調整,同時,也可以按 照最大概率產生確定分類結果。在建立專家決策支持系統時,建立不同尺度的分 類層次,在每一層次上分別定義對象的光譜特徵、形狀特徵、紋理特徵和相鄰關系 特徵。其中:光譜特徵包括均值、方差、灰度比;形狀特徵包括面積、長度、寬度、邊 界長度、長寬比、形狀因子、密度、主方向、對稱性、位置、對於線狀地物包括線長、線 寬、線長寬比、曲率、曲率與長度之比等,對於面狀地物包括面積、周長、緊湊度、多 邊形邊數、各邊長度的方差、各邊的平均長度、最長邊的長度;紋理特徵包括對象方 差、面積、密度、對稱性、主方向的均值和方差等。通過定義多種特徵並指定不同權|重,建立分類標准，然後對影像分類。分類時先在大尺度上分出父類，在根據實際需要對感興趣的地物在小尺度上定義特徵分出子類。
希望有用。