遥感图像增强有哪些基本方法

① 图像增强处理

近年来,数字图像处理发展迅速,各种增强的方法层出不穷。以下仅介绍对地质应用较为有效的几种方法,其他方法可参考已出版的遥感数字图像处理的着作^[3,4]。

(一)反差增强

数字图像,从理论上讲,亮度取值范围可从0-255,但实际图像由于成像系统的特性、成像时的光照条件、以及像幅范围内地物间辐射差异的大小等各种原因,常常使大部分像元的亮度集中在比较窄的动态区间,致使图像的反差较小、色调单一(过“黑”或过“白”),难以从中区分出更多的地物信息,于是,改善和提高图像的对比度——反差增强,便成了数字图像增强首先遇到的一个问题。

反差增强也称反差扩展,或拉伸增强,是一种通过拉伸或扩展图像的亮度数据分布,使之占满整个动态范围(0—255),以达到扩大地物间亮度差异,分辨出尽可能多的亮度等级的一种处理技术。数字图像的亮度分布,一般可用一幅图像中不同灰级(亮度)像元所占的比例——直方图来表示(图版25)。图4-15显示了一块占有8个灰级(0—7)的4×4小图像的直方图生成过程。可以看出它实际上是一种亮度分布函数(曲线)。反差扩展归根到底就是通过改变这种分布曲线来达到增强的目的。

在反差扩展中,输出的像元值y,是输入的像元值(原图像)x的函数:

遥感地质学

按照函数关系的不同可有不同类型的扩展(见图4-16)。在处理方法上可以分为两类,一类是使用函数变换对每个像元点进行变换处理,常用于有确定拉伸对象(地物目标)的情况下;另一类是改变像元间的亮度结构关系,即通过直方图调整改变图像的亮度结构。下面简单介绍实际操作中常用的几种方法。

图4-15 直方图制作示意图

图4-16 几种反差扩展

1.线性扩展

将原图像中像元的亮度按线性关系扩大,亮度扩展的范围可任意给定,具体应用时可选择图4-16A中各种不同的形式。一般来说,对整幅图像作全面而均匀的拉伸,可用简单线性扩展(图版27);当需要对某一灰度范围进行增强,可采用分段扩展。按给定的分段界限的不同,可扩展直方图中的任何一部分,但这种方法往往会造成分段点两侧亮度陡变,若分段点选择不当,还会歪曲地物的波谱特征,故在实际工作中应慎用。

2.非线性扩展

对原图像亮度区间的各个部分按非线性关系作不均等扩展。通常是对亮区和暗区分别给以不同的扩展比例。例如,采用对数变换可使图像的暗区(如大片阴影、大面积植被覆盖)得到扩展,而亮区受到压抑;相反,若扩展亮区,则要采用指数变换。在干旱区,平原、盆地的亮度值普遍偏高,影像单调,经指数扩展,常可从中分出一些层次。此外,还可作正弦、正切等扩展(图4-16B)。

3.直方图调整

通过改善图像的总体亮度结构(直方图形态)来达到图像增强的目的。其原理是,以一变换函数S=T(r),作用在原图像的直方图P_r(r)上,使之变成具有某种特定亮度分布形态的直方图P_s(s)(图4-17),并根据P_s(s)变更原图像各像元的亮度值。一般来说,这种方法着重于扩展高频数亮度值之间的间隔,使直方图中部所包含的地物反差显着增强,而有利于地质体的区分。常用的直方图调整方法有直方图均衡化和直方图正态化等。图版28即为直方图均衡处理的结果。

反差扩展是针对单波段的一种图像增强处理,使用得当,可明显改善像质,提高图像的对比度(参见图版26和27、28)。在作彩色合成等多波段的增强处理时,一般都要先对各个波段的数据作适当的拉伸,以获得理想的彩色增强效果。因此,它也是其它增强处理的基础和先导。从这个意义上说,它还具有预处理的作用。

(二)彩色增强

数字图像的彩色增强处理也可以有单波段图像的伪彩色处理和多波段图像的彩色合成两个不同的途径:

1.单波段图像的伪彩色增强

对于单波段图像生成伪彩色最简单的方法是彩色密度分割,其原理与光学密度分割一致,但比光学密度分割灵活、方便,可分割的等级也更细,并且光谱意义也更明确。一个数字图像系统可以说是性能更优越的彩色等密度分割仪。与光学分割一样,它对于有着递变规律的地表景物的显示十分有效,有时也能显示出一些细节变化。但在数字数字图像处理中,它主要是用于检测单波段图像的亮度值变化趋势信息,为后续处理提供参考。

另一种单波段伪彩色处理方法是伪彩色合成。它是对单波段的CCT数据通过加色比例变换函数把黑白灰级变换为红、绿、蓝彩色级,然后再加色合成(图4-18),生成伪彩色图像。由于这种图像能把单波段上不易区分的细微灰度变化映射成不同的色彩,因此比彩色密度分割有更好的快速检测单波段图像灰度变化信息的效果。

图4-17 直方图调整图

图4-18 伪彩色合成示意图

2.多波段图像的彩色合成

与光学图像处理相仿,数字图像的单波段彩色增强照例不足以揭示多波段遥感中地物在不同波段上丰富的波谱特征信息。为了发掘多波段数字图像的信息优势,提高图像的解译判读效果,同样可采用彩色合成。其基本的方法原理与单波段伪彩色合成关同,只是红、绿、蓝变换不是对同一波段,而是分别对三个(或二个)波段实施,即由三个(或二个)波段的CCT数值根据设定的波段灰度与彩色之间的变换关系表,直接控制图像处理系统中彩色显示装置的红、绿、蓝三色枪的光强输出,加色合成显示在彩色屏幕上,形成彩色图像(图4-19);或者以三色依次扫描到彩色胶片上,再印放成彩色像片。目前这类处理不仅可在专用图像处理机上实现,而且已可在微机上借助图像处理板实现,甚至在TVGA图形卡的支持下通过彩色模拟程序在微机上完成。后者受TVGA卡只能显示256色的限制,色彩尚不尽丰富,但一般的合成显示是能胜任的。

与光学处理相比,数字图像的彩色合成不仅省却了制作单波段黑白胶片影像的过程,也避免了胶片拷制过程中的信息丢失,而且由于CCT的量化等级高达256级,远远高于黑白影像可分辨的灰度变化,因此其色彩层次往往比光学合成要丰富得多;同时,在计算机图像处理系统中,各个波段的数据可以十分方便地作各种拉伸变换(反差扩展),显示器上的跟踪球还可任意调节色彩变化,从而能快速获得不同增强效果的彩色图像,比起黑白胶片需要通过影像拷贝来改变影像密度要方便、灵活得多,显示出更大的优越性。

在数字图像处理中,彩色合成通常是最常用、最基本,往往也是最便捷有效的增强处理方法。其影像增强的效果与光学合成处理相类似,照例可分为真彩色、似(模拟)真彩色、假彩色等不同的种类;不同的波段一色通道(相当于滤光片)组合方案具不同的色彩及地物增强效果;充分利用地物波谱特征(曲线),选择合成方案同样是取得理想增强效果的关键。由于这些内容在光学彩色合成中已有较详论述,这里不再重复。

尚需指出的是,数字图像的彩色合成目前已不仅仅针对不同波段进行,而且还可以用不同的数字处理结果(如比值、KL变换的不同分量等)作输入图像,获得全新含义的合成图像(如比值合成图像);更进一步,已可以将非遥感的地质信息(如物、化探数据)通过彩色坐标变换(IHS变换)转换成R、G、B分量,作为输入图像,制成多元信息复合的彩色合成图像。因此如何选择波段或分量进行彩色合成是一个重要问题。目前常用OIF值作为衡量合成方案优劣的因子,它的基本原理是根据图像的统计特征来选定,就理论而言,OIF值越大,则合成方案越佳。

OIF可用下式计算:

图4-19 数字图像彩色合成示意图

遥感地质学

其中Ss为第i波段的亮度标准差,标准差越大,表明该图像包含信息量越大,rs为合成分量间的相关系数,相关系数越小,表明图像间的冗余度越小。

现以某地一个实例说明,先计算TM各波段(TM6波段除外)的标准差,分别为:17.02,10.29,14.04,15.95,31.38,19.36。6个波段间的相关系数如表4-2。

表4-2 TM图像各波段相关系数表

这样可以计算出不同合成方案的OIF值:

TM145:32.22;TM345:29.08;

TM457:28.96;TM147:26.97;

Tm245:26.78;TM157:25.42

在实际应用中,直接使用OIF因子,效果不一定理想,还应从应用目的出发,进行波段的选择。

(三)比值增强

比值增强是最为常用的一种运算增强方法。它是通过不同波段的同名像元亮度值之间的除法运算,生成新的比值图像来实现的。对于多波段数字图像,可以有多种不同的比值:

1.基本比值

纯以两个波段的数值相比,故也称简单比值。用g_k(k=1,2,……N)代表一个多波段图像(N为波段数),任一比值图像可表示为:

遥感地质学

其中,a和b是调节参数。由N个波段可得出的比值数目为P=N(N-1),如TM图像,除TM₆(热红外)之外,共可组成30种比值;

2.和差组合比值

由两个波段的和与差构成的比值,如:

遥感地质学

3.交叉组合比值

由3个或更多的波段构成的比值。其中分子和分母所包含的波段是不同的,如:

遥感地质学

4.标准化比值

由单个波段与所有波段之和构成的比值,即

遥感地质学

其中,i=1,2……N。如MSS图像,常使用4、5、7三个波段,则可构成:

遥感地质学

上述四种比值以基本比值和标准化比值更为常用。

比值处理简便易行,而且对地质信息尤为敏感,因而现今基本上已成为遥感地质研究中广为应用的例行处理方法之一。其基本功用在于:

(1)能扩大不同地物之间的微小亮度差异,有利于岩石、土壤等波谱差异不太明显的地物的区分,也可用于植被类型和分布的研究。例如,铁帽与植被在单波段上不易区分,而通过MSS_5/4和MSS_7/5二维比值分析,明显区分了出来(图4-20)。

(2)消除或减弱地形等环境因素的影响。例如,某地砂岩在阳坡和阴坡有不同的亮度,但在MSS_4/5上,比值却非常接近(表4-3),因此消除了地形的影响(参见黑白图版29)。

(3)提取与找矿有关的专题信息。例如含羟基的粘土矿物在2.2μm附近存在有强吸收,故在TM₇上为低亮度,而在TM₅上它仍为高亮度,因此TM_5/7常被用来提取与粘土化有关的矿化蚀变信息;再加0.48μm是铁离子电荷转移强烈吸收的位置,故用TM_5/1利于提取与铁矿物有关的信息。

(4)比值合成增强岩性及蚀变岩信息。以若干个比值图像作为输入图像,进行假彩色合成,在输出的彩色合成图像上常能有效地增强岩石的波谱信息差异。例如,在我国铜陵地区采用TM₄(R)、5/4(G)、5/2(B),4(R)、5/2(G)、4/3(B)等方案制作的比值合成图,有效地圈定出了志留系地层、岩体、大理岩化等岩性信息。在河北迁安地区利用MSS的标准化比值制作的合成图像上区分磁铁矿石及围岩也取得好效果。

比值增强生成比值图像后,原来的独立波谱意义就不存在了。由此也给它带来一个很大的缺陷,就是丢失了地物总的反射强度(反射率)信息。例如,暗色的岩石和浅色的岩石之明显差异也被损失;由于压抑了地形信息,其作为地质解译的一个重要标志也被损失。为了弥补此不足,通常采用一个波段的原图像与(两个)比值图像作彩色合成的办法;此外,比值有可能增加噪声,而大气散射也会给比值结果带来干扰,因此,处理前更要注意做消条带和大气校正。

表4-3 不同光照条件下砂岩反射比

(据F.F.Sabins,1977)

图4-20 比值分布示意图

(四)卷积增强

地物的边界及各种线性形迹,通常都表现有一定的空间分布频率,因此,可以通过空间域或频率域的滤波对它们进行增强。其中,卷积处理就是比较简便有效而最常使用的空间滤波方法之一。

与前述几种增强不同,卷积增强是一种邻域处理技术。它是通过一定尺寸的模板(矩阵)对原图像进行卷积运算来实现的。以3×3(像元)的模板为例,其处理过程如图4-21,

即相当于把模板逐次放在每一个像元上,计算模板元素和对应像元亮度值的乘积和,用数学式可表示为:

遥感地质学

图4-21 空间卷积

式中,m₁为模板元素值,g_s为相应图像中各像元的亮度值。f为卷积值,亦就是滤波后(模板)中心像元的输出值。

增强不同方向的边界(或线性体),则是按一定的排列方向来分配模板中各元素的权系数。例如图4-22(a)、(b)、(c)、(d)便是分别对水平(相当于遥感图像的扫描线方向)、45°、垂直、135°四个方向进行增强的一组3×3模板。改变模板尺寸(5×5、7×7……等等)和板内元的差值可产生不同的效果。一般,模板越大、差值越大,对低频的粗大构造形迹的增强越明显,而高频信息(小断层、节理裂隙等)增强的幅度越小。模板可设计成不同的增强方向,但模板元素的数目均应为奇数;一般最大为15×15,模板尺寸太大,则其计算量也大,而卷积效果也不一定好。

图4-22 方向模扳

卷积增强对于突出某一方向的地质体边界和线性断裂构造或形迹常具明显的效果(图版30),对一些环形构造或线迹也会起到增强的作用,因此在遥感地质研究中被广泛使用。

(五)K-L变换

K-L变换是多波段遥感图像变换增强的常用方法之一,通常也称主组分分析或主成分分析。在数学含义上,它是一种基于图像统计特征的多维正交线性变换。经这种变换后生成一组新的组分图像(数目等于或小于原波段数)是输入的若干原图像的线性组合即

遥感地质学

其中,X是原多波段图像的数据矩阵,矩阵元素为p个波段的像元值向量;Y是输出的主组分矩阵,即q个组分的像元值向量,一般q≤p;T为变换核矩,通常为由变换波段之间的协方差矩阵所产生的特征向量矩阵。在p=3,q=4的情况下

遥感地质学

y₁、y₂、y_s按协方差矩阵的特征值大小依次排序。

从几何意义上讲,K-L变换相当于空间坐标的旋转。图4-23表示了一个二维空间坐标变换。图中X₁、X₂表示两个波段的像元值,黑点为相应的数据域。K-L变换相当于坐标轴旋转一个θ角,把数据域变换到Y₁、Y₂的新坐标系统上,即:

遥感地质学

图4-23表明,K-L变换后,第一主组分(Y₁)取得最大的信息量(可达90%左右),其余依饮减小。一般情况下,一、二、三主组分基本上已集中了绝大部分的信息,后面组分包含的信息量往往已非常小。因此,K-L变换一个最基本的功能就是,可以在信息损失最小的前提下,减少变量数目、降低数据维数,起到数据压缩的作用。这对多波段遥感特别有意义,因为它们通常为多变量,数据量也很大(一个TM波段达42兆),随着波段数越来越多和地面分辨力越来越高,还将更大(所谓“海量数据”)。

一般认为,K-L第一主组分基本上反映了地物总的辐射差异,其它组分则能够揭示地物的某些波谱特征。由上图可以看出,各组分之间互相“垂直”,即不相关。这就使K-L变换还具有分离信息、减少相关、突出不同地物目标的作用。因而,在用K-L不同组分作假彩色合成时,往往可显着提高彩色增强效果,会有助于岩类的区分。但要注意的是,各组分的地质应用价值不能依它们的排序(即方差的大小)来确定。例如,MSS的K-L变换中,有时第四主组分反而比第三主组分区分岩性的作用更大。

在实际应用中,也常用比值或差值图像,以及与原图像合在一起作K-L变换。这对于提取某些专题信息会特别有用的。一个典型的例子是,TM_5/7可提取与粘土化有关的矿化蚀变信息,但植被的TM_5/7比值常常也很高,以致前者的信息往往被淹没在后者的“汪洋大海”之中,我国南方地区尤甚。然而,TM_4/3恰主要只反映植被信息,因此,当用TM_4/3、TM_5/7作K-L变换,其第一主组分便集中了两个比值的基值——植被信息,而蚀变信息被分配到第二主组分中,这就把二者分离了开来,进一步在第二主组分中提取蚀变信息(图42-4),效果便显着提高。此法已在南方某银铅锌矿区取得了很好的效果。

图4-23 两个波段(或其他变量)情况下的主组分变换

图4-24 我国南方某地蚀变带信息提取的程序框图

与KL-变换相类似的另一种线性变换方法是近年来发展起来的K-T变换。缘于在MSS和TM数据空间中植被光谱随时间变化的轨迹构成一个“缨帽”的图形,故亦称“缨帽变换”。该变换有助于分离(提取)植被(绿度)和土壤(湿度)等信息,已引起人们的兴趣。有关这一变换的论述可参见文献[3]。

(六)IHS变换

在色度学中,存在有两种彩色坐标系统:一是由红(R)、绿(G)、蓝(B)三原色构成的彩色(RGB)空间;另一是由亮度(I)(或称明度、强度)、色调(H)、饱和度(S)构成的色度(IHS)空间(亦称孟塞尔坐标)。这两个系统的关系可用图4-25表示,此时,IHS的范围呈现为一圆锥体;在垂直于IHS圆锥轴的切面上,二者则呈现为图4-26所示的关系。该图中,I轴垂直于纸面(过S=0,白光点),沿I轴只有亮度明暗(白一黑)差异;圆周代表H的变化,并设定红色为H=0;半径方向代表饱和度,圆心处S=0,为白色(消色),圆周处S=1,彩色最纯。

很明显,这两个坐标系之间可以互相转换,这种转换即称为IHS变换,或彩色坐标变换(也称孟塞尔变换)。通常把RGB空间变换到IHS空间称之为正变换,反过来,由IHS变换到RGB称反变换。

当不直接采用三原色成分(R、G、B)的数量表示颜色,而是用三原色各自在R、G、B总量中的相对比例r、g、b来表示,即:

图4-25 强度、色频(彩)与饱和度(IHS)和红、绿、蓝(RGB)空间关系示意图

图4-26 通过垂直IHS圆锥切面表示IHS与RGB的关系

遥感地质学

此时如为红色白色则为 。两个坐标系之间的转换关系,可简化为:

遥感地质学

把R、G、B和I、H(0-3)、S(0-1)值扩展到0-255数据域,设计相应的程序,在数字图像系统上便能自如地实现相互间的转换和显示。

目前在遥感数字图像处理中,IHS变换多用于以下研究。

1.彩色合成图像的饱和度增强

当用以合成的三个原始图像相关性较大时,常规处理往往合成图像的饱和度会不足,色彩不鲜(纯),像质偏灰,且较模糊、细节难辨(彩版3-4)。通过IHS变换,在IHS空间中增强(拉伸)饱和度S,用反变换求R、G、B进行彩色显示(图4-27),则可显着改善图像的颜色质量和分辨能力(图版5,6)。

2.不同分辨率遥感图像的复合显示

直接把不同分辨率图像输入R、G、B通道作彩色合成复合显示,即使几何配精度很高,也难以获得清晰的图像(低分辨图像使像质模糊)。采取将最高分辨率图像置作“I”、次高置作“H”、低分辨者置作“S”,然后反变换,求出R、G、B作复合彩色显示,则基本可使合成图像保持有高分辨图像的清晰度。对TM(常取其中两个波段)和SPOT(常取全色波段)图像作此种复合,既可获得SPOT的高分辨率,又可充分利用TM丰富的波谱信息。

3.多源数据综合显示

采用常规方法对遥感图像与物化探等地学数据作综合处理,不但极不方便,充其量也只能把等值线叠合到遥感图像上。将物探(航磁、重力等)或化探(元素异常)信息数字化,分别置作“H”或“S”,以遥感图像(取一个波段)为“I”,作IHS的正反变换(图42-8)便可获得色彩分明的遥感与物化探信息复合的彩色图像。这类图像通常既具遥感图像清晰的地貌、地质背景,又能将物化探信息准确地反映在这一背景上,十分有利于它们相互关系的综合分析和解译(图版20)。

图4-27 饱和度增强处理流程图

图4-28 多源数据综合显示框图

② 遥感图像的彩色增强

地面站经系统处理得出的原始图像产品都是反映灰度差异的黑白图像。众所周知，人眼识别和区分灰度差异的能力是很有限的，一般只能区分二三十级，而识别和区分色彩的能力却大得多，可达数百种甚至上千种，两者相差甚远。显然，如把黑白图像的灰度差异转变为色彩差异，就可大大提高遥感图像的目视分析解译性能，所以彩色增强成为遥感图像应用处理的又一关键技术，应用十分广泛。

1.密度分割和彩色编码

实施遥感图像彩色增强的途径不少，其中最简单的就是假彩色密度分层，或称假彩色密度分割、彩色编码。此法原理与技术都很简单，就是将一幅灰度范围为0到L的黑白图像f（x，y）的灰度按等间隔或不等间隔分割成是层（参见图5-18），得到k-1个密度分割层面，其密度值为L；＜i=1，2，3，…，k），用C_i（i=1，2，3，…，k）表示赋予每一层的颜色，则

图5-24 色度坐标系IHS变换示意图

表5-1 IHS变换公式

在RGB空间中，I，H和S三个参数的定义不同，可以获得不同的IHS变换模型。较简单常用的变换模型是色度坐标系模型（参见图5-24）。根据这个模型可以推导出在不同条件下IHS正反变换的计算公式。表5-1列出了这些公式，供读者查阅。

③ 遥感图像地质信息增强处理

地质信息遥感图像增强处理目的是通过选择合理的图像处理方法，改善图像的视觉效果，突出遥感地质调查所需要的有用信息。

4.3.1 常用的图像增强处理方法

在遥感地质应用方面，图像增强处理方法按照主要增强的信息内容可分为波(光)谱特征增强和空间特征增强两大类。

4.3.1.1 图像波(光)谱特征增强处理

图像波(光)谱特征增强处理是基于多波段数据，对每个像元的灰度进行变换达到图像增强的目的。其图像增强结果便于识别不同性质的地质体、岩石类型、地质异常(如蚀变带、热异常等)、规模较大的线性和圆形构造。

(1)灰度变换方法

当原始图像的直方图比较窄，灰度分布较集中，图像层次较少时，进行灰度变换是最基本的要求。对于灰度接近正态分布的图像通常进行线性拉伸就可达到改善图像视觉效果的目的。对于直方图呈多峰状、部分地物过亮或过暗的图像，应针对图像的特点采用不同的灰度变换方法，包括分段线性拉伸、直方图调整和高斯变换等非线性拉伸等。

分段线性拉伸是为了有效利用有限个灰度级，将整个灰度范围划分为几个区间，分区间进行线性扩展，达到最大限度增强图像中有用信息的目的。常用的非线性变换有指数变换法(增强原始图像的高亮度值部分)、对数变换法(增强图像的低亮度值部分)、高斯变换(增强图像中间灰度范围)及正切变换(可对图像的暗、亮区进行增强)。

直方图调整是通过改善图像的直方图形态来达到图像增强的目的。其原理是用一种变换函数作用于原始图像的直方图，使之变成具有某种特定亮度分布形态的直方图。这种方法着重于扩展高频数亮度值之间的间隔，使直方图中部所包含的地物反差得到增强，有利于地质体的区分。常用的直方图调整方法有直方图均衡化和直方图正态化等。

(2)比值增强

比值增强是通过不同波段的同名像元亮度值之间的除法运算，生成新的比值图像来实现的。比值处理对地质信息尤为敏感，成为遥感地质图像处理中广为应用的方法之一。其基本作用为:

1)可以扩大岩石和土壤的波谱差异，有利于这些地物的区分。

2)消除或减弱地形等环境因素对同类岩性的影响。

3)提取与矿化蚀变有关的信息。

4)比值彩色合成图像能够增强岩性和蚀变岩信息。

(3)主成分变换

主成分变换是多波段遥感图像增强常用的一种方法。它是一种基于图像统计特征的多维正交线性变换，变换后的新组分图像反映了地物总的辐射差异和某些波谱特征，同时还具有分离信息、减少相关、突出不同地物的作用。利用不同新组分图像进行彩色合成，可显着提高彩色增强效果，有助于岩性的区分。在实际应用中，也常用比值或差值图像与原始图像一起进行主成分变换，会有利于某些专题信息的提取。

(4)IHS变换

在色度学中，把彩色图像的RGB变换成亮度(I)、色度(H)、饱和度(S)称为IHS变换，而IHS变换成RGB称为反变换。利用IHS变换和反变换，可以进行多源遥感图像之间的信息融合、高度相关图像数据的色彩增强、图像的特征增强，以及改善图像空间分辨率等融合处理。如图4.1所示，对研究区内的环形构造、岩体和地层都起到了一定的增强作用。

图4.4 多波段相关性比值增强处理对比

图4.5 图像增强处理对比

(3)基于地物纹理的岩性识别

当岩性组成复杂，且分布尺度大于传感器的空间分辨率时，遥感图像就可能记录到地物的结构组成信息，其影像就存在着明显的纹理特征。当存在着有别于背景地物的纹理结构特征时，就可利用地物的光谱特征与纹理特征提取岩性信息。利用纹理识别岩性的方法步骤如下。

1)选择一定大小的移动窗口，计算不同地物的纹理特征，对待研究岩石类型的纹理特征与周围地物的纹理特征进行比较分析。主要纹理特征计算有:对数变差函数、平均欧式距法(一阶)、方差法(二阶)、斜度(三阶)、峰度(四阶)和共生矩阵法。从灰度共生矩阵中可以产生8种纹理测度，它们分别是局部平稳、对比度、相异性测度、均值测度、标准差、熵、角二阶矩及相关等。

2)分析研究岩石裸露区和背景地物之间的纹理指数和图像，寻找岩石类型与纹理特征的关联规律，采用合适的阈值，识别和提取岩石信息。

(4)基于形状知识识别岩性信息

1)增强地物之间的边界，提取出边界信息。进行形状指数的计算。主要测定基于周长和面积的指数、基于面积的指数以及基于面积和区域长度的指数。

2)根据岩石的形状知识指数值，对不同形状指数的岩性进行定性定位识别和提取，结合不同岩性的形状特征赋予一定的地质属性信息。

(5)主成分变换多层次信息分析识别岩性信息

基于主成分分析的多层次信息分解技术是增强地质岩性弱信息的一种常用方法，在岩性增强和识别中的实施过程如下。

1)多波段图像的统计特征分析。对多波段图像数据进行统计特征分析，计算波谱图像的灰度动态范围、均值与中值、波段图像的相关系数矩阵、波段图像的协方差阵。

2)求出多波段图像的协方差阵的特征值与特征向量，用特征向量构成KL变换的系数矩阵A。

3)主成分变换后处理。根据岩性识别目的和各主分量与矩阵向量间的关系分析，选择包含特定岩性信息的组分图像、包含专题信息组分图像的增强处理、组分图像的彩色合成处理以及组分图像与其他处理结果或波段图像的信息复合分析。

4)根据各主分量的分析结果，对主分量图像的各种后处理结果与单元结果对照进行影像目视解译，确定能够较好反映工作区岩性信息的主分量图像，选取它们做彩色合成或信息复合，增强影像上的地质岩性弱信息。

(6)IHS变换法增强岩性信息

对多波段图像选择适当的代数运算后所产生的新图像进行IHS变换，可起到突出岩性的目的。例如，利用TM波段比值进行IHS变换，可以识别火山岩地区的岩性和与矿化有关的蚀变特征。

1)用TM5/TM7，TM3/TM4，TM3/TM2比值分别赋红、绿、蓝进行IHS变换。

2)在变换处理后的图像上，Fe₂O₃含量高的玄武岩分布区呈醒目的褐色或红色色调，不同岩性的火山岩类有不同的色调，可以相互区分;含黏土类矿物和三价铁氧化物的矿化蚀变岩石分布区呈独特的黄色。

(7)对遥感图像进行最优多级密度分割提取岩性信息

目的是在植被稀少、基岩广泛裸露的干旱地区通过选择最佳遥感识别图像，通过最优多级密度分割，提取和识别岩石信息。

1)利用费歇尔准则对图像进行密度分割，通过直方图统计，找到使各分割段的段内离差总和最小、段间离差总和最大的分割法，称为图像的最优多级密度分割法。

2)对分割图像按灰度级由高到低分别赋以不同的颜色，对照区域地质图确定不同颜色的地质岩性属性信息。

(8)岩性的自动分类识别

在干旱、半干旱地区，利用遥感图像的光谱信息，使用非监督分类方法，可起到岩性自动识别和填图的目的。

以TM或ETM⁺数据为例，说明非监督分类方法主要实施过程:

1)从TM或ETM⁺多波段图像中选择3个三波段组合，使波段间相关性小且重复利用的波段最少。

2)对所有波段组图像用均衡反差增强技术进行反差增强，以优化每个波段的反差，消除彩色合成中可能出现的色彩偏差。

3)对每个三波段组合用RGB-IHS变换产生一个色度图像，然后分别进行合成，产生色度合成图像。

4)用三维特征空间交互集群技术对色度合成图像进行非监督集群分类。

5)用模板直方图匹配分类技术对分类图像进行空间再分类，以检测感兴趣类的结构和模式。

6)对分类图像用空间滤波法和小类别合并技术进行平滑处理和空间简化处理。

7)根据野外检查与类别的波谱曲线形态，参照地质图，将类别赋以岩性或按其他地物类型术语进行识别和描述。

8)进行交互式类别编辑。用类别区域编辑法将代表不同地带的不同岩性按位置进行分解，用类别分组法将相同岩性或地物类型一致的类别归入一组。

9)用边缘检测技术，检测地物类别边缘。

10)对调整后的分类图像进行交互式着色，并将反映地形背景的强度图像叠加到岩性分类图中，形成岩性影像图。

(9)基于岩块分类的岩石类型识别

适用于干旱、半干旱基岩裸露区岩石类的识别。以TM数据为例具体说明主要实施过程:

1)对TM图像进行地形校正，生成数字视反射率图像R₁、R₂、R₃、R₄、R₅、R₇。

2)用TM6与R₁～R₇进行空间集群法非监督分类，编制平面分类图。

3)用TM6与R₁～R₇数据进行监督分类，首先用已知样本作为训练区，训练区样本为厚层单岩性岩块、简单岩性组合岩块，复杂岩性组合岩块和标志性薄层岩块，然后逐个像元提取同类目标并编制平面图。

4)对分类图像中的各类别进行均值、最小、最大值，标准差、协方差等参量统计。

5)进行纹理分析及分类，编制纹理类型平面图。

6)对非监督分类、监督分类及纹理分类平面图进行叠合，通过人机交互目视解译归并整理，编制岩石遥感类型平面图。

7)岩石填图。将已知岩石属性信息填绘于同类的空白区域中，未知空白区域待野外检查确定岩性属性后填入。

(10)用高光谱资料来识别岩性

利用成像光谱资料，定量检测岩石和单种或多种矿物的波谱特征，提取和识别岩性和矿物信息，编制专题岩性和矿物图件。主要实施方法是:

1)确定工作区岩性和矿物的一些标志性波谱特征。

2)利用高光谱成像数据提取地物的波谱曲线，与岩石的野外光谱曲线和某些标志性矿物的实验室实测典型曲线对比，半定量地确定岩性和标志性矿物的存在。

3)通过岩性和标志性矿物的检测，达到找矿和编制岩性分布图的目的。

4.3.2.2 断裂构造及地质界线图像增强处理

主要利用空间滤波、自动线性提取等方法增强或提取断裂构造信息。

(1)空间方向滤波方法

对原始图像进行方向滤波，突出某一方向的纹理信息，增强地质体的空间结构。

1)按其所需要的方向信息确定滤波算子见表4.1。

2)对多波段图像进行主成分变换，利用定向滤波法对第一主分量图像进行边缘梯度增强。

3)增强图像的局部边缘梯度，压制整个图像的反差，再结合一些平滑处理方法对构造蚀变带和环形构造进行增强。

4)图像反差扩展。采用拉伸、直方图变换、比值、滤波等，突出图像中的线、边缘、纹理结构特征，增强岩性、线形构造和环形构造影像特征。

5)高通滤波增强空间频率高的地表形迹，提取几十到几百米的线性体(如节理、裂隙和断裂等一些地质构造形迹);低通滤波增强空间频率低的地表形迹，提取延伸长、规模大的断裂带和蚀变带等地质形迹。

6)用高斯卷积滤波突出地质体边界轮廓细节，区分纹理差异大的岩体。

(2)傅里叶功率谱纹理增强法

1)取一定大小的窗口图像，分别作行、列傅氏变换。

2)求功率谱矩阵，作对数变换。

3)计算纹理测度，形成纹理图像。

4)纹理图像解译，提取线性体信息和岩性地质界线。

(3)图像纹理统计法

通过纹理特征变化推测断裂活动的差异、岩石成分的变化等，圈定活动断裂带范围，解释断裂活动方式。

(4)线、环状影像特征法

1)对图像进行高通滤波和线状影像增强

2)从22.5°～67.5°、67.5°～112.5°、292.5°～337.5°及337.5°～22.5°四个方向进行方向滤波。

3)计算单位面积(2.5km×2.5km)线状影像密度及等密度图。

4)对线、环状影像平面图进行目视分析，筛除非地质边缘点，并进行叠合与归并，划分线状影像区、带和等级，环状影像之间的空间结构及其组合关系。

5)进行线、环状影像地质属性解译。

(5)线性体自动提取法

1)采用定向滤波法对多波段图像的KL变换第一分量进行边缘梯度增强。

2)对梯度图像进行二值化处理，提取边缘点图像。

3)人机交互去掉干扰和孤立的边缘点。

4)利用Hough变换进行线性体的连接和统计，输出线性体分布图和密度图。

5)线性构造提取与地质分析。

(6)图像亮温法

选择适当季节和时间的热红外遥感图像，以热红外波段图像的亮温分布的极值线为标志，提取构造信息。

(7)多重主成分分析方法

首先应用各种方法，包括一般主成分分析、选择主成分分析(特征主成分选择)、波段比值等，尽可能提取图像中较弱的地质构造信息，然后提取显示最好或较好的专题信息，进行二次处理。处理方法包括两种:一是进行不同的彩色组合或叠加，以突出专题信息;二是选取对专题信息提取最有利的结果和原始波段再次进行主成分分析，进行地质信息的二次提取和增强。

(8)基于融合处理的构造信息提取方法

不同传感器获取同一地区的图像，由于其波长范围不同、几何特性不同、分辨率不同等因素而具有不同的应用特点，基于不同传感器图像的融合处理，可以综合不同传感器图像的优点，提高对构造信息的识别能力。下面以TM和SAR图像融合处理为例进行说明。

1)首先，对SAR图像滤波，进行噪声消除。

2)其次，把单波段SAR图像和多光谱TM图像进行几何配准和融合，TM3、4、5进行IHS变换，用滤波后的SAR图像代替I分量，做IHS反变换，再用TM3、4、5与SAR图像作主成分变换，最后将IHS反变换得到的G分量、TM4波段和主成分变换的第一主分量图像进行彩色合成，作为地质解译图像。

3)融合后的图像可以直观地提取断裂构造信息，利用SAR图像一定的穿透性，可以提取隐伏断裂构造信息。

4.3.2.3 区域地质稳定性的综合处理与遥感信息的辅助提取

1)获取多时相多平台遥感卫星数据，收集地面控制点数据和区域地质环境资料。

2)进行图像几何精校正和配准处理。首先，对地形图进行高精度扫描，形成数字图像;然后，对数字地形图进行投影变换、配准和镶嵌，进行区域图像的合成与镶嵌;最后，建立地质活动区域的DEM和三维地形地貌可视化影像。

进行人机交互解译。以精校正的数字卫星图像为基础，一方面进行增强构造活动带、滑坡及其发育环境信息的各种图像处理;一方面进行目视解译，确定区域地质稳定性信息，在计算机上定位，划分边界、制作图形。获取遥感解译信息，综合其他环境资料和综合处理进行分析、比较和修改。

4.3.2.4 隐伏地质信息提取与增强

利用重磁资料与不同类型的遥感图像复合处理技术提取隐伏地质信息。

1)利用重磁网格数据和三维欧拉反褶积方法确定地下构造位置(边界)和深度。

2)利用遥感图像解译地表的构造特征，将重磁数据提取的相应位置的构造信息叠加到遥感构造图像上，把不同深度的构造在图像上分别表现出来，利用图像上构造的不同深度信息，辅助进行隐伏地质体和构造带信息提取。

4.3.3 遥感地质信息自动提取方法

计算机自动信息提取的目的是把地质专家用于目视解译的知识定量化表达，从根本上实现知识参与的自动提取。现有的计算机自动信息提取方法主要包括:光谱特征模型法、计算机自动分类法和基于空间数据挖掘与知识发现信息提取方法。

4.3.3.1 光谱特征模型法

一般利用统计回归建立一个遥感信息模型，根据具体图像的实际情况不断对模型参数进行调整，最终使模型适用于该影像。遥感信息模型是在现有地面实验基础上提炼出来的地物的反演模型，由于图像数据影响因素很多，因此地物在卫星图像上的反映并非与地面实测数据一一对应，把遥感信息理论和实际图幅影像有效结合在一起来进行专题信息自动提取，应用范围和精度都很有限。岩石地层单元建模技术就是一种光谱特征模型法。具体步骤如下。

1)把一些具有特殊影像特征的矿源层、赋矿地层以及诸如含多元素黑色炭质页岩、蛇绿岩带、混杂岩带和超基性岩体等岩石地层作为一种基本单元，它们的多波段遥感像元灰度值是波段的函数，不同单元具有不同的函数曲线。

2)对有一定地质意义的单元进行光谱特征统计，确定特定单元在各波段的亮度范围和同一单元类别在多维空间的聚集性。

3)根据单元类别的变差参数(均值和标准差)，建立基于遥感图像亮度值区间的岩石地层单元模型，输入的阈值参数和多波段遥感数据，自动提取岩石地层单元信息。

4.3.3.2 分类方法

在遥感信息自动提取方面，分类方法占有重要地位。其核心是对遥感图像进行自动分割。现有的计算机自动分类方法，主要利用的是遥感图像数据，虽然有时可以自动加入其他方面的地学知识，但远没有充分利用人脑在分析图像时所应用的知识，因此很难达到很高的精度。利用分类方法进行岩性自动填图是遥感图像处理中最复杂、最难的一个问题，而对于像植被、水体、土地和冰雪等一些大面积分布均匀的特定目标信息的提取，自动分类可起到良好的应用目的。

4.3.3.3 基于数据挖掘和知识发现技术

基于数据挖掘和知识发现技术理论的遥感专题信息自动提取，其基本内容包括知识的发现、应用知识建立提取模型，利用遥感数据和模型提取遥感专题信息。在知识发现方面包括从单一遥感图像上发现有关地物的光谱特征知识、空间结构与形态知识、地物之间的空间关系知识;从多时相遥感图像中，除了可发现以上知识外，还可以进一步发现地物的动态变化过程知识;从GIS数据库中发现各种相关知识。利用所发现的某种知识、某些知识或所有知识建立相应的遥感专题信息提取模型，利用遥感数据实现从单知识、单模型的应用到多知识、多模型的集成应用，从单数据的使用到多数据的综合使用的自动信息提取。

④ 遥感图像的灰度增强

遥感图像灰度增强是一种点处理方法，主要为突出象元之间的反差（或称对比度），所以也称“反差增强”、“反差扩展”或“灰度拉伸”等。

目前几乎所有遥感图像都没有充分利用遥感器的全部敏感范围，各种地物目标影像的灰度值往往局限在一个比较狭小的灰度范围内，使得图像看起来不鲜明清晰，许多地物目标和细节彼此相互遮掩，难于辨认。通过灰度拉伸处理，扩大图像灰度值动态变化范围，可加大图像象元之间的灰度对比度，因此有助于提高图像的可解译性。灰度拉伸方法有线性拉伸、分段线性拉伸及非线性拉伸（又称特殊拉伸）等。

1.线性拉伸

线性拉伸是最简单的一种拉伸算法。假设原图像的灰度值动态范围为［a₁，a₂］待扩展的灰度值动态范围为［b，b₂］，必有：b₂＞a₂；b₁＜b₂（参见图5-11）。

中亚地区高光谱遥感地物蚀变信息识别与提取

上式表明，直方图调整的关键是要得到变换函数T（r_A）或T^-1（r_B）。但建立这样的函数很不容易。在实践中，常常采用一种近似而又简便的方法，即以均衡化直方图作为原直方图和指定直方图的过渡形式来协调两者的关系。由于直方图均衡化是一种规格化的形式，因此变量的映射容易实现。最后可根据映射结果来调整原直方图P_A（r_A），从而得到指定的新直方图P_B（r_B）。

⑤ 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。

⑥ 实验七 遥感图像反差增强处理

一、实验目的

了解ENVI设置的主要反差增强处理功能及其技术操作实现，重点掌握线性对比度拉伸（Linear Contrast Stretch）反差增强处理和分段线性对比度拉伸（Piecewise Linear）反差增强处理的控制参数设置、动态调整和应用，通过效果和差异比较分析，加深对反差增强原理的理解。

二、实验内容

（1）操作ENVI预设的四类反差增强处理方法——线性增强、高斯增强、直方图均衡增强和平方根增强，比较其效果；

（2）遥感数字图像的直方图制作与分析；

（3）单波段遥感图像线性对比度拉伸处理；

（4）单波段遥感图像分段线性对比度拉伸处理。

三、实验要求

预习本实验，认真观摩老师演示。四项实验内容均需完成，而且要按照顺序进行，即直方图制作与分析、线性对比度拉伸（Linear Contrast Stretch）和分段线性对比度拉伸（Piecewise Linear）顺序进行。测量结果存档。编写实验报告。

四、技术条件

①微型计算机；②桂林市TM 1～7波段数据；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

（1）数据输入。选择“File>Open Image File”，出现文件目录窗口，将桂林市TM 1～7波段数据调入“Available Bands List”窗口，待处理之用。

（2）操作ENVI预设的四类反差增强处理方法：光标点击图像主窗口上方的“Enhance”（增强处理），打开其下拉菜单，其中的[Image]、[Zoom]和[Scroll]三段区域内，从上到下都列出了线性、高斯、直方图均衡和平方根增强四种反差增强处理方法。用鼠标点击其中一种方法的名称，主窗口的图像即实现该种方法增强处理的图像结果。可以在ENVI运行状态下，通过逐一开新窗口排列显示各种增强处理结果。可以在ENVI运行状态下，通过逐一打开新窗口排列显示各种增强处理结果，以便比较。也可以将每种增强结果输出为JPEG格式图像，然后用Photoshop软件打开它们来进行集合分析，如图7-1所示。

图7-1 ENVI预设的反差增强处理方法窗口

Linear为线性增强，Gaussain为高斯增强，Eqauilzaiton为直方图均衡增强，Square Root为平方根增强

（3）直方图制作：打开TM7波段图像，在显示主窗口上方的命令栏中，选择“Enhance>Interactive Stretching”，出现线性对比度拉伸对话框，如图7-2所示。图中，窗口左边框内为TM7波段图像的灰度统计直方图（Input Histogram）。其中，横坐标左端标注的0为最小值，右端标注的92为最大值。纵坐标为每种灰度值占图像全部灰度值的比例，数值范围为0～1。图中，TM7图像的灰度直方图具有左偏单峰的特征，表明影像灰度值主要来自一个统计母体，但灰度数值偏小，因而图像偏暗。

图7-2 线性对比度拉伸对话框

（4）线性对比度拉伸：所谓的线性对比度拉伸，就是将图像灰度的动态范围扩大，即由原来的[0,92]范围——左图中的两条垂直虚线之间的范围，扩展到[0,255]范围。由对比度增强计算公式知道，随着图像灰度动态范围扩大，图像反差就增大，从而图像就变得清楚了。图7-2右边的图为经过拉伸处理后被增强图像的灰度直方图。此时直方图用数值的红色线条表示。可见其在横轴上的展布范围要比没拉伸前（即左边直方图）要宽得多。

由左直方图还可见，该波段图像的亮度概率分布只局限在很窄小的一个动态范围内。图中横轴左右两端的数值表示没经处理前该波段图像亮度的极小值和极大值。在直方图峰值区两侧的两道垂直虚线，是手控的极小值和极大值。该两虚线与横坐标的交点，是ENVI自动识别的（默认的）需要扩展的亮度动态范围。通过鼠标移动这两条垂直虚线，可以调整直方图到用户所需的亮度动态范围。下面需要做的事是：

1）根据直方图形态及位置特征，判断该图像属于哪一类清晰程度的图像，判断结果填写在表7-1中，

补充知识：直方图有两个峰值时，表明遥感图像的亮度值由两个统计母体组成；有三个或三个以上峰值时，表明遥感图像的亮度值由三个或三个以上的统计母体组成。

2）根据图形横坐标读取该动态范围区间的数值，填写在表7-1中；

3）移动两条垂直虚线到不同位置，可以获得不同增强效果的影像，将扩展后图像清晰度效果填写于表7-1中。

注意：每完成一次扩展处理，必须在“Available Bands…”窗口中，通过选项“File>Closed Selected File”关闭该波段图像。

表7-1 桂林市TM 1～7波段线性对比度拉伸

4）存储直方图。在直方图显示栏中进行如下操作：“File>Save Plot As>Imag File…”，在“Output File Type”选项中，选择JPEG输出格式。通过【Choose】按钮，输出直方图到指定的文件夹，取名为Plot-x.JPG,x为对应于图像的波段号。

5）对TM1,2,3,4,5,6重复第1）～第4）操作步骤。建立TM1,2,3,4,5,6的直方图的WORD文件，按照每行两个直方图编辑排版。

（5）分段线性对比度拉伸。

分段线性对比度拉伸可以通过使用鼠标在输入直方图中旋转几个点进行交互地限定，各点之间的部分采用线性拉伸，具体操作步骤如下：

1）在线性对比度拉伸对话框中选择“Stretch_Type>Piecewise Linear”，将会出现分段线性对比度拉伸对话框，如图7-3所示。

图7-3 分段线性对比度拉伸对话框

2）在分段线性对比度拉伸对话框中“Input Histogram”直方图的任何位置点击鼠标中键，从而为转换函数增加一个节点，绘制的线段将把端点和绘制的节点标记连接起来。

3）要移动一个点的位置，在标记上点击鼠标左键，然后把它拖放到一个新位置。

4）要删除点，在标注上点击右键。

5）点击【Apply】按钮，完成分段线性变换处理。

六、实验报告

（1）简述实验过程。

（2）回答问题：①ENVl设计了哪些反差增强处理方法？②正偏、负偏、狭窄和平直形态的图像亮度直方图分别对应着遥感图像的什么问题？③根据表7-1数据结果，解释为何通过调整直方图——拉宽ENVI显示的遥感图像直方图峰值区两侧的两条垂直虚线就可以使遥感图像增强？④通过对分段线性变换增强处理的操作实验，你觉得该处理除能做图像增强外，对遥感图像信息处理还有何作用？

实验报告格式见附录一。

⑦ 遥感图像处理的图像增强的方法有哪些

影像缩小与放大、空间剖面、光谱剖面、对比度增强（线性、非线性）、波段比、空间滤波（空间卷积、傅立叶变换）、主成分分析、植被变换、纹理分析

⑧ 遥感图像处理的处理方法

是提高遥感图像的像质以利于分析解译应用的处理。灰度增强、边缘增强和图像的复原都属于图像的整饰处理。
是将卫星图像的像元虽然用256个灰度等级来表示，但地物反射的电磁波强度常常只占256个等级中的很小一部分，使得图像平淡而难以解译，天气阴霾时更是如此。为了使图像能显示出丰富的层次，必须充分利用灰度等级范围，这种处理称为图像的灰度增强。
常用的灰度增强方法有线性增强、分段线性增强、等概率分布增强、对数增强、指数增强和自适应灰度增强6种。
1、线性增强：把像元的灰度值线性地扩展到指定的最小和最大灰度值之间；
2、分段线性增强：把像元的灰度值分成几个区间，每一区间的灰度值线性地变换到另一指定的灰度区间；
3、等概率分布增强：使像元灰度的概率分布函数接近直线的变换；
4、对数增强：扩展灰度值小的像元的灰度范围，压缩灰度值大的像元的灰度范围；
5、指数增强：扩展灰度值大的和压缩灰度值小的像元的灰度范围；
6、自适应灰度增强：根据图像的局部灰度分布情况进行灰度增强，使图像的每一部分都能有尽可能丰富的层次。 是一种重要的图像处理方法，其基本原理是：像元的灰度值等于以此像元为中心的若干个像元的灰度值分别乘以特定的系数后相加的平均值。由这些系数排列成的矩阵叫卷积核。选用不同的卷积核进行图像卷积，可以取得各种处理效果。例如，除去图像上的噪声斑点使图像显得更为平滑；增强图像上景物的边缘以使图像锐化；提取图像上景物的边缘或特定方向的边缘等。常用的卷积核为3×3或5×5的系数矩阵，有时也使用7×7或更大的卷积核以得到更好的处理效果，但计算时间与卷积核行列数的乘积成正比地增加。
图像的灰度增强和卷积都是直接对图像的灰度值进行处理，有时称为图像的空间域处理。 在数字信号处理中常用离散的傅里叶变换，把信号转换成不同幅度和相位的频率分量,经滤波后再用傅里叶反变换恢复成信号，以提高信号的质量。图像是二维信息，可以用二维的离散傅里叶变换把图像的灰度分布转换成空间频率分量。图像灰度变化剧烈的部分对应于高的空间频率，变化缓慢的部分对应于低的空间频率。滤去部分高频分量可消除图像上的斑点条纹而显得较为平滑，增强高频分量可突出景物的细节而使图像锐化，滤去部分低频分量可使图像上被成片阴影覆盖的部分的细节更清晰地显现出来。精心设计的滤波器能有效地提高图像的质量。经傅里叶变换、滤波和反变换以提高图像质量的处理，有时称为图像的空间频率域处理。

⑨ 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

⑩ 遥感图像的边缘增强

遥感系统成像过程中可能产生的“模糊”作用，常使遥感图像上某些用户感兴趣的线性形迹、纹理与地物边界等信息显示得不够清晰，不易识别。上节所述的各种通过单个象元灰度值调整的处理方法对此均难以奏效；需采用邻域处理方法来分析、比较和调整象元与其周围相邻象元间的对比度关系，图像才能得到增强，也就是说需要采用滤波增强技术处理。

图5-17 频率域滤波过程示意图

u，υ为频率域变量，u=0，1，2，3，…，M-1；υ=0，1，2，3，…，N-1。

频率滤波增强图像的边缘和细节信息时，这类信息在图上反映的连续性较突出，对比度增大，但如果地面没有明显的形迹显示。信息反映得相当分散和微弱，则通过频率域滤波的效果也不一定好，这时往往需要采用多波段图像组合等处理才有可能取得较好的效果。频率域滤波除上述低通滤波和高通滤波之外，还有带通、带阻滤波和同态滤波等，后者是一种在频率域能同时压缩图像亮度范围，又增强图像各部分之间对比度的方法，各有不同的适用范围和增强效果。