遥感图像增强方法应用
(广西气象减灾研究所 广西南宁 530022)
1、引 言
人类从眼睛获取信息占人体器官获取信息的90%以上,虽然人眼能看到很多东西,但其实我们看到的只是波长为0.38~0.8μm可见光部分,是电磁波的极小部分。遥感技术的应用是人类视觉在波谱范围上的扩展和从物体表面向内部的延伸。即使在可见光部分,人眼可区分的色彩约三千多种,但对于黑白图像,人眼能区分的灰度级只有二三十个;而在非可见光波段,需要将原始图像的灰度值转换到0~255灰度区间才有利于人眼观察。但是如果我们以256个灰度级来描述一幅黑白遥感图像,我们获得的原始图像的灰度值很难均匀分布在0~255之间,而是常常集中在某一段灰度范围之内,图像的反差小,对比度差,不利于人眼的分辨[1],所以我们需要对遥感图像进行增强处理。
2、遥感图像增强算法
图像增强指利用各种数学方法和变换算法提高图像中的对象与非对象的对比度与图像清晰度,对象指所研究目标,非对象指对象以外的背景,从而突出人或其它接收系统所感兴趣的部分,而遥感图像增强则指用各种数学方法和变换算法提高某灰度区域的反差、对比度与清晰度,从而提高图像显示的信息量,使图像有利于人眼分辨。
图像增强的方法主要又两大类:空间域法和频率域法。空间域法主要是在空间域直接对图像的灰度系数进行处理;频率域法是在图像的某种变化域内,对图像的变化系数值进行某种修正,然后通过逆变换获得增强图像。频率域法属于间接增强的方法,低通滤波、同态图像增强均属于该类;空间域法属于直接增强的方法,它又可分为灰度级校正、灰度变换和直方图修正,直方图均衡属于空间域单点增强的直方图修正法。下面介绍的几种方法属于空间域法。
2.1 基于线性拉伸的图像增强
线性拉伸[1]是将范围为[a,b]数字图像的灰度f(x,y)变换为范围为[c,d]的灰度g(x,y),如图1所示。
图2.1 灰度输入输出变换简图
线性拉伸的变换数学公式为:
(1)
如果遥感数据的f(x,y)的范围是[a,b],那么要将遥感数据生成图像并且在计算机上显示出来,则需要将f(x,y)变换为g(x,y),其中g(x,y)的范围为[0,255],则其数学变换公式为:
使用线性拉伸增强对遥感数据进行,增强后的图像直方图跟原始数据的直方图是相似的。
2.2 基于分段线性拉伸的图像增强
分段线性增强[2]是将图像灰度f(x,y)的区间分割为若干区间,然后对每个区间进行线性拉伸,常用的是分三段线性变换,假设原图像灰度的范围为(MINf,MAXf),则把图像分割为三段(MINf,a)、(a,b)、(b,MAXf),分别拉伸到对应三个区间(MINg,c)、(c,d)、(d,MAXg),通过调节a,b,c,d可以对任意区间的分线段斜率进行调节,如图2所示。
图2.2 分段增强示意图
对于遥感数据,遥感数据的范围为(MINf,MAXf),分为三段(MINf,a)、(a,b)、(b,MAXf)分别做线性增强到(0,c)、(c,d)、(d,255)三个灰度区间,变换公式为:
(3)
采用分段增强,可以将感兴趣或者重要的灰度区域拉伸,使该区域的信息量增大,同时抑制了不感兴趣或者不重要的区域。
2.3 基于直方图均衡的图像增强
直方图均衡也称为灰度均衡[3],目的是通过点运算,使得输入图像转换为直方图是平的图像(即每个灰度级上都有相同的像素点个数)。
按照概率密度函数(归一化到单位面积的直方图)的定义:
(4)
其中ρ(x)概率密度函数,为H(x)为图像的直方图,A0为图像的面积。
假设转换前图像的概率密度函数为,转换后图像的概率密度函数为,转换函数为s=f(r)。我们可以得到:
(5)
为了使转换后图像的概率密度曲线是平的,即=1,则必须满足:
(6)
等式两边对r积分,可得:
(7)
转换公式s称为图像的累积分布函数。
对于没有归一化的情况,只要乘以最大的灰度MAXg,即得到灰度均衡的转换公式:
(8)
对于离散的遥感数据,如果其像元灰度值DA的范围为(MINf,MAXf),转换的灰度范围为(0,255),则可得转换的公式为:
(9)
式中,Hi为遥感数据中值为i的像元个数,DB为像元灰度DA经过转换后得到的灰度。使用直方图均衡增强,使得图像的直方图呈均匀分布,此时图像所包含的信息量为最大;同时,若一幅图像的直方图呈均匀分布,人眼观看图像时,就有全图清晰、明快的感觉。
3、几种增强方法的效果对比
3.1 实际开发应用
基于上述算法,在WINDOWS XP操作系统,VC开发环境下进行开发试验,通过一副NOAA AVHRR数据的二通道数据将上述算法进行比较。比较效果如下:
图3.1 二通道数据直方图
|
|
图3.2 基于线性拉伸的遥感图像
|
图3.3 线性拉伸后的灰度直方图
|
|
|
图3.4 基于分段增强的遥感图像
|
图3.5 分段增强后的灰度直方图
|
|
|
图3.6 基于直方图均衡的遥感图像
|
图3.7 均衡增强后的灰度直方图
|
3.2 效果对比分析
图3.1为AVHRR二通道数据直方图。线性拉伸后效果如图3.2,灰度直方图如图3.3,进行线性拉伸后的灰度直方图与数据直方图是基本相似,但是图像整体对比度不强。
图3.4是经过分段增强后的图像,其灰度直方图如图3.5所示,被增强的数据段的灰度分布于0~254的灰度等级,而被忽略的数据的灰度则为0或者255,分段增强能够很好的将感兴趣的数据段增强出来,充分显示其包含的信息。
图3.6是经过直方图均衡增强的图像,其灰度直方图如图3.7所示,直方图均衡增强后图像的特点是整体对比度很强,图像比较美观,但是会造成灰度的“吞噬”使遥感图像信息有所丢失,特别是当原始遥感数据的质量比较差、数据动态范围小、直方图分布极不均匀时,进行直方图均衡增强运算或者进一步进行直方图规定化,变换后的图像层次感更差,更易丢失信息[4]。
4、结束语
卫星遥感在生态环境监测中发挥着重要的作用,其影像图的质量直接影响监测的效果以及产品的质量,利用数字图像处理技术,能有效提高卫星遥感影像图的质量。上述介绍气象卫星的图像处理技术和方法,已被应用于“基于MODIS卫星数据的广西洪涝、干旱、火情遥感监测业务平台”研发中,并取得了令人满意的效果。
参 考 文 献
[1] 殷年.基于线性拉伸的遥感图像处理.光电子技术与信息,1998
[2] 黄涛.数字图像的增强.肇庆学院学报,2004,4,23~27
[3] 何斌、马天予、王运坚,朱红莲.Visual C++数字图像处理[M].北京:人民邮电出版社,2002
[4] 李耀辉、刘保军.基于直方图均衡的图像增强.华北科技学院学报,2003
转载地址:http://www.digitalgx.com/article/RS/rs22.htm
转载于:https://www.cnblogs.com/lanzhi/archive/2007/11/28/6471287.html
遥感图像增强方法应用相关推荐
- ENVI实验教程(5) 实验五、遥感图像增强
实验五.遥感图像增强 一.实验目的 掌握空间域.辐射域.光谱域增强的原理与方法步骤: 掌握波段组合的原理与方法. 掌握ENVI直方图拉伸.空间卷积运算.光谱变换.波段运算和彩色合成等基本图像增强操作. ...
- 基于颜色直方图优化的图像增强方法
最近改图像颜色迁移的论文,审稿人要求补充基于直方图优化的方法细节.趁此机会,我重新下载了相关文献,决定重新学习下该类方法,并把一些细节记录在本篇博客中,供交流学习. 目录 1. 前言 2. 背景知识 ...
- python 读取geotiff_科学网—利用python GDAL库读写geotiff格式的遥感影像方法 - 张伟的博文...
(1)利用python GDAL库读写geotiff格式的遥感影像方法,具有很好的参考价值,不错! from osgeo import gdal import numpy as np def read ...
- 用于夜视和监控的图像增强方法
用于夜视和监控的图像增强方法 目录 用于夜视和监控的图像增强方法 摘要 介绍 2.夜视图像增强方法 3.实验结果 4.讨论 论文<Experiments on image enhancement ...
- python读取tiff影像_科学网—利用python GDAL库读写geotiff格式的遥感影像方法 - 张伟的博文...
(1)利用python GDAL库读写geotiff格式的遥感影像方法,具有很好的参考价值,不错! from osgeo import gdal import numpy as np def read ...
- 叶面积指数(LAI)介绍以及遥感估算方法
前言 叶面积指数精度是正确预测产量的重要参数之一. 同时,还有那么多疑问,如何才能正确? 以及如何使用最有效的方法计算叶面积指数(LAI)? 什么是最佳 LAI? 哪些估算叶面积指数精度的方法比较好? ...
- 一种具有细粒度和多尺度的多源跨模态遥感图像检索方法
一种具有细粒度和多尺度的多源跨模态遥感图像检索方法 前言 一.背景介绍 二.算法介绍 1.非对称的跨模态多尺度图像多源检索算法 (AMFMN) 2.基于先验相似度的动态margin调整策略 3.更加细 ...
- 一种简单快速有效的低照度图像增强方法
一种简单快速有效的低照度图像增强方法 一.本文介绍的是一种比较实用并且去阴影效果很好的方法,选自2004年Tao的一篇论文,名称是<An Integrated Neighborhood Depe ...
- 图像处理秘籍:12种图像增强方法。【附代码】
最全汇总:12种图像增强方法 一.对比度与亮度增强 二.直方图均衡化 1.自定义的累计频率均衡法: 2.opencv自带的equalizeHist() 3.自适应的局部直方图均衡化 三.指数变换增强 ...
最新文章
- 【视频】视频传输协议:RTSP、RTP、RTCP、RTMP、HTTP
- c与python的区别-C++/C/JAVA/Python之间的区别?
- shell注释与赋值
- html css 核心设计理念
- ubuntu虚拟机安装Gitlab后出现“Whoops, GitLab is taking too much time to respond.”
- 判断图像局部过暗_数字图像处理(第五章)
- file* linux,Linux基础——file命令与magic file
- 首发:成功解决MediaCodec中decoder超过720出错的问题
- Python:计算器(代码全+解析+实现结果)
- python爬虫实例
- 用Python玩转二维码
- Cadence Orcad Capture全局修改元件属性方法及技巧图文及视频演示
- MOOC(massive open online courses)
- 【android】调用系统app打开word文档遇到的问题
- 读取身份证信息系统的程序编写
- 2022生物降解塑料展|广州可降解塑料展
- uniapp 简陋易懂版仿抖音视频播放
- 列表框和组合框的使用
- 动态ip与静态ip的区别是什么?
- “第二届智创未来 探寻中国新锐创新企业典范”活动正式启动