遥感图像处理与分析
（十）
Remote Sensing Image
Processing
and Analysis
第十章图像的彩色和多光谱处理
主要内容：
彩色图像处理基本方法
遥感多光谱影像处理
彩色图像
人眼对于彩色的观察和处理是一种生理和心理现象，其机理还没有完全搞清楚，因而对于彩色的许多结论都是建立在实验基础之上的。
对彩色图像的处理是基于对其适当的描述方法，每种处理方法都有其特定的应用场合。
颜色是什么
?视觉系统对可见光的感知结果
可见光是波长在380～780 nm之间的电磁波，我们看到的大多数光不是一种波长的光，而是由许多不同波长的光组合成的，因此有多种颜色的感觉；
?颜色只存在于眼睛和大脑
人的视网膜有对红、绿、蓝颜色敏感程度不同的三种锥体细胞；
杆状体细胞在光功率极低的条件下才起作用；
?在计算机图像处理中，三种锥体细胞扮演重要角色，杆状细胞则未扮演什么角色
视觉系统对颜色感知的特性
?眼睛本质上是一个照相机
人的视网膜(human retina)通过神经元感知外部世界的颜色，每个神经元是一个对颜色敏感的锥体(cone)
?红、绿和蓝三种锥体细胞对不同频率的光的感知程度不同，对不同亮度的感知程度也不同
这就意味着，人们可以使用数字图像处理技术来降低表示图像的数据量而不使人感到图像质量有明显下降。
?从理论上说，自然界中的任何一种颜色都可以由R，G，B这三种颜色值之和来确定，它们构成一个三维的RGB矢量空间
色彩的形成与分布
光学原理解释的色彩的形成
二维数字图像:两个空间变量的灰度值函数。 多光谱图像:两个空间变量和一个光谱变量(光的波长的函数）的灰度值函数,对应于电磁谱的不同波段生成一组三维图像。
彩色图像：当光谱采样限制到三个波段，即对应于人类视觉系统敏感的红、绿、蓝光谱段时的多光谱图像。
色彩的形成与分布
绿
白
红
蓝
黄
紫
青
几种常用的表色系
颜色的描述是通过建立色彩模型来实现的，不同的色彩模型对应于不同的处理目的。对应于不同的研究目的，便产生了为其提供最方便的几种彩色描述方法。
彩色分量表示系：RGB
强度－色彩表示系：HIS
色差表示系：YUV、YCbCr
各种不同的颜色模型之间可以通过数学方法互相转换。
RGB色系
CIE规定了以700nm(红)、546.1nm (绿)、435.8nm (蓝)三个色光为三基色。又称为物理三基色。近似的认为自然界的所有颜色都可以通过选用这三基色按不同比例混合而成。
HSI色系
这种彩色系统格式的设计反映了人类观察彩色的方式。如：红色又分为浅红和深红色等等。
“I”亮度分量
I表示光照强度或称为亮度，它确定了像素的整体亮度，而不管其颜色是什么。
I: 小大
亮度“I”效果示意图
“H”色度分量
H：表示色度，由角度表示。反映了该颜色最接近什么样的光谱波长。0o为红色，120o为绿色，240o为蓝色。
色度“H”的效果示意图
H=0oH=60oH=120oH=180oH=240oH=300o
“S”饱和度分量
S：表示饱和度，饱和度参数是色环的原点到彩色点的半径长度。
在环的外围圆周是纯的或称饱和的颜色，其饱和度值为1。在中心是中性（灰）色，即饱和度为0。
S
饱和度“S”的效果示意图
S=1/4S=1/2
S=0S=1
多光谱图像 图像理解是在数字图像处理、计算机技术和人工智能不断发展的基础上产生的一种模拟人的图像识别机理的理论，它与计算机视觉理论有许多共同的部分，或者说有许多交叉的部分，它与人工智能、专家系统也有着一些共同的地方。 图像理解主要包括三个层次，其低层为一般图像处理；中层为图像中特征的符号化组织过程；高层为抽象的符号推理。因此，计算机视觉主要与其低层，人工智能主要与其高层产生重叠。目前，就图像理解这一理论的研究探讨有了专门的期刊；有关大学设置了专门的课程；有关专家学者写了专著。比如国防科技大学的王润生教授就系统地介绍和总结了图像理解的基本理论、方法和国内外研究现状等〔1〕。这一方面的基础理论和方法引起了有关学者和科研人员的注意和浓厚兴趣，他们结合自己的工作领域，进行了更深入的研究。应当说，有关的理论和方法已经被极大地丰富了。比如，有关图像纹理分析这方面的论文、论著数不胜数，其中，有关新理论新方法(如分形分维方法)的应用，更为这一理论注入了新内容；再如，我国数字摄影测量界已经将“双目”图像的分析理论和方法推向了具有世界先进水平的境界。 尽管如此，图像理解的理论与方法仍有严重不足之处。这并不是指这一理论尚未成熟，而是指它的理论与方法还存在着片面性，还没有成为一个完整的体系。因为图像理解的对象是各类图像，并没有限定是某一类图像，那么，现在的问题就是遥感图像理解(主要是多光谱图像理解)的理论十分贫乏。以人类生存环境及地球资源为主要研究目标获取的各种遥感图像已经得到越来越广泛的应用，丰富的光谱信息及其在时间空间域的分辨率的提高，配合着地理信息系统技术，全球定位系统技术和因特网技术的发展和普及，为图像信息的广泛应用创造了空前繁荣的局面，成为信息时代的显著特征，在信息高速公路和数字地球战略中占据着极其重要的地位。然而，现有的图像理解理论和方法在如此丰富的信息面前却显得苍白无力。应当说，面对丰富的遥感信息，人们一直在研究如何处理和应用，有关这方面的理论和方法的研究成果也是不少的，但似乎并没有从图像理解的角度加以总结、提练，有的方面甚至缺乏系统的研究。如对于多光谱图像边缘提取、区域分割等应以什么理论为基础，应采取什么方法；在纹理分析方面，多光谱图像的纹理具有怎样的意义，或者多光谱图像的纹理概念是什么，需要采取什么方法进行分析；时序多光谱图像又应当采取什么分析方法；针对多光谱图像的符号化工作应当如何进行，在此基础上如何利用知识进行推断，如何在模拟人的思维模式方面更深入地开展研究，等等，这些都是应当考虑的问题。这些问题在图像理解的理论与方法之中尚没有或很少有现成的答案。应该承认，对上述一些问题已有一些研究，至少我们自己就已经在一些方面作了初步的研究，但这些研究还不够，研究的成果还未加以总结。 在现实工作中，多光谱图像的分析具有非常重要的意义。丰富的光谱信息为地物的边界和地物目标的识别创造了良好的条件，比起单色图像，多光谱图像具有极大的优越性。随着多光谱图像空间分辨率的提高和地理信息系统技术的发展，人们的信心更加增强，对多光谱图像处理的要求也越来越高。比如，在地形图更新生产中，如果以多光谱图像为背景，就可以半自动地确定地物分布的边缘或跟踪线状地物的“骨架线”，从而大大减轻人工劳动强度，提高效率；又如，利用多光谱图像和各种背景数据如地貌、土壤信息，即将遥感与地理信息系统结合，引入人工智能方法，就象已有的图像理解系统那样，更好、更准确地提取地物目标信息，为土地利用分析、资源环境调查，提供更高质量的成果，已经是许
高光谱数据处理基本流 程 The document was finally revised on 2021
高光谱分辨率遥感 用很窄（10-2l）而连续的光谱通道对地物持续遥感成像的技术。在可见光到短波红外波段其光谱分辨率高达纳米(nm)数量级，通常具有波段多的特点，光谱通道数多达数十甚至数百个以上，而且各光谱通道间往往是连续的，每个像元均可提取一条连续的光谱曲线，因此高光谱遥感又通常被称为成像光谱（Imaging Spectrometry）遥感。 高光谱遥感具有不同于传统遥感的新特点： （1）波段多——可以为每个像元提供几十、数百甚至上千个波段； （2）光谱范围窄——波段范围一般小于10nm； （3）波段连续——有些传感器可以在350~2500nm的太阳光谱范围内提供几乎连续的地物光谱； （4）数据量大——随着波段数的增加，数据量成指数增加； （5）信息冗余增加——由于相邻波段高度相关，冗余信息也相对增加。 优点： （1）有利于利用光谱特征分析来研究地物； （2）有利于采用各种光谱匹配模型； （3）有利于地物的精细分类与识别。 ENVI高光谱数据处理流程： 一、图像预处理 高光谱图像的预处理主要是辐射校正，辐射校正包括传感器定标和大气纠正。辐射校正一般由数据提供商完成。 二、显示图像波谱 打开高光谱数据，显示真彩色图像，绘制波谱曲线，选择需要的光谱波段进行输出。 三、波谱库 1、标准波谱库 软件自带多种标准波谱库，单击波谱名称可以显示波谱信息。 2、自定义波谱库
ENVI提供自定义波谱库功能，允许基于不同的波谱来源创建波谱库，波谱来源包括收集任意点波谱、ASCII文件、由ASD波谱仪获取的波谱文件、感兴趣区均值、波谱破面和曲线等等。 3、波谱库交互浏览 波谱库浏览器提供很多的交互功能，包括设置波谱曲线的显示样式、添加注记、优化显示曲线等 四、端元波谱提取 端元的物理意义是指图像中具有相对固定光谱的特征地物类型，它实际上代表图像中没有发生混合的“纯点”。 端元波谱的确定有两种方式： （1）使用光谱仪在地面或实验室测量到的“参考端元”，一般从标准波谱库选择； （2）在遥感图像上得到的“图像端元”。 端元波谱获取的基本流程： （1）MNF变换 重要作用为：用于判定图像内在的维数；分离数据中的噪声；减少计算量；弥补了主成分分析在高光谱数据处理中的不足。 （2）计算纯净像元指数PPI PPI生成的结果是一副灰度的影像，DN值越大表明像元越纯。 作用及原理：
北京揽宇方圆信息技术有限公司 全色卫星影像多光谱卫星影像高光谱卫星影像 随着光谱分辨率的不断提高，光学遥感的发展过程可分为：全色（Panchromatic）→彩色（Color Photography）→多光谱（Multispectral）→高光谱（hyspectral）。 注： 全色波段（Panchromatic band），因为是单波段，在图上显示是灰度图片。全色遥感影像一般空间分辨率高，但无法显示地物色彩。实际操作中，我们经常将之与波段影象融合处理，得到既有全色影象的高分辨率，又有多波段影象的彩色信息的影象。 全色波段，一般指使用0.5微米到0.75微米左右的单波段，即从绿色往后的可见光波段。全色遥感影象也就是对地物辐射中全色波段的影象摄取，因为是单波段，在图上显示是灰度图片。全色遥感影象一般空间分辨率高，但无法显示地物色彩。 多光谱遥感 多光谱遥感：将地物辐射电磁破分割成若干个较窄的光谱段，以摄影或扫描的方式，在同一时间获得同一目标不同波段信息的遥感技术。 原理：不同地物有不同的光谱特性，同一地物则具有相同的光谱特性。不同地物在不同波段的辐射能量有差别，取得的不同波段图像上有差别。 优点：多光谱遥感不仅可以根据影像的形态和结构的差异判别地物，还可以根据光谱特性的差异判别地物，扩大了遥感的信息量。 航空摄影用的多光谱摄影与陆地卫星所用的多光谱扫描均能得到不同普段的遥感资料，分普段的图像或数据可以通过摄影彩色合成或计算机图像处理，获得比常规方法更为丰富的图像，也为地物影像计算机识别与分类提供了可能。
高光谱 高光谱遥感起源于20世纪70年代初的多光谱遥感，它将成像技术与光谱技术结合在一起，在对目标的空间特征成像的同时，对每个空间像元经过色散形成几十乃至几百个窄波段以进行连续的光谱覆盖，这样形成的遥感数据可以用“图像立方体”来形象的描述。同传统遥感技术相比，其所获取的图像包含丰富的空间、辐射和光谱三重信息。 高光谱遥感技术已经成为当前遥感领域的前沿技术。 高光谱遥感具有不同于传统遥感的新特点： 1）波段多：可以为每个像元提供十几、数百甚至上千个波段； 2）光谱范围窄：波段范围一般小于10nm； 3）波段连续：有些传感器可以在350~2500nm的太阳光谱范围内提供几乎连续的地物光谱； 4）数据量大：随着波段数的增加，数据量成指数增加； 5）信息冗余增加：由于相邻波段高度相关，冗余信息也相对增加。 优点： 1）有利于利用光谱特征分析来研究地物； 2）有利于采用各种光谱匹配模型； 3）有利于地物的精细分类与识别； 异同点 国际遥感界的共识是光谱分辨率在λ/10数量级范围的称为多光谱(Multispectral)，这样的遥感器在可见光和近红外光谱区只有几个波段，如美国LandsatMSS，TM，法国的SPOT等；而光谱分辨率在λ/100的遥感信息称之为高光谱遥感(HyPerspectral)；随着遥感光谱分辨率的进一步提高，在达到λ/1000时，遥感即进入超高光谱(ultraspectral)阶段(陈述彭等，1998)。 高光谱和多光谱实质上的差别就是：高光谱的波段较多，普带较窄。（Hyperion有233~309个波段，MODIS有36个波段） 多光谱相对波段较少。（如ETM+，8个波段，分为红波段，绿波段，蓝波段，可见光，热红外（2个），近红外和全色波段） 高光谱遥感就是多比多光谱遥感的光谱分辨率更高，但光谱分辨率高的同时空间分辨率会降低。
《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 35 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月
一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为 21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。
图片简介: 本技术介绍了一种基于多光谱和3D模型重建的人脸图像分析系统及其方法，该系统包括五光谱皮肤检测仪、云端服务器和显示控制模块，通过所述五光谱皮肤检测仪获取五种光谱下的图像信息，并将所述图像信息发送给云端服务器，云端服务器对其进行三维图像重建、肤质检测以及评估分析，得到分析报告和三维图像信息；最后通过显示控制模块进行显示。本技术不仅能满足日常客户需求，还能为人脸面部皮肤的美容或者治疗提供可靠的数据支撑。 技术要求 1.一种具有3D模型重建功能的五光谱皮肤检测仪，其特征在于：包括支架，所述支架上安装有C形架，C形架的中部安装有高清摄像头，以及以高清摄像头为中线左右对称安装有五光谱光源和深度摄像头，五光谱光源位于高清摄像头和深度摄像头中间； 所述支架上还安装有与高清摄像头、五光谱光源和深度摄像头连接的处理模块，用于控制五光谱光源发出不同的光、控制高清摄像头和深度摄像头获取的图像信息并将图像信息上传；它包括处理器、以及与处理器连接的存储模块和数据传输模块； 所述支架上还安装为高清摄像头、五光谱光源、深度摄像头和处理模块提供电源的电源模块。 2.根据权利要求1所述的具有3D模型重建功能的五光谱皮肤检测仪，其特征在于：所述五光谱光源发出的光包括白光、正偏振光、负偏振光、伍氏光和UV光。 3.根据权利要求1所述的具有3D模型重建功能的五光谱皮肤检测仪，其特征在于：所述支架上位于五光谱光源背光面设有挡光板。 4.基于多光谱和3D模型重建的人脸图像分析系统，其特征在于包括： 权利要求2所述的五光谱皮肤检测仪，用于采集人脸皮肤图像信息，所述图像信息包括高清摄像头采集的图像信息以及深度摄像头采集的图像信息； 云端服务器，用于接收所述五光谱皮肤检测仪采集的人脸皮肤图像信息，并对其进行三维图像重建、肤质检测以及评估分析，得到分析报告和三维图像信息；所述云端服务器内包含用于对肤质进行检测的肤质检测模块、用于对肤质进行分析并能生成分析报告的分析报告生成模块和用于对采集的图像信息进行三维图像重建的3D图像重建模块； 控制显示模块，用于控制所述五光谱皮肤检测仪、以及用于显示所述五光谱皮肤检测采集的人脸皮肤图像信息和所述云端服务器得到的分析报告和三维图像信息。 5.根据权利要求4所述的基于多光谱和3D模型重建的人脸图像分析系统，其特征在于：所述肤质检测模块主要用于检测肤质的毛孔、肤质、肤 色、含水量、黑眼圈、皱纹、表皮斑痣、紧致度、敏感度、痘痘、痘印、黑头、红血丝、纹理、皱纹和棕色斑等皮肤项目，以及面部比例数据，例如五官大小、比例、角度、类型，眉毛、嘴唇、面部轮廓、侧面部的比例、角度、类型等数据，三庭五眼、四高三低等面部美学数据等项目。
QuickBird卫星全色和多光谱模式 时间:2009-08-24 众所周知，遥感是使用各种传感器远距离探测目标所辐射、反射或散射的电磁波，经加工处理变成能够识别和分析的图像和信号，以获取目标性质和状态信息的综合技术。 遥感根据获取目标的手段不同可分为狭义遥感和广义遥感。 狭义遥感以电磁辐射为感测对象，而广义遥感还包括磁力、重力等地球物理的测量和属于地球物理测量范畴的地震波、声波等弹性波。 我们通常所说的遥感概念则专指以电磁辐射为特征的狭义遥感。不同的目标物受到太阳或其他辐射源的电磁辐射时，它们所特有的反射、发射、透射、吸收电磁辐射的性质是不同的。通过获取目标物对电磁辐射的显示特征，可识别目标的属性和状态。所以传感器谱段的设置与目标物的光谱特性有着密切的关系。 目前世界上用于卫星遥感的传感器有两大类：光学遥感和微波遥感。 光学遥感: 光学遥感指利用光学设备探测和记录被测物体辐射、反射和散射的相应谱段电磁波，并分析、研究其特性及变化的技术。 光学遥感覆盖了红外、可见光和紫外三个谱段，常用的有以下三种： 可见光遥感: 其工作波长为0.4～0.76微米，一般采用感光胶片或光电探测器作为感测元件，属于摄影成像遥感。它主要使用可见光远摄镜头照相和可变焦距电视摄像等，感测的是目标及背景反射或自身发出的可见光，记录的信息或拍摄的图像是物体反射光或发光强度的空间分布。可见光遥感是光学遥感中历史最长的一种，是对地观测和军事侦察的主要手段之一。摄影成像的分辨率(G)很高，可以近似地表示为： G=f×R/H 其中f为镜头焦距，R为镜头与底片的综合分辨率，H为高度(或距离)。 红外遥感器: 主要包括红外扫描仪、红外辐射仪等。红外遥感通过探测红外辐射获取目标和背景的辐射温度或热成像。其探测能力取决于目标、背景与周围环境的温度差。红外遥感的最大优点是可获取无光照或薄云下目标和背景的图像。 多谱段遥感： 使用几个不同的谱段同时对一目标或地区进行感测，从而获得与各谱段相对应的各种信息。将不同谱段的遥感信息加以组合，可获取目标物更多的信息。多谱段遥感是在可见光和红外遥感的基础上发展起来的，它能明显地分辨多种目标和背景特性，兼有可见光和红外遥感技术的优点。也为高光谱和超高光谱的发展提供了依据。微波遥感： 微波遥感是利用微波遥感设备，对地物目标和环境的微波辐射、反射或散射能量实施探测的技术，其波长为1～1000毫米． 微波遥感按工作模式的不同可分为两种： 有源微波遥感: 主要由成像雷达、微波散射计和微波高度计组成。在卫星遥感中应用较多的是合成孔径雷达，它是利用平台与目标的相对运动产生的多普勒频移，经二维相关处理或匹配滤波处理而获得高分辨率的图像。 无源微波遥感: 主要指各种微波辐射计，它是通过测量自然界各种物体发出的微弱微波辐射来测量目标的辐射特性和实际温度。
高光谱分辨率遥感 用很窄（10-2l）而连续的光谱通道对地物持续遥感成像的技术。在可见光到短波红外波段其光谱分辨率高达纳米(nm)数量级，通常具有波段多的特点，光谱通道数多达数十甚至数百个以上，而且各光谱通道间往往是连续的，每个像元均可提取一条连续的光谱曲线，因此高光谱遥感又通常被称为成像光谱（ImagingSpectrometry）遥感。 高光谱遥感具有不同于传统遥感的新特点： （1）波段多——可以为每个像元提供几十、数百甚至上千个波段； （2）光谱范围窄——波段范围一般小于10nm； （3）波段连续——有些传感器可以在350~2500nm的太阳光谱范围内提供几乎连续的地物光谱； （4）数据量大——随着波段数的增加，数据量成指数增加； （5）信息冗余增加——由于相邻波段高度相关，冗余信息也相对增加。 优点： （1）有利于利用光谱特征分析来研究地物； （2）有利于采用各种光谱匹配模型； （3）有利于地物的精细分类与识别。 ENVI高光谱数据处理流程： 一、图像预处理 高光谱图像的预处理主要是辐射校正，辐射校正包括传感器定标和大气纠正。辐射校正一般由数据提供商完成。 二、显示图像波谱 打开高光谱数据，显示真彩色图像，绘制波谱曲线，选择需要的光谱波段进行输出。 三、波谱库 1、标准波谱库 软件自带多种标准波谱库，单击波谱名称可以显示波谱信息。 2、自定义波谱库 ENVI提供自定义波谱库功能，允许基于不同的波谱来源创建波谱库，波谱
来源包括收集任意点波谱、ASCII文件、由ASD波谱仪获取的波谱文件、感兴趣区均值、波谱破面和曲线等等。 3、波谱库交互浏览 波谱库浏览器提供很多的交互功能，包括设置波谱曲线的显示样式、添加注记、优化显示曲线等 四、端元波谱提取 端元的物理意义是指图像中具有相对固定光谱的特征地物类型，它实际上代表图像中没有发生混合的“纯点”。 端元波谱的确定有两种方式： （1）使用光谱仪在地面或实验室测量到的“参考端元”，一般从标准波谱库选择； （2）在遥感图像上得到的“图像端元”。 端元波谱获取的基本流程： （1）MNF变换 重要作用为：用于判定图像内在的维数；分离数据中的噪声；减少计算量；弥补了主成分分析在高光谱数据处理中的不足。 （2）计算纯净像元指数PPI PPI生成的结果是一副灰度的影像，DN值越大表明像元越纯。 作用及原理： 纯净像元指数法对图像中的像素点进行反复迭代，可以在多光谱或者高光谱影像中寻找最“纯”的像元。（通常基于MNF变换结果来进行）
第六章 6.1 给出用于产生图6.5中标为“日光”的点的红光、绿光、蓝光的百分比。 从图中可知，x=0.31，y=0.32，由x+y+z=1可得z=0.37，这是三色值系数。我们感兴趣的是三色值XYZ。由他们的变换公式：x = X/(X+Y+Z)，y=Y/(X/Y/Z)，z=Z/(X/Y/Z)，可知他们的比例是相同的，故可得：X=0.31，Y=0.32，Y=0.37 6.2 用c 表示给定的颜色，并且给出它的坐标，用（x0,y0）表示，c 和c1之间的距离以及c1和c2的距离分别为： c1占c的百分比表示为: c2的百分比用p2表示：p2=100-p1,由上面的等式我们知道，作为例子，当c=c1时，那么d(c,c1)=0,并且p1=100%,p2=0%,同样当d(c,c1)=d(c1,c2)时，p1=0%,p2=100%,从它们简单的关系中可以容易地得出它们的值。 6.5
在中心点有R/2+ B/2+G= R+G+B /2 + G /2=midgray+G/2，由于增加了灰色分量和强度使人们看起来像纯绿色。 6.7 在每幅12比特图像中有4096212=种可能值。对于灰度色彩，所有的RGB 分量必须相等，所以有4096种不同的灰度。 6.8 （a ）R 图像中的所有像素值都是255。在G 图像中，第一列全是0，第二列全是1，最后一列全由255组成。在B 图像中，第一行全为255，第二行全为254，直到最后一行全为0。 （b ）（令坐标轴编号同书中图6.7（RGB 彩色立方体示意图）相同。）则：（0,0,0）=白色，（1,1,1）=黑色，（1,0,0）=青色，（1,1,0）=蓝色，（1,0,1）=绿色，（0,1,1）=红色，（0,0,1）=黄色，（0,1,0）=深红色。 (c)不包括黑点和白点是饱和的。在包含黑点或者白点时，饱和度会下降。 6.10 从式（6.5-5）的RGB 亮度映射函数推导出式（6.5-6）的CMY 亮度映射函数。 i i ks s = （i=1,2,3） (6.5-5) )1(k ks s i i -+= (i=1,2,3) (6.5-6) 由公式???? ??????-=????????? ?B G R Y M C 1可知，CMY 图像中的每个分量都是响应RGB 图像单一分量的函数。C 是R 的函数，M 是G 的函数，Y 是B 的函数。为清楚起见，我们使用素数标示CMY 分量。有公式 （i=1,2,3）得，)3,2,1(==i ks s i i （对应RGB 分量），并且有公
1、 研究背景及意义 遥感影像具有成像区域面积大（一幅图像可以包括的地表的面积可达几十*几十平方公里，甚至上百），在外太空可以不受天气影像，成像快速等特点，在工农业生产、军事侦察打击，地球资源普查等方面有着重要应用。一般遥感卫星上具有一个全色传感器，可以对大范围的光谱进行光谱响应，形成全色图像。全色图像是灰色图像，具有高的空间分辨率，但是因为只有一个光谱带，因此光谱分辨率较低，不能确定地物的类型，对地物类型识别极为不利。为了弥补全色图像的不足，卫星上一般同时搭载一个多光谱传感器（常见的有红、绿、蓝、近红外、远红外光谱带等）。由于物理器件的限制，多光谱传感器具有高的光谱分辨率，但是空间分辨率较低。多光谱和全色图像融合就是结合全色图像具有高的空间分辨率，多光谱图像具有高的光谱分辨率的优点，合成具有全色的空间分辨率和多光谱图像的光谱分辨率的融合图像。 2、 研究现状 早期多光谱和全色图像的融合方法有比率法(brovey 方法)和成分替换法（HIS 方法、PCA 方法等），后来随着多尺度分析工具的出现，出现了多尺度图像融合(高通滤波，小波变换，contourlet 变换，NSCT 等变换的多尺度图像融合方法)，最近有基于变分方程能量函数最优解的图像融合和基于稀疏表示的图像融合以及两类方法的结合(如HIS 和多尺度分析的结合)的融合方法。 比率方法图像融合的一般化模型是： i i P F MS S ↑= 其中Fi 融合图像的第i 带，P 是全色图像，S 是合成图像，MSi 是上采样后的第i 带多光谱图像。其中合成图像S 是关键，早期是通过多光谱带的平均得到合成图像S ，后来通过多光 谱图像的加权平均得到，现在是通过求最小化差异函数2min P S -P P 得到。该方法得到的
实验5 多光谱图像合成 一、实习目的和要求 1、了解彩色的基本特性和相互关系。 2、掌握三原色及其补色，掌握加色法及其减色法。 3、认识彩色正负像片的产生过程。 4、彩色合成原理 二、材料和工具 卫星图像、计算机,遥感图像处理软件等。 三、原理与方法 遥感图像光学处理的目的是通过光学手段增强目标地物的影像差异或影响特征，将目标地物从环境背景信息中突出出来。 1、色度学的基础知识 （1）颜色与视觉：在电磁波谱中，波长在0.38~76um范围的电磁波能够引起视觉反应，产生色觉的差异。物体的颜色取决于两方面的因素，对发光体而言，物体的颜色由其发出的光所具有的波长而定。常见的地物多为非发光体，其颜色取决于地物对可见光各波段的吸收、反射和透射等特性。对不透明地物而言，其颜色取决于地物对可见光的吸收、反射特性。地物对可见光各波段具有选择性的吸收和反射，则产生了彩色；地物对可见光各波段不具有选择性的吸收和反射，即对各波段具有等量吸收和反射，则产生非彩色。 （2）彩色的基本特性：明度、色调和饱和度为彩色的基本特性。明度是指彩色的明亮程度，是人眼对光源或物体明亮程度的感觉，彩色光亮度越高，人眼感觉越明亮，即有较高的明度。明度的高低取决于光源光强及物体表面对光的的反射率。色调是色彩彼此相互区分的特性，色调取决于光源的光谱组成和物体表面的光谱反射特性。饱和度是彩色的纯洁性，取决于物体表面的反射光谱的选择性程度，反射光谱越窄，即光谱的选择性越强，彩色的饱和度就越高。非彩色，即黑白色只用明度来描述，不使用色调和饱和度。 （3）颜色立体：下左图是表示明度、色调和饱和度三者之间关系的理想模型。模型呈枣核形，中间垂直轴代表明度，从底端到顶端，由黑到灰再到白，明度逐渐递增。中间水平面的圆周代表色调，顺时针方向由红、黄、绿、蓝到紫逐步过渡。圆周上的半径大小代表饱和度，半径最大饱和度最大，沿半径向圆心移动时饱和度逐渐降低，到了中心便成了中灰色。如果离开水平圆周向上、下（白或黑）的方向移动，也说明饱和度降低。 （4）互补色、三原色和彩色相加：当两种颜色混合产生白色或灰色时，这两种颜色为互补色。当三种颜色相混合时，其中的任一种不能由其余两种颜色混合相产生，这三种
多光谱影像分类实践 杨沈斌 南京信息工程大学应用气象学院 概述 遥感影像分类是遥感应用的重要内容之一。多光谱遥感图像通过亮度或像元值的高低差异，即地物光谱信息在各波段图像上的反映，以及地物分布的空间特征来表示不同地物的差异。因此，不同地物的光谱特征差异及空间分布特性是区分不同地物的物理基础。遥感图像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照特定的规则或算法划分为不同的类别，识别不同地物，并获取不同地物的空间分布。遥感图像分类主要分为两种方法：监督分类与非监督分类。另一种是将多源数据应用于图像分类中，发展成基于专家知识的决策树分类。 监督分类方法的一般过程： 1)定义训练样本 2)执行监督分类 3)评价分类结果 4)分类后处理 非监督分类方法的一般过程： 1)执行非监督分类 2)类别定义 3)合并子类 4)评价结果 监督分类方法的实践操作 以ENVI软件自带的Landsat TM数据can_tmr.img为例，运用最大似然分类算法（Maximum Likelihood Classification）进行影像分类的操作。按照该分类方法的一般过程执行，步骤如下： 1. 启动ENVI，使用File—Open Image File命令并打开ENVI软件默认路径下的can_tmr.img影像。打开后，使用波段组合R=7、G=4、B=2方式Load RGB显示，如图1所示。从Available Bands List中可以看出，该影响不带投影坐标系统（即没有蓝色的小地球图标）。从打开的图像中，基本上可以看出，绿色对应植被区域，山区有植被覆盖（深绿色），山的背阳面为黑色，白色的区域主要对应裸地（但笔者不是非常确定）。利用Z Profile（Spectrum）工具提取植被、河流、裸地的波段光谱曲线，如图2所示。从图中可以看出，不同地物的光谱曲线差异明显。
专题二十四 使用ENVI的高光谱工具处理多光谱数据(节选) 1.1.专题概述 本专题的目的是向用户展示如何使用ENVI先进的高光谱工具对多光谱数据进行分析。要更好地理解高光谱处理的概念及其工具，请参见ENVI高光谱辅导指南。要获取额外的详细信息，请参见《ENVI遥感影像处理实用手册》（ENVI User’s Guide）或者ENVI的在线帮助。 ?本专题中使用的文件 光盘：《ENVI遥感影像处理专题与实践》附带光盘 #1 ?背景知识 ENVI并非仅设计成高光谱影像处理系统。在1992年，ENVI的开发者就决定开发出一个通用的影像处理软件，它包含一整套的基本处理工具，弥补了商业软件缺乏强大灵活处理功能的不足，使得它能够处理各种科学格式的影像数据。它对全色、多光谱、高光谱以及基本和改进雷达影像数据都提供了支持。当前，ENVI包含了与其它主要影像处理系统（例如：ERDAS，ERMapper和PCI）相同的基本处理功能。其中，ENVI在前沿遥感研究中采用了许多不同的先进算法。虽然这些算法都是在处理成像光谱仪数据或者多达上百个波谱波段的高光谱数据基础之上发展而来，但是它们也可以应用到多光谱数据和其它标准数据类型的处理上。本专题将对某些分析Landsat Thematic Mapper（TM）数据的方法进行介绍。 本专题分为两个独立的部分：1）使用标准或者经典多光谱分析技术，对TM影像数据进行典型的多光谱分析，2）使用ENVI高光谱工具对相同的数据集进行分析。 1.2.使用ENVI的高光谱工具分析多光谱数据 ?读取TM影像数据 z要从磁带中读取数据，可以在ENVI主菜单中选择File → Tape Utilities → Read Known Tape Formats → Landsat TM（或者对于新的EDC-格式的磁带选择NLAPS）。 z要从光盘中读取数据，可以选择File →Open External File → Landsat → Fast，或者选择File → Open External File → Landsat → NLAPS（对于NLAPS数据）。 z考虑到本专题的目的，这些数据已经从磁带中读出并存入到数据子集中，以提供相应的文件进行分析。使用Basic Tools → Preprocessing →Data Specific Utilities → Landsat TM → Landsat TM Calibration，启动ENVI的TM校正工具，该TM影像已经被纠正为反射率影像。（若需更多的信息，请参见《ENVI遥感影像处理实用手册》）。 ?显示一幅彩色合成影像并提取波谱曲线
165 1. 打开数据文件：datafile1=fopen('Terrain.hsi')。 2. 读入文件头的信息：cur=fread(datafile1,4,'int32')。执行结果为（cur 的四个值：图像宽 度，图像长度，波段数，像素所占字节数）：307，500，210，2。 3. cur=fread(datafile1,inf,'int16')。可通过”size(cur)”获得cur 的大小，这里为32235000 （=307*500*210）。 4. 将一维数组变换成210x （307*500）大小的矩阵：array=reshape(cur,210,307*500)。Array 矩阵的每一列代表一个像素点在不同波段的值的大小，每一行为一个波段对应的全部数据。 5. 对每个波段求其标准差。先将包含图像数据的矩阵转换成500*307)x210的矩阵， 使每一列的数据为一波段的全部数据。1.变换矩阵 stdv=reshape(array',500*307,210);2.求方差stdv=std （stdv ）；3.画出标准差形成的曲线（图1）： 050100150200250 050 100 150 200 250 300 350 400 图1 由图像可大致分析出1-22、102-109、137-151、194-210可能为无用数据。 6. 到这里就可以用array 中的数据画出任意波段的图像。例如，选取有用数据20个波 段的图像：a.提取该波段的全部数据并将它转成307x500的矩阵： pic=reshape(array(175,1:500*307),307,500);b.将矩阵内的数据显示出来：imshow （pic,[]）（图2）：
遥感植被指数的种类、适用性和优缺点分析 摘要：遥感是现代科学技术中的一种远距离观测、分析目标地物的理论和方法，它在现代环境监测中具有广泛的应用。遥感植被指数是指利用遥感图像进行植被长势、生物量生产潜能等监测的重要指标。本文将在对植物的光谱特征分析的基础上，总结相关研究，对植被指数的种类以及它们的适用性和优缺点进行分析。 1、引言 遥感是指利用不同地物波谱特征不同这一特性，通过传感器这类对电磁波敏感的仪器，在远离目标和非接触目标物体条件下探测目标地物，获取其反射、辐射或散射的电磁波信息，进行处理、分析与应用的一门科学和技术。而植被指数则是利用遥感图像获取多光谱遥感数据，经过分析得到植被分布、种类等数值，对某些植被的长势、生物量等有一定应用价值。 目前，国内外学者已研究发展了几十种不同的植被指数模型，常用的有以下几类： 1、比值植被指数（RVI）； 2、归一化植被指数（NDVI）； 3、差值植被指数（DVI）； 4、缨帽变换中的绿度植被指数（GVI）； 5、垂直植被指数（PVI）； 6、土壤调整植被指数（SAVI）等， 这几类植被指数对植被的敏感性、抗土壤和大气的干扰性等不尽相同。一般情况下由于归一化植被指数（NDVI）与一些重要的生物物理参数如生物量、叶面积指数和光有效辐射等有密切的联系[1]，所以NDVI被广泛用于植被研究。 遥感植被指数是预测生物量、作物生产潜能以及评价一个生态系统结构与功能特征的重要指标[2]，然而遥感的植被指数不仅取决于植被的种类，还要受到其他环境条件的干扰，如土壤湿度、土壤的物理化学属性、大气条件以及季节等的影响。于是如何在不同的条件下选择不同的植被指数对更好的进行植被监测、农作物估产等有着较大的影响。本文正是通过对植被遥感的原理、植物光谱特征分析研究等的基础上，总结有关资料数据，对各类遥感植被指数的适用性和优缺点进行了分析，作为今后相关研究的参考。 2、植被遥感的原理 植物遥感依赖于植物本身的特征，主要是叶片结构特点和植被冠层光谱特性。我们都知道，植物叶片能进行光合作用，但所利用的仅是太阳光的可见光部分（0.4~0.76μm），即称之为光合有效辐射（PAR），约占太阳辐射的47%~50%，其强度随着时间、地点、大气条件等变化。 植物的光谱特征可使其在遥感影像上有效地与其他地物相区别。同时，不同
高光谱图像分类
《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 2111603035 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月
一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。高光谱遥感技术虽然是遥感领域的新技术，但是高光谱图像的分类一直制约着高光谱遥感的应用[3,4]，因此对其进行研究显得尤为重要。 高光谱遥感图像较高的光谱分辨率给传统的图像分类识别算法提出严峻的挑战。波段维数的增加不仅加重了数据的存储与传输的负担，同时也加剧了数据处理过程的复杂性，并且由于波段与波段间存在着大量的冗余信息，从而使得传统图像分类算法并不适用于高光谱遥感图像的分类。传统
多光谱与全色图像融合方法 为使多光谱与高空间分辨率全色图像的融合效果在努力保持光谱信息的同时尽可能提高其空间分辨率,论文主要对多光谱与全色图像融合算法进行了深入研究,通过大量的融合实验得到了一系列有价值的结论,完成了一定的创新性工作,具体的工作内容如下:在多分辨率分析的特征匹配基础上,提出了一种基于Mallat小波变换与空间投影结合的图像配准算法。该算法采用投影匹配原理将二维数据变为一维进行匹配计算,降低了配准所需要的时间。另外,采用逐层细化的分层搜索策略可减少匹配误差从而提高配准精度。在综合分析àtrous小波变换和Curvelet变换的优点基础上,提出了一种基于àtrous-Curvelet变换的融合算法。分解后的系数依据所在高,低频层的不同特点,采取多重加权规则进行融合。该算法能在保留多光谱图像光谱信息的基础上,有效地提高融合图像的空间分辨率。针对遥感图像影像分辨率低的问题,提出了一种基于区域模糊推理的NSCT域融合算法。该算法有效地克服了传统融合方法中存在的融合图像模糊,抗噪能力差的缺点。针对传统脉冲耦合神经网络(PCNN)模型参数无法自动设定的难题,结合lαβ彩色空间转换,提出了一种基于双通道自适应PCNN的图像融合算法。该算法充分考虑到像素间的相关性及噪声突变的影响,融合效果优于多尺度分析方法。 同主题文章 [1]. 万宁,吴飞. 基于ICA的全色影像和多光谱影像融合算法' [J]. 计算机工程. 2006.(07) [2]. 陈蔓丽,陈木生,狄红卫. 基于小波变换的多光谱图像和全色图像配准算法' [J]. 暨南大学学报. 2006.(03) [3]. 于浩,张晓萍,杨勤科,崔健,李锐. 基于双树复小波的遥感图像融合' [J]. 遥感信息. 2008.(05) [4]. 张易凡,何明一. 基于局部空间线性恢复模型的多光谱与全色图像融合算法' [J]. 西北工业大学学报. 2008.(01) [5]. 王霖郁,李坤波,黄丽莲. 基于色调一致性改进的图像融合最速下降法' [J]. 应用科技. 2010.(03) [6]. 杨明辉,任维春. 法国地理院SPOT图像应用研究的进展' [J]. 遥感信息. 1988.(02) [7].
第六章 图像色彩处理 本章介绍Photoshop 中的图像色彩处理的知识和方法。由于在第一章中我们已经学习了图像和色彩的基础知识，所以本章不再赘述。这里主要通过介绍图像色彩调整命令的知识以及实例来完成这一部分知识的学习。 通过本章学习，你可以： ◆了解图像色彩处理的知识 ◆理解图像色彩调整命令，掌握技巧并学会运用它来处理图像 ◆体验成功进行图像色彩处理的乐趣 6.1 Ph otoshop 图像色彩调整命令 同学们对艺术照都不陌生吧?在艺术照里的人物个个看起来都是那么的漂亮,与真实的人物大不一样。比如实际上皮肤比较黑的人在照片上看上去很白，实际上皮肤比较粗糙的人在照片上看上去皮肤很细腻等。那同学们想不想知道这些都是如何制作出来的呢？今天起我们就来对这些神奇的艺术照进行探密吧。灵活运用Photoshop 的图像调整功能，是我们学习图像编辑处理的关键一环。有效地对图像的色彩和色调进行控制，我们才能制作出高品质的图像作品。Photoshop 为我们提供了十分完善和强大的色彩调节功能，这些功能能够帮助我们创造出绚丽多彩的图像世界！ 图像色调调整主要是指调整图像的明暗程度。相关的命令有色阶、曲线、色彩平衡、亮度/对比度等，它们都位于Photoshop 的【图像】/【调整】子菜单中。 6.1.1 色阶 利用“色阶”命令可以通过调整图像的暗调、中间调和高光的强度级别来校正图像。如图6.1.1所示。 6.1.2 曲线 “曲线”命令可以精确调整图像，赋予那些原本应当报废的图片新的生命力。该命令是用来改善图像质量的首选工具，它不但可调整图像整体或单独通道的亮度、对比度和色彩，还可调节图像任意局部的亮度。如图6.1.2所示。 6.1.3 色彩平衡 图6.1.1 图6.1.2
实习序号及题目实习5.遥感影像多光谱变换实习人姓名张启兴专业班级及编号10地信1027任课教师姓名刘勇实习指导教师姓名 实习地点榆中校区实验楼 A109 实习日期时间2020年11月27日 实习目的 理解主成份变换、去相关拉伸、樱帽变换、色彩变换、自然色彩变换的原理、方法和操作步骤。 掌握利用特征空间视图对影像中若干典型地物（如水体、农田、林地、居民地等）进行遥感影像分析 实习内容 1.主成分变换： 数据：实习1中截取的子区Landsat TM影像或者ENVI软件配套教学数据0112024.img。 要求：保存并在实现报告中记录特征值和特征值矩阵，逐一比较变换后各个波段的影像特征，说明从各个波段可以提取的影像信息，根据特征值说明变换后各个波段在影像总信息中的百分比。 2.去相关拉伸： 数据：实习1中截取的子区Landsat TM影像或者ENVI软件配套教学数据0112024.img。 要求：比较变换后各个波段的影像特征。 3.樱帽变换： 数据：实习1中截取的子区Landsat TM影像或者ENVI软件配套教学数据0112024.img。 要求：逐一比较变换后各个波段的影像特征。注意传感器类型的选择。 4.色彩变换： 数据：实习1中截取的子区Landsat TM影像或者ENVI软件配套教学数据0112024.img。 要求：分析变换后影像的色彩特征。 5.自然色彩变换 数据：SPOT影像案例数据：spotxs.img。 要求：说明参与变换的各个波段影像的光谱特征，比较变换前后的影像特征。分析变换后影像信息的特点。
基本原理 1.主成份变换实质上就是在多光谱空间中根据像元灰度矢量散点的空间分布特征（主要是均值、方差分布）对影像进行的以平移、旋转为主要内容的线性变换，使变换后各个坐标轴与影像多光谱空间变化的主要方向保持一致。 主成分变换去除了原影像各个波段之间的相关性，还把有用的信息集中到数目尽可能少的几个主成分影像波段上，从而提高了影像目视分析的效率。 2.颜色是重要的视觉信息，识别各种不同的颜色是人类与生俱来的能力。人的视觉系统有3类视锥细胞用于感知颜色，其峰值响应波长分别为430nm，530nm和560nm。 人类能够感知和识别的明暗灰度等级不过是10多中，但是能够识别的颜色数目一般可达上百种。好的视觉观察员甚至可以识别17000种颜色。 三原色原理（T.Young）：人类的视觉系统所感知的所有颜色都是红、绿和蓝色这三种基本颜色的线性组合 3.Tasseled Cap，又称为Kauth-Thomas（K-T）变换 起源：Kauth和Thomas（1976）根据Landsat MSS数据研究多光谱信息与自然景观季相变化间的关系而建立的一种特定的数学变换，1984年Crist和Cicone又将其移植于TM数据，并用于农作物长势监测。 数据准备 实习1中截取的子区Landsat TM影像。 ENVI软件配套教学数据0112024.img SPOT影像案例数据spotxs.img、Landsat5TM。 操作方法及过程 1.利用裁剪地区的影像，选择transform/color transform/rgb-his,作从rgb到his色 彩空间的色彩变换选择输出路径保存相应的影像文件。 2.打开裁剪地区的影像，选择transform/color transform/rgb-hsv,作从rgb到his色 彩空间的色彩变换选择输出路径保存相应的影像文件。, 3.利用裁剪区域的影像文件，选择transform/tasseled cap,输入相应参数，作关于 原影像432波段的缨帽变换。 4.打开SPOT影像文件spotxs.img，选择bascial tools/band math.输入公式(float（b1） +b2+b3)/3,点击add to list。合成green波段的影像。然后选择file/save file as/envi standard选择输入的原影像3,green，2波段的影像，点击ok。完成，输出自然彩色图像。