实验报告 遥感图像的灰度变换处理

图像灰度变换报告一.实验目的1.学会使用Matlab ；2.学会用Matlab 软件对图像进行灰度变换，观察采用各种不同灰度变换发法对最终图像效果的影响；二.实验内容1.熟悉Matlab 中的一些常用处理函数读取图像：img=imread('filename');//支持TIF,JPEG,GIF,BMP,PNG 等文件格式。

显示图像：imshow(img,G);//G 表示显示该图像的灰度级数，如省略则默认为256。

保存图片：imwrite(img,'filename');//不支持GIF 格式，其他与imread 相同。

亮度变换：imadjust(img,[low_in,high_in],[low_out,high_out]);//将low_in 至high_in 之间的值映射到low_out 至high_out 之间，low_in 以下及high_in 以上归零。

绘制直方图：imhist(img);直方图均衡化：histeq(img,newlevel);//newlevel 表示输出图像指定的灰度级数。

2.获取实验用图像：rice.jpg. 使用imread 函数将图像读入Matlab 。

3 .产生灰度变换函数T1，使得：0.3rr < 0.35 s =0.105 + 2.6333(r – 0.35) 0.35 ≤ r ≤ 0.651 + 0.3(r – 1) r > 0.65 用T1对原图像rice.jpg 进行处理，使用imwrite 函数保存处理后的新图像。

4.产生灰度变换函数T2，使得：s = 5.用T2imwrite 保存处理后的新图像。

6.分别用 s = r 0.6; s = r 0.4; s = r 0.3 对kids.tiff 图像进行处理。

为简便起见，使用Matlab 中的imadjust 函数，最后用imwrite 保存处理后的新图像。

遥感图像处理实验报告《遥感图像处理实验报告》摘要：本实验利用遥感技术获取了一幅卫星图像，通过图像处理技术对图像进行了处理和分析。

实验结果表明，遥感图像处理技术在地理信息系统、环境监测、城市规划等领域具有重要的应用价值。

引言：遥感图像处理是利用遥感技术获取的图像进行数字化处理和分析，以获取有用的地理信息和环境数据的过程。

本实验旨在通过对遥感图像的处理和分析，探讨遥感图像处理技术在实际应用中的作用和意义。

实验方法：1. 获取卫星图像：选择一幅特定区域的卫星图像作为实验对象，确保图像质量和分辨率满足处理要求。

2. 图像预处理：对原始图像进行预处理，包括去噪、增强、几何校正等操作，以提高图像质量和准确性。

3. 图像分析：利用遥感图像处理软件对图像进行分类、特征提取、变化检测等分析，获取地理信息和环境数据。

4. 结果展示：将处理后的图像结果进行展示和分析，对图像处理技术的应用效果进行评估。

实验结果：经过处理和分析，得到了一幅清晰的遥感图像，并从中提取了有用的地理信息和环境数据。

通过图像分类和特征提取，可以准确地识别出不同地物类型，如建筑物、植被、水体等；通过变化检测，可以发现地表的变化情况，如城市扩张、土地利用变化等。

这些信息对于地理信息系统、环境监测、城市规划等领域具有重要的应用价值。

结论：遥感图像处理技术在地理信息系统、环境监测、城市规划等领域具有重要的应用价值，通过对遥感图像的处理和分析，可以获取丰富的地理信息和环境数据，为相关领域的决策和规划提供重要的支持。

在未来的研究中，可以进一步探讨遥感图像处理技术的改进和应用，以满足不同领域的需求。

一、实验背景遥感技术作为一种获取地球表面信息的重要手段，在资源调查、环境监测、灾害预警等领域发挥着重要作用。

遥感图像经过传感器采集后，往往需要进行一系列的预处理，包括辐射校正、几何校正、图像增强等。

其中，变换处理是遥感图像预处理的重要环节之一，它可以提高图像质量，便于后续分析与应用。

二、实验目的本次实验旨在：1. 熟悉遥感图像变换处理的基本原理和方法；2. 掌握遥感图像灰度变换、空间变换等处理方法；3. 利用变换处理提高遥感图像质量，为后续分析提供更好的数据基础。

三、实验内容1. 灰度变换灰度变换是遥感图像处理中最基本、最常用的方法之一。

它通过改变图像中像素的灰度值，调整图像的对比度、亮度等，从而改善图像质量。

实验步骤如下：（1）打开遥感图像处理软件，选择待处理的遥感图像。

（2）选择灰度变换功能，设置变换公式。

常用的变换公式有线性变换、指数变换、对数变换等。

（3）调整变换参数，观察图像变化，直至达到预期效果。

（4）保存变换后的图像。

2. 空间变换空间变换是指将遥感图像中的像素值按照一定的规律进行重新排列，从而改变图像的空间结构。

实验步骤如下：（1）打开遥感图像处理软件，选择待处理的空间变换功能。

（2）选择变换类型，如平移、旋转、缩放等。

（3）设置变换参数，如平移距离、旋转角度、缩放比例等。

（4）执行变换操作，观察图像变化。

（5）保存变换后的图像。

四、实验结果与分析1. 灰度变换通过灰度变换，可以有效地改善遥感图像的对比度、亮度等。

例如，对低对比度图像进行指数变换，可以提高图像的清晰度；对高对比度图像进行线性变换，可以降低图像的噪声。

2. 空间变换空间变换可以改变遥感图像的空间结构，使其更适合后续分析。

例如，将遥感图像进行旋转，可以消除由于传感器倾斜引起的图像畸变；将遥感图像进行缩放，可以改变图像的分辨率，使其更适合不同尺度的分析。

五、实验总结本次实验通过对遥感图像进行灰度变换和空间变换，提高了图像质量，为后续分析提供了更好的数据基础。

遥感图像处理实验报告（2013 —2014 学年第1学期）实验名称：图像的频率域滤波处理实验时间：实验地点：指导教师：专业班级：姓名：学号：一：实验目的1：掌握滤波器在程序语言中的定义算法2：理解图像的频率域与空间域之间的区别与联系3：在频率域对图像进行处理，达到平滑（低通滤波）与锐化（高通滤波）的目的二：实验内容1：在Matlab中定义滤波器2：对图像进行频率域处理3：对频率域的处理结果，结合第3次实验（空间域处理）结果进行对比，给出评价三：实验代码及Matlab使用心得（注释中）%清屏，清除工作空间，关闭所有绘图窗口clc;clear all;close all;%读取图像，并建立一个窗口，显示原始图像I = imread('C:\Users\浮生\Desktop\大三\Matlab\data\lena.png', 'png')figure(1)imshow(I)title('原始图像')%图像傅立叶变换%fft(X)函数的作用是，返回矩阵X的【二维离散傅立叶变换】结果%fft()函数采用快速傅立叶变换算法，运算结果的行列数与被变换矩阵的规格相同F = fft2(I);%fftshift()函数的功能则是把FFT的DC分量移动到频谱矩阵的中心%在直观上，就是把低频信息移到矩阵中心，便于直观观看图像的频谱F = fftshift(F);%由于FFT的运算结果的数值跨幅过大%直接显示的话只能看到一个小亮点%为了显示的直观，我们需要自行定义灰度显示幅度%在本例中，我们定义显示幅度为0-50000figure(2);imshow(abs(real(F)), [0 50000]);title('频率域图像')%%%%%%定义滤波器之前的准备工作%%%%%[m n] = size(I);%读取图像的规格p = m/2;%定义两个计数器p和qq = n/2;%用以控制滤波器的遍历过程image = zeros(m,n);%%%%%%截止频率为50的理想低通滤波器%%%%%%%低通滤波器，即让频率高于阈值的信号值为0，而在阈值之下的所有信号保持原样%反映在图像操作中，将去除高频信息，达到平滑的效果lowpass_50 = F;for u = 1:mfor v = 1:nif sqrt((u-p)^2 + (v-q)^2) < 50%什么也不做;elselowpass_50(u, v) = 0;endendend%显示频率域图像figure(3);imshow(abs(real(lowpass_50)), [0 50000]);title('频率域图像截止频率为50的理想低通滤波器');%傅立叶逆运算反算图像image = ifftshift(lowpass_50);%还原矩阵image = ifft2(image);%傅立叶逆运算image = abs(real(image));%复数取实部%显示处理结果图像figure(4);imshow(image, []);title('处理结果截止频率为50的理想低通滤波器')%%%%%%截止频率为100的理想低通滤波器%%%%%%lowpass_100 = F;for u = 1:mfor v = 1:nif sqrt((u-p)^2 + (v-q)^2) < 100%什么也不做;elselowpass_100(u, v) = 0;endendend%显示频率域图像figure(5);imshow(abs(real(lowpass_100)), [0 50000]);title('频率域图像截止频率为100的理想低通滤波器'); %傅立叶逆运算反算图像image = ifftshift(lowpass_100);%还原矩阵image = ifft2(image);%傅立叶逆运算image = abs(real(image));%复数取实部%显示处理结果图像figure(6);imshow(image, []);title('处理结果截止频率为100的理想低通滤波器')%%%%%%截止频率为50的理想高通滤波器%%%%%% highpass_50 = F;for u = 1:mfor v = 1:nif sqrt((u-p)^2 + (v-q)^2) < 50highpass_50(u, v) = 0;else%什么也不做;endendend%显示频率域图像figure(7);imshow(abs(real(highpass_50)), [0 50000]);title('频率域图像截止频率为50的理想高通滤波器');%傅立叶逆运算反算图像image = ifftshift(highpass_50);%还原矩阵image = ifft2(image);%傅立叶逆运算image = abs(real(image));%复数取实部%显示处理结果图像figure(8);imshow(image, []);title('处理结果截止频率为50的理想高通滤波器')%%%%%%截止频率为100的理想高通滤波器%%%%%% highpass_100 = F;for u = 1:mfor v = 1:nif sqrt((u-p)^2 + (v-q)^2) < 100highpass_100(u, v) = 0;else%什么也不做;endendend%显示频率域图像figure(9);imshow(abs(real(highpass_100)), [0 50000]);title('频率域图像截止频率为100的理想高通滤波器');%傅立叶逆运算反算图像image = ifftshift(highpass_100);%还原矩阵image = ifft2(image);%傅立叶逆运算image = abs(real(image));%复数取实部%显示处理结果图像figure(10);imshow(image, []);title('处理结果截止频率为100的理想高通滤波器')%%%%%%截止频率为50的巴特沃斯低通滤波器%%%%%% for u = 1:m,for v = 1:nD=sqrt((u-p)^2 + (v-q)^2);Butterworth(u,v)=1/(1+D/50)^(2*2);endend%显示频率域图像figure(11);imshow(abs(real(Butterworth)), []);title('频率域图像截止频率为50的巴特沃斯低通滤波器'); %傅立叶逆运算反算图像image = F.*Butterworth;image = ifftshift(image);image = abs(ifft2(image));%显示处理结果图像figure(12);imshow(image, []);title('处理结果截止频率为50的巴特沃斯低通滤波器')%%%%%%截止频率为50的高斯低通滤波器%%%%%%for u=1:m,for v=1:nD=sqrt((u-p)^2 + (v-q)^2);Gaussian(u,v)=exp(-D^2/(2*50^2));endend%显示频率域图像figure(13);imshow(abs(real(Gaussian)), []);title('频率域图像截止频率为50的高斯低通滤波器'); %傅立叶逆运算反算图像image = F.*Gaussian;image = ifftshift(image);image = abs(ifft2(image));%显示处理结果图像figure(14);imshow(image, []);title('处理结果截止频率为50的高斯低通滤波器');四：实验结果（仅列一例）五：实验心得1：相较空域滤波，频率域滤波的算法复杂度更高。

课程实验报告我们选择的是对比度不足的pout.tif图像，从它的直方图可以算出，它的灰度值大概在[0.3 0.7]这个范围内，所以我们要调整它的灰度范围，改为[0 1],增大灰度范围，从而增强对比度。

2.直方图均衡：选择一幅灰度直方图不均匀的图像，对该图像进行直方图均衡处理，显示处理前、后的图像以及它们的灰度直方图。

由图可以看出，原始图像直方图很不均匀，大多数像素值集中分布在零附近的低灰度区，反映原图像偏暗而不清晰；均衡化后图像的直方图比较均匀，反映均衡化后图像图像比原图像清晰。

由图可以看出，原始图像直方图分布不均匀，大多数像素集中在[0.3 0.7]这个范围内，反映原图像不清晰；均衡化后图像直方图比较均匀，反映均衡化后图像比原图像清晰。

实验中的体会（如实验过程中遇到的问题及其解决的方法等）本次实验并不难，在课上就能做完实验和完成实验报告，觉得这样的实验挺好的，课后有更多的时间可以看书。

实验过程中还是遇到了软件的问题，很不解为什么同样的代码在实验课上不能通过，但是在宿舍就可以，有时候会浪费一些时间解决软件问题。

不过还是挺开心的，每次实验课完成都能够更理解更清楚理论课的知识。

附录: （MATLAB程序）%EX1close all;clear all;I=imread('pout.tif');J=imadjust(I,[0.3 0.7],[0 1]);figure;subplot(2,2,1);imshow(I);title('原始图像');subplot(2,2,3);imhist(I);title('原始图像的直方图');友情提示：范文可能无法思考和涵盖全面，供参考!最好找专业人士起草或审核后使用，感谢您的下载！。

实验五遥感图像处理实验目的：通过上机操作，了解空间增强、辐射增强、频率域增强等几种遥感图象增强处理的过程和方法，加深对遥感图象增强处理的理解。

通过上机操作，初步掌握遥感信息融合的方法，深入理解遥感信息融合在信息解译中的意义。

实验内容：ENVI中进行直方图的交互式拉伸、卷积滤波处理、频率域滤波FFT。

多光谱数据与高分辨率全色数据的融合。

一、遥感图像增强处理部分1、直方图的交互式拉伸ENVI 用2% 的系统默认线性拉伸值来显示所有图像(两边均舍去信息量的2%)，经过这样处理后合成的假彩色图像层次分明、地物差异大，各类地物易于判别。

从Enhance子菜单选择Interactive Stretching，出现一个新的对话框，它包含输入和输出的直方图。

若显示一幅RGB 彩色图像，则出现三个直方图窗口，一个直方图对应于一个波段。

打开交互式对话框在主图像窗口，选择Enhance > Interactive stretching.在交互式对比度拉伸对话框中将显示输入和输出直方图，它们表明了当前的输入数据以及分别应用的拉伸。

两条垂线（虚线）表明了当前拉伸用到的最小和最大值。

对于彩色图像来说，直方图的颜色与所选择的波段颜色一致。

交互式直方图窗口的底部会列出拉伸类型和直方图来源。

注意：要把任何拉伸或直方图变化自动地应用于你的图像，选择Options > Auto Apply: On.◆浏览数据细节要浏览当前的DN值和指定DN值的像元数、直方图以及累积直方图，可以在直方图内按住鼠标左键并拖放随之产生的白色十字交叉指针。

◆设置拉伸参数要更改最小和最大拉伸值，在任意一条垂直虚线上点击鼠标左键，然后拖曳到一个新位置。

或在对话框顶部的文本框中输入所需值。

当选择任意一条线时，当前的DN、像元数、该单位DN 的像元百分比以及累积百分比，显示在输入的直方图上。

当指定最小和最大值时，输入所需要的实际值（例如，最小值37，最大值68 ）或数据的百分比（例如，最小值“2%”，最大值“98%”）。

遥感数字图像处理实验报告（三）姓名：学号：班级：指导老师：1）项目名称：遥感图像空域增强处理2）实验目的：1. 掌握遥感图像直方图增强的各种方法，对各种增强结果进行对比分析，了解和掌握使用各种方法进行图像处理的特点和优势，有助于突出哪方面的信息等。

2. 掌握遥感图像的各种邻域增强方法，进行算子分析和结果对比，掌握各种方法的特点以及使用该增强方法有助于突出的信息。

3）实验原理：空间增强技术是利用像元自身及周围像元的灰度值进行计算，达到增强图像、突出图像中的某些方面信息的目的。

实验选择使用ERDAS IMAGINE 软件进行操作。

该软件共提供了如下空间增强处理功能：对应的如图14）数据来源及数据基本信息：（下载源、波段数、对应的波长、分辨率、投影、地区）图像数据来自国际科学数据服务平台，Landsat5 2010年9月18日的图像，是经裁剪后的图像。

图像共7个波段，波段1-5和波段7的空间分辨率为30米，6波段（热红外波段）的空间分辨率为120米。

对应的波段、波长、分辨率、主要作用如表：图像采用的投影为WGS 84投影，条带号为122，行编号为36，覆盖豫东、皖北、苏北、鲁西四省交界地区。

裁剪后的图像范围为河南省永城市东西城区及周边。

5）实验过程：空间邻域增强：1）卷积增强（Convolution）卷积处理的关键是卷积算子即系数矩阵的选择，该系数矩阵又称卷积核。

ERDAS IMAGINE 卷积算子分为3×3、5×5、7×7三组，每组有都包括Edge Detect、Edge Enhance、Low Pass、High Pass、Horizontol、Vertical、Summary等七种不同的处理方式，本实验仅选取3×3、5×5、7×7的Edge Detect 边缘检测和5×5的Edge Enhance、Low Pass、HighPass、Horizontol、Vertical、Summary 共计9种处理方式以做对比。

遥感图像增强实验报告引言遥感技术在地球科学和环境科学领域有着广泛的应用，其中图像增强是遥感图像处理的重要环节之一。

图像增强旨在改善遥感图像的视觉效果，使得图像的细节更加清晰、对比度更加鲜明，以便更好地进行地表特征的识别和分析。

在本次实验中，我们将探讨常用的图像增强方法，并且使用实际遥感图像进行增强实验。

实验目的1. 了解遥感图像增强的基本概念和方法。

2. 掌握常见的图像增强方法的实施过程。

3. 分析和比较不同图像增强方法的效果，选择最适合的增强方法。

实验步骤1. 数据准备：选择一张遥感图像作为实验数据，确保图像分辨率适中、含有一定的地表特征。

2. 灰度拉伸：使用灰度拉伸方法增强图像的对比度。

首先计算图像的最小灰度值（Min）和最大灰度值（Max），然后通过线性变换将灰度值映射到0-255的范围内。

3. 直方图均衡化：利用直方图均衡化方法增强图像的细节。

首先计算图像的灰度直方图，然后按照直方图均衡化的公式对每个灰度值进行调整。

4. 自适应直方图均衡化：对比直方图均衡化方法，自适应直方图均衡化能够避免对整个图像进行均衡化，而是通过使用局部领域内的信息来进行均衡化。

5. 对比度增强：使用对比度增强方法增强图像的对比度。

可以通过调整图像的亮度、对比度和饱和度来实现。

6. 结果分析：根据实验结果分析不同图像增强方法的效果，选择最佳的增强方法。

实验结果与分析经过实验，我们得到了经过不同图像增强方法处理后的图像。

通过对比实验前后的图像，我们可以得出以下结论：1. 灰度拉伸方法能够有效增强图像的对比度，使得图像的亮度范围更广，细节更加清晰。

2. 直方图均衡化方法能够增强图像的细节，特别是在暗部和亮部细节的表现上有显著提升。

3. 自适应直方图均衡化方法相比于普通直方图均衡化方法在处理具有大范围对比度差异的遥感图像时效果更好，避免了过度增强和信息损失。

4. 对比度增强方法可以通过调整图像的亮度、对比度和饱和度来增强图像的视觉效果，但对于某些场景可能会导致图像过度增强或过度饱和。

灰度图像处理实验报告实验背景灰度图像处理是图像处理中的一项重要任务，它通过将彩色图像转换为仅包含灰度信息的图像，从而简化图像处理的复杂度。

灰度图像处理在计算机视觉、图像识别和模式识别等领域有着广泛的应用。

实验目的本实验的目的是通过python编程实现灰度图像处理算法，包括灰度化、二值化、图像平滑以及直方图均衡化等，从而深入理解灰度图像处理的原理和算法，并掌握实现相关算法的编程技巧。

实验过程1. 数据准备在本次实验中，我们选用了一张彩色图像作为处理对象，该图像包含丰富的纹理和明暗变化。

首先，我们需要将彩色图像转换为灰度图像，以便后续的处理。

2. 灰度化灰度化将彩色图像转换为灰度图像，即将每个像素点的RGB三个分量的值按照一定的权重进行加权平均，得到对应的灰度值。

常用的加权平均法为：Gray = 0.299 * R + 0.587 * G + 0.114 * B上述公式中的0.299、0.587和0.114是经验值，表示红、绿和蓝三个分量的权重。

3. 二值化二值化将灰度图像转换为二值图像，即将每个像素点的灰度值与一个阈值进行比较，若大于阈值，则该像素点的值为255（表示白色），否则其值为0（表示黑色）。

在实际应用中，阈值的选取通常需要根据具体的图像和任务进行调整。

4. 图像平滑图像平滑是为了减少图像的噪声和细节，使得图像更加平滑，在一些图像处理任务中有着重要的应用。

常用的图像平滑算法包括均值滤波、中值滤波和高斯滤波等。

在本次实验中，我们选择了均值滤波作为图像平滑的算法，并使用一个3x3的滤波模板对图像进行卷积操作。

5. 直方图均衡化直方图均衡化是一种常用的图像增强技术，通过对图像的灰度级进行重新分配，使得原始图像中较暗的像素点和较亮的像素点在直方图上均匀分布，从而增强图像的对比度和视觉效果。

实验结果经过实验，我们得到了经过灰度化、二值化、图像平滑和直方图均衡化等处理后的图像。

与原始彩色图像相比，经过灰度化的图像丢失了颜色信息，但保留了图像的亮度信息；经过二值化的图像将图像的亮度信息进一步简化，只保留了黑色和白色两种颜色；经过图像平滑的处理，图像的细节和噪声得到了一定程度的抑制；经过直方图均衡化的处理，图像的对比度得到了显著的提升，整体的视觉效果更好。

第1篇一、实验背景与目的随着遥感技术的不断发展，遥感影像已成为获取地球表面信息的重要手段。

遥感影像处理是对遥感影像进行一系列技术操作，以提高影像质量、提取有用信息的过程。

本实验旨在通过实践操作，让学生掌握遥感影像处理的基本原理和常用方法，提高学生对遥感影像数据的应用能力。

二、实验内容与步骤本次实验主要包括以下内容：1. 数据准备：获取实验所需的遥感影像数据，包括光学影像、红外影像等。

2. 影像预处理：对原始遥感影像进行辐射校正、几何校正、图像增强等处理。

3. 影像分割：对预处理后的影像进行分割，提取感兴趣的目标区域。

4. 影像分类：对分割后的影像进行分类，识别不同的地物类型。

5. 结果分析：对分类结果进行分析，评估分类精度。

三、实验步骤1. 数据准备- 获取实验所需的遥感影像数据，包括光学影像、红外影像等。

- 确保影像数据具有较好的质量和分辨率。

2. 影像预处理- 辐射校正：对原始遥感影像进行辐射校正，消除大气、传感器等因素对影像辐射强度的影响。

- 几何校正：对原始遥感影像进行几何校正，消除地形起伏、地球曲率等因素对影像几何形状的影响。

- 图像增强：对预处理后的影像进行图像增强，提高影像对比度、清晰度等。

3. 影像分割- 选择合适的分割方法，如基于阈值分割、基于区域生长分割、基于边缘检测分割等。

- 对预处理后的影像进行分割，提取感兴趣的目标区域。

4. 影像分类- 选择合适的分类方法，如监督分类、非监督分类等。

- 对分割后的影像进行分类，识别不同的地物类型。

5. 结果分析- 对分类结果进行分析，评估分类精度。

- 分析分类结果中存在的问题，并提出改进措施。

四、实验结果与分析1. 影像预处理结果- 经过辐射校正、几何校正和图像增强处理后，遥感影像的质量得到显著提高，对比度、清晰度等指标明显改善。

2. 影像分割结果- 根据实验所采用的分割方法，成功提取了感兴趣的目标区域，分割效果较好。

3. 影像分类结果- 通过选择合适的分类方法，对分割后的影像进行分类，成功识别了不同的地物类型。