北京建筑大学 遥感基础 PPT第四次课 图像处理)

主成分分析的原理如图所示，原始数据为二维数据，两个分量 为x1、x2之间存在相关性，通过投影，各数据可以表示为y1轴上的 一维点数据，从二维空间中的数据变成一维空间中的数据会产生信 息丢失，为了使信息损失最小，必须按照使一维数据的信息量（方 差）最大的原则确定y1轴的取向。新轴y1称作第一主成分。为了进 一步汇集剩余的信息，可求出与第一轴y1正交、且尽可能多地汇 集剩余信息第二轴y2，新轴y2称作第二主成分。
5.3 图象锐化
图像锐化是增强图象中的高频成分，突出图象的边缘 信息，提高图象细节的反差，因此有时也称为边缘增强。 其图象处理的结果与平滑正好相反。
f(x,y)
g(x,y)
锐化是对领域内的图象微分，常采用的微分方法是梯度。设函 数f(x,y)在(x,y)处的梯度定义为： 梯度的模为：
遥感图像的处理
遥感图像的处理
由于土壤中氧化铁含量比较高，而(TM5/TM4)可以突出三价铁 的信息，（TM3/TM1）可以削弱水体的信息，因此，利用（TM5/TM4） /（TM3/TM1）可以突出土壤信息，同时削弱或消除水体或水分对土 壤的影响，更好地表示土壤的养分含量。
TM1能充分反映水体信息，对土壤湿度变化反映敏感，因此，利用 (TM5/TM7)/(TM4/TM3), (TM5/Tm4)/(TM3/TM1)，TM1合成的彩色图 象有效地剔除了植被的影响，同时可以突出土壤湿度和土壤中养分 含量的变化。再经过快速高斯变换，植被特别茂密显示深蓝色，裸 露地呈现淡紫色，农田为土灰色，其他覆盖较差的林地呈现青绿色
因此，主成分分析满足如下准则： ①主成分分析算法是一正交变换； ②主成分分析后所得到的向量Y中各元素互不相关； ③从主成分分析后所得到的向量Y中删除后面的(n-d) 个元素而只保留前d(d<n)个元素时所产生的误差满足平方 误差最小的准则。
在遥感图象分类中，常常利用主成分分析算法来消除 特征向量中各特征之间的相关性并进行特征选择。主成分 分析算法还可以被用来进行高光谱图象数据的压缩和信息 融合。例如，对TM的6个波段的多光谱图像进行主成分分 析，然后把得到的第1，2，3主分量图象进行彩色合成， 可以获得信息量非常丰富的彩色图象。
1、减法运算
B = Bx - By
Bx 和By为两个不同波段或不同时相的同一波段图像
① 不同波段：可以增加不同地物间光谱反射率，以及在两个 波段上变化趋势相反时的反差； ② 同一波段：可以反映不同时相地面目标的变化信息。 当红外与红光波段相减时，即为植被指数。
IVI = BIR - BR
2、加法运算
通过加法运算可以加宽波段，如绿色波段+红色波段 近似等于全色图像，而绿色波段+红色波段+红外波段可以 得到全色红外图像。
3、乘法运算
通过乘法运算可以达到加法运算相同的效果。
4、除法运算
B = Bx / B y
通过比值运算能减弱因地形坡度和坡向引起的辐射量变化，消 除地形起伏的影响；也可以增强某些地物之间的反差，如植物、土 壤、水在红色波段与红外波段图像上反射率是不同的，通过比值运 算可以加以区分。
5.6 K-T（缨帽）变换
上面所述的主成分分析是线性变换的一种。1976年， Kauth和Thomas发现了另一种线性变换，它使坐标空间发 生旋转，但旋转后的坐标轴不是指向主成分的方向，而是 指向另外的方向，这些方向与地面景物有密切的关系，特 别是与植物生长过程和土壤有关。这种变换既可以实现信 息压缩，又可以帮助解译分析农业特征，因此有很大的实 际应用意义。目前对这个变换的研究主要集中在MSS与TM 两种遥感数据的应用分析方面。下面先以MSS为例进行介 绍，然后再推广到TM数据。
对于浅色土壤，阴影影响较大，减少了原象元中高亮度的土壤光谱 的影响，所以尽管绿色作物近红外光谱反射随着覆盖的增加而增加， 但综合效应并没有使这条生长线升高。直到农作物成熟期的到来 （图中4处），绿色覆盖达到高峰，几乎不能得到土壤的信息，也 没有明显的阴影区，两条生长线才合为一点，不再有区别。
由此可以推理，其他土壤类型的生长线也必定到达这里，汇合后一 起继续发展，当农作物成熟变黄时，生长线向回折返，离开绿色生 物量点，经过标号5处后光谱特性继续变化，直到农作物衰老死亡 到达标号6处。待农作物全部收获完毕，地面状态恢复，从标号6处 应该各自回到土壤线上的起点位置。
为了把边缘叠加在原始图象上，可以把锐化后的图象 与原始图象复合，表达式为：
B=f(x,y)+g(x,y)=2f(x,y)-A 叠加后的效果如下图所示。
遥感图像的处理
遥感图像的处理
5.4 多光谱图象的四则运算
由于在多光谱图像中，不同波段的图像反映不同的波 谱特性，因此，自然而然的就可以想到，利用多光谱图像 的运算，来达到增加某些信息或消除某些信息的目的。
遥感图像的处理
5.2 图象平滑
图像平滑的目的在于消除各种干扰噪声，使得图象中 高频成分消退，平滑掉图象的细节，使其反差降低，保存 低频成分。图形平滑通常采用的方法是领域平均法。
f(x,y)
g(x,y)
M为领域S中的点数，S为(x,y)的领域，n和m为临域的行列数。 根据具体情况，领域可以采用3×3、5×5、7×7等规格。
遥感图像的处理
遥感图像的处理
1、阔叶林 2、针叶林 3、土 壤 4、雪 地 5、湿 地 6、水 体
如果要提取土壤信息。根据土壤、植被、水体的光谱反射特性，可 见采用TM5/TM7可以很好地表示出土壤信息和植被信息，但这种比 值运算处理或多或少地带有其它干扰信息，如植被信息、水体信息。 TM4/TM3可以很好地反映植被信息，因此，利用两者的比值 （TM5/TM7）/（TM4/TM3）可以突出土壤信息，同时削弱植被的影 响。
简称K-T变换，又形象地称为“缨帽变换”，这种变 换着眼点在于农作物生长过程而区别于其他植被覆盖，力 争抓住地面景物在多光谱空间中的特征。
一、K-T变换在MSS数据分析中的应用
以MSS2和3波段为例，选两种土壤，一 种深色，光谱特性为暗，一种浅色，光 谱特性为亮。在这两种土壤上种小麦， 选择小麦不同生长期的图象，把图象中 的象元放在2维光谱空间相应的位置上， 于是形成了两条小麦的生命发展线，构 成一个三角形的形状，如图所示。从暗 土生长线可以看出，由于叶绿素在植物 生长过程中的增加，覆盖度加大，土壤 较暗，表现为第3彼段亮度加大而第2波 段亮度减小（即近红外反射强而红光反 射低的规律）。到了4的位置便是绿色 小麦生长的顶峰，小麦光谱占上风，土 壤被覆盖，因此．4A和4B交合到一点， 然后一起变黄和衰老。
遥感图像处理篇
第五章
遥感图象的处理
内容回顾



遥感图像处理类别 遥感图像处理一般流程 遥感图像的几何校正与辐射校正 遥感图像处理系统 线性变换 直方图均衡化 直方图匹配 密度分割 非线性变换
本节课主要内容



彩色合成 图像平滑 图像锐化 多光谱图象的四则运算 主成分分析 K-T（缨帽）变换 遥感影象与GIS数据叠合
彩色合成又分为真彩色和假彩色图象。 真彩色：红光波段作为R分量、绿光波 段作为G分量、蓝光波段作为B分量。 假彩色：任意选择的波段组合，即为 假彩色合成。最常用的假彩色合成是把近 红外波段作为R分量、红色波段作为G分量、 绿色波段作为B分量进行合成。
植被在近红外波段有较高的分辨率，其次在绿色波段，按上述 方法进行真彩色合成时，绿色分量在整个象素的三个分量中占得比 重最大，所以该象素表现为绿色；而按上述方法进行假彩色红外图 象合成时，红色分量对应于植被在近红外波段的反射，在整个象素 的三个分量中占得比重最大，所以该象素表现为红色。假彩色红外 图象可以有效地突出植被要素，有利于植被的判读。
5、混合运算
归一化植被指数（NDVI） 变换NDVI（TNDVI）
玉米长势的好坏由一系列生物参数来描述，如叶面积指数、叶 绿素含量、株高等。如果能够建立遥感数据和这些参数之间的关系， 利用周期性的遥感资料就可以达到动态监测玉米长势的目的。下面 介绍几种生物参数与植被指数关系的模型。
（1）叶面积指数与植被指数关系
对于一般农作物，在第2和第3波段组成的子空间中，当植物还没发 芽时，由深色逐步过渡到浅色土壤，形成一条土壤线，由土壤线上 各点开始可以勾绘出一条农作物的生长线。1处为裸土，只反映了 土壤的光谱特性；2处为农作物破土出露，随着农作物生长，植被 覆盖度也越来越大。与此同时，由于太阳光从偏东方向入射时，使 得植物阴影的影响增加，象元的光谱值是作物、阴影和土壤的综合 反映，这时，对于深色土壤，阴影影响不大，所以随着农作物覆盖 的增加，波段3上绿色植物近红外的反射急剧增大，生长线上升；
叶面积指数（LAI）是指单位面积上植被叶片的面积，即 LAI＝单株叶片的面积x单位面积内植被的株数 叶面积指数LAI在整个玉米生长阶段是不断变化的，许多研究 表明：光谱植被指数（VI）和叶面积指数之间有十分密切的关系。 一般地，随着叶面积指数的增大，植被指数也增大，但是叶面积指 数增大到一定的值时，植被指数趋于饱和，在植被指数达到饱和前， LAI和VI之间基本上是一种线性关系。
（2）株高与植被指数关系
株高与长势是密切相关的，因此可以作为玉米长势的一个指标。 玉米株高h与植被指数(VI)的关系为：h=exp(a+b.VI)
（3）叶绿素含量与植被指数关系
叶绿素含量y与植被指数(VI)的关系为：y=exp(a多光谱图像中，不同波段的图像反映不同的波谱特性， 而遥感应用中多采用三个波段的合成，可否有一种算法，能使 的三个波段的信息集所有波段信息呢？答案是肯定的，即主成 分分析算法。
同样，可以用模板和图象的空间卷积进行锐化计算：
模板可以根据需要来设计，下面是常用的锐化算子和 锐化后的图象效果。
拉普拉斯算子：
水平方向算子：
垂直方向算子：
45°方向算子：