遥感图像处理计算题PPT课件

➢采用距离衡量相似度 时，距离越小相似度 越大。 ➢采用相关系数衡量相 似度时，相关程度越 大，相似度越大。
2
二、分类方法
非监督分类（ Unsupervised classification ）： 是在没有先验类别（训练场地）作为样本的条件 下，即事先不知道类别特征，主要根据像元间相 似度的大小进行归类合并（即相似度的像元归为 一类85%，模板需要要重建。
35
三、图像分类中的有关问题
1、未充分利用遥感图像提供的多种信息 只考虑多光谱特征，没有利用到地物空间关系、
图像中提供的形状和空间位置特征等方面的信 息。 统计模式识别以像素为识别的基本单元,未能利 用图像中提供的形状和空间位置特征,其本质是 地物光谱特征分类
（3）多级切割分类法 （4）特征曲线窗口分类法
监督分类的一般步骤
采集训练样本 建立模板 评价模板 初步分类 检验分类
分类后处理 分类特征统计
训练样本选择：
取决于用户对研究区及类别的了解程度。
1）矢量多边形：使用矢量图层；自定义AOI多边形； 2）标志种子象素：利用AOI工具，用十字光标标出 一个象元作为种子象素（seed pixel）代表训练样本， 其相邻象素根据用户指定参数进行比较，直到没有 相邻象元满足要求，这些相似元素通过栅矢转换成 为感兴趣区域。
46
小波分析
小波理论起源于信号处理。由于探测精度的限
制．一般的信号都是离散的，通过分析认为信号是由多
个小波组成的，这些小波代表着不同的频率持征。小波
函数平移、组合形成了小波函数库，通过小波函数库中
区间的变化可以对某些感兴趣的频率特征局部放大，因
此．小波函数被称为数学显微镜。
47
小波分析
小波分析方法的基本思想就是将图像进行多分辨率 分解．分解成不同空间、不同频率的子图像、然后再对子 图像进行系数编码。基于小波分析的图像压缩实质上是对 分解系数进行量化的压缩。

减色法：从自然光（白光）中减去一种或两种基色光而产 生色彩的方法。
加色法彩色合成与减色法彩色合成
Байду номын сангаас
加色法三原色
减色法三原色
三、光学增强处理
✓ 图像的光学增强处理方法具有精度高， 反映目标地物 更真实，图像目视效果等优点，是遥感图像处理的重 要方法之一。
✓ 计算机图像处理的优点在于速度快、操作简单、效率 高等优点，有逐步取代光学方法的趋势。
2、颜色的性质：
所有颜色都是对某段波长有选择地反射而对其他波长吸收的结果。 颜色的性质由明度、色调、饱和度来描述。
（1）明度：是人眼对光源或物体明亮程度的感觉。物体
反射率越高，明度就越高。
（2）色调：是色彩彼此相互区分的特性。 （3）饱和度：是色彩纯洁的程度，即光谱中波长段是否窄，
频率是否单一的表示。
第一节 遥感图像的光学处理原理及方法
一、颜色视觉
1、亮度对比和颜色对比
（1）亮度对比：对象相对于背景的的明亮程度。改变对
比度，可以提高图象的视觉效果。 C=(L对象 – L 背景）/ L 背景
（2）颜色对比：在视场中，相邻区域的不同颜色的相互
影响叫做颜色对比。两种颜色相互影响的结果，使每种颜 色会向其影响色的补色变化。在两种颜色的边界，对比现 象更为明显。因此，颜色的对比会产生不同的视觉效果。
③ 色度图：可以直观地表现颜色相加的 原理,更准确地表现颜色混合的规律.
CIE色度图
3、颜色相减原理
减色过程:
白色光线先后通过两块滤光片的过程.
颜色相减原理:当两块滤光片组合产生颜色混合时,入
射光通过每一滤光片时都减掉一部分辐射，最后通过的光是经过 多次减法的结果.
减法三原色:黄、品红、青

遥感图像的数字化处理技术
介绍遥感图像数字化处理的常用方法，如图像增强、图像融合、图像压缩和图像分割。
遥感图像的分类方法和技术
讲解遥感图像的分类方法，包括监督分类和非监督分类，以及常用的分类算法和技术。
遥感图像的特征提取技术
探讨遥感图像特征提取的方法，包括手工特征提取和基于机器学习的特征提 取技术。
遥感图像的实际应用
探索遥感图像在环境监测、自然资源管理、城市规划和农业等领域的实际应 用案例。
遥感图像处理软件的常用工具 和功能
介绍遥感图像处理软件的常见工具和功能，包括影像处理、特征提取、目标 检测和空间分析。
遥感图像处理中的预处理技术
讨论遥感图像处理中的预处理技术，包括辐射校正、大气校正和几何校正等。
遥感图像处理
本课程将介绍遥感技术的基础知识，并深入探讨遥感图像的获取、处理、分 类和特征提取解遥感技术的定义、原理和应用范围，以及不同类型的遥感传感器和遥感 平台。
遥感图像的获取与处理流程
深入了解遥感图像的获取过程，包括数据源选择、遥感数据的预处理、辐射 校正和几何校正。

19
仪器所引起 的条带噪声
• 引起辐射畸变的原因：是由于探测器的不正常功能 或不同敏感度、地形因素和大气因素等造成的。
20
二、大气引起的辐射预处理
大气引起的辐射变化
21
大气引起的辐射预处理方法
• 1、物理模型法 ：
• 根据辐射通过大气层时的物理原理进行建模。 • 优点：具有严密、准确和适用广。 • 缺点：模型复杂，而且需要大量难以获得的参数，所以可
较大区域或整幅影像 较小区域或局部影像
28
§3 几何校正
• 原始遥感图像上常存在各种像元位置误差，使图像表现出旋 转、中心偏离、偏扭、梯形变化、纵横向比例尺不一致、边 缘与中心比例尺不一致等变形，因此需要进行几何校正。
数学变换
29
简述引起遥感影像几何变形的原因？
30
一、导致几何畸变的原因：
• 遥感平台姿态变化、地球自转和球面弯曲、大气折 射、地形起伏等外部因素综合作用导致几何变形。
x=fx(u,v) y=fy(u,v)
上述数学关系常表示为二元多项式（一次、二次、三次或更高 次）表达，其中二元二次多项式可以表示为：
x a00 a10u a01v a11uv a20u2 a02v2
y

b00

b10u

a01v

b11uv

b20u 2

b02v 2
• 1、地面控制点的选取方法
• 控制点分布均匀，边界、四角要有，以避免图像校正不能满 幅，地形起伏大的区域要多选；所选点在图像上要易辨认且 目标较小，如道路的交叉点、河流的分叉处或弯曲处、飞机 场等，而且这些特征在研究时间范围内没有变化。
道路交叉口

5.6 空间滤波增强
5.6.1 邻域处理 5.6.2 卷积运算 5.6.3 平滑 5.6.4 锐化
5.6.1 邻域处理
对于图像中的任一像元（i，j）：
5.6.2 卷积运算
5.6.3 平滑
平滑方法处理图像后，使图像亮度变得平缓， 减小其剧烈变化或者去掉不必要的噪声点。
1） 均值平滑
33 模板为例
g(x,
y)

g f
(x, (x,
y),当 y),当
f (x, y) g(x, y) f (x, y) g(x, y)
T T
2） 中值滤波平滑
中值滤波是对以每个像元为中心的邻域内 的所有像元按灰度值大小排序，用其中值 作为中心像元新的灰度值 。
应用实例： 一幅5*5大小的图像，采用1*3的模板做中值滤
波处理，最左、最右边缘保留原值。
SUCCESS
THANK YOU
2019/7/26
5.6.4 锐化
1）梯度法——非线性锐化滤波器
何谓梯度？
图像某区域变化剧烈的时候，区域上的像素 之间灰度值差异较大，则此处区域的梯度值就越大；
相反，图像变化缓慢的区域，像素灰度值差异 较小，其梯度值也越小。
梯度的数学描述 ：
a) Roberts梯度（罗伯特梯度）
用交叉方法检测出像 元与其邻域在上下之间或 左右之间或斜方向之间的 差异，达到提取边缘信息 的目的。
b) Prewitt和Sobel梯度
（派瑞特梯度） （索伯尔梯度）
Sobel梯度模板
SUCCESS
Tห้องสมุดไป่ตู้ANK YOU
2019/7/26

02
人工智能在遥感图像处理中可以应用 于地物分类、目标检测、变化检测等 方面。通过训练人工智能算法，使其 能够自动识别和分类地物，提高遥感 数据的利用价值和精度。同时，人工 智能算法还可以对遥感数据进行自动 化分析和处理，提高数据处理效率。
03
人工智能在遥感图像处理中需要解决 的关键问题包括数据标注、模型训练 和优化等。同时，还需要考虑人工智 能算法的可解释性和可靠性，以确保 其在实际应用中的效果和安全性。随 着技术的不断发展，人工智能在遥感 图像处理中的应用将进一步提高遥感 数据的利用价值和精度。
详细描述
遥感图像存储与处理是遥感技术应用的核心环节之一。 在这个过程中，原始数据会经过一系列的预处理、增强 和分类等操作，以提高图像质量和提取更多有用的信息 。例如，辐射定标、大气校正、几何校正等预处理操作 可以提高图像的精度和可靠性；图像增强技术如对比度 拉伸、滤波等可以提高图像的可视化效果和特征提取能 力；分类和目标检测等技术则可以对图像进行语义化表 达和信息提取，以满足不同应用的需求。
遥感图像处理涉及的技术包括辐 射校正、几何校正、图像增强、 信息提取等。
遥感图像处理的重要性
遥感图像处理是遥感技术应用的关键 环节，能够提高遥感数据的精度和可 靠性，为各领域提供更准确、更全面 的信息。
通过遥感图像处理，可以提取出更多 有用的信息，为决策提供科学依据， 促进各行业的智能化发展。
遥感图像处理的应用领域
图像预处理技术
01
02
03
04
去噪
消除图像中的噪声，提高图像 的清晰度。
校正
纠正图像的几何畸变和辐射畸 变，使图像更接近真实场景。
配准
将不同来源的图像进行坐标对 齐，以便于后续的图像分析和

2021/3/12
14
监督分类
数据：连云港海岸带TM影像图 要求：1）利用上面直方图均衡化之后的图像
2）提取植被、水体、房屋、农田、盐田 等主要地物
2021/3/12
15
1）样本信息提取标志
植被信息提取
TM4是近红外区的唯一的通道，在TM4单波段 的影像上，植被极易与水体区分。在遥感影像 上，植被以红色放映出来，极易于其他地物区 分。在TM4波段中，植被反射近红外的强弱与 植被的生活力、叶面积指数和生物量等信息有 关，而且TM4的光谱信息有较大的独立性。因 此，TM4是反映植被信息的重要波段。在图上 呈现深红色，表面有不规则纹理，较集中并且 大面积分布的区域我们判断为植被。
遥感图像处理 —ERDAS遥感数字图像处理
2021/3/12
1
1彩色合成处理
真彩色合成 彩 色 合 成
假彩色合成
2021/3/12
2
利用数字技术合成真彩色图像时
把红色波段的影像作
为合成图像的红色分 R通道
量
把绿色波段的影像作 为合成图像中的绿色 分量
把蓝色波段的影像作
G通道 B通道真真源自彩Natural color composition
亮度范围） ➢ 输出数据统计时忽略零值：Ignore Zero in Stats ➢ OK，执行直方图均衡化处理。
2021/3/12
13
4 遥感数字图像分类的软件演示
目的：深刻理解遥感数字图像的计算机分类的 原理和方法。熟悉在ERDAS里进行图像的计算 机分类的具体方法和步骤。
软件：ERDAS IMAGINE9.1 内容：监督分类。
2021/3/12
16
农田信息提取

像元对应于地面宽度的不等 HOME 36
＞ L3-L1 ，距星下点越远畸变 越大，对应地面长度越长。
遥感影像变形的原因
• 地表曲率的影响
全景畸变：即当传感 器扫描角度较大时 ， 影响更加突出，造成 边缘景物在图像显示 时被压缩 。假定原地 面真实景物是一条直 线，成像时中心窄 、 边缘宽， 但图像显示 时像元大小相同 ，这 时直线被显示成反 S形 弯曲。
X F1 ( x, y ) Y F2 ( x, y )
（1）
• 式中的x、y为像元在原始图像上的坐标，X、Y为 像元在校正后的图像（目的图像，即参考图像） 上的坐标。得到函数F1(x,y)和F2(x,y)的方法是选择 原始图像和目的图像同名点对，采用多项式逼近 法求得。
43
• 即：
无论是卫星还是飞机，运动过程中都会由于种种原因产 生飞行姿势的变化从而引起影像变形。
28
遥感影像变形的原因
• 地形起伏的影响
当地形存在起伏时， 会产生局部像点的位 移，使原来本应是地 面点的信号被同一位 置上某高点的信号代 替。由于高差的原因， 实际像点 P 距像幅中 心的距离相对于理想 像点P0距像幅中心的 距离移动了△r。
40
2、几何畸变校正
（1）基本思路
校正前的影像看起来是 由行列整齐的等间距像元 点组成的，但实际上，由 于某种几何畸变，影像中 像元点间所对应的地面距 离并不相等（图 a ）。校 正后的影像亦是由等间距 的网格点组成的，且以地 面为标准，符合某种投影 的均匀分布（图 b ），影 像中格网的交点可以看作 是像元的中心。校正的最 终目的是确定校正后影像 的行列数值，然后找到新 影像中每一像元的亮度值。
13
磁带
输入 数字化 扫描 几何校正 图像复原 辐射校正 反差增强 数字图像处理

傅里叶变换
通过线性或非线性变换来调整像素强度范围，增强图像的对比度。
对比度拉伸
通过增强高频分量来增强图像的边缘和细节信息。
锐化滤波
通过将图像的低频和高频分量分离并分别处理，增强图像的对比度和细节信息。
同态滤波
02
01
03
04
05
遥感图像的融合处理
06
图像融合是将多源信道所采集到的关于同一目标的图像，通过一定的图像处理和信息融合技术，提取各自信道的信息并最终复合在一起，形成高质量、全面、准确的图像。
THANKS
几何校正的方法
遥感图像的噪声去除
04
VS
噪声去除是遥感图像预处理中的重要步骤，旨在减少或消除图像中的噪声，提高图像质量。
意义
噪声是影响遥感图像质量的主要因素之一，去除噪声有助于提高图像的视觉效果、降低后续分析的误差，为遥感应用提供更准确、可靠的数据基础。
定义
基于图像的统计特性，通过滤波、变换等技术手段，将噪声与图像信号分离，从而达到去除噪声的目的。
意义
原理
基于图像的数学模型和物理模型，通过一定的算法和技术，对图像的像素值进行变换和处理，以达到增强图像的目的。
方法
直方图均衡化、对比度拉伸、锐化滤波、同态滤波、傅里叶变换等。
通过拉伸像素强度分布范围来增强图像的对比度。
直方图均衡化
将图像从空间域变换到频率域，通过增强高频分量或抑制低频分量来增强图像的3
几何校正的定义
几何校正是指将原始的遥感图像经过一系列的变换，使其与标准地图或参考地图在几何位置上对齐的过程。
几何校正的意义
几何校正是遥感图像预处理的重要步骤，它能够纠正图像中由于传感器、地球曲率、地球自转等因素导致的几何畸变，提高遥感图像的精度和可靠性，为后续的图像分析和应用提供准确的基础数据。

主要有两种方法：K-L变换（主成分变换）和 k-T变换（缨帽变换）。
学习这两种方法，首先需要认识多光谱空间。
11
5.3 遥感图像增强与变换
多光谱图像变换
多光谱特征空间是一个n维坐标系，每一个坐 标轴代表多波段图像的一个波段，坐标值表示该波 段像元的灰度值，图像中的每个像元对应于坐标空 间中的一个点。
像元相加后的值若超出了显示范围(0-255)， 则需要乘一个正数a，以确保数据值在允许范围。
加法运算主要用于对同一区域的多幅图像求平 均，可以有效减少图像的加性噪声。
2
5.3 遥感图像增强与变换
图像运算
2、差值运算 又称作减影技术。指两幅同样大小的图像对应 像元的灰度值相减。设有两幅图像，差值公式为：
14
5.3 遥感图像增强与变换
多光谱图像变换
上式也可以写成：
表示对图像中每一像元矢量逐个逐个乘以矩阵 A，便得到新图像中的每一个像元矢量。A的作用是 给多波段的像元亮度加权重系数，实现线性变换。 由于变换前各波段具有很强相关性，变换后Y的各 分量间将具有最小的相关性。
15
5.3 遥感图像增强与变换
例如在红外波段植被与浅色土壤，在红波段与 深色土壤及水体很难分开，当用红外波段减去红波 段时，由于植被在这两个波段的反射率差异很大， 相减后植被像元具有很高的差值；而土壤和水体在 这两个波段的反差很小，因此在差值图像中植被信 息得到突出，很容易找到其分布区域和面积。
4
5.3 遥感图像增强与变换
图像运算
18
5.3 遥感图像增强与变换
多光谱图像变换
K-T变换主要应用于针对TM数据和曾经广泛使 用的MSS数据。K-T变换是对原图像的坐标空间进行 平移和旋转，变换后的新坐标轴具有明显的景观含 义，可与地物直接联系。对于TM和MSS数据，转换 矩阵不同。