试验四22图像增强.docx

试验四22图像增强.docx

《试验四22图像增强.docx》由会员分享，可在线阅读，更多相关《试验四22图像增强.docx（15页珍藏版）》请在冰豆网上搜索。

试验四22图像增强

图像增强

姓名：

王泗凯学号：

2012045043日期：

2014年4月21日

1．地物提取

1.1实验内容：

统计水体、植被、城市的亮度值，根据光谱曲线，分别选用合适的波段及代数运算方法提取上述三类地物。

1.2实验步骤：

首先打开一幅假彩色图像，如图所示:

然后在Image的工具栏下选择：

Tools->Profiles->Zprofile（Spectrum），弹出如图所示的光谱曲线图：

在地物光谱曲线图的工具栏上选择OPtions->CollectSpcetra，然后即可在Zoom窗口中分别在水体、植被、城市上选点，即可得到一系列个地物的光谱曲线，如图：

在上图所示的光谱曲线图中，处于最下面的那一组线表示水体，用最大值对应的波段减去最小值对应的波段，然后在BandMath中输入该公式，即可实现对水体的提取，此处水体的提取公式为b1-b6。

按此方法可实现对城市和植被的提取。

水体、城市和植被处理后的图像分别如下图所示：

水体：

城市：

植被：

打开提取出的水体图像，然后在Image窗口的工具栏中选择Enhance->InteractiveStreching，根据直方图可以确定出水体的灰度值范围，此处水体的灰度值范围为57——70，然后再次在Image窗口的工具栏中选择：

Tools->ColorMapping->DensitySlice，将水体设置为蓝色，即可实现见水体和其它地物区分出来，如图：

遵照以上步骤可分别将城市和植被和城市和其它地物区分开来，分别如图：

植被：

城市：

2．傅里叶变换

2.1傅里叶正变换：

打开图像——Filter——FFTFiltering——ForwardFFT——选择变换图像，变换后如下右图：

2.2傅里叶自定义：

Filter——FFTFiltering——FilterDefinition——调节通过区域——Apply，过程图如下：

2.3傅里叶逆变换：

Filter——FFTFiltering——InverseFFT——选择输出图像（正变换后图像）和滤波器（自定义结果图），逆变换结果如下右图：

3.K-L变换

3.1K-L正变换：

打开图像->Tansform->PrincipleComponents->ForwardPCRotation->ComputeNewStatsandRotate进行K-L变换，结果如下右图：

变换前后第一、二波段及分量的散点图如下图：

3.2K-L逆变换：

Tansform->PrincipleComponents->InversePCRotation进行K-L逆变换，变换后如下右图：

4.K-T变换

4.1K-T正变换：

打开图像->Tansform->IndependentComponents->ForwardICRotation->ComputeNewStatsandRotate->输出*.trans文件：

变换后如下右图：

4.2K-T逆变换：

Tansform->IndependentComponents->InverseICRotation->选择变换图像和上面输出的*.trans文件，结果如下右图：

5.自行计算K-L变换

BasicTools->Statistics->ComputeStatistic,选择原数据文件，弹出窗口，勾选上“直方图”和“协方差”，弹出统计结果：

然后统计结果保存为txt文件，再在Execl中打开txt文件中的数据，保留特征值和特征矩阵，在Excel表中进行相应的数据运算处理：

在BandMath中输入公式（将7个波段分别与主成分U矩阵各分量的7个数对应相乘再相加）：

完成对K-L变换的自行计算，如下左图：

第一二分量散点图：

中心化结果（左）：

差值图（左）：

第一分量散点图：

6.实验结果见实验过程

7.结果分析

K-T变换较好的分离了土壤和植被。

大部分的土壤信息集中在SB分量（相当于K-L变换的第一主分量），对土壤的分类是有效的。

植被信息大部分集中在GV分量（相应K_L变换的第二主分量），对植被的分类是有效的。

而K-L变换后各波段之间不相关，可以生成更多颜色、饱和度更好的彩色图像。

在K-L变换中，软件计算与自行计算的第一分量的散点图成一条直线，说明二者高度相关。