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。