数字遥感图像处理.docx

数字遥感图像处理.docx

《数字遥感图像处理.docx》由会员分享，可在线阅读，更多相关《数字遥感图像处理.docx（34页珍藏版）》请在冰豆网上搜索。

数字遥感图像处理

《数字遥感图像处理》实验指导书

前言

《数字遥感图像处理》课是地理信息系统专业本科生的必修课，也是一门综合理论强和具有实用性的课程。

其任务是使学生掌握遥感数字图像处理的基本原理和基本方法。

实践教学是本课程的重要教学环节，通过学生的动手实践，可以使之对遥感数字图像处理的原理和应用有进一步的认识和理解，激发学习兴趣，掌握各类处理的基本方法和步骤，熟悉常用的遥感数字图像处理软件，培养学生解决实践问题的能力和创造力。

本课程实验教学共25学时，约占总课时的50%，安排了11个设计性实验项目。

具体为：

遥感图像的几何校正、遥感图像的辐射校正、遥感图像的辐射增强、遥感图像的空间增强、遥感图像的频率域增强、遥感图像的复合分析、遥感图像的多光谱增强、遥感数字图像的计算机分类、遥感数字图像的一般分析方法、地形分析、空间建模与实践。

上述实验项目均在老师指导下，由学生独立完成。

学生事先应认真阅读实验指导书，充分理解和掌握实验内容，指导教师则做好相关设备和材料的准备工作，并在课堂上进行软件操作的演示，具体实验步骤、参数的选择和结果分析、处理由学生独立完成。

通过实验课的学习，要求学生深入理解遥感数字图像的基本特征和遥感数字图像处理的基本原理，熟悉ERDAS遥感图像处理软件的工作环境和基本操作，掌握遥感数字图像处理的基本方法和流程。

实验一遥感图像的几何校正

一、目的和要求：

通过实习操作，理解遥感图像几何校正的基本原理和意义，掌握遥感图像几何校正的基本方法和步骤，熟悉ERDAS软件中图像几何校正的操作流程。

二、实验内容

在ERDAS软件中，采用多项式纠正方法对遥感图像进行几何精校正。

三、原理和方法

遥感图像的几何校正是指消除原始图像中的几何变形，产生一幅符合某种地图投影或图形表达要求的新图像的过程，分为几何粗校正和精校正两种。

几何粗校正是根据卫星轨道公式将卫星的位置、姿态、轨道及扫描特征作为时间函数加以计算，来确定每条扫描线上的像元坐标，这些在卫星地面站已经处理。

几何精校正主要包括两个环节：

一是像素坐标的变换，方法有多项式法、共线方程法和随机场内插值法等。

本实验采用多项式纠正法，其基本思想是回避成像的空间几何过程，认为图像变形规律可以看作平移、缩放、旋转、仿射、偏扭和弯曲以及更高次的基本变形的综合作用结果，直接对影像变形的本身进行多项式模拟。

这种方法的基本过程是利用有限个地面控制点的已知坐标，按最小二乘法求解多项式的系数，然后将各像元的坐标带入多项式进行计算，从而求得纠正后的坐标。

二是对坐标变换后的像素亮度值进行重采样，常用的灰度值重采样方法有最邻近像元法、双线性内插法、双三次卷积法三种。

最邻近像元法即是取距离采样点最近的已知像元的亮度值为采样亮度，该方法最简单，且辐射保真度较好，但会造成像点在一个像素范围内的位移，几何精度较差；双线性内插法采用采样点周围4个已知像素的亮度值在行和列方向上进行线性内插获取采样亮度，该方法计算也较简单，并具有一定的亮度采样精度，是实践中常用方法，但图像略模糊；双三次卷积法采用三次重采样函数，以采样点周围16个已知像素的亮度值进行内插采样，该方法内插精度较高，但计算量较大。

具体的校正过程主要包括：

1.选取地面控制点

地面控制点应在图像上有明显的、清晰的定位识别标志，如道路交叉点、农田边界等；应不随时间而变化；地面控制点应当均匀分布在整幅图像，且有一定的数量保证，至少应超过多项式系数的个数。

2.建立多项式纠正模型

一般次数越高，纠正精度越高，但要求控制点的数量也多，而且计算量较大，因此常用的纠正模型为二次多项式，具体可根据实际情况确定。

3.灰度值重采样

4.验证纠正精度

检查校正后的精度，要求误差控制在0.5个像元以内，当误差较大时，调整校正式或控制点。

四、实验步骤

1.显示图像文件（DisplayImageFiles）

首先，在ERDAS图标面板中点击Viewer图标两次，打开两个视窗（Viewer1/Viewer2），并将两个视窗平铺放置，操作过程如下：

ERDAS图标面板菜单条：

Session→TitleViewers

然后，在Viewer1中打开需要校正的Lantsat图像：

tmAtlanta,img

在Viewer2中打开作为地理参考的校正过的SPOT图像：

panAtlanta,img

2.启动几何校正模块（GeometricCorrectionTool）

Viewer1菜单条：

Raster→GeometricCorrection

 →打开SetGeometricModel对话框（图1-1）

→选择多项式几何校正模型：

Polynomial→OK

 →同时打开GeoCorrectionTools对话框（图1-2）和PolynomialModelProperties对话框（图1-3）。

在Polynomial Model Properties对话框中，定义多项式模型参数以及投影参数：

→定义多项式次方（PolynomialOrder）:

→定义投影参数：

（Projection）:

→Apply→Close

→打开GCPToolReferenseSetup对话框（图1-4）

图1-1SetGeometricModel对话框图1-2GeoCorrectionTools对话框

图1-3PolynomialProperties对话框图1-4 GCPToolReferenseSetup对话框

3.启动控制点工具（StartGCPTools）

图1-5ViewerSelectionInstructions

首先，在GCPToolReferenseSetup对话框（图1-4）中选择采点模式：

→选择视窗采点模式：

ExistingViewer→OK

→打开ViewerSelectionInstructions指示器（图1-5）

→在显示作为地理参考图像的Viewer2中点击左键

→打开ReferenceMapInformation提示框（图1-6）；→OK

→此时，整个屏幕进入控制点采点状态（图1-7）。

图1-6ReferenceMapInformation提示框

图1-7控制点采点

4.采集地面控制点（GroundControlPoint）

1在GCP工具对话框中，点击SelectGCP图标，进入GCP选择状态；

2在GCP数据表中，将输入GCP的颜色设置为比较明显的黄色。

3在Viewer1中移动关联方框位置，寻找明显的地物特征点，作为输入GCP。

4在GCP工具对话框中，点击CreateGCP图标，并在Viewer3中点击左键定点，GCP数据表将记录一个输入GCP，包括其编号、标识码、X坐标和Y坐标。

5在GCP对话框中，点击SelectGCP图标，重新进入GCP选择状态。

6在GCP数据表中，将参考GCP的颜色设置为比较明显的红色，

7在Viewer2中，移动关联方框位置，寻找对应的地物特征点，作为参考GCP。

8在GCP工具对话框中，点击CreateGCP图标，并在Viewer4中点击左键定点，系统将自动将参考点的坐标（X、Y）显示在GCP数据表中

9在GCP对话框中，点击SelectGCP图标，重新进入GCP选择状态，并将光标移回到Viewer1中，准备采集另一个输入控制点。

10不断重复①～⑨，采集若干控制点GCP，直到满足所选定的几何模型为止。

之后，每采集一个InputGCP，系统就自动产生一个Ref.GCP，通过移动Ref.GCP可以优化校正模型，在GCP数据表的左上方显示有校正的误差。

5.采集地面检查点（GroundCheckPoint）

以上采集的GCP的类型均为控制点，用于控制计算，建立转换模型及多项式方程，下面所要采集的GCP类型是检查点，采集方法同上。

6.计算转换模型（ComputeTransformation）

在控制点采集过程中，一般是设置为自动转换计算模型。

所以随着控制点采集过程的完成，转换模型就自动计算生成。

在Geo-CorrectionTools对话框中，点击DisplayModelProperties图标，可以查阅模型。

7.图像重采样（ResampletheImage）

首先，在Geo-CorrectionTools对话框中选择ImageResample图标。

然后，在ImageResample对话框中，定义重采样参数；

→输出图像文件名（OutputFile）:

rectify.img

→选择重采样方法（ResampleMethod）:

→定义输出图像范围：

→定义输出像元的大小：

→设置输出统计中忽略零值:

→定义重新计算输出缺省值：

8.保存几何校正模式（SaverectificationModel）

在Geo-CorrectionTools对话框中点击Exit按钮，退出几何校正过程，按照系统提示，选择保存图像几何校正模式，并定义模式文件，以便下一次直接利用。

9.检验校正结果（VerifyrectificationResult）

同时在两个视窗中打开两幅图像，一幅是校正以后的图像，一幅是参考图像，通过视窗地理连接功能，及查询光标功能进行目视定性检验。

五、实验结果分析和讨论

1.谈谈控制点的选择对校正精度的影响以及你的选取心得

2.比较三种重采样方法的处理效果

实验二遥感图像的辐射校正

一、目的和要求

通过实验，使学生掌握两种简单易行的遥感图像大气散射校正方法，理解辐射校正的原理和意义。

二、实验内容

1.利用回归分析法和直方图法对LandsatTM影像进行大气校正

三、原理和方法

在遥感成像时，由于各种因素的影响，使得遥感图像存在一定的辐射量失真现象。

辐射校正就是消除图像数据中依附在辐射亮度中的各种失真的过程。

辐射误差产生的原因包括传感器响应特性、太阳辐射（高度、方位）、地形以及大气条件等。

因此完整的辐射校正包括传感器校正、大气校正以及太阳辐射和地形校正。

通常我们拿到的影像数据都假定在正常大气条件下对系统辐射强度进行了校准。

但为了更精确的校正辐射值，需要进行大气校正，削弱由大气散射引进的辐射误差。

常用的大气校正方法有三种：

野外波谱测试回归分析、辐射传输方程计算法和波段对比法。

野外波谱测试回归分析法需要到野外进行与陆地卫星同步的、一致的测试；辐射传输方程计算法需要测定具体天气条件下的大气参数，两者都实现起来比较困难，因此常采用波段对比法，其理论依据在于大气散射的选择性，即大气散射对短波影响大，对长波影响小，一般有回归分析法和直方图法两种。

回归分析法：

在不受大气影响的波段和待校正的某一波段图像中，选择各波段均为黑区域（通常为高山阴影区、深大水体）的一系列目标，将每一目标的两个待比较的波段亮度值提取出来进行回归分析，截距即为校正量。

然后用原波段图像减去校正量即可。

直方图法：

假设图像中存在亮度值为0的目标，如深海水体、高山背阴处，在任一波段上亮度值都应为0，但实际只有不受大气影响的波段才为0。

例如TM影像，其第7波段直方图0亮度值处有像元频数，而其它波段在0亮度值处无像元频数，因此其它波段最小值即为校正量，用原图像减去即可。

四、实验步骤

•

回归分析法

1.启动ERDAS，在Viewer视窗中打开待处理的TM影像

2.Viewer视窗工具条上

图标，打开Raster工具栏（图2-1），利用AOI（感兴趣区域）工具选取高山阴影区等在各波段全黑的区域

3.ERDAS主菜单Ultilities→ConvertPixelstoASCII得到所选像元的亮度值文件

4.利用Excel软件打开导出的亮度值文件进行各波段与TM7之间的回归分析，求得校正量

5.借助ERDAS空间建模功能将各波段减去校正量，得到校正影像

•直方图法

1.启动ERDAS，在Viewer视窗中打开待处理的TM影像

2.Viewer视窗工具条上

图标，打开ImageInfo对话框（图2-2），点取Histogram面板，并通过点选上方的列表框选择波段，观察各波段的直方图，若TM7波段直方图0亮度值处有像元频数，则其它波段校正量即为该波段亮度的最小值。

3.借助ERDAS空间建模功能将各波段减去校正量，得到校正影像

注：

本实验将和实验十一结合完成。

图2-2ImageInfo对话框

五、实验结果分析和讨论

1.比较校正前后的影像，说明辐射校正的意义

2.分析比较回归分析法和直方图方法处理的结果。

实验三遥感图像的辐射增强

一、目的和要求

通过上机操作，掌握线性对比度拉伸、直方图均衡化和直方图规定化三种遥感图像辐射增强处理的方法和过程，理解图像直方图变化与图像亮度变化之间的关系。

二、实验内容

1.线性对比度拉伸

2.直方图均衡化

3.直方图匹配

三、原理和方法

辐射增强是一种通过直接改变图像中像元亮度值来改变图像的对比度，从而改善图像质量的图像处理方法，主要以图像的灰度直方图为分析处理的基础。

常用的辐射增强方法有线性拉伸、线性压缩、分段线性变换、对数变换、指数变换、直方图均衡化直方图规定化等。

本实验将练习线性拉伸、直方图均衡化和直方图匹配操作。

线性对比度拉伸是按比例扩大原始灰度级的范围，改善对比度，提高图像质量的方法。

直方图均衡化是将原始图像的直方图通过变换函数变为均匀的直方图，然后按照均匀直方图修改原图像，从而获得一幅灰度分布均匀的新图像。

其实质就是对图像进行非线性拉伸，重新分配图像像元值，使一定灰度范围内的像元数量大致相同。

这样，原来直方图中间的峰顶部分对比度得到增强，而两侧的谷底部分对比度降低，输出图像的直方图是一较平的分段直方图。

直方图匹配是指使一幅图像的直方图变换为规定形状的直方图而对图像进行变换的增强方法，常用作图像镶嵌或动态变化研究的预处理工作，可以部分消除太阳高度角或大气影响造成的图像色调差异。

四、实验步骤

•线性对比度拉伸

1.显示图像

启动ERDAS，在Viewer1视窗中打开待处理影像：

mobby.img

2.Viewer1菜单条：

Raster→Contrast→GeneralContrast→打开ContrastAdjust对话框（图3-1），设置相关参数：

→method：

Linear

→斜率:

→截距:

或者→Breakpts→打开BreakpointEditor，然后左键选择断点，通过拖动调整变换直线

图3-1对比度调整图3-2断点编辑器

•直方图均衡化（HistogramEqualization）

在ERDAS图标面板中选择Interpreter→RadiometricEnhancement→HistogramEqualization→打开HitogramEqualization对话框（图3-3）

→定义待处理影像文件mobby.img

→定义输出文件

图3-3直方图均衡化

•直方图匹配（HistogramMatch）

在ERDAS图标面板中选择Interpreter→RadiometricEnhancement→HistogramMatch→打开HitogramMatch对话框（图3-4）

→定义待处理影像文件mosaic_1.img

→定义匹配对象文件mosaic_2.img

→定义输出文件

图3-4直方图匹配

五、结果分析和讨论

1.认真对比处理前后图像的差别，谈谈三种增强方法的处理效果和直方图的变化情况。

实验四遥感图像的空间增强

一、目的和要求

学习和掌握空间增强的基本原理和操作过程，理解不同滤波核的处理效果。

二、实验内容

1.空间平滑滤波

2.空间锐化滤波

三、原理和方法

空间增强技术是利用像元与其周围相邻像元的灰度值进行运算（卷积运算），达到增强整个图像之目的，也称为空间滤波。

卷积运算（Convolution）将整个像元分块进行处理，用于改变图像的空间频率特征。

卷积运算的关键是模板，又称卷积核（Kernal）或滤波核，即系数矩阵的选择，主要用于对图像进行平滑和锐化处理。

平滑是抑制噪声改善图像质量或减少变化幅度，使亮度变化平缓所做的处理，常用的方法有均值平滑和中值滤波等；锐化是为了突出边缘、轮廓和线状目标信息所做的处理，常用的方法有梯度法、Roberts梯度、Prewitt和Sobel梯度、Laplace算法和定向检测等。

均值平滑方法均等地对待邻域中的每个像元，对于每个像元在以它为中心的邻域内取平均值，作为该像元的新灰度值。

该方法算法简单，计算速度快，但在去掉尖锐噪声的同时造成图像模糊，对图像的边缘和细节削弱很多，而且随着邻域范围的扩大，去噪能力增强的同时模糊程度严重。

中值滤波以中值代替均值，起到滤波器的作用，在抑制噪声的同时能够有效地保留边缘，减少模糊。

梯度法以梯度值代替像元的原灰度值生成梯度图像，在梯度图像上梯度值较大的部分就是边缘。

Roberts梯度采用交叉差分的方法监测像元与其在上下之间或左右之间或斜方向间的差异，达到突出边缘的目的。

Prewitt梯度是将Roberts梯度扩大为3×3来进行差分，Sobel梯度在Prewitt的基础上采用加权方法进行差分，因而边缘检测更精确。

Laplace算法采用二阶差分进行计算，检测灰度变化率的变化率，因而不检测均匀的灰度变化，产生的图像更加突出灰度值突变部分。

定向监测有目的的提取某一方向的边缘、线性目标或纹理特征。

ERDAS将常用的卷积核放在一个名为default.klb的文件中，分为3*3，5*5、7*7三组，每组又包括“边缘探测EdgeDetect/低通滤波LowPass/水平边缘增强Horizontal/垂直边缘增强Vertical/求和滤波Summary/去阴霾Hazereduction/交叉边缘探测/HorizontalEdgeDetection水平边缘探测/Lapalce边缘探测LapalcianEdgeDetction/左边缘探测LeftDiagonalEdgeDetction/右边缘探测RightDiagonalEdgeDetction/VerticalDiagonalEdgeDetction垂直边缘探测”几种不同的处理方式。

四、实验步骤

1.ERDAS图标面板菜单条：

ImageInterpreter→SpatialEnhancement→Convolution→Convolution对话框。

图4-1Convolution对话框

2.分别选用default.klb中的滤波核对影像进行处理

几个重要参数的设置：

边缘处理方法：

（HandleEdgesby）：

Reflection对称或Fill填充方式

NomalizetheKernel：

对滤波核进行归一化处理

3.结合课本内容，自定义滤波核对影像进行处理

在Convolution对话框中点击Edit或New按钮，打开卷积核定义对话框自定义模板

图4-2卷积核定义对话框

五、结果分析和讨论

1.说明几种滤波方法的处理效果

2.说明不同模板大小对各种滤波处理效果的影响

实验五遥感图像的频率域增强

一、目的和意义

学习并掌握遥感图像频率域增强的原理和方法，理解频率域增强的意义。

二、实验内容

1.频率域平滑

2.频率域锐化

3.同态滤波

三、原理和方法

实质上，在图像中，像元的灰度值随位置变化的频繁程度可以用频率来表示。

对于边缘、线条、噪声等特征，在较短的像元距离内灰度值变化的频率大；而均匀分布的地物或大面积稳定结构具有较低的变化频率。

因此，空间增强复杂的空间域卷积运算可以用频率域中简单的乘法快速实现。

频率域增强方法的基本过程为：

首先将空间域图像通过傅立叶变换为频率域图像，然后选择合适的滤波器对频谱成分进行增强，再经过傅立叶逆变换变回空间域，得到增强后的图像。

根据处理效果，将所采用的滤波器分为平滑和锐化两类，平滑主要是保留图像的低频部分抑制高频部分，锐化主要是保留图像的高频部分而削弱低频部分。

常用的平滑滤波器有理想低通滤波器、Butterworth低通滤波器、指数低通滤波器、梯形低通滤波器；相应的锐化滤波器有理想高通滤波器、Butterworth高通滤波器、指数高通滤波器、梯形高通滤波器。

本实验将利用ERDAS进行理想低（高）通滤波和Butterworth低（高）通滤波。

理想滤波函数采用截取频率，Butterworth则采用平滑的曲线方程，过度性较好。

同态滤波是指在频率域中同时对图像亮度范围进行压缩和对比度进行增强的方法。

四、实验步骤

1.快速傅立叶变换

ERDAS工具面板上Interpreter图标→FourierAnalysis→FourierTransform→FourierTransform对话框（图5-1）

图5-1傅立叶变换对话框

2.启动傅立叶变换编辑器进行傅立叶编辑

1ERDAS工具面板上Interpreter图标→FourierAnalysis→FourierTransformEditor→FourierEditor（图5-2）

2在傅立叶变换编辑器视窗菜单条上File→open→openFFTLayer对话框（图5-3）

3在傅立叶编辑器视窗菜单条上Mask→Filters→Low/HighPassFilter对话框（图5-4）

4在Low/HighPassFilter对话框中，设置以下参数分别进行低通和高通滤波处理

→选择滤波类型

→选择窗口函数：

分别选择理想低/高通滤波器、Butterworth低/高通滤波器

→滤波半径

→定义低频增益

5在傅立叶变换编辑器视窗菜单条上File→Saveas保存编辑结果

图5-2傅立叶编辑器

图5-3openFFTLayer对话框图5-4Low/HighPassFilter对话框

3.傅立叶逆变换

在傅立叶编辑器视窗菜单条上File→InverseTransform→InverseFourierTransform对话框（图5-5）

图5-5InverseFourierTransform对话框

五、结果分析和讨论

1.比较滤波处理前后的图像，分析低通滤波和高通滤波处理的效果

2.比较理想低（高）通滤波和Butterworth低（高）通滤波器的处理效果，说明两者有何异同

实验六遥感图像的复合分析

一、目的和意义

掌握遥感图像分辨率融合的方法和基本原理，深入理解遥感信息复合在信息解译中的意义。

二、实验内容

1.主成分变换法、乘法变换法和Borvey方法多光谱数据与高分辨率全色数据的融合。

三、原理和方法

分辨率融合是遥感信息复合的一个主要方法，它使得融合后的遥感图像既具有较好的空间分辨率，又具有多光谱特征，从而达到增强图像质量的目的。

常用的方法有主成分变换法、相乘的方法、IHS变换法、Brovey方法等。

主成分变换法的基本过程为：

首先对两幅影像进行几何精配准，然后对多光谱图像进行重采样，使其像元大小等于高分辨率影像，再对其进行主成分变换，接着用高分辨率影像与第一主成分进行直方图匹配并用匹配后的高分辨率影像代替第一主成分，最后将代换后的所有波段作一次主成分逆变换，得到复合影像。

乘法变换法的基本过程为：

首先对两幅影像进行几何精配准，然后对多光谱图像进行重采样，使其像元大小