实习4、遥感影像空间增强与傅立叶变换滤波处理.docx

实习序号及题目遥感影像空间增强与傅立叶变换滤波处理实习人姓名专业班级及编号任课教师姓名实习指导教师姓名实习地点榆中校区实验楼 A209实习日期时间2013-11-21实习目的理解遥感影像空间增强和傅立叶变换的概念和意义，掌握运用 ENVI/IDL 进行空间增强 和傅立叶变换及滤波进行地形和地貌信息提取的步骤和方法 学会使用 SRTM DEM 数据应用的初步步骤基本原理1、遥感影像空间增强是指通过直接改变遥感影像中单个像元与它周围像元的灰度值来 增强遥感影像目的是为了改善遥感影像的显示效果，更好地进行目视解译；提取更多的 地物信息；消除影像噪声信号或数据缺失，遥感影像空间增强的方法有：代数运算、空间 卷积、傅立叶变换、主成份分析、樱帽变换、纹理分析、彩色变换、影像融合此次实习过程中主要有以下几种方式：1-1、空间卷积（Spatial Convolution）又称为空间滤波（filtering） ，是一种对单位像元 与其邻域的像元的灰度值在掩膜（窗口 window 实质为变换矩阵函数）的作用下进行函数变 化，使单位像元的灰度值变化目的是为了提取影像中灰阶、彩色变化以及变异性的提取 和对影像中噪声信号的减弱。

原始遥感 影像单位 像元与邻掩膜（窗 口 m*n）变化后遥感 影像单位像 元与邻域像 元的灰度值卷积计算公式为：);𝑔(灰度值)=∑∑（𝑓(灰度值）× 𝑤(𝑚 × 𝑛）其中：为变化后遥感影像单位像元的灰度值；𝑔(灰度值)为原始遥感影像单位像元的灰度值；𝑓(灰度值）为 m*n 的窗口𝑤(𝑚 × 𝑛）注：选取不同窗口参数矩阵，可以完成不同的功能 2、纹理分析纹理是一种重要的视觉信息，是遥感图像存在而又难以描述的特征，主要体现遥感影 像中局部灰度或者彩色的有规律重复出现它是影像中地物形状、大小、色彩等的综合体现，为遥感影像的目视解译提供了有力的信息目前对于纹理的信息提取方法有二类：结构法与统计法结构法把纹理视为由基本纹 理元按特定的排列规则构成的周期性重复模式统计方法有自相关函数、灰度行程和自回 归模型等，统计方法将纹理描述为光滑、粗糙、粒状等2-1、纹理信息的提取方法：灰度共生矩阵灰度共生矩阵是是根据 2 个位置的像元的联合概率来定义，它不仅反映亮度的分布特 性，也反映具有同样灰度或接近灰度的像元之间的位置分布特性，是有关影像像元灰度变 化的二阶统计特征，它是定义一组纹理特征的基础。

定义的位置算子：ΔxyΔyΔx0基于灰度共生矩阵的纹理信息计算方法：角度二阶矩（Angular Second Moment, ASM） 、 对比度 CON、相关性 COR、熵 ENT2、同质性 HOM3、傅里叶变换消除周期噪声 傅里叶变换说明了非周期的函数可以用正弦函数和/或余弦函数乘以加权函数的积分来表 示如图：傅里叶变换将函数的值域（红色）与频域（蓝色）相关联频谱中的不同成分频率在频 域中以峰值形式表示从而产生频率域影像坐标系，如下如图所示：3-1、傅里叶变换消除噪声是在完成了傅里叶变换之后，通过观察频率域影像，选取高亮 部分（图像上单位像元与邻域像元差异较大） ，制作成滤波模板，然后用制作好的滤波模板 完成对噪声信号的剔除，形成新的频率影像，最后通过傅里叶逆变换，完成从频率域到空 间域的变换，得到去除噪声的影像傅立叶变换的物理意义是将图像的灰度分布函数变换为 图像的频率分布函数 傅立叶频谱图上我们看到的明暗不一的亮点，实际上图 像上某一点与邻域点差异的强弱，即梯度的大小，也即 该点的频率的大小原始影像 空间域傅里叶变换原始影像 频率域去噪声模板 目标影像 频率域傅里叶逆变换目标影像空间域数据准备ESRI Data& Map 9.x：SRTM DEM ENVI/IDL 或 ERDAS Imagine 实习数据：Landsat tm_1.img；操作方法及过程在视窗中加载亚洲幅 SRTM DEM 影像数据 srtm_n_elev_e.jp2，从中裁剪中国境内一适当 子区。

Basic Tools | Resize Data | 选择裁剪范围 | 文件保存（图 4-1） （图 4-1）为我裁剪的子区：陕西省宝鸡市； map info = {Geographic Lat/Lon, 1.0, 1.0, 106.45, 35.04, WGS-84, units=Degrees}此字段包 括了子区的基本信息，经纬度分别为 106.45E、35.04N，坐标参考系为 WGS-84 利用下述操作对影像 DEM 数据进行处理，比较变换前后影像的显示结果 1、 卷积增强： Filter | Convolutions and Morphology1、 Convolution 后面为卷积变换类型； 2、 Kernel Size 后面为窗口的行数与列数； 3、 Image Add Back 后面为加权和比例，例 如输入 10%，则表示原图像 DN 值 *10%+变换后图像 DN 值*90%； 4、 Editable Kernel 为窗口矩阵；1-1、高通滤波 Filter | Convolutions and Morphology | 默认为高通滤波 1-2、拉普拉斯变换 Filter | Convolutions and Morphology |Convolution | Laplacian 1-3、定向增强 Filter | Convolutions and Morphology |Convolution | Directional 1-4、高斯高通滤波 Filter | Convolutions and Morphology | Convolution | Gaussian High Pass 1-5、Sobel 边缘增强 Filter | Convolutions and Morphology | Convolution | Sobel 1-6、Robert 算子增强 Filter | Convolutions and Morphology | Convolution | Robert上图从左至右，从上至下分别为原始影像、高通滤波、拉普拉斯变换、定向增强、高斯 高通滤波、Sobel 边缘增强、Robert 算子增强 2、纹理运算：Filter | Texture | Occurrence Measures 2-1、一阶纹理运算 Filter | Texture | Occurrence Measures | 选择处理的图像| 2-2、二阶纹理运算 Filter | Texture |Co-occurrence Measures | 选择处理的图像| 3、周期噪声去除（利用傅立叶变换对影像 tm_1.img 进行下列处理，选择恰当的参数消除影 像上的噪声信号 首先：filter→FFT filtering→forward FFT，选择 TM_1.img；在波段选择中选择第一波段 第二步，操作：overlay→annotation 在频率影像中选择，object 中选择 polygon，option 中打开 turn Mirror on ，在图像中选择噪音频率：方式跟提取 ROI 一样 第三步：filter→FFT filtering→filter definition，选择要操作的影像 、在 filter type 中选 则 user defined cut choose 生成结果模板：第四步：操作：filter→FFT filtering→inverse FFT，选择第一步中生成的影像，然后选 择第三步中生成的影像，type 选择 Byte，保存，生成影像与原波段对比，之后对第 234567 波段分别进行上述操作得到结果： Band1：结果与分析1-1、高通滤波（图 4-2） （图 4-2）从左至右分别为原始影像、用 3*3 滤波器变换的影像、用 9*9 滤波器变换的影像、 影像在 google earth 上的图像（上面的为陆地与水库的接壤处、下图为山顶） ，通过与原影 像的比较我们可以看出，影像经过高通滤波处理后，影像的边缘得到明显的锐化。

处理后， 使得不同高度的地物得到很好的凸显，如影像中的山脉、山谷、湖泊的特征就更明显 1-2、拉普拉斯变换 （图 4-3） （图 4-3）从左至右分别为原始影像、用 3*3 滤波器变换的影像、用 9*9 滤波器变换的影像， 较原影像，经 Laplacian 处理过的影像上的地物和高通滤波处理的一样，影像中地物信息明 显增强，如湖泊、河流、山脊线等都有明显显示 1-3、定向增强 （图 4-4） （图 4-4）从左至右分别为原始影像、角度为 0 用 3*3 滤波器变换的影像、角度为 0 用 9*9 滤波器变换的影像相对与原影像，Directional 处理的影像的边缘得到锐化，地物特征相似 的地方得到概括，影像有立体感（浮雕效果） 如河流、山谷地、山脊等图 4-5） （图 4-5）从左至右分别为原始影像、角度为 0 用 9*9 滤波器变换的影像、角度为 30 用 9*9 滤波器变换的影像两者区别在于，地物的阴影方向不一样，如两幅影像中的山体的阴暗 面就不同，所以图像不同，这样可以利用 Directional 方法从不同角度对地物进行分析 1-4、高斯高通滤波 （图 4-6） （图 4-6）从左至右分别为原始影像、用 3*3 滤波器变换的影像、用 9*9 滤波器变换的影像， Gaussian High Pass 效果上和 High Pass 效果类似。

1-5、Sobel 边缘增强 （图 4-7） （图 4-7）从左至右分别为原始影像、用 sobel 滤波器变换后的影像，对河流、湖泊、山体 有很好的边缘分割，如同素描 1-6、Robert 算子增强 （图 4-8） （图 4-8）从左至右分别为原始影像、用 Robert 滤波器变换后的影像，相比较原影像， Sobel 处理过的和 Roberts 算子处理过的影像特征都很明显，但是 Roberts 算子处理的影像其 地物的之间的边界要比 Sobel 处理的影像的边界更明显清晰2、纹理运算： 2-1、一阶和二阶 mean 的比较（图 4-9） （图 4-9）从左至右分别为一阶 mean 影像和二阶 mean 影像，整体看来二阶的 mean 处理 的影像信息是在一阶上进一步的清晰化，比一阶 mean 影像有更多地物的信息量 2-2、一阶和二阶 entropy 的比较（图 4-10） （图 4-10）从左至右分别为一阶 entropy 影像和二阶 entropy 影像，从影像中可以看出： 一阶处理的影像显示高亮，地物信息量大大减少，二阶的信息量较大，可以清楚的看到山 的等高线而一阶则只能看出水体的分布范围和大概水系。

2-3、一阶和二阶 variance 的比较（图 4-11） （图 4-11）从左至右分别为一阶 variance 影像和二阶 variance 影像，从影像中可以看出： variance 处理过的影像中地物边缘增强比较明显，呈现出素描的效果对于一阶的 variance， ，二阶的 variance 则较好的将地理信息体现出来，山脊、山脉等特征体现的很充分， 也可以较好的辨析湖泊、河流的轮廓 除上述之外的这些特征外，一阶纹理还具有一下特征：二阶纹理还具有一下特征： Data range 可以较好地反映出影像的地 物特征，类似于 sobel 等边缘增强效果Skewness（偏度）能够对特定地物有较 好地显示效果Homogeneity（同质化）可以看出山体的等 高线Contrast（对比度）类似于 Homogeneity，但 是 Contrast 中等高线是高亮显示， Homogeneity 中正好相反3、 周期噪声去除 Band1：Dissimilarity（差异性）类似于 Contrast，但可 以更清晰的显示出低海拔区域的等高线second mom。