两个一样的图像相除会怎么样_2.1.3遥感图像增强变换
时间：2023-02-19 05:30:00
章节概览
图像校正的目的是消除数据采集过程中的误差和变形，使遥感器记录的数据更接近真实值。
图像增强和转换是为了突出相关的主题信息，提高图像的视觉效果，使分析人员更容易识别图像内容，并从图像中提取有用的定量信息。
需要注意的是，如上图所示，图像增强可以做也可以不做，但如果要做，需要在预处理消除各种噪声后，否则就没有办法面对一堆增强的噪声。
我们分别从常用的光学图像增强转换模式和SAR介绍图像的目标分解。简单总结一下:光谱增强主要与像元相对应，空间增强考虑像元与周围像元的关系。这可能还是比较模糊的，最后总结的时候会再解释一遍。
一、光谱增强
1.增加对比度
对比度是指不同物质在相同情况下的反射能量不一致，传感器记录的两个地面的亮度值不一致。对比度增强是将图像从低对比度增强到高对比度的过程。
灰度阈值分割、线性拉伸和直方图平衡是三种常用的增强方法。
灰度阈值分割根据阈值将图像中的所有亮度值分为高于阈值和低于阈值的类别，并分别使用从黑到白的不同亮度赋值，俗称黑白图。
线性拉伸是图像元MIN值和MAX值扩展到0-255。如下所示，原图对比度较低，俗称全图黑漆漆，线性拉伸后明暗对比明显。
直方图均衡化这是一种非线性拉伸方法。根据原图像的亮度值频率，该算法使拉伸后的图像亮度具有相同的频率。
2.提取各种指标
图像相除是遥感图像处理中常用的一种方法是通过两个波段对应图像元的灰度值比或几个波段组合对应图像元的灰度值比获得的。比值处理可以扩大不同地物的光谱差，区分单波段容易混淆的地物，消除或削弱地形阴影、云影响、植被干扰和隐伏结构。遥感及其常用性归一化植被指数（NDVI）它是比值操作的结果，是基于植被叶绿素在红色波段的强吸收和近红外波段的强反射，通过红色和近红外波段的比值来表达植被信息状态。定量遥感部分将详细介绍更多指数操作。
其中NIR和R分别表示近红波段和红波段的反射值。
3.光谱转换
光谱转换通过函数转换保留主要信息，减少数据量；增强或提取有用信息。其转换的本质是对遥感图像进行线性转换，使光谱空间的坐标系按一定的规律旋转。常见的转换方法主要包括PCA(主KT(英帽变换)。
PCA它是一种常见的变换方法，可以去除相关性，突出地物特征，压缩数据，除噪声外PCA变换后的信息量通常随主分量顺序而减少，变换后的第一波段通常信息最多。见下例(原始图像有6个波段，PCA结果可以是1-6个波段)。
KT变换它是一种线性变换，使变换后的图像与植被生长和土壤密切相关。变换后的第1、2、3波段分别表示亮度、绿度和湿度。
二、空间增强
光谱增强和变换是通过改变图像亮度值来增强或削弱图像中的一些信息，而空间变换侧重于图像的空间特征或频率。
这里有一个概念，空间频率主要是指图像的光滑度或粗糙度。一般来说，高频区域粗糙，如房屋边界；低频区域光滑，如平静水面。
空间变换主要包括空间卷积(滤波)、傅里叶变换、空间尺度变换等。
1.空间滤波
卷积和滤波实际上是一个意思。那些接触过数字图像处理或机器学习的人应该理解这种常见的操作。此外，我以前在网上看到一位朋友称之为降维打击。事实上，这是合理的，因为它可以被视为二元函数卷成一元函数。
上边这张GIF就是生动的原理图。对一幅图像进行空间卷积有两步。
首先是建立一个包含一系列相关系数或权重因素的窗口。上图中滑动的橙色矩阵就是这样一个窗口(不知道矩阵的朋友只需将其视为三行三列的九条规则数)，这通常是一个奇数，比如3*3， 5*5等。
第二步是计算。例如，在第一个3中*3矩阵时，原图像元值分别为：1、1、1、0、1、1、0、0、1；窗口值为：1、0、1、0、1、0、1、0、1。计算方法是相应的相乘再求和作为中心元素的值：
这是右边粉色矩阵的第一个值。后面等等。
强调一下，你可能会发现左边的矩阵是5行5列，如何变成3行3列？因为卷积窗的中心(一般称为卷积核或滤波核)不在第一行的第一列。因此，一般来说，我们会根据卷积滤波核的大小在原始图像的外围增加一定的行数和列数，使卷积后的图像大小保持不变。有两种方法可以增加：一种是直接在最外围填充数字0；另一种是复制原始图像的边缘像元值。我没有研究过商业软件使用的方法，但我习惯在编程实现时使用第一个，但我的朋友喜欢使用第二个，这通常影响不大。
根据滤波器核及其功能，可分为高通滤波器和低通滤波器。低通滤波器的效果如下图所示，图像光滑，细节丢失。
高通滤波器突出图像的边缘和细节，但会失去大范围的亮度。
2.傅里叶变换
卷积是在图像空间域上的操作，傅里叶变换则是在图像频谱域上的操作。卷积是分别作用在小范围的图像上，傅里叶变换则是作用在一整幅图像上。图像通过傅里叶变换可以分解成不同频谱上的成分的线性组合，在这里不多赘述其数学公式。
上图中傅里叶变换结果的白色斑点是低频成分的集中区域，外频谱越高。原图像中的水平特征显示在傅里叶谱图的垂直方向上，原图像的垂直特征显示在傅里叶谱图的水平方向上。根据傅里叶谱图进行反向转换可以在一定程度上产生原始图像。
3.空间尺度的变化
简单来说，不同尺寸的图像可以观察到不同的图像细节。这些不同尺度的细节联合分析比单个尺度的图像分析结果更接近真实情况。
比如栗子，这里的三张图就是三个不同尺度的图像。先看右边的小图，好像是猫！我也会有猫！间这张图，“是个可爱的小猫，头部和小尾巴的毛发是棕黑色的，身体是白色的，可能背部也是棕色的吧。”；最后看这张大图，“这只猫的毛发实在是旺盛，我和我的姐妹们都羡慕的不得了！”。我们综合上边三个尺度得出正经结论：这是一只毛发旺盛的、头部、背部和尾部为棕黑色、腿部和腹部是白色的可爱小猫。是不是比只看那个小图说”这是猫“得出的信息要丰富！这就是空间尺度变换及其重要性。
三、SAR极化目标分解
极化目标分解主要是将目标的某种矩阵表现形式分解为多个描述相应物理机理的独立成分之和的处理方法。根据目标是否相干，可以将目标分解的方式分为相干分解（主要针对点目标）和非相干分解（主要针对分布目标）。
1.相干分解
几种典型的相干分解主要是Pauli分解、Krogager分解以及Cameron分解。Pauli分解就是将散射信息分解为单次散射、偶次散射和体散射，分别用B、R、G表示。不同颜色表示不同的散射机制占主要，由此可以分析地物。这也是根据分解结果进行分类的原理，下篇会着重介绍。
2.非相干分解
几种典型的非相干分解主要有Freeman分解、Yamaguchi分解、H-α-A分解。
Freeman分解也是分解为单次散射、偶次散射和体散射；Yamaguchi分解在此基础上还要增加一个螺旋体散射分量，来解决城区的反射问题；H-α-A分解的分量H、α和A分别表示熵、散射角和各向异性度。
最后，SAR图像也可以做滤波之类的分析，原理是一样的。
四、总结
- 光学图像的增强变换方式主要有光谱增强和空间增强两类。
光谱增强对应于每一个像元，与像元的空间排列和结构无关，因此又叫点操作。
空间增强主要集中于图像的空间特征，即考虑每个像元及其周围像元亮度之间的关系，从而使图像的空间几何特征突出或者降低。
- SAR图像的信息提取主要是通过分解矩阵实现。
注释与预告
参考文献：《遥感应用分析原理与方法》赵英时著
《遥感数字图像分析导论（第五版）》John A. Richards著
预告：图像分类。
今天又是万字，但是一篇文太长了是不是不太好，我以后控制一下篇幅。
