遥感图像处理一（ENVI5.6 Classic）

CUGLin

已于 2024-12-12 18:15:04 修改

阅读量3.4k

点赞数 18

文章标签：计算机视觉图像处理人工智能

于 2024-12-11 23:43:51 首次发布

本文链接：https://blog.youkuaiyun.com/CUGLin/article/details/144412779

版权

1 实验目的和内容

1.1 实验目的

本次上机旨在了解ENVI软件的基本使用，并对提供的实验数据进行基本的图像合成、图像拉伸、图像分析、图像平滑与锐化和图像融合等操作并分析结果。

1.2 实验内容

1.2.1 图像合成

任选一景遥感影像，进行图像的彩色合成任务，真彩色、假彩色和伪彩色合成，分析每种彩色合成的特点，突出了哪些地物。

1.2.2 图像拉伸

任选一景灰度影像，进行基本的图像拉伸操作，包括：分段线性、非线性拉伸和直方图均衡化等，分析比较不同拉伸方式的特点。

1.2.3 图像分析

利用示例数据，进行图像主成分分析、缨帽变换，分析变换后不同成分所表达的特定的信息。

1.2.4 图像平滑和锐化

利用示例数据，进行图像的平滑、锐化操作，分析不同方法的效果。

1.2.5 图像融合

利用lansat7示例数据，进行图像融合，分析比较不同融合方法的效果。

1.3 实验流程

通过对实验内容进行分析，不难发现，本次实习主要包括图像合成、图像拉伸、图像变换、图像滤波和图像融合这五大部分，在该条件下，笔者总结了本次实验的操作逻辑，如图1.3-1所示。

图1.3-1 实习1操作流程图

2 图像操作处理过程

2.1 图像合成

2.1.1 真彩色合成

首先在ENVI Classic中添加相应的波段影像数据，这里依次点击【File】-【Open Image File】即可打开相应的“B1-B7”共7个波段的影像数据。这里将其中的Band7波段的影像显示到界面里，如图所示。

图2.1-1 导入便展示数据

在通过蓝、绿、红三原色的滤光片而拍摄的同一地物的三张图像上，若使用同样的三原色进行合成，可得到接近天然色的颜色，此方法称为真彩色合成。在Landsat TM波段的影像合成时，通常会使用“Band3、Band2、Band1”分别赋给R、G、B三个色段，这样既可得到自然真彩色影像。如图2.1-2所示。

图2.1-2 真彩色合成结果

这里通过观察上图不难发现，这里的影像样式和常规的地物的颜色相比较为接近，这也可以印证这里的真彩色的波段合成操作是没有问题的。

2.1.2 假彩色合成

由于多波段摄影中，一副图像多不是三原色的波长范围内获得的，如采用人眼看不见的红外波段等，因此由这些图像所进行的彩色合成称假彩色合成。进行遥感影像合成时，方案的选择十分重要，它决定了彩色影像能否显示较丰富的信息或突出某一方面的信息。同样，这里笔者将展示几种较为特征的、针对不同关注的地物信息的假彩色合成样式进行演示。

以这里笔者采用的Landsat TM影像为例，当4，3，2波段分别被赋予红、绿、蓝颜色进行彩色合成时，这一合成方案就是标准假彩色合成，是一种最常用的合成方案。它的地物图像丰富，鲜明、层次好，用于植被分类、水体识别，植被显示红色。如图2.1-3所示。

图2.1-3 标准假彩色合成

同样，也可以尝试使用其他波段组合类型的假彩色合成，不同的假彩色合成方案也同样会关注不同的地物类型。比如使用7、5、4三个波段分别赋给RGB会得到更适合地质构造调查的影像，而4、5、3赋值则更适用于观测识别水体。对不同的兴趣区域，可以适当的选择不同的合成方式。

图2.1-4 四种不同的假彩色合成

2.1.3 伪彩色合成

伪彩色合成又称密度分割，主要是将但波段的遥感影像分割为三种波段进行显示，这里我我们使用Band4为例，进行合成伪彩色影像。

图2.1-5 Band4灰度加载

这里需要我们使用【Density Slice】工具进行密度分割，可以通过【Reset】设置单波段影像的分割范围，如下这里笔者设置了一个分割参数为3的数据结果，可以显著观察到红色和绿色的分布情况，但如图2.1-6所示，不难观察到其分类效果并不显著。

图2.1-6 初步密度分割

接下来，可以尝试设置更高分类参数，这里笔者设置了【Reset】参数为“10”进行尝试。通过观察如图2.1-7所示的分类结果，可以观察到相应的分类情况：其中较为明显的地物都被很好的分类出来了，比如这里的长江是以绿色的，而位于视图中的玄武湖则呈现的则是显著的红色。不过这里需要说明的是，这里进行的并不是影像的分类，而只是针对影像进行了一次简单的密度分割处理。

图2.1-7 重置后密度分割结果

2.1.4 图像合成结果分析

通过对上述三种遥感影像的图像合成方式进行分析，不难发现，不同的影像合成策略的侧重点也是有显著的差异，具体而言：

真彩色合成的影像更加贴近自然景观的原始颜色，因而具有明显的地物分割形态，能够准确区别河流、建筑、绿色植被。

假彩色合成和真彩色合成一个相同的地方就是同样也采用了三个不同的波段分别赋给R、G、B从而合成一副影像，但显然假彩色合成的明显是与现实的地物颜色所不相符合的形状结果，但是在实际的应用中，却可以借助加彩色合成去关注一些我们想要关注的特征地物，如标准加彩色合成所关注的水体和植被这样的特征地物。

2.2 图像拉伸

2.2.1 线性拉伸

线性拉伸又分为分段拉伸和百分比拉伸，在实验中发现不同视角下的同种拉伸方式的拉伸结果是不同的，使用【Enhance】-【Linear】工具，分别进行如图2.2-1所示为线性拉伸下三种方式的结果。

图2.2-1 Image、Zoom、Scroll线性拉伸结果

分段线性拉伸结果如图2.2-2所示。

图2.2-2 分段线性拉伸

对比发现linear0-255拉伸方法的三种方式所呈现的结果差异不明显，利用百分比线性拉伸三种结果如图2.2-3所示。

图2.2-3 Image、Zoom、Scroll百分比拉伸

痛过观察可以发现线性拉伸的特点为liner 0-255是线性拉伸，默认将图像的DN值拉伸到0-255范围内。linear 1%和2%指的是百分比的图像拉伸，linear 2%就是拉伸时去除小于2%和大于98%的部分，这些部分被认为是异常值，会在拉伸时去除。

2.2.2 非线性拉伸

利用高斯对比度拉伸实现非线性拉伸。三种结果如图2.2-4所示。

图2.2-4 Image、Zoom、Scroll高斯拉伸

比较结果发现高斯非线性拉伸在三种情况下的呈现的拉伸结果有较大的区别，可能原因是在不同的视框下其拉伸的方式也不同。

高斯非线性拉伸的特点是使拉伸结果更接近正态分布，高斯拉伸默认以127为中间值，低于和高于三个标准差的DN值设为0和255。

2.2.3 直方图均衡化

直方图均衡化是非线性拉伸，它的目的是将原本较为集中的灰度直方图分布，分散到全局中去。如图2.2-5所示。

图2.2-5 直方图均衡化示意图

利用“enhance”中的“interactive Stretching”实现直方图拉伸设置“histogram_So

urcew”为band1，如图2.2-6、2.2-7所示。

图2.2-6 设置作用范围

图2.2-7 选择为高斯拉伸图像的变化

选择不同的拉伸方式，直方图呈现结果不同，如图2.2-8所示。

图2.2-8 选择线性拉伸图像的变化

在直方图中对白色线条进行移动修改直方图的拉伸结果，左边是输入，右边是输出结果。如图2.2-9所示。

图2.2-9 高斯拉伸移动后的变化

执行后可以观察到直方图均衡化的结果，如图2.2-10所示。

图2.2-10 直方图均衡化结果

直方图均衡化通常被用于增加全局对比度。增大反差，使得图像更清晰。不会损失DN值，但会根据变化函数改变原始DN值。

2.2.4 平方根拉伸

同2.2.1中理，平方根非线性性拉伸结果如图2.2-11所示。

图2.2-11 Image、Zoom、Scroll平方根拉伸

2.2.5 图像拉伸结果分析

通过对上述集中图像拉伸的方法进行观察可得，非线性拉伸、线性拉伸对于图像的结果有明显差异，其原理不同导致结果更注重的也不同。与直方图均衡化拉伸相比，高斯拉伸后云层偏灰色，地形和地貌对比度相对变差，但城市的对比度增强。对图像直方图，按照取平方根处理。平方根的结果变得更加平滑，影像对比度下降。

2.3 图像变换

2.3.1 主成分分析

主成分分析，即PCA，又称K-L变换，是一种统计技术，旨在通过线性变换将高维数据映射到低维空间，同时尽可能保留数据的变异性。在遥感影像的图像变换领域，对于PCA需要先对真彩色图像进行分析，将RGB影像分析为6个不同的波段。这里和此前操作一样，将Landsat7的3，2，1波段导入合成真彩色影像。如图2.3-1所示。

图2.3-1 添加真彩色图像

接下来依次点击【Transform】-【Principal Components】-【Forward PC Rotation】-【Pc Rotation from Existing Stats】进行主成分分析，操作如图2.3-2所示。

图2.3-2 进行主成分分析

执行主成分分析后结果如图2.3-3所示，通过对图像进行观察，可以明显观察到主成分分析后的图像分离了噪声和杂点，使得图像变得清晰。

图2.3-3 主成分分析结果

同样，这里可以通过点击【Stats File】来查看图像进行完主成分分析的统计结果（左图）及其（贡献率），显然，初步得到的分析结果还是比较优良的。如图2.3-4所示。

图2.3-4 主成分统计结果（左）及贡献率（右）

同样，这里也可以借助软件对刚刚进行主成分分析得到的结果进行主成分逆变换，即将变换后的图像恢复到原始的RGB样式。操作如图2.3-5所示。

图2.3-5 主成分逆变换

2.3.2 缨帽变换

缨帽变换又称K-T变换，它将原始影像投影综合变换到具有物理意义的亮度、绿度和湿度特征向量三维特征空间，充分反映了裸土岩石、植被覆盖度和水分信息。这个变换的过程达到了减少特征维数、增强影像信息的效果。

在ENVI中，依次点击【Transform】-【Tasseled Cap】执行缨帽变换，设置界面同理。如图2.3-6所示。

图2.3-6 缨帽变换结果

2.3.3 图像变换结果分析

主成分分析主要是通过将多光谱数据转换为一组各维度彼此正交的新变量（主成分），以实现数据的降维和特征提取。PCA的目的是减少数据维度，同时尽可能保留原始数据的信息。在遥感领域，PCA可以用来提取影像的特征，消除噪声，增强对比度，或者进行分类和变化检测等

而缨帽变换（特别关注植被、土壤和人为要素的变化检测。它将多光谱数据转换为三个主要成分：亮度、植被量和湿度，从而减少大气影响和影像中的噪声成分，使分析更准确。缨帽变换常用于农作物特征的解译分析。

2.4 图像滤波

2.4.1 图像平滑

在ENVI中图像的平滑处理主要依据滤波来实现，主要有均值滤波和中值滤波这几种实现方式。下面笔者将就这几种方式进行简单的演示。

首先，导入需要进行平滑处理的图像，这里采用的是具有椒盐噪声的影像，位于“C6图像滤波”文件夹中，将其灰度打开后，如图2.4-1所示。

图2.4-1 椒盐噪声图像

依次点击【Filter】-【Convokutions and Morphology】使用均值滤波对图像进行滤波操作，操作如图2.4-2所示。

图2.4-2 自定义滤波器

得到输出结果如图2.4-3所示。对图像进行分析，显然利用均值滤波虽然能一定程度平滑，但对于噪声没法实现全部滤除。

图2.4-3 自定义滤波器结果

接下来，继续点击【Filter】-【Convokutions and Morphology】利用中值滤波器实现滤波平滑图像，操作如图2.4-4所示。

图2.4-4 设置中值滤波

最后得到结果如图2.4-5所示。显然，在中值滤波处理下，图像的椒盐噪声被很好的除去了，但是不难发现，由此图像的分辨率大大下降了。

图2.4-5 中值滤波结果

同样的，当提高滤波参数时会导致平滑处理掉部分细节内容。并且随着参数的限度的不断提升，这种影响会更加明显，当然具体的细节也因图而异，如果图像原图的分辨率就较低，哪儿买这种影像就不会那么明显。

2.4.2 图像锐化

在ENVI中图像的平滑处理主要依据算子来实现，主要有Sobel算子、Robert算子和拉普拉算子这几种实现方式。下面笔者将就这几种方式进行简单的演示。

首先，导入需要进行平滑处理的图像，这里采用的是较为平滑的灰度影像，位于“C6图像滤波”文件夹中，将其灰度打开后，如2.4-6所示。

图2.4-6 导入待锐化的影像

接下来点击【Filter】-【Convokutions and Morphology】，利用Roberts进行边缘提取，操作如图2.4-7所示。

图2.4-7 利用Roberts算子提取边缘

最后得到的结果如图2.4-8所示，显然经过锐化处理后，的确有较为明显的边界信息。

图2.4-8 锐化结果

不过很显然，未经任何处理，直接得到的图像锐化处理会出现虚假边缘，如图2.4-9所示。

图2.4-9 虚假边缘

接下来，继续点击【Filter】-【Convokutions and Morphology】更换使用Sobel算子实现提取边缘会出现不同的结果，操作如图2.4-10所示。

图2.4-10 Sobel算子提取边缘

得到的结果如图2.4-11所示，显然，经过Sobel算子锐化后的效果与此前景经过Roberts算子锐化得到的结果相较而言较为类似，都能较好的实现特征边缘的提取。

图2.4-11 锐化结果

点击【Filter】-【Convokutions and Morphology】，利用Laplacian算子提取边缘会也有不同的结果，这里笔者选择采用5×5进行提取。操作如图2.4-12所示。

图2.4-12 设置参数为5×5

提取后得到的结果如图2.4-13所示，显然，使用Laplacian算子进行提取，其想过就没有那么显著，但是同样也是一个比较优良的提取方法。

图2.4-13 边缘锐化结果

此外，这里还可以通过设置垂直系数从而提取到更多的信息，操作如图2.4-14所示。

图2.4-14 设置垂直系数

最后得到的结果如图2.4-15所示。显然，对比图2.4-13和图2.4-15，设置垂直系数后提取到的锐化结果会更加理想。显然通过设置垂直系数改变了滤波的竖直分布。

图2.4-15 竖直后的结果

此外，利用高通和低通也可以实现对图像的锐化，高通滤波和低通滤波的锐化结果如图2.4-16、2.4-17所示。

图2.4-16 高通滤波

图2.4-17 低通滤波

同样，通过频率实现平滑和锐化也同理。如图2.4-18所示。

图2.4-18 频率操作

图2.4-19平滑（左图）和锐化（右图）的结果

2.4.3 图像处理结果分析

在图像处理领域，滤波技术是改善图像质量的关键手段之一。通过对比不同的图像滤波方法，我们可以清晰地看到它们在平滑和锐化图像方面的不同表现。高斯低通滤波器因其在图像平滑处理中的显著效果而备受青睐。这种滤波器通过模拟高斯函数的形状，对图像进行加权平均，从而有效地去除图像中的高频噪声成分。随着卷积核尺寸的增大，滤波器的平滑效果更加明显，因为更大的卷积核能够覆盖更广泛的像素区域，从而实现更深层次的平滑效果。

除了高斯低通滤波器外，低通滤波器也常用于图像平滑处理。低通滤波器通过去除图像中的高频成分来减少噪声，但可能会导致图像细节的丢失。然而，随着卷积核尺寸的增加，低通滤波器的处理效果也会得到改善，因为它能够更好地平衡噪声去除和细节保留之间的关系。

在图像锐化方面，Sobel算子、垂直Sobel算子和罗伯特算子都各有特征。Sobel算子主要用于检测图像中的水平边缘，通过增强这些边缘来锐化图像。垂直Sobel算子则专注于垂直边缘的检测和增强，从而改善图像在垂直方向上的清晰度。罗伯特算子则用于锐化图像中的对角线方向的细节，它通过对角线方向的梯度计算来增强图像的对角线特征。

总的来说，图像滤波技术的选择和应用需要根据具体的图像特性和处理目标来决定。高斯低通滤波器和平滑滤波器适用于去除噪声和模糊图像，而Sobel算子和罗伯特算子等锐化工具则用于增强图像的边缘和细节，以提高图像的清晰度和视觉效果。通过合理选择和组合这些滤波技术，可以有效地改善图像质量，满足不同的图像处理需求。