《预处理辐射校正与增强.ppt》由会员分享，可在线阅读，更多相关《预处理辐射校正与增强.ppt（41页珍藏版）》请在三一办公上搜索。
1、辐射定标处理,已知增益与偏移参数时，按照以上公式计算没有定标参数时，可以按如下公式,Lmax和Lmin的选取高增益(high gain)与低增益(low gain)的选取,表观反射率计算,计算表达式如下,式中：=大气层顶(TOA)表观反射率 L=光谱辐射亮度 ESUN=光谱辐照度D=日地之间的距离(天文单位)q=太阳天顶角 i=太阳入射角,L 和ESUN与波段有关，不同波段值不同L来自地物和大气辐射亮度的总和，因此也是地面反射率G和大气反射率A的总和，即=G+A,相对辐射校正,采用直方图调整的单景影像归一化采用回归分析归一化多时相影像,直方图调整法,依据：近红外数据（0.7um）受大气散射影响
2、非常小，而可见光（）受大气影响非常大,辐射误差太阳高度及地形,辐射误差的来源 太阳位置引起的辐射误差 地形起伏引起的辐射误差辐射误差的表现及其影响由于太阳角与地形影响引起的辐射误差：同类地物灰度不一致,坡度坡向影响校正,目的：去除由地形引起的光照度变化，使两个反射物性相同的地物，虽然坡度不同，在影像中具有相同的亮度值。方法：简单余弦校正、Minnaert校正、统计-经验校正、c校正,余弦校正,式中：LH=水平面辐射（即坡度坡向校正后的遥感数据）LT=坡面辐射（即遥感原始数据）=太阳天顶角=太阳入射角,辐射校正的目的,尽可能消除因传感器自身条件、薄雾等大气条件、太阳位置和角度条件及某些不可避免的
3、噪声，而引起的传感器的测量值与目标的光谱反射率或光谱辐射亮度等物理量之间的差异，为遥感图像的识别、分类、解译等后续工作打下基础。,本节总结,辐射误差产生的原因辐射误差的表现、影响及其必要性辐射校正通过简单的影像归一化技术和更为先进的绝对辐射定标方法可以标定地面反射以消除这些影响。,辐射定标,绝对辐射校正,地形校正,归一化,相对辐射校正,大气校正,必要性判断,必要性判断,第五章 遥感图像预处理5-2 遥感图像增强处理,本节内容多光谱图像四则运算 多光谱图像增强 图像融合,多光谱图像四则运算加减运算,加法运算主要用于对同一区域的多幅图像求平均，可以有效地减少图像的加性随机噪声减法运算提供不同波段或
4、不同时相图像间的差异信息，应用于动态监测及目标识别等工作中,多光谱图像四则运算比值运算,能压抑因地形坡度和方向引起的辐射量变化，消除地形起伏的影响,阳坡/阴坡灰度及比值结果,多光谱图像四则运算比值运算,增强某些地物之间的反差,植被、水、土壤在红/红外波段灰度及比值结果,多光谱图像四则运算植被指数,反映绿色植被的相对丰度及其活动，其中包括叶面积指数、绿色覆盖百分比、叶绿素含量、绿色生物量和吸收的有效光合辐射,多光谱图像四则运算植被指数,归一化植被指数(normalized vegetation index,NDVI),式中：IR=近红外波段反射值 R=红波段反射值,可以监测到植被生长活动的季节与
5、年际变化 比值处理能够减少多时相影像多个波段中很多形式的乘性噪声（太阳光照差异、云阴影、部分大气衰减和地形差异）,多光谱图像四则运算植被指数,常用的红外(IR)与红波段(R),多光谱图像增强主成分分析,必要性：波段多、信息量大、存在数据冗余目的：通过函数变换，保留主要信息，降低数据量，增强或提取有用信息的目的方法：对遥感图像实行线性变换，使多光谱空间坐标系进行旋转,主成分分析特点,主成分分析(Principle component analysis,PCA，又称主成分变换、K-L变换)，它的特点如下：变换后的矢量是原有矢量的信息的线性组合，较好地反映了事物的本质特征变换后的矢量的协方差矩阵是对
6、角矩阵，矢量中各分量之间的信息是相互独立的特征值大小反映该方向上主分量所具有信息量的多少及每个分量的相对重要性,主成分分析特点,前两个主成分的空间关系图示。a)从两个遥感影像波段X1 和X2 采集到的数据的散点图，X1和X2各自的平均值为1 和2。b)平移坐标轴到X 坐标系，创建一个新的坐标系统，新坐标系下的亮度值可以由关系式1 X=X1-1 和2 X=X2-2 得到。c)将新坐标系统X 沿着坐标原点（1，2）旋转，使得PC1 投影到分布点的半长轴上，PC1 的方差最大，PC2 必须和PC1 垂直。PC 轴即为这个二维数据空间的主成分。第1主成分通常解释总方差的90%以上，第2主成分2则解释方
7、差的2%10%，等等,主成分分析特点,使用查尔斯顿TM 数据所有七个波段计算得到的七个主成分影像。第1 主成分包含近红外和中红外的信息（第4、5 和7 波段）。第2 主成分主要包含可见光信息（第1、2 和3 波段）。第3 主成分主要包含近红外信息。第4 主成分包含第6 波段热红外信息。因此，七波段的TM 数据在维数上可以减为四个（第1、2、3 和4 波段），它解释了99.38%的方差,主成分分析应用,数据压缩图像增强分类前预处理,多光谱图像增强缨帽变换,缨帽变换(tasseled cap，又称K-T变换)：线性变换后坐标轴的方向与植被生长及土壤有密切关系变换后的前三个分量分别对应亮度、绿度和湿
8、度亮度TM六个波段亮度值加权和，反映总体亮度变化绿度与亮度轴垂直，是近红外与可见光波段的对比湿度与土壤湿度有关,图像融合问题的提出,遥感影像空间分辨率不断提高,Landsat MSS 80m Landsat TM 30m SPOT 20m IRS PAN 5.8m Quickbird 0.82m,图像融合问题的提出,传感器类型各有不同,SAR,TM,PAN,照相机扫描仪雷达全色影像多光谱影像,图像融合问题的提出,高光谱影像的出现,遥感小卫星群时间分辨力可选择,图像融合问题的提出,多分辨率、多遥感平台、多光谱、多时相,?,如何复合同一地区多源遥感影像的信息,图像融合目的,不同传感器获取同一地区图
9、像具有不同的应用特点(Landsat TM&SPOT)图像融合可以综合不同传感器图像的优点，大大提高图像的应用精度,图像融合数据类型,SPOT 1010m 全色（Panchromatic，PAN）数据与2020m 多光谱（Multispectral，XS）数据融合 SPOT 1010m 全色数据与Landsat 3030m TM 数据融合 多光谱数据（如：SPOT XS，Landsat TM，IKONOS）与主动微波（雷达）或其它类型数据的融合 数字航空影像与SPOT XS 或者TM 数据融合,雷达影像,多光谱影像,图像融合融合步骤,全色航空像片,数据配准：所有要融合的数据集必须精确校正并重采
10、样到相同大小的像元,图像融合,融合影像输出、评价和应用,图像融合融合方法,简单的波段替换 利用不同色彩坐标系统（如：RGB、亮度-色度-饱和度、色度）的色彩空间变换和替换法 高空间分辨率数据的第一主成分替换 高频滤波的逐像元相加，高空间分辨率到高光谱分辨率的转换 基于平滑滤波的亮度调节,所有要融合的数据集必须精确校正并重采样到相同大小的像元,色彩空间转换与替换,到现在为止，所描述的遥感数据都是在RGB色彩坐标系内。在描述用于可视分析的遥感数据时，也可以使用其它色彩坐标系。在融合不同类型的遥感数据时，可以利用其中的某些色彩坐标系。两种常用的数据融合方法是将RGB系统变换到亮度-色度-饱和度（In
11、tensity-Hue-Saturation，IHS）系统中和使用色度坐标。,Intensity-Hue-Saturation(IHS)变换:IHS 的值可以由R、G和B值通过以下公式变换而得：,RGB 到IHS 的转换及其逆转换,色彩空间变换图像融合,RGB 到IHS：将RGB 色彩空间中的三个低空间分辨率波段变换成IHS 色彩空间的三个波段,对比度操作：对高空间分辨率的影像进行对比度拉伸，从而使其与亮度（Intensity，I）影像具有相同的方差和均值,替换：使用拉伸的高空间分辨率影像来替换亮度（I）影像,IHS 到RGB：利用IHS 逆变换将修改的IHS 数据转换回RGB 色彩空间,近似
12、一致的光谱特征,色度图,色度表坐标描述了给定色彩中的每种三原色（红、绿和蓝）的相对比率，三原色总和为1,R、G、B 分别表示生成某种特定颜色所需的红、绿、蓝的量；x、y、z 代表相应的归一化颜色组分，即三原色系数。在定义图表中一种颜色的色度坐标时，只需要x 和y 的值，因为x+y+z=1,Brovey融合也称为色彩标准化(Color Normalization)融合,是美国科学家 Brovey 建立的模型并将其推广的,是目前应用广泛的一种RGB彩色融合变换方法,Brovey 融合,Pan 表示调整大小后的全色影像的对应值,I 0、R 0、G0、R 0 分别表示调整大小后的多光谱影像的对应值,R
13、new、Gnew、Rnew 则分别表示融合后的多光谱影像的对应值,该方法能够保留每个像素的相关光谱特性,并且将所有的亮度信息变换成高分辨率的全色影像融合。然而，由于Brovey 影像融合对影像的要求比较高,融合前必须预先进行去相关预处理和噪声滤波处理,以便减少数据冗余和非光谱信息,Brovey 融合,基于主成分分析(PCA)的融合,对SPOT全色数据进行对比度拉伸，得到与第一主成分影像大约相等的方差和均值。利用经过拉伸的全色数据代替第一主成分并把数据变换回RGB 空间。经过拉伸的全色影像可以代替第一主 成分，这是因为第一主成分通常包含了PCA输入波段所共有的信息，而某些输入波段特有的光谱信息则
14、被映射到其它n个主成分,高频信息逐像元累加融合方法,采用用于高空间分辨率影像的高通空间滤波器，将美国国家高空摄影计划（National High Altitude ProgramPhotography，NHAPP）的数字化数据及SPOT全色数据与Landsat TM 数据进行融合。融合后的高通影像包含了在很大程度上与该景影像的空间特征相关的高频信息。空间滤波去除了大部分的光谱信息。高通滤波结果与低空间分辨率TM数据逐像元相加。该处理融合了高空间分辨率数据集的空间信息与TM数据内的多光谱分辨率。Chavez 等（1991）发现这种多传感器数据融合技术使得光谱特征的畸变最少,融合影像评价,信息量,清晰度,遥感影像融合应用,不同的融合方法对同一种遥感影像进行融合时其评价指标有所不同，进而影响融合影像质量，因此，在对遥感影像进行融合时，应注意以下几点：配准精度或精纠的精度都是直接影响融合结果的因素融合模型的选择也是相当重要的，根据研究目标选择融合模型多光谱影像的波段之间有着一定的关联性，根据需要选择最佳波段来融合不同类型的遥感影像应采用不同的融合策略,本节总结,数字图像处理基本原理（图像校正、恢复；噪声去除；图像增强）多光谱遥感图像处理（四则运算；植被指数；主成分分析；缨帽变换）图像融合（背景；融合的方法）,
