发布时间 : 星期一 文章遥感导论 - 图文更新完毕开始阅读
2.Butterworth高通滤波器
传递函数为7.4.3 指数滤波器 1.指数低通滤波器
传递函数为2.指数高通滤波器
传递函数为7.4.4 梯形滤波器 1.梯形低通滤波器
设D0为截止频率,再设D1,则传递函数为:2.梯形高通滤波器
设D0为截止频率,再设D1,则传递函数为
7.4.5 高斯低通滤波器
7.5 同态滤波
同态滤波(homomorphic filter)是减少低频增加高频,从而减少光照变化并锐化边缘或细节的图像滤波方法。 一幅图像f(x,y)可以用照射分量和反射分量来模拟,即:
f(x,y)为图像,i(x,y)为照射分量,r(x,y)为反射分量。
将频率域的低频成分与照射分量相联系,高频成分与反射分量相联系。
同态滤波是把频率过滤和灰度变换结合起来的一种图像处理方法,它依靠图像的照度/ 反射率模型作为频域处理的基础,利用压缩亮度范围和增强对比度来改善图像的质量。 同态滤波的基本原理是:将像元灰度值看作是照度和反射率两个组份的产物。由于照度相对变化很小,可以看作是图像的低频成份,而反射率则是高频成份。通过分别处理照度和反射率对像元灰度值的影响,达到揭示阴影区细节特征的目的。 同态滤波处理的流程如下:
S(x,y)------>Log---->FFT---->高通滤波---->IFFT---->Exp---->T(x,y)
其中S(x,y)表示原始图像;T( x,y)表示处理后的图像;Log 代表对数运算;FFT 代表傅里叶变换;IFFT 代表傅里叶逆变换;Exp 代表指数运算。
1 图像空间增强处理 1.1 卷积增强处理
Interpreter->Spatial enhancement->convolution 1.2 非定向边缘检测
非定向边缘检测是应用两个非常通用的滤波器(Sobel和Prewitt),首先通过两个正交卷积算子(垂直和水平)分别对遥感图像进行边缘检测,然后将两个正交结果进行平均化处理。 Interpreter->Spatial enhancement->Non-directional Edge 1.3 聚焦分析
使用类似卷积滤波的方法对图像进行多种分析,关键是聚焦窗口的选择和聚焦函数的定义。 Interpreter->Spatial enhancement->Focal Analysis
1.4 纹理分析
纹理分析是通过在一定的窗口内进行二次变异分析(2nd-order Variance)或三次非对称分析(3rd-order Skewness),使雷达图像或其他图像的纹理结构得到增强。 Interpreter->Spatial enhancement->Texture
1.5 自适应滤波
自适应滤波是应用Wallis Adapter Filter方法对图像的感兴趣区域进行对比度拉伸处理,达到图像增强的目的。
Interpreter->Spatial enhancement->Adaptive Filter 输出文件选择:bandwise(逐个波段进行滤波)
PC(仅对主成分变换后的第一个主成分进行滤波) 乘积倍数定义:用于调整对比度 1.6 统计滤波
固定窗口大小是5*5
Interpreter->Spatial enhancement->Statistical Filter 1.7 锐化增强处理
Interpreter->Spatial enhancement->Crisp 2 同态滤波
照度增益 反射率增益 截取频率
Interpreter->Fourier Analysis->Homomorphic Filter
第八讲
图 像 分 割(上)
8.1 概述
8.1.1 图像分割的概念
图像分割就是指把图像划分成互不重叠的区域并提取出感兴趣目标的技术。 图像分割是由图像处理到图像分析的关键步骤。 8.1.2 图像分析的基本步骤
① 将图像分割成不同的区域或把不同的对象分开; ② 找出分开的各个区域的特征;
③ 识别图像中要找的对象或对图像进行分类;
④ 对不同区域进行描述或寻找出不同区域的相互联 系,进而找出相似结构或将相关区域连成一个有 意义的结构。 8.1.3 图像分割的定义
从集合论角度,图像分割的定义如下:
令集合R代表整个图像区域,对R的分割可看作将R分成N个满足以下五个条件的非空子集(子区域)R1, R2,R3,......,RN.
即:完整性、互不重叠性、同区同性、异区异性、 连通性 8.1.4 图像分割的基本思想和方法 基本思想:基于图像灰度值的两个基本特征:相似性(区域内部)和不连续性(区域之间)。 基本方法:
① 基于边缘提取的分割法:先提取边界,再确定边界限定的区域;
② 区域分割:从图像出发,按属性一致原则,确定每个像元的归属区域;
③ 区域增长:从像元出发,按属性一致原则,将属性接近的连通像元聚集成区域; ④ 分裂-合并分割:综合② ③,既存在图像划分,又有像元的合并。 8.2 边缘检测算子 8.2.1 边缘的定义
边缘是指图像中像元灰度有阶跃变化变化或屋顶状变化的那些像元的集合。
存在于目标与背景、目标与目标、区域与区域之间,勾画出目标地物的基本轮廓,是图像分割和识别中抽样的重要属性。 8.2.2 边缘的类别
边缘粗略地可以分为两大类:
阶跃状边缘位于其两边像元灰度值有明显不同的地方;
屋顶状边缘位于灰度值从增加到减少的转折处。
注意:利用边缘灰度变化的一阶或二阶导数的性质,可以将边缘点检测出来,从而提取目标地物的边界信息。 几种常用算子:
梯度算子:对于阶跃状边缘,在边缘点处一阶导数有极值,因此可以计算每个像元处的梯度来检测边缘点位置。
梯度的概念:fx’ = f(x +1 ,y)-f(x,y) fy’= f(x,y +1)-f(x,y)
梯度的计算:grad(x,y)= Max(|fx′|,|fy′|) 或 grad(x,y)= |fx’|+|f y′| 梯度的算子
为检测边缘点,选取适当的阈值T,对梯度图像进行二值化,则有:
这样形成一幅边缘二值图像g(x,y)。
特点:梯度算子仅仅计算相邻像素的灰度差,对噪声敏感,无法抑制噪声的影响。 ② Roberts梯度算子
特点:Roberts梯度算子与梯度算子检测边缘方法类似,但效果往往较梯度算子略好些。 fx’ = |f(x+1,y+1)-f(x,y)| fy’ = |f(x+1,y)-f(x,y+1)|
grad(x,y)= Max(|fx′|,|fy′|) 或 grad(x,y)= |fx’|+|f y′| Prewitt算子
为在检测边缘的同时减少噪声的影响,Prewitt从模板大小出发,将2*2模板扩大到3*3模板。
对各个中心像元计算梯度后,仍按照前面方法最终得到二值图像。 特点:不仅能够检测边缘点,而且能部分地抑制噪声的影响。
④ Sobel算子 Sobel算子在Prewitt算子基础上,对邻域采用带权的方法进行计算。
对各个中心像元计算梯度后,仍按照前面方法最终得到二值图像。
特点:不仅能够检测边缘点,而且能进一步抑制噪声的影响,但检测的边缘较宽。 ⑤ 方向算子
方向算子是利用一组模板对图像中的同一像素求卷积,选取最大的值作为边缘强度,而将与之对应的方向作为边缘方向。3*3八方向(45度)模板:
特点:不仅仅考虑水平和垂直方向,还可以检测其他方向方上的边缘,但计算量大为增加。 ⑥ Laplacian算子
对于阶跃状边缘,其二阶导数在边缘点出现零交叉,并且边缘点两旁像元的二阶导数异号。据此,计算每个像元关于X和Y轴的二阶偏导数之和:
2f(x,y)=f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y)
特点:
具有各向同性、线性和位移不变性,对细线和孤立点检测效果好。但方向信息丢失,常产生双像素的边缘,对噪声有双倍加强作用。(见课本图像) 此算子对噪声敏感,因此使用前要先平滑处理。 ⑦ 马尔算子
前面的方法由于噪声的影响,可能把噪声也检测出来。马尔算子是在Laplacian算子基础上实现的,得益于对人的视觉机理研究。
他认为在成像时候,一个给定的像元所对应的场景点,它周围点对该点的贡献的光强大小呈正态分布,所以平滑函数应能反映不同远近的周围点对给定像元具有不同的平滑作用。平滑函数用高斯函数:
用h(x,y)对图像f(x,y)进行平滑