遙感圖像增強輻射增強

目的：逐像元進行灰度值的變換，以突出像元之間的反差（對比度），從而改善圖像視覺效果、突出有用信息.（遙感圖像的灰度增強法），抑制或排除無用信息。

遙感圖像灰度直方圖介紹

1.什么是灰度直方圖

一幅黑白圖像往往由不同深度的灰色來描述圖像，在計算機中常常采用八個比特位進行儲存，所以通常用0-255來描述圖像的灰度值，數值越大顏色越深。灰度直方圖是描述圖像中每個像元灰度值的分布情況，由此可以看出圖像的特征，一般圖像符合正態分布曲線所展示的效果最好，信息最多，圖像的灰度直方圖可以在MetaData–>Histogram下查看

2.灰度直方圖有什么作用

每一幅影像都可以求出其像元亮度值的直方圖，觀察直方圖的形態，可以粗略地分析影像的質量。一般來說，一幅包含大量像元的影像，其像元亮度值應符合統計分布規律，即假定像元亮度隨機分布時，直方圖應是正態分布的。實際工作中，若影像的直方圖接近正態分布，則說明影像中像元的亮度接近隨機分布，是一幅適合用統計方法分析的影像。當觀察直方圖形態時，發現直方圖的峰值偏向亮度坐標軸左側，則說明影像偏暗。峰值偏向坐標軸右側，則說明影像偏亮，峰值提升過陡、過窄，說明影像的高密度值過于集中，以上情況均是影像對比度較小，影像質量較差的反映。

實現方法

1.反差拉伸法

將輸入圖像上每個象素的灰度值按一些簡單的數學關系式轉換成輸出圖像上的灰度值,且大多數是擴大圖像灰度值的動態范圍、調整圖像灰度值的分布.該方法又可分為線性拉伸法、分段線拉伸法和非線性拉伸法.

• 線性拉伸法

  $$f(x,y)=\frac{g(x,y)}{(a_2?a_1)}\times (b_2?b_1)+b_1$$

  其中: g(x,y)為原圖像的像元灰度， f(x,y)為拉伸后的像元灰度， a1、a2分別為原圖像的最小灰度值和最大灰度值, b1、b2分別為拉伸后圖像的最小灰度值和最大灰度值.即b1，b2為自己指定的拉伸后圖像的最小值與最大值。

  ERDAS中MODEL實現：

  生成的ndvi像元值如下，由于ERDAS默認會進行線性拉伸，所以顯示為178的灰度值，現將其拉伸到0-255范圍內

  繪制如下model

注意：GLOBAL函數返回的是一個列表，如GLOBAL MIN返回的是每個圖層對應的最小像元值組成的列表，需要一個Table來接收，如果原始圖像有背景值要忽略背景值，避免對圖像產生干擾。

• 標準差拉伸

  $$f(x,y)=\frac{g(x,y)?a_1+a_2\times n\times |b_2?b_1|}{(a_2\times 2\times n)}\times (b_2?b_1)+b_1$$

  其中: g(x,y)為原圖像的像元灰度， f(x,y)為拉伸后的像元灰度, a1、a2分別為原圖像灰度值的全局平均值和全局標準差,b1、b2分別為拉伸后圖像的最小值和最大值，n為全局標準差的數量，比如n若為2則表示如果像元超過標準差的兩倍即被設為最大值。

  ERDAS中可直接調用strech函數即可實現標準差拉伸。

• 分段線性拉伸

  將原圖像上的灰度值劃分成若干區段，然后按區段使用上述線性函數進行不同程度的線性擴展（對線性拉伸法的一種改進）

$$f(x,y)=\frac{g(x,y)}{(a_2?a_1)}\times (b_2?b_1)+b_1$$

其中: g(x,y)為原圖像某個區段的像元灰度， f(x,y)為拉伸后的像元灰度, a1、a2分別為原圖像某個區段的最小灰度值和最大灰度值,b1、b2分別為拉伸后圖像的最小灰度值和最大灰度值.

• 非線性拉伸

  按非線性函數關系擴展原圖像的灰度值，即對整個灰度值的動態范圍以不等權的關系進行變換.（線性或分段線性拉伸法都是等比例地變換指定動態范圍內的像元灰度值）

  ? 常用方法：指數函數拉伸，對數函數拉伸

2.直方圖增強法

? 通過修改圖像直方圖來改善圖像的質量.該方法又可分為直方圖均衡化、直方圖匹配等.

• 直方圖均衡化

  實質上是以圖像灰度值的累積概率函數為基礎，通過對圖像進行非線性拉伸來重新分配像元值,使一定灰度范圍的像元數量大致相等,從而實現圖像的直方圖修正，有效擴大圖像主體部分的反差或對比度。

  作用：

  • 將任意分布的直方圖變換為均勻分布的直方圖

  • 使得輸出影像在各灰度級上的像素數相等或相近，能夠增加較暗和較亮像素的個數，進而增強影像的對比度

    實施方法：Raster/Radiometric / Histogram Equalization

注意：填入的是灰度級數，如一般圖像為未定義的8bit類型，灰度級數則為2的八次方256，也可以基于model/ Analysis/ HISTOEQ函數

• 直方圖匹配

  根據參考圖像的直方圖對另一幅圖像實施灰度變換，使其直方圖與參考圖像的直方圖類似，以部分消除由于太陽高度角或大氣影響造成的相鄰圖像的效果差異。

  • 通常選擇亮度和反差都比較滿意的圖像作為參考圖像.

  • 直方圖匹配經常作為相鄰圖像拼接或應用多時相遙感圖像進行動態變化研究的預處理工作.

    實現方法：Raster/Radiometric / Histogram Match

    注意：兩個圖像之間的波段所代表的傳感器觀測通道必須對應，如果需要對多個波段進行直方圖匹配且波段不匹配，則需要首先使用STACHLAYERS函數改變波段組合順序，再通過RASTERMATCH進行直方圖匹配。

3.亮度反轉處理

對圖像進行線性或非線性取反，產生一幅與輸入圖像亮度相反的圖像（原來亮的變暗，原來暗的變亮）

實施方法： Raster/Radiometric / Brightness Inverse

• 亮度反轉算法一： Inverse (條件反轉):強調輸入圖像中亮度較暗的部分
• 亮度反轉算法二：Reverse (簡單反轉):簡單取反、同等對待

實際運用中多采用條件反轉，可以增強顯示自己想要研究的特征地類

Inverse的Model解析

首先將圖像拉伸到0-1區間中，再通過條件語句判斷，將想要研究的地類的像元置為最大值1.0，其他地物根據圖像的像元灰度值的分布情況來設置這個閾值，最后轉換為無符號8bit位圖像進行輸出。

總結

以上是生活随笔為你收集整理的遥感图像辐射增强ERDAS实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。