《遥感技术与应用原理》第4章 遥感图像处理技术.ppt

1,第四章 遥感图像处理（二）,2,几何校正图像融合,3,一 几何校正,几何畸变：遥感图像的几何位置上发生变化，产生诸如行列不均匀，像元大小与地面大小对应不准确，地物形状不规则变化等变形。,4,1.遥感图像几何畸变,定义：遥感图像上各地物的几何位置、形 状、尺寸、方位等特征与在参照系统中 的表达要求不一致时，即说明遥感图像 发生了几何畸变。注：遥感图像的总体变形是平移、缩放、旋 转、偏扭、弯曲及其他变形综合作用的 结果。,5,系统性：非系统性：来源：(1)遥感器本身引起的畸变(2)外部因素引起的畸变(3)处理过程中引起的畸变,6,1.1 遥感器本身引起的畸变,遥感器本身引起的几何畸变与遥感器的结构、特性和工作方式不同而异。这些因素主要包括：1）透镜的辐射方向畸变像差；2）透镜的切线方向畸变像差；3）透镜的焦距误差；4）透镜的光轴与投影面不正交；5）图像的投影面非平面；6）探测元件排列不整齐；7）采样速率的变化；8）采样时刻的偏差;9)扫描镜的扫描速度变化。,7,MSS 举例:,例如扫描形式成像的MSS，产生的几何畸变主要是由于扫描镜的非线性振动和其它一些偶然因素引起的。在地面上影响可达395米。,全景畸变：,8,(2)外部因素引起的畸变,影响图像变形的外部因素包括：1）地球的曲率2）大气密度差引起的折光3）地形起伏4）地球自传5）遥感器轨道位置和姿态等,9,地球自传引起的误差,10,地球曲率和地形起伏引起的误差,11,遥感器轨道位置和姿态引起的误差,中心投影,12,遥感器轨道位置和姿态引起的误差,多中心投影例如MSSTM等,13,(3)处理过程中引起的畸变,遥感图像再处理过程中产生的误差，主要是由于处理设备产生的噪声引起的。传输、复制、光学 数字,14,1.2 遥感图像的几何校正方法,遥感图象的几何粗处理和精处理。遥感图像的几何校正按照处理方式分为光学纠正和数字校正。遥感图像的几何校正就是将含有畸变的图像纳入到某种地图投影。对地面覆盖范围不大的单幅图像，一般以正射投影方式使其改正到地球切平面上。光学纠正主要用于早期的遥感图像的处理中，现在的应用已经不多。除了对框幅式的航空照片（中心投影）可以进行比较严密的纠正以外，对于大多数动态获得的遥感影像只能进行近似的纠正。主要介绍数字图像的几何纠正。,15,几何畸变校正,基本思路：把存在几何畸变的图像，纠正成符合某种地图投影的图像，且要找到新图像中每一像元的亮度值。具体步骤 1）计算校正后每一点所对应原图中的位置；2）计算每一点的亮度值。计算方法 1）建立两图像像元点间的空间位置对应关系；2）求出原图所对应点的亮度：最近邻法、双线性内插法、三次卷积内插法。,16,几何畸变校正,控制点的选取数目的确定:最小数目=（n+1）（n+2）/2）；最后数倍于最小数目。选择的原则易分辨、易定位的特征点：道路的交叉口，水库坝址，河流弯曲点等。特征变化大的地区应多选些。尽可能满幅均匀选取。,17,18,19,20,两个基本环节：像元坐标变换和像元灰度值重采样,基本方法示意图,21,(1)确定输入图像和输出图像的坐标变换关系,数字图象几何纠正：通过计算机对离散结构的数字图像中的每一个像元逐个进行纠正处理的方法。这种方法能够精确地改正动态扫描图像所具备地各种误差。基本原理：利用图像坐标和地面坐标（另一图像坐标、地图坐标等）之间的数学关系，即输入图像和输出图像间的坐标转换关系实现几何校正。,22,(1)坐标变换关系（续1）,其中，（xp,yp）（XP,YP）分别是任意一个像元在原始图像和纠正后图像中的坐标。,直接法：正解变换公式,间接法：反解变换公式,23,直接纠正方法:从原始图像阵列出发，按行列的顺序依次对每个原始图像像元点位用变换函数 F（）（正解变换公式）求得它在新图像中的位置，并将该像元灰度值移置到新图像的对应位置上。间接纠正法:从空白的新图像阵列出发，按行列的顺序依次对新图像中每个像元点位用变换函数f()（反解变换公式）反求其它在原始图像中的位置，然后把算得的原始图像点位上的灰度值赋予空白新图像相应的像元。注：,(1)坐标变换关系（续2）,24,(2)确定新的图像的边界,纠正后图像和原始图像的形状、大小、方向都不一样。所以在纠正过程的实施之前，必须首先确定新图像的大小范围。,25,(2)确定新的图像的边界（续1）,根据正解变换公式求出原始图像四个角点（a,b,c,d）在纠正后图像中的对应点（a,b,c,d）的坐标（Xa,Ya）(Xb,Yb)(Xc,Yc)(Xd,Yd)，然后求出最大值和最小值。X1=min(Xa,Xb,Xc,Xd)X2=max(Xa,Xb,Xc,Xd)Y1=min(Ya,Yb,Yc,YXd)Y2=max(Ya,Yb,Yc,Yd),26,(3)确定新图像的分辨率,目的是把边界范围转换为计算机中纠正后图像的储存数组空间。必须在新图像的范围内，划分网格，每个网格点就是一个像元。根据精度要求，定义输出像元的地面尺寸X,Y，并以边界范围左上角A点为输出图像的坐标原点。x轴（AC）表示图像行号,y(AB)表示图像列号。新图像的行数 M(Y2-Y1)/Y+1;新图像的列数 N(X2-X1)/X+1;,27,(3)确定新图像的分辨率1,新图像在A-x y坐标系的任意一个像元的坐标由它的行列号唯一确定。行列号范围：x=1，2，M y=1，2，N任意一个输出图像坐标（行列号）与大地坐标的关系为：式中：，为纠正后像元P的地面坐标，为纠正后像元P的图像坐标（行列号）,28,(4)灰度的重采样,纠正后的新图像的每一个像元，根据变换函数，可以得到它在原始图像上的位置。如果求得的位置为整数，则该位置处的像元灰度就是新图像的灰度值。如果位置不为整数，则像元灰度值需根据周围阵列像元的灰度确定，这种方法称为灰度重采样（这是相对遥感图像获取时已进行过一次采样而言）。常用的方法：1)最近邻法 2)双线性内插法 3）三次卷积法,29,(4)灰度的重采样（续1）,1)最近邻法：距离实际位置最近的像元的灰度值作为输出图像像元的灰度值；,30,(4)灰度的重采样（续2）,2）双线性法：以实际位置临近的4个像元值，确定输出像元的灰度值。公式为：,31,(4)灰度的重采样（续3）,3）三次卷积法以实际位置临近的16个像元值，确定输出像元的灰度值。公式为：,32,(4)灰度的重采样（续4）,几种采样方法的优缺点：,1）最近邻法：计算简单，计算速度快但输出像元 的灰度失真较大。2)双线性插值法和三次卷积法：计算耗时多，但 输出像元灰度值的保真度较好。,33,数字图象的纠正过程,总上所述：,纠正的函数可有多种选择：多项式方法、共线方程方法、随机场内插方法等等。其中多项式方法的应用最为普遍。,34,(5)遥感数字图像的多项式纠正,多项式纠正的基本思想：图像的变性规律可以看作是平移、缩放、旋转、仿射、偏扭、弯曲等形变的合成。一般的公式为：,2)直接法,1)间接法,利用有限的控制点的已知坐标，解求多项式的系数，确定变换函数。然后讲各个像元带入多项式进行计算，得到纠正后的坐标。,35,1)表征空间位置的可靠性，道路交叉点，标志物，水域的边界，山顶，小岛中心，机场等。同名控制点要在图像上均匀分布；清楚辨认；数量应当超过多项式系数的个数（(n+1)*(n+2)/2）。当控制点的个数超过多项式的系数个数时，采用最小2乘法进行系数的确定，,(5)遥感数字图像的多项式纠正（续1）,控制点的选择原则:,36,(6)最小二乘法,最小二乘法最早称为回归分析法。由著名的英国生物学家、统计学家道尔顿（F.Gallton）所创。探索变量之间关系最重要的方法，用以找出变量之间关系的具体表现形式。后来，回归分析法从其方法的数学原理误差平方和最小（二乘是平方的意思）出发，改称为最小二乘法。,37,(6)最小二乘法（续1）,为了精确地描述Y与X之间的关系，必须使用这两个变量的所有观察值，才不至于以“点”概面（作到同步与全面）。Y与X之间是否是直线关系（用协方差或相关系数衡量）？若是，将用一条直线描述它们之间的关系。在Y与X的散点图上画出直线的方法很多。找出一条能够最好地描述Y与X（代表所有点）之间关系的直线。什么是最好？找出判断“最好”的原则。最好指的是找这么一条直线，使得所有点到该直线的纵向距离的和（平方和）最小。三种距离,38,点到直线的距离点到直线的垂直线的长度。横向距离点沿（平行）X轴方向到直线的距离。纵向距离点沿（平行）Y轴方向到直线的距离。也就是实际观点的Y坐标减去根据直线方程计算出来的Y的拟合值。,(6)最小二乘法（续2）,39,纵向距离是Y的实际值与拟合值之差，差异大拟合不好，差异小拟合好。将所有纵向距离平方后相加，即得误差平方和。所以，“最好”直线就是使误差平方和最小的直线。运用求极值的原理，将求最好拟合直线问题转换为求误差平方和最小的问题。,(6)最小二乘法（续3）,40,(6)最小二乘法（续4）,41,当多项式的次数(N)选定后，用所选定的控制点坐标，按最小二乘法回归求出多项式系数(又称换算参数)。这个拟合的多项式参数被用以计算各点的校正后坐标,42,（7）校正结果验证,利用拟合的多项式求得控制点的校正后坐标，再以下公式计算每个地面控制点的均方根误差(RMSE),43,式中：x、y是地面控制点在参考真实图像中的坐标，x，y是对应于相应的多项式计算的控制点坐标。估算坐标和原坐标之间的差值大小代表了其每个控制点几何纠正的精度。通过计算每个控制点的均方根误差，既可检查有较大误差的地面控制点，又可得到累积的总体均方根误差。,44,通常用户会指定一个可以接受的最大总均方根误差，如果控制点的实际总均方根误差超过了这个值，则需要删除具有最大均方根误差的地面控制点，在必要时，选取新的控制点或调整旧的控制点；改选坐标变换函数式重新计算多项式系数；重新计算EMSE误差。,45,像元灰度的重采样方法一样：1)最近邻法 2)双线性内插法 3)三次卷积法,46,47,3 Erdas 软件的几何校正,ERDAS图标面板菜单条：MainData Preparation Image Geometric Correction打开Set Geo-Correction Input File对话框,48,49,50,数据融合基本涵义,数据融合（data fusion）最早被应用于军事领域。现在数据融合的主要应用领域有：多源影像复合、机器人和智能仪器系统、战场和无人驾驶飞机、图像分析与理解、目标检测与跟踪、自动目标识别等等。在遥感中，数据融合属于一种属性融合，它是将同一地区的多源遥感影像数据加以智能化合成，产生比单一信息源更精确、更完全、更可靠的估计和判断。,51,二 图像融合,不同类型的图像数据间差异很大这种差异表现在多个方面，如对地物表现的亮度差异、不同波段数据间的斜率差异、空间频率差异、波段相关性差异等。因而，可以通过对不同类型、不同波段图像数据的多种形式的数学组合，来提取有用信息、抑制噪声，显示有利的识别分类环境,52,目的：将单一传感器的多波段信息或不同类别传感器所提供的信息加以综合，消除多传感器信息之间可能存在的冗余和矛盾，加以互补，改善遥感信息提取的及时性和可靠性，提高数据的使用效率。,二 图像融合,53,二 图像融合,图像融合是一个对多遥感器的图像数据和其他信息的处理过程。它着重于把那些在空间或时间上冗余或互补的多源数据，按一定的规则(或算法)进行运算处理，获得比任何单一数据更精确、更丰富的信息，生成一幅具有新的空间、波谱、时间持征的合成图像。,54,目前对遥感影像信息融合的定义通常是指将不同类型传感器获取的同一地区的影像数据进行几何配准，然后采用一定的算法将各影像数据中所含的信息优势或互补性有机地结合起来产生新影像数据的技术。,55,实质：在统一地理坐标系中将对同一目标检测的多幅遥感图像数据采用一定的算法，生成一幅新的、更能有效表示该目标的图像信息。,56,它不仅仅是数据间的简单复合，而强调信息的优化，以突出有用的专题信息，消除或抑制无关的信息，改善目标识别的图像环境，从而增加解泽的可靠性，减少模糊性(即多义性、不完全性、不确定性和误差)、改善分类、扩大应用范围和效果。,57,图像融合可在3个不同的层次上进行，像元(pixel)待征(feature)决策层（Dicision level）,58,59,2.1 基于像元的图像融合,指对测量的物理参数的合并，即直接在采集的原始数据层上进行融合。它强调不同图像信息在像元基础上的综合，强调必须进行基本的地理编码，即对栅格数据进行相互间的几何配准，在各像元一一对应的前提下进行图像伍元级的合并处理，以改善图像处理的效果，使图像分割、特征提取等工作在更准确的基础上进行，并可能获得更好的图像视觉效果。,60,基于像元的图像融合必须解决以几何纠正为基础的空间匹配问题，包括像元坐标变换、像元重采样、投影变换等。,61,实际应用最多的是同一卫星数据不同的空间分辨率影像的融合。,62,TM影像-30米,63,SPOT全色影像-10米,64,融合后图像,65,2.2 基于特征的图像融合,是指运用不同算法，首先对各种数据源进行目标识别的特征提取如边缘提取、分类等，也就是先从初始图像中提取特征信息空间结构信息如范围、形状、邻域、纹理等；然后对这些特征信息进行综合分析与融合处理。这些多种来源的相似目标或区域，它们空间上一一对应，但并非一个个像元对应，井披相互指派，然后运用统计方法或神经网络(ANN)、模糊积分等方法进行融合，以进一步评价,66,2.3 基于决策层的图像融合,指在图像理解和图像识别基础上的融合。也就是，经“特征提取”和“特征识别”过程后的融合。它是一种高层次的融合，往往直接面向应用，为决策支持服务。此种融合先经图像数据的特征提取以及一些辅助信息的参与，再对其有价值的复合数据运用判别准则、决策规则加以判断、识别、分类、然后在一个更为抽象的层次上，将这些有价值的信息进行融合，获得综合的决策结果，以提高识别和解译能力，更好地理解研究目标，更有效地反映地学过程。常用的方法有：用马尔可夫随机场(MRFmarkov Random field)模型力法加入多源决策分类、贝叶斯法则的分类理论与方法、模糊集理论、专家系统方法等。,67,融合可以在单层次上进行，也可以在多层次上进行，但往往是从低层一高层，逐步抽象的数据处理过程。本节主要介绍基于像元的图像数据融合。,68,69,提高影像空间分辨率的融合,图像融合作为提高图像空间分辨率的一种手段，常被用于高低空间分辨率图像数据的融合，最典型的应用是高分辨率全色图像与低分辨率多光谱图像数据的融合。它既保留了多光谱图像的较高光谱分辨率，又保留全色图像的高空间分辨率，以便更详细地显示图上信息，提高图像的空间分辨率和几何精度。,70,2.4 图像融合的关键技术问题,数据配准（配准和关联）融合模型的建立与优化融合方法的选择,71,空间配准：各类不同来源的遥感图像数据，因轨道、平台、观察角度、成像机理等的不同，其几何特征相差很大。在图像数据融合前，必须首先进行空间配准，即解决各类遥感图像的几何畸变，实现以几何纠正为基础的空间配准，以达到同一区域不同图像数据地理坐标的统一。它涉及到几何纠正模型、重采样方法、投影变换、变形误差分析等问题。,数据配准,72,数据关联。指各类数据变换成统一的数据表达形式(即相同数据结构)，以保证融合数据的一致性，从而较客观地表达同一目标、同一现象。,73,融合模型的建立与优化,充分认识研究对象的地学规律和信息特征。如地质找矿一确定与找矿有关的地质体(地层、岩体、控矿构造、蚀变带等)；找地下水一寻找古河道、断层破碎带等赋水条件好的地段等，以及充分认识研究对象的地学属性(空间分布特征、波谱反射辐射特征、时相变化规律)等。,74,融合方法的选择,根据融合目的、数据源类型、特；点，选择合适的融合方法。图像数据融合的技术方法多种多样，大致可归结为彩色相关技术和数学方法。,75,彩色相关技术包括彩色合成、彩色空间变换等；,76,数学方法包括加减乘除的算术运算、基于统计的分析方法(如相关分析、最小方差估计、回归分析、主成分分析、滤波等)，以及小波分析等非线性方法。,77,常用的融合算法,主成分分析方法 Principal Component 算术乘积法 Multiplicative 比值变换法 Brovey Transform 小波变换法 wavelet transform,78,主成分分析法,主成分分析法或PCA法，是在遥感影像统计特征基础上进行的多波段影像的正交线性变换。在主成分变换过程中，首先将低分辨率多光谱影像进行主成分正变换，得到独立的主成分影像，再将高分辨率影像经多灰度拉伸，使其灰度的均值与方差和经过主成分变换的多光谱第一主分量影像的一致；然后将拉伸过的高分辨率全色影像代替第一主分量影像，再经过主成分逆变换进行影像重构，完成影像的融合。,79,算术乘积法 Multiplicative,乘积运算就是将高分辨率全色影像与多光谱影像的两个灰度矩阵进行矩阵乘积。该方法能够有效地增加影像的对比度。,80,比值变换法 Brovey Transform,Brovey变换法又称比值变换法，是一种比较简单的融合方法，它将RGB影像进行多光谱波段颜色归一化，再用高分辨率全色波段与各自相乘完成融合。该方法融合结果的色调有所下降，基本无法表现原始影像色彩特征同时纹理细节丢失也比较严重。,81,小波变换,小波变换是一种新兴的数学分析方法，已经受到了广泛的重视。小波变换是一种全局变换，在时间域和频率域同时具有良好的定位能力，对高频分量采用逐渐精细的时域和空域步长，可以聚焦到被处理图像的任何细节，从而被誉为“数学显微镜”。,82,2.5 融合影像质量评价,影像质量的评价是一项很有意义但又较难解决的研究课题。因为目前还难以用一种客观且完备的数学模型来模拟人类视觉生理和心理对现实世界的感知能力，传统的质量评价方法主要基于简单物理意义上的误差统计分析，而新的评价模型也仅仅只是对视觉感知能力的一些浅层的和不成熟的模拟。许多影像质量评价目前还主要是靠人的主观判断。因此，对融合影像质量的评价通常也就采用这两种方法：主观评价法 定量评价法。,83,主观评价法,主观评价法是由判读人员直接对影像的质量进行评估，例如：判断融合影像是否配准、直接比较影像差异判断光谱是否扭曲、空间信息的传递性能以及是否丢失重要信息，判断融合影像纹理及色彩信息是否一致，融合影像整体色彩是否与天然色彩保持一致，判断融合影像整体亮度、反差是否合适，以及判断融合影像的清晰度是否降低、影像边缘是否清楚等等。,84,一般通过 对影像上的田块界限、道路、居民点的轮廓、机场跑道边缘等特定信息的比较，可直观地得到融合影像在空间分解力、清晰度等方面的差异。,85,定量评价法,信息熵 清晰度逼真度,86,信息熵,图像融合的目的之一，是要增加倍息量，因面需要对融合后的图像进行信息量大小的评定。熵是衡量信息丰富程度的一个重要指标，一般可选用对融合前后图像求俯和联合熵的方法，来求其信息量的大小。墒越大图像所含的信息越丰富图像质量越好。,87,x为输入的图像变量；Pi为图像像元度值为i的概率,88,信息熵具有如下特点：,影像中的像素在各个灰度级均匀分布，即各个灰度级出现的概率均为Pi1L时，熵H(x)具有最大值log(L)。此时影像的信息量最丰富，灰度分布最均匀，层次最多。当影像中的所有像素只有某一灰度级，而没有其他灰度级时，熵H(x)具有最小值0。此时影像实际上无信息。当影像中灰度级减少时，熵H(x)也减少。,89,多波段数据融合联合熵,90,清晰度,影像的清晰度可采用梯度和平均梯度来衡量。影像清晰度是指影像的边界或影线两侧附近灰度有明显差异，即灰度变化率大，这种变化率的大小可用梯度来表示。它反映图像微小细节反差变化的速率，即图像多维方向上密度变化的速率，表征图像的相对清晰程度。,91,上式中：D(i、j)为遥感图像的第i行、j列的灰度值；M、N分别为遥感图像的总行、列数。一般说来，g越大，图像越清晰。,92,逼真度,逼真度指被评价图像与标准图像的偏离程度，这里指图像的改善程度。计算值越大，表示图像改善越大，融合效果好。这与逼真的原始含义(即与标准图像越接近越好)刚好相反。,93,ERDAS 的图像空间分辨率融合,94,Erdas 中的遥感影像融合,ERDAS中的resolution merge 分辨率融合是遥感信息融合的一个主要方法，它使得融合后的遥感图象既具有较好的空间分辨率，又具有多光谱特征，从而达到增强图象质量的目的。,95,ERDAS图标面板工具条：点击Interpreter图标或菜单中Image Interpreter遥感图像的空间增强（Spatial Enhancement）,96,97,主成分分析等融合方法,98,小波变换融合,99,ERDAS 的图像空间分辨率融合,This dialog enables you to integrate imagery of different spatial resolutions(pixel size).Resolution Merge offers three techniques:Multiplicative,Principal Components,and Brovey Transform.,100,Since higher resolution imagery is generally single band(for example SPOT Panchromatic 10m data),while multispectral imagery generally has the lower resolutions(for example Landsat TM 30m),these techniques are often used to produce high resolution,multispectral imagery.This improves the interpretability of the data by having high resolution information which is also in color.,101,QUICKbird全色0.6米,102,Quickbird 多波段影像2.4米,103,全色+多波段融合影像0.6米,