搜索

遥感图像处理平滑与锐化方(详细)法6ppt

gecimao 发表于 2019-07-04 14:02 | 查看: | 回复:

  1.本站不保证该用户上传的文档完整性,不预览、不比对内容而直接下载产生的反悔问题本站不予受理。

  4.3 数字图像增强 数字图像增强的目的是提高图像质量和突出所需要信息,有利于分析判断。 数字图像增强处理方法主要有:对比度增强(灰度增强)、空间滤波、彩色变换、图像运算和多光谱变换。 数字图像增强处理方法 灰度增强是一种通过改变像元的亮度值来改变图像像元的对比度,从而改善图像质量的图像处理方法。 一般来说,包含大量像元的图像,像元的亮度随机分布应是正态分布。亮度直方图为非正态分布,说明图像的亮度分布偏亮、偏暗或亮度过于集中,图像的对比度小,需要调整该直方图到正态分布,以改善图像的质量。 主要通过改变图像灰度分布态势,扩展灰度分布区间,达到增强反差的目的。 它可分为比例线性变换、分段线性变换和非线.比例线性变换 比例线性变换是对单波段逐个像元进行处理的,它是将原图象亮度值动态范围按线性关系式扩展到指定范围或整个动态范围。 在实际运算中给定的是两个亮度区间,即要把输入图像的某个亮度值区间【a1,a2】扩展为输出图像的亮度值区间【b1,b2】。 2.分段线性变换 为了更好地调节图像的对比度,在一些亮度区间段进行拉伸,而在另一些区间段进行压缩,这种变换称为分段线性变换。 分段线性变换因为不同区间的变换函数不同,变换函数整体呈折线。折线间断点位置根据需要决定。 3.非线性变换 当变换函数为非线性时,即为非线性变换。 非线性变换函数很多,常用的有两种方法: 对数变换 当希望对图像的低亮度区有较大的扩展而对高亮度区压缩时,可采用此种变换。 指数变换 此种可以对图像的高亮度区给予较大的扩展。 4.直方图均衡化 非线性的增强方法; 这种方法通常用来增加许多图像的局部对比度,尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法,亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度,直方图均衡化通过有效地扩展常用的亮度来实现这种功能。 这种方法对于背景和前景都太亮或者太暗的图像非常有用,一个主要优势是它是一个相当直观的技术并且是可逆操作,如果已知均衡化函数,那么就可以恢复原始的直方图,并且计算量也不大。这种方法的一个缺点是它对处理的数据不加选择,它可能会增加背景噪音的对比度并且降低有用信号的对比度。 直方图均衡化的基本思想是把原始图的直方图变换为均匀分布的形式,这样就增加了象素灰度值的动态范围从而可达到增强图像整体对比度的效果。 5.直方图规定化 把原图象的直方图变换为某种指定形状的直方图或某一参考图象的直方图,然后按照已知的指定形态的直方图调整原图象各象元的灰级,最后得到一个直方图匹配的图象 使用的模板有正态拉伸匹配、暗区拉伸匹配、亮区拉伸匹配 主要应用于有一幅很好的图象作为标准的情况下,对另一图象进行匹配,以改善被处理图象的质量 应用于数字镶嵌 4.3.2 空间增强(空间滤波或邻域增强 ) 灰度增强主要是通过单个像元的运算在整体上改善图像的质量,而空间增强则是有目的突出图像上的某些特征,如突出边缘或线性地物,也可以有目的去除某些特征. 空间增强在方法上强调了像元与其周围相邻像元的关系,采用空间域中邻域处理方法,在被处理像元参与下进行运算,这种方法也做叫“空间滤波” 包括:平滑、锐化 1.图像卷积运算 作法是:选定一卷积函数,又称为“模块”,为一个M×N图像,二维的卷积运算是在图像中使用模板来实现运算的。 选定运算模板为φ(m,n),模板的大小为M×N,则图像开一个与模板大小对应相等的活动窗口t(m,n),使图像窗口与模板的像元灰度对应相乘再相加。 2.平滑 图像中出现亮度变化大区域,或出现不该有的亮点,为了抑制噪声和使亮度平缓,所采用的方法称为平滑 包括:均值平滑与中值滤波 均值平滑 在以像元为中心的领域内取均值来取代该像元。 常用四邻域或八邻域的模板 中值滤波 中值滤波,是对以每个像元为中心的邻域内的所有像元按灰度值大小进行排序,用其中值作为中心像元的新的灰度值。 一般模板M乘N取奇数。 从上图可以看出: (a)中值滤波后,图像保持不变,阶梯保留,而均值平滑后,阶梯消失,边缘模糊,灰度值呈渐变趋势; (b)中经过中值滤波和均值平滑后,都和原来图像一样的,说明两种处理对此类图像的效果类似; (C)中用中值滤波去掉了噪声而原图像保留,经过均值平滑后图像灰度产生起伏。 3.锐化 锐化可以突出图像的边缘、线状目标或某些亮度变化率大的部分。 锐化后图像不再具有原遥感图像的特征而成为边缘图像。 锐化的方法很多: 梯度法 罗伯特梯度(Roberts) 索伯尔梯度(Sobel) 拉普拉斯算法(Laplace) 定向检测 空间频率域的滤波(补充) 空间频率域的滤波是用傅立叶变换之积的形式表示,如下式。 式中:F为原图像的傅立叶变换,H为滤波函数,G为输出图像的傅立叶变换。对G进行逆变换就可以得到滤波后的图像。 滤波函数有低通滤波、高通滤滤、带通滤波等。低通滤波用于仅让低频的空间频率成分通过而消除高频成分的场合,由于图像的噪声成分多数包含在高频成分中,所以可用于噪声的消除。高通滤波仅让高频成分通过,可应用于目标物轮廓等的增强。带通滤波由于仅保留一定的频率成分,所以可用于提取、消除每隔一定间隔出现的干涉条纹的噪声。 平滑化 拉普拉斯算子—微分 低通滤波(1) --均值滤波 低通滤波(2) –均值滤波 低通滤波(3) –均值滤波 高通滤波(1)--边缘增强 高通滤波--边缘增强(局部) 高通滤波--边缘增强(局部对比) 增强 未增强 高通滤波(2)--边缘增强 高通滤波(3)--边缘增强 图像的卷积运算: 模板上第m列,第n行的像元值 窗口上第m列,第n行的像元值 窗口的中心像元的像元值 还可以取一个阀值 当原图像值减去均值大于阀值时,取均值 当原图像值减去均值小于阀值时,取原值 例1:右图为数字图像,亮度普遍在10以下,只有两个像元出现15的高亮度(噪声)。用均值平滑模板求出新的图像。 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 1/9 t = 4 3 7 6 8 2 15 8 9 9 5 8 9 13 10 7 9 12 15 11 8 11 10 14 13 解:原图像上下左右各加一行或一列,亮度值与最近邻像元值一致,得到 像元(0,0)的新值= (4+4+3+4+4+3+2+2+15)/9= 41/9 = 5 4 3 7 6 8 2 15 8 9 9 5 8 9 13 10 7 9 12 15 11 8 11 10 14 13 4 3 7 6 8 8 11 10 14 13 4425788 8 8 9 1011 1313 像元(0,0) 像元(0,1) 像元(1,1) 像元(0,1)的新值= (4+3+7+4+3+7+2+15+8)/9 = 53/9 = 6 像元(1,1)的新值= (4+3+7+2+15+8+5+8+9)/9= 61/9 = 7 余类推…. 4 3 7 6 8 2 15 8 9 9 5 8 9 13 10 7 9 12 15 11 8 11 10 14 13 平滑后的新图像为: 原图像为: 3*3圆滑 1X5模板下,一维中值滤波的几个例子 中值滤波 优点:抑制噪声的同时,较好地保留了高频信息 原始 中值 均值 索伯尔梯度锐化模板, 两个模板同时使用: t1(m,n)= 1 2 1 0 0 0 -1 -2 -1 t2(m,n)= -1 0 1 -2 0 2 -1 0 1 先用模板t1卷积,结果取绝对值(获得南北向梯度);再用t2计算,结果也取绝对值(获东西向梯度);然后两个绝对值相加(得总梯度),写在窗口中心。 任何方向的边缘都将被突出. 拉普拉斯模板 t (m,n)= 0 1 0 1 -4 1 0 1 0 即上下左右四个相邻像元的亮度值相加,然后减去中心像元值的4倍,作为该中心像元的新值。 均匀的变化将被忽略;用于检测变化率的变化率即二阶微分。 例2: 拉普拉斯模板应用 t (m,n)= 0 1 0 1 -4 1 0 1 0 均匀变化,卷积结果为 0 设窗口像元值为 w (m,n)= 2 3 5 4 6 8 3 9 10 若窗口像元值为 w (m,n)= 2 3 5 4 5 19 3 20 10 有突变边缘,卷积结果为 26 拉普拉斯 图象更加突出了亮度值突变的位置 例2:右图为数字图像,分别用索伯尔方法和拉普拉斯方法提取边缘。 1 2 1 0 0 0 -1 -2 -1 t 2= 2 2 10 10 10 2 2 10 10 10 2 2 10 10 10 2 2 2 2 2 2 2 2 2 2 索伯尔模板有2个: 或 -1 0 1 -2 0 2 -1 0 1 t1 = 解:拉普拉斯模板为: 0 1 0 1 -4 1 0 1 0 t = 用索伯尔t2得 用索伯尔t1得 用拉普拉斯模板得到 2 2 10 10 10 2 2 10 10 10 2 2 10 10 10 2 2 2 2 2 2 2 2 2 2 原图像为: 用索伯尔t1+t2得 0 32 32 0 0 0 32 32 0 0 0 32 48 32 32 0 16 32 32 32 0 0 0 0 0 定向边缘检测模板 t (m,n)= -1 0 1 -1 0 1 -1 0 1 设计特殊模板,可以检测特定方向的边缘。 检测垂直边界: t (m,n)= -1 2 -1 -1 2 -1 -1 2 -1 t (m,n)= -1 -1 -1 0 0 0 1 1 1 检测水平边界: t (m,n)= -1 -1 -1 2 2 2 -1 -1 -1 或 或 t (m,n)= 0 1 1 -1 0 1 -1 -1 0 检测对角线方向的边缘时,可用以下模板: t (m,n)= 1 1 0 1 0 -1 0 -1 -1 t (m,n)= -1 -1 2 -1 2 -1 2 -1 -1 t (m,n)= 2 -1 -1 -1 2 -1 -1 -1 2 或 或 或 Sobel 空间滤波(1)—梯度(差分) Sobel 空间滤波(2)—梯度(差分) Prewitt 空间滤波(1)—梯度(差分) Prewitt 空间滤波(2)—梯度(差分) Prewitt 空间滤波(1)、(2)对比 Prewitt 空间滤波(1)、(2)对比(局部) * * 1 对比度变换 2 空间滤波 3 彩色变换 4 图像运算 5 多光谱变换 对比度变换的同义词:对比度增强(拉伸,stretch)、反差增强、直方图变换、辐射增强、点增强 对比度变换 直方图拉伸 直方图均衡 直方图匹配 线 对比度变增强(灰度增强) 图像直方图 用平面直角坐标系表示一幅灰度范围为0-n的数字图像像元灰度分布状态,横轴表示灰度级,纵轴表示某一灰度级(或范围)的像元个数占像元总数的百分比。 通过灰度直方图可以直观地了解图像特征,以确定图像增强方案并了解图像增强后的效果 每一幅图像都可以求出其像元亮度值的直方图,观察直方图的形态,可以粗略略地分析图像的质量。 正态分布 峰值偏左?偏暗 峰值偏右?偏亮 峰值窄/陡?高密度值太集中 调整a,b的区间,可以对图像亮度进行拉伸和压缩 对比度拉伸的效果 效果:增强了峰值处的对比度,两端(最亮和最暗)的对比度减弱了 原始的直方图 均衡化后的直方图 直方图均衡化实例 直方图均衡化实例 直方图均衡化实例 直方图均衡化 直方图匹配:条件(运用两幅图象) 原始图象和参考图象 两个图象的直方图的总体形态应相似 图象中相对亮和暗的特征应相同 对某些应用,图象的分辨率应相同 图象中的地物类型的相对分布应相同,无论两幅图象是否覆盖同一地区。如一幅有云,另一幅没有云,应先将云去掉(覆盖),然后再进行直方图匹配 ERMAPPER中的反差增强功能 线性或分段线性扩展 反差扩展后的直方图 原始数据直方图 对数扩展(暗部扩展) 指数扩展(亮部扩展) 直方图均衡扩展(中部扩展) 高斯均衡扩展(中部扩展) 非线性扩展 直方图匹配 * * *

  “原创力文档”前称为“文档投稿赚钱网”,本网站为“文档C2C交易模式”,即用户上传的文档直接卖给(下载)用户,本站只是中间服务平台,本站所有文档下载所得的收益归上传人(含作者)所有【成交的100%(原创)】

本文链接:http://ticatfans.com/duibidukuozhan/499.html
随机为您推荐歌词

联系我们 | 关于我们 | 网友投稿 | 版权声明 | 广告服务 | 站点统计 | 网站地图

版权声明:本站资源均来自互联网,如果侵犯了您的权益请与我们联系,我们将在24小时内删除。

Copyright @ 2012-2013 织梦猫 版权所有  Powered by Dedecms 5.7
渝ICP备10013703号  

回顶部