遥感影像处理实习5.docx

遥感影像处理实习5.docx

《遥感影像处理实习5.docx》由会员分享，可在线阅读，更多相关《遥感影像处理实习5.docx（15页珍藏版）》请在冰点文库上搜索。

遥感影像处理实习5

实习序号及题目

实习5——遥感影像反差增强

实习人姓名

任课教师姓名

实习地点

榆中校区实验楼

A109

实习日期时间

2012年11月28日

实习目的

1、理解主成份变换、去相关拉伸、樱帽变换、色彩变换、自然色彩变换的原理、方法和操作步骤。

2、掌握利用特征空间视图对影像中若干典型地物（如水体、农田、林地、居民地等）进行遥感影像分析。

实习内容

1、主成分变换，使用实习1中截取的子区LandsatTM影像进行主成分变换，记录特征值和特征值矩阵，逐一比较变换后各个波段的影像特征，说明从各个波段可以提取的影像信息，根据特征值说明变换后各个波段在影像总信息中的百分比；

2、去相关拉伸，使用实习1中截取的子区LandsatTM影像进行去相关性拉伸，比较变换后各个波段的影像特征；

3、樱帽变换，使用实习1中截取的子区LandsatTM影像进行缨帽变换，逐一比较变换后各个波段的影像特征并注意传感器类型的选择。

4、色彩变换，使用实习1中截取的子区LandsatTM影像进行色彩变换，说明参与变换的各个波段影像的光谱特征，比较变换前后的影像特征，分析变换后影像信息的特点。

5、自然色彩变换，使用提供的spot影像进行自然色彩变换。

基本原理

1、主成份变换：

实质上就是在多光谱空间中根据像元灰度矢量散点的空间分布特征（主要是均值、方差分布）对影像进行的以平移、旋转为主要内容的线性变换，使变换后各个坐标轴与影像多光谱空间变化的主要方向保持一致；变换后坐标轴的原点位置取决于多光谱空间中的均值矢量，坐标轴的长短与各个波段方差、协方差成正比；主成分变换去除了原影像各个波段之间的相关性，还把有用的信息集中到数目尽可能少的几个主成分影像波段上，从而提高了影像目视分析的效率。

变换后各个波段影像所含的信息量由其所对应的特征值大小来度量：

所以变换后各个波段影像上的信息量依次递减。

经过K-L变换后，Y的各个行向量依次称为第一主成分、第二主成分，…，第N主成分，并且第一主成分包含了原影像的大部分信息、第二主成分包含了第一主成分不能表达的信息，信息量少于第一主成分、第三主成分包含了前两个主成分未能表达的信息，信息量少于第一、第二主成分，其余影像信息分布在其他主成分中，且信息量依次递减，最后的几个波段的影像上实际仅包含噪声信息。

2、

樱帽变换：

TasseledCap又称为K-T变换。

一种特殊的主成分变换：

意义：

y1代表亮度分量（brightness），是TM六个波段亮度值的加权和，反映了总体的亮度变化；y2代表绿度分量（greenness），与亮度分量垂直，是近红外与可见光波段的对比；又称为绿度植被指数（GVI）；y3代表黄度或湿度分量（yellowness），主要与土壤湿度/水分状况有关；y4对于MSS数据没有意义，而对于TM数据代表霾，大气辐射衰减效应。

K—T变换的生物物理意义：

绿度维和亮度维组成的二维空间构成植被视面，它反映了植被从破土发芽、生长、开花到结实等各个阶段的整个生物过程。

随叶面积增加而绿度值增加，之后开始成熟、枯黄，绿度很快降回到最低点。

K—T变换的生态意义：

湿度（黄度）与亮度组成的平面为土壤视面，绿度与湿度（黄度）组成的平面称为过渡区视面。

LandsatTM变换系数：

3、去相关拉伸：

用于消除多光谱影像中各个波段之间的相关性，从而生成一幅色彩亮丽的彩色合成影像。

方法：

首先对影像进行主成份变换，并对主成份变换结果进行反差拉伸，然后再进行主成份逆变换，将影像恢复到RGB彩色空间，达到影像增强的目的。

4、色彩变换：

颜色是重要的视觉信息，识别各种不同的颜色是人类与生俱来的能力。

人的视觉系统有3类视锥细胞用于感知颜色，其峰值响应波长分别为430nm，530nm和560nm；人类能够感知和识别的明暗灰度等级不过是10多种，但是能够识别的颜色数目一般可达上百种。

好的视觉观察者甚至可以识别17000种颜色；三原色原理（T.Young）：

人类的视觉系统所感知的所有颜色都是红、绿和蓝色这三种基本颜色的线性混合形式。

ENVIHSV模型（对应ERDASIHS模型）：

人眼的视觉生理感受，H：

Hue，色度/色调，与颜色对应的电磁波波长（或者频率）有关，红色的色度值为0（或255），绿色为2/3π（或85），蓝色为4/3π（或170）；S：

Saturation，色饱和度，代表颜色的纯度V/I：

Value/Intensity，色值/亮度。

RGB—HSV彩色变换：

简单变换：

一般方法：

5、自然色彩变换：

利用绿、红、近红外三个波段数学变换形式仿真自然色彩。

常用于SPOT、ASTER数据中合成蓝色波段方法：

R：

XS2

G：

（XS1+XS2+XS3）/3

B：

XS1

数据准备

1、Landset5TM影像截取的子区：

；

2、Spot影像：

spotxs；

操作方法及过程

1、在第一次实习中使用的摇杆影像中，裁剪一个子区，要求大小为1024*1024，并且尽可能包括多的地物类型。

裁剪子区方法：

basictools→ResizeData（Spatial/Spectral），选择原影像文件，spatialsubset→裁剪方式选择image，samples输入1024、lines输入1024。

以红框为选择范围，选择地物较多的区域点击ok。

选择重采样方式为双线性内插法，choose，保存子区影像；生成结果：

对于子区影像地物进行描述：

采取432组合波段显示，影像中间主体位置为兰州市城市建成区和南北两侧山体地形起伏区域，黄河从东到西穿过影像，兰州市内有少量植物呈现分散状态，城市边缘部分有几片绿色农田兰州市北方的大片区域都为裸土，植被覆盖很少，在北方两条公路附近有少量的绿色农田存在；在兰州市南方则有大片的植物存在，农田、草地、干草地等都很明显，尤其在西南方向有深红色的植物覆盖区域。

2、进行主成分变换处理：

操作方法：

transform→principalcomponents→forwardPCrotation→computenewstatisticsrotate；选择子区影像，statsXresizefactor和statsYresizefactor分别代表统计的百分比，数值1代表百分比为100%，另0.5代表统计50%的像素，这里选择数值1；选择统计信息保存位置，calculateusing代表计算方法，correlationmatrix为相关系数矩阵此为波段差异较大的时候选择，covariancematrix为协方差矩阵，这里我们选择协方差系数矩阵，选择生成影像保存位置；数据类型选择浮点型；selectsubformeigenvalues代表生成波段数的特征值，因为我们还不知道生成波段中包含的信息量，因此我们选择yes即代表生成全部。

生成结果统计信息：

我们看到一共生成六个波段，每个波段包含的信息量如下所示，其中第一波段信息量为81.37%等；percent代表信息累积量，我们发现前三个波段包含的信息总和就超过了99%，因此主成分变换之后所有信息基本集中在前三个波段，其他波段基本都是噪声，而且主成分变换后每两个波段都是正交的，这代表第二波段含有第一波段没有的信息，以此类推。

（生成影像及描述在结果与分析里面）

3、去相关拉伸处理：

操作，transform→decorrelationstrech，这里选择三个波段，我们一般选择相关性较小的几个波段进行操作，因为如果相关性较大，那么在去相关拉伸之后，原来有价值的信息也会被舍弃掉。

这里我们选择额543三个波段分别对应RGB，选择位置保存生成结果。

生成结果跟原影像进行连接查看结果。

这里一共生成三幅影像，分别表示着RGB。

生成影像中右击→快速统计，查看影像统计信息去相关拉伸前后的变化。

4、樱帽变换处理：

transform→tasseledcap，我们使用的是landset5的影像，这里type选择landset5TM，选择保存位置。

生成结果跟原影像进行连接查看结果。

这里一共生成三幅影像，分别为Brightness——亮度，DN值越大的地方其地物的亮度就越亮反射率越高；Greenness——绿度，DN值越大的地方其地表绿色植物覆盖度月大，生物量越多；third——湿度（黄度），DN值越大的地方代表地物的湿度也就是含水量越高。

5、色彩变换——HSV：

transform→colortransforms→RGBtoHHV，选择三个波段分别对应RGB，这里我们选择432波段。

色彩变换——HLS：

transform→colortransforms→RGBtoHLS，选择三个波段分别对应RGB，这里我们选择432波段。

生成结果跟原影像进行连接查看结果。

6、自然色彩变换：

操作：

打开spot影像，观察到这幅spot影像只有三个波段分别为红光波段、绿光波段和近红外波段，我们采用NIR、RED、GREEN分别对应RGB，观察生成结果

发现大部分植物呈红色，但是我们人眼自然色彩中植物应该呈现绿色。

因为蓝色和绿色有很强的相关性，因此我们可以用绿光波段代替蓝色；红光波段代替红色，而绿色就需要经过计算得到，我们知道绿光的范围值大概等于红光绿光近红外三个波段的平均值，因此我们首先要构造一个新的波段，操作：

basictools→bandmath

输入：

byte（（float（b1）+b2+b3）/3），把一个波段浮点化，之后进行家和除以3得到浮点型的DN值，之后将数值整型化。

我们观察现在合成影像的色彩符合人眼的感觉，形成仿真自然色彩。

将这个组合保存成新的影像：

image中file→图像另存为→图像文件，resolution选择24-bitcolor，选择位置保存影像。

结果与分析

1、主成分变换处理结果：

Band1：

我们可以看到地形，黄河、兰州市南北两侧的黄土地貌等地物，细节方面，可以看到北方的公路、兰州城区内的道路也很清楚，能看到农田的形状，黄河成灰白色，植物覆盖度高的区域也呈现亮白色；

Band2：

影像中除西南侧亮度较亮其他地方都很暗，黄土地貌的地形没有band1那么起伏明显，黄河呈现深黑色且边界明显；兰州市城内不是很清楚，建筑物不能区分清楚，尤其在西固区基本都是灰黑色覆盖；但是在北部的道路要比band1更容易识别，有的面积较小的水体也可以清楚的看到，西南侧的亮白色可以识别为大量植物，但是边界不清楚。

其他地方的是被覆盖不能识别。

Band3：

跟band12相比地形地貌特征基本不能识别，尤其在兰州城区北部，呈现大片灰色，只能看到几条沟谷。

兰州城内呈现灰黑色，道路不是很明显，建筑物不能区分，黄河的颜色跟城区容易混淆，但是大体上还是能够分开，兰州市南部山区地形较为明显，可以看到黄土地貌。

Band3的最明显的地物就是绿色植物和农田，大量亮白色区域都是植物覆盖区，就连北部道路两侧的植被也能体现出来，西南方的大片绿色植物也能清楚的识别。

Band4：

地貌特征基本不能识别，只有兰州市南部的山区还有一点点起伏特征，兰州市建成区边界很不清晰，不能识别植物和农田，唯一明显的是传承而过的黄河，呈现亮白色。

Band5：

地貌特征很不明显，但是南部山区要比band4稍稍清楚，兰州市建成区边界比较模糊，但是也可以识别，黄河边界不明显，但是北部的道路可以看到一点轮廓，植物和农田基本不能看清。

Band7：

这个波段中的地物几乎都不能区分，唯一比较清楚的就是亮白色的黄河，但是边界也清楚。

2、去相关拉伸处理：

以band5为例，去相关性拉伸之后影像非常模糊，地物都分不清楚，应该说是效果更差了，查看统计信息。

我们发现mean变成0，stdve全部变成1，说明去相关拉伸之后影像DN值的变化范围变小，各个波段之间的相关系数变为0；我们知道DN值统计曲线的每一个峰值都代表一个地物，通过对比发现拉伸之后影像每个波段的地物数量也明显减少了。

3、樱帽变换处理结果：

亮度波段：

兰州市北方的大片裸土的反射率较高，亮度较大，而黄河因为水体的反射率很小，基本呈现灰黑色，在大概中央偏右部分，是以片建筑物，它们的反射率也很高，颜色呈现亮白色十分明显，在西南方由于有大量的绿色植物覆盖因此反射率不高，也是呈现灰黑色。

绿度波段：

从这幅影像中我们可以清楚的看到，凡是亮白色的地方都是有绿色植物和农田的地方，而且亮度越亮生物量越多，在北部的道路两侧的植被也被明显的表现出来，兰州市边缘的农田也能看识别，尤其是西南方的大片两色正是植物茂盛覆盖度高的表现；而其他地方诸如裸土、河流建成区都是灰黑色。

湿度波段：

这个波段中，我们可以明显的看到黄河呈现亮白色，水体的湿度是很大的，其次分布植物的区域也比较明亮，因为植物的含水量也是很高的，再次就是城市建成区也比较明亮，原因不明。

其他的裸土部分是比较灰暗的。

4、色彩变换结果：

HSV：

H为色调，我们可以看到黄河又灰黑色变为亮白色，而干草地的颜色有灰色变为灰黑色，而高覆盖草地的颜色白成亮白色，裸体的颜色变灰色，山地的颜色变成暗灰色；S为饱和度，黄河有灰黑色变灰色，干草地又灰白色变为灰色，高覆盖草地又灰白色变为亮白色，兰州市建成区又灰黑色变为暗黑色；V为亮度，亮度波段颜色变化不明显，总体上变亮了。

存在问题与解决办法

（1）、去相关拉伸的步骤是：

首先对影像进行主成份变换，并对主成份变换结果进行反差拉伸，然后再进行主成份逆变换，但是本次试验中并不是按照这个步骤拉进行的，而是直接在原影像上进行拉伸，因此得到的结果反而没有未拉伸的影像效果好；因此我在主成分变换的基础上进行变换之后如何进行逆变换没有实现，另外关于去相关拉伸作用和算法并不了解，例如为什么去相关拉伸之后mean变为0，stdve变为1。

对于波段之间相关性的概念，有没有一个定量的描述，或者通过什么操作可以得到；

（2）、彩色变换之后三个波段如何组合显示（应该不是付给RGB），另HSV和HLS生成结果经过查看没什么区别。

解释：

HSV色彩模型（Hue色度、Saturation饱和度、Value纯度），HLS色彩模型（Hue色度、Lightness亮度、Saturation饱和度），两者的意义大体一样，只是在饱和度，亮度的取值轴有不同的意义。

比如，HSV方式中，各个颜色要想达到最亮，就要把Value设置为100%，同时Saturation下降时，颜色也慢慢衰退。

而HLS方式中，当把亮度调为100%时，就没有颜色了，成为白色。

而各个纯颜色的表现实在亮度为50%的时候，同时Saturation如果减少的话，颜色会慢慢变透彻。

总结

通过本次实习的完成进一步理解影像处理，进行主成份变换、樱帽变换、色彩变换、自然色彩变换的原理掌握操作步骤和步骤；进一步掌握利用特征空间视图进行遥感影像分析。

从各种影像处理的到的处理后的影像的结果来看，可已通过不同的影像处理方法来提取某种或某些特别的地物信息，如樱帽变换、色彩变换。

也可以同过影像处理的手段分类别的分析和提取地物信息，如主成份变换。

灵活运用不同的处理方法能够有效的解决影像分析中遇到的问题，同时选择合适的处理手段能够收到满意的结果。