《图像转换遥感基础》由会员分享，可在线阅读，更多相关《图像转换遥感基础（25页珍藏版）》请在装配图网上搜索。
1、单击此处编辑母版标题样式,,单击此处编辑母版文本样式,,第二级,,第三级,,第四级,,第五级,,,*,,单击此处编辑母版标题样式,,单击此处编辑母版文本样式,,第二级,,第三级,,第四级,,第五级,,*,,*,,图像转换遥感基础,,图像转换概念,一种含义是图像的,数模（模数）转换,。,,另一种含义是为使图像处理,问题简化,或有利于图像特征提取等目的而实施的图像变换工作，如,二维傅立叶变换,、,穗帽变换,和,小波变换,。,,,模拟信号与数字信号,模拟信号,：普通像片那样的灰色级及颜色连续变化的图像。,,数字图像,：而是以数字形式表示的遥感影像（包括把模拟图像数字化的图像）。,,,图像数字化,采样
2、,：把模拟图像分割成同样形状的小单元，经行空间离散化处理叫采样的。,,量化,：以各个小单位的平均亮度值货中心部分的亮度值作为该单元的亮度值，为亮度值的离散化处理。,,这两个过程结合起来就叫做,图像的数字化,的,,采样,,量化,,傅立叶变换（1-1）,傅立叶变换以前，图像（未压缩的位图）是由对在连续空间（现实空间）上的采样得到一系列点的集合，我们习惯用一个二维矩阵表示空间上各点，则图像可由z=f(x,y)来表示。由于空间是三维的，图像是二维的，因此空间中物体在另一个维度上的关系就由,梯度,来表示，这样我们可以通过观察图像得知物体在三维空间中的对应关系。,,傅立叶变换（1-2）,傅立叶频谱图上我们
3、看到的,明暗不一的亮点,，实际上图像上某一点与邻域点差异的强弱，即梯度的大小，也即该点的频率的大小。一般来讲，梯度大则该点的亮度强。这样通过观察傅立叶变换后的频谱图，也叫,功率图,，我们首先就可以看出，图像的能量分布，如果频谱图中暗的点数更多，那么实际图像是比较柔和的（因为各点与邻域差异都不大，梯度相对较小），反之，如果频谱图中亮的点数多，那么实际图像一定是尖锐的，边界分明且边界两边像素差异较大的,,傅立叶变换（1-3）,对频谱移频到原点以后，可以看出图像的频率分布是以原点为圆心，对称分布的。将频谱移频到圆心除了可以清晰地看出图像频率分布以外，还有一个好处，它可以分离出有周期性规律的干扰信号，
4、比如正弦干扰，一副带有正弦干扰，移频到原点的频谱图上可以看出除了中心以外还存在以某一点为中心，对称分布的亮点集合，这个集合就是干扰噪音产生的，这时可以很直观的通过在该位置放置带阻滤波器消除干扰,,如果只保留靠近中心的幅度，则图像的细节丢失，但是不同区域还是有着不同灰度。,,如果保留的是远离中心的幅度，则图像的细节可以看得出，但是不同区域的灰度都一样了,,,傅立叶变换的意义,傅立叶变换在实际中有非常明显的物理意义，设f是一个能量有限的模拟信号，则其傅立叶变换就表示f的谱。从纯粹的数学意义上看，傅立叶变换是将一个函数转换为一系列周期函数来处理的。从物理效果看，傅立叶变换是将图像从空间域转换到频率域
5、，其逆变换是将图像从频率域转换到空间域。换句话说，傅立叶变换的物理意义是,将图像的灰度分布函数变换为图像的频率分布函数,，傅立叶逆变换是将图像的频率分布函数变换为灰度分布函数,,傅立叶变换作用,1.图像增强与图像去噪,绝大部分噪音都是图像的高频分量，通过低通滤波器来滤除高频——噪声; 边缘也是图像的高频分量，可以通过添加高频分量来增强原始图像的边缘； 提取图像高频分量,3.图像特征提取：,形状特征：傅里叶描述子 纹理特征：直接通过傅里叶系数来计算纹理特征 其他特征：将提取的特征值进行傅里叶变换来使特征具有平移、伸缩、旋转不变性,4.图像压缩,可以直接通过傅里叶系数来压缩数据
6、；常用的离散余弦变换是傅立叶变换的实变换；,,小波变换,线性系统理论中的傅立叶变换是以在两个方向上都无限伸展的正弦曲线波作为正交基函数的。对于,瞬态信号或高度局部化的信号,（例如边缘），由于这些成分并不类似于任何一个傅立叶基函数，它们的,变换系数（频谱）,不是紧凑的，频谱上呈现出一幅相当混乱的构成。,,为了克服上述缺陷，使用有限宽度基函数的变换方法逐步发展起来了。这些基函数不仅在频率上而且在位置上是变化的，它们是有限宽度的波并被称为小波（wavelet）。基于它们的变换就是小波变换。,,小波变化优点,1)小波分解可以覆盖整个频域(提供了一个数学上完备的描述),,2)小波变换通过选取合适的滤波器
7、，可以极大的减小或去除所提取得不同,特征之间的相关性,,,3)小波变换具有“,变焦,”特性，在低频段可用高频率分辨率和低时间分辨率(宽分析窗口)，在高频段，可用低频率分辨率和高时间分辨率(窄分析窗口),,4)小波变换实现上有,快速算法,(Mallat小波分解算法),,下图给出原始图片Lenna 和Gabor 滤波在不同采样因子下的结果。图片的左侧是原图（sub）和所有方向滤波的重叠结果，右侧是每个方向重采样的结果,,穗帽变换简介,根据经验确定的变换矩阵将图像投影综合变换到三维空间，其立体形态形似带缨穗的帽子，变换后能看到穗帽的最大剖面，充分反映,植物生长枯萎程度,、,土地信息变化,，,大气散射
8、物理影响,和,其它景物变化程度,的一种线性特征变换的图像处理方法,,穗帽变换的意义,,穗帽变换,（又称KT变换）是一种特殊的主成分分析，和主成分分析不同的是其转换系数是固定的，因此它独立于单个图像，不同图像产生的土壤亮度和绿度可以互相比较。随着植被生长，在绿度图像上的信息增强，土壤亮度上的信息减弱，当植物成熟和逐渐凋落时，其在绿度图像特征减少，在黄度上的信息增强。这种解释可以应用于不同区域上的不同植被和作物。,,穗帽变换的图像,穗帽变换是针对植物学所关心的植被特征，对原始多波段图像数据进行空间旋转，获得具有物理意义的亮度、绿度、湿度等分量。 其变换矩阵独立于单个图像，而与传感器相关。不同的图像
9、的变换矩阵不同，即反应穗帽变换的变换矩阵与传感器相关。,,,,多谢观赏,本文纯属个人制作,如有雷同纯属巧合,,图像去噪,图像去噪就是压制图像的噪音部分。因此，如果噪音是高频额，从频域的角度来看，就是需要,用一个低通滤波器对图像进行处理,。通过低通滤波器可以抑制图像的高频分量。但是这种情况下常常会造成边缘信息的抑制。常见的去噪模板有均值模板，高斯模板等。这两种滤波器都是在局部区域抑制图像的高频分量，模糊图像边缘的同时也抑制了噪声。 附上：算术均值滤波器和几何均值滤波器（尤其是后者）更适合于处理高斯或者均匀的随机噪声。谐波均值滤波器更适合于处理脉冲噪声。,返回,,图像增强,有时候感觉图像增强与
10、图像去噪是一对矛盾的过程，图像增强经常是需要增强图像的边缘，以获得更好的显示效果，这就需要,增加图像的高频分量,。而图像去噪是为了消除图像的噪音，,也就是需要抑制高频分量,。常见的图像增强方法有,对比度拉伸，图像锐化,等。我理解的,锐化,就是直接在图像上加上图像高通滤波后的分量，也就是图像的边缘效果。,对比度拉伸,和,直方图均衡化,都是为了提高图像的对比度，也就是使图像看起来差异更明显一些，我想，经过这样的处理以后，图像也应该增强了图像的高频分量，使得图像的细节上差异更大。同时也引入了一些噪音。,,返回,,图像压缩,傅立叶变换用于图像压缩技术可分为三个步骤。如图2-1所示，原始的图像通过傅立叶变换得到变换系数，变换系数通过量化，输出量化区间的索引符号流。量化得到的符号通过熵编码得到更为紧凑的比特流。,,图片压缩例子,返回,,
图像转换遥感基础
