整个遥感图像处理过程
- 一．预处理
- 二、几何矫正
- 三、图像剪裁
- 四、图像镶嵌和均色
- 五．图像增强
- 六、遥感信息提取
- 7 后处理
- 参考资料
一．预处理
1．降噪处理 由于传感器的因素，一些获取的遥感图像中，会出现周期性的噪声，我们必须对其进行消除或减弱方可使用。 (1)除周期性噪声和尖锐性噪声外 周期性噪声通常重叠在原始图像上，成为具有不同范围、频率和相位的周期性干扰图形。它形成了一系列的尖峰或亮点，这意味着在某些空间频率位置是最突出的。通常可以通过连接或槽滤波来消除。 消除尖峰噪声，特别是与扫描方向不平行的，一般采用傅立叶变换进行滤波处理更方便。
图1 消除噪声前
图2 消除噪声后
(2)除坏线和条带 去除遥感图像中的坏线。遥感图像中通常有与扫描方向平行的条带，以及一些与辐射信号无关的条带噪声，通常称为坏线。傅里叶变换和低通滤波通常用于消除或减弱。
图3 去条纹前
图4 去条纹后
图5 去条带前
图6 去条带后
2．薄云处理 由于天气原因，可以削弱一些遥感图形中的薄云。 3．阴影处理 由于太阳的高度角，一些图像会出现山阴影，可以通过比值法消除。
二、几何矫正
通常，我们获得的遥感图像通常是Level为了使二级产品的定位准确，在使用遥感图像之前，我们必须对其进行几何校正，并在地形波动较大的地区进行正射校正。在特殊情况下，遥感图像必须在大气中进行校正，这里不详细说明。 1．图像配准 对于同一地区的两个数据源可以叠加在同一地理坐标系中进行显示和数学操作，必须首先将其中一个数据源的地理坐标匹配到另一个数据源的地理坐标上，称为准确性。 (1)图像匹配格栅图像 将遥感图像匹配到同一区域的另一个图像或格栅图中，使其在空间位置重叠显示。
图7 图像配准前
图8 图像配准后
(2)图像对矢量图形的匹配 将遥感图像配置到同一区域的矢量图形中，使其在空间位置上重叠显示。 2.几何粗矫正 这种校正是针对几何畸变的原因进行的。在向用户提供信息之前，地面接收站根据常规处理方案和图像同时接收到的相关操作姿势、传感器性能指标、大气状态和太阳高度角校正了图像几何畸变. 3.几何矫正 为了准确地定位遥感数据，需要准确地将遥感数据定位到特定的地理坐标系，称为几何校正。 (1)图像对图像的纠正 利用现有准确的地理坐标和投影信息的遥感图像来纠正原始的遥感图像，使其具有准确的地理坐标和投影信息。 （2）图像对地图（栅格或矢量） 扫描地形图或矢量地形图，使用现有准确的地理坐标和投影信息，纠正原始遥感图像，使其具有准确的地理坐标和投影信息。
图9 参考地形图
图10 待纠正影像
图11 纠正图像、地形图套和效果
(3)已知坐标点(地面控制点)图像 已知坐标点或地面控制点采用现有准确的地理坐标和投影信息，纠正原始遥感图像，使其具有准确的地理坐标和投影信息。 4．正射纠正 利用现有的地理参考数据(图像、地形图和控制点等)（DEM、GDEM），纠正原始遥感图像可以消除或减弱地形起伏造成的图像变形，使遥感图像具有准确的地面坐标和投影信息。
图12 数字正射图像图
三、图像剪裁
在日常遥感应用中，常常只对遥感影像中的一个特定的范围内的信息感兴趣，这就需要将遥感影像裁减成研究范围的大小。
图39 原始影像
1．按ROI裁剪 根据ROI(感兴趣区)裁剪图像的范围大小。
图40 按ROI(行政区)区域裁剪
2.按文件切割 切割图像应根据指定图像文件的范围大小进行切割。 3.按地图切割 切割图像根据地图的地理坐标或经纬度范围进行切割。
图41 按地图坐标范围切割
四、图像镶嵌和均色
1．图像镶嵌 又称图像拼接，是将两个或两个以上的数字图像（它们可以在不同的摄影条件下获得）拼接在一起，形成一个整体图像的技术过程。 通常先对每个图像进行几何校正，规划成统一的坐标系，然后切割，去除重叠部分，然后组装切割后的多个图像形成大幅图像。
图42镶嵌左图像
图43 镶嵌右影像
图44 镶嵌结果图像
2．影像匀色 在实际应用中，我们用来镶嵌图像的遥感图像通常来自不同传感器和不同阶段的遥感数据。在制作图像镶嵌时，颜色往往不一致。此时，有必要结合实际情况和整体协调，对参与镶嵌的图像进行均匀的颜色。
图45 匀色前影像
图46 匀色后影像
五、图像增强
为了提高遥感图像所包含的地物信息的可读性和更突出的兴趣目标，有必要加强遥感图像。 1．彩色合成 为了充分利用色彩在遥感图像判断和信息提取方面的优势，多光谱图像经常通过色彩合成来处理，以获得色彩图像。 彩色图像可分为真色图像和假色图像。
图13真色合成( TM321)
图14 假彩色合成(TM432)
2.直方图变换 通过统计每个图像亮度的图像元数而获得的随机分布图，即图像的直方图。 一般来说，包含大量图像元的图像，图像元的亮度随机分布应为正态分布。直方图为非正态分布，表明图像的亮度分布太亮、太暗或太集中，图像对比度较小，需要调整直方图到正态分布，以提高图像质量。
图15 直方图拉伸前（原图偏暗）
图16 拉伸直方图后
图17 拉伸前直方图(原图对比度不强)
图18 直方图拉伸后(线性拉伸)
3．密度分割 根据图像元的灰度值对灰度图像进行分级，然后对不同的颜色进行分级，使原来的灰度图像变成伪色图像，达到图像增强的目的。
图19 原始图像
图20 图像的密度分割
4．灰度颠倒 灰度颠倒是将图像的灰度范围拉伸到显示设备的动态范围(如0~255)到饱和状态，然后颠倒，使图像和负图像交换。
图21 灰度颠倒前
图22 灰度颠倒后
5.图像间运算 两个或两个以上的单波段图像可以在空间配置后进行算术操作，以增强图像。常见的有加法操作、减法操作、比值操作和综合操作。 减法操作：可突出两波段差异较大的地物，如红外-红，可突出植被信息。 比例操作：常用于计算植被指数，消除地形阴影等。 植被指数：NDVI=（IR-R）/（IR R）
图23 原始图像
图24 NDVI植被指数图像
6．邻域增强 又称滤波处理，是在被处理像元周围像元的参与下进行的操作处理，邻域的范围取决于滤波器的大小，如3×3或5×5等。 去噪、图像平滑、锐化及相关操作采用邻区法处理 。
图25 原始图像
图26 拉普拉斯滤波图像（5×5）
7.分析主分析 也叫PCA可用于消除特征向量中各特征之间的相关性，并选择特征。 主成分分析算法也可用于高光谱图像数据的压缩和信息集成。例如：对LandsatTM对6个波段的多光谱图像(热红外波段除外)进行主成分分析，然后对获得的第1、2、3主成分图像进行彩色合成，获得信息量非常丰富的彩色图像。
图27 第一主成分
图28 第二主成分
图29 第三主成分
图30 第四主成分
图31第五主成分
图32 第六主成分
8．K-T变换 即Kauth-Thomas变换，又称流苏帽变换。这种变化的重点是作物的生长过程，不同于其他植被覆盖，努力把握多光谱空间地面景物的特征。 目前对这一变化的研究主要集中在MSS与TM两种遥感数据的应用分析。
图33 第一主分量(亮度)
图34 第二主分量(绿度)
图35第三主分量
9．图像融合 遥感图像信息集成是在统一的地理坐标系中生成多源遥感数据的过程。 不同的遥感数据具有不同的空间分辨率、波谱分辨率和时相分辨率。如果结合各自的优势，可以弥补单个图像中信息的不足，不仅扩大了各自信息的应用范围，而且大大提高了遥感图像分析的精度。
图36 多光谱影像
图 37高分辨率图像
图38 融合影像（HSV融合）
六、遥感信息提取
遥感图像中目标地物的特征是遥感图像中地物电磁波辐射差异的反映。根据遥感图像上的地物特征，识别地物类型、性质、空间位置、形状、大小等属性的过程是遥感信息提取。 目前，提取信息的方法有：视觉判断和计算机分类。其中，视觉判断是最常用的方法。 1．目视判读 又称人工解译，即用人工方法判断遥感图像，手动勾画遥感图像上目标地物的范围，实现信息提取的。
图47 人工解译水系
2．图像分类 是依据是地物的光谱特征，确定判别函数和相应的判别准则，将图像所有的像元按性质分为若干类别的过程。 （1）监督分类 在研究区域选有代表性的训练场地作为样本，通过选择特征参数（如亮度的均值、方差等），建立判别函数，对样本进行分类，依据样本的分类特征来识别样本像元的归属类别的方法。
图48 原图像
图49 监督分类图像
（2）非监督分类 没有先验的样本类别，根据像元间的相似度大小进行归类，将相似度大的归为一类的方法。 （3）其他分类方 包括神经网络分类、分形分类、模糊分类等分类方法，以及他数据挖掘方法如模式识别、人工智能等，在这里不做进一步阐述。
7 后处理
（1）包括类的调整 （2）出图 （3）汇报
参考资料
https://blog.csdn.net/u010666165/article/details/81449081