学习过程中遇到的知识盲区

一、空间域与频率域

• 图像的空间域是指图像平面所在的二维平面，对于空间域的图像处理主要是对像元灰度值的改变，其位置不变。
• 图像的频率域是图像像元的灰度值随位置变化的空间频率，以频谱表示信息分布特征
• 二者转换：二维离散傅立叶变换或小波变换,将图像由图像空间转换到频域空间。傅立叶变换能把遥感图像从空间域变换到只包含不同频率信息的频率域，原图像上的灰度突变部位、图像结构复杂的区域、图像细节及干扰噪声等信息集中在高频区，而原图像上灰度变化平缓部位的信息集中在低频区。
  为什么转换？？ 在频率域一些特性比较突出，容易处理。比如在空间图像里不好找出噪声的模式，如果变换到频率域，则比较好找出噪声的模式，并能更容易的处理。

图像增强分为空间域增强、频率域增强、数学形态学增强方法和模糊增强方法。
空间域增强：
1、灰度变换——拉伸
2、直方图处理：直方图均衡化、直方图规定化
3、空间滤波 平滑（均值滤波/最大值/最小值）+锐化（拉普拉斯/梯度/roberts/Sobel）
频率域增强：首先空间域图像—（傅里叶变换）—>频率域图像，滤波器
1、平滑（保留低频抑制高频）：理想低通滤波器、Butterworth低通滤波器、指数低通滤波器、梯形低通滤波器
2、锐化（保留高频抑制低频）：理想高通滤波器、Butterworth高通滤波器、指数高通滤波器、梯形高通滤波器
数学形态学增强方法：
膨胀、腐蚀、开运算、闭运算

二、图像的熵

熵（Entropy）指的是体系的混乱的程度。图像熵是一种特征的统计形式，它反映了图像中平均信息量的多少。图像熵越大，图像中全部的灰度级出现频率越相等，表明图像包含的信息量越大。

一、一维熵
图像的一维熵表示图像中灰度分布的聚集特征所包含的信息量，令Pi 表示图像中灰度值为i的像素所占的概率，则定义灰度图像的一元灰度熵为：

其中Pi是某个灰度在该图像中出现的概率，可由灰度直方图获得。

2、二维熵
图像的一维熵可以表示图像灰度分布的聚集特征，却不能反映图像灰度分布的空间特征，为了表征这种空间特征，可以在一维熵的基础上引入能够反映灰度分布空间特征的特征量来组成图像的二维熵。选择图像的邻域灰度均值作为灰度分布的空间特征量，与图像的像素灰度组成特征二元组，记为( i, j )，其中i 表示像素的灰度值(0 <= i <= 255)，j 表示邻域灰度均值(0 <= j <= 255)：

上式能反应某像素位置上的灰度值与其周围像素灰度分布的综合特征，其中f(i, j)为特征二元组(i, j)出现的频数，N 为图像的尺度。
定义灰度图像的二元灰度熵为：

某些情况下，熵值大=色彩艳丽=图像轮廓清楚=清楚

三、多光谱与高光谱

1、多光谱成像——光谱分辨率在Δλ/λ=0.1数量级，这样的传感器在可见光和近红外区域一般只有几个波段。 Landsat MSS，TM，法国的SPOT
1、高光谱成像——光谱分辨率在Δλ/λ=0.01数量级，这样的传感器在可见光和近红外区域有几百到数百个波段，光谱分辨率可达nm级。GF-5

四、什么是全色波段

全色波段，一般指使用0.5um~0.75um左右的单波段，即从绿色往后的可见光波段。
全色遥感影象是单波段，在图上显示是灰度图片，无法显示地物色彩。
全色遥感影象一般空间分辨率高，常用作波段影像融合处理，得到既有全色影像的高分辨率，又有多波段影像的彩色信息的影象。