遥感图像辐射增强ERDAS实现

遥感图像增强辐射增强

目的：逐像元进行灰度值的变换，以突出像元之间的反差（对比度），从而改善图像视觉效果、突出有用信息.（遥感图像的灰度增强法），抑制或排除无用信息。

遥感图像灰度直方图介绍

1.什么是灰度直方图

一幅黑白图像往往由不同深度的灰色来描述图像，在计算机中常常采用八个比特位进行储存，所以通常用0-255来描述图像的灰度值，数值越大颜色越深。灰度直方图是描述图像中每个像元灰度值的分布情况，由此可以看出图像的特征，一般图像符合正态分布曲线所展示的效果最好，信息最多，图像的灰度直方图可以在MetaData–>Histogram下查看

2.灰度直方图有什么作用

每一幅影像都可以求出其像元亮度值的直方图，观察直方图的形态，可以粗略地分析影像的质量。一般来说，一幅包含大量像元的影像，其像元亮度值应符合统计分布规律，即假定像元亮度随机分布时，直方图应是正态分布的。实际工作中，若影像的直方图接近正态分布，则说明影像中像元的亮度接近随机分布，是一幅适合用统计方法分析的影像。当观察直方图形态时，发现直方图的峰值偏向亮度坐标轴左侧，则说明影像偏暗。峰值偏向坐标轴右侧，则说明影像偏亮，峰值提升过陡、过窄，说明影像的高密度值过于集中，以上情况均是影像对比度较小，影像质量较差的反映。

实现方法

1.反差拉伸法

将输入图像上每个象素的灰度值按一些简单的数学关系式转换成输出图像上的灰度值,且大多数是扩大图像灰度值的动态范围、调整图像灰度值的分布.该方法又可分为线性拉伸法、分段线拉伸法和非线性拉伸法.

• 线性拉伸法

  $$f(x,y)=\frac{g(x,y)}{(a_2-a_1)}\times (b_2-b_1)+b_1$$

  其中: g(x,y)为原图像的像元灰度， f(x,y)为拉伸后的像元灰度， a1、a2分别为原图像的最小灰度值和最大灰度值, b1、b2分别为拉伸后图像的最小灰度值和最大灰度值.即b1，b2为自己指定的拉伸后图像的最小值与最大值。

  ERDAS中MODEL实现：

  生成的ndvi像元值如下，由于ERDAS默认会进行线性拉伸，所以显示为178的灰度值，现将其拉伸到0-255范围内

  

  绘制如下model

  

  

注意：GLOBAL函数返回的是一个列表，如GLOBAL MIN返回的是每个图层对应的最小像元值组成的列表，需要一个Table来接收，如果原始图像有背景值要忽略背景值，避免对图像产生干扰。

• 标准差拉伸

  $$f(x,y)=\frac{g(x,y)-a_1+a_2\times n\times |b_2-b_1|}{(a_2\times 2\times n)}\times (b_2-b_1)+b_1$$

  其中: g(x,y)为原图像的像元灰度， f(x,y)为拉伸后的像元灰度, a1、a2分别为原图像灰度值的全局平均值和全局标准差,b1、b2分别为拉伸后图像的最小值和最大值，n为全局标准差的数量，比如n若为2则表示如果像元超过标准差的两倍即被设为最大值。

  ERDAS中可直接调用strech函数即可实现标准差拉伸。

• 分段线性拉伸

  将原图像上的灰度值划分成若干区段，然后按区段使用上述线性函数进行不同程度的线性扩展（对线性拉伸法的一种改进）

$$f(x,y)=\frac{g(x,y)}{(a_2-a_1)}\times (b_2-b_1)+b_1$$

其中: g(x,y)为原图像某个区段的像元灰度， f(x,y)为拉伸后的像元灰度, a1、a2分别为原图像某个区段的最小灰度值和最大灰度值,b1、b2分别为拉伸后图像的最小灰度值和最大灰度值.

• 非线性拉伸

  按非线性函数关系扩展原图像的灰度值，即对整个灰度值的动态范围以不等权的关系进行变换.（线性或分段线性拉伸法都是等比例地变换指定动态范围内的像元灰度值）

  ​ 常用方法：指数函数拉伸，对数函数拉伸

2.直方图增强法

​ 通过修改图像直方图来改善图像的质量.该方法又可分为直方图均衡化、直方图匹配等.

• 直方图均衡化

  实质上是以图像灰度值的累积概率函数为基础，通过对图像进行非线性拉伸来重新分配像元值,使一定灰度范围的像元数量大致相等,从而实现图像的直方图修正，有效扩大图像主体部分的反差或对比度。

  作用：

  • 将任意分布的直方图变换为均匀分布的直方图

  • 使得输出影像在各灰度级上的像素数相等或相近，能够增加较暗和较亮像素的个数，进而增强影像的对比度

    实施方法：Raster/Radiometric / Histogram Equalization

    

注意：填入的是灰度级数，如一般图像为未定义的8bit类型，灰度级数则为2的八次方256，也可以基于model/ Analysis/ HISTOEQ函数

• 直方图匹配

  根据参考图像的直方图对另一幅图像实施灰度变换，使其直方图与参考图像的直方图类似，以部分消除由于太阳高度角或大气影响造成的相邻图像的效果差异。

  • 通常选择亮度和反差都比较满意的图像作为参考图像.

  • 直方图匹配经常作为相邻图像拼接或应用多时相遥感图像进行动态变化研究的预处理工作.

    实现方法：Raster/Radiometric / Histogram Match

    注意：两个图像之间的波段所代表的传感器观测通道必须对应，如果需要对多个波段进行直方图匹配且波段不匹配，则需要首先使用STACHLAYERS函数改变波段组合顺序，再通过RASTERMATCH进行直方图匹配。

    

3.亮度反转处理

对图像进行线性或非线性取反，产生一幅与输入图像亮度相反的图像（原来亮的变暗，原来暗的变亮）

实施方法： Raster/Radiometric / Brightness Inverse

• 亮度反转算法一： Inverse (条件反转):强调输入图像中亮度较暗的部分
• 亮度反转算法二：Reverse (简单反转):简单取反、同等对待

实际运用中多采用条件反转，可以增强显示自己想要研究的特征地类

Inverse的Model解析

首先将图像拉伸到0-1区间中，再通过条件语句判断，将想要研究的地类的像元置为最大值1.0，其他地物根据图像的像元灰度值的分布情况来设置这个阈值，最后转换为无符号8bit位图像进行输出。