遥感原理与应用（遥感图像预处理）

几何校正

几何畸变原因：因传感器特性引起的几何畸变。包括全景投影变形、斜距投影变形、传感器外方位导致的影响。还有地形起伏、地球曲率、大气折光、地球自转导致的畸变。

几何校正：分粗校正与精校正

粗校正消除系统误差 精校正根据控制点建立多项式模型，进行消除其他误差。

几何精校正过程：准备工作---输入原始数字影像（base image 、warp image）--选择地面控制点GCPs---------选择校正模型（RST、Polynomial、Triangulation）---求解校正模型参数---像元灰度值重采样-----输出数字影像

精校正分正解法和反解法 正解法占用内存大 一般用反解法。

灰度重采样有最近邻法、双线性内插法、三次卷积内插法。

几何配准是将同一地物的不同影像重叠，获取同名像点。

几何镶嵌是将不同图像拼接形成一幅信息量更大的影像。

辐射畸变：传感器接收到的电磁波能量与目标本身辐射的能量不一致。

辐射校正：消除图像数据中依附在辐射亮度中的各种失真的过程

辐射畸变产生的因素：1、传感器灵敏度2、太阳高度3、地形起伏4、大气吸收/散射

系统辐射校正：主要是由传感器本身产生的，仪器引起的误差是由于多个检测器之间存在差异，以及仪器系统工作产生的误差，这导致了接受的图像不均匀，产生条纹和噪音。（传感器响应特性引起的畸变校正、太阳辐射引起的畸变校正）

大气辐射校正：进入大气的太阳辐射会发生反射、折射、吸收、散射、透射，其中对传感器接受影响较大的是吸收和散射。

系统辐射校正：主要是由传感器本身产生的，仪器引起的误差是由于多个检测器之间存在差异，以及仪器系统工作产生的误差，这导致了接受的图像不均匀，产生条纹和噪音。（传感器响应特性引起的畸变校正、太阳辐射引起的畸变校正）

图像增强与变换的目标：突出相关的专题信息，提高图像视觉效果，使分析者更加容易的识别图像内容，从图像中提取更有用的定量化信息。

目的：是改变图像的灰度等级，提高图像对比度，消除边缘和噪声，平滑图像遥感应用，突出边缘或线形地物，锐化图像，合成彩色图像，压缩图像数据量，突出主要信息。（图5--20）

伪彩色密增强：是把黑白图像的各不同灰度级按照线形或非线形的映射函数变换成不同的彩色，得到一幅彩色图像的技术。

密度分割法：是伪彩色增强中最简单的方法。将一幅单波段的黑白遥感图像按灰度的大小，划分为不同的层，并对每层赋予不同的颜色，使之变为一幅彩色图像。（即按图像的密度进行分层，没一层所包含的灰度值范围可以不同。）

融合的算法：1、加权融合2、基于HIS变换的图像融合3、基于主成分变换的图像融合4、基于小波变换的图像融合5、比值变换融合6、基于特征图像融合7、基于分类的图像融合

SHV融合：多光谱影像进行颜色、空间、SHV的变换，以高光谱影像分量进行替换，最终得到高分辨率的多光谱图像。

具体步骤;1、将空间分辨率低的三波段多光谱影像变换到ISH空间，得到明度I，色调H，饱和度S三分量；2、将高空间分辨率影像进行直方图匹配（直方图规定化）或对比度拉伸，使之与I分量有相同飞均值和方差；3、用拉伸后的高空间分辨率影像代替I分量，同H、S进行ISH逆变换得到空间分辨率提高的融合图像。

要保证融合后图像同原多光谱影像的光谱特征相似，前提是经过对比度拉伸的高分辨率影像不仅要同明度分量I高度相关，还要求其光谱响应范围同多光谱影像的响应范围接近一致。

植被指数：根据植被光谱反射率的差异作比值运算可以突出图像中植被的特征，提取植被类别或估算绿色生物量，通常把这种能够提取植被信息的算法称植被指数。

1、比值植被指数RVI 2、归一化植被指数 NDVI 3、差值植被指数DVI

主成分变换：K-L变换是离散变换的简称。是在统计特征基础上的多维正交线性变换，不丢失信息是其特征之一。可以把图像中所含的大部分信息用假想的少数波段表示出来。意味着信息几乎不丢失但数据量可以减少。

1、数据压缩 2、图像增强 3、分类前预处理

缨帽变换K-T：是一种坐标空间发生旋转的线性组合变换，但旋转后的坐标轴不是指向主成分方向，而是指向与地物特别是和植被生长以及土壤有密切关系的方向。

（编辑：温州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!