遥感数字图像处理：从入门到精通——图像变换

图像变换

• 实验目的

掌握图像变换的基本操作方法，对比变换前后图像的差异，理解不同变换方法之间的区别。

• 实验内容

1. SPOT图像的傅里叶变换
2. TM图像的主成分变换
3. TM图像的KT变换
4. TM图像的代数变换
5. ETM+图像的彩色变换
6. 图像融合

• 实验过程

1. 傅里叶变换

1. 图像的傅里叶正变换

Filter > FFT Filtering > Forward FFT，选择CJ_spot，如图所示：

以灰阶方式打开Memory1的FFT并进行2%的线性拉伸，如图所示：

1. 设定滤波器

Filter > FFT Filtering > Filter Definition，进行以下操作：

在实际工作中，常用用户自定义滤波器。操作如下：

这里以用户自定义阻断滤波器为例，Filter Definition > Filter_Type > User Defined Cut，在#1窗口，Overlay > Annotation，进行以下设置：

然后再#1窗口绘制多边形，双击右键结束绘制，结果如图：

在Filter Definition窗口，指定输出结果为“内存”，应用，如图所示：

1. 逆变换

Filter > FFT Filtering > Inverse FFT，在出现的逆变换FFT输入文件窗口，打开Memory1，在出现的逆变换FFT滤波器文件窗口，打开Memory2，如图所示：

在#2窗口显示逆变换图像，在#3窗口显示原始图像，连接#2和#3窗口，对比图像差异，如图所示：

练习1：

1. K-L变换

（1）K-L基本变换

打开“图像AA”，进行以下设置，如图所示：

在主成分正变换窗口进行以下设置，结果如下：

Basic Tools > Statistics > View Statistics File，结果如图所示：

问题1：

遵循

主成分逆变换，进行以下设置，如图：

分别在两个窗口使用（3，2，1）合成显示变换前后的图像，结果如下：

1. K-L变换的应用

a.MNF变换。基于K-L变换,进行数据的去噪,常用于高光谱图像的处理。主

菜单:“Transform"-“MNF  Rotation”。

b.独立成分变换(ICA)。主菜单:"Transform”-“Independent Components",用于估计数据中的独立组分,组分的含义需要根据已有知识来确定。上述两个变换与K-L变换的操作相似。

c.去相关拉伸。主菜单:"Transform”-“Decorrelation Stretch”,用于增强图像

的显示效果。

（4，3，2）合成图像AA，如图所示：

（3，2，1）合成图像AA，并进行去相关拉伸，结果如图：

对图像AA进行K-L变换，保留统计结果，保留5给组分，然后进行逆变换，并进行（3，2，1）合成显示并进行去相关拉伸，结果如图：

1. 缨帽变换

打开“图像AA”，Transfrom > Tassele Cap,显示窗口为#1，结果如下：

打开“图像AA_sub”，Transfrom > Tassele Cap,进行以下设置，显示窗口为#2，如图所示：

将TM数据的三个分量按照RGB进行显示，并于真彩色假彩色进行比较，如图所示：

对L720000612_B17进行缨帽变换，进行以下设置，如图所示：

将L720000612_B17变换结果与AA变换结果进行比较，如图所示：

问题2：

不正确，K-T变换时要求各波段分辨率相同，B6波段为热红外波段，分辨率为60m，其他波段分辨率为30m。

问题3：

1. 不正确，B6波段为热红外波段，分辨率为60m，其他波段分辨率为30m。
2. 水体呈现蓝色，建筑呈现橙色，植被呈现绿色。
3. 湖泊和植被得到了显示增强。

1. 波段运算

1. 整体增强图像的亮度

打开“图像AA”，Basic Tools > Band Math，进行以下设置，如图：

在窗口#1使用原始数据进行（3，2，1）合成显示，在窗口#2使用波段运算的结果合成显示，结果分别如下图：

连接#1和#2，对比查看像素值，如图：

1. 利用ENVI功能计算NDVI

Transfrom > NDVI，红波段、近红外波段分别对应3、4波段，结果如下：

对产生的图像进行密度分割，分级数为3，结果如图：

1. 利用代数表达式计算NDVI

Basic Tools > Band Math，进行以下设置，结果如图：

分别使用下边的两个表达式进行计算，结果如下：

问题4：

(float(b4)-float(b3))/(float(b4)+float(b3))的计算结果和ENVI菜单的NDVI结果相同

1. 手工计算图像的第一主成分并于计算的第一主成分得分进行比较

1. 手工计算第一主成分得分

Basic Tools > Band Math，进行以下设置，结果如图：

计算公式为：

0.9399*b1-0.6087*b2-0.8122*b3-8.9547*b4-21.9916*b5-2.3730*b6-12.4851*b7

1. 比较计算结果的差异

Basic Tools > Band Math，进行以下设置，结果如图：

绘制两个主成分图像的散点图，如下图所示：

问题5：

散点图呈线性分布，呈现正相关

1. 图像中心化

Basic Tools > Band Math > Restore > aa_pc.exp，结果如下：

1. 利用中心化后的图像手工计算主成分。

重复1）的步骤，结果如图：

1. 重复2），结果如图：

1. 直接使用特征向量U，然后重复4)和5），如图：
   

各个主成分得分之间为线性关系，可以直接进行比较。

1. 比较主成分逆变换的b1与原始图像的第一个波段。

利用波段运算表达式b1-b2，其中b1为原始图像的第一个波段，b2为主成分逆变换后的第一个波段，结果如下：

直方图交互拉伸：

1. 比较几何纠正中不同重采样结果的差异，

打开“njtm_PZ”、“aa_pzl”和“aa_pz2”,利用波段运算：b1-b2，分别两两计算图像差异，选择比较的波段为波段4

问题6：

最大差异在图像边缘，最近邻重采样图像边缘较为模糊。

1. 彩色变换

（1）基本操作

Transfrom > Color Transfroms > RGB to HSV和HSV to RGB,使用TM图像（5，4，3）进行RGB合成，窗口为#1，如图所示：

1. 彩色正变换

Transfrom > Color Transfroms > RGB to HSV，进行以下设置，结果如图：

1. 彩色逆变换

Transfrom > Color Transfroms > HSV to RGB，进行以下设置，结果如图：

（2）利用HSV变换提取图像中的绿色地物

1）理解RGB和HSV的关系。

将“color256.jpg”进行RGB合成显示，结果如图：

转换显示为HSV，分别在#2、#3、#4窗口单色显示H、S、V，并连接#1~#4，如图所示：

问题7：

RGB是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的。

HSV是根据颜色的直观特性创建的一种颜色空间，也称六角锥体模型。这个模型中颜色的参数分别是：色调（H：hue），饱和度（S：saturation），亮度（V：value）。绿色对应的H：35-77；绿色对应的V：43-255。

1）提取图像中的绿色地物。

将“33602560_1024.jpg”进行RGB合成显示，结果如图：

转换显示为HSV，进行波段运算：

连接#1和#2，进行对比显示：

问题8：

1．蓝色对应的H：100~124，将绿色地物的波段范围改为蓝色天空的波段范围即可

2.HSV颜色空间的模型对应于圆柱坐标系中的一个圆锥形子集，圆锥的顶面对应于V=1.它包含RGB模型中的R=1，G=1，B=1三个面，所代表的颜色较亮。色调H由绕V轴的旋转角给定。红色对应角度0°，绿色对应角度120°，蓝色对应角度240°。在HSV颜色模型中，每一种颜色和它的补色相差180°。

练习3：

RGB to HLS:

HLS to RGB:

RGB to HSV(USGS Munsel):

HSV to RGB(USGS Munsell):

1. 图像融合

1. HSV直接图像融合

将多光谱图像L720000612_B17重采样到15m，Basic Tools > Resize Data > Set Output Dims by Pixel Size，进行以下设置，如图所示：

将上述图像进行（5，4，3）进行RGB合成显示，如图所示：

显示全色波段图像在#1中显示：

将（5，4，3）进行RGB合成显示，在#2中显示，并进行图像均衡化，如图所示：

将#2作为彩色图像输入，结果如图：

1. HSV间接融合

将（5，4，3）进行RGB合成显示，转换为HSV，然后进行HSV到RGB的逆变换，并进行以下设置，结果如图：

问题9：

HSV需要输入图像的数据是有值域范围的，HSV的值域分别为0°-360°，0%-100%，0%-100%。全色波段的像素存储深度为为0~255，不符合HSV的区间范围。

重复上述操作，将Value作为V进行输入。结果如图：

计算图像统计

1. 直接使用代数表达式进行变换，如图所示：

1. 根据阈值进行变换，如图所示：

以（5，4，3）作为彩色正变换的输入，在逆变换中，分别使用上述结果代替V，如图所示：

对融合后的图像进行均衡化拉伸，结果如图：

问题10：

1.先计算NDVI提取出植被的特征。

2.使用缨帽变换的前三个分量增强了植被、土壤等地面景物信息。

3.使用主成分变换的前三个分量输入增强了植被和水体信息。

1. 分区图像融合

将“多光谱图像th20130718L8”重采样为15m，然后作为基准裁剪全色图像，如图所示：

使用Gram-Schmidt方法进行图像融合，结果如图：

提取水体：

进行以下波段运算，结果如图：