遥感成像原理与遥感图像特征

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇遥感成像原理与遥感图像特征范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

遥感成像原理与遥感图像特征范文第1篇

1.1图像处理关键技术在矿山环境监测中，实施监测的两个时相的遥感影像需具备一致的空间分辨率、成像时间及成像季节，且具备相同的植被覆盖状况及光谱值。但因遥感影像成像环境差异，遥感影像间常存在较多的辐射误差与几何误差，所以在遥感影像变化监测中要对成像环境进行修正，降低成像环境的误差量。

1.1.1辐射校正：其基本目的是尽量消减影像因太阳高度角、大气条件及传感器影像的形成的遥感成像与真实地物间的辐射亮度差异，通常分为相对辐射校正与绝对辐射校正两种方法；相对辐射校正是依据选定的参考图像，将其与同地区内的其他遥感影像进行辐射匹配，以消减影像间的辐射差异，其常用的矫正方法由基于伪不变特征的校正、基于统计量的校正及直方图匹配等。

1.1.2影像融合：其基本目的是将采用不同尺度、不同传感器类型获取的同地区的影响通过相应处理措施以改善影响的光谱信息、空间分辨率和纹理信息等特征；当前常用的融合方法有多时相影响融合、不同分辨率影像融合、不同传感器影像融合、多波段影像数据融合等类型；HIS变换法是当前影像融合算法的常用算法，此种算法简单且方便操作，可有效增强影像色彩信息与空间信息特征，但对于植被颜色信息特征处理水平较低，主要是因为植被吸收可见光，且反射红外光，而全色波段内包含的一些近红外波段信息会在全色波段高亮显示，较小的颜色噪声便会被放大。

1.2信息提取关键技术

1.2.1基于地理信息系统的矿山地物识别技术：此技术主要是以面向对象遥感处理技术为前提，通过对遥感影像进行图像分割以形成图像对象，进而深入提取分类辅助信息，并采用空间分析方法完成空间目标物识别，从而实现矿山地质环境遥感监测；图像分割中需考虑空间信息与影响光谱信息两方面的因素。

1.2.2影响直接对比法采集变化信息：常用的有内积分析法、影像差值法、变化向量分析法、影响比值法等检测方法；影像差值法的基本原理是对时相t1的遥感影像与时相t2的遥感影像做减法，若影像间差异较小，则相减结果应趋近于零或为零，若影像间差异较大，则结果应表现为较大值；一般差值影响亮度值按照高斯分布，计算时可对差值影响结果求绝对值以保证差值结果均为非负值。

2矿山地质环境遥感监测方法

2.1崩塌遥感监测方法崩塌通常是露天采石采矿、道路开挖等造成的，大多数会产生在节理裂隙发育的陡崖位置，破损面凹凸差异大，上陡下缓。遥感影像上崩塌体后缘发育呈现弧形或直线形，阳坡呈现浅色条区块、阴坡呈现深色阴影区带。为便于凸显崩塌发育状况，对ETM、TM图像使用741与453波段进行组合和线性增强处理，从而提高山体完整度、植被覆盖率、岩性特征反映的清晰度；对于SPOT213波段组合图像通过直方图调整与HSV融合增强处理，可提高地形地貌显示的清晰度；对于SPOT5图像校正时应增加控制点数量，并使用几何多项式实施三次卷积重采样法变换，可保证图像精确度；对部分航片数据实施对比度拉伸，可有效凸显山体细节。依据不同片种的遥感分析表明，ETM与TM图像对于崩塌宏观地质条件的显示水平较高，而对于崩塌产生的形态特征显示水平较低。通常崩塌形态要素在航片、SPOT5图像中具有较高的精度，其崩塌壁大多数呈现浅色调，轮廓线清晰。

2.2采空塌陷遥感监测方法在不同地区不同矿种中，采空塌陷对于地表的破坏程度也会不同，在遥感图像中会表现出明显的差异性。在TM图像中塌陷会呈现出单独的椭圆形或环形斑点与板块，不同斑块间的明暗程度也不相同；因塌陷坑是具有不同深度的负地形，在阴影条件下其可呈现出明显的立体效果。塌陷坑的阴影通常会产生在环形斑块内侧的下半部，而土堆阴影通常会产生在环形斑块内侧的上半部，与正地形立体效果正好相反，其是判断塌陷坑的基本指标。因B4水体反映效果好，B5信息量较多，在不同地质类型的反差较大，B1具有较高的水体亮度值，所以使用TM451段可有效呈现塌陷区的变化状况。因矿区大气污染相对严重，可对图像实行滤波或对比度拉伸处理，以改善其细节显示水平。由于采空塌陷区与周围地质环境间的差异较大，可使用阙值法实施塌陷地信息采集，并采用3波段差值彩色合成法对采集结果进行处理，由此便能充分反映塌陷区接近10年的动态地形变化。若塌陷区被掩埋，则其塌陷类型在图像上的识别水平主要由遥感信息空间分别率决定；使用全色波段与SPOT213波段组合对融合图像进行处理，且开展2%的线性增强，根据色调及纹理特征状况可有效采集塌陷区的细节信息；对于部分塌陷坑范围较小且不存在积水的矿山，可使用IKONOS、Quickbird等高分辨率遥感图像实时监测。

2.3矿山污染遥感监测方法通常矿区因采矿导致的废水、大气、废液、粉尘污染等造成的水体污染较为严重。采用ETM、TM图像对煤矿开采点进行监测，可发现图像中的DN值差异较大，因此在监控中应使用SPOT5波段与743波段进行组合，通过小波变换融合发实行中值滤波处理及直方图变换。如对于某煤矿原始TM图像分析发现，其灰度分布范围较小、亮度值较低，对比度较弱，实施线性拉伸处理，对不同波段灰度分布范围进行扩展，可使合成图像效果显示水平大幅度改善；对一些重点区域进行分段线性拉伸，其并不会造成原始数据变动，且容易对大气污染状况进行解释。因石灰岩矿山周围、运煤通道及煤矿区等长时间堆放大量煤渣粉等物质，使得矿区粉尘污染较为严重，其在TM543波段假彩色合成图像中可呈现出明显的亮白色或暗褐红色；而矿坑中排出的污水在影响中可呈现明显的粉红色。ETM与TM光谱信息量较大，可有效监测矿区大气污染状况；而采用SPOT5光谱图像可明显反映矿山水体、粉尘污染状况。

3结束语

遥感成像原理与遥感图像特征范文第2篇

【关键词】遥感技术;3s的结合;发展前景

1.遥感技术的找矿应用

1.1 地质构造信．息的提取

内生矿产在空间上常产于各类地质构造的边缘部位及变异部位，重要的矿产主要分布于扳块构造不同块体的结合部或者近边界地带，在时间上一般与地质构造事件相伴而生，矿床多成带分布，成矿带的规模和地质构造变异大致相同。

遥感找矿的地质标志主要反映在空间信息上。从与区域成矿相关的线状影像中提取信息(主要包括断裂、芍理、推覆体等类型)，从中酸性岩体、火山盆地、火山机构及深亨岩浆、热液活动相关的环状影像提取信息(包括与火山有关的盆地、构造)，从矿源层、赋矿岩层相关的带状影像提取信启、(主要表现为岩层信息)，从与控矿断裂交切形成的块状影像及与感矿有关的色异常中提取信息(如与蚀变、接触带有关的色环、色带、色块等)。当断裂是主要控矿构造时，对断裂构造遥感信息进行重点提取会取得一定的成效。

遥感系统在成像过程中可能产生“模糊作用”，常使用户感兴趣的线性形迹、纹理等信息显示得不清晰、不易识别。人们通过目视解译和人机交互式方法，对遥感影像进行处理，如边缘增强、灰度拉伸、方向滤波、比值分析、卷积运算等，可以将这些构造信息明显地突现出来。除此之外，遥感还可通过地表岩性、构造、地貌、水系分布、植被分布等特征来提取隐伏的构造信息，如褶皱、断裂等。提取线性信息的主要技术是边缘增强。

1.2 植被波谱特征的找矿意义

在微生物以及地下水的参与下，矿区的某些金属元素或矿物引起上方地层的结构变化，进而使土壤层的成分产生变化，地表的植物对金属具有不同程度的吸收和聚集作用，影响植叶体内叶绿素、含水量等的变化，导致植被的反射光谱特征有不同程度的差异。矿区的生物地球化学特征为在植被地区的遥感找矿提供了可能，可以通过提取遥感资料中由生物地球化学效应引起的植被光谱异常信息来指导植被密集覆盖区的矿产勘查，较为成功的是某金矿的遥感找矿、东南地区金矿遥感信息提取。

不同植被以及同种植被的不同器官问金属含量的变化很大，因此需要在已知矿区采集不同植被样品进行光谱特征测试，统计对金属最具吸收聚集作用的植被，把这种植被作为矿产勘探的特征植被，其他的植被作为辅助植被。遥感图像处理通常采用一些特殊的光谱特征增强处理技术，采用主成分分析、穗帽变换、监督分类(非监督分类)等方法。植被的反射光谱异常信息在遥感图像上呈现特殊的异常色调，通过图像处理，这些微弱的异常可以有效地被分离和提取出来，在遥感图像上可用直观的色调表现出来，以这种色调的异同为依据来推测未知的找矿靶区。植被内某种金属成分的含量微小，因此金属含量变化的检测受到谱测试技术灵敏度的限制，当金属含量变化微弱时，现有的技术条件难以检测出，检测下限的定量化还需进一步试验。理论上讲，高光谱提取植被波谱的性能要优于多光谱很多倍，例如对某一农业区进行管理，根据每一块地的波谱空间信息可以做出灌溉、施肥、喷洒农药等决策，当某农作物干枯时，多光谱只能知道农作物受到损害，而高光谱可以推断出造成损害的原因，是因为土地干旱还是遭受病虫害。因此利用高光谱数据更有希望提取出对找矿有指示意义的植被波谱特征。

1.3 矿床改造信息标志

矿床形成以后，由于所在环境、空间位置的变化会引起矿床某些性状的改变。利用不同时相遥感图像的宏观对比，可以研究矿床的剥蚀改造作用；结合矿床成矿深度的研究，可以对类矿床的产出部位进行判断。通过研究区域夷平面与矿床位置的关系，可以找寻不同矿床在不同夷平面的产出关系及分布规律，建立夷平面的找矿标志。另外，遥感图像还可进行岩性类型的区分应用于地质填图，是区域地质填图的理想技术之一，有利于在区域范围内迅速圈定找矿靶区。

2.遥感找矿的发展前景

2.1 高光谱数据及微波遥感的应用

高光谱是集探测器技术、精密光学机械、微弱信号检测、计算机技术、信息处理技术于一体的综合性技术。它利用成像光谱仪以纳米级的光谱分辨率，成像的同时记录下成百条的光谱通道数据，从每个像元上均可以提取一条连续的光谱曲线，实现了地物空间信息、辐射信息、光谱信息的同步获取，因而具有巨大的应用价值和广阔的发展前景。成像光谱仪获得的数据具有波段多，光谱分辨率高、波段相关性高、数据冗余大、空问分辨率高等特点。高光谱图像的光谱信息层次丰富，不同的波段具有不同的信息变化量，通过建立岩石光谱的信息模型，可反演某些指示矿物的丰度。充分利用高光谱的窄波段、高光谱分辨率的优势，结合遥感专题图件以及利用丰富的纹理信息，加强高光谱数据的处理应用能力。微波遥感的成像原理不同于光学遥感，是利用红外光束投射到物体表面，由天线接收端接收目标返回的微弱回波并产生可监测的电压信号，由此可以判定物体表面的物理结构等特征。微波遥感具有全天时、全天候、穿透性强、波段范围大等特点，因此对提取构造信息有一定的优越性，同时也可以区分物理结构不同的地表物体，因为穿透性强，对覆盖地区的信息提取也有效。微波遥感技术因其自身的特点而具有很大的应用潜力，但微波遥感在天线、极化方式、斑噪消除、几何校正及辐射校正等关键技术都有待于深入研究，否则势必影响微波遥感的发展。

遥感成像原理与遥感图像特征范文第3篇

关键词：遥感影像；空间数据；环境监测

中图分类号：TP311.52 文献标识码：A 文章编号：1674-7712 （2013） 12-0000-01

一、遥感的基本概念与原理

（一）遥感概述。遥感技术是20世纪60年代在航空摄影测量的基础上迅速发展起来的一门综合性空间数据采集技术。所谓的遥感，就是从远处在不直接接触地表目标物和现象的情况下，获取其信息的科学和技术。遥感具有以下特点：探测范围广，能够提供综合宏观的视角；获取手段多样，获取的信息量大；获取信息快，更新周期短，可进行动态监测；全天候作业；遥感技术可以根据不同的目的和任务，选用不同的波段和不同的遥感仪器，取得所需的信息等等。

（二）遥感的物理基础。不同地物具有不同的电磁波辐射特性，表现在遥感图像上就具有不同的图像特征。电磁波是由振源发出的由交变电场和磁场相互激发在空气中传播的电磁震荡。而我们将不同电磁波段透过大气后衰减的程度不一样原因进行了介绍，可知有些波段的电磁辐射能够透过大气层时衰减较小，即透过率较高，这个波谱范围，叫做“大气窗口”。

遥感除了利用上述的大气窗口作为工作波段外，有些气象卫星是选择非透明区作为大气波段（如水汽，二氧化碳，臭氧吸收区），以测量它的含量，分布，温度等，不同的大气投射窗口对应于不同的光谱范围，适于使用不同的传感器，因此，研究地面的光谱特性，选用合适的大气透射窗口和传感器对于提高遥感探测的质量具有十分重要的意义。

二、遥感平台与传感器

（一）遥感平台。遥感数据获取是在由遥感平台和传感器构成的数据获取技术系统的支持下实现的。遥感平台可以分为地面平台、航空平台和航天平台三种。由于各种平台和传感器都有自己的适用范围和局限性，因此往往随着具体任务的性质和要求的不同而采用不同的组合方式，从而实现在不同高度上应用遥感技术。

遥感平台主要依据遥感图像的空间分辨率，一般的说，近地遥感具有较高的空间分辨率，但观察范围较小，而航空遥感地面分辨率虽然中等，但其观测范围广，航天遥感地面分辨率低，但覆盖范围广。

（二）传感器传感器一般由采集单元、探测与信号转化单元、记录与通信单元组成。各种卫星通过不同的遥感技术实现不同的用途。各种卫星通过不同的遥感技术，实现了不同的用途。数字工程中常用的遥感数据有Landsat和TMM遥感、SPOT和Radarsat以及我国的资源卫星数据和高分辨率卫星遥感数据。传感器的类型大类上分为主动式和被动式，其中又各分为非图像式和扫描图像式。

三、遥感图像及其特征

遥感的核心问题就是不同地物的反射辐射或发生辐射在各种遥感图像上的表现特征的判别，当然，不同的目的的需要精心的设计对于遥感成像的方式或选择波段，这样我们才能使不同的地物在图像特征区别。遥感图像反映的信息主要有几何信息，波谱信息，空间信息和时间信息等。

（一）几何特征。遥感图像不仅反映了地物的波谱信息，而且还反映了地物的空间信息形成特征，一般包括空间频率信息，边缘线性构造清息，结构或纹理信息以及几何信息等。影响遥感空间信息的主要因素有传感器的空间分辨率、图像投影性质、比例尺和几何熵变等。

（二）光谱信息。遥感图像中每个像元的亮度值代表的是该像元中地物的平均辐射值，它是随地物的成分、纹理、状态、表面特征及所使用电磁波段的不同而变化的。遥感图像的信息虽主要取决于两个因素：波谱分辨率和空间分辨率。前者主要影响波谱信息量，后者主要影响空间信息量。多波段图像的信息量除上述两个因素外还与波段的选择和数目有关。

（三）时间特征。同一地物对象由于其在不同的阶段含有不同的成分等原因造成对象在不同阶段具有不同的光谱特性，表现在遥感图像上就是该地物在不同时间段的图像上具有不同的图像特征。时相主要影响图像的处理效果，利用对泳衣区域各个阶段分别进行遥感，加以对比而研究，则可以获取该区域的连续变化特征。

四、遥感处理的基本流程与技术

利用遥感的手段进行数字工程空间信息更新时，应用需求以及卫星影像数据处理流程会有所不同，但是主要的过程和技术方法基本一致，在利用遥感影像进行空间数据更新的关键技术和流程主要可归纳为一下几个方面：遥感波段（卫星遥感数据）选择；卫星影像读入；卫星遥感影像处理技术；信息提取技术；矢量编辑与地图更新技术。

五、遥感应用

随着卫星数据图像空间分辨率、光谱分辨率及时间分辨率的不断提高，以及遥感数据购买费用的逐步下降，卫星数据图像的应用领域越来越广，从图像中提取信息的要求也越来越多，遥感已经成为获取地面信息的主要手段。

利用遥感技术可以制作各种遥感相关产品――数字正射影像（DOM）、数字线划图（DLG）、数字高程（地形）模型（DEM/DTM）、数字栅格模型（DRG）等4D产品；提供行业或部门专题地理数据――专题影像地图；利用遥感数据进行基础地理数据的产生或更新等。

（一）基础数据更新。比如用SPOT/ERS卫星影像更新地图数据为例，可以采用影响的几何纠正、色彩转换技术、统计和算法以及影像融合技术。遥感数据又有多波段、多时相的信息源，且能快速真实地提供丰富的地表空间信息，遥感已经成为地图更新和制作的有效而又重要的手段。我国目前的若干地形图大都在20世纪70年代测绘生产的，目前也都面临这地图更新的问题。

（二）土地利用调查与动态监测。土地利用基础数据对于数字工程进行土地规划与开发、土地管理、开发利用潜力分析等很重要。目前，中小比例尺的土地利用遥感动态监测与变更，主要应用TM、ETM、SPOT等遥感影像。利用遥感技术进行土地利用现状调查，调查精度比常规调查方法高，且时间短速度快。农作物与植被方面，用于农业气象、作物监测等领域的观测参数需要有更高的光谱分辨率，一般是短波红外波段。根据农业耕作和土地利用特点，选定影响最佳的获取时间应在5月―6月或9月―10月。研究的主要技术过程主要有下面几个：数据预处理、影像合成、不同数据源图像融合、图像分类和后处理、外业调绘、内业分析以及成果输出和更新。

（三）灾害调查与监测。各种自然灾害往往需要制作大比例尺图，以判明水灾发生时的洪涝区域、地震发生后的建筑物损坏情况、火灾发生后对地区造成的破坏等。地质灾害的调查、火灾监控和油污与赤潮监测。为了能将不同的信息区别开来，一般都要进行色彩合成，即在3个通道上安装3个波段图像，然后分别负于红绿蓝并叠合在一起，形成彩色图像，合成后的彩色图像含有丰富的颜色信息，便于解释，理解和处理。

参考文献：

遥感成像原理与遥感图像特征范文第4篇

关键字： 数字遥感图像； 清晰度评价； 边缘对比度； 评价方法

中图分类号： TN911.7?34 ； ； ； ； ； ； ； ； ； ； ； ； ； ； ； ； ； ； ； ； 文献标识码： A ； ； ； ； ； ； ； ； ； ； ； ； ； ； ； ； ； ； ； ； ； ； ； 文章编号： 1004?373X（2014）23?0066?03

Abstract： Definition is an important index to evaluate digital image quality， but the existing evaluation methods are still not mature enough. Through analyzing and researching the main methods for the image definition evaluation， a definition evaluation method of remote sensing images is put forward according to the edge contrast degree， and the experiment data is analyzed in this paper. The result shows that the evaluation method is objective and efficient， and can evaluate the contents in a same picture with the different illegibility degree and the remote sensing images with different contents. It has high practicability.

Keyword： digital remote sensing image； definition evaluation； edge contrast degree； evaluation method

0 ； 引 ； 言

随着数字遥感成像技术的快速发展，各应用领域对图像质量的要求也在不断提高，图像清晰度逐步成为判定图像质量水平的重要指标[1]。然而，当前图像清晰度客观评价方法还不够成熟，开展通用的图像清晰度客观评价方法研究，实现大规模数字图像的快速评判，对处理和应用遥感图像具有十分重要的意义。

图像清晰度的评价方法通常可以分为两类：一是相对清晰度评价，即对不同模糊程度的同一图像，评价其清晰程度，主要反映图像随模糊程度逐渐变化表现出的单调性和一致性等特征；二是绝对清晰度评价，即能够对不同模糊程度的各种图像内容进行评价，主要反映与图像内容无关的图像清晰程度判定结果。

近年来，有代表性的图像清晰度评价方法有边缘检测法、频谱函数法、熵函数法等[2?4]。这些方法主要在一定程度上反映图像相对清晰度评价结果，难以实现图像绝对清晰度评价。本文在对现有方法分析研究基础上，结合遥感图像的特点，提出一种基于边缘对比度的评价方法，能够较好地实现对不同遥感图像内容的清晰度评价。

1 ； 当前图像清晰度评价的常用方法

数字图像的评价过程可以表述为将图像转化为代表明暗程度的数字矩阵，运用各种图像清晰度评价函数，经计算分析实现清晰度量化评价。目前大多数图像清晰度评价测量方法是进行图像边缘检测、频谱分析或者整体信息熵的计算，与之相对应的结果是，图像细节越丰富，对比度越高，图像越清晰。

1.1 ； 边缘检测法

根据边缘检测原理，准确聚焦的成像系统图像清晰，有较锐利的边缘[5]；系统离焦时，高频分量减小，图像边缘相对平滑。边缘检测法可根据图像特征选择不同算子，通过计算和分析图像灰度梯度来评价图像的清晰度：

[J=1MNMNS2x+S2y] （1）

式中：[Sx]和[Sy]是由各种边缘检测算子（如Sobel或Prewitt算子）得到的[x]和[y]方向上的图像灰度梯度[6]：

[J=1MNxyf2x+f2y] ； ； （2）

式中：[fx]和[fy]是[x]和[y]方向上的灰度差。

1.2 ； 频谱函数法

根据图像频谱分析原理，聚焦图像具有清晰的轮廓，包含的高频分量多[7]。频谱函数通过统计图像的高频分量，达到评价图像清晰度的目的。这种方法可以基于傅里叶变换、拉普拉斯变换或者小波变换，其中小波变换函数可以将图像高频和低频信息分离，更便于对图像进行分析和评价。因此，基于小波变换的高通滤波器目前被更多地研究应用于图像清晰度评价。该方法首先应用小波函数获得图像的高频信息：

[Gx，y=fx，y*H0] （3）

[H0=-116-18-116-1834-18-116-18-116] ； ； （4）

式中：[fx，y]为图像坐标[x]和[y]处像素灰度值；*表示卷积运算；[H0]表示高通滤波器。

进而，对整幅图像的高频信息的能量进行累加即得到最终的评价结果：

[J=xyGx，y2] ； ； （5）

1.3 ； 熵函数法

由于聚焦的清晰图像和离焦的模糊图像之间信息含量不同，通过对数字图像的信息熵进行计算，便可用于图像清晰度评价。

[Ef=xyfx，y] ； ； ； ； ； （6）

[Jf=-xyfx，yln fx，y] （7）

式中：[Ef]表示图像能量；[Jf]表示图像熵。根据香农信息理论，熵越大信息量越大，即当[Ef]一定时，[Jf]越大，则图像越清晰。

上述评价方法虽然能够在一定条件下表达图像清晰度，但还分别存在一些不足，如边缘检测法抗噪声能力较差，熵函数法灵敏度不高，频谱函数法计算量很大等。通过分析比较，本文选择在边缘检测法的基础上，融合图像对比度分析方法，开展了基于边缘对比度的图像清晰度评价方法研究。

2 ； 基于边缘对比度评价方法

2.1 ； 图像边缘特征

图像边缘是指图像局部特性的不连续性，如灰度级的突变、纹理结构的突变等。边缘广泛存在于目标与目标、物体与背景、区域与区域之间，它是图像分割处理所依赖的重要特征。数字图像的边缘通常表现为灰度的阶跃不连续，即图像灰度突然从一个值变化到另一个值，在实际图像中阶跃边缘图像是较少见的，由于空间分辨率、图像传感器、系统聚焦程度等原因，会使不同模糊程度阶跃边缘变成斜坡边缘，即它们的灰度变化不是瞬间的，而是跨跃一定的距离。

为表示不同模糊程度的图像边缘特性，可以利用下式求出灰度梯度[8]：

[tx，y=fx，y-fx+1，y2+fx，y-fx，y+1212] （8）

式中：[fx，y]为图像坐标[x]和[y]处像素灰度值。对图像边缘的法向梯度值进行统计，即可用于对比反映图像的清晰程度。

2.2 ； 确定边缘位置和法线方向

将图像按照式（8）进行梯度计算，进而以[1×3]的窗口按水平和竖直方向，分别在梯度值确立的区域中移动，对窗口内的梯度求和，每个像素点计算两个方向的值，扫描一遍后，即可得到具有最大梯度的边缘位置[Wx，y]和边缘法线方向：

[Txx，y=tx，y+tx+1，y+tx+2，y] （9）

[Tyx，y=tx，y+tx，y+1+tx，y+2] （10）

2.3 ； 边缘对比度评价过程

对于图像边缘来说，像素间对比度越高，清晰度越高[9]。因此，在确定图像边缘的基础上，进行对比度量化分析，即可确定图像的清晰度：

[dx，y=maxfΔx，y-minfΔx，ymaxfΔx，y+minfΔx，y] （11）

式中：[dx，y]为选定区域的对比度；[maxfΔx，y]和[minfΔx，y]分别为该区域内像素的灰度最大值和最小值[10]。

依据确定的图像边缘相关信息，在[Wx，y]位置沿图像边缘法线方向各左右各取10个点，共21个点，灰度值分别为[fi]，[i]=-10，-9，…，10。以[1×3]的窗口沿边缘法线方向移动，计算窗口内像素对比度[di，][i]=-9，-8，…，9。进而将各对比度值由大到小排序，提取最大对比度值[dmax，]并对排在前面的3个对比度取平均值[μ。]通过获取[dmax]和[μ]这两个参数反映图像边缘达到的最高对比度特征。

基于远距离遥感成像目标能量传递损失明显，图像的灰度差相对较小，以及人对图像的主观视觉分辨与对比度的关系，把[dmax]的阈值定为0.15，[μ]的阈值定为0.1。当[dmax]>；0.15，并且[μ]>；0.1，则认为图像视觉上感觉轮廓清晰，满足清晰度要求。

3 ； 实验数据

选取由清晰到模糊的两组不同目标遥感图像，如图1所示，分别按本文方法对各图像进行清晰度评价计算，结果见表1。

<；E：＼2014年23期＼2014年23期＼Image＼16t1.tif>；

图1 不同模糊程度的多幅图像

表1 多幅图像不同清晰度评价结果

[图像序号＼&；[dmax]＼&；[μ]＼&；A1＼&；0.30＼&；0.19＼&；A2＼&；0.15＼&；0.09＼&；A3＼&；0.10＼&；0.07＼&；A4＼&；0.05＼&；0.03＼&；B1＼&；0.20＼&；0.12＼&；B2＼&；0.12＼&；0.08＼&；B3＼&；0.08＼&；0.05＼&；B4＼&；0.05＼&；0.03＼&；]

根据图1与表1的数据对照分析，评价计算所得结果与人的视觉对图像清晰度是相符的，图1中A1的评价值最大且超过了设定的阈值，从相对清晰度而言最清晰，并达到了期望的清晰度要求。其他图像中，只有图1中B1基本达到设定的清晰度要求，其余图像均不满足要求。通过对取得的图像清晰度量化结果对比分析，能够为及时调整成像设备的聚焦精度或进行图像清晰化处理提供有益的参考。

4 ； 结 ； 论

本文提出的基于边缘对比度遥感图像清晰度评价方法，具有单调性、一致性等特点，既能够对相同遥感图像内容不同模糊程度进行对比评价，也能在一定程度上对不同遥感图像内容清晰程度进行客观评价，能够准确、高效判断大规模数字图像的质量，对促进成像设备的发展及提升图像处理水平，获取满足要求的高清图像，具有重要的应用价值。

参考文献

[1] 陈亮，李卫军，谌琛，等.数字图像清晰度评价函数的通用评价能力研究[J].计算机工程与应用，2013，49（14）：152?155.

[2] 崔作龙，徐长松.图像清晰度的量化测量探究[J].实验技术与管理，2012，29（5）：49?51.

[3] 李峰，陈志刚，储金宇，等.图像清晰度检测方法[J].计算机工程与设计，2006，27（9）：1545?1547.

[4] 徐贵力，刘小霞，田裕鹏，等.一种图像清晰度评价方法[J].红外与激光工程，2009，38（1）：180?184.

[5] 王欣，安志勇，杨瑞宁，等.基于图像清晰度评价函数的CCD摄像机自动调焦技术研究[J].长春理工大学学报，2008，31（1）：11?14.

[6] 张亚涛，吉书鹏，王强锋，等.基于区域对比度的图像清晰度评价算法[J].应用光学，2012，33（2）：293?299.

[7] 刘昶，王玲.基于小波的离焦模糊图像清晰度判定[J].计算机应用与软件，2008，25（7）：239?240.

[8] 范媛媛，沈湘衡，桑英军，等.基于对比度敏感度的无参考图像清晰度评价[J].光学精密工程，2011，19（10）：2485?2493.

遥感成像原理与遥感图像特征范文第5篇

【关键字】:SAR影像;灰度影像 ; 中值滤波;均值滤波;Sigma滤波

Abstract: SAR image as an important and special remote sensing image filtering, there will be new requirements. This paper first analyzes the principle of noise introduced three kinds of filtering algorithms, namely the grayscale image and SAR image processing, and then through the horizontal and vertical comparative evaluation about three filter operator role of the different images.Key words: SAR image; grayscale images; median filtering; mean filter; the Sigma filter

中图分类号：P283.49 文献标识码：A文章编号：2095-2104（2012）

引言

卫星影像在成像是收到各种因素的影响，使得遥感影像必须要经过预处理才能进行解译与分析，而其中不可避免的存在噪声的纠正，遥感卫星影像的噪声主要表现为周期性条纹、亮线以及斑点等。利用空间增强可以对突出图像中有用的信息。

微波以其穿透云雾、雨雪，具有全天候、全天时的工作能力，同时又具备了一定的地物穿透能力，能提供不同于可见光和红外遥感提供的某些信息，在大气探测、土地资源调查、地质矿产调查和海洋污染监测发挥着越来越大的作用。目前，SAR已成为地球空间信息获取的一种重要手段。影响SAR影像应用的一个重要因素就是斑点噪声,它的存在严重干扰了地物信息的提取与SAR图像的应用效果,噪声严重时,甚至可能导致地物特征消失,在图像信息提取时,往往会产生虚假信息,影响了SAR影像的应用。而Sigma滤波主要针对的是斑点压缩。

通过比较普通遥感影像和SAR影像对滤波算子的反应，来界定是否滤波算子可以在普通遥感影像和SAR影像中相互移植使用。

遥感数据以及软件

实验数据：（地区）SAR影像一幅，宜昌地区TM单波段可见光遥感影像一幅。

实验软件：ERDAS IMAGINE；ERDAS IMAGINE 是美国ERDAS 公司开发的遥感图像处理系统。它以其先进的图像处理技术，友好、灵活的用户界面和操作方式，面向广阔应用领域的产品模块，服务于不同层次用户的模型开发工具以及高度的RS/GIS（遥感图像处理和地理信息系统）集成功能，为遥感及相关应用领域的用户提供了内容丰富而功能强大的图像处理工具

原理介绍

均值滤波

均值滤波是将平滑窗口内所有像元的灰度值进行平均计算，然后赋给平滑窗口的中心像元，其数学表达式为：

式中，为滤波后中心元素灰度值，为滤波窗口内各个像元的灰度值，窗口大小为。

中值滤波

中值滤波是一种非线性信号处理技术。它假设信号有极端的数值，即认为在平滑窗口内噪声是极大值或极小值。中值滤波将平滑区域内所有像素的中值作为平滑区域中心像元值。

设为奇数项离散系列（=1，…2n-1，=1,…2n-1），为按大小重新排列的奇数项离散系列，则中值滤波的数学表达式为：

式中，为滤波后的中心像元灰度值，为滤波前平滑模板内各个像元的原始灰度值，为平滑模板内各个像元重新排列后的灰度值，窗口大小为。

Sigma滤波

该算法建立在SAR图像的乘性噪声模型上，假设斑点噪声的分布为高斯分布，窗口内的像素灰度值与其中心像素的灰度值比较接近。其基本原理为：Sigma滤波器将范围内的像素进行平均，即可去除差别过大的象素的影响。我们知道，对于一维高斯分布，采样点落在区间的概率是93.5％。在窗口滤波过程中，只选取窗口内像素灰度值落在范围内的点，将它们的平均值作为中心像素灰度的估计，而其它变化显著的像素则被视作边缘而不做滤波处理。

首先计算滤波窗口内各像元灰度的平均值作为滤波中心像元的平均值；然后再求窗口内标准差作为滤波中心像元点的标准差，公式如下（设窗口为（2M＋1）（2N+1））：

Sigma滤波器的算法表达式如下：

[]

孤立散射体不应受到斑点平滑的影响，为此设置阈值，如果范围内的象素数小于或等于K＝（滤波窗口大小＋1）/2，则以中心象素周围最近的四点象素平均值作为滤波输出。

实验方法与过程

将获取的TM影像数据导入ERDAS IMAGINE中，在ERDAS图标面板菜单条，单击Main|Image Interpreter|Spatial Enhancement|Focal Analysis命令，打开Focal Analysis面板，选择合适窗口大小，此次试验使用3*3的窗口大小，对整幅图像进行处理，算法分别选择median和mean，生成两幅不同滤波算法后的影像。

对于SAR影像，选中Radar|Radar Interpreter|Speckle Interpreter命令，在弹出的窗口设计合适的值，选择Sigma、median和mean命令生成三幅不同的影像。同时，将TM影像作为雷达影像，做Sigma滤波处理。

实验与分析

对于滤波算法的效果评价，可以从两个方面进行，一是主观评价标准，即通过人眼视觉效果进行定性评价；二是客观评价标准，比较常用的有以下评价指标：均方误差、峰值信噪比、以及等效视数等，这些指标从量化角度考虑滤波效果，能够辅助主观评价标准进行定量评价。

实验采用平滑指数、归一化均值两个指标来衡量。

平滑指数指的是滤波处理后一个均匀区域的像元的均值与标准差的比值，表示滤波算子的平滑能力。

归一化指数指的是滤波后图像均值与滤波前图像均值的比，越接近1，越能接近无偏估计，即能很好的保持图像的平均后向散射系数。

从以上数据处理后的表格可以看出均值滤波的平滑能力最大，无论是TM影像还是SAR影像，效果都比较显著。同时均值滤波能更好的保持图像的平均后向散射系数。其次是Sigma，最后是中值滤波。但是Sigma滤波对不同影像的处理程度并不相同。

结语

Sigma滤波、中值滤波、均值滤波平滑指数都高于原始影像，这些滤波器都具有相当的噪声滤除的作用，且对微波遥感影像同样适用。滤波的归一化均值都接近1，这说明这些滤波算法都具有无偏 ，说明这些滤波算法均保留了的原始影像的辐射信息。

然而Sigma算子对不同的影响处理的结果有一定的不同，与其余文献显示的结果有一定的差距，同样中值滤波、均值滤波并不完全适用于SAR影像。