遥感原理与应用 第六章 遥感图像的数字处理 http://jxpt.whut.edu.cn/eol/jpk/course/layout/frame/index.jsp?courseId=1661.

Presentation on theme: "遥感原理与应用 第六章 遥感图像的数字处理 http://jxpt.whut.edu.cn/eol/jpk/course/layout/frame/index.jsp?courseId=1661."— Presentation transcript:

1 遥感原理与应用 第六章 遥感图像的数字处理

2 遥感原理与应用 1 6.1 遥感图像的统计特征 2 6.2 图像预处理 3 6.3 图像增强与变换 4 6.4 遥感数据的融合 5
6.5图像处理发展和展望 5

3 遥感图像中丰富的光谱信息为人们提取地物特征提供了可能。在计算机的辅助下，以数字方式处理这些数据，则为人类增添了一双观察世界的眼睛。
遥感数据是由地面、航空和航天不同遥感平台上，不同波普分辨率的传感器所记录的地物反射或者发射的电磁能量。 遥感数据的数字处理是计算机程序实现数据的自动分析和处理，利用反演，通过电磁能量值获取目标的其他物流特性或几何特性，从而到达识别地物目标的目的。

4 6.1 遥感图像的统计特征 遥感图像可以理解为由不同波段信号组成的多层网格数据，信号的强弱表现为图像上的亮度值。
图像的统计分析是图像处理的基础性工作，这些统计分析通常包括计算机图像的直方图、均值、方差、中值、陡度、峰态、相关系数矩阵和协方差矩阵等。 但波段的遥感数据的统计称为单元统计，涉及多波段的遥感数据统计称为多元统计。

5 6.1 遥感图像的统计特征 （1）数字图像基本概念 ①数字图像:数字图像是指能够被计算机存储、处理和使用的图像，即数字化的图像。
②数字化：将连续的图像变化，作等间距的抽样和量化。通常是以像元的亮度值表示。 数字量和模拟量的本质区别：连续变量，离散变量。 ③灰度直方图：以每个像元为单位，表示图像中各亮度值或亮度值区间像元出现的频率的分布图。 直方图的作用：直观地了解图像的亮度值分布范围、峰值的位置、均值以及亮度值分布的离散程度。直方图的曲线可以反映图像的质量差异。 ④正态分布：反差适中，亮度分布均匀，层次丰富，图像质量高。

6 6.1 遥感图像的统计特征 （1）数字图像基本概念

7 6.1 遥感图像的统计特征 （1）数字图像基本概念 数字图像的表示 数字图像的数学表示 5 7 10 15 13 11 6 9 12 8 4
5 7 10 15 13 11 6 9 12 8 4 1 2 3 4 5 是数字图像的矩阵表示 图为5×6象元的图像在计算机表示 数值表示灰度值（0－15级） 行列表示象元的位置

8 6.1 遥感图像的统计特征 数字图像基本概念 图像 数字图像与直方图 直方图

9 6.1 遥感图像的统计特征 （2）数字图像统计参数 直方图
所谓直方图就是统计图像中每个灰度等级出现的频度或数目，也是离散的概率密度分布。 式中，hist(DN) 是灰度值为DN 的象元的频度；count(DN) 是灰度值为DN的象元的数目；PDF(DN) 是连续概率密度分布函数在DN出的函数值。 累积直方图：以灰度值DN为横坐标，其纵坐标是比该灰度值小的所有象元的频度之和chist(DN) ； 式中，chist(DN) 是灰度值小于DN 的象元的频度；

10 6.1 遥感图像的统计特征 （2）数字图像统计参数 直方图和累计直方图示意图

11 方差用来描述整幅图像的灰度值分布的离散程度：
6.1 遥感图像的统计特征 数字图像统计参数 均值 均值是整幅图像所有象元灰度平均值： 方差 方差用来描述整幅图像的灰度值分布的离散程度：

12 6.1 遥感图像的统计特征 （2）数字图像统计参数 中值 偏度 图像中各个象元按其灰度值大小排序后处于中间位置的灰度值即为中值。
偏度是一种反映频数分布的偏态方向和程度的指标，在图形中表现为对称分布和不对称分布两种形式，其公式为： 若skewness = 0 ，表明分布是对称的； 若skewness > 0 ，表明分布右偏，且偏度系数越大右偏程度越大； 若skewness < 0 ，表明分布左偏，且偏度系数越小左偏程度越大。

13 6.1 遥感图像的统计特征 （2）数字图像统计参数 陡度 陡度表示与正态分布相比顶点的尖锐程度：
若Kurtosis = 0 ，表明分布是正态的； 若Kurtosis > 0 ，表明顶点的尖锐度大于高斯分布； 若Kurtosis < 0 ，表明顶点的尖锐度小于高斯分布。

14 6.1 遥感图像的统计特征 （2）数字图像统计参数 波段间相关系数矩阵和协方差矩阵
对于多于一个波段的遥感数据，统计量还包括协方差C和相关系数矩阵R。 一幅由N个像素，n个波段构成的遥感图像，，其第m波段的影像和第n波段的影像的协方差Cnm 为 式中：DNpn 为第p 个像素在第n 波段的值；μm 为第m 波段影像的均值；μn 为第n 波段影像的均值。

15 6.1 遥感图像的统计特征 （2）数字图像统计参数 波段间相关系数矩阵和协方差矩阵 图像的相关系数矩阵R 为 或
其中， ρij = Cij /(Cii · Cjj) 0.5 （i ≠ j i , j =1 , 2 , … , n） 返回

16 6.1 遥感图像的统计特征 （2）数字图像统计参数 当我们获取到一张遥感图像后，首先要对遥感图像进行预处理，校正在图像数据获取过程中所出现的图像畸变并恢复图像质量。 图像校正和恢复主要包括图像的几何校正、辐射校正和噪声消除 3 方面。

17 6.2 图像预处理 （1）几何校正 几何畸变 变形的原因 全景畸变 传感器姿态 地球曲率 传感器的系统及偶发因素 地形起伏 大气折射

18 6.2 图像预处理 （1）几何校正 ①传感器姿态的影响 航高：航高变化引起比例尺变化，实际扫过地面的面积宽窄发生变化
翻滚：以前进方向为轴转了一个角度，使图像向翻滚角的方向错动。 俯仰：星下点俯时后移，仰时前移，发生行间位置错动。 航速：航速的变化引起图像上地物超前或次后的变化。 偏航：前进航向偏移了一定的方向，引起扫描行方向的变化导致图像畸变。

19 6.2 图像预处理 （1）几何校正 ②地形起伏的影响 由于地形的起伏，使得局部像点产生位移，使有些像点的信号发生重叠。（见第四章，影像的几何特征） ③地球表面曲率的影响 P P2 P1 P3 P4 L1 L2 L3 L4 O （二） （一） PL1=L1L2=L2L3=L3L4 PP1<P1P2<P2P3<P3P4 影响主要表现为 （一）像点位置的移动 （二）象元对应于地面宽度的不等

20 6.2 图像预处理 （1）几何校正 ⑤地球自转的影响 ④大气折射的影响 扫描 获得图像 实际对应的 地面位置 影像变形 P′ P0′ Δr
N P 扫描 获得图像 实际对应的 地面位置 影像变形

21 6.2 图像预处理 （1）几何校正 在图像上的表现及应用时的影响 在图像上表现为： 对遥感应用的影响： 象元与实际地面大小不一；
实际地物的错位； 地物形状的变形。 对遥感应用的影响： 空间分析对位置的配准； 定量分析的统计和量算。

22 6.2 图像预处理 （1）几何校正 几何校正的方法 几何校正：是纠正各种因素导致的畸变，使图像具有最大的几何精度。
① 建立坐标的转换前后的数学关系式,计算校正后图像中的每一点（u,r）所对应原图中的位置（x,y），计算时按行逐点计算，直到全图结束。 建立两图像象元之间的对应关系 x＝f（x）（u,r） y＝f（y）（u,r） 包括： 系统校正（系统引起的变形） 采样校正（齐次多项式的形式）

23 几何校正的方法 ②确定校正后图像上每点的亮度值
6.2 图像预处理 （1）几何校正 几何校正的方法 ②确定校正后图像上每点的亮度值 在几何校正中，经常采用最近邻法(nearest neighbor)、双线性内插法(bilinear interpolation)或三次卷积法(cubic convolution) 对图像重采样来实现几何校正。 a、最近邻法 即取与其相邻的4个点中；与他最近的点（x,y）的亮度值f（x,y）作为该点的亮度值f（k,l） k＝integer（x＋0.5） l＝integer（y＋0.5） 精度不是很高

24 [f（i,j）- f（i,y）]/β＝[f（i,j）-f（i,j+1）]/（1-β）
6.2 图像预处理 （1）几何校正 几何校正的方法 b.双线性内插法 x z y （x,y） （i,y） f（i+1,j+1） f（i,j+1） f（i,j） f（i+1,j） （i+1,y） f（i+1,y） f（i,y） f（x,y） f（i,j+1） f（i,y） f（i,j） 如图，光沿y方向内插值f（i,y）和f（i+1,y）再在x方向内插值f（x,y）。由梯形几何比例关系得： [f（i,j）- f（i,y）]/β＝[f（i,j）-f（i,j+1）]/（1-β） 所以 Y方向 f（i,y）＝ βf(i,j+1)+(1-β)f(i,j) f（i+1,y）＝βf(i+1,j+1)+(1-β)f(i+1,j) X方向 f（x,y）＝αf(i+1,y)+(1-α)f(i,y) α＝x- i β ＝y-j

25 6.2 图像预处理 （1）几何校正 几何校正的方法 c.三次卷积内插法 先在x方向（或y方向）内插值四次，
i i-1 i+1 i+2 j-1 j （x,y） j+1 先在x方向（或y方向）内插值四次， 求出f(x，j-1)，f(x,j)，f(x,j＋1)，f(x，j＋2)或f(i－1，y)，f(i，y)，f(i+1，y)，f(i+2，y) 再沿y方向（或x方向）根据x方向（或y）求 出的四个值，内插值求出f（x，y）

26 几何校正的方法 采样方法校正举例（齐次方程）
6.2 图像预处理 （1）几何校正 几何校正的方法 采样方法校正举例（齐次方程） 二元二次多项式展开形式

27 几何校正的方法 控制点GCP （ground control point）的选取
6.2 图像预处理 （1）几何校正 几何校正的方法 控制点GCP （ground control point）的选取 A控制点数目的确定 齐次多项式的项数N与其阶数的关系：N＝(n＋1)(n＋2)/2 而控制点个数L与N之间为: L≥N 所以， GCP控制点个数为: L =(n＋1)(n＋2)/2 为了提高校正精度GCP的个数L: L ≥ (n＋1)(n＋2)/2 适当增加GCP的数量可以提高纠正的精度，但过多的增加GCP的数量，不仅精度提高有限，而且大大增加工作量。 如1.5万的spot图像，采用三次多项式拟合:L≥(3＋1)(3＋2)/2＝10 但实际中一般采用13－17个GCP，其纠正精度可达到2个象元。

28 几何校正的方法 控制点GCP （ground control point）的选取 B选取原则
6.2 图像预处理 （1）几何校正 几何校正的方法 控制点GCP （ground control point）的选取 B选取原则 ①易分辨、易定位、较精细的特征 如：道路交叉口、河流汇流处、湖心岛、飞机场、桥、水库大坝等 ② GCP分布尽量均匀；分布于整个图。 ③ 特征变化大的地区应多选些。

29 GCP选取图示 控制点的选取

30 6.2 图像预处理 （1）几何校正 几何校正的方法 巴格达TM影像 校正后的影像 变形的影像

31 6.2 图像预处理 （2）辐射校正 影响系统测得的辐射率的因素包括：地面照明条件、大气条件、传感器拍摄的几何特征、传感器的影响特性等。 在大多数应用中，通常需要进行太阳高度角校正(sun elevation correction)、日地距离校正(earth-sun distance correction)和大气纠正(atmospheric correction) 。

32 光照条件的不同也会引起辐射畸变，如太阳高度角、地面坡度等，都会引起辐射的畸变。
6.2 图像预处理 （2）辐射校正 a.太阳高度角 光照条件的不同也会引起辐射畸变，如太阳高度角、地面坡度等，都会引起辐射的畸变。 太阳高度角校正是用于标准化地球和太阳间的位置的季节变化； 日地距离校正是用于标准化地球和太阳间的距离的季节变化。

33 6.2 图像预处理 （2）辐射校正 通过太阳高度角校正和日地距离校正，将不同太阳高度角照射条件下，不同日地距离的图像数据的象元亮度值，标准化到假设太阳在天顶时的象元亮度值。在不考虑大气影响和地形影响的情况下，二者可统一表示为 式中，E为标准化太阳辐射；Eo 为日地平均距离太阳辐射；θo 为太阳入射光天顶角；d 为日地平均距离，为一个天文单位（一个天文单位 = × 108 km）

34 6.2 图像预处理 （2）辐射校正 一个简单的大气效应模型（不考虑多次反射）可以表示为 b.大气影响 一、大气削弱了照射在地表物体上的能量；
二、大气本身的反射、散射，增大了传感器探测到的与地物特征无关的辐射量。 一个简单的大气效应模型（不考虑多次反射）可以表示为 式中，Ltol 为传感器所获得的总辐亮度； ρ 为地表反射率；E为地表辐照度；T为大气透过率；Lp 为大气层辐射。 许多软件包可以去除大气效应的影响，如LOWTRAN、MODTRAN、6S、FLAASH 等软件包，可对辐亮度的大气效应进行校正。

35 6.2 图像预处理 （2）辐射校正 b.大气影响 A 入射和反射途中的吸收 B 散射
传感器 A 入射和反射途中的吸收 散射了入射和反射光 散射光进入传感器增 加了无用信号 E0入射 B 散射 大气层 吸收T1 程辐射度：值部分的散射光向上通过大气直接进入传感器的辐射。 散射T0 漫入射ED 进入大气的太阳辐射会产生反射、折射、吸收、散射和透射，因此对传感器的接收具有一定的影响，其中吸收和散射时主要的。

36 6.2 图像预处理 （2）辐射校正 b.大气影响 L传＝Lλ+T0′+Lp (1) 而 Lλ＝L0－Tφ2 (2)
L0＝E0 -Tφ1 - T0+ED (3) 所以，将(2) (3)代入(1) L传＝E0 -Tφ1-Tφ2-T0+ED+T0′+Lp ＝E0-(Tφ1+ Tφ2+ T0)+(ED+T0′+Lp) 所以信息被减弱了。 E0入射 吸收Tφ1 散射T0 漫入射ED 大气层 反射l0 散射T'0 程辐射射lp 吸收Tφ2 传感器

37 6.2 图像预处理 （2）辐射校正 辐射校正前 辐射校正后

38 6.2 图像预处理 6.2 图像预处理 （2）辐射校正 （2）辐射校正 大气影响下图像亮度的变化 55 50 45 10
灰度值 50 55 45 10 灰度 设无大气时白处亮度值为50，黑处亮度值为0 则亮度对比C1＝（50－0）/50＝1 有大气时，假设通过率为90 ％即减少10％ 则亮度为50×90 ％ ＝45 而由于散射进入传感器部分程辐射和滤入射的存在，黑白处亮度场增加10，即白处为55，而黑处为10。 则亮度对比C2＝（55－10）/55＝9/11 即C2 <C1 所以图像质量下降了。

39 6.2 图像预处理 （2）辐射校正 大气影响的粗略校正 辐射校正：通过纠正辐射亮度的办法来纠正大气影响的措施。
粗略校正：通过简单的方法去掉程辐射度，从而改善图像。一般认为程辐射度在同一图像的有限面积内是一个常数，其值的大小只与波段有关。 直方图最小值去除法 1 2 3 4 5 6 7 8 亮度值 9 10 11 12 13 14 15 像元数 5 8 10 13 14 4 9 12 15 6 2 11 7 3 1 找出图像上辐射量或反射量应为零的地区，其当前的亮度必定是由于大气影响的程辐射的增值，则每个像元的亮度值减去本波段的最小值后，对比度增强，图像质量得到提高。

40 6.2 图像预处理 （2）辐射校正 c.传感器的光电变换引起的辐射误差
在光电变换的过程中传感器对各波段的灵敏度有差异，即对各波段的光谱响应不同，由此造成辐射畸变。另外，光学镜头的非均匀性引起边缘减光，也会造成图像辐射的畸变。机械因素也会产生条带状噪声。

41 6.2 图像预处理 （2）辐射校正 传感器的辐射校正 传感器记录的灰度值与地物的辐射率不成线性关系，特别是反应曲线两端部分的地物辐射信息被压缩。为了把这种歪曲了的关系恢复成理想的线性关系，需要用反应曲线的逆函数乘上原来的灰度值。这种对成像系统的反应特征进行的校正，一般称为系统辐射较正。 在对数据进行定量分析应用之前，必须消除条带的影响。目前，消除条带噪音常用的方法有：矩匹配法、直方图匹配法和均匀区法。 具体见邻域处理一节。

42 6.2 图像预处理 （2）辐射校正 返回 图6.3 四元并扫的HY-1A卫星水色水温扫描仪（COCTS）消除条带

43 6.3图像增强和变换 将原来不清晰的图像变清晰或将原来不够突出的特定图像信息和特征显现出来的图像处理方法称为图像增强。
图像增强的方法有很多，但所有的图像增强方法都是面向问题的，不存在对所有问题都有很好效果的算法。 在进行图像增强之前需要注意，必须出去图像噪声，否则得到的就是噪声增强的图像，影响对图像的解译。 应用最为普遍的图像增强技术包括反差处理、空间特征处理和多波段图像处理。

44 6.3图像增强和变换 （1）反差处理 对比度增强时将图像中亮度值范围拉伸或压缩成显示系统指定的亮度显示范围，提高图像全部或者局部的对比度，而改善图像质量的图像处理方法。 直方图的统计分析 一幅适合用统计方法分析的图像其直方图应是正态分布的，因此，对比度变换就是将亮度值不符合正态分布的图像尽量使其亮度值呈正态分布

45 6.3图像增强和变换 （1）反差处理 quickbird 像 元 数 灰 阶 平均值 112.75 灰阶0~255
像 元 数 灰 阶 平均值 灰阶0~255 标准偏差 中间值 111 像素 平均值 灰阶0~255 标准偏差 中间值 118 平均值 灰阶0~255 标准偏差 中间值 92 wwww

46 6.3图像增强和变换 （1）反差处理

47 6.3图像增强和变换 （1）反差处理 1. 线性拉伸/分段线性拉伸
如果用MIN和MAX代表一幅图像中的最小和最大亮度值，最简单的线性拉伸算法将其亮度值范围扩展到整个输出显示范围（如0~255），可用下列公式将原图像中的每个亮度值（DN）转化为显示图像中的亮度值（DN’）： 这种算法通常被称作 最大-最小 对比度拉伸。

48 6.3图像增强和变换 （1）反差处理 1. 线性拉伸/分段线性拉伸
如果图像中的最大值和最小值偏离太远，这种线性拉伸效果就不会很好。因此，有时也根据原图像中亮度值的直方图分布指定位于某个积累百分比上的值来代替上述公式中的最大值和最小值（百分比线性拉伸），或者根据图像中亮度值的标准差δ和均值μ ，用 δ+μ 和 δ-μ 来代替公式中的最大值和最小值。 当图像亮度值不是正态分布时，可以用分段线性拉伸。分段线性拉伸是对不同段采用不同的线性函数进行拉伸。将原图像亮度值划分为几段，将每段亮度拉伸到指定的亮度显示范围。 注意：这种方法只有在熟悉图像直方图的峰值范围所代表的地物情况下才能使用，且经 过这种分段线性拉伸后的图像不能用于进一步的图像分类。

49 6.3图像增强和变换 （1）反差处理 1. 线性拉伸/分段线性拉伸 整体线形变换 （线形拉伸） y 30
整体线形变换 （线形拉伸） 15 30 x y 例：一图像亮度值为0－15，现在把他拉伸为0－30 x∈[0，15] y∈[0，30] 线形方程 y＝30 × x/15＝2x

50 6.3图像增强和变换 （1）反差处理 1. 线性拉伸/分段线性拉伸 x b1 a1 a b y 同理
当 x∈[a0，a] y∈[b0，b]时 线形方程 y＝(b－b1) ( x－a1)/(a－a1)+b1 所以， 当 a－a1<b－b1 时 亮度范围波拉伸 当 a－a1>b－b1 时 亮度范围波压缩

51 6.3图像增强和变换 （1）反差处理 y x 1. 线性拉伸/分段线性拉伸
分段线性交换,在图像亮度值某一范围过于密集而另一范围又过于稀疏时，往往需要分段拉伸，即在一些亮度段拉伸，另一亮度段压缩. 6 11 15 x y 2 12 则第一段 y＝2x/6＝x/3； x∈[0，6] y∈[0，2] 第二段 y＝(12－2)(x－6)/(11－6)＋2 ＝2x－10； x∈[6，11] y∈[2，12] 第三段 y＝(15－12)(x－11)/(15－11)＋12 ＝3x/4＋15/4 x∈[11，15] y∈[12，15]

52 计算结果小数四舍五入取整后拉伸前后亮度值的对比
6.3图像增强和变换 （1）反差处理 1. 线性拉伸/分段线性拉伸 计算结果小数四舍五入取整后拉伸前后亮度值的对比 变化前的亮度值 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 变化后的亮度值 区段亮度差值 前 后2 前 后8 前 后2 所以，第一段被压缩， 第二段被拉伸， 第三段被压缩

53 6.3图像增强和变换 （1）反差处理 1. 线性拉伸/分段线性拉伸
This graphic illustrates the increase in contrast in an image before (left) and after (right) a linear contrast stretch.

54 6.3图像增强和变换 （1）反差处理 2. 均衡化对比拉伸
直方图均衡化的原理是将灰度分布集中部分的灰度分布范围扩大。其优点是保持原来像元的相对亮度关系，即假设原始图像g(a) > g(b) ，在变换后仍然有g(a) > g(b)。 如图6.5所示，设原图像灰度概率密度分布为pr(r)，经变换函数T(r)转换后，灰度概率密度变为ps(s)。r为变换前的亮度。

55 6.3图像增强和变换 （1）反差处理 直方图均衡化示意图

56 6.3图像增强和变换 （1）反差处理 2. 均衡化对比拉伸
变换函数T(r)的确定。设 r 是原始图像的灰度值，且已归一化，0 ≤ r ≤ 1 ；s = T(r) 为变换后的灰度值。 T(r)满足下述条件：① 对 0 ≤ r ≤ 1 区间内， T(r) 为单值单调增加；② 对 0 ≤ r ≤ 1 ，有 0 ≤ s = T(r) ≤ 1 。同样对于 r = T-1(s) ，0 ≤ s ≤ 1 ，也假定满足上述条件。 对于连续的情况，由概率论知识，

57 6.3图像增强和变换 （1）反差处理 2. 均衡化对比拉伸 直方图均衡化后， 由于 s = T(r)，因此又有
式中，L为均衡化后的亮度变化范围，一般以归一化亮度表示，L = 1。因此 由于 s = T(r)，因此又有

58 6.3图像增强和变换 （1）反差处理 2. 均衡化对比拉伸 两遍去定积分，
该式表明，T(r)就是原始图像的累积分布函数.对于离散情况,前式可以写成 式中，L为亮度等级；nk 为k 灰度级出现的像元数；N为像元总数；pr(rk)也就是k级的概率。则

59 6.3图像增强和变换 （1）反差处理 3. 直方图规定化 直方图均衡化可以使一幅图像对应的直方图在各个灰度值上较为均匀的分布，由于实际的需要，有时我们并不需要使直方图均匀分布，而是让它的直方图具有特定的形态，这个过程就称为直方图规定化。

60 6.3图像增强和变换 （1）反差处理 3. 直方图规定化 （1）直方图规定化的基本原理
原图像均衡化后的累积直方图应该和目标图像均衡化后的累积直方图形状相同。 原图像的累积直方图的纵坐标sk 和横坐标rk 有如下关系： 假设要求的直方图的密度函数为pu(ui)，则其均衡化后的累积直方图的纵坐标和横坐标有如下关系： 则 ，

61 6.3图像增强和变换 （1）反差处理 3. 直方图规定化 （2）直方图规定化实现的具体步骤 ① 首先绘制出原图像的累积直方图；
② 根据直方图求出每个灰度值rj 对应的累积频度sk ； ③ 根据规定的概率密度函数pu(ui)，求出vi ； ④对于原图像的每个灰度值rj ，需要得到处理后图像对应的灰度值。 首先根据 ② 中得到的公式求出每个灰度值rj 对应的sk 然后我们将ui 从0开始取值，知道vi - sk ≥ 0 。此时ui 的取值就是rj 所对应的处理后图像的灰度值。

62 6.3图像增强和变换 （1）反差处理 （3）直方图规定化的特例 高斯对比度拉伸
高斯对比度拉伸就是根据高斯概率密度函数对原图进行重新正态分布。默认DN值的均值为127，以127为中心轴向两边进行拉伸，拉伸范围为 0~255 。 其中，均值决定了密度曲线对称轴的位置，而方差的大小决定了曲线的形态即峰的陡峭程度。 平方根对比度拉伸 就是对输入直方图数据按照平方根方程拉伸到 0~255 的范围内。

63 6.3图像增强和变换 （1）反差处理 非线形变换 指数变换 x y 对数变换 x y 指数变换 对数变换 亮度值较高部分 拉伸 压缩
（a、b、c、为可调参数） 指数变换 对数变换 亮度值较高部分 拉伸 压缩 亮度值较低部分 压缩 拉伸

64 6.3图像增强和变换 （1）反差处理 各种拉伸情况对比

65 6.3图像增强和变换 （1）反差处理 直方图均衡化前 直方图均衡化后

66 6.3图像增强和变换 （1）反差处理 拉伸前图像和直方图 拉伸后图像和直方图

67 6.3 图像增强和变换 （2）空间特征处理 1.邻域处理概述
对比度交换中只考虑单个象元，没有考虑与其相邻的象元的亮度值，从处理效果来看是从整体上改善图像质量而并没有突出图像的某一特征，这种方式也称单点处理。 邻域处理：也称空间滤波，是通过象元与其周围相邻象元的关系，用一数学方式来改变与其相邻的象元的亮度对比，从而突出图像的某一特征。 卷积函数也称模板，是一个M×N的矩阵， 其中模板大小为M×N ，φ（m,n）为窗口，模板为t（m,n）

68 6.3 图像增强和变换 （2）空间特征处理 A common filtering involves moving a ‘window’ （活动窗口）of a few pixels in dimension (e.g. 3x3, 5x5, etc.) over each pixel in the image, applying a mathematical calculation using the pixel values under that window, and replacing the central pixel with the new value. 图像卷积运算：在图像上开一个与模板范围相同的窗口即M×N大小， 对窗口内的象元的灰度值根据运算式进行运算，运算结果作为窗口中 心的象元的新值，然后依次移动模板直到全幅图像结束。

69 6.3 图像增强和变换 （2）空间特征处理 2. 空间邻域平滑滤波 （1）邻域平均法 有“1邻域”(5点)和 n * n 邻域两种。
对“1邻域”的5个点是：f(i-1, j)， f(i+1, j)， f(i, j)， f(i, j-1)， f(i, j+1) ； n × n 邻域一般是 3×3 ， 5 ×5 ， 7×7 ， 9×9 ， 11×11 wwwwwww 式中，S为邻域点集合；Ns为邻域内所有点的个数。

70 6.3 图像增强和变换 （2）空间特征处理 2. 空间邻域平滑滤波 （2）改进邻域平均法 主要有阈值邻域平均法和中值滤波法。
阈值邻域平均法： 当|f( i , j) - g( i , j)| > T时， 否则 g(i,j) = f(i,j) ；T 是人为确定的阈值。 中值滤波法： 当|f(i,j) - g(i,j)| > T 时， g(i,j) = MID {g(i,j)，i，j∈S }

71 6.3 图像增强和变换 （2）空间特征处理 均值平滑处理 均值平滑处理后的图像（取整）
13 11 10 9 8 14 15 6 12 7 3 5 2 4 1 处理前 处理后 模板 均值平滑处理后的图像（取整） L(2.2) = ( ) / 9 = 6.8 取值 7 L(2.3) = ( )/ 9 = 8.3 取值 8

72 6.3 图像增强和变换 （2）空间特征处理 中值平滑处理 中值滤波后的图像
13 11 10 9 8 14 15 6 12 7 3 5 2 4 1 处理前 处理后 模板 问题：在平滑处理中 a、图像四周部分象元的值如何更新？为什么？   b. 模板的大小即M和N有什么要求？ 中值滤波后的图像 L(2.2) = (2､3､4､5､7､8､8､9､15)的中值7 L(2.3) = (2､5､7､8､8､9､9､12､15)的中值8

73 6.3 图像增强和变换 （2）空间特征处理 常用模板： t（m,n） 1 1 1 1 C D A B A 用于平滑处理
1 1 C D A B A 用于平滑处理 B 用于噪声去除－－单点噪声去除 C D 用于条带状噪声的去除

74 6.3 图像增强和变换 （2）空间特征处理 平滑处理前 平滑处理后

75 6.3 图像增强和变换 （2）空间特征处理 LOGO 去条带处理前 去条带处理后
LOGO

76 6.3 图像增强和变换 （2）空间特征处理 3. 空域图像锐化 图像的锐化一般是进行边缘提取。
由于图像中地物的边缘时任意取向的，因此，微分算法必须是方向无关的或成为各向同性的。常用的有梯度算子和拉普拉斯算子。 梯度算子： 拉普拉斯算子：

77 6.3 图像增强和变换 （2）空间特征处理 锐化 sharpening 为了突出图像的边缘、线状目标或某些亮度值变化率大的部分。
A、罗伯特梯度 Robot 计算公式 i j 把︳gradf ︳给f（i,j）成为r（i,j）

78 6.3 图像增强和变换 （2）空间特征处理 Image of CHURN Farm Daedalus 1268 ATM Channel 3

79 6.3 图像增强和变换 （2）空间特征处理 B、索伯尔梯度 Sobor 是对Robot梯度的改进，其把2×2模板扩大到3×3
其检测不是亮度值的变化率，而是梯度的变化率，是二阶微分。 上述模式的意义：上下左右四个相邻点的值相加再减去象元值的4倍，作为该象元的新值。其改进的模板如：

80 6.3 图像增强和变换 （2）空间特征处理 D、定向检测，也称线性增强 即增强某一方向的边、线或纹理特征。 检测竖直线理时： 或
水平线理时： 或 对角线方向：

81 6.3 图像增强和变换 （2）空间特征处理 Directional or edge detecting filters high light linear features, such as roads or field boundaries. Vertical edges（垂直边缘）

82 6.3 图像增强和变换 （2）空间特征处理 Directional Edge filters can also be designed to enhance features which are oriented in specific directions and are useful in applications such as geology, for the detection of linear geologic structures. Horizontal edges

83 6.3 图像增强和变换 （2）空间特征处理 十字边缘检测

84 6.3 图像增强和变换 （2）空间特征处理 3. 空域图像锐化 结合阈值的方法，空域进行： （1）保留背景，强调边缘；
（2）去掉背景，保留边缘亮度变化； （3）二值化边缘位置；

85 6.3 图像增强和变换 （2）空间特征处理 4. 频域法 采用二维傅里叶变换，对变换后的频谱H(u,v)乘上不同滤波函数K(u,v)，成为“加窗”，再作反变换。选择不同的滤波函数，可以进行低通或高通滤波。 目前绝大多数商业化遥感图像处理软件都带有傅里叶工具，可以方便地进行频域高通、低通和带通滤波。 常规的图像随频率增长很快衰减，而噪声一般随频率增长而增加或没有明显的衰减。 需要注意，一般不采用突然截断的方式进行高通或低通滤波，而是针对不同的情况，选择不同的窗口函数，如巴特沃斯函数（形状可调）、高斯函数、指数或梯形函数等。

86 6.3 图像增强和变换 （2）空间特征处理 空间域 频率域

87 6.3 图像增强和变换 （3）多波段图像处理 Ⅰ差值运算 Ⅱ比值运算 1. 波段运算
1. 波段运算 波段运算是指遥感影像各波段之间基于像素的运算。主要应用有植被遥感中植被指数的计算，如比值植被指数(RVI)、垂直植被指数(PVI)、土壤调节植被指数(SAVI)等。 利用多波段影像的数字运算，以增强某些信息或去掉某些信息的目的。 Ⅰ差值运算 Ⅱ比值运算

88 Ⅰ差值运算 f(i,j)＝ f1(i,j)－f2(i,j) 目的时突出两图像的f1 ，f2间亮度查大的部分
例 红外波段 植被与土壤的差别较小 红波段 植被与水体的差别较小 而土壤、水体在红外波段和红波段反射率的差值很小，植被在红外波段和红波段反射率的差值较大。 所以，红外波段转到红波段后植被信息被突出出来。 另外应用于动态监测： 如森林火灾后的过火面积、洪水淹没区域、城市的扩展

89 TM3 TM4 TM432 TM4植被与土壤的差别较小;TM3植被与水体的差别较小;而土壤、水体在TM4和TM3反射率的差值很小，植被在TM4和TM3反射率的差值较大。所以，TM4-3植被信息被突出出来。 TM4 — TM3

90 Ⅱ比值运算 fR（i,j）＝f1(i,j)/ f2(i,j) 目的突出不同波段间地物光谱的差异，提高对比度。
A、植被特征，提取植被光型，植被生物量计算(即植被指数) 远红外波段/红波段，或（近红外－红)/(近红外＋红) 具体的表示：TM4/TM3 AVHRR2/AVHRR1 （AVHRR高分解率辐射计） （TM4－TM3）/（TM4＋TM3） （AVHRR2－AVHRR1）/（AVHRR2＋AVHRR1） B、去除地形影响 C、浅海水下地形，土壤含水性

91 TM3 TM4 TM432 TM4 ÷TM3 植被指数

92 TM321 TM1 TM2 TM1÷2 去除地形影响

93 图像计算实例 gv2(X,Y)=fTM4(X,Y)- fTM3(X,Y)
V2=TM4-TM3 来消除植被的影响，把残余古河道、残余湖泊等水体信息和富含水及覆盖的新鲜土层信息增强并提取出来。 gv3(X,Y)=fTM7(X,Y)/fTM4(X,Y) 与 gv1(X,Y)=[fTM2(X,Y)/fTM3(X,Y)]/[fTM2(X,Y)/fTM7 (X,Y)] 即V3=TM7/TM4 与V1=(TM2/TM3)/(TM2/TM7),结果压抑了由于坡度和方向引起的辐射量的变化，非线性地夸大了水体、土壤、植被及其他地物间的反差。

94 TM7 TM4 计算前图像 TM1 计算后的图像

95 6.3 图像增强和变换 （3）多波段图像处理 2. 主成分分析
2. 主成分分析 主成分分析就是设法将原来的指标重新组合成一组新的互不相关的几个综合指标来代替原来的指标，同时根据实际需要从中选取几个较少的综合指标尽可能多的反映原来的指标信息。 多光谱变换的目的： a、压缩数据 b、相关信息增强 多光谱数据的特征 多个波段之间的数据具有很大的相关性，所以存在数据多余，在数据处理过程中，常耗费大量的时间和花费大量存储空间。

96 6.3 图像增强和变换 （3）多波段图像处理 2. 主成分分析
2. 主成分分析 多光谱图像波段通常是高度相关的，它们在视觉上的数值上相似。光谱波段之间的相关性受多个因素的影响： （1）物质光谱相关性； （2）地形； （3）传感器波段重叠； 主成分分析就是一个设计来消除光谱冗余的特征空间转化，它是一种线性转化，对于一个带有一幅图像细节的矩阵Wpc ， 这个转化改变了原始波段间的协方差矩阵Cpc ，变换后的协方差矩阵为

97 6.3 图像增强和变换 （3）多波段图像处理 多光谱空间 X＝ = [X1，X2，X3，……Xn]T
光谱空间表示为 X＝ = [X1，X2，X3，……Xn]T

98 K－L变换（Karhunen－loeve）主成份变换
6.3 图像增强和变换 （3）多波段图像处理 K－L变换（Karhunen－loeve）主成份变换 变换表达式： X：变换前的多光谱空间的象元矢量, Y：变换后的多光谱空间的象元矢量, A：K－L变换矩阵

99 KL变换后 KL变换前 KL反变换

100 主成分变换后信息量分布 1 2 3 4 5 6 7

101 6.3 图像增强和变换 （3）多波段图像处理 K－L变换矩阵的特点: 因此，K－L处理可以达到以下2个目的
①多光谱空间坐标系旋转了一个角度且坐标轴指向主成份方向 ②各分量间的相关性达到最小且主分量集中了总信息量达80％ ③分离了噪声 因此，K－L处理可以达到以下2个目的 ①数据压缩 只有三个主分量作假彩色合成数据量只有原来的43％ ②图像增强 分离了噪声，突击了主要信息

102 B. K－T变换（Kauth－Thomas）缨帽变换
6.3 图像增强和变换 （3）多波段图像处理 B. K－T变换（Kauth－Thomas）缨帽变换 (1)变换表达式： X：变换前的多光谱空间的象元矢量, Y：变换后的多光谱空间的象元矢量, B：K－L变换矩阵 （2）其原理和方法于K－L基本相同 K－T变换的关键是提出合适的B（变换矩阵），它是在完全分析影响数据特征和植被，土壤等波谱反射特征的基础上提出，并经过不断的试验后得出的。 (3)K-T变换意义 主要是对农业方面和植被信息的分析等方面

103 KT变换矩阵 KT变换前 KT变换后

104 6.3 图像增强和变换 （3）多波段图像处理 3. 彩色空间变换 人眼感知的彩色由原色红、绿、蓝，即RGB，按各种比例组成。
3. 彩色空间变换 人眼感知的彩色由原色红、绿、蓝，即RGB，按各种比例组成。 为描述一幅图像视觉观察上的彩色成分，我们一般不用RGB的比例，而是用色度(H)、强度(I)、饱和度(S)来描述物体对应的彩色、亮度、色彩纯度。 我们把 RGB 到 HIS 的转化称为彩色空间变换(CST)。

105 6.3 图像增强和变换 （3）多波段图像处理 3. 彩色空间变换 RGB 彩色模型 建立在笛卡儿坐标系统里，其中三个轴分别为R，G，B。
3. 彩色空间变换 RGB 彩色模型 建立在笛卡儿坐标系统里，其中三个轴分别为R，G，B。 模型的空间是个正方体，原点对应黑色，离原点最远的顶点对应白色。 从黑到白的灰度值分布在从原点到离原点最远顶点间的连线上，而立方体内其余各点对应不同的颜色，可用从原点到该点的矢量表示。

106 6.3 图像增强和变换 （3）多波段图像处理 HSI 彩色模型 3. 彩色空间变换 H－色调hue L－明度lightness
3. 彩色空间变换 HSI 彩色模型 L白 O黑 青180º 0º红 黄60º 绿120º 蓝240º 品红300º H－色调hue L－明度lightness S－饱和度saturation H取0－360实型 L取0－1 实型 S取0－1 实型

107 明度 色调 饱和度 是人眼对物体明亮程度的感觉•物体反射率越高，明度就越高，所以白色一定比灰色明度高，黄色反射率高，黄色比红色明度高
指色彩彼此相互区分的特性 色调 是彩色纯洁程度，是光谱中波段是否窄，频率是否单一的表示。• 若光源发出的是单色光则就是最饱和的彩色。• 如果物体对光谱反射有很高的选择性，只反射很窄的波段则饱和度高，反之则饱和度就低。 饱和度

108 6.3 图像增强和变换 （3）多波段图像处理 3. 彩色空间变换 人眼对彩色的分辨率能力远大于对灰度的辨率能力，人眼对彩色的分辨率能力可达100多种，而对灰度只有20级左右，因此通过彩色变换可大大提高图像的翻译力。 方法：密度分割； 假彩色合成； 彩色变换。

109 6.3 图像增强和变换 （3）多波段图像处理 单波段彩色变换 3. 彩色空间变换
3. 彩色空间变换 单波段彩色变换 ①概念：单波段黑白遥感图像可按亮度分层，对每层赋予不同的色彩，使之成为一幅彩色图像。这种方法又叫密度分割。 a.密度分割：根据灰度按一定的间隔进行分层。 b.赋色：对每一层赋予一种颜色进行合成彩色。 ②分层方案与地物光谱差异对应合适，可以较好地区分地物类别。 ③处理过程 ④效果分析

110 6.3 图像增强和变换 （3）多波段图像处理 输入图像 显示直方图 确定分割的等级数，并计算分割的间距 像元亮度值转换 为像元新值赋色
3. 彩色空间变换 输入图像 ③处理过程 显示直方图 确定分割的等级数，并计算分割的间距 像元亮度值转换 为像元新值赋色

111 ④效果分析 6.3 图像增强和变换 （3）多波段图像处理 以不同的色彩表示图像的色调变化，增强了图像的显示能力
3. 彩色空间变换 ④效果分析 以不同的色彩表示图像的色调变化，增强了图像的显示能力 同一地物或现象可能被分割成两种不同密度并以不同的颜色显示出来，或同一色彩却表示两种以上不同的地物，造成判读错误。

112 6.3 图像增强和变换 （3）多波段图像处理 3. 彩色空间变换 TM8图像 单波段彩色变换后图像
3. 彩色空间变换 TM8图像 单波段彩色变换后图像

113 6.3 图像增强和变换 （3）多波段图像处理 多波段彩色变换（假彩色合成） 3. 彩色空间变换
3. 彩色空间变换 多波段彩色变换（假彩色合成） 即把三个波段的图像分别通过红、绿、蓝三个通道进行合成彩色，能否较丰富的地物信息或突出某一方面的信息取决于合成方案，而合成方案的选择依据主要来自实验、分析，更主要的时经验。 常用的合成方案(TM影像)

114 TM1 TM4 TM2 TM5 TM7 TM6 TM3

115 6.3 图像增强和变换 （3）多波段图像处理 相减混合 3. 彩色空间变换 蓝滤光片 透过率 69％ 白幕 两滤光片组合 紫 相减混合
3. 彩色空间变换 白光 红 绿 58％ 黄滤光片 紫 蓝滤光片 透过率 69％ 两滤光片组合 40％ 白幕 相减混合 相减混合

116 6.3 图像增强和变换 （3）多波段图像处理 相加混合图示 3. 彩色空间变换 黄滤光片 白光 红 红 绿 合成 白光 蓝滤光片 绿 紫 幕
3. 彩色空间变换 黄滤光片 相加混合图示 白光 红 红 绿 合成 白光 蓝滤光片 绿 紫 幕 紫 白光 当分别通过两组光混合时

117 TM432合成

118

119 TM5,4,3 TM7,4,1 TM5,7,2 TM4,3,2

120 6.3 图像增强和变换 （3）多波段图像处理 RGB与HLS的变换 3. 彩色空间变换
3. 彩色空间变换 RGB与HLS的变换 LR,LG,LB分别为红,绿,蓝三色亮度max, min为LR,LG,LB中的最大值和最小值。 则a、明度计算 L＝（Lmax＋Lmin）/2 当Lmax＝Lmin时 LR＝LG＝LB 即为灰色，那么S＝0，H无意义 b、饱和度计算 当L≤0.5时 S＝(Smax－Smin)/ (Smax＋Smin) 当L＞0.5时 S＝(Smax－Smin)/[(1－Smax)＋(1－Smin)] c、色调计算 ΔH＝Hmax－Hmin 当HR=HRmax时 H=60[(HG-HB)/ΔH ] 色调位于黄与品红之间 当HG＝HGmax时 H＝60[2＋(HB－HR)/ΔH ] 青与黄 当HB＝HBmax时 H＝60[4＋(HR－HG)/ΔH ] 品红与青

121 HLS RGB RGB

122 6.4 遥感数据的融合 ①提高图像空间分辨率，改善图像几何精度，增强特征显示能力，改善分类精度，提供变化检测能力，替代或修补图像数据的缺陷等。 ②发挥不同遥感数据源的优势，弥补某一种遥感数据的不足，提高遥感数据的可应用性。 ③在仅用遥感图像难以解决问题的时候，加入非遥感数据进行补充，使更综合、更深入的分析得以进行，为进一步应用地理信息系统技术打下基础。

123 6.4 遥感数据的融合 （1）空域融合 高通滤波器必须用在高分辨率图像以实现空域融合。这些滤波器不是任意的，因为它们定义两幅图像之间的辐射规定化。 本质上，使用低分辨率和高分辨率图像之间的净相关 PSF 维持从原始图像到融合图像的定位辐射率。净 PSF 由3部分组成： （1）GIFOV 差值； （2）剩余传感器 PSF 差值； （3）用于图像配准的重采样函数。

124 图6.6(a) 使用PCT的图像融合和第一次主成分变换
6.4 遥感数据的融合 （2）频域融合 把一幅多光谱图像转换到一个新的空间，在这个空间里，一幅图像表示其相关的成分。例如，主成分空间中第一主成分和彩色空间中的亮度。以主成分分析（PCI）在图像数据融合中的应用为例，见图6.6(a) 图6.6(a) 使用PCT的图像融合和第一次主成分变换

125 6.4 遥感数据的融合 （2）频域融合 PCA 常用两种方法： （1）用一幅高分辨率图像来替代多波段图像的第一主成分PC1 ；
PCA 可被用在任何数量的波段中，但彩色空间变换只是能被应用在三波段图像中，见图6.6(b)。

126 图6.6(b) 使用彩色空间变换（CST）的图像融合
6.4 遥感数据的融合 （2）频域融合 图6.6(b) 使用彩色空间变换（CST）的图像融合

127 6.4 遥感数据的融合 （3）空间尺度融合 多分辨率图像的融合似乎是空间尺度概念的自然应用。小波变换现已被用在融合 SPOT 多光谱影像和全色影像，以及 Landsat TM 影像和 SPOT-P全色影像中。 采用离散正交小波变换模型对两幅图像进行数据融合，基本步骤为： （1）对配准后的 TM 和 SPOT-P 图像分别进行小波正变换，获得各自 的低频图像和细节/纹理图像； （2）用 TM 的低频图像替代 SPOT-P 的低频图像； （3）用替换后的 TM 低频图像与 SPOT-P 的细节图像进行小波逆变换 得到融合结果图像。 返回

128 多源信息融合 多源信息融合：是将多遥感平台，多时相遥感数据之间以及遥感系数，数据与非遥感数据之间的信息组合匹配技术。
（也称融合，数据融合，像元级融合，特征级融合，决策级融合。）

129 （一）不同传感器的遥感数据的融合（以TM与spot复合为例）
步骤： 1 配准 用双线性内插或三次卷积内插法对小分辨率的图象进行重采样，完成配准。（统一分辨率）

130 步骤： 2融合 步骤： 2复合 （1）两幅相复合的图象像元灰度值进行加减乘除等运算，生成三幅新的黑白影象，再进行彩色合成。
（2）运算中乘以一个权函数A+调整复合效果 L(R复)=A×Lspot × LRTM/（LRTM+LGTM+LBTM) L(G复）=A × Lspot× LGTM/ （LRTM+LGTM+LBTM) L(B复)=A × Lspot × LBTM/ （LRTM+LGTM+LBTM) LRTM、LGTM、LBTM分别为通过三个通道的波段 LR复 LG复LB复，复合后的图象分别通过R，G，B，三通道。

131 步骤： （3）代换法 a、1.对TM 的所有波段进行主成分变换 2.以spot全色波段数据代换第一主成分（上述变换后）
3.将代换后的所有波段做一次主成分变换的反变换 b 、HLS代换 1.把加彩色合成三个波段进行HLS变换即RGB-HLS 2.以spot的高分辨全色波段代换明度 3.把代换后的图象再做一次HLS-RGB的变换 在实际应用常做的是, 航片与卫片的复合、TM8与其他TM影象的复合、不同卫片的复合

132 TM影像 Spots影像 融合后影像

133 不同时相的遥感数据复合 不同时相的复合是了解观测地物的类型，位置，轮廓及动态变化。 步骤：1 配准
直方图调整 将要做复合处理的图像的灰度直方图尽可能的调整成一致，趋于协调

134 步骤2复合 （1）彩色合成方法：通过颜色对比表现变化。
（2）差值法：差值计算后定适应的阈值，转化为二值图象进行二值图象转化以突出变化部分 （3）与差值法相累似，没有变化地方比值为1，同样可以设定阈值利用二值图像突出变化。

135 遥感与非遥感信息的复合 非遥感数据包括： 地形，气象，水文，化探，物探，地质勘探，行政区划，人口，经济收入，地方病区域统计。

136 步骤 1 1、地理数据的网格化 （1）地理数据的生成即 统计值，测量值等生成像元格网的值（如同图象白灰度值） 要求：生成的网格化地理数据图分辨率尽量和与其配准的遥感数据相一致 （2）与遥感数据配准 2、最优遥感数据的选择如spot全色波段 K-L变换后的TM前两个波段

137 步骤 3、配准复合 （1）栅栅复合： a.非遥感数据与遥感数据分别通过RGB三通道进行假彩色合成；
（2）栅矢复合 如边界线，等高线，等温线，等降雨量线等 作业p132 第

138 ETM图像与1﹕10万地形图的复合

139 6.5 遥感图像数字处理应用上的发展和展望 遥感图像数字处理在分类上的应用大大提高了土地利用类型制图的效率，为大面积土地覆盖和土地利用专题制图的制作提供了可能。 高光谱数据在近年来的迅速发展，高光谱数据的数字处理应用越来越多，称为数字处理的主要内容之一。 遥感图像的数字处理为我们提供了理解地物信息的另一种方式，在遥感应用的各个领域，都会或多或少地用到遥感图像的数字处理技术。

140 Thank You !