《遥感原理课程实习算法论文资料》由会员分享，可在线阅读，更多相关《遥感原理课程实习算法论文资料（39页珍藏版）》请在金锄头文库上搜索。
1、遥感原理与应用课程设计“遥感影像处理算法设计”实习报告学院：遥感信息工程学院专业：遥感科学与技术班级：学号：姓名：指导老师： 日期：2015年6月 30 日浅谈遥感图像的图像增强处理与K均值算法摘 要：本文主要是对针对遥感图像的增强处理，如平滑、锐化处理、边缘提取等以及非监督分类中的K均值聚类方法进行探讨，主要从原理、实现与过程、实验结果与分析以及讨论与总结几个部分出发，展开了对处理的相关描述。关键词：遥感图像、图像增强、平滑、锐化、边缘提取、K均值分类1 原理介绍1.1 GDAL本次实习是在GDAL数据转换库的辅助下，在VC环境下对各类遥感图像进行的图像处理。 GDAL是一种开源栅格空间数据
2、转换库，提供对多种栅格数据的支持，并利用抽象数据模型来表达所支持的各种文件格式，此外，该库还包括了对矢量数据操作的功能，功能十分强大。而此次实习所采用的图像是多光谱遥感影像，具有多个波段，不同波段的灰度图像叠加即形成多光谱影像，利用GDAL来进行实现也更为简便。1.2 图像增强增强处理，即增强图像中的有用信息，它可以是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的
3、需要，在本次实习中，主要完成了平滑、锐化、边缘提取等基本处理。 由于成像系统、传输介质和记录设备等的不完善，数字图像在其形成、传输记录过程中往往会受到多种噪声的污染，采用图像空间域平滑，可消除或减轻噪声的影响，在本次实习中主要采用了中值滤波、均值滤波、高斯平滑来进行空间域平滑。 中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。方法是用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。二维中值
4、滤波输出为g（x,y）=medf(x-k,y-l) , (k,lW) ，其中，f(x,y)，g(x,y)分别为原始图像和处理后图像。在本次实习中，共使用了3*3、5*5、7*7的滑动窗口； 均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度个g（x，y），即个g（x，y）=1/m f（x，y） m为该模板中包含当前像素在内的像素总个数，在本次实习中，主要采用了3*3、5*5、
5、7*7的窗口 ；图像的高斯平滑也是利用邻域平均的基本思想对图像进行平滑处理的一种方法，与一般的简单平滑不同的是，高斯平滑中，在对图像邻域进行平均时，不同位置的像素被赋予了不同的权值。图像锐化处理的目的是为了使图像的边缘、轮廓线以及图像的细节变的清晰，便于为以后的提取边缘以及跟踪提供前提，也更能突出人们所更感兴趣的地方。在本次实习中主要采用了梯度锐化的方法来进行。邻域平均法或加权平均法可以平滑图像，反过来利用对应的微分算法可以锐化图像，而梯度算法正是通过一阶微分实现的，对于一幅图像用f(x,y)表示，则定义在f(x,y)在点(x,y)处的梯度是一个矢量，定义为： 为简化梯度的运算，通常利用gra
6、d(x,y)=max(|f(x)|,|f(y)|)来进行计算。一般认为边缘是一定数量点亮度发生变化的地方，所以边缘检测的目的是标识数字图像中亮度变化明显的点，那么边缘检测大体上就是计算这个亮度变化的导数。有许多用于边缘检测的方法, 他们大致可分为两类：基于搜索和基于零交叉，即一阶导数与二阶导数。一阶导数主要是计算估计边缘的局部方向， 通常采用梯度的方向，并利用此方向找到局部梯度模的最大值。在本次实习中采用的就是一阶导数的方法，主要为Prewitt算子和Sobel算子。Prewitt算子其原理是在图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个检测水平边缘，一个检测垂直边缘
7、。对数字图像f(x，y)，Prewitt算子的定义如下：G(i)=|f(i-1,j-1)+f(i-1,j)+f(i-1，j+1)-f(i+1,j-1)+f(i+1，j)+f(i+1，j+1)|G(j)=|f(i-1,j+1)+f(i,j+1)+f(i+1，j+1)-f(i-1,j-1)+f(i,j-1)+f(i+1，j-1)|则 P(i,j)=maxG(i),G(j)或 P(i,j)=G(i)+G(j)。Sobel算子与Prewitt算子相似，也是两个方向模板，不同的是，Sobel算子对于象素的位置的影响做了加权，可以降低边缘模糊程度，因此效果更好。 1.3 K均值算法 K均值分类是一种非监督
8、分类，在遥感图像的地物划分与辨别中是十分重要的。该算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。其具体过程可简述为：1）从N个文档随机选取K个文档作为质心；2）对剩余的每个文档测量其到每个质心的距离，并把它归到最近的质心的类；3）重新计算已经得到的各个类的质心；4）迭代23步直至新的质心与原质心相等或小于指定阈值，算法结束。2 实现方法与过程在本次实习中，我的彩色图像和灰度图像的处理是分开的，其中彩色图像使用的是gdal。下面将二种分开来介绍。2.1彩色图像K
9、均值聚类2.2 彩色图像均值滤波2.3彩色图像中值滤波2.4彩色图像高斯平滑2.5彩色图像Sobel算子边缘检测2.6灰度图像3*3均值滤波2.7灰度图像5*5均值滤波2.8灰度图像7*7均值滤波2.9灰度图像3*3中值滤波2.10灰度图像5*5中值滤波2.11灰度图像高斯平滑2.12灰度图像梯度锐化2.13灰度图像Sobel算子边缘检测2.14灰度图像Prewitt算子边缘检测2.15彩色图像平移2.16彩色图像旋转3 实验结果与分析 3.1彩色图像K均值聚类根据原图可选择将图像分为四类，原图与分类图如下图所示，分类后的图像明显被分为4大类。但是由图像也可以看出，虽然大致分类较好，但是在河流
10、附近的居民区与河流的颜色较为相似，所以分类结果与实际情况发生了出入。3.2彩色图像均值滤波、中值滤波、高斯平滑彩色图像中均值滤波和中值滤波都仅采用3*3滤波，由下图可以明显看出，经中值滤波和均值滤波以及高斯平滑处理后的彩色图像明显变的模糊，噪声减少。此外，均值滤波变模糊的现象明显要多于中值滤波，所以可以认为在该图中中值滤波效果要高于均值滤波；同时，高斯平滑与均值滤波效果十分相似。（图1,2,3,4分别为原图、均值滤波、中值滤波、高斯）3.3 彩色图像平移点开平移选项之后，先跳出对话框选择打开的文件（如图1），读入文件信息之后，再跳出对话框（如图2），来选择水平和垂直方向上平移的像素个数，确定之
11、后，显示平移后的图像。其中黑色区域显示为移动的区域。3.4灰度图像梯度锐化如图所示，梯度锐化后，边界更为突出，但是牺牲了其他的图像信息，效果并不是很好。3.5 灰度图像边缘检测如下图，分别为prewitt算子（上）与sobel算子（下）分别与原图的对比图。由图像可以明显的对比出，经过prewitt算子（上）与sobel算子（下）处理之后，虽然灰度范围有所损失，但是边缘确实突显的更为明显，地物的界线与纹路也更为突显，更有利于我们的区分与提取。3.6灰度图像的均值处理如下图所示，分别为原图（左上）、3*3均值滤波（右上）、5*5均值滤波（左下）以及7*7均值滤波（右下）。可以看出，经过均值滤波处理
12、的三幅图相对于原图来说，明显变的模糊，噪声减少，且随着滑动窗口的变大，从3*3到7*7，模糊程度也逐步加深。3.7灰度图像中值滤波以下三幅图分别为原图（左上）、3*3中值滤波（右上）以及5*5中值滤波（左下），由图像可以看出，二三图相对于原图来说明显变得模糊，且5*5中值滤波相较于3*3中值滤波明显更为模糊，所以可认为随着滑动窗口的变大，处理更为深入，模糊越发严重。4 讨论和总结遥感，作为现在快速发展与广泛研究的学科与技术，其使用与适用越来越广泛，所以对于遥感图像的处理也紧跟越发重要。不论是预处理还是地物分类都需要我们不断地掌握。所以，在本次实习中我可谓收获良多，虽然原来的数字图像处理实习也对
13、接触过相关知识，但是使用的是位图，针对图像类型较为单一，而此次致力于针对多种图像格式，更具有一般性；此外，此次是对遥感图像进行的处理，与我们的专业结合紧密，其重要性也不言而喻。刚开始两天都是在安装和熟悉gdal，这着实花费了我不少好时间，因为此前完全没有接触，在网上查阅的资料有很多都不能理解，所以在一开始写代码的时候基本上就是在不断地试探，而在这不断试探和自学的过程中，我也慢慢掌握了gdal内定义函数和变量的使用，开始慢慢走上正途。除此之外，此次实习也加强了我程序调试的能力，在原来的上机实习中，如果有代码出错的问题就会直接找老师解决，而在此次实习中老师们有意锻炼我们，让我们自行调试找出错误，锻
14、炼了我们发现问题、分析问题的能力；除了这些编程能力上的提升之外，通过对遥感影像的处理，我也加深了对遥感原理这门课程的学习，对课中的知识有了更深的理解，并且能够与以前所学的数字图像处理、模式识别等多门学科更好的联系在一起，将遥感相关知识融汇，提升一个更高的层次。希望老师能够在以后的实习中能够将gdal或openCV的基本单元讲述的再详细一点，不然我们可能会不是很清楚，从而导致进度的推缓。总体来说，我在这次实习中学到了很多，也提升了自己的技能与专业素质，希望以后还能多参与这种较为实用的实习。参考文献 1 魏飞明.基于对象信息的遥感影像分类研究.成都：电子科技大学，2008.2包建，厉小润 ，K均值算法实现遥感图像的非监督分类，机电工程，2008,25（3）3 贾永红，数字图像处理（第二版）4孙家炳，遥感原理与应用（第三版）
