1.直方图法
对于每幅图像都可作出其灰度直方图。根据直方图的形态可大致推断图像的质量。由于图像包含有大量的像元，其像元灰度值的分布应符合概率统计分布规律。假定像元的灰度值是随机分布的，那么其直方图应该是正态分布。图像的灰度值是离散变量，因此直方图表示的是离散的概率分布。若以各灰度级的像元数占总像元数的比例值为纵坐标作出图像的直方图，将直方图中各条形的最高点连成一条外轮廓线，纵坐标的比例值即为某灰度级出现的概率密度，轮廓线可近似看成图像相应的连续函数的概率分布曲线。一般来说，如果图像的直方图轮廓线越接近正态分布，则说明图像的亮度接近随机分布，适合用统计方法处理，这样的图像一般反差适中；如果直方图峰值位置偏向灰度值大的一边，则图像偏亮；如果峰值位置偏向灰度值小的一边，则图像偏暗；峰值变化过陡、过窄，则说明图像的灰度值过于集中，后3种情况均存在反差小、质量差的问题。直方图分析是图像分析的基本方法，通过有目的地改变直方图形态可改善图像的质量。
2.邻域法
对于图像中任一像元（i，j），把像元的集合{i+p，j+p}（j，p取任意整数）均称为像元的邻域，常用的邻域如图所示，分别表示中心像元的4-邻域和8-邻域。
像元的邻域
在图像处理过程中，某一像元处理后的值g（i，j）由处理前该像元f（i，i）的小邻域N（i，j）中的像元值确定，这种处理称为局部处理，或称为邻域处理。一般图像处理中，可根据计算目的差异，设计不同的邻域分析函数。
3.卷积法
卷积运算是在空间域内对图像进行邻域检测的运算。选定一个卷积函数，又称为“模板”，实际上是一个M×N的小图像，例如3×3、5×7、7×7等。图像的卷积运算是运用模板来实现的。模板运算方法如图所示，选定运算模板φ（m，n），其大小为M×N，从图像的左上角开始，在图像上开一个与模板同样大小的活动窗口f（m，n），使图像窗口与模板像元的灰度值对应相乘再相加。计算结果g（m，n）作为窗口中心像元新的灰度值。模板运算的公式如下（若模板的和为0，则除以1）：
卷积运算
4.频率域增强法
在图像中，像元的灰度值随位置变化的频繁程度可用频率予以表示，这是一种随位置变化的空间频率。对于边缘、线条、噪声等特征，如河流、湖泊的边界，道路，差异较大的地表覆盖交界处等具有高的空间频率，即在较短的像元距离内灰度值变化的频率大；而均匀分布的地物或大面积的稳定结构，如植被类型一致的平原，大面积的沙漠、海面等具有低的空间频率，即在较长的像元距离内灰度值逐渐变化。例如，在频率域增强技术中，平滑主要是保留图像的低频部分抑制高频部分，锐化则是保留图像的高频部分而削弱低频部分。
5.图像运算法
对于遥感多光谱图像和经过空间配准的两幅或多幅单波段遥感图像，可进行一系列的代数运算，以达到某种增强的目的。这与传统的空间叠置分析类似，具体运算包括加法运算、差值运算、比值运算、复合指数运算等。
6.非监督分类法
是指人们事先对分类过程不做任何的先验知识，仅根据遥感影像地物的光谱特征的分布规律，随其自然地进行分类。其分类的结果，只是对不同类别进行区分，并不能确定类别属性，其类别属性是事后对各类的光谱曲线进行分析，以及与实地调查相比较后确定的。
遥感图像上的同类地物在相同的表面结构特征、植被覆盖、光照等条件下，一般具有相同或相近的光谱特征，从而表现出某种内在的相似性，归属于同一个光谱空间区域；不同的地物，光谱信息特征不同，归属于不同的光谱空间区域。这就是非监督分类的理论基础。由于在一幅复杂的图像中，训练区有时不能包括所有地物的光谱样式，这就造成了一部分像元找不到归属。在实际工作中为了进行监督分类而确定类别和训练区的选取也是不易的，因而在开始分析图像时，用非监督分类方法来研究数据的本来结构及其自然点群的分布情况是很有价值的。
非监督分类主要采用聚类分析的方法，以此使得属于同一类别的像元之间的距离尽可能小而不同类别上像元间的距离尽可能地大。在进行聚类分析时，首先要确定基准类别的参量。然而非监督分类中并无基准类别的先验知识可利用，因而只能先假定初始的参量，并通过预分类处理来形成集群。再由集群的统计参数来调整预制的参量，接着再聚类、再调整。如此不断地迭代，直到有关参数达到允许的范围为止。
7.监督分类法
与非监督分类不同，监督分类的最基本特点是在分类前人们对遥感图像上某些抽样区中影像地物的类别属性已有了先验知识，即先要从图像中选取所有要区分的各类地物的样本，用于训练分类器（建立判别函数）。这里的先验知识可来自于野外的实地考察，也可参照相关的其他的文字资料或图件或者直接是图像处理者本人的经验等。训练区中，具体确定各类地物各波段的灰度值，从而可确定特征参数，建立判别函数。监督分类一般是在图像中选取具有代表性的区域作为训练区，由训练区得到各个类别的统计数据，然后根据这些统计数据对整个图像进行分类，其既可采用概率判别函数，也可采用距离判别函数。
8.图像分割法
它是数字图像处理中的关键技术之一。图像分割是将图像中有意义的特征部分提取出来，其有意义的特征有图像中的边缘、区域等，这是进一步进行图像识别、分析和理解的基础。虽然目前已研究出不少边缘提取、区域分割的方法，但还没有一种普遍适用于各种图像的有效方法。因此，对图像分割的研究有待不断深入。
网友评论