Métodos de procesamiento de imágenes digitales por teledetección

Para cada imagen se puede realizar su histograma en escala de grises. Según la morfología del histograma, se puede inferir de forma aproximada la calidad de la imagen. Dado que la imagen contiene una gran cantidad de píxeles, la distribución de los valores de gris de los píxeles debe ajustarse a las leyes de la probabilidad y la estadística. Suponiendo que el valor de gris de un píxel se distribuye aleatoriamente, su histograma debería tener una distribución normal. El valor de gris de una imagen es una variable discreta, por lo que el histograma representa una distribución de probabilidad discreta. Si el histograma de una imagen se hace con la relación entre el número de píxeles en cada nivel de gris y el número total de píxeles como ordenada, y los puntos más altos de cada línea en el histograma se conectan para formar un contorno exterior, la relación de la ordenada es La densidad de probabilidad y las líneas de contorno de un cierto nivel de gris pueden considerarse aproximadamente como la curva de distribución de probabilidad de la función continua correspondiente a la imagen. En términos generales, si el contorno del histograma de una imagen está más cerca de una distribución normal, significa que el brillo de la imagen está cerca de una distribución aleatoria y es adecuada para el procesamiento estadístico. Dicha imagen generalmente tiene un contraste moderado; del histograma está sesgado hacia un valor de gris grande. Por un lado, la imagen es más brillante si la posición del pico está sesgada hacia el lado con un valor de gris más pequeño, la imagen es más oscura si el cambio de pico es demasiado pronunciado y estrecho; significa que el valor de gris de la imagen está demasiado concentrado. En los últimos tres casos, hay poco contraste y un problema de mala calidad. El análisis de histograma es un método básico de análisis de imágenes y cambiar intencionalmente la forma del histograma puede mejorar la calidad de la imagen.

2. Método de vecindad

Para cualquier píxel (I, j) en la imagen, el conjunto de píxeles {i p, j p} (j, p es cualquier número entero) se llama The. Las vecindades comunes del píxel son como se muestran en la figura, que representan las vecindades 4 y 8 del píxel central respectivamente.

En el proceso de procesamiento de imágenes, el valor procesado g(i, j) de un píxel está determinado por los píxeles en la pequeña vecindad N(i, j) del píxel f(i, I) Antes del procesamiento, determinado por el valor, se llama procesamiento local o procesamiento de vecindario. En el procesamiento general de imágenes, se pueden diseñar diferentes funciones de análisis de vecindad de acuerdo con diferentes propósitos de cálculo.

3. Método de convolución

La operación de convolución es una operación que realiza la detección de vecindad en la imagen en el dominio espacial. Elija una función de convolución, también llamada "plantilla", que en realidad es una imagen pequeña de M × N, como 3 × 3, 5 × 7, 7 × 7, etc. Utilice plantillas para implementar operaciones de convolución en imágenes. El método de operación de la plantilla se muestra en la figura. Seleccione la plantilla de operación φ(m, N) con un tamaño de M×N y abra una ventana activa f(m, N) con el mismo tamaño que la plantilla comenzando desde la esquina superior izquierda de la imagen, para que la imagen La ventana corresponde al valor en escala de grises del píxel de la plantilla. Multiplica y suma. Utilice el resultado del cálculo g(m, n) como el nuevo valor de gris del píxel central de la ventana. La fórmula de la operación de la plantilla es la siguiente (si la suma de las plantillas es 0, divida por 1):

Método de mejora del dominio de frecuencia

En la imagen, el gris. El valor del píxel cambia con la posición. La frecuencia del cambio se puede expresar en términos de frecuencia, que es la frecuencia espacial que cambia con la ubicación. Para características como bordes, líneas y ruido, como límites de ríos y lagos, carreteras y límites con grandes diferencias en la cobertura de la superficie terrestre, tienen frecuencias espaciales más altas, es decir, la frecuencia de cambios en los valores de escala de grises dentro de un la distancia de píxeles más corta es mayor; mientras que las características distribuidas uniformes o estructuras estables de áreas grandes, como llanuras con tipos de vegetación consistentes, grandes áreas de desierto, superficie del mar, etc., tienen una frecuencia espacial baja, es decir, el valor de gris cambia gradualmente. una distancia de píxeles más larga. Por ejemplo, en la tecnología de mejora del dominio de la frecuencia, el suavizado retiene principalmente la parte de baja frecuencia de la imagen y suprime la parte de alta frecuencia, mientras que el enfoque retiene la parte de alta frecuencia de la imagen y debilita la parte de baja frecuencia.

5. Método de operación de la imagen

Para imágenes de detección remota multiespectrales registradas espacialmente y dos o más imágenes de detección remota de banda única, se pueden realizar una serie de operaciones algebraicas para lograr un cierto propósito de mejora. Esto es similar al análisis de superposición espacial tradicional. Las operaciones específicas incluyen operaciones de suma, operaciones de diferencia, operaciones de relación, operaciones exponenciales compuestas, etc.

6. Método de clasificación no supervisado

Significa que las personas no tienen ningún conocimiento previo del proceso de clasificación, sino que solo clasifican naturalmente los objetos terrestres según las reglas de distribución de características espectrales. de imágenes de teledetección. El resultado de su clasificación es sólo distinguir diferentes categorías, en lugar de determinar los atributos de la categoría. Después de analizar las curvas espectrales de varias clases y compararlas con estudios de campo, se determinaron las propiedades de las clases.

Las características similares en las imágenes de teledetección generalmente tienen características espectrales iguales o similares bajo las mismas características estructurales de la superficie, cobertura de vegetación, iluminación y otras condiciones, mostrando así alguna similitud inherente. Pertenecen a la misma región espacial espectral; Diferentes objetos terrestres tienen diferentes características de información espectral y pertenecen a diferentes regiones del espacio espectral. Ésta es la base teórica de la clasificación no supervisada. Porque en imágenes complejas, el área de entrenamiento a veces no puede contener los patrones espectrales de todos los objetos terrestres, lo que hace que algunos píxeles no puedan encontrar sus pertenencias. En el trabajo real, la selección de categorías y áreas de entrenamiento para la clasificación supervisada no es fácil de determinar, por lo que al analizar imágenes, es muy valioso utilizar métodos de clasificación no supervisados ​​para estudiar la estructura original de los datos y la distribución de los grupos de puntos naturales.

La clasificación no supervisada utiliza principalmente el método de análisis de conglomerados para hacer que la distancia entre píxeles que pertenecen a la misma categoría sea lo más pequeña posible y la distancia entre píxeles de diferentes categorías lo más grande posible. En el análisis de conglomerados, primero se deben determinar los parámetros de la categoría de referencia. En la clasificación no supervisada, no existe un conocimiento previo de la categoría de referencia y los parámetros iniciales solo pueden asumirse mediante el procesamiento de clasificación previa para formar grupos. Luego, los parámetros estadísticos de agrupación se utilizan para ajustar los parámetros preestablecidos y luego se realizan la agrupación y el ajuste. Itere así hasta que los parámetros relevantes alcancen el rango permitido.

7. Clasificación supervisada

A diferencia de la clasificación no supervisada, la característica más básica de la clasificación supervisada es que las personas tienen conocimiento de los atributos de clasificación de las características de la imagen en ciertas áreas de muestreo en imágenes de detección remota. Antes de la clasificación, conocimiento previo, es decir, primero seleccione todos los tipos de muestras de características que se distinguirán de la imagen para entrenar al clasificador (establecer una función discriminante). El conocimiento previo aquí puede provenir de estudios de campo, o puede hacer referencia a otros materiales de texto o mapas relevantes, o directamente de la experiencia del procesador de imágenes. En el área de entrenamiento, se determinan en detalle los valores de gris de varios tipos de objetos terrestres en cada banda para determinar los parámetros característicos y establecer una función discriminante. La clasificación supervisada generalmente selecciona un área representativa de la imagen como área de entrenamiento, obtiene los datos estadísticos de cada categoría del área de entrenamiento y luego clasifica la imagen completa en función de estos datos estadísticos. Puede utilizar una función discriminante de probabilidad o una distancia. Se puede utilizar la función discriminante.

8. Método de segmentación de imágenes

Es una de las tecnologías clave del procesamiento de imágenes digitales. La segmentación de imágenes consiste en extraer características significativas de una imagen. Sus características significativas incluyen bordes y áreas en la imagen, que es la base para un mayor reconocimiento, análisis y comprensión de la imagen. Aunque se han desarrollado muchos métodos de extracción de bordes y segmentación de regiones, no existe ningún método eficaz que pueda ser universalmente aplicable a todo tipo de imágenes. Por tanto, es necesario profundizar más la investigación sobre la segmentación de imágenes.