En la actualidad, casi todas las imágenes de teledetección no aprovechan al máximo todo el rango sensible del sensor remoto. El valor de gris de varios objetos terrestres a menudo se limita a un rango de gris relativamente estrecho, lo que hace que la imagen. Mirada No clara, clara, muchas características y detalles se oscurecen entre sí, lo que dificulta su identificación. Mediante el estiramiento de la escala de grises, se puede ampliar el rango dinámico de los valores de la escala de grises de la imagen y aumentar el contraste de la escala de grises entre los píxeles de la imagen, lo que ayuda a mejorar la interpretabilidad de la imagen. Los métodos de estiramiento en escala de grises incluyen estiramiento lineal, estiramiento lineal segmentado y estiramiento no lineal (también llamado estiramiento especial).
1. Estiramiento lineal
El estiramiento lineal es el algoritmo de estiramiento más simple. Supongamos que el rango dinámico del valor de gris de la imagen original es [A1, A2] y el rango dinámico del valor de gris que se va a expandir es [B, B2], entonces debe existir: B2> A2; Figura 5-11).
Figura 5-11 Diagrama esquemático de estiramiento lineal
La escala de grises de píxeles expandida es g(x, y), y la escala de grises de píxeles de la imagen original es f(x, y) , Luego:
Identificación y extracción de información de alteración de objetivos de detección remota hiperespectrales en Asia Central
Cuando el rango dinámico en escala de grises se selecciona como [0, 255], la fórmula anterior se puede simplificado como:
Identificación y extracción de información de alteración de objetivos de detección remota hiperespectrales en Asia Central
Si y representa g(x, y) y x representa f(x, y), entonces la fórmula anterior se puede simplificar aún más como
donde xey son los valores de escala de grises de los píxeles antes y después de la mejora del contraste respectivamente, a y b se denominan constantes de estiramiento lineal.
En la fórmula anterior, a1 y a2 son el valor de gris mínimo y máximo de la imagen original, y b1 y b2 son el valor de gris mínimo y máximo.
2. Estiramiento lineal por partes
Al realizar el estiramiento en escala de grises en imágenes de detección remota, a menudo se encuentra que solo es necesario expandir las áreas de escala de grises baja (áreas oscuras). áreas (áreas brillantes) o, por el contrario, solo es necesario expandir áreas de escala de grises alta o áreas de escala de grises específicas. En este momento, el valor de gris de la imagen debe dividirse en varios segmentos dentro de todo el rango dinámico, y luego debe realizarse una expansión lineal en diversos grados según los segmentos, es decir, la función lineal anterior debe ser. se conectará a una función de polilínea para la transformación en escala de grises, como se muestra en la Figura 5-12. l es la variable de valor de gris de la imagen original, L2 es la variable de valor de gris de la imagen transformada, donde a1, a2, a3 son los puntos de interrupción de segmentación seleccionados respectivamente, y la pendiente entre los puntos de interrupción controla el valor de gris de segmentación. La primera parte es un área comprimida de bajo valor, la segunda parte es un área expandida de alto valor y la tercera parte es un área de alto valor ligeramente comprimida. K1, k2 y k3 son las pendientes de tres secciones respectivamente. Elegir puntos de interrupción y pendientes adecuados puede reducir o amplificar el contraste en escala de grises de los objetos en áreas específicas.
Figura 5-12 Diagrama esquemático del estiramiento lineal segmentado
3. Estiramiento no lineal o estiramiento especial
El estiramiento lineal o lineal segmentado anterior se basa en Igualmente proporcional transforma valores de píxeles en escala de grises dentro de un rango dinámico específico. Con la profundización de la aplicación y la práctica de procesamiento de imágenes de teledetección, se descubre que el valor de gris de píxel de la imagen original se expande de acuerdo con la relación funcional no lineal, es decir, se realiza una transformación de peso desigual en el rango dinámico de todo el valor de gris, como áreas oscuras y áreas brillantes. Ampliar en diferentes proporciones a menudo produce mejores mejoras, dando a las imágenes un contraste más vívido y satisfactorio. Las diferencias de imagen de muchos objetos terrestres diferentes son más obvias, e incluso algunas diferencias de imagen causadas por diferencias espectrales muy sutiles pueden mejorarse y hacerse obvias mediante un estiramiento no lineal apropiado. Existen muchos métodos para lograr un estiramiento no lineal, como transformación logarítmica, transformación exponencial, tabla de consulta, ajuste de histograma, etc.
(1) Transformación logarítmica
A menudo se utiliza para expandir el contraste de áreas con poca luz (áreas oscuras) y comprimir el contraste de áreas con mucha luz para aumentar el nivel de imágenes de áreas oscuras y mejorar la claridad, resaltando así algunas características ocultas en la imagen del área oscura (consulte la Figura 5-13a). Por ejemplo, para entidades en áreas húmedas o áreas de sombra de montañas, la transformación logarítmica a menudo puede lograr mejores efectos de mejora. La fórmula para la transformación logarítmica es:
g(x, y)=b lg[af(x, y)+ 1] + c (5-29)
Donde g( x) y f (x, y) representan respectivamente el valor de gris del píxel (a, b) después de la expansión y antes de la expansión.
Para parámetros ajustables, controle la tasa de cambio, el punto de inicio y la intersección de la curva de transformación para aumentar la flexibilidad de la transformación y la selectividad del rango dinámico.
(2) Transformación exponencial
Si los objetos terrestres a estudiar e interpretar se distribuyen principalmente en áreas brillantes, o los propios objetos terrestres son brillantes, entonces la transformación logarítmica no es válida y se debe utilizar la transformación exponencial Transform. El efecto de mejora de la transformación exponencial es justo opuesto al de la transformación logarítmica (consulte la Figura 5-13b). Puede resaltar la diferencia en las áreas brillantes y suprimir las áreas oscuras. Las dos son operaciones inversas. La fórmula de transformación exponencial es:
g(x, y)=b exp[a f(x, y)]+c(5-30)
Figura 5-13 No linealidad Curva de transformación de estiramiento
Si los objetos terrestres se distribuyen en áreas oscuras y claras, o los objetos terrestres en sí son brillantes y oscuros, entonces se deben usar transformaciones logarítmicas y exponenciales en combinación para resaltar el rango de distribución extenso. características.
(3) Método de tabla de búsqueda
Este método es un método relativamente simple y aproximado en transformación no lineal. Domina la mejor relación entre el valor de gris de píxel antes de la transformación (valor de entrada) y después de la transformación (valor de salida) a través de experimentos, y la enumera como una tabla de relaciones de transformación. Entonces, cuando se conoce un valor de entrada, el valor de salida correspondiente se puede obtener consultando la tabla. Utilizando esta relación ampliada, se puede igualar mejor la relación señal-ruido de cada segmento espectral de datos de teledetección multiespectrales.
(4) Ajuste de histograma
El llamado ajuste de histograma tiene dos métodos de procesamiento. Una es ecualizar una imagen con una distribución de densidad de probabilidad en escala de grises conocida para producir una imagen con un histograma aproximadamente uniforme, de modo que la parte de distribución densa en escala de grises del histograma original se estire y la parte escasa se comprima. En general, esto mejora el contraste de la imagen. Sin embargo, en aplicaciones de teledetección, a menudo se requieren imágenes con histogramas específicos para expandir ciertos niveles de gris y recibir efectos de mejora especiales. Esto propone otra idea de procesamiento, a saber, el método de histograma designado, también conocido como procesamiento de especificación de histograma. Sin embargo, ambos métodos de procesamiento necesitan transformar la distribución de frecuencia del valor de gris de la imagen original (denotado como histograma PA) en el histograma PB requerido a través de una función de transformación T(r), y en base al nuevo histograma PB. Se puede decir que cambiar el valor de la escala de grises de cada píxel de la imagen original es una transformación no lineal de la escala de grises, pero es más conveniente coordinar y ajustar la relación general de la escala de grises de la imagen. Como se muestra en la Figura 5-14, a medida que cambia la pendiente de la función de transformación T(r), el histograma PA y la amplitud de la variable ra se modifican de modo que δra PA =δRb Pb. Entonces, cuando la pendiente dT/dr de la función de transformación T(r) es menor, cuanto menor es δ Rb y mayor es la amplitud de PB, por el contrario, cuanto mayor es la pendiente dT/dr, mayor es el δ convertido; Rb es y menor es la amplitud de PB. Cuando PA es un histograma discreto, cuanto menor es la pendiente de T (r), más series rA correspondientes a cada δ Rb, es decir, cuantas más series combinadas, mayor será la amplitud de PB. Por otro lado, cuando la pendiente de T(r) aumenta, cuantas menos series rA correspondientes a δ Rb, menor será el número de series fusionadas y la amplitud de PB aumenta menos o incluso sin cambios. Por lo tanto, la transformación del histograma discreto es en realidad controlar la combinación de rA a través de la función de transformación T (r) para lograr el propósito de cambiar la amplitud de PA. Se puede ver en la Figura 5-14:
Identificación y extracción de información de alteración de objetivos de detección remota hiperespectrales en Asia Central
T-1(...) representa la transformación inversa función de la función de transformación t (...), entonces
Identificación y extracción de información de alteración de objetivos de detección remota hiperespectrales en Asia Central
La fórmula anterior muestra que la clave del histograma El ajuste es para obtener la función de transformación T(rA) o T-1(rB). Pero construir una función así no es fácil. En la práctica, a menudo se adopta un método aproximado y simple, es decir, utilizar el histograma equilibrado como forma de transición entre el histograma original y el histograma especificado para coordinar la relación entre ellos. Dado que la ecualización del histograma es una forma de normalización, el mapeo de variables es fácil de implementar. Finalmente, el histograma original PA (rA) se puede ajustar de acuerdo con los resultados del mapeo para obtener el nuevo histograma especificado PB (rB).