1. Método del histograma
Para cada imagen se puede realizar su histograma en escala de grises. La calidad de la imagen se puede inferir de forma aproximada en función de la forma del histograma. Dado que la imagen contiene una gran cantidad de píxeles, la distribución del valor de gris de los píxeles debe ajustarse a la ley de probabilidad y distribución estadística. Suponiendo que el valor de gris del 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 la relación entre el número de píxeles en cada nivel de gris y el número total de píxeles se utiliza como ordenada para dibujar un histograma de la imagen, y los puntos más altos de las barras en el histograma se conectan para formar un contorno exterior, el La proporción de ordenadas es Es la densidad de probabilidad de que ocurra un cierto nivel de gris, y la línea de contorno puede considerarse aproximadamente como la curva de distribución de probabilidad de la función continua correspondiente de la imagen. En términos generales, si la línea de 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. Dichas imágenes generalmente tienen un contraste moderado; la posición está sesgada hacia un valor de gris grande. En un lado, la imagen es más brillante si la posición del pico está en el lado con un valor de gris más pequeño, la imagen es más oscura si el cambio de pico es demasiado pronunciado o demasiado estrecho, significa que el valor de gris es más pequeño. 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 la calidad de la imagen se puede mejorar cambiando intencionalmente la forma del histograma.
2. Método de vecindad
Para cualquier píxel (i, j) en la imagen, establezca el conjunto de píxeles {i p, j p} (j, p toma cualquier número entero). todos se denominan vecindad del píxel. Las vecindades de uso común son las que se muestran en la figura, que representan respectivamente la vecindad 4 y la vecindad 8 del píxel central.
En el proceso de procesamiento de imágenes, el valor procesado g(i,j) de un determinado píxel está determinado por la pequeña vecindad N(i,j) del píxel f(i,i) antes del procesamiento. Se determina el valor del píxel y este procesamiento se denomina procesamiento local o procesamiento de vecindad. En el procesamiento general de imágenes, se pueden diseñar diferentes funciones de análisis de vecindad en función de las diferencias en los 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. Seleccione 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. La operación de convolución de la imagen se implementa mediante plantillas. El método de operación de la plantilla es como se muestra en la figura. Seleccione la plantilla de operación φ (m, n), cuyo tamaño es M × N. Comenzando desde la esquina superior izquierda de la imagen, abra una ventana activa f (m, n) con. del mismo tamaño que la plantilla en la imagen), de modo que los valores de escala de grises de la ventana de la imagen y el píxel de la plantilla se multiplican y luego se suman. El resultado del cálculo g(m,n) se utiliza como el nuevo valor de gris del píxel central de la ventana. La fórmula para la operación de la plantilla es la siguiente (si la suma de las plantillas es 0, divida por 1):
4. Método de mejora del dominio de frecuencia
En la imagen, el valor de gris del píxel cambia con La frecuencia de los cambios de posición se puede expresar mediante frecuencia, que es una frecuencia espacial que cambia con la posición. Características como bordes, líneas, ruido, etc., como los límites de ríos y lagos, carreteras, cruces con grandes diferencias en la cobertura de la superficie, etc., tienen frecuencias espaciales altas, es decir, la frecuencia de los cambios de valores de gris dentro de un la distancia corta de píxeles es grande; las características distribuidas uniformemente o estructuras estables de áreas grandes, como llanuras con tipos de vegetación consistentes, grandes áreas de desiertos, superficies marinas, etc., tienen frecuencias espaciales bajas, es decir, el valor de gris cambia gradualmente a lo largo de un 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. Algoritmo de operación de imágenes
Para imágenes multiespectrales de teledetección y dos o más imágenes de teledetección de banda única que han sido registradas espacialmente, se pueden realizar una serie de operaciones algebraicas para lograr Algún tipo de propósito mejorado. 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 sobre el proceso de clasificación y solo siguen las reglas de distribución de las características espectrales de los objetos de imágenes de detección remota. . Categorizar de forma natural.
El resultado de la clasificación solo distingue diferentes categorías y no puede determinar los atributos de la categoría. Los atributos de la categoría se determinan después de analizar las curvas espectrales de varios tipos y compararlas con estudios de campo.
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 interna y pertenecientes a la misma región del espacio 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 una imagen compleja, el área de entrenamiento a veces no puede incluir los patrones espectrales de todos los objetos terrestres, lo que resulta en que algunos píxeles no puedan pertenecer a ellos. En el trabajo real, no es fácil determinar las categorías y áreas de entrenamiento para la clasificación supervisada. Por lo tanto, al comenzar a analizar imágenes, es valioso utilizar métodos de clasificación no supervisados para estudiar la estructura original de los datos y la distribución de los grupos de puntos naturales. . de.
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 en diferentes categorías lo más grande posible. Al realizar un análisis de conglomerados, primero se deben determinar los parámetros de la categoría de referencia. Sin embargo, no existe un conocimiento previo de la categoría de referencia disponible en la clasificación no supervisada, por lo que solo podemos asumir los parámetros iniciales y formar grupos mediante el procesamiento de clasificación previa. Luego, los parámetros prefabricados se ajustan mediante los parámetros estadísticos del grupo, y luego se agrupan y ajustan nuevamente. Esta iteración continúa hasta que los parámetros relevantes alcanzan el rango permitido.
7. Método de clasificación supervisada
A diferencia de la clasificación no supervisada, la característica más básica de la clasificación supervisada es que las personas clasifican los tipos de características de la imagen en ciertas áreas de muestreo en imágenes de detección remota antes de la clasificación. Los atributos ya tienen conocimiento previo, es decir, primero debemos seleccionar muestras de todo tipo de características a distinguir de la imagen para entrenar el clasificador (establecer una función discriminante). El conocimiento previo aquí puede provenir de excursiones en el campo, o también puede referirse a otros materiales de texto o imágenes relacionados, o directamente de la propia experiencia del procesador de imágenes. En el área de entrenamiento, se determinan específicamente los valores grises de cada banda de varios tipos de objetos terrestres, de modo que se puedan determinar los parámetros característicos y establecer la función discriminante. La clasificación supervisada generalmente selecciona un área representativa de la imagen como área de entrenamiento, obtiene 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. función discriminante.
8. Método de segmentación de imágenes
Es una de las tecnologías clave en el procesamiento de imágenes digitales. La segmentación de imágenes consiste en extraer características significativas de la imagen. Las características significativas incluyen bordes, áreas, etc. en la imagen. Esta 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 sea universalmente aplicable a diversas imágenes. Por tanto, es necesario profundizar más la investigación sobre la segmentación de imágenes.