『壹』 實驗十六 多波段遙感圖像融合處理
一、實驗目的
了解多波段低空間解析度遙感影像數據與高空間解析度單波段遙感影像數據融合處理的目的和技術實現條件，直觀感受融合處理影像具有的「揚長避短」增強效果，掌握Transform功能的四種主要融合處理操作，加深對融合增強處理原理和作用的理解。
二、實驗內容
（1）用ENVI的Transform功能對甘肅省白銀市IKONOS高解析度遙感影像分別作：①HSV變換融合；②Brovey融合；③PCA融合；④Gram-Schmidt融合處理。
（2）對四種不同的融合圖像比較分析。
三、實驗要求
①根據實驗課時容許情況選擇融合處理方案數量，但HSV 變換融合必須完成；②如果進行了兩種以上融合，要求對不同融合方法結果進行比較分析；③如果只進行了一種融合，要求將融合圖像與RGB合成圖像進行比較分析。
四、技術條件
①微型計算機；②甘肅省白銀市IKONOS影像；③ENV I軟體；④Photoshop軟體（ver.6.0以上）和ACDSee軟體（ver.4.0以上）。
五、實驗步驟
遙感影像融合是指將多源遙感圖像按照一定的演算法，在規定的地理坐標系中生成新的圖像的過程。圖像通過融合既可以提高多光譜圖像空間解析度，又保留其多光譜特性。本次實驗選擇的四種融合演算法為：HSV變換、Brovey彩色變換、PCA融合、Gram -Schmidt變換。具體操作步驟如下：
在ENVI主菜單欄中選擇「File>Open Image File」，出現文件目錄窗口，將甘肅省白銀市IKONOS的4個多光譜波段和Pan波段數據調入「Available Bands List」窗口。
（1）HSV融合。
1）在ENVI主菜單欄中選擇「Transform >Image Shraepning>HSV」，如圖16-1所示出現「Select Input RGB」對話框，ENVI提供兩種波段選擇方法：從一幅打開的彩色圖像或者從可用波段列表中選擇3個波段進行變換，任選一種方法後點擊【OK】按鈕。
2）出現「High Resolution Input File」對話框時（圖16-2），選擇高空間解析度全色輸入波段，點擊【OK】按鈕到下一步。
3）當出現「HSV Sharpening Parameters」對話框時（圖16-3），從「Resampling」下拉菜單選擇重采樣方法。選擇輸出到「File」或「Memory」，點擊【OK】按鈕開始處理，結果將出現在可用波段列表中。
圖16-1 選擇輸入RGB對話框
圖16-2 高解析度輸入文件對話框
（2） Brovey融合（色彩標准化融合）。
1）在 ENVI主菜單欄中選擇「Transform > Image Sharpening > Color Normalized（Brovey）」，如圖16-1所示，出現「Select Input RGB」對話框，ENVI提供兩種波段選擇方法：從一幅打開的彩色圖像或者從可用波段列表中選擇3個波段進行變換。任選一種方法後點擊【OK】按鈕。
2）出現「High Resolution Input File」對話框時（圖16-2），選擇高空間解析度全色輸入波段，點擊【OK】按鈕到下一步。
3）當出現「Color Normalized Sharpening Parameters」對話框時（圖16-4），從「Resmaplnig」下拉菜單選擇重采樣方法。選擇輸出到「File」或「Memory」，點擊【OK】按鈕開始處理，結果將出現在可用波段列表中。
（3） PCA融合。
1）在ENV 主菜單欄中選擇「Transform>Image Sharpening>PC Spectral Sharpening」。如圖16-5所示，出現「Select Low Spatial Resolution Multi Band Input File」對話框時，從「Select Input File」中選擇低解析度的多光譜輸入文件，如需要，可用選擇任意空間子集，選擇完畢後點擊【OK】按鈕。
圖16-3 HSV融合參數對話框
圖16-4「Color Normalized Sharpeni Parameters」融合參數對話框
圖16-5 選擇低空間解析度多光譜輸入文件對話框
2）出現「High Resolution Input File」對話框時，選擇高空間解析度全色輸入波段，並可用標准ENVI文件選擇方法建立空間子集，點擊【OK】按鈕到下一步。
3）當出現「PC Spectral Sharpening Parameters」對話框時，從「Resampling」下拉菜單選擇低解析度多光譜影像的重采樣方法。如圖16 -6 所示，選擇輸出到「File」或「Memory」，點擊【OK】按鈕開始處理，結果將出現在可用波段列表中。
圖16-6 PC光譜融合參數對話框
（4） Gram-Schmidt變換融合。
1）在ENVI主菜單欄中選擇「Transform>Image Sharpening>Gram -Schmidt Spectral Sharpening」。如圖16-5所示，出現「Select Low Spatial Resolution Multi BandInput File」對話框時，從「Select Input File」中選擇低解析度的多光譜輸入文件，如需要，可用選擇任意空間子集，選擇完畢後點擊【OK】按鈕。
2）出現「High Resolution Input File」對話框時，選擇高空間解析度全色輸入波段，並可用標准ENVI文件選擇方法建立空間子集，點擊【OK】按鈕到下一步。
3）當出現「Gram - Schmidt Spectral Sharpening Parameters」對話框時（圖16-7），從「Select Method for Low Resolution Pan」選項中選擇一種構造低解析度全色波段影像的方法，構造低解析度全色波段影像的方法有：①在步驟2）操作中選擇的低解析度多光譜輸入文件的基礎上，以平均值構造出低解析度全色波段影像；②另外輸入一個低解析度多光譜的全色波段影像；③通過感測器類型，創造一個新的低解析度多光譜全色波段影像，選擇這個方法，融合圖像是經過輻射定標的數據；④使用用戶自定義的濾波函數。
從「Resampling」下拉菜單選擇低解析度多光譜影像重采樣方法。如圖16-7 所示，選擇輸出到「File」或「Memory」，點擊【OK】按鈕，結果將出現在可用波段列表中。
圖16-7 Gram-Schmidt光譜融合參數對話框
（5）用上述四種方法對甘肅省白銀市IKONOS衛星遙感數據進行圖像融合處理，保存每種融合方法的處理結果，用JPEG圖像格式保存每種融合方法的處理結果，存入自己的工作文件夾。
六、實驗報告
（1）簡述實驗過程。
（2）回答問題：①全色波段數據和多波段數據各在圖像融合處理中分別起何作用？②用框圖給出HSV融合的操作步驟。③用Photoshop軟體平鋪顯示HSV變換融合、Brovey融合、PCA融合和Gram-Schmidt融合四種融合圖像，分析其圖像增強特徵及效果。
實驗報告格式見附錄一。
『貳』 圖像分割技術論文
圖像分割是圖像處理與計算機視覺的基本問題之一，是圖像處理圖像分析的關鍵步驟。我整理了圖像分割技術論文，歡迎閱讀!
圖像分割技術研究
摘要：圖像分割是圖像處理與計算機視覺的基本問題之一，是圖像處理圖像分析的關鍵步驟。本文介紹了基於閾值的分割方法和圖像分割的圖像分割性能的評價、應用現狀;最後總結出圖像分割的發展趨勢。
關鍵詞：圖像分割、閾值、邊緣檢測、區域分割
中圖分類號： TN957.52 文獻標識碼： A
1引言
隨著圖像分割技術研究的深入，其應用日趨廣泛。凡屬需要對圖像目標進行提取、測量的工作都離不開圖像分割。圖像分割是圖像處理、模式識別和人工智慧等多個領域中一個十分重要且又十分困難的問題，是計算機視覺技術中首要的、重要的關鍵步驟。圖像分割結果的好壞直接影響對計算機視覺中的圖像理解。現有的方法多是為特定應用設計的，有很大的針對性和局限性，到目前為止還不存在一個通用的方法，也不存在一個判斷分割是否成功的客觀標准。因此，對圖像分割的研究目前還缺乏一個統一的理論體系，使得圖像分割的研究仍然是一個極富有挑戰性的課題。
2圖像分割方法
圖像分割(Image Segmentation)，簡單地說就是將一幅數字圖像分割成不同的區域，在同一區域內具有在一定的准則下可認為是相同的性質，如灰度、顏色、紋理等。而任何相鄰區域之間其性質具有明顯的區別。
2.1基於灰度特徵的閾值分割方法
閾值分割技術是經典的、流行的圖象分割方法之一，它是用一個或幾個閾值將圖像的灰度級分為幾個部分，認為屬於同一個部分的像素是同一個物體。
這類方法主要包括以下幾種：
(1)單閾值法，用一個全局閾值區分背景和目標。當一幅圖像的直方圖具有明顯的雙峰時，選擇兩峰之間的谷底作為閾值。
(2)雙閾值法，用兩個閾值區分背景和目標。通過設置兩個閾值，以防單閾值設置閾值過高或過低，把目標像素誤歸為背景像素，或把背景像素誤歸為目標像素。
(3)多閾值法，當存在照明不均，突發雜訊等因素或背景灰度變化較大時，整幅圖像不存在合適的單一閾值，單一閾值不能兼顧圖像不同區域的具體情況，這時可將圖像分塊處理，對每一塊設一個閾值。
2.2 邊緣檢測分割法
基於邊緣檢測技術可以按照處理的順序分為並行邊緣檢測和串列邊緣檢測兩大類。常見的邊緣檢測方法有：差分法、模板匹配法及統計方法等。由於邊緣灰度變化規律一般體現為階梯狀或者脈沖狀。邊緣與差分值的關系可以歸納為兩種情況，其一是邊緣發生在差分最大值或者最小值處;其二是邊緣發生在過零處。
2.3基於區域的分割方法
基於區域的分割方法利用的是圖像的空間性質。該方法認為分割出來的某一區域具有相似的性質。常用的方法有區域生長法和區域分裂合並法。該類方法對含有復雜場景或自然景物等先驗知識不足的圖像進行分割，效果較好。
區域生長方法是把一幅圖像分成許多小區域開始的，這些初始的小區域可能是小的鄰域甚至是單個像素，在每個區域中，通過計算能反映一個物體內像素一致性的特徵，作為區域合並的判斷標准。區域合並的第一步是賦給每個區域一組參數，即特徵。接下來對相鄰區域的所有邊界進行考查，如果給定邊界兩側的特徵值差異明顯，那麼這個邊界很強，反之則弱。強邊界允許繼續存在，而弱邊界被消除，相鄰區域被合並。沒有可以消除的弱邊界時，區域合並過程結束，圖像分割也就完成。
2.4結合特定工具的圖像分割技術
20世紀80年代末以來，隨著一些特殊理論的出現及其成熟，如數學形態學、分形理論、模糊數學、小波分析、模式識別、遺傳演算法等，大量學者致力於將新的概念、新的方法用於圖像分割，有效地改善了分割效果。產生了不少新的分割演算法。下面對這些演算法做一些簡單的概括。
2.4.1基於數學形態學的分割演算法
分水嶺演算法是一種經典的借鑒了數學形態理論的分割方法。該方法中，將一幅圖像比為一個具有不同高度值的地形，高灰度值處被認為是山脊，底灰度值處被認為是山谷，將一滴水從任一點流下，它會朝地勢底的地方流動，最終聚於某一局部最底點，最後所有的水滴會分聚在不同的吸引盆地，由此，相應的圖像就被分割成若幹部分。分水嶺演算法具有運算簡單、性能優良，能夠較好提取運動對象輪廓、准確得到運動物體邊緣的優點。但分割時需要梯度信息，對雜訊較敏感。
2.4.2基於模糊數學的分割演算法
目前，模糊技術在圖像分割中應用的一個顯著特點就是它能和現有的許多圖像分割方法相結合，形成一系列的集成模糊分割技術，例如模糊聚類、模糊閾值、模糊邊緣檢測技術等。
這類方法主要有廣義模糊運算元與模糊閾值法兩種分割演算法。
(1)廣義模糊運算元在廣義模糊集合的范圍內對圖像處理，使真正的邊緣處於較低灰度級，但還有一些不是邊緣的像素點的灰度也在較低灰度級中，雖然演算法的計算簡明，且邊緣細膩，但得到的邊緣圖會出現斷線問題。
(2)模糊閾值法引入灰度圖像的模糊數學描述，通過計算圖像的模糊熵來選取圖像的分割閾值，後用閾值法處理圖像得到邊界。
2.4.3基於遺傳演算法的分割方法
此演算法是受生物進化論思想提出的一種優化問題的解決方法，它使用參數編碼集而不是參數本身，通過模擬進化，以適者生存的策略搜索函數的解空間，它是在點群中而不是在單點進行尋優。遺傳演算法在求解過程中使用隨機轉換規則而不是確定性規則來工作，它唯一需要的信息是適應值，通過對群體進行簡單的復制、雜交、變異作用完成搜索過程。由於此法能進行能量函數全局最小優化搜索，且可以降低搜索空間維數，降低演算法對模板初始位置的敏感，計算時間也大為減少。其缺點是容易收斂於局部最優。
2.4.4基於神經網路分割演算法
人工神經網路具有自組織、自學習、自適應的性能和非常強的非線性映射能力，適合解決背景知識不清楚、推理規則不明確和比較復雜的分類問題，因而也適合解決比較復雜的圖像分割問題。原則上講，大部分分割方法都可用 ANN(attificial neural network)實現。ANN 用於分割的研究起步較晚，只有多層前饋NN，多層誤差反傳(BP)NN，自組織NN，Hopfield NN以及滿足約束的NN(CSNN-Const raint Satisfaction Neurat Network)等得到了應用。使用一個多層前向神經網路用於圖象分割，輸入層神經元的數目取決於輸入特徵數，而輸出層神經元的數目等同於分類的數目。
2.5圖像分割中的其他方法
前面介紹了4大類圖像分割較常用的方法，有關圖像分割方法和文獻很多，新方法不斷產生，這些方法有的只對特定的情形有效，有的綜合了幾種方法，放在一起統稱為第5類。
(1)標號法(labeling)是一種基於統計學的方法，這種方法將圖像欲分割成的幾個區域各以一個不同的標號來表示，用一定的方式對圖像中的每一個像素賦以標號，標號相同的像素就合並成該標號所代表的區域。
(2)基於Snak模型的分割方法，基於Snake模型的分割是通過對能量函數的動態優化來逼近圖像目標的真實輪廓的
(3)紋理分割，由於新的數學工具的引入，紋理分割技術取得了一些進展，張蓬等人將小波分析應用於紋理基元提取。
(4)基於知識的圖像分割方法，直接建立在先驗知識的基礎上，使分割更符合實際圖像的特點。該方法的難度在於知識的正確合理的表示與利用。
3圖像分割性能的評價
圖像分割評價主要有兩個方面的內容：一是研究各分割演算法在不同情況下的表現，掌握如何選擇和控制其參數設置，以適應不同需要。二是分析多個分割演算法在分割同一圖像時的性能，比較優劣，以便在實際應用中選取合適的演算法。分割評價方法分為分析法和實驗法兩大類。分析法是直接分析分割演算法本身的原理及性能，而實驗法是通過對測試圖像的分割結果來評價演算法的。兩種方法各有優劣，由於缺乏可靠理論依據，並非所有分割演算法都能夠通過分析法分析其性能。每種評價方法都是出於某種考慮而提出來的，不同的評價方法只能反映分割演算法性能的某一性能。另一方面，每一種分割演算法的性能是由多種因素決定的，因此，有可能需要多種准則來綜合評價。
4圖像分割技術的發展趨勢
隨著神經網路、遺傳演算法、統計學理論、小波理論以及分形理論等在圖像分割中的廣泛應用，圖像分割技術呈現出以下的發展趨勢：(1)多種特徵的融合。(2)多種分割方法的結合。(3)新理論與新方法。
參考文獻
[1] [美]RC岡薩雷斯.數字圖像處理(第二版)[M].阮秋琦，等譯.北京：電子工業出版社，2003
[2] 章毓晉.圖像分割[M].北京：科學出版社，2001.
[3] 李弼程，彭天強，彭波等.智能圖像處理技術[M].北京：電子工業出版社，2004.
[4] 楊暉，曲秀傑.圖像分割方法綜述[J].電腦開發與應用。2005，18(3)：21-23.
點擊下頁還有更多>>>圖像分割技術論文