‘壹’ 实验十六 多波段遥感图像融合处理
一、实验目的
了解多波段低空间分辨率遥感影像数据与高空间分辨率单波段遥感影像数据融合处理的目的和技术实现条件，直观感受融合处理影像具有的“扬长避短”增强效果，掌握Transform功能的四种主要融合处理操作，加深对融合增强处理原理和作用的理解。
二、实验内容
（1）用ENVI的Transform功能对甘肃省白银市IKONOS高分辨率遥感影像分别作：①HSV变换融合；②Brovey融合；③PCA融合；④Gram-Schmidt融合处理。
（2）对四种不同的融合图像比较分析。
三、实验要求
①根据实验课时容许情况选择融合处理方案数量，但HSV 变换融合必须完成；②如果进行了两种以上融合，要求对不同融合方法结果进行比较分析；③如果只进行了一种融合，要求将融合图像与RGB合成图像进行比较分析。
四、技术条件
①微型计算机；②甘肃省白银市IKONOS影像；③ENV I软件；④Photoshop软件（ver.6.0以上）和ACDSee软件（ver.4.0以上）。
五、实验步骤
遥感影像融合是指将多源遥感图像按照一定的算法，在规定的地理坐标系中生成新的图像的过程。图像通过融合既可以提高多光谱图像空间分辨率，又保留其多光谱特性。本次实验选择的四种融合算法为：HSV变换、Brovey彩色变换、PCA融合、Gram -Schmidt变换。具体操作步骤如下：
在ENVI主菜单栏中选择“File>Open Image File”，出现文件目录窗口，将甘肃省白银市IKONOS的4个多光谱波段和Pan波段数据调入“Available Bands List”窗口。
（1）HSV融合。
1）在ENVI主菜单栏中选择“Transform >Image Shraepning>HSV”，如图16-1所示出现“Select Input RGB”对话框，ENVI提供两种波段选择方法：从一幅打开的彩色图像或者从可用波段列表中选择3个波段进行变换，任选一种方法后点击【OK】按钮。
2）出现“High Resolution Input File”对话框时（图16-2），选择高空间分辨率全色输入波段，点击【OK】按钮到下一步。
3）当出现“HSV Sharpening Parameters”对话框时（图16-3），从“Resampling”下拉菜单选择重采样方法。选择输出到“File”或“Memory”，点击【OK】按钮开始处理，结果将出现在可用波段列表中。
图16-1 选择输入RGB对话框
图16-2 高分辨率输入文件对话框
（2） Brovey融合（色彩标准化融合）。
1）在 ENVI主菜单栏中选择“Transform > Image Sharpening > Color Normalized（Brovey）”，如图16-1所示，出现“Select Input RGB”对话框，ENVI提供两种波段选择方法：从一幅打开的彩色图像或者从可用波段列表中选择3个波段进行变换。任选一种方法后点击【OK】按钮。
2）出现“High Resolution Input File”对话框时（图16-2），选择高空间分辨率全色输入波段，点击【OK】按钮到下一步。
3）当出现“Color Normalized Sharpening Parameters”对话框时（图16-4），从“Resmaplnig”下拉菜单选择重采样方法。选择输出到“File”或“Memory”，点击【OK】按钮开始处理，结果将出现在可用波段列表中。
（3） PCA融合。
1）在ENV 主菜单栏中选择“Transform>Image Sharpening>PC Spectral Sharpening”。如图16-5所示，出现“Select Low Spatial Resolution Multi Band Input File”对话框时，从“Select Input File”中选择低分辨率的多光谱输入文件，如需要，可用选择任意空间子集，选择完毕后点击【OK】按钮。
图16-3 HSV融合参数对话框
图16-4“Color Normalized Sharpeni Parameters”融合参数对话框
图16-5 选择低空间分辨率多光谱输入文件对话框
2）出现“High Resolution Input File”对话框时，选择高空间分辨率全色输入波段，并可用标准ENVI文件选择方法建立空间子集，点击【OK】按钮到下一步。
3）当出现“PC Spectral Sharpening Parameters”对话框时，从“Resampling”下拉菜单选择低分辨率多光谱影像的重采样方法。如图16 -6 所示，选择输出到“File”或“Memory”，点击【OK】按钮开始处理，结果将出现在可用波段列表中。
图16-6 PC光谱融合参数对话框
（4） Gram-Schmidt变换融合。
1）在ENVI主菜单栏中选择“Transform>Image Sharpening>Gram -Schmidt Spectral Sharpening”。如图16-5所示，出现“Select Low Spatial Resolution Multi BandInput File”对话框时，从“Select Input File”中选择低分辨率的多光谱输入文件，如需要，可用选择任意空间子集，选择完毕后点击【OK】按钮。
2）出现“High Resolution Input File”对话框时，选择高空间分辨率全色输入波段，并可用标准ENVI文件选择方法建立空间子集，点击【OK】按钮到下一步。
3）当出现“Gram - Schmidt Spectral Sharpening Parameters”对话框时（图16-7），从“Select Method for Low Resolution Pan”选项中选择一种构造低分辨率全色波段影像的方法，构造低分辨率全色波段影像的方法有：①在步骤2）操作中选择的低分辨率多光谱输入文件的基础上，以平均值构造出低分辨率全色波段影像；②另外输入一个低分辨率多光谱的全色波段影像；③通过传感器类型，创造一个新的低分辨率多光谱全色波段影像，选择这个方法，融合图像是经过辐射定标的数据；④使用用户自定义的滤波函数。
从“Resampling”下拉菜单选择低分辨率多光谱影像重采样方法。如图16-7 所示，选择输出到“File”或“Memory”，点击【OK】按钮，结果将出现在可用波段列表中。
图16-7 Gram-Schmidt光谱融合参数对话框
（5）用上述四种方法对甘肃省白银市IKONOS卫星遥感数据进行图像融合处理，保存每种融合方法的处理结果，用JPEG图像格式保存每种融合方法的处理结果，存入自己的工作文件夹。
六、实验报告
（1）简述实验过程。
（2）回答问题：①全色波段数据和多波段数据各在图像融合处理中分别起何作用？②用框图给出HSV融合的操作步骤。③用Photoshop软件平铺显示HSV变换融合、Brovey融合、PCA融合和Gram-Schmidt融合四种融合图像，分析其图像增强特征及效果。
实验报告格式见附录一。
‘贰’ 图像分割技术论文
图像分割是图像处理与计算机视觉的基本问题之一，是图像处理图像分析的关键步骤。我整理了图像分割技术论文，欢迎阅读!
图像分割技术研究
摘要：图像分割是图像处理与计算机视觉的基本问题之一，是图像处理图像分析的关键步骤。本文介绍了基于阈值的分割方法和图像分割的图像分割性能的评价、应用现状;最后总结出图像分割的发展趋势。
关键词：图像分割、阈值、边缘检测、区域分割
中图分类号： TN957.52 文献标识码： A
1引言
随着图像分割技术研究的深入，其应用日趋广泛。凡属需要对图像目标进行提取、测量的工作都离不开图像分割。图像分割是图像处理、模式识别和人工智能等多个领域中一个十分重要且又十分困难的问题，是计算机视觉技术中首要的、重要的关键步骤。图像分割结果的好坏直接影响对计算机视觉中的图像理解。现有的方法多是为特定应用设计的，有很大的针对性和局限性，到目前为止还不存在一个通用的方法，也不存在一个判断分割是否成功的客观标准。因此，对图像分割的研究目前还缺乏一个统一的理论体系，使得图像分割的研究仍然是一个极富有挑战性的课题。
2图像分割方法
图像分割(Image Segmentation)，简单地说就是将一幅数字图像分割成不同的区域，在同一区域内具有在一定的准则下可认为是相同的性质，如灰度、颜色、纹理等。而任何相邻区域之间其性质具有明显的区别。
2.1基于灰度特征的阈值分割方法
阈值分割技术是经典的、流行的图象分割方法之一，它是用一个或几个阈值将图像的灰度级分为几个部分，认为属于同一个部分的像素是同一个物体。
这类方法主要包括以下几种：
(1)单阈值法，用一个全局阈值区分背景和目标。当一幅图像的直方图具有明显的双峰时，选择两峰之间的谷底作为阈值。
(2)双阈值法，用两个阈值区分背景和目标。通过设置两个阈值，以防单阈值设置阈值过高或过低，把目标像素误归为背景像素，或把背景像素误归为目标像素。
(3)多阈值法，当存在照明不均，突发噪声等因素或背景灰度变化较大时，整幅图像不存在合适的单一阈值，单一阈值不能兼顾图像不同区域的具体情况，这时可将图像分块处理，对每一块设一个阈值。
2.2 边缘检测分割法
基于边缘检测技术可以按照处理的顺序分为并行边缘检测和串行边缘检测两大类。常见的边缘检测方法有：差分法、模板匹配法及统计方法等。由于边缘灰度变化规律一般体现为阶梯状或者脉冲状。边缘与差分值的关系可以归纳为两种情况，其一是边缘发生在差分最大值或者最小值处;其二是边缘发生在过零处。
2.3基于区域的分割方法
基于区域的分割方法利用的是图像的空间性质。该方法认为分割出来的某一区域具有相似的性质。常用的方法有区域生长法和区域分裂合并法。该类方法对含有复杂场景或自然景物等先验知识不足的图像进行分割，效果较好。
区域生长方法是把一幅图像分成许多小区域开始的，这些初始的小区域可能是小的邻域甚至是单个像素，在每个区域中，通过计算能反映一个物体内像素一致性的特征，作为区域合并的判断标准。区域合并的第一步是赋给每个区域一组参数，即特征。接下来对相邻区域的所有边界进行考查，如果给定边界两侧的特征值差异明显，那么这个边界很强，反之则弱。强边界允许继续存在，而弱边界被消除，相邻区域被合并。没有可以消除的弱边界时，区域合并过程结束，图像分割也就完成。
2.4结合特定工具的图像分割技术
20世纪80年代末以来，随着一些特殊理论的出现及其成熟，如数学形态学、分形理论、模糊数学、小波分析、模式识别、遗传算法等，大量学者致力于将新的概念、新的方法用于图像分割，有效地改善了分割效果。产生了不少新的分割算法。下面对这些算法做一些简单的概括。
2.4.1基于数学形态学的分割算法
分水岭算法是一种经典的借鉴了数学形态理论的分割方法。该方法中，将一幅图像比为一个具有不同高度值的地形，高灰度值处被认为是山脊，底灰度值处被认为是山谷，将一滴水从任一点流下，它会朝地势底的地方流动，最终聚于某一局部最底点，最后所有的水滴会分聚在不同的吸引盆地，由此，相应的图像就被分割成若干部分。分水岭算法具有运算简单、性能优良，能够较好提取运动对象轮廓、准确得到运动物体边缘的优点。但分割时需要梯度信息，对噪声较敏感。
2.4.2基于模糊数学的分割算法
目前，模糊技术在图像分割中应用的一个显着特点就是它能和现有的许多图像分割方法相结合，形成一系列的集成模糊分割技术，例如模糊聚类、模糊阈值、模糊边缘检测技术等。
这类方法主要有广义模糊算子与模糊阈值法两种分割算法。
(1)广义模糊算子在广义模糊集合的范围内对图像处理，使真正的边缘处于较低灰度级，但还有一些不是边缘的像素点的灰度也在较低灰度级中，虽然算法的计算简明，且边缘细腻，但得到的边缘图会出现断线问题。
(2)模糊阈值法引入灰度图像的模糊数学描述，通过计算图像的模糊熵来选取图像的分割阈值，后用阈值法处理图像得到边界。
2.4.3基于遗传算法的分割方法
此算法是受生物进化论思想提出的一种优化问题的解决方法，它使用参数编码集而不是参数本身，通过模拟进化，以适者生存的策略搜索函数的解空间，它是在点群中而不是在单点进行寻优。遗传算法在求解过程中使用随机转换规则而不是确定性规则来工作，它唯一需要的信息是适应值，通过对群体进行简单的复制、杂交、变异作用完成搜索过程。由于此法能进行能量函数全局最小优化搜索，且可以降低搜索空间维数，降低算法对模板初始位置的敏感，计算时间也大为减少。其缺点是容易收敛于局部最优。
2.4.4基于神经网络分割算法
人工神经网络具有自组织、自学习、自适应的性能和非常强的非线性映射能力，适合解决背景知识不清楚、推理规则不明确和比较复杂的分类问题，因而也适合解决比较复杂的图像分割问题。原则上讲，大部分分割方法都可用 ANN(attificial neural network)实现。ANN 用于分割的研究起步较晚，只有多层前馈NN，多层误差反传(BP)NN，自组织NN，Hopfield NN以及满足约束的NN(CSNN-Const raint Satisfaction Neurat Network)等得到了应用。使用一个多层前向神经网络用于图象分割，输入层神经元的数目取决于输入特征数，而输出层神经元的数目等同于分类的数目。
2.5图像分割中的其他方法
前面介绍了4大类图像分割较常用的方法，有关图像分割方法和文献很多，新方法不断产生，这些方法有的只对特定的情形有效，有的综合了几种方法，放在一起统称为第5类。
(1)标号法(labeling)是一种基于统计学的方法，这种方法将图像欲分割成的几个区域各以一个不同的标号来表示，用一定的方式对图像中的每一个像素赋以标号，标号相同的像素就合并成该标号所代表的区域。
(2)基于Snak模型的分割方法，基于Snake模型的分割是通过对能量函数的动态优化来逼近图像目标的真实轮廓的
(3)纹理分割，由于新的数学工具的引入，纹理分割技术取得了一些进展，张蓬等人将小波分析应用于纹理基元提取。
(4)基于知识的图像分割方法，直接建立在先验知识的基础上，使分割更符合实际图像的特点。该方法的难度在于知识的正确合理的表示与利用。
3图像分割性能的评价
图像分割评价主要有两个方面的内容：一是研究各分割算法在不同情况下的表现，掌握如何选择和控制其参数设置，以适应不同需要。二是分析多个分割算法在分割同一图像时的性能，比较优劣，以便在实际应用中选取合适的算法。分割评价方法分为分析法和实验法两大类。分析法是直接分析分割算法本身的原理及性能，而实验法是通过对测试图像的分割结果来评价算法的。两种方法各有优劣，由于缺乏可靠理论依据，并非所有分割算法都能够通过分析法分析其性能。每种评价方法都是出于某种考虑而提出来的，不同的评价方法只能反映分割算法性能的某一性能。另一方面，每一种分割算法的性能是由多种因素决定的，因此，有可能需要多种准则来综合评价。
4图像分割技术的发展趋势
随着神经网络、遗传算法、统计学理论、小波理论以及分形理论等在图像分割中的广泛应用，图像分割技术呈现出以下的发展趋势：(1)多种特征的融合。(2)多种分割方法的结合。(3)新理论与新方法。
参考文献
[1] [美]RC冈萨雷斯.数字图像处理(第二版)[M].阮秋琦，等译.北京：电子工业出版社，2003
[2] 章毓晋.图像分割[M].北京：科学出版社，2001.
[3] 李弼程，彭天强，彭波等.智能图像处理技术[M].北京：电子工业出版社，2004.
[4] 杨晖，曲秀杰.图像分割方法综述[J].电脑开发与应用。2005，18(3)：21-23.
点击下页还有更多>>>图像分割技术论文