1、遥感数字图像处理实习报告含Matlab处理代码辽宁工程技术大学数字图像处理上机实习报告教学单位 辽宁工程技术大学 专 业 摄影测量与遥感 实习名称 遥感数字图像处理 班 级 测绘研11-3班 学生姓名 路聚峰 学 号 * 指导教师 孙华生 实习1 读取BIP 、BIL、 BSQ文件一、实验目的用Matlab读取BIP 、BIL、 BSQ文件，并将结果显示出来。遥感图像包括多个波段，有多种存储格式，但基本的通用格式有3种，即BSQ、BIL和BIP格式。通过这三种格式，遥感图像处理系统可以对不同传感器获取的图像数据进行转换。BSQ是像素按波段顺序依次排列的数据格式。BIL格式中，像素先以行为单位块
2、，在每个块内，按照波段顺序排列像素。BIP格式中，以像素为核心，像素的各个波段数据保存在一起，打破了像素空间位置的连续性。用Matlab 读取各个格式的遥感数据，是图像处理的前提条件，只有将图像读入Matlab工作空间，才能进行后续的图像处理工作。二、算法描述1.调用fopen函数用指定的方式打开文件。2.在for循环中调用fread函数，用指定的格式读取各个像素。3.用reshape函数，重置图像的行数列数。4.用imadjust函数调整像素的范围，使其有一定对比度。5.用imshow显示读取的图像。三、Matlab源代码1.读取BSQ的源代码：clear allclclines=400;s
3、amples=640;N=6;img=fopen(D:sample_BSQ,rb);for i=1:N bi=fread(img,lines*samples,uint8); band_cov=reshape(bi,samples,lines); band_cov2=band_cov; band_uint8=uint8(band_cov2); tif=imadjust(band_uint8); mkdir(D:MATLAB,tifbands1) name=D:MATLABtifbands1tif,int2str(i),.tif; imwrite(tif,name,tif); tilt=波段,in
4、t2str(i); subplot(3,2,i),imshow(tif);title(tilt); endfclose(img);2.读取BIP源代码clear allclclines=400;samples=640;N=6;for i=1:N img=fopen(D:MATLABsample_BIP,rb); b0=fread(img,i-1,uint8); b=fread(img,lines*samples,uint8,(N-1); band_cov=reshape(b,samples,lines);band_cov2=band_cov;% band_uint8=uint8(band_co
5、v2); tif=imadjust(band_uint8); mkdir(E:MATLAB,tifbands) name=E:MATLABtifbandstif,int2str(i),.tif; imwrite(tif,name,tif); %imwrite(A,filename,fmt) tilt=波段,int2str(i); subplot(3,2,i),imshow(tif);title(tilt); fclose(img);end3.读取BIL的源代码clear allclc lines=400;samples=640;N=6;for i=1:N bi=zeros(lines,samp
6、les); for j=1:samples img=fopen(D:MATLABsample_BIL,rb); bb=fread(img,(i-1)*640,uint8); b0=fread(img,1*(j-1),uint8); bandi_linej=fread(img,lines,uint8,1*(N*samples-1); fclose(img); bi(:,j)=bandi_linej; end band_uint8=uint8(bi); tif=imadjust(band_uint8); mkdir(D:MATLAB,tifbands) name=D:MATLABtifbandst
7、if,int2str(i),.tif; imwrite(tif,name,tif); tilt=,int2str(i); subplot(3,2,i),imshow(tif);title(tilt);end四、运行结果 图1：读取文件的六个波段图实习2 均值/中值滤波、边缘信息提取一、实验目的与原理各种图像滤波算子可以实现图像的增强，去噪，边缘提取等。图像增强的目的在于：1.采用一系列技术改善图像的视觉效果，提高图像的清晰度，2.将图像转换成一种更适合于人或机器进行分析处理的形式。它不是以图像保真度为原则，而是通过处理，设法有选择地突出便于人或机器分析某些感兴趣的信息，抑制一些无用的信息，以提
8、高图像的使用价值。图像增强方法从增强的作用域出发，可分为空间域增强和频率域增强。空间域增强就是直接对图像像素灰度进行操作；频率域增强是对图像经傅里叶变换后的频谱成分进行操作，然后经傅里叶逆变换获得所需结果。图像滤波可分为空间域滤波和频率域滤波，前者通过窗口或卷积核进行，它参照相邻像素改变单个像素的灰度值。后者对图像进行傅立叶变换，然后对频谱进行滤波。空间域图像滤波称为平滑和锐化，强调像素与其周围相邻像素的关系。去噪滤波为平滑滤波包括均值滤波和中值滤波。锐化滤波包括罗伯特梯度、索伯尔梯度、拉普拉斯算法、定向检测，用以提取线状地物和边缘。此实验用Matlab采用各种滤波对图像进行了处理，处理结果如
9、下：二、算法描述1.用imread读取图像文件，并用size获取图像的大小。2.设计各种滤波算子。3利用卷积公式对图像的没一个像素进行处理，得到滤波后的图像。4.用imshow显示滤波后的图像。三、Matlab源代码1.均值滤波源码：clear allclcimg=imread(2.jpg);row,column,band=size(img);img0=double(img);f11=1/9; f12=1/9; f13=1/9; f21=1/9; f22=1/9; f23=1/9;f31=1/9; f32=1/9; f33=1/9;img1=img0(:,1,:), img0(:,:,:),
10、img0(:,column,:); img2=img1(1,:,:); img1(:,:,:); img1(row,:,:); filtered=zeros(row,column,band);for ii=1: row for jj=1: column filtered(ii,jj,:)=f11*img2(ii,jj,:) + f12*img2(ii,jj+1,:) + f13*img2(ii,jj+2,:)+ . f21*img2(ii+1,jj,:) + f22*img2(ii+1,jj+1,:) + f23*img2(ii+1,jj+2,:) + . f31*img2(ii+2,jj,:
11、) + f32*img2(ii+2,jj+1,:) + f33*img2(ii+2,jj+2,:); endendfiltered1=uint8(filtered); subplot(1,2,1),imshow(img);title(图1 原始RGB图像);subplot(1,2,2),imshow(filtered1);title(图2 均值滤波后的图像);imwrite(filtered1,flower_filtered_mean.jpg);2.边缘提取滤波源代码clear allimg=imread(2.jpg);row,column,band=size(img);img0=double
12、(img); f11=1; f12=0; f13=-1; f21=1; f22=0; f23=-1;f31=1; f32=0; f33=-1;img1=img0(:,1,:), img0(:,:,:), img0(:,column,:); img2=img1(1,:,:); img1(:,:,:); img1(row,:,:); filtered=zeros(row,column,band);for ii=1: row for jj=1: column filtered(ii,jj,:)=f11*img2(ii,jj,:) + f12*img2(ii,jj+1,:) + f13*img2(ii
13、,jj+2,:)+ . f21*img2(ii+1,jj,:) + f22*img2(ii+1,jj+1,:) + f23*img2(ii+1,jj+2,:) + . f31*img2(ii+2,jj,:) + f32*img2(ii+2,jj+1,:) + f33*img2(ii+2,jj+2,:); endendfiltered1=uint8(filtered); subplot(1,2,1),imshow(img);title(图1 RGB原图像);subplot(1,2,2),imshow(filtered1);title(图2 边缘提取后的图像);imwrite(filtered1,
14、flower_filtered_edge.jpg);四、运行结果 图1：原始RGB图像 图2：均值滤波后的图像 图3：边缘提取后的图像 实习3 傅里叶变换、傅里叶逆变换，及频域滤波一、实验目的按照信号处理理论，根据滤除的频率特征，滤波有3种：1.低通滤波。低通滤波是对频率域的图像通过滤波器H（u，v）削弱或抑制高频部分而保留低频部分的滤波方法。由于图像上的噪声主要集中在高频部分，所以低通滤波可以起到压抑噪声的作用。同时，由于强调了低频成分，图像会变得比较平滑。2.高通滤波。高通滤波是对频率域的图像通过滤波器来突出图像的边缘和轮廓，进行图像锐化的方法。3.带通滤波。仅保留指定频率范围的滤波，范围
15、外的频率被阻止。将空间域中的图像变换到频率域中进行计算。空间增强技术强调像元位置和像元之间的关系，但随着考虑的像元数目增多，计算的复杂度增加而且非常耗费计算运算时间，特别是当模板越来越大时，这种现象尤为明显。频率域增强方法：1.频率域平滑：保留图像的低频部分而抑制高频部分。2.频率域锐化：保留图像的高频部分而削弱低频部分。首先将空间域图像通过傅立叶变换为频率域图像，然后选择合适的滤波器对的频谱成分进行增强得到图像，再经过傅立叶逆变换将变换到空间域，得到增强后的图像。根据傅里叶变换的原理，用Matlab实现对图像的傅里叶变换，再设计各种频率滤波器，包括理想滤波器、巴特沃斯滤波器、指数滤波器等高通
16、或低通滤波器，用这些滤波器对频率图像进行滤波，将得到的滤波后的频率图像经过傅里叶逆变换后得到想要的图像。本实验，对这些滤波器都进行了设计，处理结果如下图：二、算法描述1.读取RGB图像，并获得其某个波段。2.调用fft2对某波段进行傅里叶变换，用fftshift频移函数，使得图像的低频部分移动到频谱的中心。3.设置低通高通滤波器，对频谱图像进行滤波处理，去除其高频或低频部分。4.用ifft2对频谱图像进行逆傅里叶变换，得到滤波后的图像。5对图像进行归一化，使像素值在0-255之间。6. imshow显示频谱图像和滤波后的图像。三、Matlab源代码1.理想低通滤波源代码clear alla=i
17、mread(2.jpg);X,Y,Z=size(a);a1=a(:,:,1); b1= fft2(a1);b2= fftshift(b1);F=abs(b2);h=zeros(X,Y); cutoff=0.7; threshold=1-cutoff;lowx=round(X/2-threshold*X/2);upx=round(X/2+threshold*X/2);lowy=round(Y/2-threshold*Y/2);upy=round(Y/2+threshold*Y/2);h(lowx:upx,lowy:upy)=1; lowpass=b2.*h;d0=ifft2(lowpass);r
18、esult=abs(d0);result=uint8(result);F1=log10(reshape(F, X*Y,1);F2=uint8( (F1 - min(F1)/(max(F1) - min(F1)*255);F3=reshape(F2, X, Y);subplot(1,3,1), imshow(F3), title(Fig.1 傅里叶频谱);subplot(1,3,2), imshow(h), title(Fig.2 理想低通滤波器);subplot(1,3,3), imshow(result),title(Fig.3 理想低通滤波结果);2.巴特沃斯低通滤波代码：clear al
19、la=imread(2.jpg);X,Y,Z=size(a);a1=a(:,:,1);b1= fft2(a1);b2= fftshift(b1);F=abs(b2);h=zeros(X,Y);lowpass=zeros(X,Y);n1=round(X/2);n2=round(Y/2);dmax=sqrt(n12 + n22);cutoff=0.7;d0=(1-cutoff) * dmax;n=3;for x=1:X for y=1:Y d=sqrt(x-n1)2+(y-n2)2); h(x,y)=1/(1+(d/d0)(2*n); lowpass(x,y)=b2(x,y).*h(x,y); e
20、ndend lp=ifft2(lowpass);result=abs(lp);result=uint8(result);F1=log10(reshape(F, X*Y,1);F2=uint8( (F1 - min(F1)/(max(F1) - min(F1)*255);F3=reshape(F2, X, Y);subplot(1,3,1), imshow(F3), title(Fig.1 傅里叶频谱);subplot(1,3,2), imshow(h), title(Fig.2 巴特沃斯低通滤波器);subplot(1,3,3), imshow(result),title(Fig.3 巴特沃斯
21、低通滤波结果);3.指数低通滤波的主要代码：for x=1:X for y=1:Y d=sqrt(x-n1)2+(y-n2)2); h(x,y)=1/(1+exp(-(d/d0)(-n); lowpass(x,y)=b2(x,y).*h(x,y); endend4.指数高通滤波的主要代码：for x=1:X for y=1:Y d=sqrt(x-n1)2+(y-n2)2); h(x,y)=1/(1+exp(-(d/d0)(n); lowpass(x,y)=b2(x,y).*h(x,y); endend四、运行结果图1：傅里叶频谱 图2：理想低通滤波器 图3：傅里叶低通滤波结果 图4：理想高通滤
22、波器 图5：傅里叶高通滤波结果 图6：巴特沃斯低通滤波器 图7：巴特沃斯低通滤波结果 图8：巴特沃斯高通滤波器 图9：巴特沃斯高通滤波结果 图10：指数高通滤波器 图11：指数高通滤波结果 图12：指数低通滤波器 图13：指数低通滤波结果实习4 主成分变换、主成分逆变换一、实验目的与原理遥感多光谱影像波段多，信息量大，对图像解译很有价值。但数据量太大，在图像处理计算时，也常常耗费大量的机时，占据大量的磁盘空间。实际上，一些波段的遥感数据之间都有不同程度的相关性，存在着数据冗余。多光谱变换方法可通过函数变换，达到保留主要信息、降低数据量、增强或提取有用信息的目的。其变换的本质是对遥感图像进行线性
23、变换，使多光谱空间的坐标系按一定规律进行旋转。多光谱变换主要有两种变换：主成分变换和缨帽变换。（1）主成分变换（K-L变换）的目的：1.K-L变换是图像分析与模式识别中的重要工具，用于特征抽取，降低特2.征数据的维数3.K-L变换用于图像压缩时可以实现有损压缩和无损压缩4.K-L变换后的N幅图像统计上互不相关，因此K-L变换可以去除图像数据的相关性，提取主要信息。用Matlab实现六个波段图像的主成分分析。求出六个波段的协方差阵，再求协方差阵的特征值、特征向量。只取特征值比较大的数，其占各个波段主要成分，特征值小的，大部分噪声等内容。二、算法描述主成分变换过程：1读取六个波段的图像。2.将每个
24、波段的所有像素存成一列，共六列，形成MN*6矩阵。3.求出每个波段的平均像素值。4.利用算出的平均像素值，求MN*6矩阵的协方差阵。5.求协方差阵的特征值与特征向量。6.将特征值按从大到小排列，特征向量与特征值对应。主成分的逆变换过程： （1）确定保留的波段数 （2）将去除的波段用0值替代 （3）将去噪后的PCA结果 SCORE*inv（ COEFF） （4）去中心化（各波段加上其均值） （5）重新排列图像行列数三、Matlab源代码1.主成分分析代码clear allclcnum_band=6; % b1=imread(tif1.tif);b2=imread(tif2.tif);b3=imr
25、ead(tif3.tif);b4=imread(tif4.tif);b5=imread(tif5.tif);b6=imread(tif6.tif);x,y=size(b1);img0=reshape(b1,x*y,1),reshape(b2,x*y,1), reshape(b3,x*y,1),reshape(b4,x*y,1),reshape(b5,x*y,1),reshape(b6,x*y,1);img1=double(img0);average=mean(img1);img3=img1-repmat(average,x*y,1);c=cov(img3);coff,lam = eig(c);
26、 lam1=lam(6:-1:1,6:-1:1);coff2=coff(:,6:-1:1);lam_val=diag(lam1);lam_sum=sum(lam_val);lam_n_sum=sum(lam_val(1:3);prop=lam_n_sum/lam_sum;result=img3*coff2;result2=reshape(result,x,y,6);result3=uint8(result2(:,:,1)-min(min(result2(:,:,1)/max(max(result2(:,:,1)-min(min(result2(:,:,1)*255);imshow(result
27、3);hold onresult3=uint8(result2(:,:,2)-min(min(result2(:,:,2)/max(max(result2(:,:,2)-min(min(result2(:,:,2)*255);figure,imshow(result3);result3=uint8(result2(:,:,3)-min(min(result2(:,:,3)/max(max(result2(:,:,3)-min(min(result2(:,:,3)*255);figure,imshow(result3);result3=uint8(result2(:,:,4)-min(min(r
28、esult2(:,:,4)/max(max(result2(:,:,4)-min(min(result2(:,:,4)*255);figure,imshow(result3);result3=uint8(result2(:,:,5)-min(min(result2(:,:,5)/max(max(result2(:,:,5)-min(min(result2(:,:,5)*255);figure,imshow(result3);result3=uint8(result2(:,:,6)-min(min(result2(:,:,6)/max(max(result2(:,:,6)-min(min(res
29、ult2(:,:,6)*255);figure,imshow(result3);result2(:,:,4:6)=0;result_new=reshape(result2,x*y,6);result_ipca=result_new*inv(coff2);result_ipcaz2=result_ipca+repmat(average,x*y,1);result_ipcaz3=reshape(result_ipcaz2,x,y,6);figure,imshow(uint8(result_ipcaz3(:,:,1);C = cat(3, uint8(result_ipcaz3(:,:,3), uint8(result_ipcaz3(:,:,4),uint8(result_ipcaz3(:,:,5);figure,imshow(C);四、运行结果 图1：第一主分量 图2:第二主分量 图3 ：第三主分量 图4：第四主分量 图5：第五主分量 图6：第六主分量 图7：逆变换后的图像 图8：逆变换后的彩色合成图像由图可以看出，图像的主要成分主要集中在前三个主分量图像上，后三个图像大部分都是噪声。通过逆变换恢复原来的图像，这样，经过K-L变换后的前三个主分量，信噪比大，噪声相对小，突出了主要信息，达到了图像增强的目的。另外，经过K-L变换后，第一或前二或前
