遥感光谱信息提取
朱教授用图4-1的形式表达了遥感数字图像处理的过程和各部分之间的关系，通俗易懂，简明扼要。下面将重点介绍两个重要环节:遥感图像信息提取和分类。
为了获取目标的信息，往往需要抑制和排除遥感图像中的干扰信息，突出有用信息。这时就需要图像信息增强和提取的方法。一般来说，这些方法可以分为三类:基于光谱特征的强度差、基于光谱特征的变化规律差和其他。
图4-1遥感影像处理的基本流程
1.基于光谱特征反射强度差异的信息提取方法
(1)对比度增强
对比度增强又称对比度扩展或拉伸增强，是将一幅图像的灰度值(像素的光谱反射率)分布进行扩展或拉伸，使其占据整个动态范围(0 ~ 255)，从而扩大物体之间的灰度差异，尽可能多地分辨灰度级的处理技术。遥感图像的灰度值分布一般可以用一幅图像中不同灰度像素的频率直方图来表示，其分布形式基本上代表了图像对该波段内物体的分辨能力和灰度值分布的动态范围。对比度增强是改变图像像素灰度值的频率直方图分布，从而扩大灰度值的动态范围，达到增强信息的目的。它的处理对象是单波段图像。简单地用函数关系表示，对比度增强是:
y=f(x) (4-1)
其中:y代表增强图像中像素的灰度值；x表示原始输入图像中像素的灰度值；函数F代表增强模式，根据F的不同有不同类型的增强模式(如图4-2所示)。有两种处理方法:一种是利用函数变换对图像中的每个像素点进行变换，在确定增强对象(地物)时经常用到；二是改变图像中像素之间的灰度结构关系，即通过直方图调整来改变图像的灰度结构，如常见的直方图均衡化。
图4-2几种不同的对比度增强方法
(2)色彩增强
人眼分辨颜色的能力要比纯黑白灰度强得多，因此利用色彩增强来突出显示地物具有明显的优势。色彩增强一般分为两种:一种是单波段的伪彩色增强；二是多波段假彩色合成。单波段伪彩色增强的常用方法有:①颜色密度分割；②灰度-色彩转换。颜色密度分割的基本方法是:根据要表示的目标对象的灰度值(像素光谱反射率)，将单波段图像按照不同的灰度值划分为灰度级，并赋予这些目标对象不同的灰度级，然后用不同的颜色填充这些灰度级，这样就可以将单波段图像转化为伪彩色图像。这种方法也常用在图像分类后的结果图像中，以方便区分。使用这种方法时，我们必须注意为空间上相似的要素类型赋予不同的颜色。
灰度-颜色变换是另一种更常用的伪彩色增强方法。与颜色密度分割相比，更容易在较宽的颜色范围内达到图像增强的目的。一组典型的灰度-颜色变换的传递函数如图4-3所示。设L为图像波段的最大灰度级:(a)图形表示红色变换的传递函数，表示所有小于L/2的灰度级将被变换为尽可能暗的红色，而(L/2，3L/4)范围内的灰度级将从暗红色线性演化为成亮红色，(3L/4，L)范围内的灰度级将被变换为红色。同样，图(b)和图(c)分别表示绿色和蓝色变换的传递函数。图(d)显示了三种颜色传递函数的组合。不难看出，图(d)中属于左边灰度级的图像像素为纯蓝色，右边为纯红色，中间点为纯绿色，其余像素为三种颜色的伪彩色。显然，使用这种组合方案进行伪彩色增强，图像中没有两个灰度级具有相同的颜色。
图4-3灰度-颜色转换传递函数
(a)、(b)和(c)将灰度转换为红色、绿色和蓝色；(四)综合传递函数
为了更好地利用多波段图像的信息，提高对图像的理解，还可以利用颜色合成来增强信息。其基本原理与上述单波段伪彩色增强类似，只是红、绿、蓝变换不是在同一波段的不同灰度级上进行，而是分别在三个(或两个)波段上进行，即三个(或两个)波段的CCT值根据设定的波段灰度级与颜色的变换关系表直接控制图像处理系统中彩色显示器件的红、绿、蓝枪的光强输出，并通过加法合成显示在彩屏上。或者依次扫描成三种颜色的彩色胶片，再打印成彩色照片。
(3)主成分分析
主成分分析是遥感岩性信息提取中最常用的方法。它通过计算图像数据的方差-协方差矩阵或相关矩阵，得到它们的特征值和特征向量，再将其变换回遥感图像，从而达到图像信息浓缩和数据压缩的效果。它利用目标岩石与背景物体之间的差异对整幅图像进行处理，最终得到所需的目标信息。主成分分析(PCA)是提取和增强多波段遥感图像信息最常用的方法之一，也就是通常所说的K-L(kahunen-loeve)变换和主成分变换。主成分分析用于遥感；主要用于图像编码和图像数据压缩、图像信息提取和增强、图像变化监测和图像数据潜在多时间维度的考察。数学上是基于图像统计特征的多维正交线性变换。从几何学上讲，它相当于图像的空间旋转变换，变换后的主成分是正交的，互不相关。其实也是一种基于地物光谱反射强度，即主成分距离的方法。简单来说，主成分分析分为三步:①计算输入图像数据的方差-协方差矩阵和相关矩阵；②计算矩阵的特征值和特征向量；③计算主成分。
当使用的矩阵是方差-协方差矩阵时，主成分分析称为非标准主成分分析。当使用的矩阵是相关矩阵时，作为标准的主成分分析，称为主成分分析。辛格和哈里森研究了1985年印度北部和东部的Landsat MSS数据。结果表明，标准主成分分析提高了信噪比，增强了图像信息。Ek-lundh和Singh对Landsat TM进行了主成分分析。现货等四种数据在1993。分析结果表明，与非标准主成分分析相比，标准主成分分析提高了图像的信噪比。
选择主成分分析是由Crosta A.P等人在1989中提出的，即选择地质波段进行主成分分析。在1990中，Loughlin W.P将Landsat TM数据分为两组，即1，3，4，5和1，4，5和7，分别作为主成分变换，通过比较PCA图像中矿物光谱曲线的特征向量载荷，即1，3，4进行制图。其实质是通过主成分变换扩展TM5与TM1、TM5与TM4的光谱对比度来提取氧化铁信息，通过扩展TM5与TM7的光谱对比度来提取含羟基矿物的光谱信息。
2.基于光谱特征反射率变化规律的信息提取方法
运算增强是利用加、减、乘、除及其混合运算对多波段图像进行图像信息提取和对比度增强的方法。约翰·麦克姆。Moore等人(1993)通过波段间加减增强了TM影像数据中石膏、粘土和热液蚀变硅的选择性，取得了良好的效果。事实上，图像增强中最常见的操作是除运算，通常称为比率操作。比值运算是利用不同地物在不同波段影像数据中的不同光谱反射特性，进行波段间除运算，提取地物信息，增强影像对比度。根据除法的分子和分母的不同，比率运算可以简单地分为简单比率、组合比率和标准化比率。
由于简单比值简单易操作，对比度增强效果显著，人们对常用遥感数据源的TM图像数据的带间比值做了充分的研究，并利用它们来增强和提取图像植被信息、岩石蚀变信息等。表4-1给出了TM数据波段之间的几个主要简单比率。
表4-4-1 TM数据波段之间的几种主要简单比率
(改编自童庆熙等(1994))
比值增强用于图像增强时，其基本作用有:①可以放大不同地物间微小的灰度差异，有利于区分光谱差异不太明显的地物，如岩石、土壤等，也可用于植被类型和分布的研究，可以消除或减弱地形等环境因素的影响。②可用于提取与矿化密切相关的岩石信息和蚀变信息。③色彩合成可以用来增强地物的信息表现，突出目标信息，即大气散射校正的比值图像与光照、太阳入射角、漫反射无关。其缺点是比值图像的独立光谱意义不存在，丢失了地物的全反射强度(反射率)信息，丢失了图像的地形信息。实践证明，在黑白比例图像上识别矿物信息是相当困难的。如果选取三幅能提取矿物信息的比值图像，根据色度学原理，用红、绿、蓝三种颜色组合，使矿物信息和围岩在图像上以不同的颜色出现，就可以用目测的方法在图像上直接识别矿物信息，并确定其位置。因此，可以认为比率颜色合成法是矿物信息提取的基本方法。
3.其他人
(1)直接主成分分析
Frazer S.J和Green A.A在1987中提出了有向主成分分析。通过对两幅比值图像(一幅是植被图像TM4/TM3，另一幅是蚀变图像，如TM5/TM7和TM5/TMI)进行主成分变换，可以增强蚀变信息，抑制植被的光谱干扰。赵等(1991)采用类似方法提取热液蚀变信息，Frazer S.J.(1991)区分和鉴定铁氧化物。张满郎(1996)对这种直接主成分分析提出了改进。输入TM7，TM1，TM4，TM3进行TM 1的比值，(TM4/TM3)主成分分析，生成的PC2增强了铁氧化物的光谱信息，抑制了植被的光谱干扰。由输入为TM5、TM7、TM4和TM3的比率(TM5/TM7、TM4/TM3)的主成分分析产生的PC2增强了含羟基矿物的光谱信息。斯里坎特和摩尔。j .郭(1994)对空间TM数据的对数残差图像进行主成分分析，改善了图像中地形特征的光谱差异，并利用直接主成分分析对西班牙西南部的图像子区域进行分析，成功改善了铁矿物的光谱对比度。
(2)比值法——特征主成分分析
该方法基于比值处理和特征主成分分析。比值法对蚀变信息的增强大多受区域自然条件的限制，以及干扰排除的光谱排除规律(植被、大气、地衣等。)需要采集各种地物的光谱数据，客观上也受到限制。刘志杰(1995)提出了比率-特征主成分混合分析法，结果如下。
1)含铁矿物光谱信息图像(简称F图像)的测定
首先以TM1，3，4，5为一组，寻找含铁矿物的图像。在同一个F图像中，含羟基矿物的信息会被掩盖，主成分会发生变换，变换后的PCA图像会尽可能地进行定性分析，确定F图像。该FPCA图像必须满足以下要求:TM3和TM1中的任一个具有相反的贡献标记，或者TM3和TM4具有相反的贡献标记，或者TM5和TM4具有相反的贡献标记；TM3或TM5中至少有一个是强负载。
2)含羟基矿物光谱信息图像(简称H图像)的确定。
类似于F图像的确定方法，进行提取H图像的变换过程。不同的是，在选择原始波段组合时，使用了两个比值图像:(TM5/TM7)和(TM4/TM3)而不是TM1，4，5，7。原因如下:第一，后一组图像变换后确定的PC4需要进行预处理，以满足H图像的要求。第二，最后的合成处理没有效果。原始F和H图像的亮度指数很低。为了产生良好的视觉效果，并有助于进一步解释F图像，平衡了H图像的直方图，并将增强的TM7图像与它们以红蓝假色组合。
(3)IHS变换(强度-色调-饱和度变换)
在色度学中，颜色可以用红(R)、绿(G)、蓝(B)三原色值来表示，也可以用人眼感知的色度变量来描述:亮度(I)、色相(H)和饱和度(S)。以上两个变量构成了色度学中的两个颜色坐标系:RGB颜色空间和IHS色度空间(也叫孟塞尔)这两个系统之间的关系可以如图4-4所示。此图中，I轴垂直于纸面(穿过S=0，白色)，沿I轴只有亮度的区别:圆圈代表H的变化，红色设为H = 0；径向代表饱和度，圆心是S=0的白色，圆周是S=1的白色，是最纯粹的颜色。很明显，RGB颜色空间坐标系和IHS颜色空间坐标系之间存在一定的关系，确定两者之间变换关系的颜色变换的数学模型称为IHS变换或颜色坐标变换(Munsell变换)。传统上，从RGB空间到IHS空间的变换称为正变换，从IHS空间到RGB空间的变换称为逆变换。
图RGB颜色空间和IHS色度空间之间的关系
由于IHS颜色变换具有灵活实用的优点，近年来越来越受到国内外研究者的重视，因此产生了许多IHS变换公式。目前，在遥感图像处理中，IHS变换主要用于以下三个方面:
1)彩色合成图像的饱和度增强。
2)不同分辨率遥感图像的复合显示。例如，通过IHS变换将Landsat MSS与数字航拍照片结合起来，可以产生像SPOT一样具有光谱(从绿色到近红外)和空间属性(10m)的彩色图像。
3)多源数据的综合展示。将地物、化探等地质信息数字化，将其作为H或S色度变量，将遥感影像作为I，进行IHS正变换，得到一幅彩色的遥感与地物、化探等地质信息的合成影像。这类影像一般既有遥感影像清晰的地貌和地质背景，又能在此背景上准确反映物化探等地质信息，非常有利于综合分析和解释二者的关系。
(4)去相关拉伸变换。
不相关拉伸变换是一种基于主成分变换的技术。它包括三个明显的阶段:①将原始图像波段转换成它们的主分量。②对比拉伸变换后的主成分。(3)进行逆主成分变换，并在原始颜色空间中显示。N.A .坎贝尔(1996)对这三个阶段进行了详细的研究。他认为去相关拉伸变换本质上是不同于主分量变换的另一种谱带线性变换。第二阶段对比拉伸归一化方差后，得到单位方差的不相关变量。增强显示图像方法的效果主要取决于该方法产生的特殊对比度。他研究了美国夏威夷州的热红外多光谱扫描仪(TIMS ),发现对定义第一主成分的特征向量的小变换仅导致去相关拉伸系数的小变化，但它产生了明显不同的去相关拉伸图像。对TM数据的可见光、近红外和短波红外六个波段的去相关拉伸分析表明，去相关拉伸的结果有些失真，即有些图像对去相关拉伸系数的微小变化敏感，而有些则不敏感。具体计算分析见原文。
总之，去相关拉伸变换是对原始光谱带的线性变换，通常是原始光谱带的加权和与差。研究表明，该方法对一些遥感影像数据是有效的，能够产生良好的影像效果，提供新的切入点。与主成分变换相比，其他图像数据处理的效果较差。像主成分变换和典型解析变换的图像显示一样，实际的去相关拉伸矢量很少被解释，因此无法从光谱上理解它们的结果图像。