高分辨率遥感影像处理——增强
第五章 遥感图像处理—图像增强
特征；其余三个分量与地物特征没有明确的对应关系。
七、多元信息复合
遥感图像信息融合(Fusion)是将多源遥感数据在统一的 地理坐标系中，采用一定的算法生成一组新的信息或合
其中：
k ( g 'max g 'min ) /( gmax gmin ) 255/ 52 4.9
b g 'ij kgij 0 49 49
2、非线性拉伸
（1）指数变换
xb be
（2）对数变换
axa
c
xb b度进行分层，每一层所包含的亮度值范围可以不
同。
图像密度分割原理可以按如下步骤进行：
（1）求图像的极大值dmax和极小值dmin； （2）求图像的密度区间ΔD = dmax-dmin + 1； （3）求分割层的密度差Δd =ΔD／n ，其中 n为需分割的层数；
（4）求各层的密度区间；
（5）定出各密度层灰度值或颜色。
减法运算可以增加不同地物间光谱反射率以及在 两个波段上变化趋势相反时的反差。不同时相同 一波段图像相减时，可以提取波段间的变化信息。
T M 4 影 像
T M 3 影 像
TM4-TM3影像
87 年 影 像
92 年 影 像 变化监测结果影像
（二）加法运算
B= i /m
i=1 m
加法运算可以加宽波段，如绿色波段和红色波 段图像相加可以得到近似全色图像；而绿色波 段，红色波段和红外波段图像相加可以得到全 色红外图像。
-1 -2 -1 0 0 0 1 2 1 1 2 0 -2 1 0 -1
高分辨率遥感影像可视化处理方法改进概述
高分辨率遥感影像可视化处理方法改进概述遥感技术在地理信息系统和环境监测等领域起着重要作用。
高分辨率遥感影像提供了丰富的信息，但其处理和可视化过程面临许多挑战。
为了改善高分辨率遥感影像的可视化效果，研究人员们持续努力，提出了许多改进方法。
本文将概述一些常用的方法和技术，以帮助读者更好地了解高分辨率遥感影像的可视化处理。
在高分辨率遥感影像的可视化处理中，最常见的方法是基于通道增强的技术。
通过优化通道的权重和增强对比度，可以明显改善图像的视觉效果。
通道增强方法包括直方图均衡化、线性拉伸、自适应直方图均衡化等。
这些方法能够增强图像的细节和对比度，使影像中的特征更加清晰可见。
除了通道增强方法，一种更高级的方法是基于图像融合的技术。
图像融合是将多个不同模态的遥感影像融合为一个有信息丰富性和更好可视化效果的影像。
常见的图像融合方法包括主成分分析融合、小波变换融合和多尺度融合等。
这些方法能够充分利用多种类型的遥感影像信息，提高图像的分辨率和空间细节。
此外，图像增强和降噪也是高分辨率遥感影像可视化处理中的重要环节。
图像增强通过图像灰度拉伸、对比度增强和色彩平衡等方法改善图像的视觉效果。
降噪技术则可以通过滤波和去除干扰物等方法减少图像中的噪点和杂乱信息。
这些方法能够提高图像的质量，使重要的地物和特征更加明显和易于识别。
在高分辨率遥感影像可视化处理中，还可以应用一些机器学习算法和人工智能技术。
例如，卷积神经网络（CNN）在图像分类和目标检测方面具有优势。
通过训练合适的CNN模型，可以将高分辨率遥感影像分类为不同的地物类别，从而更好地理解和利用影像信息。
此外，生成对抗网络（GAN）等技术也可以用于生成逼真的合成影像，以增强图像的可视化效果。
除了以上提到的方法，高分辨率遥感影像可视化处理中还存在许多其他改进方法。
例如，多角度观测技术、多光谱融合技术和图像分割技术等，都可以在特定应用领域中发挥重要作用。
这些方法的不断改进和创新将进一步推动高分辨率遥感影像的可视化处理前进。
第四章3遥感图像处理图像增强
5.遥感图像多光谱变换(Ⅰ)——主成分分析(K—L变换)
② 就变换后的新波段主分量而言，K—L变换后的 新波段主分量包括的信息量不同，呈逐渐减少趋 势。其中，第一主分量集中了最大的信息量，常 常占80％以上，第二、第三主分量的信息量依次 快速递减，到第n分量信息几乎为0。由于K—L变 换对不相关的噪声没有影响，所以信息减少时， 便突出了噪声，最后的分量几乎全是噪声。所以 这种变换又可分离出噪声。
基于上述特点，在遥感数据处理时，常常用K— L变换作数据分析前的预处理（数据压缩和图像增
强）。举例P125
6.遥感图像多光谱变换(Ⅱ)——缨帽变换(K—T变换)
(1)K—T变换是Kauth—Thomas变换的简称，这种变换也是 一种线性组合变换，其变换公式为：Y=BX 这里X为变换前的多光谱空间的像元矢量，y为变换后的 新坐标空间的像元矢量，B为变换矩阵。这也是一种坐标 空间发生旋转的线性变换，但旋转后的坐标轴不是指向主 成分方向，而是指向了与地面景物有密切关系的方向。 1984年，Crist和Cicone提出TM数据在K—T变换时的B值： P126 在此，矩阵为6X6，主要针对TM的1至5和第7波段，低分 辨率的热红外(第6波段)波段不予考虑。
1.遥感图像增强(工)——对比度变化1
非线性变换
直方图均衡化(histogram equalization):把原图像的直方 图变换为灰度值频率固定的直方图，使变换后的亮度级 分布均匀，图像中等亮度区的对比度得到扩展，相应原 图像中两端亮度区的对比度相对压缩。
1.遥感图像增强(工)——对比度变化1
MN
r(i, j) (m, n)t(m, n) m1 n1
将计算结果放在窗口中心的像元位置，成为新像元的灰度 值。然后活动窗口向右移动一个像元，再做同样的运算。 P117说明
高分辨率无人机遥感影像处理方法与实践
高分辨率无人机遥感影像处理方法与实践随着无人机技术的发展，高分辨率无人机遥感影像在地质勘探、农业、城市规划和环境监测等领域得到了广泛应用。
针对这些高分辨率无人机遥感影像，如何有效地处理和分析成为了研究的重点。
本文就高分辨率无人机遥感影像处理方法进行探讨与实践。
首先，在处理高分辨率无人机遥感影像时，首要任务是对图像进行预处理。
这包括图像去噪、边缘提取、图像增强和图像配准等步骤。
图像去噪是为了降低图像中的噪声，通常使用滤波技术进行处理。
常见的滤波方法有中值滤波、均值滤波和高斯滤波。
边缘提取是为了获取图像中物体的边界信息，常用的方法有Canny边缘检测算法和Sobel算子。
图像增强则主要是通过对比度拉伸、直方图均衡化等技术提升图像的视觉效果。
图像配准是将不同角度拍摄的图像进行几何校正，使其能够互相重叠和比较。
常见的图像配准方法有特征匹配法和相位相关法。
其次，高分辨率无人机遥感影像的分类与识别也是一个重要的研究方向。
传统的分类方法主要是使用像元级别的特征进行分类，如灰度直方图、纹理特征和形状特征等。
但是，由于高分辨率无人机遥感影像具有丰富的空间信息，传统方法可能无法充分利用这些信息。
因此，近年来，基于深度学习的方法在高分辨率无人机遥感影像分类中得到了广泛应用。
深度学习模型如卷积神经网络（CNN）和循环神经网络（RNN）等可以很好地从大量样本中学习并提取特征，实现较高的分类精度。
此外，高分辨率无人机遥感影像的目标检测也是一个重要的研究方向。
目标检测是指从图像中识别和定位特定目标的过程。
传统的目标检测方法主要是基于统计模型或特征工程，但是这些方法受限于特征表达的能力和复杂的背景环境。
近年来，基于深度学习的目标检测方法取得了显著的进展。
其中，基于区域提议的方法如R-CNN、Fast R-CNN和Faster R-CNN等被广泛应用于高分辨率无人机遥感影像的目标检测中。
最后，高分辨率无人机遥感影像的地物变化监测也是无人机遥感影像处理中的重要任务之一。
遥感影像的分辨率+遥感影像的处理+遥感影像的特点
北京揽宇方圆信息技术有限公司遥感影像的分辨率空间分辨率（Spatial Resolution）又称地面分辨率。
后者是针对地面而言，指可以识别的最小地面距离或最小目标物的大小。
前者是针对遥感器或图像而言的，指图像上能够详细区分的最小单元的尺寸或大小，或指遥感器区分两个目标的最小角度或线性距离的度量。
它们均反映对两个非常靠近的目标物的识别、区分能力，有时也称分辨力或解像力。
光谱分辨率（Spectral Resolution）指遥感器接受目标辐射时能分辨的最小波长间隔。
间隔越小，分辨率越高。
所选用的波段数量的多少、各波段的波长位置、及波长间隔的大小，这三个因素共同决定光谱分辨率。
光谱分辨率越高，专题研究的针对性越强，对物体的识别精度越高，遥感应用分析的效果也就越好。
但是，面对大量多波段信息以及它所提供的这些微小的差异，人们要直接地将它们与地物特征联系起来，综合解译是比较困难的，而多波段的数据分析，可以改善识别和提取信息特征的概率和精度。
辐射分辨率（Radiant Resolution）指探测器灵敏度——遥感器感测元件在接收光谱信号时能分辨的最小辐射度差，或指对两个不同辐射源的辐射量的分辨能力。
一般用灰度的分级数来表示，即最暗——最亮灰度值(亮度值)间分级的数目——量化级数。
它对于目标识别是一个很有意义的元素。
时间分辨率（TemporalResolution）是关于遥感影像间隔时间的一项性能指标。
遥感探测器按一定的时间周期重复采集数据，这种重复周期，又称回归周期。
它是由飞行器的轨道高度、轨道倾角、运行周期、轨道间隔、偏栘系数等参数所决定。
这种重复观测的最小时间间隔称为时间分辨率。
遥感影像的处理这种方案应用还算比较用的，如果不用这种方案，在缩放的时候就会速度很慢，但是会比较占硬盘，特别是1个多G的数据的时候。
一般是2倍缩放，但是这种方案不知道是取平均还是直接取4个像素中的某个，按理说第二种是可行的，如果仅仅是显示的话，因为具体选点的时候，如果仅在2倍大小选点的话，还是有0.5个像素的选点误差。
遥感卫星影像仪的高效图像处理与智能解译技术
遥感卫星影像仪的高效图像处理与智能解译技术遥感卫星影像仪在现代地球观测和环境监测中扮演着重要角色。
它们能够获取地球表面的高分辨率图像，为各个领域的研究和决策提供了宝贵的数据支持。
然而，由于获取到的遥感数据庞大且复杂，需要进行高效的图像处理和智能解译，才能更好地发挥其价值。
本文将介绍一些相关的高效图像处理和智能解译技术。
一、遥感卫星影像仪的图像处理技术1. 图像增强图像增强是提高遥感影像视觉效果和信息可提取性的重要步骤。
通过调整图像的亮度、对比度和色彩平衡等参数，可以增强图像的细节和辨识度。
常用的图像增强技术包括直方图均衡化、滤波和锐化等。
2. 图像拼接由于遥感卫星影像仪的视场有限，通常需要多幅影像进行拼接，以获取更大范围的地表信息。
图像拼接技术可以将多幅影像无缝拼接成一幅大图像，保持图像的连续性。
常用的图像拼接算法包括特征点匹配和块匹配法等。
3. 压缩与存储由于遥感数据量庞大，为了有效地传输和存储，需要进行数据压缩。
常见的遥感数据压缩算法有有损压缩（如JPEG）和无损压缩（如LZW）等。
压缩后的数据可以节约存储空间，并且有利于后续处理和分析。
二、遥感卫星影像仪的智能解译技术1. 自动分类遥感影像中的特征信息非常丰富，通过使用机器学习和人工智能等技术，可以实现对地物的自动分类。
常见的自动分类算法包括支持向量机（SVM）、神经网络和决策树等。
这些算法可以根据遥感影像的特征，自动将地物分成不同的类别，提高分类的准确性和效率。
2. 目标检测目标检测是在遥感影像中寻找并识别感兴趣的目标物体。
借助深度学习等技术，可以实现对遥感影像中的建筑物、道路和水体等目标的快速检测。
目标检测技术有助于地理信息系统（GIS）的建设和城市规划等领域的决策支持。
3. 变化检测利用不同时期的遥感影像，可以进行地表变化的检测。
通过比较两幅或多幅影像之间的差异，可以判断出地表的变化情况。
变化检测技术在环境监测、灾害评估和资源管理等方面具有重要的应用价值。
高分辨率遥感数据的处理与分析方法
高分辨率遥感数据的处理与分析方法遥感技术的发展日益成熟，高分辨率遥感数据的获取量逐渐增加。
如何处理和分析这些海量数据成为遥感领域的重要研究课题。
本文将介绍高分辨率遥感数据的处理与分析方法，并探讨其在不同领域的应用。
一、数据预处理高分辨率遥感数据的预处理是数据处理的重要步骤，它包括数据去噪、辐射校正、几何校正等内容。
1. 数据去噪：高分辨率遥感数据中常常存在各种噪声，如椒盐噪声、斑点噪声等。
为了减少噪声对后续分析的影响，可以采用滤波算法对数据进行去噪处理，如中值滤波、均值滤波等。
2. 辐射校正：高分辨率遥感数据的辐射校正是将原始数据转换为物理度量的一个过程。
通过影像的辐射校正，可以消除大气、地表反射率等因素对遥感影像的影响，得到准确的反射率信息。
3. 几何校正：高分辨率遥感数据的几何校正是将影像的像素空间坐标与实际地理坐标之间建立映射关系的过程。
通过准确的几何校正，可以保证影像的空间精度，提高后续分析的可靠性。
二、数据分类与特征提取高分辨率遥感数据的分类和特征提取是将遥感影像转化为语义信息的重要工作。
1. 数据分类：数据分类是指将遥感影像中的像素根据其反射率或其他属性进行分类，以获得具有不同意义的地物信息。
常用的分类方法包括基于像元的分类、基于对象的分类和基于深度学习的分类等。
2. 特征提取：特征提取是将遥感影像中不同地物的特征进行提取和描述的过程。
常用的特征提取方法包括纹理特征提取、形状特征提取、光谱特征提取等。
通过特征提取，可以获得地物的几何、纹理和光谱等多维信息，为后续的应用提供基础。
三、数据融合与信息提取高分辨率遥感数据融合与信息提取是将多源数据融合，获取更丰富的地物信息的关键环节。
1. 数据融合：高分辨率遥感数据融合是指将不同源、不同分辨率的遥感数据进行融合，以获取更全面、更准确的地物信息。
常见的数据融合方法包括基于智能算法的融合、基于模型的融合等。
2. 信息提取：通过数据融合，可以获取到更丰富的地物信息。
高分辨率遥感影像的处理与分析
高分辨率遥感影像的处理与分析在当今科技飞速发展的时代，高分辨率遥感影像已经成为了获取地球表面信息的重要手段。
它就像我们观察地球的“超级眼睛”，能够以极高的清晰度和精度呈现出地球上的各种地貌、植被、建筑物等。
然而，要想从这些海量的影像数据中提取出有价值的信息，就需要进行一系列复杂的处理和分析工作。
高分辨率遥感影像的特点十分显著。
首先，它具有极高的空间分辨率，这意味着我们能够看到更加精细的地物细节，比如建筑物的门窗、道路上的标线等。
其次，它包含丰富的光谱信息，能够让我们更好地区分不同类型的地物。
但与此同时，高分辨率遥感影像也带来了一些挑战。
比如，数据量巨大，处理起来需要耗费大量的时间和计算资源；由于成像条件的影响，可能存在几何变形、噪声等问题。
在对高分辨率遥感影像进行处理时，几何校正至关重要。
由于卫星在拍摄过程中可能会受到各种因素的影响，导致影像存在几何变形，使得影像中的地物位置与实际位置产生偏差。
为了纠正这种偏差，我们需要通过选取地面控制点，并利用相应的数学模型来进行几何校正，从而使影像能够准确地反映地物的真实位置和形状。
辐射校正也是必不可少的一步。
由于传感器的性能差异、大气散射等原因，影像的辐射亮度值可能会存在偏差。
通过辐射校正，我们可以消除这些偏差，使得不同时间、不同传感器获取的影像具有可比性，从而更准确地进行地物信息的提取和分析。
图像增强是为了突出影像中的有用信息，提高影像的可读性和可解译性。
常见的图像增强方法包括对比度拉伸、直方图均衡化等。
对比度拉伸可以加大影像中灰度值的差异，使得地物的轮廓更加清晰；直方图均衡化则是通过重新分布影像的灰度值，来增强影像的整体对比度。
影像融合则是将不同分辨率、不同光谱特性的影像进行整合，以获取更全面、更准确的信息。
例如，将高分辨率的全色影像与低分辨率的多光谱影像融合，可以在保持高空间分辨率的同时，又具有丰富的光谱信息。
在完成了影像的处理之后，接下来就是对其进行分析。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
• 005516486010_01_P001_MUL/05MAY07031427-M2AS-005516486010_01_P001.TIF
• 005516486010_01_P001_MUL/05MAY07031427-M2AS-005516486010_01_P001.TIL
• 005516486010_01_P001_MUL/05MAY07031427-M2AS-005516486010_01_P001.IMD
– 辐射增强； – 空间增强； – 光谱增强；
3
IKONOS文件组成
• License 文件； • AOI、组成和影像3个Shp文件； • 元数据文件 • 头文件 • GeoTiff文件 • 带坐标Jpeg文件 • RPC文件
4
2
QuickBird文件组成
• fileList = "GIS_FILES/005516486010_01_PRODUCT_SHAPE.shp
– 进行地表覆盖分析 – 进行农作物的长势动态监测和产量估算 – 进行生物量估算和农、林虫害监测
26
13
图像变换
• 2、缨帽变换（Kauth-Thomas）：是一种经验性的多波段图像的线性变换，在1976年 研究MSS图像用于反映农作物或植被生长过程中发现的数据结构（Kauth and Thomas,1976）。后来在TM的研究中得到扩展(Crist and Cicone,1984)。 IKONOS 数据经过改进的缨帽变换后，提高了植被的识别效率，特别是对乔树、灌木、草和 农田的区分更好，另外对区分植被和人工地物的效果也好(Horne,2003)。
• GIS_FILES/005516486010_01_TILE_SHAPE.shp
• GIS_FILES/005516486010_01_ORDER_SHAPE.shx
• GIS_FILES/005516486010_01_ORDER_SHAPE.shp
• GIS_FILES/005516486010_01_ORDER_SHAPE.dbf
• 005516486010_01_README.XML
• 005516486010_01_LAYOUT.JPG
• 005516486010_01_P001_MUL/05MAY07031427-M2AS-005516486010_01_P001-BROWSE.JPG
• 005516486010_01_P001_MUL/05MAY07031427-M2AS-005516486010_01_P001_README.TXT
• 005516486010_01_P001_MUL/DEMONSTRATION.TXT
• 005516486010_01_P001_MUL/05MAY07031427-M2AS-005516486010_01_P001.XML
• 005516486010_01_P001_MUL/05MAY07031427-M2AS-005516486010_01_P001.RPB
相关（3）变换前后方差总和不变，而把原来的方差不等量地再分配到新的组分中。 随着组分图像方差的依次减少，包含的信息量也剧减。
29
主组分变换（Karhunen-Lovev）举例
30
15
主组分变换（Karhunen-Lovev）举例
红红、、绿绿、、蓝蓝
PPCC11,,22,,33
近近红红外外、、红红、、绿绿
• 这些扩张是由 JPL和 SPOT 影像开发的，由 TIFF 标签tags 和键 keys组成提供附加的地理元 数据
7
影像输入
• 黑白、假彩色和彩色显示
• 直方图：是一种直观描述图像中所有灰度值概率分布的直角坐标系图。一般地，直 方图的横坐标表示图像的灰度级变化，纵坐标表示图像中各个灰度级像元数占整幅 图像像元数的百分比或累积百分比。
28
14
图像变换
• 3、主组分变换（Karhunen-Lovev）
• K-L（Karhunen─Loeve）变换在图像处理中又称主成分分析或叫主成分变换它是在 统计特征基础上的多维正交线性变换。
• 公式：Y=AX , 其中X,Y分别为变换前后矢量， A为协方差矩阵。 • 主要特性和作用：（1）实现对图像的信息归并并使数据量得到有效压缩; （2）去
• GIS_FILES/005516486010_01_STRIP_SHAPE.shp
• GIS_FILES/005516486010_01_STRIP_SHAPE.shx
• GIS_FILES/005516486010_01_STRIP_SHAPE.dbf
• 005516486010_01_README.TXT
• GIS_FILES/005516486010_01_PRODUCT_SHAPE.shx
• GIS_FILES/005516486010_01_PRODUCT_SHAPE.dbf
• GIS_FILES/005516486010_01_TILE_SHAPE.dbf
• GIS_FILES/005516486010_01_TILE_SHAPE.shx
• 005516486010_01_P001_PAN/05MAY07031427-P2AS-005516486010_01_P001.TIL
• 005516486010_01_P001_PAN/05MAY07031427-P2AS-005516486010_01_P001.TIF
• 005516486010_01_P001_PAN/05MAY07031427-P2AS-005516486010_01_P001.IMD";
高分辨率遥感影像处理 ——影像增强
• 影像增强概述 • 影像输入 • 影像显示 • 影像增强 • 影像融合
提纲
1
2
1பைடு நூலகம்
影像增强
• 影像增强是使影像更加清晰可读的过程，让原始 遥感影响更适合于目视解译；
• 影响影像增强技术的主要因素：
– 遥感数据本身； – 分析任务； – 分析人员本身；
• 常见的影像增强技术：
11
景山公园:自然彩色
Bands 3 (red), 2 (green) ,1 (blue)
2.4 m GSD
12
6
景山公园: 彩红外
Bands 4 (NIR), 3 (red), 2 (green)
2.4 m GSD
13
景山公园: 全色
450-900 nm (45-90 µ) Spans all spectral regions
• 直方图均衡化又称直方图平坦化，即通过变换函数T®将原始直方图调整为一个 新的均衡（平坦）直方图。其效果类似于中区扩展。
23
比值（差值）处理
• 1、比值法的作用：简单地说就是除法运算（或差和比 值运算）。用于突出地物类别和目标信息。
• 2、植被指数：多光谱数据经线性和非线性组合构成的 对植被有一定指示意义的各种数值。如比值植被指 数、归一化植被指数和绿度指数。
60 cm GSD
14
7
辐射增强
• 反差增强
– 线性拉伸：高分辨率遥感影像亮度级可以为2048，然而实际遥感图像数据很少利用
到2048个灰度。
15
1、线性拉伸
• 假定原始图像的灰度值变量为X, 其范围是[a，b]，经线性变换后输出图像的灰度值 变量为Y，范围扩展为[c，d]。则Y与X的关系可以用数学表达式Y={[(d-c)/(ba)]*(x-a)}+c表示。以此达到扩大图像动态范围的目的。根据图像直方图分布的具 体情况，还可以采用去头去尾线性扩展和分段线性扩展
原始影像
线性拉伸影像
16
8
2、非线性拉伸
• 非线性拉伸对于要进行拉伸的灰度范围是有选择的
• （1）、指数变换法 • （2）、对数变换法 • （3）、高斯变换 • （4）、正切变换
原始影像
高斯拉伸影像
17
（遥感专业软件处理）
色调调整
线性拉伸
18
9
（非遥感专业软件处理）
色调调整
整体调整
压缩色阶，使 颜色信息可视
• （1）、比值植被指数（DVI）:近红外波段/可见光红 光波段，如B4/B3;
• （2）、归一化植被指数（NDVI):(B4-B3)/(B4+B3)
24
12
比值（差值）处理
Nir/R
NDVI
25
比值（差值）处理
• 植被指数的应用：可以诊断植被的一系列生物物理量，如叶面指数
(LAI）、植被覆盖度、生物量、光合有效辐射吸收系数APAR等。
3
文件格式
• 影像文件格式决定数据被软件和系统识别和读写 操作
• 中国用户主要采用GeoTIFF 1.0格式
• GeoTIFF 文件是 TIFF 6.0 文件加有关影像地理 位置的元数据文件，因此， GeoTIFF 格式是带坐 标的Tagged Image File Format (TIFF 6.0).
11bit数据在 16位通道下 无法正常显示
19
色调调整
局部范围调整
分波段调整
对蓝、绿、红三个通道 分别进行调整，使整体 色调接近真实
对局部选区做 色彩调整，平 衡影像色调
20
10
色调调整
色彩调整（遥感专业软件处理）
像素值分段拉伸
21
影像处理——11bit Æ 8bit
22
11
3、直方图均衡化处理
• 005516486010_01_P001_PAN/05MAY07031427-P2AS-005516486010_01_P001-BROWSE.JPG
• 005516486010_01_P001_PAN/05MAY07031427-P2AS-005516486010_01_P001_README.TXT