城市遥感影像空域增强方法：原理、方法和应用

空域影像增强是直接对影像的像素进行处理，空域影像增强方法主要分为两类:空域变换增强方法和空域滤波增强方法。

1.空域变换增强方法

在空域变换增强方法中，影像中任意一个像素点增强后的像素值仅与原始影像中对应点的像素值有关，而与其邻域的像素值无关。空域变换增强方法主要包括灰度变换和直方图处理。空域变换增强的关键是设计合适的映射函数。映射函数的设计主要分为两类:一类是根据图像特点和处理工作的需要，人为地设计映射函数，试探其处理效果；另一类是从改变影像整体的灰度分布出发，设计映射函数，使变换后的影像的灰度直方图达到或者接近预定的形状。

1)灰度变换

灰度变换的主要目的是使影像动态范围增大，对比度得到拉伸，影像更加清晰，特征对比更加明显。灰度变换利用点运算修正像素灰度，由输入像素点的灰度值确定相应输出点的灰度值，而不改变图像内的空间关系。灰度变换函数主要包括线性变换函数、分段线性变换函数和非线性变换函数三类。基本的灰度变换函数如图7-11所示。图7-12为灰度变换示例。

图7-11　用于影像增强的基本灰度变换函数

2)直方图处理

影像的直方图是影像各灰度值统计特性与灰度值的函数，它描述了影像中的每个亮度值DN的像元数量的统计分布。

(1)直方图均衡化。

直方图均衡化，即直方图归一化，是指选择合适的变换函数T(r)对已知灰度概率密度函数为Pr(r)的原始影像进行修正，得到一幅灰度级具有Ps(s)均匀分布的新影像。直方图均衡化的中心思想是把原始影像的灰度直方图从比较集中的某个灰度区间进行非线性拉伸，重新分配影像的像素值，使得一定灰度范围内的像素数量大致相等，把原始影像直方图分布变成均匀分布的直方图分布。直方图均衡化方法能够扩展像素取值的动态范围，达到增强影像整体对比度的效果。

彩色影像的直方图均衡化方法主要分为两类。一类是在RGB彩色空间内分别对每个彩色分量进行直方图均衡化处理，再将R、G、B三个分量进行合成得到最终的结果影像；另一类是将影像从RGB空间转换到HSI空间，仅对亮度分量I进行直方图均衡化处理，并保持色调分量H和饱和度分量S不变，再转化到RGB空间，得到最终的结果图像(图7-13)。

图7-12　灰度变换示例

均衡化后的影像比原始影像的灰度级范围更宽，处理过程中所需的参数完全来自影像本身，不需要任何额外的参数，是一种有力的自适应增强工具，而且该方法很容易实现。直方图均衡化通常在影像灰度比较集中于某一段的情况下，均衡化后的效果较好。但是，直方图均衡化的本质是减少影像的灰度级以获取对比度的增大，原来的直方图中频数较小的灰度级被归入很少几个或一个灰度级内，输出影像的实际灰度变换范围很难达到影像格式所允许的最大灰度变化范围，导致图像部分细节丢失。此外，直方图均衡化只能产生一种近似均匀的直方图，其值与理想值仍可能存在较大差异，并非最佳值。

图7-13　直方图均衡化示例

一些学者在直方图均衡化算法的基础上又提出了一些改进算法。Kim(1997)提出了一种保持亮度特性的直方图均衡算法(BBHE)。Wan等(2011)提出了一种二维子图直方图均衡化算法(DSIHE)。Chen和Ramli(2004)提出最小均方误差双直方图均衡算法(MMBEBHE)。其他一些基于直方图均衡化的局部增强的算法主要有:递归均值分层均衡处理(RMSHE)、动态直方图均衡算法(DHE)、多层直方图均衡算法(MHE)、递归子图均衡算法(RSIHE)、保持亮度特性动态直方图均衡算法(BPDHE)、亮度保持簇直方图均衡处理(BPWCHE)等。这些算法与传统的直方图增强算法相比，增强效果均有所提高，但是算法也更加复杂。

(2)直方图规定化。

直方图规定化，即直方图匹配，使原始影像的直方图与另一幅影像的直方图匹配或者生成具有指定直方图的影像的方法。直方图规定化能够突出感兴趣的灰度范围，使影像质量得到改善，可以看作直方图均衡化方法的改进。直方图规定化是有选择地对影像进行增强，且需要人为地给定需要的直方图，能够得到特定增强的结果。图7-14为直方图规定化示例。

图7-14　直方图规定化示例

空域变换增强方法运算简单，能够在很大程度上提高影像的全局对比度，但是这类方法没有考虑成像的物理光学特性，忽略了单个像素与其他像素之间的联系，以及像素与整幅影像的联系，也无法构建一条适用于大部分影像的每个像素的映射曲线，因此增强后的影像会存在细节和边缘信息丢失、颜色失真等缺陷。(www.xing528.com)

2.空域滤波增强方法

在空域滤波增强方法中，影像中任意一个像素点增强后的像素值与原始影像中对应点的像素值及其邻域的像素值均有关。空域滤波增强方法中常用的滤波器主要包括平滑滤波器和锐化滤波器。定义一个点(x，y)邻域的主要方法是利用中心在点(x，y)的正方形或矩形子图像，子图像的中心从左上角开始T操作应用到每一个位置，得到该点的输出。假设T操作在以(x，y)为中心的矩形邻接域时，其表达式为

最常用的是3×3的邻域(模板)，其表达式为

1)平滑空间滤波器

平滑滤波通常用于消除或减弱影像中具有较大、较快变化的部分的影响，通常这些部分对应高频分量，因此也会导致影像细节和边缘信息的丢失。空域平滑滤波器对应于频域低通滤波器，频域越宽，空域越窄，平滑作用越弱；反之，频域越窄，空域越宽，模糊作用越强。针对不同的噪声类型需要采用不同的平滑滤波器。平滑滤波器一般可分为线性平滑滤波器和非线性平滑滤波器。

(1)线性平滑滤波器。

线性平滑滤波器即均值滤波器，均值滤波采用的方法主要是邻域平均法，即对待处理的像素点(x，y)选择一个由其近邻M个像素组成的模板，并求该模板中所有像素的均值，再把该值赋给像素点(x，y)的算术平均值作为邻域平均处理后的灰度值。常见的均值滤波器包括:算数均值滤波器、几何均值滤波器、谐波均值滤波器和逆谐波均值滤波器等。均值滤波器的主要目的是减弱或者消除影像中的高斯噪声，改善影像的质量。但是，均值滤波对椒盐噪声的处理效果不是很好。在消除噪声的同时对影像的高频细节造成破坏和损失，使得影像变得模糊，而且随着邻域的增大，影像的模糊程度也越严重。图7-15为线性平源滤波示例。

(2)非线性平滑滤波器。

非线性平滑滤波器即中值滤波器，是指先将掩模内欲求的像素及其领域的像素值排序，确定出中值，并将中值赋予该像素点。中值滤波的原理是:将模板中心与像素位置重合，读取模板下各对应像素的灰度值，然后将这些灰度值按从小到大的顺序排成1列，找出排在中间的灰度值，并将这个中间值作为模板中心位置的像素值。中值滤波器适用于含有椒盐噪声的影像，不适用于线、尖顶等细节较多的影像。常见的中值滤波器包括:二维中值滤波器、加权中值滤波器和自适应中值滤波器等。中值滤波器的消噪效果取决于模板的尺寸和参与运算的像素数。中值滤波能够有效清除噪声，同时保持良好的边缘特性，适合于消除椒盐噪声。但是，中值滤波对高斯噪声的处理效果不是很理想。对于一些复杂的影像，可以使用复合型中值滤波达到更好的滤波效果。图7-16为非线性平滑滤波示例。

图7-15　线性平滑滤波示例

2)锐化空间滤波器

锐化空间滤波器通常用于消除或减弱原始影像中灰度值变化比较缓慢的部分，目的是突出影像的边缘或者增强影像细节。空域锐化滤波器对应于频域高通滤波器，空域有正负值，在接近原点处为正，远离原点时为负。影像模糊的实质是受到平均运算或者积分运算的影响，若使影像变清晰，需要对其进行逆运算，这就是锐化的数学机理。常用的锐化方法有梯度算子法和二阶导数算子法。

常用的梯度算子有Roberts算子，Prewitt算子，Sobel算子和Krisch算子等。Roberts算子边缘定位较准，但对噪声比较敏感。Sobel算子比较简单，锐化的边缘信息较强。Prewitt算子与Sobel算子相比，有一定的抗干扰性，影像效果比较干净。Krisch算子对噪声有较好的抑制作用。

二阶导数算子法为Laplacian算子法，是最常见的线性锐化滤波器，这种滤波器的中心系数应为正的，而周围的系数应为负的。Laplacian算子获得的边界是比较细致的边界，反映的边界信息包括了许多的细节信息，但是所反映的边界不太清晰。Laplacian检测模板的特点是各向同性，其对孤立点和线端的检测效果较好，但是边缘方向信息丢失，同时对噪声比较敏感。典型的Laplacian算子如图7-17所示。图7-18为锐化空间滤波示例。

图7-16　非线性平滑滤波示例

图7-17　典型的Laplacian算子