基于视觉特性的城市遥感影像增强方法

基于视觉特性的影像增强方法主要分为两大类。一类是基于Retinex理论的增强算法；另一类是在色彩空间模型中只对亮度分量进行变换，保持色调不变以保证没有颜色偏移的增强方法。

基于Retinex理论增强算法的代表性的成果包括:美国国家航空航天局(NASA)的J.J.McCann和Daniel J.Jobson等在Edwin H.Land等(2004)提出的Retinex算法的基础上提出的单尺度Retinex图像增强算法(SSR)、多尺度Retinex图像增强算法(MSR)(图7-30)和带彩色恢复的多尺度Retinex图像增强算法(MSRCR)。这类算法可以改善颜色恒常性，压缩影像的动态范围，提高影像对比度，但是在符合视觉感知特性的前提下将颜色和亮度信息进行了混合处理，改变了色调，导致了不同程度的颜色失真。

图7-30　多尺度Retinex图像增强算法效果图

在色彩空间模型中只对亮度分量进行变换的同时保持色调不变的增强方法，通常是将影像从RGB空间转换到HSI或HSV空间，消除颜色分量的相关性。其中，H表示色调，S表示饱和度，I或V表示亮度。在影像增强过程中，通过调整S、I或者V分量，并保持H分量不变，达到颜色恒常的目的。这类算法需要进行色彩空间的转换，比较耗时，无法实现影像的实时增强。(www.xing528.com)

城市遥感影像空域增强方法和频域增强方法比较简单，但这些方法本身具有很大的局限性，没有考虑影像的模糊性，只是简单地对整幅影像的对比度进行拉伸或消除噪声。但在消除噪声的同时也导致了影像细节信息丢失、颜色失真等现象。

基于模糊集合理论的城市遥感影像增强方法在一定场合具有很好的影像增强效果。该方法的关键是在模糊域中选择合适的增强变换函数，但是增强变换函数在很大程度上取决于原始影像的特性，而图像本身具有复杂性，因此该方法没有得到广泛应用。

基于人工神经网络的城市遥感影像增强方法由于其模型复杂，参数较多，且对不同类型的影像进行处理时，不同参数选择会产生不同的处理效果，往往需要人工干预选择参数才能达到较好的增强效果。

基于视觉特性的城市遥感影像增强方法是一种新的研究趋势，但是该理论目前还不够成熟，人们对视觉特性没有达到充分的认识，也没有通用的标准，主要根据视觉经验知识和主观判断。