Extracción de información espectral por teledetección

Después de obtener nuevos datos espectrales de teledetección, es necesario mejorar o desarrollar nuevos métodos basados ​​en la tecnología de procesamiento de imágenes original para utilizar mejor los datos espectrales y extraer nueva información. El procesamiento de imágenes por teledetección generalmente se divide en cuatro partes: restauración de imágenes, mejora de imágenes, síntesis de imágenes y clasificación de imágenes. El procesamiento de restauración de imágenes se refiere a la corrección y compensación de la distorsión de la radiación, la distorsión geométrica, diversos ruidos y la pérdida de información de alta frecuencia durante el proceso de obtención de imágenes. Pertenece a la categoría de preprocesamiento, que generalmente incluye corrección radiométrica, corrección geométrica, corrección tangente, rayado, amplificación digital y mosaico. Es el primer paso en el procesamiento general de imágenes de teledetección. El procesamiento de mejora de imágenes, también conocido como extracción de información de imágenes, se refiere a amplificar las diferencias en escala de grises entre los objetos en la imagen a través de alguna transformación matemática para resaltar la información principal del objetivo o mejorar el efecto visual de la imagen, mejorar la capacidad de interpretación del intérprete o directamente Identificar el objeto, es el aspecto más importante del procesamiento de imágenes en aplicaciones de teledetección. Debido a que no solo requiere comprender el mecanismo de formación de la imagen, sino que también logra el propósito de extraer información del objetivo de la imagen mediante el estudio de las características espectrales y espaciales del objetivo, existen muchos métodos en esta área, incluida la mejora del contraste, la mejora del color y la operación. mejora, mejora de transformación, etc. El procesamiento de síntesis de imágenes, también conocido como síntesis de información múltiple, es la forma más eficaz de aplicación de la teledetección y también es la única forma de resolver problemas prácticos mediante la aplicación integral de la teledetección, los sistemas de información geográfica y otras disciplinas aplicadas en el futuro. La pluralidad aquí se refiere a múltiples fuentes de datos de teledetección y fuentes de datos que no son de teledetección. La síntesis de información multivariada se refiere al registro espacial y la superposición de imágenes digitales y otros tipos de datos de diferentes fuentes en la misma área según coordenadas geográficas unificadas, para comparar o analizar exhaustivamente diferentes fuentes de datos y revelar la esencia de los objetos o fenómenos de la superficie. . De esta manera se logra el propósito de resolver problemas prácticos. Hay aproximadamente dos métodos de implementación: uno es procesar los datos de varias fuentes de datos por separado y luego superponerlos y compararlos, el otro es usar cada canal de datos de detección remota y datos de otras fuentes de datos como variables durante el procesamiento y procesarlos de manera uniforme; y finalmente realizar un análisis integral; el procesamiento de clasificación de imágenes se refiere a datos de detección remota multibanda de acuerdo con las características de distribución de sus píxeles en el espacio espectral multidimensional, de acuerdo con ciertos estándares de toma de decisiones estadísticas, se dividen diferentes tipos de agrupaciones espectrales. e identificados a través de ordenadores, consiguiendo así la clasificación y reconocimiento automático de objetivos. Según si se requieren píxeles de entrenamiento de una clase conocida determinada antes de la clasificación, se divide en clasificación supervisada y clasificación no supervisada. La clasificación no supervisada es sencilla de calcular y fácil de implementar, pero tiene poca precisión. La clasificación supervisada es computacionalmente compleja, pero tiene una alta precisión. Generalmente es adecuada para entrenar píxeles de clases conocidas, requiere alta precisión y proporciona los atributos de cada clase de píxel. Debido a los diferentes campos de aplicación y diferentes objetos de destino, se pueden desarrollar algunos métodos de clasificación de imágenes adecuados para objetos específicos.

El profesor Zhu expresó el proceso de procesamiento de imágenes digitales de teledetección y la relación entre cada parte en la Figura 4-1, que es fácil de entender y concisa. Lo siguiente se centrará en dos vínculos importantes: la extracción y clasificación de información de imágenes de teledetección.

Para obtener información del objetivo, a menudo es necesario suprimir y eliminar la información de interferencia en las imágenes de detección remota y resaltar información útil. En este momento, se necesitan métodos de extracción y mejora de la información de la imagen. En términos generales, estos métodos se pueden dividir en tres categorías: diferencia de intensidad basada en características espectrales, diferencia de patrón de cambio basada en características espectrales y otros.

Figura 4-1 Flujo básico del procesamiento de imágenes de detección remota

1 Método de extracción de información basado en la diferencia de intensidad de reflexión de características espectrales

(1) Mejora del contraste

p>

La mejora del contraste, también conocida como expansión del contraste o mejora del estiramiento, consiste en expandir o estirar la distribución del valor de gris (reflectancia espectral de los píxeles) de una imagen para que ocupe todo el rango dinámico ( 0 ~ 255), ampliando así la diferencia de escala de grises entre objetos y distinguiendo tantas técnicas de procesamiento de escala de grises como sea posible. La distribución del valor de gris de las imágenes de teledetección generalmente se puede representar mediante el histograma de frecuencia de diferentes píxeles grises en una imagen. La forma de distribución básicamente representa la capacidad de la imagen para resolver objetos en la banda y el rango dinámico de la distribución del valor de gris. La mejora del contraste consiste en cambiar la distribución del histograma de frecuencia de los valores de gris de los píxeles de la imagen, ampliando así el rango dinámico de los valores de gris y logrando el propósito de mejorar la información. Su objeto de procesamiento es una imagen de banda única.

Expresado simplemente como una relación funcional, la mejora del contraste es:

y=f(x) (4-1)

Donde: y representa el valor de gris del píxel en la imagen mejorada ; x Representa el valor de gris del píxel en la imagen de entrada original; la función F representa el modo de mejora, y existen diferentes tipos de modos de mejora según F (como se muestra en la Figura 4-2). Hay dos métodos de procesamiento: uno es utilizar la transformación de funciones para transformar cada píxel de la imagen, que a menudo se usa al determinar objetos de mejora (objetos de superficie), el otro es cambiar la relación estructural en escala de grises entre los píxeles de la imagen. , cambiando la estructura de escala de grises de la imagen mediante el ajuste del histograma, como la ecualización de histograma común.

Figura 4-2 Varios métodos diferentes de mejora del contraste

(2) Mejora del color

El ojo humano tiene una mayor capacidad para distinguir colores que el blanco y negro puro escala de grises Hay muchas ventajas al utilizar la mejora del color para resaltar características. La mejora del color generalmente se divide en dos tipos: una es la mejora del pseudocolor de una sola banda y la otra es la síntesis de falso color de varias bandas. Los métodos comúnmente utilizados para la mejora del pseudocolor de una sola banda son: ① Segmentación de la densidad del color; ② Conversión de color en escala de grises. El método básico de segmentación de densidad de color es: según el valor de gris del objeto de destino a representar (reflectancia espectral de píxeles), la imagen de banda única se divide en niveles de gris de acuerdo con diferentes valores de gris, y estos objetos de destino reciben diferentes niveles de grises y luego rellene estos niveles de grises con diferentes colores, convirtiendo así la imagen de una sola banda en una imagen de pseudocolor. Este método también se usa comúnmente en las imágenes resultantes después de la clasificación de las imágenes para facilitar la distinción. Al utilizar este enfoque, debemos tener cuidado de dar diferentes colores a tipos de entidades espacialmente similares.

La transformación de escala de grises a color es otro método de mejora de pseudocolor más utilizado. En comparación con la segmentación de la densidad del color, es más fácil lograr una mejora de la imagen en una gama de colores más amplia. En la Figura 4-3 se muestra un conjunto de funciones típicas de transferencia de transformación de color en escala de grises. Sea L el nivel de gris máximo de la banda de la imagen: (a) La gráfica representa la función de transferencia de la transformación del rojo, lo que indica que todos los niveles de gris menores que L/2 se transformarán en el rojo más oscuro posible, y (L/2, 3L/ 4) Los niveles de gris dentro del rango evolucionarán linealmente de rojo oscuro a rojo brillante, y los niveles de gris dentro del rango (3L/4, L) se transformarán en rojo. Asimismo, la Figura (b) y la Figura (c) representan las funciones de transferencia para las transformaciones verde y azul respectivamente. La figura (d) muestra la combinación de tres funciones de transferencia de color. No es difícil ver que los píxeles de la imagen que pertenecen al nivel de gris de la izquierda en la Figura (d) son azul puro, el de la derecha es rojo puro, el punto medio es verde puro y los píxeles restantes son pseudocolores del tres colores. Obviamente, al utilizar este esquema de combinación para mejorar el pseudocolor, no hay dos niveles de gris en la imagen que tengan el mismo color.

Figura 4-3 Función de transferencia de conversión de color en escala de grises

(a), (b) y (c) convierten la escala de grises en rojo, verde y azul (4) Función de transferencia integrada;

Para utilizar mejor la información de las imágenes multibanda y mejorar la comprensión de la imagen, también se puede utilizar la síntesis de color para mejorar la información. El principio básico es similar a la mejora de pseudocolor de una sola banda mencionada anteriormente, excepto que las transformaciones de rojo, verde y azul no se realizan en diferentes niveles de gris en la misma banda, sino en tres (o dos) bandas respectivamente. es decir, el valor CCT de tres (o dos) bandas controla directamente la salida de intensidad de la luz de las pistolas roja, verde y azul del dispositivo de visualización en color en el sistema de procesamiento de imágenes de acuerdo con la tabla de relación de conversión establecida entre el nivel de gris de la banda y el color. y lo muestra en la pantalla a color mediante síntesis aditiva superior. O escanéelos en tres colores de película en color en secuencia y luego imprímalos en fotografías en color.

(3) Análisis de componentes principales

El análisis de componentes principales es el método más utilizado para extraer información litología de teledetección. Calcula la matriz de varianza-covarianza o matriz de correlación de datos de imágenes, obtiene sus valores propios y vectores propios y luego los transforma nuevamente en imágenes de teledetección, logrando así el efecto de concentración de información de imagen y compresión de datos. Utiliza la diferencia entre la roca objetivo y el objeto de fondo para procesar la imagen completa y finalmente obtiene la información del objetivo requerida. El análisis de componentes principales (PCA) es uno de los métodos más utilizados para extraer y mejorar información de imágenes de detección remota multibanda, que se conoce comúnmente como transformada K-L (kahunen-loeve) y transformada de componentes principales.

El análisis de componentes principales se utiliza en teledetección; se utiliza principalmente para codificación de imágenes y compresión de datos de imágenes, extracción y mejora de información de imágenes, monitoreo de cambios de imágenes e investigación de posibles dimensiones multitemporales de datos de imágenes. Matemáticamente, es una transformación lineal ortogonal multidimensional basada en las características estadísticas de la imagen. Geométricamente hablando, es equivalente a la transformación de rotación espacial de la imagen. Los componentes principales transformados son ortogonales y no están correlacionados entre sí. De hecho, también es un método basado en la intensidad de reflexión espectral de los objetos terrestres, es decir, la distancia del componente principal. En pocas palabras, el análisis de componentes principales se divide en tres pasos: ① Calcular la matriz de varianza-covarianza y la matriz de correlación de los datos de la imagen de entrada; ② Calcular los valores propios y vectores propios de la matriz; ③ Calcular los componentes principales.

Cuando la matriz utilizada es una matriz de varianza-covarianza, el análisis de componentes principales se denomina análisis de componentes principales no estándar. Cuando la matriz utilizada es una matriz de correlación, como análisis de componentes principales estándar, se denomina análisis de componentes principales. Singh y Harrison estudiaron los datos del Landsat MSS de 1985 en el norte y el este de la India. Los resultados muestran que el análisis de componentes principales estándar mejora la relación señal-ruido y mejora la información de la imagen. Ek-lundh y Singh realizaron análisis de componentes principales en Landsat TM. Los datos puntuales y otros cuatro corresponden a 1993. Los resultados del análisis muestran que, en comparación con el análisis de componentes principales no estándar, el análisis de componentes principales estándar mejora la relación señal-ruido de la imagen.

La selección del análisis de componentes principales fue propuesta por Crosta A.P et al. en 1989, es decir, la selección de bandas geológicas para el análisis de componentes principales. En 1990, Loughlin W.P dividió los datos de Landsat TM en dos grupos, a saber, 1, 3, 4, 5 y 1, 4, 5 y 7, respectivamente, como transformaciones de componentes principales al comparar las cargas de vectores propios de las curvas espectrales de minerales en imágenes PCA, que es, 1, 3, 4 para dibujar. La esencia es extraer información de óxido de hierro expandiendo el contraste espectral entre TM5 y TM1, TM5 y TM4 mediante la transformación de componentes principales, y extraer la información espectral de minerales que contienen hidroxilo expandiendo el contraste espectral entre TM5 y TM7.

2. Método de extracción de información basado en reglas de cambio de reflectancia característica espectral.

La mejora de la operación consiste en extraer información de la imagen a partir de imágenes multibanda mediante suma, resta, multiplicación, división y sus operaciones mixtas. y métodos de mejora del contraste. John McComb. Moore et al. (1993) mejoraron la selectividad del yeso, la arcilla y el silicio alterado hidrotermalmente en datos de imágenes de TM mediante la suma y resta entre bandas, y lograron buenos resultados. De hecho, la operación más común en la mejora de imágenes es la operación de división, a menudo llamada operación de proporción. La operación de relación utiliza las diferentes características de reflexión espectral de diferentes objetos terrestres en datos de imágenes de diferentes bandas para realizar operaciones de división de bandas para extraer información de objetos terrestres y mejorar el contraste de la imagen. Dependiendo del numerador y denominador de la división, las operaciones de razones se pueden dividir simplemente en razones simples, razones combinadas y razones estandarizadas.

Debido a que las relaciones simples son fáciles de operar y tienen importantes efectos de mejora del contraste, la gente ha investigado lo suficiente sobre las relaciones entre bandas de los datos de imágenes de MT de fuentes de datos de detección remota de uso común y las ha utilizado para mejorar y extraer imágenes. información de vegetación, información de alteración de rocas, etc. La Tabla 4-1 muestra varias relaciones simples importantes entre bandas de datos de TM.

Tabla 4-4-1 Varias razones simples principales entre bandas de datos de MT

(Adaptado de Tong Qingxi et al. (1994))

Usado para la razón mejora Cuando se usa para mejorar la imagen, sus funciones básicas son: ① Puede amplificar las pequeñas diferencias en escala de grises entre diferentes características, lo cual es útil para distinguir características con diferencias espectrales menos obvias, como rocas, suelo, etc., y también se puede usar estudiar los tipos y distribución de la vegetación, que pueden eliminar o debilitar la influencia de factores ambientales como el terreno. ② Se puede utilizar para extraer información de rocas e información de alteración estrechamente relacionada con la mineralización. ③ La síntesis de color se puede utilizar para mejorar la expresión de la información de los objetos terrestres y resaltar la información del objetivo, es decir, la relación de la imagen corregida por la dispersión atmosférica no tiene nada que ver con la iluminación, el ángulo de incidencia solar y la reflexión difusa. La desventaja es que no existe el significado espectral independiente de la imagen de relación, se pierde la información de intensidad de reflexión total (reflectancia) de los objetos terrestres y se pierde la información del terreno de la imagen. La práctica ha demostrado que es bastante difícil identificar información mineral en imágenes en escala de blanco y negro.

Si selecciona tres imágenes de proporciones que pueden extraer información mineral y usa tres colores rojo, verde y azul de acuerdo con el principio de colorimetría, de modo que la información mineral y las rocas circundantes aparezcan en diferentes colores en la imagen, puede usar imágenes visuales. Inspección Identifique información mineral directamente en la imagen y determine su ubicación. Por lo tanto, el método de síntesis de color radiométrico puede considerarse como el método básico para la extracción de información mineral.

3. Otros

(1) Análisis directo de componentes principales

Frazer S.J y Green A.A propusieron el análisis de componentes principales dirigido en 1987. Al realizar la transformación de componentes principales en dos imágenes de proporción (una es la imagen de vegetación TM4/TM3, la otra es la imagen de alteración, como TM5/TM7 y TM5/TMI), se puede mejorar la información de alteración y se puede mejorar la interferencia espectral de la vegetación. ser suprimido. Zhao et al. (1991) utilizaron un método similar para extraer información sobre alteraciones hidrotermales, y Frazer S.J. (1991) distinguió e identificó óxidos de hierro. Zhang Manlang (1996) propuso una mejora de este análisis directo de componentes principales. Ingrese TM7, TM1, TM4 y TM3 para realizar el análisis de componentes principales de la proporción de TM 1, (TM4/TM3). La PC2 generada mejora la información espectral del óxido de hierro y suprime la interferencia espectral de la vegetación. PC2, producido mediante análisis de componentes principales con entradas como las proporciones de TM5, TM7, TM4 y TM3 (TM5/TM7, TM4/TM3), mejora la información espectral de los minerales que contienen hidroxilo. Srikanth y Moore. J. Guo (1994) realizó un análisis de componentes principales en la imagen residual logarítmica de datos espaciales de TM, lo que mejoró las diferencias espectrales de las características del terreno en la imagen, y utilizó un análisis de componentes principales directo para analizar subregiones de imágenes en el suroeste de España, mejorando con éxito El contraste espectral de los minerales de hierro.

(2) Método de relación: análisis de componentes principales de características

Este método se basa en el procesamiento de proporciones y el análisis de componentes principales de características. La mejora de la información de alteración mediante el método de relación está limitada principalmente por las condiciones naturales regionales, así como por las reglas de exclusión espectral para la eliminación de interferencias (vegetación, atmósfera, líquenes, etc.). Requiere la recopilación de datos espectrales de varios objetos terrestres. que también es objetivamente limitado. Liu Zhijie (1995) propuso el método de análisis mixto de componentes principales de características de relación y los resultados son los siguientes.

1) Determinación de imágenes de información espectral de minerales que contienen hierro (denominadas imágenes F)

Primero, utilice TM1, 3, 4 y 5 como grupo para encontrar imágenes de minerales que contienen hierro. En la misma imagen F, se enmascarará la información de los minerales que contienen hidroxilo, se transformarán los componentes principales y la imagen PCA transformada se analizará cualitativamente tanto como sea posible para determinar la imagen F. La imagen FPCA debe cumplir los siguientes requisitos: TM3 y TM1 tienen marcadores de contribución opuestos, o TM3 y TM4 tienen marcadores de contribución opuestos, o TM5 y TM4 tienen marcadores de contribución opuestos, al menos uno de TM3 o TM5 es una carga fuerte;

2) Determinación de la imagen de información espectral de minerales que contienen hidroxilo (denominada imagen H).

Similar al método de determinación de la imagen F, se realiza el proceso de transformación de extracción de la imagen H. La diferencia es que al seleccionar la combinación de bandas original, se utilizan dos imágenes de relación: (TM5/TM7) y (TM4/TM3) en lugar de TM1, 4, 5, 7. Las razones son las siguientes: Primero, la PC4 determinada después del último conjunto de transformaciones de imagen debe preprocesarse para cumplir con los requisitos de la imagen H. En segundo lugar, el proceso de composición final no tiene ningún efecto. Las imágenes F y H originales tienen un índice de brillo muy bajo. Para producir un buen efecto visual y ayudar a interpretar mejor las imágenes F, los histogramas de las imágenes H se equilibraron y las imágenes TM7 mejoradas se combinaron con ellas en colores falsos rojo y azul.

(3)Transformación IHS (transformación intensidad-tono-saturación)

En colorimetría, los colores se pueden representar mediante rojo (R), verde (G), azul (B)) tres valores de color primario, y también puede describirse mediante las variables de cromaticidad percibidas por el ojo humano: brillo (I), tono (H) y saturación (S). Las dos variables anteriores constituyen los dos sistemas de coordenadas de color en colorimetría: el espacio de color RGB y el espacio de cromaticidad IHS (también llamado Munsell). La relación entre estos dos sistemas se puede mostrar en la Figura 4-4.

En esta figura, el eje I es perpendicular a la superficie del papel (a través de S = 0, blanco), y solo hay una diferencia de brillo a lo largo del eje I: el círculo representa el cambio de H y el rojo se establece en H = 0; la dirección radial representa la saturación, y el centro del círculo es S =0 blanco, la circunferencia es S=1 blanco, que es el color más puro. Obviamente, existe una cierta relación entre el sistema de coordenadas del espacio de color RGB y el sistema de coordenadas del espacio de color IHS. El modelo matemático de transformación de color que determina la relación de transformación entre los dos se llama transformación IHS o transformación de coordenadas de color (transformación Munsell). Tradicionalmente, la transformación del espacio RGB al espacio IHS se denomina transformación directa, y la transformación del espacio IHS al espacio RGB se denomina transformación inversa.

Figura la relación entre el espacio de color RGB y el espacio de cromaticidad IHS

Debido a las ventajas flexibles y prácticas de la transformación de color IHS, ha atraído cada vez más la atención de investigadores nacionales y extranjeros en últimos años, por lo que se generan muchas fórmulas de transformación IHS. Actualmente, en el procesamiento de imágenes de teledetección, la transformación IHS se utiliza principalmente en los tres aspectos siguientes:

1) Mejora de la saturación de imágenes compuestas de color.

2) Visualización compuesta de imágenes de teledetección de diferentes resoluciones. Por ejemplo, la combinación de Landsat MSS con fotografías aéreas digitales mediante transformación IHS puede producir imágenes en color con propiedades espectrales (de verde a infrarrojo cercano) y espaciales (10 m) como SPOT.

3) Visualización completa de datos de múltiples fuentes. Digitalice información geológica, como características y exploración geoquímica, utilícela como variables de cromaticidad H o S, use la imagen de teledetección como I, realice una transformación directa IHS y obtenga una imagen compuesta de información geológica y de teledetección en color, como características y exploración geoquímica. , etc. . Este tipo de imagen generalmente no solo tiene la clara forma del relieve y el fondo geológico de las imágenes de teledetección, sino que también puede reflejar con precisión información geológica como la exploración geofísica y geoquímica en este fondo, lo que es muy propicio para un análisis e interpretación completos de la relación entre el dos.

(4) Transformación de estiramiento de decorrelación.

La transformación de estiramiento no correlacionado es una técnica basada en la transformación de componentes principales. Consta de tres etapas obvias: ①Convertir las bandas de la imagen original en sus componentes principales. ②Compare los componentes principales después de la transformación de estiramiento. (3) Realice la transformación inversa del componente principal y muéstrelo en el espacio de color original. N.A. Campbell (1996) realizó un estudio detallado sobre estas tres etapas. Él cree que la transformación de extensión de descorrelación es esencialmente otra transformación lineal de bandas espectrales que es diferente de la transformación de componentes principales. En la segunda etapa, después de comparar las varianzas normalizadas estiradas, se obtienen variables no correlacionadas con varianza unitaria. La eficacia de un método para mejorar las imágenes mostradas depende principalmente del contraste especial producido por el método. Estudió el escáner multiespectral infrarrojo térmico (TIMS) en Hawái, EE. UU., y descubrió que una pequeña transformación del vector propio que define el primer componente principal sólo daba como resultado un pequeño cambio en el coeficiente de estiramiento de la descorrelación, pero producía una descorrelación significativamente diferente. imagen. El análisis del estiramiento de la descorrelación de las seis bandas de luz visible, infrarrojo cercano e infrarrojo de onda corta de los datos de TM muestra que los resultados del estiramiento de la descorrelación están algo distorsionados, es decir, algunas imágenes son sensibles a pequeños cambios en el coeficiente de estiramiento de la descorrelación, mientras que otros no lo son. Para cálculos y análisis detallados, consulte el texto original.

En resumen, la transformación de extensión de descorrelación es una transformación lineal de las bandas espectrales originales, generalmente la suma ponderada y la diferencia de las bandas espectrales originales. Las investigaciones muestran que este método es eficaz para algunos datos de imágenes de teledetección, puede producir buenos efectos de imagen y proporcionar nuevos puntos de entrada. En comparación con la transformación de componentes principales, otros procesamientos de datos de imágenes son menos efectivos. Al igual que las visualizaciones de imágenes de transformaciones de componentes principales y transformaciones analíticas típicas, los vectores de estiramiento de descorrelación reales rara vez se interpretan, por lo que sus imágenes resultantes no pueden entenderse espectralmente.