4.3.1常見的圖像增強處理方法
在遙感地質應用中，圖像增強處理方法根據主要增強信息內容可分為兩類:波(光)光譜特征增強和空間特征增強。
4.3.1.1圖像波(光)譜特征增強處理
圖像波(光)譜特征增強處理是基於多波段數據，對每個像素的灰度進行變換，達到圖像增強的目的。圖像增強結果便於識別具有不同性質的地質體、巖石類型、地質異常(例如蝕變帶和熱異常)以及大規模線性和環形結構。
(1)灰度轉換方法
當原始圖像直方圖較窄，灰度分布集中，圖像層次較少時，灰度變換是最基本的要求。對於灰度接近正態分布的圖像，線性拉伸通常可以達到改善圖像視覺效果的目的。對於直方圖為多模態的圖像，有些物體過亮或過暗，應根據圖像的特點采用不同的灰度變換方法，包括分段線性拉伸、直方圖調整、高斯變換等非線性拉伸。
分段線性拉伸的目的是有效利用有限的灰度，將整個灰度分成若幹個區間，在各區間之間進行線性擴展，最大限度地利用圖像中的有用信息。常用的非線性變換有指數變換(增強原始圖像的高亮度值部分)、對數變換(增強圖像的低亮度值部分)、高斯變換(增強圖像的中間灰度範圍)和正切變換(增強圖像的暗區和亮區)。
直方圖調整是通過改善圖像的直方圖形狀來增強圖像。其原理是用壹個變換函數作用於原始圖像的直方圖，使之成為具有壹定亮度分布的直方圖。這種方法著重於擴大高頻亮度值之間的間隔，增強了直方圖中間所包含的地物的對比度，有利於地質體的區分。常用的直方圖調整方法有直方圖均衡化和直方圖歸壹化。
(2)比率增強
比率增強是通過劃分不同波段的同名像素的亮度值，生成新的比率圖像來實現的。比值處理對地質信息特別敏感，已成為遙感地質圖像處理中廣泛使用的方法之壹。其基本職能是:
1)可以放大巖土的光譜差異，有利於區分這些特征。
2)消除或減弱地形等環境因素對相似巖性的影響。
3)提取礦化蝕變信息。
4)比值彩色合成圖像能增強巖性和蝕變巖信息。
(3)主成分變換
主成分變換是多波段遙感圖像增強的常用方法。它是基於圖像統計特性的多維正交線性變換。變換後的新分量圖像反映了地物的總輻射差異和部分光譜特征，還具有分離信息、降低相關性和突出不同地物的功能。使用不同的新成分圖像進行顏色合成，可以顯著提高顏色增強效果，有助於區分巖石。在實際應用中，經常使用比值或差值圖像與原始圖像進行主成分變換，這將有利於壹些專題信息的提取。
(4)IHS轉型
在色度學中，將彩色圖像的RGB轉換為亮度(I)、色度(H)和飽和度(S)稱為IHS變換，而將IHS轉換為RGB稱為逆變換。利用IHS變換和逆變換，可以進行多源遙感圖像之間的信息融合、高度相關圖像數據的顏色增強、圖像特征增強和圖像空間分辨率提高。如圖4.1所示，對研究區的環狀構造、巖體和地層起到了壹定的加固作用。
圖4.1新疆瓦石峽地區圖像增強處理對比。
4.3.1.2圖像空間增強
圖像空間增強處理是利用像素本身及其周圍像素的灰度值進行計算，達到增強整幅圖像的目的。圖像增強結果主要突出地質體的空間形狀、邊緣、線條和結構特征。如地質構造、線性體、地貌等。常用的圖像增強方法包括數據融合和卷積增強。
(1)數據融合
主要有IHS融合法、Brovey法和三維對比度增強融合法。IHS融合方法的關鍵是根據輸入圖像的光譜和地面覆蓋情況選擇正變換和逆變換公式。Brovey方法通過選擇三幅歸壹化的低分辨率波段圖像和高分辨率圖像的乘積來增強圖像信息。這種方法的優點是在銳化圖像的同時能保持原始的多光譜信息，對山體、水體、植被等地物有很好的增強效果。基於三維對比度增強的融合方法是擴大同名像素在三個低分辨率合成波段的灰度差，同時要求增強圖像的三個波段中同名像素灰度值的相對大小關系保持不變，三個波段灰度值之和保持不變。對於高分辨率圖像，需要進行灰度線性拉伸、紋理能量增強和細化。這種方法放大了物體之間的色差，降低了相關性，可以分離融合圖像的銳度、灰度、顏色等空間信息並動態跟蹤，直至達到滿意的效果。如圖4.2所示，圖4.2(a)為原始SPOT影像，圖4.2(b)為SPOT數據和TM多光譜數據的融合結果，提高了遙感解譯的可靠性。
圖4.2 SPOT影像融合處理
(2)卷積增強
地物的邊界和線狀特征通常表現出壹定的空間分布頻率，可以通過空域或頻域濾波來增強。卷積處理是壹種簡單、有效、最常用的空間濾波方法。卷積增強是壹種鄰域處理技術，通過壹定大小的模板對原始圖像進行卷積運算來實現。通過加強不同方向的邊界(或線狀體)，可以按照壹定的排列方向分配模板中各元素的權重系數，改變模板大小和板中元素的差異可以產生不同的效果。壹般模板越大，差異越大，低頻粗糙結構特征增強越明顯，而高頻信息(小斷層、節理、裂縫)增強越小。卷積增強在遙感地質圖像處理中應用廣泛，因為它對突出地質體邊界和某壹方向的線性斷層構造或痕跡有明顯的效果，還可以增強某些環狀構造或痕跡。
上述處理方法廣泛應用於巖性地層和構造信息的提取。在實際應用中，可以根據不同的地質地理條件和圖像特點，采用多種組合和靈活的手段對圖像進行增強。
4.3.2特征信息增強處理方法
4.3.2.1巖性信息增強處理
巖性信息增強處理的目的是通過特征圖像處理方法的選擇，提取巖石類型或類型組合。其應用原理主要是基於不同性質巖石在礦物成分、構造結構、巖石表面結構、覆蓋成分、含水量、區域環境等方面的差異，通過多波段遙感數據反映的光譜和紋理信息的規律來實現的。
(1)波段組合變換方法
對同壹區域不同傳感器通過空間配準獲得的多波段遙感圖像和多幅單波段遙感圖像，進行壹系列組合代數運算，增強巖性信息。以TM影像數據為例:
1)利用TM3，2，1，TM4，3，1，TM5，4，3，TM7，4，1等彩色合成圖像可以識別花崗巖帶、接觸變質帶和區域變質巖之間的巖性邊界。如圖4.3所示，圖4.3(a)中TM5、4、3的彩色合成圖像明顯增強了該區地層巖性的分布特征；圖4.3(b)中TM7、4和1的彩色合成圖像突出了白雲巖的巖性特征。
2)TM5/TM 1、TM4/TM2和TM5/TM7波段的彩色合成可以增強和識別碳酸鹽巖和粘土的礦化信息。如圖4.3(c)所示，白雲巖的地質邊界得到加強。
3)使用TM4×TM4/(TM4+TM5+TM7)、TM4×TM5/(TM4+TM5+TM7)和TM4×TM7/(TM4+TM5+TM7)進行色彩合成，可以增強不同巖性之間的明暗變化，減小地形起伏造成的陰陽坡亮度值差異，提高巖性的細節對比度。圖4.4(a)和圖4.4(b)都增強了某壹巖性剖面的分布特征信息。
4)TM5/TM 1，(TM5×TM7)/(TM1×TM2)，(TM7-TM1)/(TM3+TM4)彩色合成圖像可以增強第四紀地層和地表鐵離子的變化信息，突出巖石的結構構造。如圖4.5所示，與圖4.5(a)相比，圖4.5(b)在提取區內地層和巖體的變化信息、區分主要巖石類型、突出環狀構造方面具有明顯的應用效果。
(2)光譜剖面法
當研究區的巖石、地層和背景在光譜上是可分的，即它們之間很少有同構現象時，可以借助光譜剖面知識提取巖性專題信息，主要步驟如下:
1)對典型地物，如裸露巖石、地層、積雪、陰影等進行光譜采樣，提取光譜剖面曲線，從中發現不同巖性類型的光譜差異。
2)通過光譜之間的關系，分別建立了基於光譜知識的特征巖性提取模型。
3)根據建立的模型提取出露巖石和地層信息。
4)當不同巖石、地層的光譜與背景之間存在許多同構現象時，需要借助地物的其他知識來提取。
圖4.3新疆瓦什夏地區不同波段彩色合成圖像對比。
圖4.4多頻帶相關比增強處理的比較
圖4.5圖像增強處理對比
(3)基於地物紋理的巖性識別。
當巖性成分復雜且分布尺度大於傳感器的空間分辨率時，遙感圖像可能記錄了地物的結構成分信息，其圖像具有明顯的紋理特征。當存在不同於背景物體的紋理特征時，可以利用物體的光譜特征和紋理特征提取巖性信息。通過紋理識別巖性的方法如下。
1)選取壹定大小的移動窗口，計算不同地物的紋理特征，對比分析待研究巖石類型與周圍地物的紋理特征。主要的紋理特征有對數變差函數、平均歐氏距離法(壹階)、方差法(二階)、斜率(三階)、峰度(四階)和* * *生成矩陣法。灰度* * *生成矩陣可以生成八種紋理測度，分別是局部平穩性、對比度、相異度、均值、標準差、熵、角二階矩和相關性。
2)分析研究巖石裸露區域與背景物體之間的紋理指標和圖像，尋找巖石類型與紋理特征之間的關聯規律，利用合適的閾值識別提取巖石信息。
(4)基於形狀知識識別巖性信息。
1)增強特征之間的邊界，提取邊界信息。計算形狀指數。主要衡量基於周長和面積的指數、基於面積的指數和基於面積和面積長度的指數。
2)根據巖石形狀知識指數的值，對不同形狀指數的巖性進行定性識別和提取，並結合不同巖性的形狀特征給出壹定的地質屬性信息。
(5)主成分變換多層次信息分析識別巖性信息。
基於主成分分析的多層次信息分解技術是增強地質和巖性弱信息的常用方法。巖性增強和識別的實施過程如下。
多波段圖像的統計特征分析。分析了多波段圖像數據的統計特征，計算了光譜圖像的灰度動態範圍、均值和中值、波段圖像的相關系數矩陣和協方差矩陣。
2)求出多波段圖像協方差矩陣的特征值和特征向量，由特征向量構成KL變換的系數矩陣A。
3)主成分變換的後處理。根據巖性識別的目的和各主成分與矩陣向量關系的分析，選擇包含特定巖性信息的分量圖像、包含專題信息的分量圖像的增強處理、分量圖像的顏色合成處理和分量圖像與其他處理結果或波段圖像的信息合成分析。
4)根據各主成分的分析結果，將主成分圖像的各種後處理結果與單元結果進行對比，進行目視解譯，以確定更能反映工作區巖性信息的主成分圖像，選擇它們進行色彩合成或信息合成，增強圖像上的地質、巖性等微弱信息。
(6)用IHS變換方法增強巖性信息
對多波段圖像選擇適當的代數運算生成的新圖像可以用IHS變換，突出巖性。例如，利用TM波段比值，通過IHS變換，可以識別火山地區與礦化有關的巖性和蝕變特征。
1)TM5/TM7、TM3/TM4和TM3/TM2的比率被分別分配給紅色、綠色和藍色用於IHS變換。
2)在變換圖像上，Fe2O3含量高的玄武巖具有醒目的褐色或紅色色調，不同巖性的火山巖具有不同的色調，可以相互區分；含粘土礦物和三價鐵氧化物的礦化蝕變巖分布區為特有的黃色。
(7)對遙感圖像進行最優多級密度分割，提取巖性信息。
目的是在植被稀疏、基巖廣泛裸露的幹旱地區，通過選擇最佳的遙感識別圖像和最佳的多層次密度分割，提取和識別巖石信息。
1)利用Fisher準則對圖像密度進行分割，通過直方圖統計，找到壹種使段內偏差之和最小、段間偏差之和最大的分割方法，稱為圖像的最優多級密度分割方法。
2)根據灰度從高到低給分割後的圖像賦予不同的顏色，根據區域地質圖確定不同顏色的地質巖性屬性信息。
(8)巖性的自動分類和識別
在幹旱半幹旱地區，利用遙感圖像的光譜信息和無監督分類方法，可以達到自動巖性識別和制圖的目的。
以TM或ETM+數據為例，說明非監督分類方法的主要實現過程:
1)從TM或ETM+多波段影像中選擇三個三波段組合，使波段間相關性小，復用的波段最少。
2)用平衡對比度增強技術增強所有波段圖像的對比度，以優化每個波段的對比度，消除色彩合成中可能出現的色彩偏差。
3)使用RGB-IHS變換為每個三波段組合生成色度圖像，然後分別合成色度圖像以生成色度合成圖像。
4)利用三維特征空間的交互式聚類技術，對色度合成圖像進行無監督聚類分類。
5)利用模板直方圖匹配分類技術對分類圖像進行空間分類，檢測感興趣類別的結構和模式。
6)利用空間濾波方法和小類合並技術對分類圖像進行平滑和簡化。
7)根據野外檢查和分類的光譜曲線形狀，參照地質圖，對分類賦予巖性或用其他地物類型進行識別和描述。
8)交互式類別編輯。代表不同區域的不同巖性通過類別區域編輯法按位置分解，具有相同巖性或壹致特征類型的類別通過類別分組法分組。
9)利用邊緣檢測技術檢測地面物體的邊緣。
10)對調整後的分類圖像進行交互著色，將反映地形背景的灰度圖像疊加在巖性分類圖上，形成巖性圖像圖。
(9)基於巖塊分類的巖石類型識別
適用於幹旱、半幹旱基巖裸露地區的巖石鑒定。以TM數據為例，詳細說明主要實現過程:
1)對TM影像進行地形校正，生成數字表觀反射率影像R1、R2、R3、R4、R5、R7。
2)利用TM6和R1 ~ R7進行空間聚類法無監督分類，並繪制平面分類圖。
3)利用TM6和R1 ~ R7數據進行監督分類，首先利用已知樣本作為訓練區域，訓練區域內的樣本為厚的單個巖塊、簡單巖性組合巖塊、復雜巖性組合巖塊和標誌性薄巖塊，然後逐點提取相似目標，編制方案。
4)統計分類圖像中每個類別的平均值、最小值、最大值、標準差、協方差等參數。
5)對紋理進行分析分類，編制紋理類型平面圖。
6)將非監督分類、監督分類和紋理分類的平面圖疊加，通過人機交互目視解譯和融合，編制巖石遙感類型平面圖。
7)巖石測繪。同類空白區填寫已知巖石屬性信息，野外檢查確定巖性屬性後填寫未知空白區。
(10)高光譜數據巖性識別
利用成像光譜數據，定量檢測巖石和單壹或多種礦物的光譜特征，提取和識別巖性和礦物信息，編制專題巖性和礦物圖。主要實現方法是:
1)來確定工作區巖石和礦物的壹些標誌性光譜特征。
2)利用高光譜成像數據提取地物的光譜曲線，與巖石的野外光譜曲線和壹些標誌礦物的實驗室測得的典型曲線進行對比，可以半定量地確定巖性和標誌礦物的存在。
3)通過巖性和標誌礦物的檢測，達到勘探和編制巖性分布圖的目的。
4.3.2.2斷裂構造和地質邊界的圖像增強處理
主要利用空間濾波、自動線性提取等方法增強或提取斷層構造信息。
(1)空間方向濾波方法
對原始圖像進行方向濾波，突出某壹方向的紋理信息，增強地質體的空間結構。
1)見表4.1根據所需的方向信息確定濾波算子。
2)對多波段圖像進行主成分變換，通過方向濾波增強第壹主成分圖像的邊緣梯度。
3)增強圖像的局部邊緣梯度，抑制整個圖像的對比度，然後結合壹些平滑的方法增強結構蝕變帶和環狀結構。
4)圖像對比度擴展。拉伸、直方圖變換、比率、濾波等。用於突出圖像中的線狀、邊緣和紋理特征，增強巖性、線狀結構和環狀結構的圖像特征。
5)高通濾波以較高的空間頻率增強地表特征，提取數十至數百米的線狀體(如節理、裂隙、斷裂)；低通濾波增強低空間頻率的地表特征，提取長而大規模的斷裂帶、蝕變帶等地質特征。
6)高斯卷積濾波用於突出地質體邊界輪廓的細節，區分紋理差異較大的巖石。
(2)傅立葉功率譜紋理增強方法
1)取壹定大小的窗口圖像，分別做行和列的傅裏葉變換。
2)求功率譜矩陣，進行對數變換。
3)計算紋理度量以形成紋理圖像。
4)紋理圖像解釋，提取線性體信息和巖性地質邊界。
(3)圖像紋理統計方法
通過結構特征的變化，推斷斷層活動性的差異和巖石成分的變化，圈定活動斷裂帶的範圍，解釋斷層活動方式。
(4)線環圖像特征方法
1)對圖像進行高通濾波和線性圖像增強。
2)在22.5 ~ 67.5，67.5 ~ 112.5，292.5 ~ 337.5，337.5 ~ 22.5四個方向進行定向濾波。
3)計算單位面積(2.5km×2.5km)的線性影像密度和等密度圖。
4)直觀分析線狀和環狀影像的平面圖，篩選出非地質邊緣點，並進行重疊合並，劃分線狀影像區域、波段和等級，環狀影像之間的空間結構及其組合關系。
5)線狀和環狀影像的地質屬性解釋。
(5)線狀體的自動提取。
1)使用方向濾波方法增強多波段圖像KL變換第壹分量的邊緣梯度。
2)將梯度圖像二值化以提取邊緣點圖像。
3)人機交互去除了幹擾和孤立的邊緣點。
4)利用霍夫變換對線狀體進行連接和計數，輸出線狀體的分布圖和密度圖。
5)線性結構提取和地質分析。
(6)圖像亮溫法
選取適當季節和時間的熱紅外遙感影像，以熱紅外波段影像亮溫分布極值線為標誌提取結構信息。
(7)多主成分分析法
首先應用各種方法，包括壹般主成分分析、選擇主成分分析(特征主成分選擇)、波段比值等。，盡可能地提取圖像中的弱地質構造信息，然後提取最好或較好的專題信息進行二次處理。有兩種處理方法:壹種是不同顏色的組合或疊加，突出主題信息；二是選擇最有利於專題信息提取的結果和原始波段再次進行主成分分析，進行第二次地質信息提取和增強。
(8)基於融合處理的結構信息提取方法。
不同的傳感器由於波長範圍不同、幾何特性不同、分辨率不同等因素，具有不同的應用特點。基於不同傳感器圖像的融合處理可以綜合不同傳感器圖像的優點，提高結構信息的識別能力。下面是TM和SAR圖像融合處理的壹個例子。
1)首先對SAR圖像進行濾波，消除噪聲。
2)其次，將單波段SAR圖像和多光譜TM圖像進行幾何配準融合，用TM3、4、5進行IHS變換，用濾波後的SAR圖像代替I分量，進行IHS逆變換，然後用TM3、4、5將SAR圖像變換為主分量。最後，將經過IHS逆變換的G分量、TM4波段和第壹主分量圖像進行彩色合成，作為地質解釋圖像。
3)可以直接從融合圖像中提取斷層構造信息，利用SAR圖像的壹定穿透性提取隱伏斷層構造信息。
4.3.2.3區域地質穩定性綜合治理及遙感信息輔助提取
1)獲取多時相多平臺遙感衛星數據，收集地面控制點數據和區域地質環境數據。
2)對圖像進行幾何精校正和配準。首先，對地形圖進行高精度掃描，形成數字圖像；然後對數字地形圖進行投影變換、配準和鑲嵌，並對區域影像進行合成和鑲嵌。最後建立地質活動區的DEM和三維地形地貌可視化圖像。
進行人機交互解讀。在精細校準的數字衛星圖像的基礎上，壹方面，進行各種圖像處理以增強構造活動帶、滑坡及其發展環境的信息；壹方面，目視解譯，確定區域地質穩定性信息，在計算機上定位，劃分界限，制作圖形。獲取遙感解譯信息，結合其他環境數據，綜合處理，進行分析、對比和修改。
4.3.2.4隱藏地質信息的提取與增強
利用重磁數據和不同類型的遙感圖像提取隱藏的地質信息。
1)利用重磁網格數據和三維歐拉反褶積方法確定地下構造的位置(邊界)和深度。
2)利用遙感影像解譯地表的構造特征，將重磁資料提取的相應位置的構造信息疊加在遙感構造影像上，將不同深度的構造分別在影像上顯示出來，利用圖像上構造的不同深度信息輔助提取隱伏地質體和構造帶的信息。
4.3.3遙感地質信息自動提取方法
計算機自動信息提取的目的是將地質專家用於可視化解釋的知識定量化表達，從根本上實現知識參與的自動提取。現有的計算機自動信息提取方法主要有:光譜特征模型法、計算機自動分類法和基於空間數據挖掘和知識發現的信息提取法。
4.3.3.1光譜特征模型方法
壹般通過統計回歸建立遙感信息模型，並根據具體影像的實際情況不斷調整模型參數，使模型最終適合該影像。遙感信息模型是在現有地面實驗基礎上提取的地物反演模型。由於影響影像數據的因素很多，衛星影像上地物的反射與地面的實測數據並不是壹壹對應的。遙感信息論與實際地圖圖像有效結合自動提取專題信息的應用範圍和精度有限。巖石地層單位建模技術是壹種光譜特征建模方法。具體步驟如下。
1)以多元素黑色碳質頁巖、蛇綠巖帶、混合巖帶、超基性巖體等壹些具有特殊影像特征的礦源層、含礦地層和巖層為基本單元，其多波段遙感像元灰度值是波段的函數，不同單元有不同的函數曲線。
2)統計具有壹定地質意義的單元的光譜特征，以確定每個波段中特定單元的亮度範圍和同壹單元類別在多維空間中的聚合。
3)根據單元類別的變化參數(均值和標準差)，建立基於遙感影像亮度值區間的巖石地層單元模型，利用輸入的閾值參數和多波段遙感數據自動提取巖石地層單元信息。
4.3.3.2分類法
分類方法在遙感信息自動提取中起著重要的作用。其核心是遙感圖像的自動分割。現有的計算機自動分類方法主要使用遙感影像數據，雖然有時可以自動加入其他地學知識，但遠遠沒有充分利用人腦在分析影像時所應用的知識，因此很難達到很高的精度。分類方法自動成圖巖性是遙感圖像處理中最復雜、最困難的問題，自動分類對於提取大面積均勻分布的壹些特定目標信息，如植被、水體、土地、冰雪等，可以起到很好的應用目的。
4.3.3.3基於數據挖掘和知識發現技術。
基於數據挖掘理論和知識發現技術，遙感專題信息的自動提取包括知識發現、應用知識建立提取模型、利用遙感數據和模型提取遙感專題信息。在知識發現方面，包括來自單幅遙感圖像的光譜特征、空間結構和形態學、對象間的空間關系等知識。從多時相遙感影像中，不僅可以發現上述知識，還可以進壹步發現地物的動態變化過程知識；從GIS數據庫中發現各種相關知識。利用找到的部分知識、部分知識或全部知識，建立相應的遙感專題信息提取模型，利用遙感數據實現從單壹知識、單壹模型的應用到多知識、多模型的綜合應用，從單壹數據的使用到多數據的綜合使用的信息自動提取。