遥感底图制作中的植被彩色增强常用的几个方法
在遥感底图制作过程中，鲜艳的绿色植被通常会带给人较好的视觉感受，同时也会增强整个图像的色彩层次感，但是对于非生长季节的数据来说，植被在红、绿、蓝三个波段组合的显示下通常较暗，因此为了增加色彩鲜艳程度经常需要进行彩色增强。下面我们就来介绍几个常用的操作。
一、使用近红外进行绿波段增强

这是资源三号卫星的全色和多光谱图像，成像时间是2018年10月18日，由下图所示：





数据融合后进行红绿蓝组合显示：



由图可见，对于山上的植被已经进入了凋零期，绿色分布较少，暗红色分布呈现比较多。

由于植被在近红外的反射率大于绿波段，因此我们将一部分近红外补充在绿波段中，ENVI 下的语句为：byte(b20.8+b40.2)；另外，为了让植被之外的地物颜色更加真实，可以只对植被进行增强，这里使用NDVI对植被进行区分。首先先计算NDVI，使用使用以下波段运算表达式进行加强运算：（B3 gt 0.2）(b20.8+b4*0.2)+（B3 le 0.2）*b2，其中B3：NDVI。



增强前后放大对比：、




二、应用其他多光谱数据进行融合
对于非生长季的图像，虽然可以使用近红外对其进行植被增强，但是其增强能力有限，无法达到那种郁郁葱葱的效果。我们可以采用其他数据的生长季多光谱对其进行融合。下图依次为上面的资源三号2018年10月18日的全色和2018年8月21日的Rapideye：




将资源三号2018年10月18日的全色和2018年8月21日的Rapideye进行融合后真彩色显示：



如果需要更加的绿还可以进一步进行近红外增强绿波段操作，方法与前面的语句一样，效果如下图：



三、变换波段组合
下面以2019年4月15日的GF6号WFV传感器数据来进行演示：
通常的321红绿蓝组合：


361组合：


148组合：


四、PS里面颜色调整
对于谷歌上下载的一些图像，由于没有光谱信息，没有近红外，只有RGB三个通道，因此想增加图像绿度只能在PS里面进行调整，具体调整方法如下：
本次挑选一个整体色调比较偏暗的原图：


进行色阶调整：


然后进行可选颜色操作：


合并图层并保存：

五、附录：
对于ENVI操作不熟练，运算公式不熟练的同学，可以安装一个Appstore：下载地址 http://www.enviidl.com/appstore/

将下载得到的 envi_app_store.sav 文件拷贝至：C:\Program Files\Exelis\ENVI5x\extensions\（假如安装在其他盘找到ENVI安装路径相应的文件夹），重新启动 ENVI，可通过以下方式可以启动 App Store：Toolbox/Extensions/App Store；Help>App Store。
在安装后的Appstore后搜索植被增强：



安装后即可使用：

一、伪彩色增强（从无彩色到有彩色）：
一种常用的彩色增强方法是对原来灰度图中不同灰度值的区域赋予不同的颜色以更明显地区分它们。
二、主要有三种根据图像灰度的特点而赋予伪彩色的方法：
1、亮度切割：将图像灰度分级，然后对每个灰度值区间内的像素赋一种颜色。
2、从灰度到彩色的变换（黑白电视到彩色电视、和真的彩色电视有区别）（经过红、绿、蓝变换，合成）：使用光滑的、非线性的变换函数，更加灵活。实际中变换函数常用取绝对值的正弦函数，其特点是在峰值处比较平滑而在低谷出比较尖锐。通过变换每个正弦波的相位和频率就可以改变相应灰度值所对应的彩色（颜色就是不同频率的光）。这样不同灰度值范围的像素就得到了不同的伪彩色增强效果。
3、频域滤波：空域>>>转到频域（一般经过傅里叶变化）>>>通过滤波器得到不同频率分量（带通或带阻滤波、得到不同的彩色）>>>傅里叶反变换到空域>>>空域变换（进一步处理（直方图均衡化或规定化））>>>合成到显示器。

直方图均衡化这种方法通常用来增加许多图像的全局对比度，尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法，亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展常用的亮度来实现这种功能。
这种方法对于背景和前景都太亮或者太暗的图像非常有用，这种方法尤其是可以带来X光图像中更好的骨骼结构显示以及曝光过度或者曝光不足照片中更好的细节。这种方法的一个主要优势是它是一个相当直观的技术并且是可逆操作，如果已知均衡化函数，那么就可以恢复原始的直方图，并且计算量也不大。这种方法的一个缺点是它对处理的数据不加选择，它可能会增加背景噪声的对比度并且降低有用信号的对比度。
代码中的直方图均衡化函数为自己编写，可参看：自己编写直方图均衡化函数
对RGB通道


通过这种方式取出RGB三通道，分别进行直方图均衡化，最后进行合成，再输出。


OutImg(:,:,1)=R;

OutImg(:,:,2)=G;

OutImg(:,:,3)=B;

完整的代码如下：
%%
clc
clear all
I=imread('D:\提高文化修养的文件\数图处理\第三章图像增强 第1次作业\fireworks.jpg');
%%
%%变化前灰度值
OutImg=I;
R=I(:,:,1);
subplot(2,3,1)
imhist(R);
title('R')
G=I(:,:,2);
subplot(2,3,2)
imhist(G);
title('G')
B=I(:,:,3);
subplot(2,3,3)
imhist(B);
title('B')
%%
%%变化后灰度值
R=hist_1(R);
subplot(2,3,4)
imhist(R);
title('after R')
G=hist_1(G);
subplot(2,3,5)
imhist(G);
title('after G')
B=hist_1(B);
subplot(2,3,6)
imhist(B);
title('after B')
%%
%变化后图像
OutImg(:,:,1)=R;
OutImg(:,:,2)=G;
OutImg(:,:,3)=B;
figure,
imshow(I);
title('原图像')
figure,
imshow(OutImg);
title('直方图均衡化后的图像')
%%
%直方图均衡化函数
function hist_img = hist_1(I)
    [M, N] = size(I);
    size_img = M*N;
    c = zeros(1,256);%统计每个每个像素值的个数
    b= c;%转化前后的对照表
  
    temp = I(:);
    temp = sort(temp);
    
    for i = 1:size_img
        c(temp(i)+1) = c(temp(i)+1)+1;      
    end
    a = c;%求和
    for i = 2:256
       a(i) = c(i) + a(i-1);
    end
    
    min_cdf = 10000;
    for i = 1:256
       if a(i)>0
           if a(i) < min_cdf
                min_cdf = a(i);
           end
       end
    end
    
    for j = 1:256
        if a(j) > 0
             b(j) = round(255*(a(j)-min_cdf)/(size_img-min_cdf));
        end
    end
    
    for i = 1:M
        for j = 1:N
            I(i,j) = b(I(i,j)+1);
        end       
    end  
    hist_img = I;
end

但是这种方式会对原来的颜色造成破坏，还会出现过曝等，适用性一般。

示例烟花图如下：

ps：图片拍摄于湖南师范大学体育馆二楼，2019.10.1



可以看出天空等出现了过曝，而且相应的颜色都有部分失真，特别是烟花附近过曝严重。
对HSV通道


HSV(Hue, Saturation, Value)是根据颜色的直观特性由A. R. Smith在1978年创建的一种颜色空间, 也称六角锥体模型(Hexcone Model)。

这个模型中颜色的参数分别是：色调（H），饱和度（S），明度（V）。

对于夜晚图像的增强，可以只对亮度通道进行增强。


通过rgb2hsv转换为hsv通道
通过hsv2rgb转换为rgb通道

V通道通常小于1，但是直方图均衡化为0-255，故：

floor(v * 255)

变换后：

v/255
综上代码如下：
%%
clc
clear all
I=imread('D:\QQ接收文件夹\MobileFile\IMG_20191001_204030.jpg');
%%
%%HSV
OutImg=rgb2hsv(I);
V=OutImg(:,:,3);
V = floor(V * 255);
%%
%%变化后V
V=hist_1(V);
V = V / 255;
%%
%变化后图像
OutImg(:,:,3) = V;
OutImg = hsv2rgb(OutImg);

imshow(I);
title('原图像')
figure,
imshow(OutImg);
title('直方图均衡化后的图像')
%%
%直方图均衡化函数
function hist_img = hist_1(I)
    [M, N] = size(I);
    size_img = M*N;
    c = zeros(1,256);%统计每个每个像素值的个数
    b= c;%转化前后的对照表
  
    temp = I(:);
    temp = sort(temp);
    
    for i = 1:size_img
        c(temp(i)+1) = c(temp(i)+1)+1;      
    end
    a = c;%求和
    for i = 2:256
       a(i) = c(i) + a(i-1);
    end
    
    min_cdf = 10000;
    for i = 1:256
       if a(i)>0
           if a(i) < min_cdf
                min_cdf = a(i);
           end
       end
    end
    
    for j = 1:256
        if a(j) > 0
             b(j) = round(255*(a(j)-min_cdf)/(size_img-min_cdf));
        end
    end
    
    for i = 1:M
        for j = 1:N
            I(i,j) = b(I(i,j)+1);
        end       
    end  
    hist_img = I;
end

对刚才的图像进行处理，结果如下：



可以看出对色彩的还原比较高，但是在灯的附近还是出现了过曝，整体来说画面的亮度有了较大的提升，且下方的座椅效果很好，比RGB通道的直方图均衡化要好。适用于没有特别亮的暗色照片增强。
综合对比：

左边为RGB，右边为HSV

推荐使用HSV通道。


参考链接，可参看：自己编写直方图均衡化函数

图像增强目的使得模糊图片变得更加清晰、图片模糊的原因是因为像素灰度差值变化不大，如片各区域产生视觉效果似乎都是一样的， 没有较为突出的地方，看起来不清晰的感觉
解决这个问题的最直接简单办法，放大像素灰度值差值、使图像中的细节更加清晰。
目前较为常用的几个方法：伽马变换、线性变换、分段线性变换、直方图均衡化，对于图像对比度增强，都能取得不错的效果！
本文将对每种方法 简单介绍一下，并借助于 Python 、OpenCV 进行代码实现，提前说一下哈，下面处理的图像对象都是单通道灰度图，不是三通道彩色图！
1，线性变换
线性变换的原理是对所有像素值乘上一个扩张因子 $factor$，像素值大的变得越大，像素值小的变得越小，从而达到图像增强的效果，这里利用 Numpy 的数组进行操作；

$O(x,y) = I(x,y)*factor\\
O(x,y)为输出像素值、I(x,y)为输入像素值；$
需要注意的是，像素值最大为255，因此在数组相乘之后需要进行数值截断操作，最终代码如下：
def line_trans_img(img,coffient):
    if len(img.shape) == 3:
        img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    out = 2*img
    #像素截断；；；
    out[out>255] = 255
    out = np.around(out)
    return out

这里 $factor$ 设置为 2 ，变换结果如下，会看到强光处出现失真效果

（这里对排列图片做一下说明，从左到右依次为 原图灰度图、原图灰度直方图、处理之后的灰度图、处理之后的灰度直方图，以下的图片排列方式相同）
2，伽马变换
伽马变换对像素值做的是幂次方变换，主要是图像的灰度级发生改变，转换的原理公式为：

$O(x,y) = I(x,y)^\gamma\\
O(x,y)、I(x,y)定义与前面一致；$

参数 $\gamma$  的设定 可以参照下面：


当$\gamma>1$ 时，会减小灰度级较高的地方，增大灰度级较低的地方；
当 $\gamma<1$ 时，会增大灰度级较高的地方，减小灰度级较低的地方；

def gama_transfer(img,power1):
    if len(img.shape) == 3:
         img= cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
    img = 255*np.power(img/255,power1)
    img = np.around(img)
    img[img>255] = 255
    out_img = img.astype(np.uint8)
    return out_img

这里 Gamma 分别取 1.5，0.5，结果如下：


结果来看，相对来说 $\gamma >1$  对图像增强的结果会更好一点
3，分段线性分割
分段线性分割，提前把图像的灰度级分为几部分，然后对每一部分的像素值做不同的线性变换，像素值基本变换原理：

$O(x,y) = \left\{
\begin{aligned}
a_1* I(x,y) + b_1 & &  0<I(x,y)<H\\
a_2* I(x,y) + b_2 & &  H<=I(x,y)<v\\
a_3* I(x,y) + b_3 & &  v<=I(x,y)\\
\end{aligned}
\right.$
这里写的代码总感觉效率特别慢(逐像素改变)，知道改进方法的小伙伴们望告知：
def seg_augment_img(img,start,c1,end,c2,b2,c3,b3):
    if len(img.shape) == 3:
         img= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

    out_img = np.zeros(img.shape)
    for i in range(img.shape[0]):
        for j in range(img.shape[1]):
            if img[i][j] <start:
                out_img[i][j] = img[i][j]*c1
            elif img[i][j] < end:
                out_img[i][j] = img[i][j] *c2 + b2
            else:
                out_img[i][j] = img[i][j] * c3 +b3

    out_img[out_img>255] = 255
    out = np.around(out_img)
    out = out.astype(np.uint8)
    return out

函数中的参数分别为 50,0.5,150,3.6,-310,0.238,194，结果如下：

4，直方图均衡化
每个灰度图像都有自己的灰度直方图，均衡化的原理是，先根据灰度直方图计算累加灰度直方图，根据灰度图与累加灰度图的映射关系关联输入图像与输出图图像的映射关系
映射关系原理如下：

$O = \frac{\sum_{k=0}^{p}hist_{I}(k)}{h*w}*256 -1\\
h,w表示图像的高和宽\\
O表示输出像素、hist(k)表示图像灰度图中像素为k的个数；\\$
因此，这里几个重要部分：1，计算出灰度直方图；2，计算累加灰度直方图；3，根据 1 和 2 得到映射关系，最终输出灰度像素值；
def get_imghist(img):
    # 判断图像是否为三通道；
    if len(img.shape) == 3:
        img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    # 无 Mask，256个bins,取值范围为[0,255]
    hist = cv2.calcHist([img],[0],None,[256],[0,255])
    return hist
    

def cal_equalhist(img):
    if len(img.shape) == 3:
         img= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    h,w = img.shape[:2]
    grathist = get_imghist(img)

    zerosumMoment = np.zeros([256],np.uint32)
    for p in range(256):
        if p ==0:
            zerosumMoment[p] = grathist[0]
        else:
            zerosumMoment[p] = zerosumMoment[p-1] +grathist[p]

    output_q = np.zeros([256],np.uint8)
    cofficient = 256.0/(h*w)
    for p in range(256):
        q = cofficient *float(zerosumMoment[p]) - 1
        if q >= 0:
            output_q[p] = math.floor(q)
        else:
            output_q[p] = 0

    equalhistimage = np.zeros(img.shape,np.uint8)
    for i in range(h):
        for j in range(w):
            equalhistimage[i][j] = output_q[img[i][j]]

    # 第二种方法，opencv 库函数自带一种：
    #equalhistimage = cv2.equalizeHist(img)
    return equalhistimage

结果如下，看起来还是不错的！(这里图片失真是因为灯光的原因)

小总结
根据以上几个增强方法来看，针对于本案例选取的图像，线性增强方法相对效果并不太好，可能会适用于其它的种类图像，而 Gamma转换  和直方图均衡化取得相对不错的结果
但图像增强、锐化没有最优方法，每种方法都有自己的特点，需要根据自己选择合适的
最后还是要提醒一下感兴趣的小伙伴们，记得跟着敲一下代码，加深一下应用原理！