杭州师范大学
遥感数字图像处理方法
实验报告
实验名称： 图像滤波 姓 名： 文 学 号：班 级： 老 师： 成 绩：
2016年4月30号
实验五 图像滤波
1 实验目的
熟悉图像滤波，特别是图像的平缓和锐化的基本方法，理解典型卷积核的作用。
2 实验要求
能根据地物的特征，有针对地进行平滑和锐化操作。 能够正确地选择卷积核进行计算。
3 实验内容
图像平滑 图像锐化
卷积核大小对图像平滑和锐化的影响 单色图像与彩色图像的平滑与锐化
4 实验步骤
概述：在envi 中平滑和锐化的区别在于卷积核的选择。图像的锐化也可以通过不同空间分辨率的图像的融合来实现（主菜单：transforms>Image sharpening）
4.1 图像平滑
4.1.1 低通滤波
数据：AA
主菜单：Filter>Convolutions and Morphology(卷积与形态学方法) 在出现的窗口菜单里单击Convolutions （卷积方法）。
Low Pass:低通。Median ：中通。Gaussian Low Pass：高斯低通。这几个为平滑处理。其余的方法为锐化。
选择Low Pass 。选择默认的窗口大小。点击应用于文件，选择AA 。将结果保存在内存里。并显示出来#1。用#2显示原始AA 图像。并链接#1与#2，比较平滑后的图像差异。如图5.1所示。
图5.1 低通平滑后的图像对比
图5.1说明：利用低通滤波对AA 平滑处理后，地物突变处减少了很多，图像显得十分平滑。
4.1.2 中值滤波和高斯低通滤波
分别使用中值滤波的高斯低通滤波处理图像AA （卷积窗口均为默认3），使用相同的彩色合成显示，窗口分别是#2和#3，#1为原始影像。如图5.2。
图5.2 中值滤波和高斯滤波效果比较图
图5.2说明：利用高斯低通滤波对AA 图像进行处理后的#3与原始图像#1相比较，可以发
现，图像并没有太多的变化，而利用中值滤波处理后的#2图像，明显变得平滑了。而且与图5.1中的低通滤波效果相比，中值滤波的效果对AA 图像平滑处理的效果最好。 以第四波段为例，显示X-Y 散点图，其中X 为原始图像第四波段，Y 为过滤后图像的第四波段。散点图如下图5.3所示。
图5.3 不同平滑结果比较
图5.3说明：高斯低通滤波与原始图像的线性关系最好，但同时也是对AA 图像进行图像平滑效果最差。该线性关系在一定程度上反映了平滑效果：与原始图像的线性关系越好，平滑效果越差。
4.1.3 使用平滑去除标准噪声
关闭所有窗口，重新打开envi
打开“高斯噪声.bmp ”“椒盐噪声.bmp ”。用灰阶方式显示两幅图，分别为#1和#2。 选择低通滤波，核大小为3，点击“Quick Apply”, 指定输入的波段为高斯噪声的B 波段，处理结果显示在#3中。
选择中值滤波，操作同上。选择高斯低通滤波，操作同上。结果如图
5.4
图5.4 高斯噪声的平滑
图5.4的说明：与原始图像相比，中值滤波还是有一点的效果的，而高斯低通滤波几乎没有什么效果，低通滤波反而使噪声变得更加严重。
指定图像为“椒盐噪声”（options>Change Quick Apply Input Band）核的大小为3。重复以上操作。比较不同的结果，如图
5.5
图5.5 椒盐噪声的平滑处理
图5.5说明：高斯低通滤波效果最差，低通滤波虽然有效果，但噪声点也会变大。中值滤波的效果最好。
4.1.4 使用平滑去除遥感图像中的噪声
打开“TM3图像中的噪声.bmp ”、“去除图像中的噪声.bmp ”。可以根据现有的知识判断两幅图像都属于椒盐噪声。
使用中值滤波，快速应用于TM3图像。核大小为3、5、7；比较处理结果如图
5.6
图5.6 中值滤波
图5.6说明：卷积核为3时，噪声几乎内有去除；但当卷积核为5时，噪声被明显去除了；卷积核为7时，图像开始变得模糊，并没有卷积核为5时对原始图像的保留效果好。 用#1显示中巴卫星1图像（RGB 合成显示）0，#2、#3、#4分别显示其R 、G 、B 波段（灰阶方式），连接#1、#2、#3、#4。比较噪声在不同波段的分布特点，如图
5.7
图5.7 图像局部噪声的分布
图5.7说明：彩色图像的噪声是分布在不同的波段上的。
使用中值滤波，快速应用方式，分别平滑RGB ，确定卷积核大小，发现当卷积核为5时，三个通道的去噪效果最好。利用卷积核为5，对图像进行平滑。如图5.8
图5.8 卷积核为5，去除的效果
练习1： 处理IKNOS_gau和IKNOS_SALT遥感图像中的噪声 如图
5.9
图5.9 噪声去除练习
图5.9说明：两幅图像都采用中值滤波方式。#1和#2为IKNOS_SALT原始图像和平滑后的图像。#3和#4为IKNOS_gau原始图像和平滑后的图像。
4.2 图像锐化
4.2.1 梯度算子
打开“显卡_7221390.JPG”，用#1显示彩色合成。
由于envi 没用2*2的卷积核，我们用3*3的卷积来模拟运行。 菜单：Convolutions>User Defined 。 基本梯度为
H1 =
H2 =
卷积核如图
5.10
图5.10 自定义卷积核窗口
应用后的图像如图5.11所示，应用于b 波段
图5.11 B通道H1卷积核的处理效果图
定义卷积核为图
5.12
图5.12 H2卷积核
对B 波段进行处理，结果如图
5.13
图5.13 B通道H2卷积核的处理效果图
4.2.2 罗伯特梯度
卷积核设定为L1和L2（仅仅演示，不是真正的罗伯特梯度算子） L2 =
L2 =
对图像b 通道处理结果如图5.14
图5.14 罗伯特梯度算子处理结果
将卷积核设置为L1+L2，处理结果如图
5.15
图5.15 L1+L2卷积核处理效果图
4.2.3 Sobel 梯度
卷积核设定为K1，K2
K1 =
K2 =
处理结果如图5.16
图5.16 K1和K2卷积核处理结果
将卷积核设定为K1+K2，处理结果如图
5.17
图5.17 K1+K2卷积核处理结果
问题：为了锐化水平、垂直、倾斜线条，应分别使用哪些梯度算子？
答：锐化水平的可以选择H1、卷积核，锐化垂直可以选择H2、倾斜线条可以选择L1和L2。
4.2.4 拉普拉斯锐化
直接使用sobel 进行锐化
打开图像“EE_sobel la.bmp ”, 卷积核为3*3，使用sobel 进行锐化，然后将原始图像和锐化后的图像作为最后的结果。
Convolutions >sobel 。点击“Apply to File”, 选择EE_sobel la.bmp，保存到内存中。使用代数运算，将原始图像和梯度图像合并为另一个图像。如图5.18，#1为原始图像，#2为梯度图像，#3为合并后的图像。
图5.18 拉普拉斯锐化效果图
图5.18说明：将原始图像和梯度图像合并后的图像与原始图像相比较，羽毛处更显得立体，且纹理效果比较好，但在眼睛处，合成的效果并没有原图真实好看。
使用拉普拉斯直接计算梯度，并将梯度结果和原始图像加和作为锐化结果，其中拉普拉斯算子和应用效果如图
5.19
图5.19 拉普拉斯算子及其处理效果图
结果图像如图5.20
图5.20 图像合并结果图
图5.20说明：对比两次合成结果图，可以明显发现第二次合成效果明显比第一次要好很多。 对图像进行高斯低通滤波，对滤波结果进行拉普拉斯处理，将原始图像和梯度图像加和作为锐化结果，如图5.21，
图5.21 高斯低通滤波后的拉普拉斯锐化结果对比图（左为原始图像，右为锐化结果图） 将“直接进行拉普拉斯计算梯度”与“先进行高斯低通滤波，再拉普拉斯处理”的结果相减，结果如图5.22
图5.22 波段相减得到的图像
4.2.5 定向滤波
关闭envi ，再次用envi 打开AA 图像
主菜单：Filter>Convolutions and Morphology(卷积与形态学方法)
在出现的窗口菜单Convolutions>Directional，输入30度，如图5.23所示
图5.23 定向滤波窗口
使用3*3窗口对文件进行锐化。将计算的梯度图和原始图像加和，产生最终结果图，如图
5.24所示，#1为原始图像（左）#2为提梯度图像（中）#3为合成后的图像（右）
图5.24 AA图像定向滤波处理图（30度）
练习2
1、对“机场 锐化线性地物 from google map.bmp”进行锐化，○1突出跑道信息○2突出飞机轮廓
结果如图5.25和图
5.26
图5.25 突出跑道信息（从左到右分别为：原始图像、梯度图像、合成图像）
图5.26 突出飞机轮廓处理结果图
5 总结
图像滤波实验操作还是比较简单的，实验遇到的问题大都解决了。但在做练习时，如练习2，对飞机场跑道和飞机轮廓进行突出显示，则会陷入到不同的处理方法所得的的结果差不多，但不知道如何选择，还有没有更有效的处理方法等纠结中。
杭州师范大学
遥感数字图像处理方法
实验报告
实验名称： 图像滤波 姓 名： 文 学 号：班 级： 老 师： 成 绩：
2016年4月30号
实验五 图像滤波
1 实验目的
熟悉图像滤波，特别是图像的平缓和锐化的基本方法，理解典型卷积核的作用。
2 实验要求
能根据地物的特征，有针对地进行平滑和锐化操作。 能够正确地选择卷积核进行计算。
3 实验内容
图像平滑 图像锐化
卷积核大小对图像平滑和锐化的影响 单色图像与彩色图像的平滑与锐化
4 实验步骤
概述：在envi 中平滑和锐化的区别在于卷积核的选择。图像的锐化也可以通过不同空间分辨率的图像的融合来实现（主菜单：transforms>Image sharpening）
4.1 图像平滑
4.1.1 低通滤波
数据：AA
主菜单：Filter>Convolutions and Morphology(卷积与形态学方法) 在出现的窗口菜单里单击Convolutions （卷积方法）。
Low Pass:低通。Median ：中通。Gaussian Low Pass：高斯低通。这几个为平滑处理。其余的方法为锐化。
选择Low Pass 。选择默认的窗口大小。点击应用于文件，选择AA 。将结果保存在内存里。并显示出来#1。用#2显示原始AA 图像。并链接#1与#2，比较平滑后的图像差异。如图5.1所示。
图5.1 低通平滑后的图像对比
图5.1说明：利用低通滤波对AA 平滑处理后，地物突变处减少了很多，图像显得十分平滑。
4.1.2 中值滤波和高斯低通滤波
分别使用中值滤波的高斯低通滤波处理图像AA （卷积窗口均为默认3），使用相同的彩色合成显示，窗口分别是#2和#3，#1为原始影像。如图5.2。
图5.2 中值滤波和高斯滤波效果比较图
图5.2说明：利用高斯低通滤波对AA 图像进行处理后的#3与原始图像#1相比较，可以发
现，图像并没有太多的变化，而利用中值滤波处理后的#2图像，明显变得平滑了。而且与图5.1中的低通滤波效果相比，中值滤波的效果对AA 图像平滑处理的效果最好。 以第四波段为例，显示X-Y 散点图，其中X 为原始图像第四波段，Y 为过滤后图像的第四波段。散点图如下图5.3所示。
图5.3 不同平滑结果比较
图5.3说明：高斯低通滤波与原始图像的线性关系最好，但同时也是对AA 图像进行图像平滑效果最差。该线性关系在一定程度上反映了平滑效果：与原始图像的线性关系越好，平滑效果越差。
4.1.3 使用平滑去除标准噪声
关闭所有窗口，重新打开envi
打开“高斯噪声.bmp ”“椒盐噪声.bmp ”。用灰阶方式显示两幅图，分别为#1和#2。 选择低通滤波，核大小为3，点击“Quick Apply”, 指定输入的波段为高斯噪声的B 波段，处理结果显示在#3中。
选择中值滤波，操作同上。选择高斯低通滤波，操作同上。结果如图
5.4
图5.4 高斯噪声的平滑
图5.4的说明：与原始图像相比，中值滤波还是有一点的效果的，而高斯低通滤波几乎没有什么效果，低通滤波反而使噪声变得更加严重。
指定图像为“椒盐噪声”（options>Change Quick Apply Input Band）核的大小为3。重复以上操作。比较不同的结果，如图
5.5
图5.5 椒盐噪声的平滑处理
图5.5说明：高斯低通滤波效果最差，低通滤波虽然有效果，但噪声点也会变大。中值滤波的效果最好。
4.1.4 使用平滑去除遥感图像中的噪声
打开“TM3图像中的噪声.bmp ”、“去除图像中的噪声.bmp ”。可以根据现有的知识判断两幅图像都属于椒盐噪声。
使用中值滤波，快速应用于TM3图像。核大小为3、5、7；比较处理结果如图
5.6
图5.6 中值滤波
图5.6说明：卷积核为3时，噪声几乎内有去除；但当卷积核为5时，噪声被明显去除了；卷积核为7时，图像开始变得模糊，并没有卷积核为5时对原始图像的保留效果好。 用#1显示中巴卫星1图像（RGB 合成显示）0，#2、#3、#4分别显示其R 、G 、B 波段（灰阶方式），连接#1、#2、#3、#4。比较噪声在不同波段的分布特点，如图
5.7
图5.7 图像局部噪声的分布
图5.7说明：彩色图像的噪声是分布在不同的波段上的。
使用中值滤波，快速应用方式，分别平滑RGB ，确定卷积核大小，发现当卷积核为5时，三个通道的去噪效果最好。利用卷积核为5，对图像进行平滑。如图5.8
图5.8 卷积核为5，去除的效果
练习1： 处理IKNOS_gau和IKNOS_SALT遥感图像中的噪声 如图
5.9
图5.9 噪声去除练习
图5.9说明：两幅图像都采用中值滤波方式。#1和#2为IKNOS_SALT原始图像和平滑后的图像。#3和#4为IKNOS_gau原始图像和平滑后的图像。
4.2 图像锐化
4.2.1 梯度算子
打开“显卡_7221390.JPG”，用#1显示彩色合成。
由于envi 没用2*2的卷积核，我们用3*3的卷积来模拟运行。 菜单：Convolutions>User Defined 。 基本梯度为
H1 =
H2 =
卷积核如图
5.10
图5.10 自定义卷积核窗口
应用后的图像如图5.11所示，应用于b 波段
图5.11 B通道H1卷积核的处理效果图
定义卷积核为图
5.12
图5.12 H2卷积核
对B 波段进行处理，结果如图
5.13
图5.13 B通道H2卷积核的处理效果图
4.2.2 罗伯特梯度
卷积核设定为L1和L2（仅仅演示，不是真正的罗伯特梯度算子） L2 =
L2 =
对图像b 通道处理结果如图5.14
图5.14 罗伯特梯度算子处理结果
将卷积核设置为L1+L2，处理结果如图
5.15
图5.15 L1+L2卷积核处理效果图
4.2.3 Sobel 梯度
卷积核设定为K1，K2
K1 =
K2 =
处理结果如图5.16
图5.16 K1和K2卷积核处理结果
将卷积核设定为K1+K2，处理结果如图
5.17
图5.17 K1+K2卷积核处理结果
问题：为了锐化水平、垂直、倾斜线条，应分别使用哪些梯度算子？
答：锐化水平的可以选择H1、卷积核，锐化垂直可以选择H2、倾斜线条可以选择L1和L2。
4.2.4 拉普拉斯锐化
直接使用sobel 进行锐化
打开图像“EE_sobel la.bmp ”, 卷积核为3*3，使用sobel 进行锐化，然后将原始图像和锐化后的图像作为最后的结果。
Convolutions >sobel 。点击“Apply to File”, 选择EE_sobel la.bmp，保存到内存中。使用代数运算，将原始图像和梯度图像合并为另一个图像。如图5.18，#1为原始图像，#2为梯度图像，#3为合并后的图像。
图5.18 拉普拉斯锐化效果图
图5.18说明：将原始图像和梯度图像合并后的图像与原始图像相比较，羽毛处更显得立体，且纹理效果比较好，但在眼睛处，合成的效果并没有原图真实好看。
使用拉普拉斯直接计算梯度，并将梯度结果和原始图像加和作为锐化结果，其中拉普拉斯算子和应用效果如图
5.19
图5.19 拉普拉斯算子及其处理效果图
结果图像如图5.20
图5.20 图像合并结果图
图5.20说明：对比两次合成结果图，可以明显发现第二次合成效果明显比第一次要好很多。 对图像进行高斯低通滤波，对滤波结果进行拉普拉斯处理，将原始图像和梯度图像加和作为锐化结果，如图5.21，
图5.21 高斯低通滤波后的拉普拉斯锐化结果对比图（左为原始图像，右为锐化结果图） 将“直接进行拉普拉斯计算梯度”与“先进行高斯低通滤波，再拉普拉斯处理”的结果相减，结果如图5.22
图5.22 波段相减得到的图像
4.2.5 定向滤波
关闭envi ，再次用envi 打开AA 图像
主菜单：Filter>Convolutions and Morphology(卷积与形态学方法)
在出现的窗口菜单Convolutions>Directional，输入30度，如图5.23所示
图5.23 定向滤波窗口
使用3*3窗口对文件进行锐化。将计算的梯度图和原始图像加和，产生最终结果图，如图
5.24所示，#1为原始图像（左）#2为提梯度图像（中）#3为合成后的图像（右）
图5.24 AA图像定向滤波处理图（30度）
练习2
1、对“机场 锐化线性地物 from google map.bmp”进行锐化，○1突出跑道信息○2突出飞机轮廓
结果如图5.25和图
5.26
图5.25 突出跑道信息（从左到右分别为：原始图像、梯度图像、合成图像）
图5.26 突出飞机轮廓处理结果图
5 总结
图像滤波实验操作还是比较简单的，实验遇到的问题大都解决了。但在做练习时，如练习2，对飞机场跑道和飞机轮廓进行突出显示，则会陷入到不同的处理方法所得的的结果差不多，但不知道如何选择，还有没有更有效的处理方法等纠结中。