第1章：图像增强技术——对比度拉伸、直方图均衡化、滤波处理、锐化与平滑

各位同学，咱们直接进入正题。图像增强，说白了就是让卫星图“更好看、更好用”。你拿到的原始数据，往往对比度低、噪声多、边缘模糊。不处理一下，后续的分类、目标检测根本没法做。我这些年处理过上千景卫星影像，可以负责任地告诉你：增强做得好，模型事半功倍；增强做得糙，后面全是坑。

这一章，咱们就围绕四个核心操作展开：对比度拉伸、直方图均衡化、滤波处理、锐化与平滑。它们各自解决什么问题？怎么用代码实现？有哪些坑要避开？咱们一个一个来。

4.1 对比度拉伸：把灰蒙蒙的图“拉开”

卫星影像有个通病——动态范围窄。你想想看，传感器拍到的地物，水体、植被、裸土、建筑，它们的反射率差异其实很大，但原始数据往往集中在某个狭窄区间。结果就是：整张图灰蒙蒙的，像蒙了一层雾。

对比度拉伸，就是把这个窄区间映射到0-255的全范围。最简单的做法是线性拉伸：

import numpy as np
from skimage import exposure

def linear_stretch(img, low_percent=2, high_percent=98):
    """线性对比度拉伸，去掉两端百分位后的极值"""
    p_low, p_high = np.percentile(img, [low_percent, high_percent])
    stretched = exposure.rescale_intensity(img, in_range=(p_low, p_high))
    return stretched

# 使用示例
img_stretched = linear_stretch(original_img)

我个人习惯用百分比截断的方式。为什么？因为卫星影像里经常有云、雪、或者传感器坏点，这些极端值会拉偏整个映射。去掉两端2%的极值，效果往往更稳定。我在处理Landsat 8的OLI影像时，就遇到过因为云顶反射率太高，导致拉伸后地面细节全丢的情况。后来改用百分比截断，问题就解决了。

4.2 直方图均衡化：让分布更均匀

对比度拉伸是线性映射，直方图均衡化则是非线性的。它的核心思想是：让像素值的分布尽可能均匀。说白了，就是把原来集中在某个区间的像素，重新分配到整个0-255范围。

效果呢？原本暗的地方变亮，亮的地方稍微压暗，细节就都出来了。我处理过一张高分二号的城市影像，建筑物阴影里完全看不清地物。用直方图均衡化之后，阴影里的车辆、行道树轮廓都显现出来了。

from skimage import exposure

# 全局直方图均衡化
img_eq = exposure.equalize_hist(img)

# 自适应直方图均衡化（CLAHE）—— 推荐
from skimage import exposure
img_clahe = exposure.equalize_adapthist(img, clip_limit=0.03, kernel_size=None)

这里我要特别强调一下：全局均衡化容易过度增强噪声。尤其是卫星影像中均匀的区域（比如大面积水体、农田），均衡化后会出现明显的“颗粒感”。

4.3 滤波处理：去噪与特征提取的基础

滤波，本质上是用一个“窗口”在图像上滑动，对窗口内的像素做某种运算。卫星影像里最常见的滤波需求有两个：去噪和提取特定空间特征。

咱们先看三种基础滤波器：

滤波器类型	原理	适用场景	缺点
均值滤波	窗口内像素取平均	去除高斯噪声	边缘模糊严重
高斯滤波	按高斯权重加权平均	平滑噪声，保留一定边缘	计算量稍大
中值滤波	取窗口内像素的中位数	去除椒盐噪声、斑点噪声	对高斯噪声效果一般

from scipy.ndimage import median_filter
from skimage.filters import gaussian

# 中值滤波 —— 对付SAR影像的斑点噪声特别好用
img_median = median_filter(img, size=3)

# 高斯滤波 —— 平滑噪声
img_gaussian = gaussian(img, sigma=1.0)

嗯，这里要注意：滤波窗口大小很关键。3x3的窗口去噪能力弱但细节保留好，7x7的窗口去噪强但边缘会糊。我一般从3x3开始试，如果噪声还明显，再逐步增大。对于高分辨率影像（比如0.5米的WorldView），我甚至会用5x5的中值滤波，因为地物细节足够丰富，稍微模糊一点不影响判读。

4.4 锐化与平滑：一对“相爱相杀”的操作

平滑是让图像变模糊（去除噪声和细节），锐化是让边缘变清晰（增强细节）。你想想看，这两个操作其实是矛盾的。但实际处理中，我们经常需要先平滑去噪，再锐化增强边缘。顺序不能乱。

锐化的核心原理：提取图像的高频信息（边缘、纹理），叠加回原图。常用的算子有Laplacian和Sobel。

from skimage.filters import laplace, sobel
from skimage import img_as_float

# 拉普拉斯锐化
img_float = img_as_float(img)
lap = laplace(img_float)
sharpened = img_float - lap  # 原图减去拉普拉斯结果

# Sobel边缘增强
edges = sobel(img_float)
enhanced = img_float + edges * 0.5  # 叠加边缘信息

我个人习惯用非锐化掩模（Unsharp Masking）。这个方法先对图像做高斯模糊，然后用原图减去模糊图得到“细节层”，再把细节层按一定比例加回去。控制起来非常灵活。

from skimage.filters import gaussian

def unsharp_mask(img, sigma=1.0, amount=1.0):
    """非锐化掩模"""
    blurred = gaussian(img, sigma=sigma, preserve_range=True)
    detail = img - blurred
    return img + amount * detail

# 使用示例
img_sharp = unsharp_mask(img, sigma=1.5, amount=1.2)

4.5 实战流程：一个完整的增强管线

好了，四个技术都讲完了。在实际项目中，我不会单独用某一个，而是组合成一个管线。下面是我常用的流程：

1. 第一步：对比度拉伸（百分比截断，2%-98%）—— 把动态范围拉开
2. 第二步：CLAHE自适应直方图均衡化（clip_limit=0.03）—— 增强局部对比度
3. 第三步：中值滤波（3x3或5x5）—— 去除传感器噪声和椒盐噪声
4. 第四步：非锐化掩模锐化（sigma=1.0, amount=1.2）—— 恢复边缘清晰度

def enhance_pipeline(img):
    # 1. 对比度拉伸
    p_low, p_high = np.percentile(img, [2, 98])
    img = exposure.rescale_intensity(img, in_range=(p_low, p_high))
    
    # 2. CLAHE
    img = exposure.equalize_adapthist(img, clip_limit=0.03)
    
    # 3. 中值滤波
    img = median_filter(img, size=3)
    
    # 4. 非锐化掩模
    img = unsharp_mask(img, sigma=1.0, amount=1.2)
    
    return img

这个管线我用了好几年，处理过Landsat、Sentinel-2、高分系列、WorldView等多种数据源。不能说万能，但80%的场景都能给出不错的结果。你拿自己的数据试试，根据实际情况调整参数就好。

---