3. 遥感图像增强与变换：让地物特征“现出原形”

拿到一幅遥感影像，第一件事是什么？

我个人习惯，不是急着分类，而是先做增强和变换。为什么？因为原始影像就像一块璞玉，信息都藏在里面，但肉眼和算法都看不清楚。你想想看，如果影像灰蒙蒙的，或者植被和土壤混在一起分不开，那后续的分类精度肯定惨不忍睹。

这一章，我们就来聊聊怎么把这些隐藏的信息“挖”出来。我会结合自己踩过的坑，给你讲透对比度拉伸、滤波锐化、PCA、缨帽变换和植被指数计算。

3.1 对比度拉伸：把灰蒙蒙变成层次分明

我记得刚入行时，处理过一景Landsat影像，整张图看起来像蒙了一层雾。当时我直接拿去分类，结果精度只有60%多。后来老工程师告诉我：“你先拉伸一下对比度试试。”

对比度拉伸，说白了就是把影像的灰度值重新映射，让亮的地方更亮，暗的地方更暗，中间层次更丰富。常用的方法有三种：

• 线性拉伸：最简单，直接拉伸到0-255范围。适合直方图分布均匀的影像。
• 百分比截断拉伸：去掉两端各2%的极值，再线性拉伸。能有效避免个别异常值的影响。
• 直方图均衡化：让直方图分布更均匀，增强对比度。但有时会过度增强噪声。

# Python实现：百分比截断拉伸
import numpy as np
from osgeo import gdal

def percent_stretch(band, lower=2, upper=98):
    """百分比截断拉伸"""
    band = band.astype(np.float32)
    p_low = np.percentile(band, lower)
    p_high = np.percentile(band, upper)
    # 截断并拉伸到0-255
    stretched = np.clip((band - p_low) / (p_high - p_low) * 255, 0, 255)
    return stretched.astype(np.uint8)

3.2 滤波与锐化：去噪还是提边？

滤波这玩意儿，我刚开始总搞混。低通滤波是平滑去噪，高通滤波是锐化边缘。你想想看，一个像“磨皮”，一个像“描边”。

低通滤波（平滑）：用均值滤波或高斯滤波，去除椒盐噪声和斑点噪声。但代价是边缘会变模糊。

高通滤波（锐化）：用拉普拉斯算子或Sobel算子，增强地物边界。适合提取道路、建筑物边缘。

# 使用scipy进行高斯滤波和拉普拉斯锐化
from scipy.ndimage import gaussian_filter, laplace

# 平滑去噪
smoothed = gaussian_filter(band, sigma=1.5)

# 锐化：原图 + 拉普拉斯边缘
sharpened = band - laplace(band) * 0.5

3.3 主成分分析（PCA）：降维去冗余

多光谱影像有多个波段，波段之间往往高度相关。比如近红外和红波段，在植被区相关性很高。PCA的作用，就是把相关的波段信息压缩到几个主成分里。

我做过一个实验：用Landsat 8的7个波段做PCA，前3个主成分就包含了95%以上的信息。这意味着什么？你后续分类只需要用3个波段，而不是7个，计算量大大减少，而且噪声也被去掉了。

主成分	方差贡献率	累计贡献率	主要信息
PC1	72.3%	72.3%	整体亮度
PC2	18.6%	90.9%	植被与土壤对比
PC3	4.8%	95.7%	湿度信息

# PCA实现（使用sklearn）
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler

# 假设data是 (n_samples, n_bands) 的数组
scaler = StandardScaler()
data_scaled = scaler.fit_transform(data)

pca = PCA(n_components=3)
pca_result = pca.fit_transform(data_scaled)

print(f"各主成分方差贡献率: {pca.explained_variance_ratio_}")

3.4 缨帽变换（Tasseled Cap）：专门为Landsat设计的变换

缨帽变换，名字听着玄乎，其实就是一种线性变换，专门针对Landsat数据设计的。它把原始波段变换到三个分量：亮度、绿度、湿度。

• 亮度分量：反映土壤和裸地的反射率。
• 绿度分量：反映植被覆盖度和生长状况。
• 湿度分量：反映土壤和植被的水分含量。

我记得在做一个干旱区土地覆盖项目时，缨帽变换的湿度分量帮我准确区分了干河床和湿润农田，这是单纯用NDVI做不到的。

# Landsat 8 OLI缨帽变换系数（部分）
# 亮度 = 0.3029*B2 + 0.2786*B3 + 0.4733*B4 + 0.5599*B5 + 0.5080*B6 + 0.1872*B7
# 绿度 = -0.2941*B2 - 0.2430*B3 - 0.5424*B4 + 0.7276*B5 + 0.0713*B6 - 0.1608*B7
# 湿度 = 0.1511*B2 + 0.1973*B3 + 0.3283*B4 + 0.3407*B5 - 0.7117*B6 - 0.4559*B7

def tasseled_cap(bands):
    """bands: [B2, B3, B4, B5, B6, B7]"""
    brightness = (0.3029*bands[0] + 0.2786*bands[1] + 0.4733*bands[2] +
                  0.5599*bands[3] + 0.5080*bands[4] + 0.1872*bands[5])
    greenness = (-0.2941*bands[0] - 0.2430*bands[1] - 0.5424*bands[2] +
                 0.7276*bands[3] + 0.0713*bands[4] - 0.1608*bands[5])
    wetness = (0.1511*bands[0] + 0.1973*bands[1] + 0.3283*bands[2] +
               0.3407*bands[3] - 0.7117*bands[4] - 0.4559*bands[5])
    return brightness, greenness, wetness

3.5 植被指数计算：NDVI、EVI、SAVI

植被指数，是遥感分类中最常用的特征。为什么？因为植被在近红外波段反射率高，在红波段吸收率高，这个差异就是植被的“身份证”。

NDVI（归一化植被指数）：最经典，公式是 (NIR - Red) / (NIR + Red)。范围-1到1，植被通常大于0.2。

EVI（增强型植被指数）：改进了NDVI在高植被覆盖区的饱和问题，加入了蓝波段校正大气影响。

SAVI（土壤调节植被指数）：引入土壤调节因子L，减少土壤背景干扰。L一般取0.5。

# 植被指数计算
def vegetation_indices(nir, red, blue=None, L=0.5):
    ndvi = (nir - red) / (nir + red + 1e-10)
    
    if blue is not None:
        # EVI: G=2.5, C1=6, C2=7.5
        evi = 2.5 * (nir - red) / (nir + 6*red - 7.5*blue + 1)
    else:
        evi = None
    
    # SAVI
    savi = (nir - red) / (nir + red + L) * (1 + L)
    
    return ndvi, evi, savi

3.6 知识体系总览

说了这么多，你可能有点晕。没关系，我画了一张图帮你理清思路：

嗯，这张图把本章的核心内容串起来了。从原始影像出发，经过对比度拉伸、滤波锐化、PCA、缨帽变换和植被指数计算，最终得到增强后的特征影像，用于后续分类。

---

公众号:蓝海资料掘金营，微信deep3321