不再更新的 Maple

多光谱影像对不同的波段影像提取边缘，由于波段特性，对不同地物的反射率不同，导致各影像独立提取的边缘不能重合，在这里采集的一些方法就是为解决这一问题诞生的：

我打算抽些时间收集一下目前采用的提取方法，再添加一些个人不成熟的设想，也很希望朋友们提供思路或者线索……

独立提取：在有明显的高光谱和高分辨率两种影像时，往往采用对高分辨率影像进行独立提取的方法，也就是单影像提取，采用的算子比如Robert、Sobel、LOG、Kirsch等与一般的图像处理没什么不同，这里介绍一下小波变换边缘检测和基于数学形态学的边缘检测方法：

1. 小波变换将一幅影像在频率域分成四幅影像，其中三幅分别包含了三个方向的高频（细节）信息，通过分析变换后模值大小来检测边缘。在降噪方面，通常图像灰度小波变换模值随尺度增加而增加，噪声小波变换逐步减小；边缘上相邻点小波变换方向是相近的，而噪声点的方向是随机的……根据这些特点，进行边缘提取和降噪。
2. 数学形态学方法有别于传统微分方法的关键在于它并不单一依赖灰度的不连续性，而是能够根据具体影像调整算子进行运算，比如对于噪声较大的遥感影像，采用前期滤波、边缘提取、后期处理三个步骤。前期滤波使用开、闭运算对灰度不同的影像分别降噪，边缘提取中根据遥感影像边缘密度大的特点，采用形态学中四种算子分别组合试验，得到最适合将边缘与非边缘形成大的灰度差的算子，后期处理再一次消除噪声点，最终得到影像。

先融合再提取：一般将高光谱影像和高分辨率影像进行融合，试图保留高光谱影像的色度信息和高分辨率影像的空间信息，这样得到的叠加影像质量较高，作为单一影像，提取边缘的时候也不会产生多边缘的问题。融合的方法很多，例如加权融合、IHS变换融合、主分量变换（K-L）融合、小波变换融合、比值变换融合、乘积变换融合、基于特征的图像融合以及基于分类的图像融合等。

• 加权融合：配准->对多光谱影像进行重采样（也有人将高分辨率影像重新采样以匹配高光谱影像的每一像元）->计算高光谱影像和高分辨率影像的相关系数->重新组合。
• IHS变换融合：将通常影像从常用的RGB彩色空间变换到IHS空间（亮度、色调、饱和度），图像融合在亮度通道上进行。同样经过配准和重采样->将高分辨率影像的直方图与IHS空间中的I分量进行匹配->匹配后的全色（高分辨率）影像代替IHS空间中的I->逆变换。
• 主分量变换（K-L）融合：对多光谱影像进行主分量变换，得到的第一主分量涵盖变换前各波段相同的部分->将高光谱影像与第一主分量进行直方图匹配->匹配后的高分辨率影像代替第一主分量与其余分量一起进行逆变换，得到融合影像。
• 小波变换融合：小波变换的实质是将原始影像从水平和垂直两方向分别进行滤波，得到包含不同频率特征的四幅子图像。同样经过配准和重采样->高分辨率影像和高光谱影像直方图匹配->对每一波段的高光谱影像进行小波变换，得到4N幅影像->根据需要重新融合个子影像->由融合后的子影像重建影像。
• 比值变换融合：（略）
• ……
• 其它融合方法或者不常用，或者已经包含了对单一影像的边缘提取得过程，与这里讨论的无大关系。

矢量相关方法：根据影像上每一点与周围点在不同波段上与周围各点的相关程度，计算多维互相关系数（同类相关系数大，而边缘相关系数小）->建立相关密度图，得到相关变化程度和数量在全图上的比例，此间还能建立极小极小互相关密度图、极大多维互相关密度图和互相关差值密度图->极小多维互相关图表示某个像元处于两类别间的边界，可用来实现边缘提取。

神经网络用于遥感图像边缘检测：使用训练好的神经网络直接检测图像边缘，较之传统基于微分的边缘检测方法不存在域值确定问题，加上构造训练样本时考虑到边缘点与噪声点的本质区别，采用神经网络方法进行边缘检测也具有较好的抗噪能力。再结合信息测度原理——邻域内灰度的分布是有序的，具有方向性，灰度突变具有结构性，而噪声点并不具备全部特征，得到的边缘由于没有经过卷积，是精确边缘。

根据叠合边缘走向：将多光谱影像分别提取线特征，进行叠合后会发现部分边缘交叠，而部分边缘走向发生突变，这样造成影像的不能重合。如果采用一定的边缘跟踪算子，跟踪重合的边缘部分，在出现分支的地方进行判别，判别依据是走向的微分以及周围像素的灰度变化，选择其中一条或者其中若干条的加权平均，这样直接得到矢量边缘。

DiG：
《遥感原理与应用》 孙家炳主编 武汉大学出版社
《数字图像的边缘检测》 王郑耀 西安交通大学
《一种基于数学形态学的遥感图像边缘检测算法》 王宇等 华中科技大学
《光谱影像的灰度矢量相关特征与边缘特征提取》 杜辉强 舒宁 越南科学院 武汉大学
人工神经网络在遥感图像分析与处理中的应用 徐佳 关泽群 Forlove's Blog
《一种新的基于信息测度和神经网络的边缘检测方法》 杨海军 梁德群 西安交通大学 大连海事大学