4、图像增强与特征提取：直方图均衡、滤波、边缘检测、纹理特征、颜色空间转换
航空航拍影像受大气散射、光照不均、传感器噪声及地物遮挡等因素影响，原始影像往往存在对比度不足、边缘模糊、纹理信息被噪声淹没等问题。本章围绕图像预处理与特征提取的核心链路，系统讲解直方图均衡、空间/频率域滤波、边缘检测算子、纹理特征描述子以及颜色空间转换方法，并结合无人机可见光与多光谱影像的典型场景，说明如何构建稳定、可复用的特征工程流程。
4.1 直方图均衡：从全局到自适应的对比度增强
核心原理：直方图均衡（Histogram Equalization, HE）通过灰度映射函数将原始影像的灰度分布拉伸为近似均匀分布，从而提升影像的动态范围和对比度。对于航空影像，由于大气散射导致整体偏灰、偏亮，HE 能有效增强地物边界与阴影区域的细节。全局直方图均衡（GHE）对整幅影像计算累积分布函数（CDF），而自适应直方图均衡（AHE）则在局部窗口内分别计算，CLAHE（Contrast Limited AHE）进一步限制了对比度放大幅度，避免噪声被过度放大。
| 方法 | 计算粒度 | 适用场景 | 局限性 |
|---|---|---|---|
| GHE | 整幅影像 | 光照均匀的平原、水域 | 局部细节增强不足，易产生伪影 |
| AHE | 局部窗口 | 阴影/高光并存的复杂地形 | 噪声放大明显 |
| CLAHE | 局部窗口+对比度限制 | 城区、山地、云影区域 | 参数（窗口大小、clip limit）需调优 |
操作流程：① 将 RGB 影像转为灰度图或 YCbCr 的 Y 通道；② 统计灰度直方图并计算 CDF；③ 对 CDF 归一化并生成映射表；④ 对每个像素执行映射；⑤ 若使用 CLAHE，需先分块（如 8×8），每块独立均衡后双线性插值消除块效应。
4.2 滤波去噪：空间域与频率域的选择策略
核心原理：航空影像噪声主要来源于传感器热噪声、大气湍流及压缩伪影。空间域滤波直接对像素邻域操作：均值滤波平滑噪声但模糊边缘；高斯滤波根据邻域距离加权，保留更多边缘信息；中值滤波对椒盐噪声（如传感器坏点）效果显著。频率域滤波通过傅里叶变换将影像转换到频域，低通滤波抑制高频噪声，高通滤波提取边缘与细节。
判断方法：若噪声表现为随机孤立点，优先选择中值滤波（窗口 3×3 或 5×5）；若噪声为高斯型且需保留纹理，选择高斯滤波（σ=1.0~1.5）；若需同时去噪和增强边缘，可使用频率域同态滤波，该算法能同时压缩动态范围和增强对比度，特别适合光照不均的航拍影像。
# 同态滤波核心步骤（Python伪代码）
img_log = np.log1p(img) # 对数变换分离光照/反射
img_fft = np.fft.fft2(img_log) # 傅里叶变换
filtered = img_fft * H(u,v) # 高通滤波函数
img_ifft = np.fft.ifft2(filtered) # 逆变换
result = np.expm1(img_ifft.real) # 指数还原4.3 边缘检测：从梯度算子到Canny的完整链路
核心原理：边缘是灰度或颜色发生剧烈变化的位置，对应地物边界、道路、建筑物轮廓等关键结构。Sobel 算子通过计算水平与垂直方向的梯度近似值，对噪声有一定抑制；Laplacian 算子为二阶微分，对噪声敏感但能检测各向同性边缘；Canny 算子通过高斯滤波、梯度计算、非极大值抑制和双阈值滞后连接，形成连续且单像素宽度的边缘。
操作流程（Canny）：① 高斯滤波（σ=1.0~1.5）平滑影像；② 使用 Sobel 计算梯度幅值与方向；③ 非极大值抑制，沿梯度方向保留局部最大值；④ 双阈值（高阈值 TH=0.2，低阈值 TL=0.1）检测强边缘与弱边缘；⑤ 滞后连接，弱边缘仅在与强边缘相连时保留。
| 算子 | 特点 | 航拍适用场景 |
|---|---|---|
| Sobel | 计算快，对噪声有一定鲁棒性 | 道路提取、建筑物轮廓粗提取 |
| Laplacian | 各向同性，但对噪声敏感 | 需先强去噪后使用 |
| Canny | 边缘连续、定位准确 | 精细地物边界、变化检测 |
4.4 纹理特征：GLCM与LBP的量化描述
核心原理：纹理是地物表面灰度或颜色的空间重复模式，对区分林地、农田、水体、建筑区等具有重要价值。灰度共生矩阵（GLCM）统计特定方向和距离下像素对灰度值的联合概率分布，常用特征包括对比度、能量、熵、相关性。局部二值模式（LBP）通过比较中心像素与邻域像素的灰度关系生成二进制编码，对光照变化具有鲁棒性。
操作流程：① 将影像量化为 16 或 32 个灰度级（降低计算量）；② 选择方向（0°、45°、90°、135°）和距离（d=1~5）；③ 计算 GLCM 并归一化；④ 提取 4~6 个统计特征；⑤ 对 LBP，选择半径 R=1、邻域点数 P=8，生成 256 维直方图，或使用均匀模式降为 59 维。
4.5 颜色空间转换：从RGB到HSV/Lab的多维表达
核心原理：RGB 空间各通道高度相关，且对光照变化敏感。HSV 空间将色相（H）、饱和度（S）、亮度（V）分离，适合基于颜色的地物分类（如植被绿色、水体蓝色）。Lab 空间基于人眼感知设计，L 通道表示亮度，a/b 通道表示色彩对立维度，其欧氏距离与感知色差近似线性，常用于颜色特征匹配。YCbCr 空间在视频压缩中常用，Y 通道与亮度对应，适合与直方图均衡结合。
转换方法：RGB→HSV 通过非线性变换实现，H 通道取值范围 0~360°，S 和 V 为 0~1；RGB→Lab 需先转换到 XYZ 中间空间，再通过非线性映射得到。多光谱影像（如红边、近红外波段）可通过波段组合生成假彩色影像，如 NDVI = (NIR-R)/(NIR+R)，用于植被健康监测。
| 颜色空间 | 通道含义 | 航拍应用 |
|---|---|---|
| HSV | 色相/饱和度/亮度 | 阴影检测、植被分割 |
| Lab | 亮度/绿红/蓝黄 | 颜色特征匹配、影像拼接 |
| YCbCr | 亮度/蓝色差/红色差 | 亮度增强、压缩噪声抑制 |
4.6 综合案例：城区航拍影像的地物分类特征工程
背景与约束：某市 0.05m 分辨率可见光航拍影像，面积约 5km²，需区分建筑、道路、植被、水体四类地物。影像存在光照不均（部分区域被云影遮挡）和传感器噪声。
初始现象：直接使用 RGB 像素值训练随机森林分类器，总体精度仅 71%，阴影区域误分类严重。
关键处理步骤：
- 预处理：将 RGB 转为 Lab 空间，仅对 L 通道做 CLAHE（clip=2.5，窗口 8×8），保留 a/b 通道不变，解决光照不均问题。
- 滤波：对 L 通道使用 3×3 中值滤波去除椒盐噪声，再使用高斯滤波（σ=1.2）平滑纹理噪声。
- 特征提取：计算 Canny 边缘密度（窗口 16×16）、GLCM 对比度与能量（d=2，四方向平均）、HSV 的 H 通道均值与标准差、NDVI（需额外近红外波段，此处用红绿波段近似）。
- 特征融合：共生成 12 维特征，进行 Z-score 归一化，使用 PCA 降维至 8 维（累计方差贡献率 95%）。
结果对比：分类总体精度提升至 89%，阴影区域精度从 52% 提升至 78%。代价是特征计算时间增加约 40%，但满足离线处理需求。
复盘经验：① 颜色空间转换与亮度增强是航拍影像预处理的核心组合；② 纹理特征对建筑与道路的区分贡献最大；③ 边缘密度特征在阴影区域仍有效，但需结合颜色特征剔除误检。