5.1 图像增强与直方图拉伸
5.1 图像增强与直方图拉伸
本节摘要：传感器的量化动态范围远超显示器与人眼的呈现能力，未处理影像常显得"又暗又闷"。本节讲三种最基本的增强手法——线性拉伸、直方图均衡、假彩色合成，并用一段完整的 NumPy 演算走通从反射率到可视影像的过程；同时划清增强与定量的边界：增强服务视觉判断，定量运算必须回到原始反射率。
先让地物看得见
预处理交付的反射率数据是"忠实"的，但往往不好看：地表反射率大多落在零点几的窄区间，按满量程显示时影像灰暗、层次压缩，人眼很难判读。增强不产生新信息，它把已有的数值区间映射到显示动态范围上，让信息对眼睛"摊开"。这件事必须先做的原因很实际——解译样本的选取、分类结果的人工核查、专题图的制图表达，全依赖一版看得清的显示底图。
线性拉伸是最常用的手法：取直方图的低分位与高分位（例如百分之二与百分之九十八）作为映射端点，把区间线性扩展到零至二百五十五，舍弃的尾部是噪声与极值。直方图均衡更进一步：按累积分布函数重映射，让每个灰度级占据大致相同的像元数，细节对比被全面拉开，代价是灰度关系被非线性扭动，适合目视、忌讳定量。假彩色合成则利用波段组合的解码能力：近红外显红、红光显绿、绿光显蓝的标准组合下，植被呈鲜红色（因为近红外反射高），水体近黑，城市青灰——植被边界与长势差异一眼可辨，这是目视解译几十年的看家配色。当三显色仍不够用时，再叠加主成分变换把多波段信息压缩到前几个分量里显示。
# 图像增强演算：从反射率到可视影像（NumPy 实现） import numpy as np np.random.seed(7) ref = np.random.beta(2, 8, (200, 300)) * 0.45 # 模拟某波段地表反射率 ref[30:60, 40:120] = 0.02 # 一片"水体" ref[120:160, 180:280] = 0.38 # 一片"稠密植被" def linear_stretch(band, low_pct=2, high_pct=98): lo, hi = np.percentile(band, [low_pct, high_pct]) stretched = (band - lo) / (hi - lo) return np.clip(stretched, 0, 1) vis = (linear_stretch(ref) * 255).astype(np.uint8) print("原始反射率 均值 {:.3f} 区间 {:.3f} 至 {:.3f}".format(ref.mean(), ref.min(), ref.max())) print("拉伸后灰度 均值 {:.1f} 区间 {}".format(vis.mean(), (vis.min(), vis.max()))) w = vis[30:60, 40:120].mean(); v = vis[120:160, 180:280].mean() print("水体均灰 {:.0f}，植被均灰 {:.0f} —— 对比从 {} 倍拉开到 {} 倍".format( w, v, 0.38/0.02, v/w)) # 反射率差异 19 倍，经拉伸与显示映射后灰度对比更直观 # 注意：vis 只能用于显示与解译，定量计算请继续用 ref
图 5-1：同一景影像的三种呈现
波段运算：从显示到测量的第一座桥
增强的下一步自然衔接波段运算——把几个波段的反射率按公式合成一个新"波段"，它既是产生新显示通道的手段（如冰雪指数、火烧迹地指数），也是第 6 章参数反演的起点。演算只涉及数组四则，但工程纪律重要：参与运算的必须是反射率原值，除法要防零（分母加极小量），结果要按理论值域裁剪。下面用 NDVI 与水体指数做一次完整演算，顺带体会"指数对噪音的免疫力"差异：
# 波段运算：NDVI 与水体指数的稳健性对比 red = np.array([0.05, 0.10, 0.20, 0.06]) nir = np.array([0.50, 0.28, 0.28, 0.02]) # 密植、疏草、裸土、清水 mndwi = (np.array([0.09]) - np.array([0.03])) / (np.array([0.09]) + np.array([0.03]) + 1e-9) ndvi = (nir - red) / (nir + red + 1e-9) labels = ["密植农田", "稀疏草地", "干燥裸土", "清水"] for lb, v in zip(labels, ndvi): print(f"{lb} NDVI = {v:+.2f}") # 全部落在 -1 至 +1，水的极负值与植被的高值分野清晰； # 分母加 1e-9 防止除零，是波段运算的肌肉记忆
两个实用提醒。其一，指数各有擅长与失效域：NDVI 对土壤背景与大气敏感、在高覆盖区饱和，业务上常换成抗土壤背景的 EVI 或红边指数，选择依据回到第 2 章的光谱机理。其二，所有指数结果都该带着"原始值域"做合理性检查——NDVI 算出负一点五一定意味着输入不是反射率（多半误用了 DN 值或增强后影像），这种自检比任何算法调优都便宜。
主成分显示与大批量增强的工程化
两个常被一起问到的实操话题放在一起说。主成分显示：多波段影像直接选三个波段显示会浪费其余波段的信息，主成分变换把全部波段的方差集中到前几个分量上——第一分量通常是"亮度"（地物明暗），第二分量常对应"绿度"对比（植被与背景的反差）。用第一、二、三分量配成假彩色，往往比任何三波段组合都更"全面"，且压缩了噪声；代价是分量失去了直接的物理含义，出图时要注明"主成分合成，非真实彩色"。大批量增强的参数管理：业务项目动辄几百景影像，逐景手工调拉伸既慢又不一致。工程做法是制定全局拉伸规则（如统一按百分之二至九十八分位、统一裁剪域），把参数写进处理脚本与日志；展示类产品允许逐景微调，但定量流程严格走固定规则——一致性在这里再次比单景的最优更值钱。
排错手记：显示与定量的边界事故
事故一：NDVI 图出现负零点五的"沙漠绿洲"。 排查发现有人把直方图均衡后的影像当输入算的指数——增强的非线性映射彻底改写了比值。处置：回到反射率原值重算，并把"定量输入禁用增强产物"写进项目规范。事故二：同一项目两批影像色调对不上。 两名成员用了不同的拉伸分位数，拼接图上成色断层。处置：统一拉伸规则重出，今后规则随脚本走、不随人走。事故三：指数值域莫名越界。 输入被误当成反射率的 DN 值，除法后数值飘出理论区间。处置：所有指数计算前加值域断言，越界即报警——一行检查代码，拦下整批废品。三起事故的共同教训：显示与定量的边界要用流程锁死，而不是靠自觉。
要点回顾：增强不产生新信息，只把数值区间摊开给眼睛，线性拉伸按分位铺满量程、均衡化拉开细节、假彩色解码波段语义；波段运算是从显示走向测量的桥梁，反射率原值、防零分母、值域自检是三条纪律；主成分合成信息全面但无物理色彩，出图要注明；大批量项目用统一拉伸规则保一致性；增强产物与定量产物分开管理，误用增强影像做定量是最常见的静默错误。下一节把"每个像元孤立的光谱"升级为"邻域与目标的特征"。
附：增强速记卡与练习
速记四条。一、拉伸选分位：两端各留百分之二给噪声，宁可舍弃极值也要把主体层次铺满。二、假彩色先近红：看植被先试近红外显红组合，这是解译的第一眼配色。三、均衡不上桌：直方图均衡的结果只留在显示器上，绝不进入任何公式。四、原值保险箱：所有定量运算的输入从"反射率保险箱"取，增强影像放"展示柜"，两把钥匙两个人管。练习建议：找一景免费数据，分别用直方图均衡、线性拉伸、主成分合成出三张图，同一区域同一配色比较——亲眼看过三者的差异，比读三遍文档都记得牢。
案例复盘：一次虚惊的报告
某项目提交的旱情旬报里，有一期 NDVI 区域均值突然下坠，值班同事按"真实旱情"起草了预警。复核发现：当期影像换了处理链版本，拉伸参数不同导致指数计算的输入口径漂移——虚惊一场，但流程漏洞暴露了。改进措施有三：定量输入统一从反射率产品库取数，展示影像永不入库；指数计算前加值域与分布断言，均值漂移超阈值自动复核；旬报模板加"数据口径"字段，版本变化必须显式标注。这则案例值得讲给每位新人：增强与定量的边界事故，多数不是知识问题，而是"哪条数据能进公式"的纪律问题。把纪律做进脚本与模板，人才可以从重复的警惕中解放出来，去关注真正的地物变化。
附：配色与出图速记
出图配色三条纪律：一、专题图的色带要服务判读——分类图用高区分度的类别色，连续量用单色渐变并在图例标数值区间；二、永远附图例与单位，"红色是植被还是火点"取决于图例而不是读者的想象；三、打印与投影场景做一次试色——屏幕上鲜艳的配色投影后可能糊成一片。另外记一个显示细节：拉伸参数影响的是视觉对比，不改变像元值本身，但在截图汇报时务必注明所用拉伸，否则别人屏幕上的同一景对不上你的色调，沟通成本陡增。