matlab数字图像处理卫星图像分类

### 使用MATLAB实现卫星图像的数字图像处理与分类

#### 卫星图像预处理
为了提高后续分类的效果，在进行分类之前通常需要对原始卫星图像进行一些必要的预处理操作。这些预处理措施可以包括但不限于辐射校正、几何校正以及噪声去除等。

对于去噪方面，均值滤波是一种简单有效的手段来减少随机噪声的影响。通过计算邻域内像素灰度值得平均值替代中心位置处原来的数值从而达到平滑目的[^1]：

% 均值滤波器大小设定为3*3窗口尺寸
h = fspecial('average', [3 3]);
I_filtered = imfilter(I, h);
imshow(I_filtered); % 显示经过均值滤波后的图片

#### 特征提取
特征的选择直接影响到最终模型性能的好坏。常用的方法有颜色空间转换（RGB转HSV）、纹理分析（GLCM矩阵）还有频谱变换（傅里叶变化）。其中直方图均衡化能够有效改善视觉效果并增强某些特定区域内的信息量；而高通滤波则有助于突出显示物体边界轮廓特性使得不同类别之间的差异更加明显易于区分。

% 应用直方图均衡化提升对比度
J = histeq(I);

% 设计一个简单的理想型高通频率响应函数用于强调边缘结构
Hd = ones(256)/256;
Hd(128:end-127)=0; 
F=fftshift(fft2(double(J)));
G=F.*double(Hd);
g=real(ifft2(fftshift(G)));

figure,
subplot(1,2,1), imshow(uint8(g)), title('High-pass Filtered Image');
subplot(1,2,2), imshow(J),title('Histogram Equalized Image')

#### 图像分割
K-means聚类算法因其概念直观易懂且容易编程实现成为了一种广泛应用于遥感影像监督学习之外非参数估计方式之一。该过程会自动把整个场景按照光谱相似性分成若干个簇团，并赋予每一块所属标签以便于下一步骤中的统计归纳总结工作开展下去。

k = 3;% 设置要分几类
[idx, C] = kmeans(double(reshape(I,[],3)), k,'distance','sqEuclidean',...
    'Replicates',5);
segmented_images = reshape(idx,size(I,1),size(I,2));

imagesc(segmented_images)
colormap jet
colorbar

#### 结果评估
完成上述流程之后还需要借助混淆矩阵这一工具来进行定量评价各个预测结果好坏程度。它不仅反映了总体正确率还提供了更细致层面的信息比如各类别之间相互误判情况的发生概率等等重要指标供研究者参考调整优化策略方向。