获得了新的遥感光谱数据，就必须在原有图像处理技术的基础上改进或发展新的方法，以便更好的利用光谱数据并挖掘新的信息。遥感图像的处理一般分为4个部分：图像恢复、图像增强、图像复合和图像分类。图像恢复处理是指纠正和补偿成像过程中的辐射失真、几何畸变、各种噪声以及高频信息的损失。属于预处理的范畴，一般包括辐射纠正、几何纠正、正切纠正、去条带、数字放大和镶嵌等，是一般遥感图像处理的第一步；图像增强处理，也称为图像信息提取，是指通过某种数学变换，扩大图像中地物间的灰度差别，以突出主要目标信息或改善图像的视觉效果，提高解译者的判别能力或直接识别地物，这是遥感应用图像处理中最为重要的一个方面。因为它不仅要理解图像的形成机制，更可以靠研究目标的光谱、空间特性来达到图像目标信息提取的目的，获得所需信息，所以这一方面的方法很多，主要包括反差增强、彩色增强、运算增强、变换增强等方法。图像复合处理，也称多元信息复合，是遥感应用中最为有效的一种形式，也是今后遥感与地理信息系统和其他应用学科数据综合应用解决实际问题的唯一途径。这里的多元是指多种遥感数据源和非遥感数据源，多元信息复合就是将同一地区各种不同来源的数字图像和其他类型的数据按统一的地理坐标作空间配准叠合，以进行不同数据信息源之间的对比或综合分析，达到揭示地物或现象的本质；从而，解决实际问题的目的。实现的途径大致有两种：一是先将各种数据源数据分别进行处理，然后再进行叠合对比分析；二是将遥感数据的各个通道和其他数据源数据分别当作处理时的变量，进行统一处理，最后综合分析；图像分类处理是指对多波段遥感数据，根据其象元在多维波谱空间的分布特征，按照一定的统计决策标准，由计算机划分和识别出不同的波谱集群类型，从而实现目标的自动分类和识别。根据分类前是否需要给出已知类的训练象元，又分为监督和非监督分类两种。非监督分类计算简单，容易实现，但精度较差。监督分类计算复杂，但精度较高，一般适用于已知类训练象元和要求精度较高并给出每一象元类别属性的情形下。由于应用领域的不同，针对的目标对象不同，可发展出一些适合于特定对象的图像分类方法。
朱亮璞教授将遥感数字图像处理的过程和各部分内容的关系表达成图4-1的形式，简单易懂，言简意赅。下面将着重介绍一下其中的两个重要环节：遥感图像信息提取和分类。
为了获得目标体的信息，常常要对遥感图像进行干扰信息的压抑和排除，突出有用信息，这时就需要用到图像信息增强和提取的方法。一般的，可将这些方法分为基于光谱特征反射率强度差异、基于光谱特征反射率变化规律的差异、其他3大类。
图4-1 遥感图像处理基本流程
1.基于光谱特征反射率强度差异的信息提取方法
（1）反差增强
反差增强也称反差扩展或拉伸增强，是一种通过扩展或拉伸图像的灰度值（象元光谱特征反射率）分布，使之占满整个动态范围（0～255），以达到扩大地物间灰度差异，分辨出尽可能多的灰阶的一种处理技术。遥感图像的灰度值分布，一般可以用一幅图像中不同灰阶象元的频率直方图来表示，它的分布形态基本上代表了图像在这一波段的地物区分能力和灰度值分布的动态范围。反差增强就是要改变图像象元的灰度值频率直方图的分布，使之扩大灰度值的动态范围，达到增强信息的目的。它针对的处理对象是图像的单个波段。简单地用函数关系表达，反差增强即为：
y=f（x） （4-1）
式中：Y代表增强后图像中象元的灰度值；x代表原始输入图像中象元的灰度值：函数f代表增强的方式，根据f的不同可以有不同类型的增强方式（如图4-2所示）。在处理方法上有两种：一是使用函数变换对图像中的每个象元点进行变换处理，常用于有确定增强对象（地物目标）的情况下；二是改变图像中象元间的灰度结构关系，即通过直方图调整改变图像的灰度结构，如常见的直方图均衡化。
图4-2 几种不同的反差增强方法
（2）彩色增强
人眼区分色彩的能力比区分单纯黑白灰阶要强的许多，因此利用彩色增强来突出和显示地物有其明显的优势。彩色增强一般分为两种：一是对单波段的伪彩色增强；二是对多波段的假彩色合成。单波段的伪彩色增强常用的方法有：①彩色密度分割；②灰度级-彩色变换。彩色密度分割法基本做法是：依据所要表现的目标地物的灰度值（象元光谱反射率），将单波段图像按灰度值不同进行灰阶划分，分别赋予这些目标地物不同的灰阶，然后给这些灰阶填上不同的颜色，这样就可把一幅单波段图像转变成伪彩色图像。这种做法也常用在图像分类后的结果图像上，以利于区分。利用该方法时，一定要注意给空间上相近的地物类型赋予区别明显的色彩。
灰度级-彩色变换是另一种更为常用的伪彩色增强方法，与彩色密度分割相比，它更易于在广泛的彩色范围内达到图像增强的目的。一组典型的灰度级-彩色变换的传递函数如图4-3 所示。其中，设L为图像波段的最大灰度级：（a）图表示红色变换的传递函数，它表明，凡小于L/2 的灰度级，将被转变成尽可能暗的红色，而在（L/2，3L/4）范围内的灰度级将由暗的红色线性演变成亮的红色，属于（3L/4，L）区间内的灰度级都转变成最亮的红色。同理，图（b）和图（c）分别表示绿色和蓝色变换的传递函数。图（d）表示了3 种彩色传递函数组合在一起的情况。不难看出，属于图（d）中左端灰度级的图像象元为纯的蓝色，右端的为纯红色，中间点为纯绿色，其余的象元为3种颜色的伪彩色。显然，用这种组合方案进行伪彩色增强，图像中任何两个灰度级都不会有相同的色彩。
图4-3 灰度级-彩色变换传递函数
（a），（b），（c）灰度对红、绿、蓝色变换；（d）综合传递函数
为了更好地利用多波段图像的信息，提高对图像的理解，同样可以用彩色合成来进行信息增强。其基本原理与上述的单波段伪彩色增强相似，只是红、绿、蓝变换不是对同一波段的不同灰度级，而是分别对3个（或2个）波段实施，即由3个（或2个）波段的CCT数值根据设定的波段灰度与彩色之间的变换关系表，直接控制图像处理系统中彩色显示装置的红、绿、蓝3色枪的光强输出，加色合成显示在彩色屏幕上，形成彩色图像；或者以3色依次扫描到彩色胶片上，再印放成彩色相片。
（3）主成分分析
主成分分析是遥感岩性信息提取中最常用的一种方法，它基于计算图像数据的方差一协方差矩阵或相关矩阵，求得它们的特征值和特征向量，然后反变换回遥感图像，而达到对图像信息的集中和数据的压缩的效果。它利用目标岩石与背景地物之间的差异对整幅图像进行处理，最后得到所需要的目标信息。主成分分析（principal components analysis）是多波段遥感图像信息提取和增强的最常用的方法之一，通常也称为K-L（kahunen-loeve）变换、主成分变换。遥感中使用主成分分析；主要用来进行图像编码和图像数据压缩、图像信息提取和增强、图像变化监测以及调查图像数据潜在的多时间维。在数学含义上，它是一种基于图像统计特征的多维正交线性变换。从几何意义上讲，它相当于对图像进行了空间旋转变换，变换后的主成分之间互相正交、不相关。实际上，它也是一种基于地物光谱特征反射率强度的方法，即主成分距离。简单地讲，主成分分析分成3步：①计算输入图像数据的方差-协方差矩阵和相关矩阵；②计算矩阵的特征值和特征向量；③计算主成分。
当所用矩阵为方差-协方差矩阵，称主成分分析为非标准的主成分分析。当所用矩阵为相关矩阵，称主成分分析为标准的主成分分析。Singh和Harrison在1985年应用两种主成分分析对印度北东部的Landsat MSS数据进行了研究，结果表明标准主成分分析提高了图像的信噪比、增强了图像信息。Ek-lundh和Singh在1993年对Landsat TM.SPOT等4种数据进行了主成分分析，分析结果表明标准主成分分析比非标准主成分分析提高了图像的信噪比。
选择主成分分析（selected principal components analysis）是Crosta A.P.等在1989年提出的，是选择有地质意义的波段进行主成分分析。Loughlin W.P.在1990年将Landsat TM数据按波段分成1，3，4，5和1，4，5，7两组，分别作主成分变换，通过对比矿物光谱曲线在PCA图像的特征向量负载进行填图，即用1，3，4，5波段主成分变换进行铁氧化物填图，用1，4，5，7波段主成分变换进行含轻基矿物填图。其实质是通过主成分变换来扩展TM5与TM1及TM5与TM4的光谱反差来提取铁氧化物信息，扩展TM5与TM7的光谱反差来提取含羟基矿物的光谱信息。
2.基于光谱特征反射率变化规律的信息提取方法
运算增强就是利用加、减、乘、除和它们的混合运算对多波段图像进行的一种图像信息提取和反差增强方法。John McM.Moore等（1993）利用波段间加、减运算增强技术对TM 图像数据进行了石膏、粘土和热液蚀变硅的选择性增强，取得了良好效果。实际上，图像运算增强中最常见的运算是除运算，常称为比值运算。比值运算是利用不同地物在图像数据的不同波段光谱反射特性变化的不同，进行波段间除运算来达到地物信息的提取和图像反差增强。根据相除的分子、分母不同，比值运算又可简单地分为：简单比值、组合比值和标准化比值。
由于简单比值简单易行，反差增强效果显著，因此人们对常用的遥感数据源TM 图像数据波段间比值做了充分地研究，利用它们来增强和提取图像植被信息、岩石蚀变信息等。表4-1给出了TM数据波段间几个主要的简单比值。
表4-1 TM数据波段间几个主要的简单比值
（据童庆禧等（1994）改编）
比值增强用于图像增强，其基本的功能就在于：①能扩大不同地物之间的微小灰度差异，利于岩石、土壤等光谱差异不太明显的地物之间的区分，同时可用于植被类型和分布的研究：能消除或减弱地形等环境因素的影响。②能用来进行提取岩石信息和矿化关系密切的蚀变信息。③能利用比值成分与原始波段或其他方法处理的结果进行彩色合成增强地物信息表示，突出目标信息，就是说，经大气散射校正后的比值图像与照度、太阳入射角和漫反射无关。其缺点是，比值图像的独立波谱意义并不存在，丢失了地物总的反射强度（反射率）信息，损失了图像的地形信息。实践证明，在黑白比值图像上识别矿产信息是相当困难的。如果选取3个能提取出矿产信息的比值图像，并根据色度学原理将其配以红、绿、蓝三种颜色进行合成，使矿产信息与围岩以不同的颜色出现在图像上，则能够用目视法直接在图像上识别矿产信息，并能确定其位置。因此，可以认为比值彩色合成法就是矿产信息提取的基本方法。
3.其他
（1）直接主成分分析
Frazer S.J.和Green A.A.在1987年提出直接主成分分析（directed principal components analysis），通过两个比值图像（一组为植被图像TM4/TM3，一组为蚀变图像，如TM5/TM7，TM5/TMI）的主成分变换达到在增强蚀变信息的同时抑制植被光谱干扰。利用类似的方法，赵元洪等（1991）进行了热液蚀变信息的提取，Frazer S.J.（1991）进行了铁氧化物的判别和识别。张满郎（1996）提出了对这种直接主成分分析的改进。输入TM7，TM1，TM4，TM3进行比值TM 1，（TM4/TM3）主成分分析，产生的PC2增强了铁氧化物光谱信息，压抑了植被的光谱干扰。输入TM5，TM7，TM4，TM3进行比值（TM5/TM7，TM4/TM3）主成分分析产生的PC2 增强了含羟基矿物的光谱信息。M.Srikanth和J.M.MooreL.J.Guo（1994）对航天TM数据的对数残差图像进行了主成分分析，提高了图像中的地形特征的光谱区别，利用直接主成分分析对西班牙西南部的图像子区进行分析，成功地提高了铁矿物的光谱对比度。
（2）比值法-特征主成分分析
这种方法是建立在比值处理和特征主成分分析基础之上的一种方法。比值法增强蚀变信息多受地域自然条件的限制，去干扰物（植被、大气、地衣等）的波谱排除法则要求获得各种地物波谱数据，客观上也受到限制。刘志杰（1995）提出比值-特征主成分混合分析方法，结果如下。
1）含铁矿物波谱信息图像（简称F图像）的确定
首先以TM1，3，4，5为一组，用以寻找含铁矿物的图像。在同幅F图像中，含羟基矿物信息将被屏蔽，主成分变换，并对变换后的各PCA图像尽可能的定性分析，以确定F图像，此FPCA图像必须同时满足：或TM3与TM1具有相反的贡献标志，或TM3与TM4具有相反的贡献标志，或TM5与TM4具有相反的贡献标志；TM3或TM5至少有一个为强负载荷。
2）含羟基矿物波谱信息图像（简称H图像）的确定
类似于F图像的确定方法，进行提取H图像的变换处理。不同的是在选择原始波段组合时，采用了两个比值图像：（TM5/TM7）和（TM4/TM3），而不是TM1，4，5，7。原因：一是后一组图像变换后所确定的PC4需作反处理才能满足H图像的要求。二是最后的合成处理中效果不佳。原始F，H图像的亮度指数很低，为产生良好的视觉效果和有利于进一步解释F图像进行分段线性拉伸，H图像直方图均衡，并将增强后的TM7图像与两者进行红、蓝假彩色合成。
（3）IHS变换（intensity-hue-saturation transform）
在色度学中，颜色可以用红（R）、绿（G）.蓝（B）3原色色值来表示，也可以用人眼对颜色感知的色度学变量：亮度（I）、色调（H）、饱和度（S）描述，由上述两种变量构成了色度学中的两种彩色坐标系统：RGB彩色空间和IHS色度空间（也称孟塞尔坐标）。这两个系统的关系可用图4-4表示。该图中，I轴垂直于纸面（过S=0，白色），沿I轴只有亮度明暗的差异：圆周代表H的变化，并设定红色为H=0；半径方向代表饱和度，圆心处S=0，为白色，圆周处S=1，彩色最纯。很显然，RGB彩色空间坐标系与IHS色度空间坐标系之间存在着某种关系，确定它们之间转换关系的彩色变换数学模型即称为IHS变换或彩色坐标变换（孟塞尔变换）。习惯上，常把从RGB空间变换到IHS空间称为正变换，把从IHS空间变换到RGB空间称为反变换。
图4-4 RGB彩色空间和IHS色度空间关系图
由于IHS彩色变换具有灵活实用的优点，近年来日益受到国内外研究者的重视，因此产生了多种IHS变换式。目前在遥感图像处理中，IHS变换多用于以下3个方面的研究：
1）彩色合成图像的饱和度增强。
2）不同分辨率遥感图像的复合显示。例如，将Landsat MSS与数字航空相片进行IHS变换融合能够产生具有像SPOT一样的光谱（从绿到近红外）和空间属性（10m）的彩色图像。
3）多源数据综合显示。将物、化探等地学信息数字化，把它们当作H或S色度变量，以遥感图像为I，作IHS正变换便可获得色彩分明的遥感与物、化探等地学信息复合的彩色图像。这类图像一般既具有遥感图像清晰的地貌、地质背景，又能将物、化探等地学信息准确地反映在这一背景上，非常有利于它们相互关系的综合分析和解译。
（4）去相关拉伸变换（thedecorrelation stretch transformation）
去相关拉伸变换是一种基于主成分变换的技术。它包括3个明显的阶段：①将原始图像波段变换为它们的主成分。②分别反差拉伸变换后的主成分。③进行主成分反变换，在原始彩色空间显示。N.A.Campbell（1996）详细研究了这3个阶段，他认为去相关拉伸变换实质上是另一种不同于主成分变换的光谱波段线性变换，经过第二阶段反差拉伸正规化方差后，得到方差为单位方差的互不相关的变量，产生增强显示图像方法的效果主要依赖于该方法产生的特殊反差对比。他研究了来自美国夏威夷的热红外多光谱（thermal infrared multi-spectral scanner，TIMS），发现定义第一主成分的特征向量上的一个小变换仅导致去相关拉伸系数的微小变化，然而却产生了一幅明显不同的去相关拉伸图像。对TM数据的6个可见、近红外和短波红外波段进行去相关拉伸分析表明去相关拉伸后的结果图像多少有一点儿失真，即其中有些图像敏感于去相关拉伸系数的微小变化，而另一些则不是。具体计算分析见原文。
总之，去相关拉伸变换是原始光谱波段的一种线性变换，这种变换通常是原始光谱波段的加权总和与差。研究表明该方法对一些遥感图像数据有效，能产生好的图像效果和提供新的洞察点；对另一些图像数据处理，与主成分变换相比，效果较差。与主成分变换，典型分析变换的图像显示一样，实际的去相关拉伸矢量很少被说明，因此也不可能从光谱上理解它们的结果图像。