CN118172299B - 一种用于提升城市勘测遥感图像质量的增强方法 - Google Patents

Abstract

本申请涉及遥感图像处理技术领域，具体涉及一种用于提升城市勘测遥感图像质量的增强方法，该方法包括：采集城市勘测遥感图像；获取网络数据集；根据网络数据集对城市勘测遥感图像进行分割，获得各街区区域；根据街区区域内所有像素点在不同颜色通道的颜色值，计算街区色彩差异值和街区色彩集中度；根据街区色彩差异值和街区色彩集中度，获得街区色彩突出系数；将城市勘测遥感图像转换为城市勘测灰度图像，结合街区色彩突出系数获得第一优化参数；结合街区色彩差异值和第一优化参数获得第二优化参数；根据第一优化参数和第二优化参数获得增强后的城市勘测遥感图像。本申请可提高城市勘测遥感图像的图像增强质量。

Description

一种用于提升城市勘测遥感图像质量的增强方法

技术领域

本申请涉及遥感图像处理技术领域，具体涉及一种用于提升城市勘测遥感图像质量的增强方法。

背景技术

随着城市不断建设和发展，城区勘测遥感图像的地物信息越来越丰富，不同类型的建筑群可以代表城区不同的发展状态。楼群密集度一定程度上能代表城市的发达程度；城市勘测遥感图像中植被和水体的比例，能反映出一个城市的环境水平。识别和分析城市勘测遥感图像中的各种地物信息，对城市的发展和规划有着重要的作用。

遥感图像在获取和传输的过程中，受到很多因素的影响，使得到的遥感图像变得失真、模糊、对比度低等。为了便于研究人员对遥感图像识别和分析，对遥感图像进行图像增强是很必要的。但是，在使用传统的不完全beta函数处理城市勘测遥感图像时，对所有颜色通道采用了同样的增强方法，对城市中各个街区特征的针对性不足，不能很好地增强细节和边缘信息，不利于后续使用图像进行地物信息的识别和分析，使得城市勘测遥感图像的图像增强质量不高。

发明内容

为了解决上述技术问题，本申请提供一种用于提升城市勘测遥感图像质量的增强方法，以解决现有的问题。

本申请的一种用于提升城市勘测遥感图像质量的增强方法采用如下技术方案：

本申请一个实施例提供了一种用于提升城市勘测遥感图像质量的增强方法，该方法包括以下步骤：

S10，采集RGB颜色通道的城市勘测遥感图像；获取网络数据集；

S20，根据网络数据集对城市勘测遥感图像进行分割，获得各街区区域；根据街区区域内所有像素点在不同颜色通道的颜色值，计算第一优化参数和第二优化；

S21，对于各街区区域，根据街区区域内所有像素点在不同颜色通道的颜色值计算色彩差异指数；根据街区区域在待分析通道的色彩差异指数计算街区区域在各颜色通道的街区色彩差异值；

S22，根据街区区域内像素点在各颜色通道的颜色值，获得各颜色值的频率；根据街区区域中包含的像素点在各颜色通道的颜色值的频率，获得街区区域在各颜色通道的街区色彩集中度；根据街区区域在所有颜色通道的街区色彩差异值和街区色彩集中度，获得街区色彩突出系数；

S23，将城市勘测遥感图像转换为城市勘测灰度图像，结合城市勘测灰度图像和街区色彩突出系数获得第一优化参数；结合街区色彩差异值和第一优化参数获得第二优化参数；

S30，将第一优化参数和第二优化参数作为不完全beta函数中的两个优化参数对城市勘测遥感图像进行增强，获得增强后的城市勘测遥感图像；

进一步，所述根据网络数据集对城市勘测遥感图像进行分割，获得各街区区域，包括：

采用网络数据集训练神经网络，获得训练完成的神经网络模型；采用训练完成的神经网络模型对城市勘测遥感图像进行分割，获得各街区区域。

进一步，所述对于各街区区域，根据街区区域内所有像素点在不同颜色通道的颜色值计算色彩差异指数，包括：

将任一街区区域作为待分析区域，对于待分析区域的各颜色通道，获取待分析区域在颜色通道的一阶颜色矩与各街区区域在颜色通道的一阶颜色矩的差值绝对值；计算所有街区区域在颜色通道的一阶颜色矩的最大值和最小值；获取所述最大值与最小值的差值；计算所述差值绝对值与所述差值的比值；获取以自然常数为底数，以所述比值为指数的指数函数；

将所有街区区域在各颜色通道的所述指数函数的计算结果的和值，作为各颜色通道的色彩差异指数。

进一步，所述根据街区区域在待分析通道的色彩差异指数计算街区区域在各颜色通道的街区色彩差异值，包括：

对于各颜色通道，计算街区区域在各颜色通道的二阶颜色矩与预设大于0的调参因子的和值；获取街区区域在各颜色通道的一阶颜色矩与所述和值的比值；将所述比值与各颜色通道的色彩差异指数的乘积，作为街区区域在各颜色通道的街区色彩差异值。

进一步，所述根据街区区域内像素点在各颜色通道的颜色值，获得各颜色值的频率，包括：将街区区域在待分析通道的各颜色值包含的所有像素点的数量，作为街区区域在待分析通道的各颜色值的频率。

进一步，所述根据街区区域中包含的像素点在各颜色通道的颜色值的频率，获得街区区域在各颜色通道的街区色彩集中度，表达式为：

式中，表示第i个街区区域中第j个颜色通道的街区色彩集中度；表示第i个街区区域第j个颜色通道中频率最高的颜色值；分别表示第i个街区区域中第j个颜色通道中颜色值为、的频率；为预设分布范围；为第一求和索引；exp()表示底数为自然常数的指数函数。

进一步，所述根据街区区域在所有颜色通道的街区色彩差异值和街区色彩集中度，获得街区色彩突出系数，包括：

获取街区区域在所有颜色通道的街区色彩差异值的和值；计算街区区域在各颜色通道的街区色彩差异值与所述和值的比值；将所述比值与街区区域在各颜色通道的街区色彩集中度的乘积，作为街区区域在各颜色通道的街区色彩突出系数。

进一步，所述将城市勘测遥感图像转换为城市勘测灰度图像，结合城市勘测灰度图像和街区色彩突出系数获得第一优化参数，包括：

将RGB颜色通道的城市勘测遥感图像转换为灰度空间，获得城市勘测灰度图像；对城市勘测灰度图像中对应的各街区区域，采用ORB算法获得各街区区域中的角点；

对于各街区区域，计算街区区域中的各角点与其他所有角点之间的欧氏距离的均值；获取街区区域中的各角点与其他所有角点之间的欧氏距离的最小值；计算所述均值与所述最小值的差值；获取街区区域中所有角点的所述差值的和值；统计街区区域的角点数量，获取所有街区区域的角点数量的最大值；计算所述最大值与所述和值的乘积，记为第一乘积；获取街区区域在各颜色通道的街区色彩突出系数与街区区域的角点数量的乘积，记为第二乘积；将第二乘积与第一乘积的比值作为街区区域在各颜色通道的第一优化参数。

进一步，所述结合街区色彩差异值和第一优化参数获得第二优化参数，包括：

计算街区区域在所有颜色通道的街区色彩差异值的和值；获取所述和值与街区区域在各颜色通道的街区色彩差异值的比值；获取数字10与街区区域在各颜色通道的第一优化参数的差值；将所述差值与所述比值的乘积作为街区区域在各颜色通道的第二优化参数。

进一步，所述将第一优化参数和第二优化参数作为不完全beta函数中的两个优化参数对城市勘测遥感图像进行增强，获得增强后的城市勘测遥感图像，包括：

将街区区域在各颜色通道的第一优化参数和第二优化参数，作为不完全beta函数中的两个优化参数对城市勘测遥感图像中的所有街区区域进行图像增强，获得增强后的城市勘测遥感图像。

本申请至少具有如下有益效果：

本申请通过分析城市勘测遥感图像中不同地物信息对应的区域之间的色彩信息具有较大差异，在采用不完全beta函数进行图像增强的过程中，采用相同的优化参数会忽略城市勘测遥感图像的细节信息，使得不同区域之间的增强效果有较大的参差；因此，本申请将遥感图像切割成不同的街区图像后，针对不同区域自适应地进行图像增强；首先，考虑到不同街区图像的颜色特征差异，计算街区色彩差异值，提高对不同街区图像颜色值的区分度；基于街区色彩差异值对街区图像颜色的区分度，根据各个街区不同颜色通道颜色值的分布情况，构建街区色彩突出系数，加强了不同街区图像下不同颜色通道差异性的对比，便于更好地提取街区图像特征。根据街区区域包含的角点的数量和街区色彩突出系数，优化不完全beta函数的参数，针对不同的街区图像进行自适应图像增强，突出各个街区图像中的局部特征，解决了不完全beta函数中，对图像局部细节针对性不强的问题，提高了城市勘测遥感图像的图像增强质量。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本申请提供的一种用于提升城市勘测遥感图像质量的增强方法的步骤流程图；

图2为增强后的城市勘测遥感图像的获取流程示意图。

具体实施方式

为了更进一步阐述本申请为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本申请提出的一种用于提升城市勘测遥感图像质量的增强方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本申请所提供的一种用于提升城市勘测遥感图像质量的增强方法的具体方案。

本申请一个实施例提供的一种用于提升城市勘测遥感图像质量的增强方法，具体的，提供了如下的一种用于提升城市勘测遥感图像质量的增强方法，请参阅图1，该方法包括以下步骤：

步骤S001，采集城市勘测遥感图像，并进行预处理。

采用卫星搭载CCD相机对城市街区进行拍摄，对拍摄得到的影像进行预处理，首先通过纠正物镜畸变来校正像点位置，再进行辐射校正，消除图像中的光照和大气影响，提高图像的亮度和对比度，得到RGB通道的城市勘测遥感图像。

步骤S002，将城市勘测遥感图像分割为不同的街区区域；通过不同街区区域之间的颜色特征差异，计算街区色彩差异值；根据街区区域中各通道颜色值的分布集中程度，结合街区色彩差异值计算街区色彩突出系数；根据街区色彩突出系数计算对不同街区区域进行图像增强的优化参数。

由于城市勘测遥感图像当中含有的地物信息比较丰富，图像在RGB各个通道的取值范围很分散，并且某些颜色会集中分布在图像的局部区域当中，例如图像中G通道取值较高的像素点集中分布在绿化较多的公园处。此时，如果直接采用不完全beta函数对整个图像变换，进行图像增强，拉伸各个通道的取值分布范围，对不同区域的颜色特征针对性不强；对所有的颜色通道采用相同的优化参数，导致不同颜色区域图像增强的实际效果有较大区别，不能很好地处理内容复杂的城市勘测遥感图像的细节信息。

考虑到以上因素，以城市勘测遥感图像中的城市道路为边界，把图像切割成不同的街区图像。获取通过城市道路分割遥感图像的网络数据集，通过网络数据集训练U-net神经网络，获得训练完成的U-net神经网络；将城市勘测遥感图像送入采用网络数据集训练完成的U-net神经网络，损失函数采用交叉熵损失函数，优化算法采用Adam算法，网络输出是以道路为边界切割后的街区区域。因为各条道路将城市划分成不同的街区，并且同一街区的屋顶材质、绿化程度等都比较接近，反映在图像中的颜色比较集中，本实施例针对各个街区的特征单独计算优化参数，进行图像增强，避免图像细节被淹没的情况发生，获取增强后的城市勘测遥感图像的具体流程如图2所示。

每个街区承担的城市功能不同，建筑外观和绿化程度明显不同，导致各街区图像中的颜色出现明显差异。公园的绿化程度最高，在图像中G通道的数值最高；居民区的屋顶多为红色和褐色，在图像中R通道的数值最高；厂区中厂房的屋顶多为灰色和蓝色，在图像中B通道的数值最高。计算图像切割后K个街区区域的街区色彩差异值：

式中，K表示街区区域的数量；分别表示第i个、第r个街区区域中第j个颜色通道的一阶颜色矩，其中j=1表示R通道，j=2表示G通道，j=3表示B通道；表示第i个街区区域中第j个颜色通道的二阶颜色矩；表示K个街区区域中第j个颜色通道的最大一阶颜色矩；表示K个街区区域中第j个颜色通道的最小一阶颜色矩；exp()表示底数为自然常数e的指数函数；为预设大于0的调参因子，为了防止分母为0，取值为1；表示第i个街区区域中第j个通道的街区色彩差异值；表示第j个通道的色彩差异指数；其中，一阶颜色矩与二阶颜色矩的计算为公知技术，不再赘述。

由于不同街区区域的各个通道一阶颜色矩的差值变化较大，不易控制和估计，所以采用最大最小归一化的方法，对各个通道一阶颜色矩的差值进行归一化处理。当第i个街区区域中某个通道的颜色值主要分布在颜色值较高的区间内，其通道的一阶颜色矩越大，在K个图像均值中的排名越靠前，与其余均值的差值越大，一阶颜色矩差值的指数不断累积到街区色彩差异值的计算中，对应通道的街区色彩差异值越大。另外，对一阶颜色矩相近的街区图像而言，颜色通道的值分布越集中时，图像越明亮，对应的标准差越小，街区色彩差异值越大。

不同街区区域中，像素点在不同通道的颜色值取值分布不同。当颜色值集中分布在较大值的周围时，应当将此通道较大值周围的颜色等级拉伸；当颜色值集中分布在较小值的周围时，应当将此通道较小值周围的颜色等级拉伸。将第i个街区区域的第j个颜色通道中颜色值为m的像素点的数量，作为第i个街区区域中第j个通道颜色值为m的频率；计算不同街区区域中各颜色通道的街区色彩突出系数：

式中，表示第i个街区区域中第j个颜色通道的街区色彩集中度；表示第i个街区区域第j个颜色通道中频率最高的颜色值；分别表示第i个街区区域中第j个颜色通道中颜色值为、的频率；为预设分布范围，用于选择颜色通道颜色值的分布范围，取值为20，实施者也可以根据具体情况自行调节；为第一求和索引；exp()表示底数为自然常数e的指数函数；、分别表示第i个街区区域中第j个、第个颜色通道的街区色彩差异值；3为颜色通道的数量；表示第i个街区区域在第j个通道的街区色彩突出系数。

当第i个街区区域中第j个通道的颜色值，越集中地分布在其频率最大的颜色值的周围时，其附近的颜色值的频率之和越大，街区色彩集中度越大，街区色彩突出系数越大。此外，第i个街区区域中，与另外的两个通道相比，当第j个通道的街区色彩差异值越大时，该通道越明亮，对应的街区色彩突出系数越大。之后进行图像增强时，根据街区色彩突出系数的大小选择颜色通道的拉伸范围，颜色值越集中地分布在较高值的周围时，应针对此较高值周围的颜色级进行拉伸，以便更好地对街区图像的主体部分进行强化。

不同街区图像中的边缘形状差异很大。公园里多为绿植，反映在图像当中的角点很少；厂区中的厂房面积很大，且分布较散，图像中角点稍多；而居民区中楼房数量最多，且楼间距较小，图像中的角点数量最多，且分布最集中。将RGB颜色通道的城市勘测遥感图像转换为灰度空间，获得城市勘测灰度图像；对城市勘测灰度图像中对应的各街区区域，采用ORB算法，获得各街区区域的角点位置和数量，ORB算法为公知技术，不再赘述。计算第i个街区图像中，每个角点与其余角点的欧氏距离的均值，分别记作，并选择其中的最小值记作。计算用于不完全beta函数的优化参数：

式中，表示第i个街区区域中角点的数量；表示第i个街区区域中第j个通道的街区色彩突出系数；表示所有街区区域的角点数量的最大值；表示第i个街区灰度图像中第r个角点与其余角点的欧氏距离的均值；表示第i个街区灰度图像中各个角点平均欧氏距离的最小值；表示第i个街区区域中第j个颜色通道的街区色彩差异值；和分别表示第i个街区区域中第j个通道的第一优化参数和第二优化参数。

不完全beta函数的图像是受和两个优化参数控制的曲线。通过调整和可以得到不同的非线性曲线，针对不同的图像进行增强。当，对亮区进行拉伸；时则是增大暗区的颜色级差别。由于居民区的屋顶材质反光最强，与厂区相比，对应RGB图像中各通道的颜色值较大；而公园中植被的吸光能力最强，且图像中的角点数量最少，对应RGB图像中各通道的颜色值较小。因此，街区区域各通道的平均颜色值与角点数量正相关。当图像中角点数量越多，分布越密集，并且图像越明亮，街区色彩突出系数越大时，图像颜色通道的颜色值的平均值越大，利用不完全beta函数对此通道进行图像增强时，应设置更大的值，对颜色值较高的区域进行拉伸。另外，同一街区区域中，街区色彩差异值越小，对应的颜色通道越暗，而越暗的颜色通道需要增强的程度越大，此时设置较大的值，增大其拉伸颜色范围的拉伸程度，以便更好地对各街区主体进行增强。

步骤S003，根据优化参数对城市勘测遥感图像中的所有街区区域进行图像增强，获得增强后的城市勘测遥感图像。

根据上述步骤计算获得的和值，通过不完全beta函数对城市勘测遥感图像中的所有街区区域进行图像增强，具体为：根据优化参数将街区区域的像素点在三个通道的颜色值进行非线性变换，再对各像素点变换后的三个通道的颜色值进行反向归一化处理，其中，反向归一化处理和不完全beta函数的具体流程为公知技术，不再赘述。得到增强后的城市勘测遥感图像。

需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (6)

1.一种用于提升城市勘测遥感图像质量的增强方法，其特征在于，该方法包括以下步骤：

S10，采集RGB颜色通道的城市勘测遥感图像；获取网络数据集；

S20，根据网络数据集对城市勘测遥感图像进行分割，获得各街区区域；根据街区区域内所有像素点在不同颜色通道的颜色值，计算第一优化参数和第二优化参数；

S21，对于各街区区域，根据街区区域内所有像素点在不同颜色通道的颜色值计算色彩差异指数；根据街区区域在待分析通道的色彩差异指数计算街区区域在各颜色通道的街区色彩差异值；

S22，根据街区区域内像素点在各颜色通道的颜色值，获得各颜色值的频率；根据街区区域中包含的像素点在各颜色通道的颜色值的频率，获得街区区域在各颜色通道的街区色彩集中度；根据街区区域在所有颜色通道的街区色彩差异值和街区色彩集中度，获得街区色彩突出系数；

S23，将城市勘测遥感图像转换为城市勘测灰度图像，结合城市勘测灰度图像和街区色彩突出系数获得第一优化参数；结合街区色彩差异值和第一优化参数获得第二优化参数；

S30，将第一优化参数和第二优化参数作为不完全beta函数中的两个优化参数对城市勘测遥感图像进行增强，获得增强后的城市勘测遥感图像；

所述根据街区区域中包含的像素点在各颜色通道的颜色值的频率，获得街区区域在各颜色通道的街区色彩集中度，表达式为：

式中，表示第i个街区区域中第j个颜色通道的街区色彩集中度；表示第i个街区区域第j个颜色通道中频率最高的颜色值；分别表示第i个街区区域中第j个颜色通道中颜色值为、的频率；为预设分布范围；为第一求和索引；exp()表示底数为自然常数的指数函数；

所述根据街区区域在所有颜色通道的街区色彩差异值和街区色彩集中度，获得街区色彩突出系数，包括：

获取街区区域在所有颜色通道的街区色彩差异值的和值；计算街区区域在各颜色通道的街区色彩差异值与所述和值的比值；将所述比值与街区区域在各颜色通道的街区色彩集中度的乘积，作为街区区域在各颜色通道的街区色彩突出系数；

所述将城市勘测遥感图像转换为城市勘测灰度图像，结合城市勘测灰度图像和街区色彩突出系数获得第一优化参数，包括：

将RGB颜色通道的城市勘测遥感图像转换为灰度空间，获得城市勘测灰度图像；对城市勘测灰度图像中对应的各街区区域，采用ORB算法获得各街区区域中的角点；

对于各街区区域，计算街区区域中的各角点与其他所有角点之间的欧氏距离的均值；获取街区区域中的各角点与其他所有角点之间的欧氏距离的最小值；计算所述均值与所述最小值的差值；获取街区区域中所有角点的所述差值的和值，记为第一和值；统计街区区域的角点数量，获取所有街区区域的角点数量的最大值；计算所述最大值与所述第一和值的乘积，记为第一乘积；获取街区区域在各颜色通道的街区色彩突出系数与街区区域的角点数量的乘积，记为第二乘积；将第二乘积与第一乘积的比值作为街区区域在各颜色通道的第一优化参数；

所述结合街区色彩差异值和第一优化参数获得第二优化参数，包括：

计算街区区域在所有颜色通道的街区色彩差异值的和值，记为第二和值；获取所述第二和值与街区区域在各颜色通道的街区色彩差异值的比值，记为第一比值；获取数字10与街区区域在各颜色通道的第一优化参数的差值，记为第一差值；将所述第一差值与所述第一比值的乘积作为街区区域在各颜色通道的第二优化参数。

2.如权利要求1所述的一种用于提升城市勘测遥感图像质量的增强方法，其特征在于，所述根据网络数据集对城市勘测遥感图像进行分割，获得各街区区域，包括：

采用网络数据集训练神经网络，获得训练完成的神经网络模型；采用训练完成的神经网络模型对城市勘测遥感图像进行分割，获得各街区区域。

3.如权利要求1所述的一种用于提升城市勘测遥感图像质量的增强方法，其特征在于，所述对于各街区区域，根据街区区域内所有像素点在不同颜色通道的颜色值计算色彩差异指数，包括：

将任一街区区域作为待分析区域，对于待分析区域的各颜色通道，获取待分析区域在颜色通道的一阶颜色矩与各街区区域在颜色通道的一阶颜色矩的差值绝对值；计算所有街区区域在颜色通道的一阶颜色矩的最大值和最小值；获取所述最大值与最小值的差值；计算所述差值绝对值与所述差值的比值；获取以自然常数为底数，以所述比值为指数的指数函数；

将所有街区区域在各颜色通道的所述指数函数的计算结果的和值，作为各颜色通道的色彩差异指数。

4.如权利要求1所述的一种用于提升城市勘测遥感图像质量的增强方法，其特征在于，所述根据街区区域在待分析通道的色彩差异指数计算街区区域在各颜色通道的街区色彩差异值，包括：

对于各颜色通道，计算街区区域在各颜色通道的二阶颜色矩与预设大于0的调参因子的和值；获取街区区域在各颜色通道的一阶颜色矩与所述和值的比值；将所述比值与各颜色通道的色彩差异指数的乘积，作为街区区域在各颜色通道的街区色彩差异值。

5.如权利要求3所述的一种用于提升城市勘测遥感图像质量的增强方法，其特征在于，所述根据街区区域内像素点在各颜色通道的颜色值，获得各颜色值的频率，包括：将街区区域在待分析通道的各颜色值包含的所有像素点的数量，作为街区区域在待分析通道的各颜色值的频率。

6.如权利要求1所述的一种用于提升城市勘测遥感图像质量的增强方法，其特征在于，所述将第一优化参数和第二优化参数作为不完全beta函数中的两个优化参数对城市勘测遥感图像进行增强，获得增强后的城市勘测遥感图像，包括：

将街区区域在各颜色通道的第一优化参数和第二优化参数，作为不完全beta函数中的两个优化参数对城市勘测遥感图像中的所有街区区域进行图像增强，获得增强后的城市勘测遥感图像。