《遥感数字图像处理实习.ppt》由会员分享，可在线阅读，更多相关《遥感数字图像处理实习.ppt（52页珍藏版）》请在三一办公上搜索。
1、遥感数字图像处理实习,实习一 遥感图像处理软件系统,实习目的了解遥感图像处理系统ENVI的工作界面、数据的读取、显示与存储等基本操作实习数据ENVI自带数据ENVI安装路径下IDL63productsenvi43data bhtmref文件,ENVI界面,数据读取与显示,主菜单File Open Image File，在Enter Input Data File对话框中打开bhtmref文件。从Available Bands List内，选择Gray Scale切换按钮，以灰度方式显示所选择的波段数据。从 Available Bands List 内，选择RGB Color切换按钮，以彩色方式
2、显示所选择的3个波段数据。,数据读取与显示,在Scroll窗口移动红色方框，Image窗口中的图像随之发生移动；在Image窗口移动红色方框，Zoom窗口中的图像随之发生移动。,数据存储,主菜单File Save File As.可将影像数据保存为多种格式Image窗口菜单File Save Image As.可将图像保存为多种图像文件,信息查看,鼠标右键菜单Cursor Location/Value，查看鼠标所在位置的基本信息,信息查看,鼠标右键菜单Z Profile(Spectrum)，查看鼠标所在位置的光谱曲线,信息查看,在任一主窗口中点击鼠标右键，选择弹出菜单中的Link Displa
3、ys，可以将两个显示窗口连接在一起。,实习二 遥感图像几何校正,实习目的掌握基于遥感图像的几何校正操作，理解遥感图像几何校正的意义和内容。实习数据bldr_tm：Landsat TM数据，无地理坐标bldr_sp：SPOT数据，有地理坐标,打开数据,分别载入bldr_tm数据和bldr_sp数据，bldr_sp数据带有地理坐标信息，而bldr_tm数据没有地理坐标。本次实习以bldr_sp数据为基准图像，对bldr_tm数据进行几何校正,选取地面控制点,主菜单Map Registration Select GCPs:Image to Image 分别选取bldr_sp数据和bldr_tm数据的
4、显示窗口作为Base Image和Warp Image，点击OK，启动配准程序。,选取地面控制点,选取地面控制点,点击Show List按钮，可以查看每一个控制点的信息,校正影像,Ground Control Points Selection窗口菜单Options Warp File，根据刚才选择的地面控制点对TM影像进行几何校正。Method选择多项式Polynomial法，Degree选择2阶 Resampling选择双线性插值Bilinear方法 打开经过几何校正的TM数据，与原数据以及SPOT数据进行比较。,实习三 遥感影像增强处理,实验目的,加深对遥感图像增强理论理解，掌握图像增强的
5、基本方法与步骤，能够利用ENVI软件进行影像增强处理。,实验内容,1.遥感影像对比度拉伸基本方法2.遥感影像直方图匹配方法3.遥感影像空间域滤波增强方法,1.遥感影像对比度拉伸基本方法具体步骤：,打开实验数据:bhtmref.img1.采用交互式拉伸工具分别对影像进行以下对比度拉伸：线性拉伸 均衡化拉伸 高斯对比度拉伸,图1 线性拉伸 图2 高斯拉伸,图3 均衡化,2.遥感影像直方图匹配方法,打开两个波段数据或两景影像进行直方图匹配操作数据：如Cantmr.img,图8 直方图匹配后的两幅影像及各自直方图,3.遥感影像空间域滤波增强方法,分别采用Roberts，Sobel、Laplacian算
6、子对图像进行锐化处理（边缘提取）,图4 Roberts算子 图5 Sobel算子,图6 Laplacian算子 图7 中值滤波,实习四 遥感图像非监督分类,一、实习目的 熟悉掌握非监督分类原理与过程，掌握监督分类的流程，能够运用遥感图像处理软件进行遥感影像的非监督分类。,算法原理：在均值算法的基础上，加入了试探性的步骤，能吸取中间结果的经验，在迭代的过程中可以进行类别的分离和合并，具有“自组织”性,动态聚类法ISODATA方法（迭代自组织数据算法）,动态聚类法流程：,控制参数:,实习步骤：,打开遥感影像,实习步骤：,对影像进行ISODATA分类,实习步骤：,输出分类结果,实习步骤：,对分类的类
7、别进行确定 根据目视解译，对分类的结果进行类别的确定，输出分类结果图。,实习五 遥感图像监督分类,一、实习目的 熟悉和掌握分类模板、监督分类的概念，掌握监督分类的流程,运用通用遥感图像处理软件进行遥感影像的分类。,二、原理与方法 监督分类法又称训练分类法，即用已被确认类别的样本像元去识别其他未知类别像元的过程。现以最大似然法为例进行介绍。最大似然分类也称贝叶斯分类。设各类型的光谱数据服从正态分布，则可根据未知样本落入各已知样本中的概率大小来确定它的类型归属。设共有m个类型，样本落在每个类型的先验概率为,则任意样本X 落在第i个类型中的后验概率为,三、实习仪器与数据 ENVI 或 ERDAS、P
8、CI等通用遥感图像处理软件（本实习指导书以ENVI为例来加以说明）、TM遥感影像数据。,图1 研究区示意图,四、实习步骤1.数据预处理 首先对TM影像进行几何校正和辐射校正，辐射校正包括辐射定标和大气校正。2.确定分类系统 结合研究区的实际地物分布特点以及分类需求的来确定需要分为哪些类型。本研究区分为植被、人工设施、水体三大类。,3分类特征选择与提取 考察各典型地物的光谱曲线，发现植被、人工设施、水体三大类地物在0.4-2.5微米的光谱差异很大（图2），进一步选择训练样本，通过N维可视化工具查看其可分性（图3）。最终确定TM的6个波段作为最终的分类特征。,图2 研究区典型地物的光谱特征,图3
9、训练区的选取及N维可视化分析,4.选择训练区 通过目视判读及ROI工具选取训练区，并对每个类别进行统计分析（图4）。,图4 训练样本的统计分析,5.计算机分类 选用最大似然法进行监督分类，分类器采用ROI选取的训练区（图5-7）。,图5 最大似然法分类界面1,图6 最大似然法分类界面2,图7 分类结果,6.分类后处理 结合具体情况，可以对分类后的结果进行筛选、合并等分类后处理（本指导书中暂不考虑此类处理）。7.精度评价 通过验证样本来评价分类的精度。精度评价需要地表真实数据。可以通过真实图像或感兴趣区来获得。以下通过感兴趣区工具来获取验证样本，并计算混淆矩阵，进行精度评价（图8-9）。最终总体精度为99.89%，Kappa系数为0.998。,图8 计算混淆矩阵界面,图9 混淆矩阵,8.制作专题地图 在主窗口中的overlay菜单中支柱专题图，具体结果见图10。,图10 分类专题图,9、完成实习报告 内容包括：目的、分类专题图。,
