遥感导论实习报告

遥感导论实习报告

指导老师 报告人： 学号 班级：

第一次上机实习 实验目的

通过上机操作，熟悉ENVI软件，并掌握ENVI软件的基本操作方法和步骤，达到熟练使用ENVI软件基本功能的目的。

实验内容

1. 熟悉ENVI软件的基本模块，包括：打开栅格&矢量文件；保存影像：保存假彩色合成方式显示的影像，保存为xtm432.jpg文件；

图1-1

2. 编辑影像头文件：

在头文件中加入以下信息：卫星：Landsat 5 TM； 波段：band1, band2, band3, band4, band5, band7 ；轨道号：123/39；接受日期：1991年7月19日；区域：湖北武汉

前边的几条信息头文件本来就写好了，最后的区域ENVI似乎不原生支持添加，所以简单的把这些复制进来。

图1-2

3. 影像裁剪：将打开的武汉地区影像裁剪成1000*1000大小的影像，并保存为x裁剪.jpg

图1-3

4. 影像旋转将打开的武汉地区影像旋转90度，并保存为x旋转.jpg

图1-4

5. 影像叠加：将Band1-7文件叠加成一个文件，并保存为x叠加.jpg；

图1-5-1按照原始波段排列

图1-5-2本图较亮是因为用了2%线性拉伸的

6. 影像统计分析功能：将打开的武汉地区影像进行信息统计，将统计信息保存为x信息统计.txt文件

txt文本在当前文件夹下的“附件1-1信息统计”中

图1-6

实验总结与心得

掌握了使用ENVI Classic的一些基本操作，包括查看数据成像的传感器及卫星的基本信息，假彩色合成及ENVI格式的保存，图像的裁剪、旋转、叠加，编辑头文件和图像统计分析功能。

以前使用过ENVI，但很少使用ENVI Classic（界面和ENVI4.8类似）。通过四个课时的操作和几周的学习，我初步熟悉的老平台的操作，其实功能上差异不是很大，主要就是选项位置的变化。

实习二 1、增强处理

实验目的

通过上机操作，了解图像增强、辐射增强几种遥感图象增强处理的过程和方法，加深对图象增强处理的理解。

实验内容

掌握波段比运算、植被指数、主成分分析、缨帽变换（穗帽变换）等图像增强和辐射增强方法。

实验步骤 1.1波段比运算

Band Ratios工具用于增强波段之间的波谱差异，减少地形的影响。用一个波段除以另一个波段生成一幅能提供相对波段强度的图像。该图像增强了波段之间的波谱差异。ENVI能以浮点型数据格式(系统默认)或字节型数据格式输出波段比值图像。，可以将三个比值合成一幅彩色比值合图像，用于判定每个像元波谱曲线的大致形状。要计算波段比，必须输入一个“分子”波段和一个“分母”波段，波段比是分子与分母的比值。ENVI能够核查分母为0的错误，并将他们的值设置为0。ENVI允许计算多个比值，并在一个文件中将他们作为多波段输出。

图2-1-1

1.2 植被指数

使用NDVI(Normalized Difference Vegetation Index)选项可以将多光谱数据变换成一个单独的图像波段，用于显示植被分布。NDVI指示着像元中绿色植被的数量，较高的NDVI值预示着包含较多的绿色植被。NDVI值得范围在-1和+1之间，ENVI已经为AVHRR, Landsat MSS, Landsat TM, SPOT, AVIRIS等数据提前设置好了相应波段，对于其他数据，可以自己指定波段来计算NDVI值。

图2-1-2

1.3 主成分分析

使用Principal Components选项可以生成互不相关的输出波段，用于隔离噪声和减少数据的维数。由于多波段数据经常是高度相关的，主成分变换寻找一个原点在数据值的新的坐标系统。通过坐标轴的旋转来使得数据的方差达到最大，从而生成互不相关的输出波段。

图2-1-3

1.4 缨帽变换（穗帽变换）

使用Tassled Cap选项y可以对Landsat MSS, Landsat TM或ETM+数据进行缨帽变换。对于Landsat MSS数据，缨帽变换对原始数据进行正交变换，把他们变换到一个四维空间中。对于Landsat TM数据，缨帽变换指数由三个因子组成—亮度(brightness)、绿度(Greenness)和第三份量(Third)。第三份量与土壤特征和湿度有关。对于Landsat ETM+数据，缨帽变换生成6个输出波段，包括：亮度(brightness)、绿度(Greenness)、湿度(Wetness)、第四分量(噪声)、第五分量、第六分量。这种变换更始用于反射数据的定标(而不是应用于原始数据图像)。

图2-1-4

2、融合

实验目的

通过上机操作，初步掌握遥感影像融合中 HIS 和 Brovey 融合方法，深入理解遥感信息融合在信息解译中的意义。

实验内容

掌握 HIS 和 Brovey 融合方法

实验步骤 2.1 HIS 融合

使用该功能可以进行RGB图像到HSV色度空间的变换，用高分辨率的图像代替颜色亮度段，自动用最近邻、双线性或三次卷积技术将色度和饱和度重采样到高分辨率像元尺寸，然后再将图像换回RGB色度空间，输出的RGB图像的像元将于高分辨率数据的像元大小相同。

图2-2-1

2.2 Brovey 融合

Color Normalized(Brovey)锐化方法对彩色图像和高分辨率数据进行数学合成，从而使得图像锐化。彩色图像中的每一个波段都乘以高分辨率数据与彩色波段综合的比值。函数自动地用最近邻、双线性或三次卷积技术将3个彩色波段重采样到高分辨率像元尺寸。输出的RGB图像的像元将于高分辨率数据的像元大小相同。

图2-2-2

3、镶嵌

实验目的

理解遥感影像镶嵌的基本原理和过程，达到能熟练地对多幅遥感图像基于像元的图像镶嵌方法。

实验内容

利用 ENVI 进行基于像元的遥感图像镶嵌。

实验步骤

图2-3

4、几何校正

实验目的

通过实习操作，掌握遥感图像几何校正的基本方法和步骤，深刻理解遥感图像几何校正的意义。

实验内容

ENVI 软件中图像预处理模块下的图像几何校正。带有地理坐标的 SPOT 影像被用作基准影像，一个基于像素坐标的 Landsat TM 影像将被进行校正，以匹配该 SPOT 影像。

实验步骤

操作处理地面控制点

见附件二。 校正影像

从上至下的校正模型依次为RST、一次多项式 Polynomial 校正法、 Delaunay三角网的Triangulation 校正法。从左至右采用的从采样方式依次为：最近邻法、双线性内差法、双三次卷积法。

图2-4-1

图2-4-2

图2-4-3

图2-4-4

图2-4-5

图2-4-6

图2-4-7

图2-4-8

图2-4-9

实验总结与心得

学习了使用ENVI作图像增强、融合、镶嵌、几何校正等处理。实习过程中遇到一些困难，通过自己解决了，学到的知识也更加牢固。

实习三 实验目的

本次实习使用美国科罗拉多州（Colorado）Canon 市的 Landsat TM 影像数据，要求大家通过上机操作，熟悉并掌握如何完成常规的多光谱遥感影像分类操作处理、以及分类后处理的相关内容，加深对多光谱遥感影像分类的理解。

实验内容

掌握非监督分类中的 K-均值（K-Means）分类法以及 ISODATA 分类法；监督分类中感兴趣区域的选取、最大似然分类（Maximum Likelihood）、最小距离法（Minimum Distance）、波谱角分类方法；分类后处理中的分类统计、混淆矩阵（Confusion Matrix）等操作。

实验步骤

1.1 非监督分类

1.1.1 K-均值（K-Means）分类法

非监督法分类使用统计手段，把 N 维数据归类到它们本身具有的波谱类中。K-均值非监督分类器使用了聚类分析方法，它需要分析员在数据中选定所需的分类个数，随机地查找类簇的中心位置，然后迭代地重新配置它们，直到达到最优化的波谱分类。

从左至右依次为分为10,8个类别，从上至下依次为进行1000,500次迭代。

图3-1-1-1-1

图3-1-1-1-2

图3-1-1-1-3

图3-1-1-1-4

1.1.2 Iso Data（迭代自组织数据分析技术）

Iso Data 非监督分类法将计算数据空间中均匀分布的类均值，然后用最小距离规则将剩余的像元进行迭代聚合。每次迭代都重新计算均值，且根据所得的新均值，对像元进行再分类。这一处理过程持续到每一类的像元数变化少于所选的像元变化阈值或者达到了迭代的最大次数。

从左至右依次为分为5-10,4-8个类别，从上至下依次为进行1000,500次迭代。

图3-1-1-2-1分为10类

图3-1-1-2-2分为6类

图3-1-1-2-3分为10类

图3-1-1-2-4分为8类

1.2 监督分类

监督法分类需要用户选择作为分类基础的训练样区。我们将使用各种监督分类法，并对它们进行比较，确定单个具体像素是否有资格作为某类的一部分。

感兴趣样区的选取

图3-1-2

1.2.1 平行六面体法（Parallelepiped）

平行六面体将用一条简单的判定规则对多光谱数据进行分类。判定边界在影像数据空间中是否形成了一个 N 维的平行六面体。平行六面体的尺度是由标准差阈值所确定的，而该标准差阈值则是根据每种所选类的均值求出的。

图3-1-2-1-1 使用默认参数

图3-1-2-1-2 将标准差改为5

图3-1-2-4-3 将最大角度阈值改为0.3

1.3 分类后处理

1.3.1 分类统计（Class Statistics）

这个功能允许从被用来分类的影像中，提取统计信息。这些不同的统计信息可以是基本统计信息（最小值，最大值，均值，标准差，特征值）、直方图或者是从每个所选类中计算出的平均波谱。

文本见附件三

图3-1-3-1

1.3.2 混淆矩阵（Confusion Matrix）

ENVI 计算混淆矩阵的功能允许对两幅分类影像（分类影像和真实影像），或者对分类影像和感兴趣区进行比较。地面真实影像（truth image）可以是另一幅分类影像，或者是根据地面真实测量生成的影像。本次实习利用分类影像和感兴趣区进行比较。

混淆矩阵见附件四

图3-1-3-2-1

图3-1-3-2-2

实验总结与心得

学习了在ENVI中实现常用非监督分类方法（K-均值（K-Means）分类法和Iso Data（迭代自组织数据分析技术））和部分传统监督分类的方法（平行六面体法（Parallelepiped）、最小距离法（Minimum Distance）、最大似然分类（Maximum Likelihood）、波谱角填图分类法（Spectral Angle Mapper））以及分类后处理的方法（分类统计（Class Statistics）和混淆矩阵（Confusion Matrix））。在今后的学习生涯中我会继续学习使用ENVI，并在寒假要自学IDL语言为以后更好的发展。

本文来源：https://www.bwwdw.com/article/j1sg.html