城市遥感课程设计.doc

遥感信息工程学院 遥感科学与技术专业城市遥感课程设计报告课题名称：基于遥感影像进行处理与分析（envi） 姓 名： 洪 浪 学 号： 2011302590181 专业班级： 11遥感（2）班 系 （院）： 遥感信息工程学院 指导老师： 徐 景 中 设计时间： 2013-2014学年第1学期 一、课程设计目的通过这次课程设计，进一步了解ERDAS软件的使用，提高我们的动手能力。利用ENVI实现对遥感图像进行分析和处理，对遥感图像的变化检测、地物提取、地物分类、影像匹配、拼接等遥感图像处理方法在ENVI软件上实现，并对其中的原理初步了解。 二、课程设计内容 基于遥感影像进行处理与分析：(1)变化检测；(2)地物提取（建筑物、 道路、 桥梁等）；(3)地物分类；(4)影像匹配；(5)影像拼接； 三、课程设计过程和步骤3.1、变化检测ENV中Change Detection Analysis选项为对同一地区的不同时相和不同条件下的图像之问的差异进行识别、描述和量化提供了许多方法。这些方法(例如:波段运算和主成分分析)可以独立使用，也可以合并起来，作为对变化进行探测分析处理的一部分。使用Basic Tools Change Detection开启的功能为对同一地区的初始状态和终止状态图像之问的差异进行分析提供了一种简单的方法。对于分类图像，使用“Change Detectionstatistics”选项;对于灰阶(单波段)图像，使用“Compute Difference Map”选项。(1)不同灰度图像间的差异计算 使用Compute Difference Map选项可以生成一幅表现某一地区初始状态和终止状态之问差异的分类图像。输入的图像可以是任何数据类型的单波段图像。通过从终止状态图像中减去初始状态图像计算差异(即final-initial，并根据差异阑值对分类进行定义。正值差异代表变亮的像元(终止状态亮度大于初始状态亮度);负值差异代表变暗的像元(终止状态亮度小于初始状态亮度)。在进行计算之前，可以对输入图像进行预处理一一将图像归一化为0-1之问的数据范围;或标准化到0均值和单位方差。输入图像必须经过配准或地理坐标定位。为了提高计算结果的精度，在处理前一定要对图像进行认真细致的配准。如果输入图像没有经过配准，Compute Difference Map程序将使用可获取的地图信息对图像进行白动配准，在配准过程中，如果需要重新投影和重采样，系统将使用初始图像作为基图像。(2)差异探测统计使用Change Detection Statistics选项可以将两幅分类图像之问的差异编辑成一个详细的表格。使用该程序所探测的差异与仅对两幅图像进行简单差值运算所得出的结果有明显区别。统计结果包含类别对类别(class-for-class)的图像差异分析，分析主要集中在初始状态类别的变化一一对于初始状态类别，分析识别出哪些像元发生了变化，变化为终止状态图像中的哪一类。可以用像元数量、白一分比和面积对这些像元进行记录。另外，该处理还会生成一幅特殊类型的掩膜图像(分类掩膜)，该图像为统计报表提供了有力补充。分类掩膜是类别颜色与终止状态图像中的颜色相匹配的ENVI分类图像，这有助于识别发生变化的区域以及变化像元的归属。输入图像必须经过配准或地理坐标定位。为了提高计算结果的精度，在处理前一定要对图像进行认真细致细致的配准。如果输入图像没有经过配准，程序将使用可获取的地图信息对图像进行白动配准，在配准过程中，如果需要重新投影和重采样，系统将使用初始图像作为基图像。在ENVI主菜单中，选择Basic Tools Change Detection Change Detection Statistics，或ClassificationPost Classification Change Detection Statistics。在第一个文件选择对话框中，选择展示初始状态的分类图像，若需要，选取任意空问了集。在第二个文件选择对话框中，选择展示终止状态的分类图像，若需要，选取任意空问了集。将出现Define Equivalent Classes对话框。通过在两个列表中点击所需类别名称并点击“Add Pair”按钮，将来白初始状态和终止状态的类别相匹配。可以仅添加希望包含在差异探测分析中的类别，无须将所有的类别都配对。被配对的类别出现在对话框底部的列表中。如果每幅图像中的类别名称相同，它们将白动配对。要从列表中删除一组配对类别，点击该组名称，然后点击“Remove Pair”按钮，该组中的两个类别将重新出现在对话框顶部的列表中。要删除所有配对类别，点击“Remove All”按钮，所有类别将重新出现在对话框顶部的列表中。类别配对完毕后，点击“OK。将出现Change Detection Statistics Output对话框。在“Report Tpye标签旁，选择希望生成的统计记录类型，包含如下选项:Pixels , Percent”和“Area。要输出分类掩膜，在“Output Classification Mask Images”标签旁的切换按钮中选择“Ye s，然后为掩膜图像选择输出到“File”或“Memory。若不需要输出分类掩膜，将切换按钮设置为“No 。如果输入图像需要纠正或重采样，从而生成一对配准图像，在Change Detection Statistics Output对话框中将包含附加的选项，允许将白动配准的图像保存到“File”或“Memory 。点击“OK，开始处理。如果选择了以面积格式输出统计记录，但是在初始状态图像中没有设置像元尺寸，将出现Define Pixel Sizes for Area Statistics对话框，键入像元尺寸并点击“OK。如选择“Cancel统计记录中将不包括面积计算。将出现一个状态窗口，显示操作进程。（3） 成果展示3.2、道路提取操作流程：1 输入影像2 选择蓝、绿、红、红外对应的波段。3 设置影像范围、输出路径4 监督或非监督工作流选择5 大气校正及对应的参数设置以Dark Object Subtraction为例6 选取样本（针对监督分类）需要ROI Tool模块。选择不同材质道路的样本。7 选择光谱处理方法光谱匹配： 匹配滤波（MF），光谱角度制图（SAM），MF/SAM主成分变换：PC变换用来生成独立的非相关波段，隔离噪声和降低数据维度。（结果为4个波段）独立成分变换：将混合随机信息转换为独立成分，对弱信息的提取比PC好。结果为4个波段）RedSoil变换，与NDVI计算方法类似，突出红壤以及其他红色地物和云。结果为1个波段）8 矢量化A. 对照变换后和变换前的影像。(自动Geo-Link 和 AutoFlicker、swipe or blend)针对每种变换，每一个图层比较增强效果。B. 人工直方图拉伸C. 矢量要素采集可定义不同矢量图层，分别进行采集。该模块中默认为3个。（b）9 矢量输出输出路径在第一步骤中已定义。10 结果查看(图b)3.3、地物分类 （1）非监督法操作 仅凭遥感影像地物的光谱特征的分布规律，即自然聚类性，进行“盲目”的分类；其类别的属性是通过分类结束后目视判读或实地调查确定的。1. K-均值聚类法(1).K-均值算法的聚类准则是使每一聚类中，多模式点到该类别的中心的距离的平方和最小。(2).基本思想是：通过迭代，逐次移动各类的中心，直至得到最好的聚类结果为止。(3).流程classificationK-Means classification选择输入文件设置分类类别数目选择输出位置。(4).成果展示(5).缺点:这种算法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代过程中又没有调整类数的措施，因此可能产生不同的初始分类得到不同的结果。2. IsoData聚类算法(1) .可以自动地进行类别的“合并”和“分裂”，从而得到类数比较合理的聚类结果。(2) .流程：classification选择输入图像设置各种参数(C,I,K,N,S,C)选择输出图像路径(3) .成果展示（2）监督法操作 (1).样本选取1.打开将要分类的影像Fileopen image file选择相应的波段，在Available Band 中以RGB打开，为真彩色，即地物的真实颜色。2.在待分类影像上选样本。主菜单:Basic ToolRegion of interestROI Tool，进行取采样点。在弹出的对话框中选Polygon.3.按照自己的需求选完训练区后保存ROI.4.选择好个地物的样本后在ROI对话框中OptionsCompute ROI Separability 中检查把不同地物的差异情况，如大于1.8为合格,若小于可对该样本进行GO TO 修改，或Delete ROI处理。(2).分类方法选取A.最大似然法最大似然分类假定每个波段的每一类统计都呈均匀分布，并计算给定像元属于某一特定类别的似然度。除非选择一个似然度阑值，所有像元都将被分类。每一个像元被归并到似然度最大的那一类中。用最大似然法进行监督分类，主菜单栏Classification SupervisedMaximum Likelihood进入选择参数的对话框。Select all Item 阈值Probability Threshold一般在01之间。不需输出真实值。因为还要分类后处理，储存至memory.B.最小距离法最小距离技术使用每个端元的均值矢量，计算每个未知像元到每类均值矢量的欧儿里德距离。除非限定了标准差和距离阑值被归为距离最近的一类。(这时，会出现一些像元因不满足选择的标准，而成为“无类别”)用最大似然法进行监督分类，主菜单栏Classification SupervisedMinnum Distance进入选择参数的对话框。Select all Item 阈值Probability Threshold一般在01之间。不需输出真实值。因为还要分类后处理，储存至memoryC.平行六面体分类 平行六面体用一条简单的判定尺度对多光谱数据进行分类。判定边界在图像数据空问中，形成了一N维平行六面体。平行六面体的维数由来白每一种选择类别的平均值的标准差的阑值确定。如果像元值位于N个被分类波段的低阑值与高阑值之问，则将它归属到这一类。如果像元值位于多个类别中，ENVI将把该像元归并到最后一个匹配的类别中。没有落在平行六面体任何一类中的区域被称为无类别的。在ENVI主菜单中，选择Classification Supervised Parallelepiped;或在Endmember Collection对话框中，选择Algorithm Parallelepiped(参见第297页的“端元波谱收集”)。当出现Classification Input File对话框时，选择输入文件。将出现Parallelepiped Parameters对话框，设置并分类。D.波谱角分类 波谱角分类(c sAM)是一个基于白身的波谱分类，它是在n维空问将像元与参照波谱进行匹配。这一算法是通过计算波谱问的角度(将它们作为具有维数等于波段数特征的空问矢量进行处理)，判定两个波谱问的相似度。这一技术在用于纠正反射数据时，对照度和反照率的影响并不敏感。SAM用到的端元波谱可以来白ASCII文件、波谱库或直接从图像中抽取(如ROI均值波谱)。SAM把端元波谱矢量和像元矢量放在n维空问中进行角度比较。较小的角度代表像元与参照波谱匹配紧密。大于指定的最大弧度阑值的像元不被分入该类。 选择Classification Supervised Spectral Angle Mapper;或在Endmember Collection对话框中，选择Algorithm Spectral Angle Mapper。当出现Classification Input File对话框时，进行标准文件选择，或根据需要，选取输入文件的任何了集和掩模。将出现Endmember Collection:SAM对话框。注意:波谱可以从ASCII文件、波谱库、ROI均值或统计文件中输入。E.二进制编码分类二进制编码分类技术根据波段是低于波谱平均值，还是高于波谱平均值，将数据和端元波谱编码为0和1。使用“异或”逻辑函数对每一种编码的参照波谱和编码的数据波谱进行比较，生成一幅分类图像。除非指定了一个最小匹配阑值(这时，如果一些像元不符合标准，它们将不参与分类)所有像元被分类到与其匹配波段最多的端元一类中。选择Classification Supervised Binary Encoding;或在Endmember Collection对话框中，选择AlgorithmBinary Encoding(参见第297页的“端元波谱收集”)。当出现Classification Input File对话框时，进行标准文件选择，或根据需要，选取输入文件的任何了集和掩模。将出现Binary Encoding Parameters对话框。输入常规的分类参数。F.神经元网络分类法 使用Neural Net选项可以应用一个分层的正向(feed-forward神经元网络分类。该技术在进行监督学习时使用标准的后向传播技术(backpropagation。用户可以选择所用的隐藏层的数量，也可以在对数和双曲线活化(activation)函数之问选择所需函数。由于调整节点中的权重可以使输出节点活化与所需的输出结果问的差异达到最小化，因此神经元网络技术利用该方法对发生的事件进行学习。在学习过程中，误差在网络中后向传播，同时使用递归法调整权重。也可以使用神经元网络来进行一个非线性分类。选择Classification Supervised Neural Net。当程序文件选择对话框时，选择所需的输入文件，若需要，选取任意空问或波谱了集。将出现Neural Net Parameters对话框 通过在“Select Classes from Regions”列表中点击感兴趣区名称，选择要绘制的类别。通过点击相应的切换按钮，选择所需的活化方法。G马氏距离法 马氏距离分类是一个应用了每个类别统计信息的方向灵敏的距离分类器。它与最大似然分类相似，但是假定所有类别的协方差是相等的，所以是一种较快的分类方法。除非用户限定了一个距离阑值(这时，如果一些像元不在阑值内，就会被划为无类别)，所有像元都将被归到最临近的ROI类。 选择Classification Supervised Mahalanobis Distance;或在Endmember Collection对话框中，选择Algorithm Mahalanobis Distance将出现Classification Input File对话框时，选择输入文件。将出现Mahalanobis Distance Parameters对话框H.支持向量机分类（1)在主菜单中，选择Classification-Supervised- Support Vector Machine Classification，在文件输入对话框中选择TM分类影像。单击OK按钮打开Support Vector Machine Classification参数设置面板（2）选择分类结果的输出路径及文件名。（3）设置Out Rule Images为Yes，选择规则图像输出路径及文件名。（4） 单击OK按钮执行分类。3. 分类后处理1. 合并：在主菜单中Classificationpost classificationSieve Classes2. 生成混淆矩阵：主菜单中，Classificationpost classificationconfusion MatrixUsing Ground Truth ROIS.将所有类别都选上。3.4、影像匹配和拼接1. 影像匹配 ENVI提供三个纠正选项:RST(旋转、缩放和平移)、多项式和Delaunay三角测量。RST纠正是最简单的方法，需要三个或更多的GCPs。该方法可以得到1次到n次多项式纠正。可以得到的次数依赖于所选的GCPs数，即#GCPs (多项式次数+1)o Delaunay三角测量适用于三角到不规则空问GCPs和内插数值到输出格网中。可用的重采样方法包括最临近、双线性和三次卷积。最临近重采样运用没有解译的像元生成纠正图像。双线性重采样使用4个像元进行线性内插，以对纠正图像进行重采样。三次卷积使用近似于正弦函数的16个像元，通过三次多项式对图像进行重采样。值得注意的是三次卷积重采样要比其它方法速度慢。(1)在两个视窗中分别打开基准和待校正的影像(2)影像镶嵌和配准控制点选取：图像图像，输入两个文件并选点（6点以上）。示意图：（3） 保存校正点（4） 影像镶嵌和配准影像校正：图像图像，选择输出路径和重