遥感影像室内判读和监督分类.doc

实习内容一 遥感影像室内判读和监督分类（可用Erdas或Envi）主要数据：(1)分辨率30m的TM遥感影像（待校正）：taian100427tm.img, taian100427tm.tif(2)研究区地形图（已校正）：taianunion2009.img，taianunion2009.tif（3）分辨率2.5m的SPOT全色数据（待校正）：taian090921spot.img和taian090921spot.tif，可作为分类参考。第一部分、遥感影像的几何精校正Erdas操作校正方法：用已校正的地形图（taianunion2009.img）去校正遥感影像（taian100427tm.img），步骤如下：注：由于地形图的坐标为xian80，而erdas中没有IAG75椭球体和xian80坐标，先要进行以下操作：在ERDAS安装目录下找到spheroid.tab文件(ERDAS8x版本一般在C:Program Files imagineetc; ERDAS9x版本一般在C:Program FilesLeica GeosystemsGeospatial Imaging 9.2etc)，用记事本打开，在spheroid.tab文件末尾加入如下语句即可，假设spheroid.tab文件中最后一个椭球体序号为74（可以在文件最后一个椭球体中读出序号），则加入： IAG75 75 6378140 6356755.2882 xian 80 0 0 0 0 0 0 0 经过以上的操作，重启ERDAS，IAG75 椭球就会出现在ERDAS的椭球选择列表中。1、打开两个viewer窗口，在一个窗口中打开待校正的遥感影像，另一个窗口中打开地形图；2、在遥感影像的viewer窗口中选择rastergeometric correction1）选择多项式几何校正计算模型：polynomial（多项式变换（同时做投影变换）okPolynomial model properties对话框中：polynomial order:3注：最少控制点数计算公式为（t+1）*(t+2)）/2, 即3次方至少需要10个控制点2）Projection: mapunits选择meters; add/change projectioncustomProjection type 选择Gauss krugerSpheroid name（椭球体）选择IAG75，Datum name 选择xian80，longitude of central meridian 改为117：00：00.000000E，False easting改为20500000.000000meters，其他默认，okclose注：只要参考地形图的坐标设置好了，这一步可以省略，在第三步完成后，projection自动产生。3）Gcp tool reference setup对话框：existing viewerok, 出现viewer selection instructions后，用鼠标点一下打开地形图的viewer窗口范围内，ok4）开始（检查点）控制点采集：用Geo correction tool中的create GCP图标（圆形）进行采集，找准遥感影像与地形图的对应点后，用create GCP图标分别在两个viewer窗口中对应的位置采点，在GCP Tool表中会看到：采集遥感影像点时出现xinput 和yinput 的坐标值，采集地形图点时出现xref 和yref的坐标值。5） 采集到十个点以后，会自动在坐标值后出现转换模型的误差计算值RMS Error，此时注意：Gcp tool对话框首先设置editpoint prediction(按照转换模型计算下一点位置)取消predict next；editpoint matching(借助像元的灰度值匹配控制点)取消match next。采集到的gcp点，一定要保存：filesave input as和save reference as,保存在两个文件中，用的时候可以用load input 和load reference。此处采集至少二十个控制点。控制点要选在明显的地物点，如道路与道路的交叉点、河流桥梁与道路的交叉点、道路的拐角、堤坝的拐角处等。控制点的空间分布力求均匀，而且要尽量覆盖全区。所有点采集完后，点击unlock图标（表工具栏中的锁，变为锁住状）6）计算检查控制点的误差， 确保所有点的误差小于一个像元，如果大于，则将其纪录选中后，edit set point type改为check，这个点就不会参与转换模型的计算。如果控制点不足十个，则需补充采集，所以为防止个别点误差超出允许的范围，一般要多采集几个。注意：误差RMS Error控制在1个像元之内。 3、图像重采样所有控制点满足要求后，在GEO CORRECTION TOOLS对话框中选择image resample图标（菱形图形），打开resample对话框。定义输出图像文件名，其他默认即可。注：遥感影像的几何精校正Envi操作所采用数据为taian100427tm.tif和taianunion2009.tif，利用taianunion2009.tif去校正taian100427tm.tif。 在envi中添加西安80坐标系 ENVI中的坐标定义文件一般存放在C:program filesITTIDL708productsenvi46map_proj 文件夹下。三个文件记录了坐标信息： ellipse.txt 椭球体参数文件 datum.txt 基准面参数文件 map_proj.txt 坐标系参数文件 在ENVI中自定义坐标系分三步：定义椭球体、基准面和定义坐标参数。第一步、添加椭球体 语法为 ,。这里将“IAG75, 6378140.0, 6356755.2882”加入ellipse.txt末端。注：ellipse.txt文件语句中的逗号一定用英文的，否则不识别。第二步、添加基准面语法为,。这里将 “Xian-80,IAG75,0,0,0”加入datum.txt 末端。第三步、定义坐标 （1）在ENVI任何用到投影坐标的功能模块中都可以新建坐标系(在任何地图投影选择对话框中，点击“New”按钮。)，这里我们选择MapCustomize Map Projection，如图所示，将相应的参数添加。 Projection Name: 比如：xian80 -投影名称 Projection Type: Transverse Mercator -投影类型 Projection Ellipsoid: User Defined a=6378140,b=6356755.288 -基准椭球 False Easting: 500000 -东伪偏移 False Northing: 0.000000 -北伪偏移 Latitude of projection origin: 0.000000 -原点纬度 Longitude of central meridian: 117 -中央经度 Scale_Factor: 0.9996 -比例系数 （2）保存xian80-20坐标，projectionadd new projection，打开map_proj.txt，可以看到新建的坐标信息已经自动加入。注：投影类型选择Transverse Mercator，Scale factor填写0.9996（小范围内也可用1，误差不大），与Gauss-Kruger等同。False easting中如果加带号，即20500000，得到的坐标就带有带号。（3）选择ProjectionLoad Existing Projection，出现Map Projection Selection对话框，选择任意坐标系，可以查看参数设置，也可以更改参数设置。 （4） 选择 File Cancel 退出这一功能。 ENVI下经纬度乱码的修正ENVI在image窗口中双击鼠标或右键调出cursor Location/value时，在显示窗口中如果数据有经纬度，那么经纬度在显示分、秒的时候有?出现，从而导致后面分的显示只能是一位数，某些精细情况下肯定错误，即无法精确查看经纬度。如下图 最简单的办法：在envi安装路径下的 IDLproductsenvi4xmenu里，在文件envi.cfg中加上：degree symbol = 32就行了。注意，前面加个;号。即;degree symbol = 32第二部分、遥感影像的监督分类注意：监督分类必须以重采样后的图像为底图，否则坐标不一致。1、图像室内判读遥感影像是以地物的光谱特征、辐射特征、几何特征及时相变化来表现地物信息的，解译时运用地学相关分析方法，综合影像的色调、亮度、饱和度、形态、大小、纹理、阴影、位置和结构等特征并结合已有资料和野外工作经验建立了不同地类的解译标志。在开始进行分类之前，需要先仔细查看合成后的图像，确定卫片所覆盖的地理区域及海拔范围（查看地形图），确定主要的地标性地物。由于卫片原始数据的差异，同样的地表覆盖物斑块在不同时期的卫片中或不同地区的卫片中显示的颜色都可能不同，所以在预览中，还要熟悉整个范围内的地表覆盖类型和不同地物之间的变化。打开显示窗口，加载重采样后的图像，自动显示的图像是（4，3，2）波段组合图像，如需显示其他波段组合，在图像范围内击右键，选择arrange layers， 在出现的波段组合图上右击选择band combinations重新组合；把图像缩小至适合窗口，浏览图像，注意河流、城镇、植被、水体、土壤的分布；选择特定区域放大，查看各种不同的地表覆盖物类型的分布及色调变化；根据经验，在4，3，2（RGB）的波段组合下，各种地表覆盖物类型的特点如下：a森林森林显示出棕色、红色、褐色等一系列多变的色调，为颗粒状纹理。在高海拔地区，成熟针叶林为很浓的棕色或暗红色；在中低海拔地区，森林的颜色多变，从棕色到红色到暗绿色都有，部分落叶林在冬季呈现出锈黄色。1) 有林地（郁密度30%）:不规则的颗粒状，呈片状或带状分布，阔叶林呈鲜红色，针叶林呈暗红色，色调均一，色泽鲜艳。 与草地、耕地等地物类型界线清晰,与灌木林界线不是很清晰,可根据影像纹理来区分,有林地纹理比较均一,而灌木林由于种类不同有粗糙感;防护林一般呈规则网格状分布于耕地中、水渠边或海岸带附近。人工林与果园相比，株距更小、植株更密集，颗粒状不如园地明显。2) 灌木林（郁密度40%，高度2m以下的矮林地和灌丛林地）: 相对于临近的有林地斑块，灌丛和草甸呈现出明亮许多的红色到浅红色。色彩比有林地浅，但比草地深，影像纹理粗糙,一般没有颗粒感或颗粒感不明显，有时由于有零星乔木分布影像有粒状红亮点分布. 在山体阴坡由于阴影影响与草地界线主要靠影像纹理来区分,草地纹理光滑,而灌木林纹理比较粗糙。3) 疏林地（郁密度在1030%）:淡红色中有点状鲜红色. 与有林地的区别是疏林地色调不均一,色泽发暗;与草地的区别是疏林地的纹理比较粗糙,而草地颜色发亮。4) 其他林地（未成林地、迹地、苗圃及各类园地，包括果园、桑园、茶园等）:果园呈鲜红色,散布于耕地中或居民地周围;而迹地呈青色或灰色,迹地与疏林地、灌木林呈相间分布。b湖泊、河流湖泊通常为边界清晰的黑色斑块，河流则显示为黑色或深蓝色。在冬季，水面结冰或覆盖有雪则显示出不同深浅的紫红色；c城镇很明显的比较亮的灰色或青灰色斑块，通常可见有规则的灰色线条（公路）穿过；几何形态高度规则化，新城区色调较为发亮；老城区较为灰暗，建筑物颗粒也较小。d耕地颜色多变的浅红色、红色、淡紫色、绿色、灰色斑块，色调随土壤湿度、农作物种类及生长季节不同而变化。一般湿度大的色调较暗，干燥的较浅；生长着农作物的较暗，成熟的较浅；农田灌溉时较暗，不灌溉时较浅。具有规则的几何形状，纹理平滑细腻；作物生长良好的地块纹理均匀平滑，边界多有路、渠、有田间防护林网等。通常沿河谷两侧不规则分布，在平原区则大片分布。河道边的水田往往显示出富含水分的青灰色。1）旱地是依靠天然降水种植旱生农作物的耕地。除水稻、莲藕、芡实外，均为旱作物。旱地一般位于地势较高处，由于地形原因尝尝不规则，种植作物种类较多，色调多样，一般较少规则平直田坎，无灌溉设施（水渠、机井）。2）水浇地是灌溉条件较好的旱地，具有灌溉设施和水源保证。影像上较为平坦、整齐；可见灌溉渠系，作物需根据季节、耕作制度综合确定。3）菜地一般是水浇地，主要分布在大的居民地周围，地块规则细碎，色彩不均一。e. 道路颜色为比较亮的灰色或青灰色斑块，呈线状，铁路颜色较暗，一般铁路较直，拐弯处弧度较大；公路较亮。2、进行监督分类Erdas步骤：第一步：定义分类模板注意：本次实习的分类模板根据泰安市的土地类型分为八类：水浇地（分布在平原）、旱地（分布在山地区）（如果不能区分就合并为耕地一类）、林地、水库、河流、居民点、公路、铁路。也就是说signature editor分类模板属性表最终包括八类或七类综合后的分类模板。（1）定义模板原则必须在分类之前就知道研究区域的森林类型、覆盖范围以及图像的叠和现象，以保证输出分类的连续性。当创建训练区时，对于每一个类别都有一些子类，每个子类选择的AOI区域应该不少于5个，并且每个AOI区域内象素的颜色类型一致，跳跃不能很大，即不出现杂色。（2）步骤：MainImage ClassificationClassificationSignature Editor，打开分类模板编辑器。在Viewer窗口下的Raster下打开Tools图标，选择多边形AOI绘制。在图像视窗 中选择亮灰色区域（城镇、村庄），绘制一个多边形AOI在signature editor 对话框，点击create new signature图标（加号+右拐箭头），将多边形AOI区域加载到signature editor分类模板属性表中在图像视窗 中选择另一个亮灰色区域（城镇、村庄），再绘制一个多边形AOI同样在signature editor 对话框，点击create new signature图标（加号+右拐箭头），将多边形AOI区域加载到signature editor分类模板属性表中重复上述两步操作过程，选择你认为属性相同的多个亮灰色区域绘制若干多边形AOI，依次加入到signature editor分类模板属性表中在signature editor分类模板属性表中选中全部亮灰色区域的属性纪录，在signature editor 工具条中，点击merge signatures图标（三条平行线+右拐箭头），将多个亮灰色区域的AOI模板合并，生成一个综合的新模板，其中包含了合并前的所有模板的像元属性。选中合并前的所有模板的属性纪录，在signature editor菜单条中点击editdelete, 删除合并前的多个模板。在signature editor分类模板属性表中，改变合并后的分类模板的名称（signature name）重复上述所有操作，创建其他地类的分类模板。所有分类模板创建完后，保存分类模板。第二步：执行监督分类 依次选择：MainImage ClassificationClassificationSupervised Classification，打开监督分类对话框。 输入原始文件 定义输出文件 确定分类模板文件选择非参数规则（Non-Parametric Rule）为Feature Space 选择叠加规则（Overlay Rule）为Parametric Rule选择未分类规则（Unclassified Rule）为Parametric Rule 选择参数规则为Maximum Likelihood（即最大似然法） 取消选中Classify zeros复选框 OK执行监督分类。第三步：分类精度评估1）打开分类前的原始图像；2）依次选择：MainImage ClassificationClassificationaccuracy assessment，打开精度评估对话框；3）打开分类专题图像，在accuracy assessment对话框中选择fileopen,打开classified image 对话框，选择与视窗中原始影像对应的分类专题图像ok；4）在accuracy assessment对话框工具条中点击select viewer 图标（正方形+箭头）， 将光标移到显示原始图像的视窗中点击一下，原始图像视窗与精度评估视窗相连接；5）设置随机点的色彩，在accuracy assessment对话框菜单条选择viewchange colors :在point with reference 确定有真实参考值的颜色，ok；6）产生随机点，在accuracy assessment对话框菜单条选择editcreat/add random points :在search count 中输入1024，在number of points中输入10，在distribution parameters 选择random，ok，可以看到在accuracy assessment对话框中出现了10个比较点；7）显示随机点及其类别，在accuracy assessment对话框菜单条选择viewshow all,所有随机点以设定的颜色显示在视窗中，选择editshow class values,各点的类别号出现在数据表的class字段中；8）输入参考点实际类别，在accuracy assessment对话框数据表reference字段中输入各个随机点的实际类别值；9）输出分类评价报告，在accuracy assessment对话框菜单条选择report options,点击选择参数report accurace report，产生分类精度报告，报告将显示在erdas文本编辑器窗口，可以保存为文本文件。注意：参考点也可根据野外调查的点位进行选择和验证。第四步：检查修正如果对分类精度不满意，可以进一步修改分类模板，重复以上步骤，重新分类，达到最佳分类结果。3、分类后处理分类后，结果中会产生一些面积很小的图斑，可以用聚类统计（clump）、过滤分析（sieve）、去除分析（eliminate）的方法进行去除，见MainImage interpreterGIS analysis菜单，具体操作略。第二部分、遥感影像的监督分类Envi首先是样本的选择，通过感兴趣区域收集器（ROI）获取，主面板BasicRegion Of Interest。包括的功能非常全，如样本收集、样本精度验证等，样本收集可以从普通的影像上收集，也可以在散点图上选择。根据分类的复杂度、精度需求等选择一种分类器。在主菜单-Classification- Supervised-分类器类型（如表1），此外还包括应用于高光谱数据的波谱角（Spectral Angle Mapper Classification）、光谱信息散度（Spectral Information Divergence Classification）和二进制编码（Binary Encoding Classification）分类方法。表1 六种监督分类器说明（此处选择最大似然法）分类器说明平行六面体（Parallelpiped）根据训练样本的亮度值形成一个n维的平行六面体数据空间，其他像元的光谱值如果落在平行六面体任何一个训练样本所对应的区域，就被划分其对应的类别中。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所选类的均值求出。最小距离（Minimum Distance）利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。马氏距离（Mahalanobis Distance）计算输入图像到各训练样本的马氏距离（一种有效的计算两个未知样本集的相似度的方法），最终统计马氏距离最小的，即为此类别。最大似然（Likelihood Classification）假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。神经网络（Neural Net Classification）指用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程应用于图像分类。支持向量机（Support Vector Machine Classification）支持向量机分类（SVM）是一种建立在统计学习理论（Statistical Learning Theory或SLT）基础上的机器学习方法。SVM可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率。选择不同的分类器器需要设置的参数不一样。最大似然（1）在主菜单中，选择Classification-Supervised- Likelihood Classification，在文件输入对话框中选择TM分类影像。单击OK按钮打开Likelihood Classification参数设置面板（图6.7）。（2）SelectClasses from Regions：单击Select All Items按钮，选择全部的训练样本。（3）Set Probability Threshold：设置似然度的阈值。如果选择Single Value，则在“Probability Threshold”文本框中，输入一个0到1之间的值，似然度小于该阈值不被分入该类。这里选择None。（4）Data Scale Factor：输入一个数据比例系数。这个比例系数是一个比值系数，用于将整型反射率或辐射率数据转化为浮点型数据。例如：如果反射率数据在范围0-10000之间，则设定的比例系数就为10000。对于没有定标的整型数据，也就是原始DN值，将比例系数设为2n-1，n为数据的比特数，例如：对于8-bit数据，设定的比例系数为255，对于10-bit数据，设定的比例系数为1023，对于11-bit数据，设定的比例系数为2047。（5）单击Preview，可以在右边窗口中预览分类结果，单击Change View可以改变预览区域。（6）选择分类结果的输出路径及文件名。（7）设置Out Rule Images为Yes，选择规则图像输出路径及文件名。（8）单击OK按钮执行分类。图 最大似然分类器参数设置面板第三部分、野外GPS定位与地类验证1、GPS定位任务如下：（1）利用GPS读出每一点位经度、纬度、高度，并记录。（2）在图上标注点位的相应位置及主要的行进路线。（3）记录点位处及其附近的地类，并尽可能记录路线两侧的典型地类。2、坐标转化（选作）由于GPS读出的坐标值是基于WGS-84坐标系，使用的椭球体参数为6378137.0（长半轴）、6356752.3（短半轴），而我们校正后的影像图是基于西安-80坐标系，椭球体参数为6378140.0（长半轴），6356755.28（短半轴），所以需要进行坐标转换。转换工具COORD4.0，转换步骤如下：（1） 设置投影参数坐标转化投影设置（2）用一个已知点（WGS84坐标和北京-54坐标），计算不同椭球转换的三参数（或七参数）。（仅供参考，非本区）（3）确定转换参数。（仅供参考，非本区）（4）打开七参数转换，完成WGS-84到西安-80的转换。（仅供参考，非本区）3、地类验证利用GPS点位的经纬度坐标（如经坐标转换就用转换后的）定位到监督分类后的分类图，验证分类精度，如果精度不高，可根据野外实地调查的地类进行模板重建、重分类。注意：在分类图上查找点位时，利用VIEWER窗口工具栏上的十字光标，打开查询窗口，选择左上角的Lat/Lon，就可显示分类图上某一点位的经纬度，如下图。附：波段及波段组合用途波段序号波长范围波段名称地面分辨率主要应用领域10.450.52m 蓝绿色30m对水体有一定的透视能力，能够反射浅水水下特征，区分土壤和植被、编制森林类型图、区分人造地物类型,分析土地利用。20.520.60m 绿色30m探测健康植被绿色反射率、区分植被类型和评估作物长势，区分人造地物类型，对水体有一定透射能力，主要观测植被在绿波段中的反射峰值,这一波段位于叶绿素的两个吸收带之间,利用这一波段增强鉴别植被的能力。30.630.69m红色30m测量植物绿色素吸收率，并以此进行植物分类，可区分人造地物类型；位于叶绿素的吸收区,能增强植被覆盖与无植被覆盖之间的反差,亦能增强同类植被的反差。40.760.90m 近红外30m测量生物量和作物长势，区分植被类型，绘制水体边界、探测水中生物的含量和土壤湿度；要用来增强土壤-农作物与陆地-水域之间的反差。51.551.75m 短波红外30m探测植物含水量和土壤湿度，区别雪和云：适合庄稼缺水现象的探测和作物长势分析。610.412.5m 热红外60m用于热强度、测定分析，探测地表物质自身热辐射，用于热分布制图，岩石识别和地质探矿。72.082.35m 短波红外30m探测高温辐射源，如监测森林火灾、火山活动等，区分人造地物类型，岩系判别。8（PAN）0.520.90 m 全色15m是指全部可见光波段0.380.76um的混合图像，一般为黑白图像。SPOT全色0.500.73 m2.5m321：真彩色合成，即3、2、1波段分别赋予红、绿、蓝色，则获得自然彩色合成图像，图像的色彩与原地区或景物的实际色彩一致，适合于非遥感应用专业人员使用。 432：标准假彩色合成，即4、3、2波段分别赋予红、绿、蓝色，获得图像植被成红色，由于突出表现了植被的特征，应用十分的广泛，而被称为标准假彩色。451：信息量最丰富的组合，TM图像的光波信息具有34维结构，其物理含义相当于亮度、绿度、热度和湿度。在TM7个波段光谱图像中，一般第5个波段包含的地物信息最丰富。3个可见光波段（即第1、2、3波段）之间