遥感图像处理实习报告

一、实习时间及地点 时间：2016年3月15日至2016年3月29日，地点：院楼四楼机房。二、实习内容 （1）遥感数据下载 （2）遥感影像增强滤波处理 （3）遥感影像镶嵌 （4）遥感影像裁剪 （5）遥感影像的计算机自动分类及精度评价 （6）遥感影像专题地图制作三、任务分工 我们小组共有五名同学：冯正英，刘天珂，王亚茹，刘晓晨，石义广。其中刘晓晨和石义广负责下载数据，冯正英，刘天珂，王亚茹负责数据的预处理。分类时刘晓晨和石义广负责2003年的开封影像分类，冯正英，刘天珂，王亚茹负责2008年的开封影像分类以及两期影像的精度评定和后处理工作。最后专题制作是每人都参与专题地图的制作。四、实习过程1 研究区及数据准备1.1 遥感影像数据的采集1.1.1 确定研究区域在进行实习之前，我们首先讨论哪一座城市作为我们的研究区域，根据老师的要求，让我们根据遥感图像，做出一个城市近几年来的变化情况，经过我们小组讨论，觉得近几年来开封的变化比较迅速，同时我们也比较熟悉，所以我们确定了以开封作为我们的研究城市。1.1.2 下载影像数据 选定好研究区域后需要下载相应的影像数据做下一步的处理。（1） 按照指导书的要求，首先下载Java插件，打开指导书中的网址，即美国的USGS软件。其次注册一个账号以便下载影像照片。（2） 选择卫星传感器：鼠标点collectionlandsat Archive，由于landsat卫星有1-7系列（6除外），但是经过试验之后发现landsat8只有2013年的数据，而且landsat7的数据都有条带影响，所以我们最终选择的是landsat4-5TM传感器。点击Map LayersAdmin Boundaries可以在屏幕内出现省界范围。 图1 选择卫星传感器 图2 添加界限范围（3） 确定方位：根据我们组选择的研究区域，在WRS-2中输入123和36，在Lat中输入34.5和115.0，并将最大含云量改为0%以便处理。（4） 确定日期：选择日期时要注意研究区域的季节变化以及包含整个研究区域所需的影像井数。我们选择的是日期是五月份左右，保证植被处于绿色生长状态。由于开封所处的位置属于河南中部，为了完全包含开封市，需要下载相邻两幅影像，且相邻两幅影像数据的日期不能相隔太远。（5） 下载数据：选择好数据后就可以开始下载。点击addsend to card将影像图片加载购物车里，出现弹框后点击下载，登录账号之后即可下载。 图3 添加影像到购物车 图4 下载影像2 遥感影像预处理2.1 遥感影像镶嵌 我们根据所下载的遥感影像，发现我们选在的城市在一个图幅中并不能完全的包含，所以我们需要用于其相邻的图像做拼接才能获得一幅完整的遥感影像的图像。（1）将遥感影像的不同波段的影像合并在一个波段列表中。Basic toolsLayer stacking.然后在其中选择所要的波段文件，将其合并。将其命名为“开封遥感影像1”；再用同样的方法处理另一幅影像，将其命名为“开封遥感影像2” 图5 波段合并 图6 波段合并结果（2）打开ENVI4.8 点击主工具条上MapMosaickingPixel Based在弹出的 Pixel Based Mosaic对话框中点击Import选择Import file 点击open点击new file在弹出窗口中找到实验数据所在的文件夹选中开封遥感影像1.img再次点击new file 选中开封遥感影像2在Mosaic Input Files窗口中选中遥感影像1.img和遥感影像2.img点击OK 图7 遥感影像镶嵌 图8 遥感影像镶嵌结果(3) 在出现的对话框中，把图像#1 Band 1：遥感影像2.img Red 拉下来，把图像#2 Band 1：遥感影像1 .img Green放在上面（如图3）将鼠标单击图像下方的#1 Band 1：遥感影像2.img Red或者#2 Band 1：遥感影像1.img Green右击这#1或者#2选择Edit Entry，在弹出对话框中，选择最后一行的Adjust，点击OK再点击Pixel Mosaic对话框中的FileApply选择Memory最后可在Available Bands List对话框中把Memory1给打开，拼接结束。2.2 遥感图像裁剪（1） 在Arcgis中打开河南地图，矢量化开封地区，并且以.shp格式导出。（2）在ENVI中以5、4、3波段增强的方式打开融合后的遥感影像图Fileopen Vector file 打开开封矢量图Avalable Vector Lists Export Vectors to ROI 选择融合数据OK convert all records of EVF layers to one ROI OK .Basic tools Subset data via ROIS选择“融合”数据OK选择“开封边界图 ”将“mask pixels outside of ROI”中的“NO”改为“YES”OK 。 图9 第一次裁剪由于下载的2003年的数据，开封地区裁剪、增强之后，会在左下角部分存在条带，需要做镶嵌处理，下载与开封图左边重合的遥感影像图。先将第一次裁剪的遥感影像用规则裁剪的方式，将有条带的部分裁剪掉，属于二次裁剪，再做镶嵌处理，之后再用矢量裁剪的方式做三次裁剪。 图10 第二次裁剪 图11 第三次裁剪其中第二次裁剪用的是规则裁剪，其方式是Filesave filesENVI standard选择“第一次裁剪”的影像Spatial subsetimage拖拉选择裁剪部分即可。2.3遥感影像增强滤波处理2.3.1 主成分增强观察我们所下载的遥感影像，发现在后几个波段都是一些噪声，所以我们想到的第一个增强滤波的方法就是主成分增强。(1) 打开envi，在TransformPrincipal ComponentsForward PC Rotation中选择刚刚已经融合并裁剪好的图像，选择相应的文件，命名为“开封主成分增强”，按OK。生成下图。可以看出大部分的信息集中在前3个波段。图12 遥感影像主成分增强（2）在生成的图像中可以发现信息都集中在前面，可以发现图像信息增强。 图13 遥感影像增强图像2.3.2 NDVI增强打开envi，在TransformNDVI打开对话框。选择开封遥感影像.img,并确定输出文件名，将其命名为“开封NDVI”，OK之后就会输出相应文件。打开文件后发现，在原图上为植被的地方都变得比较白，而不是植被的地方颜色就比较暗。图14 开封NDVI增强图像2.3.3 多波段增强 所谓的多波段增强就是将刚刚处理过的主成分增强影像，NDVI影像还有原图*像合并在一起。生成一个新的遥感影像图像。具体操作步骤如下：（1） 打开envi，在Basic toolsLayer stacking，将原图像除第六，七波段，NDVI增强的图像还有主成分增强的前两个波段合并的对话框中，并将其命名为“开封多波段增强”，OK之后则生成相应的文件。（2） 选择主成分增强的第一、二波段和NDVI增强波段，可以发现其图像的颜色更加鲜艳，并且不同地物之间的分界线比之前未做任何增强时的可分辨程度增强。 图15 多波段增强对话框 图16 遥感影像多波段增强2.3.4 影像拉伸在主图像窗口， 选择Enhancements Interactive stretching。在Stretch_Type 下选择要进行的拉伸方式。在后面的监督分类中可以根据不同的分类方法对其进行影像拉伸，将不同地物分辨的更加清晰。2.3.4.1 线性拉伸线性对比度拉伸是系统默认的交互式拉伸。线性拉伸的最小和最大值分别设置为0 和255，两者之间的所有其它值设置为中间的线性输出值。选择Stretch_Type Linear2.3.4.2 分段线性拉伸分段线性对比度拉伸可以通过使用鼠标在输入直方图中放置几个点进行交互地限定。当在点之间提供线性拉伸时，线段在点处连接起来。选择Stretch_Type Piecewise Linear。 图17 分段线性拉伸图像2.3.4.3 非线性变换（1）高斯拉伸选择Stretch_TypeGaussian。输入拉伸的最小和最大值,要手动地输入所需要的标准差值，可以根据不同的情况去手动调整。 图18 高斯拉伸图像（2）平方根拉伸选择Stretch_TypeSquare Root。 图19 平方根拉伸图像2.3.5直方图均衡化在主图像窗口，选择Enhancements Interactive stretching。在Stretch_Type下选取Equalization。 图20 直方图均衡化3 遥感影像自动分类以及精度评定3.1 遥感影像监督分类（1）确定分类要求：开封地处平原，且地物分布规则明显，我们对影像目视判断，大致分为9类，包括城镇居民地，乡村居民地，道路，小路，干河床，耕地1，耕地2，耕地3，裸地。（2）打开待分类遥感影像：点击WindowAvailable Bands List，点击FileOpen image file，在波段列表中打开开封多波段增强。（3）选取ROI：对每一个分类的区域选取一些样本进行监督分类。在image窗口点击OverlayRegion of interest，出现选取窗口，开始选取，并更改ROI名称和颜色。 图21 选取ROI 图22 选取结果（4） 可分离性分析：选取完样本后需进行可分离性分析，检测选取的不同类样本之间的可分离程度。可分离性越好，类别之间分类越精确。点击OptionsCompute ROI Separability，选择要进行分析的文件，点击Select All ItemsOK即可得到ROI的可分离性描述。图23 样本可分离性描述（5） 合并样本：对于一些可分离性较小且地物相似度较高的可以采取合并。如乡村居民地和城镇居民地的可分离性较小，且都属于居民地，我们将其合并为同一类。点击OptionsMerge regions，选择要合并的样本点击OK即可。 图24 合并样本 图25 n-D可视化（6） ROI的n-D可视化：在需要分离开样本但分离性不高时可以采取N-D可视化方式。如我们的道路和乡村居民地可分离性很差，但又不想将其分为一类。点击FileExport ROIs to n-D Visualizer。选择要进行分离的样本，点击OK，将其波段全选。点击Start出现两样本的空间旋转，在里面更改相交的样本点来增大分离性。更改完后点击右键Export class，输出更改后的样本。 图26 n-D可视化（7） 自动分类：选择好样本之后就可以运用监督分类查看分类结果，我们组选择的是最大似然法。点击classificationSupervisedMaximum likelihood，选择待分类影像文件，点击0K，点击Select All Items，输出文件，点击OK输出分类结果。 图27 分类结果3.2 遥感影像精度评定 打开分类后的影像overlayregion of interestfilerestore ROIS分类后的.roi文件classifacationpost classifacationConfusion MatrixUsing Ground Truth ROIs选择正确分类的结果OK 图28 影像分类图 图29 2003年影像分类精度 图30 2008年影像分类精度5、 实习总结 这次的实习和以前的遥感实习不太一样，原来的实习是老师已经将数据都提供给我们，但是这次完全是从头来。要自己去下载相应的遥感图像，然后去做处理。在拿到实验任务及时间分配书时，看到上面的第一条就是自己去网站上下载相应数据，而且时间是两天就觉得时间太长了，但是等到实际操作的时候就明白老师这个时间安排是非常正确的。我们在数据下载这个任务上就用了2天的时间。刚开始的时候，我们下载了landset7的影像数据，找数据的过程也是非常艰辛，由于我们需要两幅拼接在一起的图像，所以这两幅图的时间要大致相同，同时还要找到云层薄的甚至没有云层的图像，同时时间的间隔也要在5年以上。这几个条件加起来符合条件的影响很少，在忙碌了大半天之后，总算是把影像下载下来。可是当用envi打开之后我们就傻眼了，发现上面有很多条带。所以第二天我们又开始了下载数据之路，又这么忙碌了一天，终于把数据完成了。在下载完成之后，我们就进行了遥感影像的预处理，进行处理的目的就是让之后的监督分类更加清晰，更加明显。因为之前的课堂实习学习过这些的处理这一步的处理相对于之前的影像下载容易一些。这一步的处理将我们以前学习的知识和课本联系起来，理论联系实际，这样我们对之前学习的知识一种回顾，同时也是一次新的学习。接下来的步骤就是进行监督分类，我们大概将其分成了9类，在采集样本的时候我们试了很多种方法，将不同的拉伸方法放在一起，选取地物最明显的部分进行采样。在电脑处理完之后，我们还进行了人为筛选的过程，虽然很麻烦，但是当我们完成之后，还是很开心的。我们在实习的期间，在学校老师、同专业里的同学的的指导和帮助下，顺利地完成了这个十分有意义的实习并且收获很大。通过这段时间的生产实习，我从无知到认知到深入了解了工作环境和要求，从开始的磕磕碰碰到后来的工作起来还算顺利。实习生活，感触是很深的，提高的方面很多，但对我来说最主要的是工作能力的进步。实习主要的目的就是提高我们的社会工作的能力，如何学以至用，给我们一次将自己在大学期间所学习的各种书面以及实际的知识