ENVI遥感图像的几何校正

遥感图像的几何校正（配准）1.实验目的与任务：（1）了解几何校正的原理；（2）学习使用ENVI软件进行几何校正；2.实验设备与数据：设备：遥感图像处理系统ENVI数据：TM数据 3 几何校正的过程：注意：几何校正一种是影像对影像，一种是影像对地图，下面介绍的是影像对影像的配准或几何校正。1.打开参考影像（base）和待校正影像：分别打开，即在display#1,display#2中打开；2在主菜单上选择map-Registration-select GCPs：image to image3.出现窗口Image to Image Registration，分别在两边选中DISPLAY 1（左）,和DISPLAY 2（右）。 BASE图像指参考图像而warp则指待校正影像。 选择OK!4.现在就可以加点了：将两边的影像十字线焦点对准到自己认为是同一地物的地方，就可以选择ADD POINT添加点了。（PS：看不清出别忘记放大） 如果要放弃该点选择右下脚的delete last point，或者点show point弹出image to image gcp list窗口，从中选择你要删除的点，也可以进行其他很多操作，自己慢慢研究，呵呵。选好4个点后就可以预测：把十字叉放在参考影像某个地物，点选predict则待校正影像就会自动跳转到与参考影像相对应的位置，而后再进行适当的调整并选点。5.选点结束后，首先把点保存了 ：ground control points-file-save gcp as ASCII.当然你没有选完点也可以保存，下次就直接启用就可以：ground control points-file-restore gcps from ASCII.6.接下来就是进行校正了：在ground control points.对话框中选择：options-warp file(as image to map)在出现的imput warp image中选中你要校正的影像，点ok进入registration parameters对话框：首先点change proj按钮，选择坐标系然后更改象素的大小，如果本身就是你所需要大小则不用改了最后选择重采样方法（resampling）,一般都是选择双线性的（bilinear），最后的最后选择保存路径就OK了遥感图像的监督分类1 实验的目的和任务1）理解遥感图像计算机分类的原理和方法；2） 掌握监督分类的步骤和方法。2.实验设备与数据： 设备：遥感图像处理系统ENVI数据：ENVI自带的数据 3 实验内容：遥感图像监督分类。监督分类（Supervised Classification）用于在数据集中根据用户定义的训练样本类别（Training Classes）聚类像元。训练样本类别是像元的集合或者单一波谱，通常的训练区采用ROI来选择，而且应该尽可能的选择纯净的感兴趣区域。 具体的操作参考以下图和步骤： 1）、类别定义/特征判别 根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。本例是以ENVI自带Landsat tm5数据Can_tmr.img为数据源，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。2）、样本选择 为了建立分类函数，需要对每一类别选取一定数目的样本，在ENVI中是通过感兴趣区（ROIs）来确定，也可以将矢量文件转化为ROIs文件来获得，或者利用终端像元收集器（Endmember Collection）获得。本例中使用ROIs方法，打开分类图像，在Display-Overlay-Region of Interest，默认ROIs为多边形，按照默认设置在影像上定义训练样本。如图18所示，设置好颜色和类别名称（支持中文名称）。在ROIs面板中，选择Option-Compute ROI Separability,计算样本的可分离性。如图19所示，表示各个样本类型之间的可分离性，用Jeffries-Matusita, Transformed Divergence参数表示，这两个参数的值在02.0之间，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，需要重新选择样本；小于1，考虑将两类样本合成一类样本。训练样本的选择样本可分离性计算报表3）、分类器选择 根据分类的复杂度、精度需求等确定哪一种分类器。目前监督分类可分为基于传统统计分析学的，包括平行六面体、最小距离、马氏距离、最大似然，基于神经网络的，基于模式识别，包括支持向量机、模糊分类等，针对高光谱有波谱角（SAM），光谱信息散度，二进制编码。4）、影像分类 基于传统统计分析的分类方法参数设置比较简单，这里选择支持向量机分类方法。主菜单下选择Classification Supervised Support Vector Machine。按照默认设置参数输出分类结果，如图21所示。支持向量机分类器参数设置支持向量机分类结果5）、分类后处理 分类后处理包括的很多的过程，都是些可选项，包括更改类别颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。（1)更改类别颜色 可以在Interactive Class Tool面板中，选择Option-Edit class colors/names更改，也可以在Display-Color Mapping-Class Color Mapping。如下图所示，直接可以在对应的类别中修改颜色。 也可以根据一个显示的RGB影像来自动分配类别颜色，打开主菜单-Classification-Post Classification-Assign Class Colors。类别颜色的更改类别颜色更改后的效果自动颜色更改的效果图（2)分类统计分析 主菜单-Classification-Post Classification-Class Statistics。如图11所示，包括基本统计：类别的像元数、最大最小值、平均值等，直方图，协方差等信息。分类结果统计（3)小斑点处理（类后处理） 运用遥感影像分类结果中，不可避免地会产生一些面积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除和重新分类，目前常用的方法有Majority/Minority分析、聚类（clump）和过滤（Sieve）。这些工具都可以在主菜单-Classification-Post Classification中找到。Majority/Minority分析和聚类（clump）是将周围的“小斑点”合并到大类当中，过滤（Sieve）是将不符合的“小斑点”直接剔除。 如下图为Majority分析的结果。类后处理结果图4)栅矢转换 打开主菜单-Classific