遥感数字图像处理实习

1、实践遥感数字图像处理，实践-遥感图像处理软件系统，实践目的了解遥感图像处理系统ENVI的基本操作，如工作界面、数据读取、显示和存储。练习数据ENVI附带有数据ENVI IDL63productsenvi43data数据bhtmref文件、ENVI界面、数据读取和显示、主菜单文件打开图像文件、在输入数据文件对话框中打开bhtmref文件。从可用波段列表中选择灰度开关按钮，以灰度显示所选波段数据。从可用波段列表中选择“RGB颜色”开关按钮，以彩色显示所选三个波段的数据。数据读取和显示，移动滚动窗口中的红色框，图像窗口中的图像将相应移动；移动图像窗口中的红色框，缩放窗口中的图像将相应移动。数据存储，

2、主菜单文件另存为。图像数据可以以各种格式保存。图像窗口菜单文件另存为。图像可以保存为各种图像文件，信息查看，鼠标右键菜单光标位置/值，鼠标位置基本信息，信息查看，用鼠标右键菜单Z轮廓(频谱)查看频谱曲线和鼠标位置信息。在任一主窗口中单击鼠标右键，并在弹出菜单中选择链接显示，将两个显示窗口连接在一起。实践2遥感图像几何校正实践目的掌握基于遥感图像的几何校正操作，理解遥感图像几何校正的含义和内容。实习数据bldr_tm: Landsat TM数据，无地理坐标bldr_sp: SPOT数据，但地理坐标、开放数据、负荷bldr_tm数据和bldr_sp数据分别为，bldr_sp数据有地理坐标信息，而b

3、ldr_tm数据无地理坐标。在本练习中，bldr_sp数据用作参考图像，对bldr_tm数据进行几何校正，选择地面控制点，主菜单地图注册选择gcps :图像到图像选择bldr_sp数据和bldr_tm数据的显示窗口分别作为基础图像和扭曲图像，然后单击确定开始注册过程。选择地面控制点，选择地面控制点，点击显示列表按钮，可以查看每个控制点的信息，并纠正图像；“地面控制点选择”窗口菜单“选项扭曲文件”，并根据刚刚选择的地面控制点对TM图像进行几何校正。方法采用多项式法，二次抽样法和双线性插值法对几何校正后的TM数据进行开方，并与原始数据和SPOT数据进行比较。实践3遥感图像增强处理的实验目的，加深对

4、遥感图像增强理论的理解，掌握图像增强的基本方法和步骤，并能使用ENVI软件进行图像增强处理。实验内容：1。遥感图像对比度拉伸的基本方法：2.遥感图像的直方图匹配方法：3.遥感图像的空域滤波增强方法：1.遥感图像对比度拉伸的基本方法：具体步骤：打开实验数据： bhtmref.img 1。使用交互式拉伸工具拉伸图像如下：线性拉伸均衡拉伸高斯对比度拉伸，图1线性拉伸图2高斯拉伸，图3均衡，2。用于遥感图像的直方图匹配方法，为两个场景打开两个数据带或直方图匹配的操作数据：例如，图8，直方图匹配后的两个图像及其各自的直方图，3。遥感图像空间域滤波增强方法，分别使用Roberts，Sobel和Laplac

5、ian算子锐化图像(边缘提取)，图4 Roberts算子图5 Sobel算子，图6 Laplacian算子图7中值滤波，练习4遥感图像的无监督分类，首先，练习的目的是熟悉无监督分类的原理和过程，掌握有监督分类的过程，并能够使用遥感图像处理软件对遥感图像进行无监督分类。算法原理：在均值算法的基础上，增加了试探性的步骤，可以吸收中间结果的经验，在迭代过程中进行分类合并，具有“自组织性”。动态聚类方法ISODA方法(迭代自组织数据算法)，动态聚类方法过程：控制参数：练习步骤：打开遥感图像，练习步骤：用ISODA对图像进行分类。练习步骤：输出分类结果；练习步骤：根据视觉解释确定分类类别，确定分类结果，

6、并输出分类结果图。实践5遥感图像的监督分类。首先，实践的目的是熟悉和掌握分类模板和监督分类的概念，掌握监督分类的过程，使用通用的遥感图像处理软件对遥感图像进行分类。原则和方法监督分类，也称为训练分类，是用已确认类别的样本像素识别其他未知类别的像素的过程。以最大似然法为例进行了介绍。最大似然分类也称为贝叶斯分类。假设每种类型的光谱数据服从正态分布，未知样本的分类可以根据落入每个已知样本的概率来确定。假设有m种类型，样本落入每种类型的先验概率是，那么任何样本x落入第I种类型的后验概率是，3。实习仪器和数据ENVI或通用遥感图像处理软件，如ERDAS和PCI(本实习指导以ENVI为例)和TM遥感图像

7、数据。图1研究区四示意图。练习步骤1。数据预处理首先对TM图像进行几何校正和辐射校正，辐射校正包括辐射校正和大气校正。2.根据研究区地物的实际分布特征和分类要求，确定分类系统，确定需要划分的类型。本研究分为三类：植被、人工设施和水体。分类特征的选择和提取研究典型地物的光谱曲线，发现植被、人工设施和水体的光谱差异在0.4-2.5微米范围内非常大(图2)。进一步选择训练样本，并通过多维可视化工具检查它们的可分性(图3)。最后，确定TM的六个波段作为最终分类特征。图2研究区典型地物的光谱特征，图3训练区的选择和多维视觉分析，4。选择培训区域通过视觉解释和投资回报工具选择培训区域，并对每个类别进行统计分析(图4)。图4训练样本的统计分析；5.计算机分类采用最大似然法进行监督分类，分类器采用投资回报率选择的训练区域(图5-7)。图5最大似然分类界面1，图6最大似然分类界面2，图7分类结果，6。分类后处理根据具体情况，分类后的结果可以进行筛选、合并等分类后处理(本指南暂不考虑这种处理)。7.准确性评估通过验证样本来评估分类的准确性。精度评估需要真实的表面数据。它可以通过真实图像或感兴趣区域获得。验证样本由投资回报工具获得，计算混淆矩阵以评估