卫星遥感实验报告

一、实验目的 1、了解遥感图像处理的主要方法； 2、掌握遥感图像增强、校正、分类的原理； 3、掌握遥感图像增强、校正、分类的操作过程。 二、实验原理 1、变换与增强 （1）对图像进行高通滤波，增强边缘。 高通滤波在保持高频信息（local variation）的同时，消除了图像中的低频成分。它可以用来增强不同区域之间的边缘，就如同图像锐化。高通滤波通过运用一个具有高中心值的变换核来完成（周围通常是负值权重）。ENVI 默认的高通滤波器使用3×3的变换核（中心值为“8” ，周围像元值为“-1” ），高通滤波变换核的维数必须是奇数。 （2）对多光谱图像进行 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 假彩色合成。 使用Available Bands List来打开可用波段列表。使用该列表来访问文件，或每个目前已经被打开的图像文件的单独波段。也可以通过该列表来显示灰阶和彩色图像、启动新的显示窗口、打开新文件、关闭文件，浏览meta文件的内容，浏览显示波段的信息。 （3）对高光谱图像进行PCA变换。 使用Principal Components选项可以生成互不相关的输出波段，用于隔离噪声和减少数据集的维数。由于多波段数据经常是高度相关的，主成分变换寻找一个原点在数据均值的新的坐标系统，通过坐标轴的旋转来使数据的方差达到最大，从而生成互不相关的输出波段。 主成分（PC）波段是原始波谱波段的线性合成，它们之间是互不相关的。可以计算输出主成分波段（与输入的波谱波段数相同）。第一主成分包含最大的数据方差百分比，第二主成分包含第二大的方差，以此类推，最后的主成分波段由于包含很小的方差（大多数由原始波谱的噪声引起），因此显示为噪声。由于数据的不相关，主成分波段可以生成更多种颜色的彩色合成图像。 2、校正 Rotate/Flip Image工具可以执行几种“标准的”图像旋转，包括：进行或不进行转置的0°、90°、180°或270°旋转，也可以指定要旋转的任意角度。图像旋转对于配准前图像的定位有很大用处。 使用Select GCPs: Image to Image选项可以交互式地选取用于图像—图像配准的地面控制点。选取控制点的操作通常是在两幅图像的缩放窗口中进行的。在选取控制点时，可以选择子像元坐标。一旦选择了足够用于定义一个纠正多项式的控制点，就能够预测纠正图像中的地面控制点位置。 3、分类 （1）非监督分类 非监督分类仅仅用统计方法对数据集中的像元进行分类，它不需要用户定义任何训练样本类别。ENVI提供的非监督分类技术包括Isodata和K-Means。 Isodata非监督分类计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元迭代聚集。每次迭代都将重新计算均值，并用这一新的均值对像元进行再分类。重复分类的分割、融合和删除是基于输入的阈值参数的。除非限定了标准差和距离的阈值，所有像元都被归并到与其最临近的一类里。这一过程持续到每一类的像元变化少于选择的像元变化阈值或已经到了迭代的最多次数。 K-Means非监督分类计算数据空间上均匀分布的初始类别均值，然后用最短距离技术对像元进行迭代，把它们聚集到最近的类中。每次迭代重新计算了类别均值，且用这一新的均值对像元进行再分类。除非限定了标准差和距离的阈值，所有像元都被归并到与其最临近的类别中。这一过程持续到每一类的变化像元数少于所选的像元变化阈值或已经到了迭代的最多次数。 （2）监督分类 监督分类用于在数据集中根据用户定义的训练样本类别聚集像元。训练样本类别是像元的集合或单一波谱。在分类过程中，可以选择它们作为代表区域或分类素材。应该尽可能选取纯净的感兴趣区。通过将感兴趣区输出到n维可视化器，可以检查它们的可分性，在每一类感兴趣区中，点的分布都应该明显聚集到一起，各类别之间不应该有重叠。 三、实验过程 1、变换与增强 （1）对图像进行高通滤波，增强边缘。 选择Filter > Convolution and Morphology。 如图1所示，为高通滤波器的参数设置。 图1 高通滤波参数设置 （2）对多光谱图像进行标准假彩色合成。 从可用波段列表中，选择RGB Color切换按钮。在列表中顺序点击所需要显示的红、绿和蓝波段（或在每个R、G或B波段使用切换按钮）。若有必要，改变活动显示。一旦波段名被导入到标签为“R” 、“G” 、“B” 的文本框中，点击“Load RGB”把波段加载入当前的活动图像显示中。 （3） 对高光谱图像进行PCA变换。 选择Transform > Principal Components > Forward PC Rotation > Compute New Statistics and Rotate 。当出现Principal Components Input File 对话框时，选择输入文件或用标准ENVI选择程序选取子集。选用输出到File或Memory。在Output Data Type菜单中，选择所需的输出文件数据类型。选择输出的主成分波段数。最后点击OK。 2、校正 选择Basic Tools > Rotate/Flip Data。当出现Rotation Input File对话框（如图2）时，用标准ENVI文件选择程序选择输入的文件和任意子集。点击OK，将出现Rotation Parameters对话框，在Angle文本框里，键入角度值，选择输出到File或Memory。点击OK。将出现如图3所示的旋转结果。 图2  Rotation Input File 对话框                      图3 旋转结果 在可用波段列表中打开基图像和纠正图像文件，并将它们显示在两个窗口中（如图4、图5）。两幅图像都打开后，选择Map > Registration > Select GCPs: Image to Image。将出现Image to Image Registration对话框。在Base Image列表中，选择基图像。在Warp Image列表中，选择要被纠正的图像。点击OK。将出现Ground Control Points Selection对话框。点击GCP List 打开Image to Image GCP List 对话框，用鼠标左键在两个图像窗口中选择控制点。得到如图6所示的控制点列表。 图4 基图像上选取控制点结果 图5 纠正图像上选取控制点结果 图6 控制点列表 3、分类 （1）非监督分类 Isodata 非监督分类，选择Classification > Unsupervised > Isodata。将出现Classification Input File对话框，进行标准文件选择，根据需要，选取输入文件的任意子集和掩模。将显示ISODATA Parameters对话框（如图7），在该对话框中的可用选项包括：类别数量的范围限定，像元变换阈值，被用来对数据进行分类的最多迭代次数，分割、合并和删除分类阈值以及可选的距离阈值。点击OK，开始进行Isodata分类。同样，可以完成K-Means分类。 图7  ISODATA算法参数设置 图8 K-Means算法参数设置 （2）监督分类 在要添加感兴趣区的图像的显示菜单栏中，选择Overlay > Region of Interest，将出现#n ROI Tool对话框（如图9），n为用于定义感兴趣区的图像的显示号。通过选择Image、Scroll或Zoom切换按钮，来选择将感兴趣区定义在选定显示的主图像窗口内（如图10）。 图9 ROI选择结果列表 图10  ROI选择结果 最小距离分类时，选择Classification > Supervised > Minimun Distance。当出现Classification Input File对话框时，选择输入文件。点击OK，开始分类。 同理，可以进行最大似然分类。 四、实验结果及分析 1、变换与增强 （1）对图像进行高通滤波，增强边缘。 如图11所示为高通滤波结果。 可以看出在像元变化较大的区域，增强了边缘。 图11 高通滤波结果 （2）对多光谱图像进行标准假彩色合成 如图12所示，为假彩色合成结果。从图中可以看出不同颜色的地物与实际地物的颜色有区别，这就是称之为假彩色的原因。 图12 标准假彩色合成结果 （3）对高光谱图像进行PCA变换 ENVI处理完毕后，将出现PC EigenValue绘图窗口（如图13），主成分波段将被导入可用波段列表中，并用于显示（如图14、图15、图16、图17、图18、图19），分别为第一主成分，第二主成分，依此类推。可以看出，第一主成分中含有的原始信息量最多，随着特征值的减小，各成分所含信息也依次减小，到第六主成分，大部分是噪声了。 图13 PC EigenValues绘图窗口 图14 第一主成分                          图15 第二主成分 图16 第三主成分                          图17 第四主成分 图18 第五主成分                          图19 第六主成分 2、校正 如图20 为校正结果，可以看出与原图像一样，完成校正过程。 图20 校正结果 3、分类 （1）非监督分类 如图21、图22分别是Isodata、K-Means非监督分类结果。 与监督分类相比，非监督分类的优势在于：不需要人工的选取训练区，操作简便；不需要分析者具备相关的先验知识，对分析者的需求较低；其数据的内在结构由算法决定，而不受外界知识的约束，也较少受人工主观因素的影响。 非监督分类的缺点在于：分类结果的精度依赖于所提供或生成的初始分割参数，一般低于监督分类的精度；它没有考虑空间关联信息，因此也对噪声更加敏感。 图21  Isodata非监督分类结果 图22  K-Means非监督分类结果 （2）监督分类 如图23、图24分别是最小距离、最大似然非监督分类结果。 相比于非监督分类，监督分类的优点在于：它不需要迭代运算，因而电脑的计算量相对较小，速度较快；由于其训练样本是人工选取的，类特征受到分析者先验知识的限制，因而分类精度一般较高。 监督分类的不足也很明显：训练区的选取任务繁重且需要技巧，并要求分析者具有对目标区域的地理及遥感的先验知识。 图23  最小距离监督分类结果 图24  最大似然监督分类结果