遥感应用模型实习报告材料.docx
《遥感应用模型实习报告材料.docx》由会员分享,可在线阅读,更多相关《遥感应用模型实习报告材料.docx(24页珍藏版)》请在冰豆网上搜索。
![遥感应用模型实习报告材料.docx](https://file1.bdocx.com/fileroot1/2023-2/9/0680ac50-a782-4d06-8d39-13bbff438b55/0680ac50-a782-4d06-8d39-13bbff438b551.gif)
遥感应用模型实习报告材料
遥感应用模型课程实习报告
学生:
文凯
班学号:
113151
指导教师:
徐世武
中国地质大学信息工程学院
2017年11月27日
一、遥感基本功能实习(<小二,黑体,居中>)
【实习目的】
利用ENVI完成常规遥感数据处理,理解熟悉遥感数据处理方法。
1.熟悉遥感预处理的基本原理和方法
2.掌握影像几何校正
3.掌握影像自动配准
4.掌握影像融合
5.掌握影像镶嵌
6.掌握影像裁剪
7.掌握植被数据的计算方法,对比常见植被指数应用效果。
【实验环境】
PC电脑一台,ENVI5.1或更高版本软件
【实验容】
1.讲解遥感预处理的基本原理和方法
2.影像几何校正的原理和操作步骤;影像到影像的几何校正,通过一个校正好的基准影像去校正未做过几何校正的影像。
3.对校正之后的影像做精校正即影像配准
4.对低分辨率的多光谱影像和高分辨率的全色影像进行融合,得到高分辨率的多光谱影像
5.将相邻地区的影像镶嵌,构建一副完整影像,要注意镶嵌边界的处理
6.对影像进行裁剪,根据需要进行规则裁剪,不规则裁剪以及掩膜裁剪
7.对实验影像采用常见四种植被指数方法计算植被指数,结合实际影像进行对比分析,得出适宜于实验影像的植被提取方法。
【实验数据】
研究区影像数据:
见“课程实验\实习一”文件夹
【实验要求】
要求:
完成几何校正、辐射校正、影像裁剪、影像融合、基础分类、影像运算、制图输出、专题信息提取(面向对象分类)等操作,采用多种植被指数方法计算植被指数,分析适宜于实验影像的植被提取方法。
【实验过程】
由于envi的基本功能已经做过多次实习,我对于envi的基本操作已经十分熟悉,因此我跳过了本次的实习一,直接开始了后面的实习容。
二、植被指数及植被覆盖度估计(<小二,黑体,居中>)
【实习目的】
基于LandSat8卫星影像数据,掌握Envi中计算常见植被指数的方法,分析、比较采用地表反射率、DN值计算植被指数之间的差异。
同时学会植被覆盖度反演方法。
【实验环境】
PC电脑一台,ENVI5.1或更高版本软件
【实验容】
1.为纠正原始图像中的几何与辐射变形,对LandSat8卫星影像数据进行预处理。
2.采用地表反射率、DN值计算常见植被指数,并分析、比较两者之间的差异。
3.采用常见四种植被指数方法计算植被指数,结合实际影像进行对比分析,得出适宜于实验影像的植被提取方法。
4.提取3种以上典型地物(水体、房屋、林地、道路、耕地、裸土等)的地表反射率、DN值、及常见植被指数,制作折线图或表格,分析、总结不同地物在地表反射率、DN值、植被指数的特征。
5.基于像元二分模型进行植被覆盖度反演。
【实验数据】
研究区影像数据:
见“课程实验\实习二:
基于像元二分模型的植被覆盖度反演”文件夹
【实习要求】
要求:
掌握LandSat8影像预处理操作,比较地表反射率、DN值计算植被指数的差异,并比较常见植被指数的优劣,学会像元二分模型的植被覆盖度反演方法。
【实习过程】
(1)数据预处理
通过影像镶嵌、影像融合等操作将LC81230322013276LGN00与LC81230332013276LGN00两相邻的影像镶嵌得到包含完整市行政区的完整数据,然后通过先验的行政边界矢量数据对上一步所得到的数据进行裁剪处理,得到只包含完整市行政区的影像数据。
缩小了数据大小,使后续操作所需要处理的数据量得以大大减少。
然后通过辐射定标操作,消除了传感器本身由于光学器件老化所产生的辐射误差并为大气校正准备数据随后使用FLAASH大气校正模型纠正电磁波在大气吸收和散射过程中造成的不确定信息。
附:
FLAASH对图像文件有以下几个要求:
Ø数据是经过定标后的辐射亮度(辐射率)数据,单位是:
(μW)/(cm2*nm*sr)。
Ø数据带有中心波长(wavelenth)值,如果是高光谱还必须有波段宽度(FWHM),这两个参数都可以通过编辑头文件信息输入(EditHeader)。
Ø数据类型:
支持四种数据类型:
浮点型(floating)、长整型(longinteger)、整型(integer)和无符号整型(unsignedint)。
数据存储类型:
ENVI标准栅格格式文件,且是BIP或者BIL。
Ø波谱围:
400-2500nm
(数据预处理所得最终影像数据)
(2)常见植被指数计算
植被指数(VI)是两个或多个波长围的地物反射率组合运算,以增强植被某一特性或者细节。
指导书中提供了四种植被指数的运算方法,由于时间关系,上机实习期间我只针对NDVI(归一化植被指数)、RVI(比值植被指数)、SAVI(土壤调节植被指数)三种植被指数进行运算,课后尝试过用最后一种进行运算,
(NDVI)
(RVI)
(SAVI)
(3)植被覆盖度估计
由于时间因素,本次实习只针对NDVI进行了植被覆盖度估计。
本次实习采用像元二分模型方法反演植被覆盖度,像元二分模型是一种简单实用的遥感估算模型,它假设一个像元的地表由有植被覆盖部分地表(SV)与无植被覆盖部分地表(SS)组成,而遥感传感器观测到的光谱信息(S)也由这2个组分因子线性加权合成,各因子的权重是各自的面积在像元中所占的比率,如其中植被覆盖度可以看作是植被的权重。
先对上一步所得NDVI波段影像去除异常值处理,然后针对各地类制作掩模,并通过掩模文件选取各地类阈值。
城镇-最大值
城镇-最小值
耕地-最大值
耕地-最小值
林地-最大值
林地-最小值
其他-最大值
其他-最小值
其中,水体没有植被(水藻不属于植被),认为这部分区域的植被覆盖度为0。
利用上一步得到的NDVIsoil和NDVIveg参数文件带入公式:
fc =(NDVI - NDVIsoil ) (NDVIveg-NDVIsoil),其表达式为:
(b1-b2)/(b3-b2),其中,b1为NDVI(对应的文件名为“NDVI_去除异常值.dat”)、B2为 NDVIsoil参数文件、B3:
为NDVIveg参数文件。
最后对计算后的数据进行去除异常值处理。
最后用制作好的颜色表文件对去除异常值后的数据分级显示。
(植被覆盖度图)
三、基于高分辨率遥感影像城市绿地信息提取(<小二,黑体,居中>)
【实习目的】
掌握利用0.5米空间分辨率的WorldView-2影像提取城市绿地空间信息的完整流程,学习WorldView-2影像正射校正、融合、大气校正、面向对象图像信息提取等容。
【实验容】
学习WorldView-2影像数据预处理方法。
利用0.5米空间分辨率的WorldView-2影像进行城市绿地空间信息提取。
【实验环境】
PC电脑一台,ENVI5.1或更高版本软件、ArcGISDesktop软件
【实验数据】
研究区影像数据:
见“课程实验\实习三:
基于高分辨影像城市绿地信息提取”文件夹
【实验要求】
掌握Envi中WorldView-2影像预处理方法,结合实际数据完成面向对象图像信息提取城市绿地实验,并分析实验结果。
城市绿地在改善城市生态环境和人居环境起着积极的作用,城市绿地含量逐渐成为衡量城市生活质量的一个重要指标。
此外,城市绿地的空间分布格局与其生态效应有着密切的关系。
因此,必须客观、准确地掌握城市绿地信息。
传统的城市绿化调查主要通过基层单位上报统计数据和实地抽样调查完成,资金和人力投入大,时间周期长。
数据受人为影响较大且精度低,缺乏空间统计分析功能。
随着航天遥感技术的发展,高分辨率遥感图像在国已经得到广泛的应用。
而这些高分辨率图像的出现,也给城市绿地信息提取提供了更为有效而便捷的手段。
目前,可获取的商业卫星影像最高可达0.5米,能分辨普通道路中间的绿化带,甚至单棵树木。
并且具有较高的光谱分辨率,如包含红色波段、近红外波段,为精确的自动提取城市绿地信息提供了先决条件。
一景高分辨率影像可覆盖18.5kmx18.5km的围,2-3天即可对同一个地区进行重复拍摄,可进行大围、短周期的调查。
【实习过程】
(1)影像预处理
根据WorldView-2卫星的特点,先将全色影像与高光谱影像做融合处理得到高分辨率的多光谱影像。
注意在融合之前应将多光谱数据的存储方式由BSQ改为BIL或者BIP,在做大气校正过程中,如果数据存储格式为BSQ,则envi会报错。
融合后对此高分辨率影像进行正射校正,采用横轴墨卡托投影坐标系以及54坐标系定义该影像,并通过已知控制点对影像进行矫正,使两幅影像的偏差在一个像素以。
然后用大气校正(QUAC)去除部分大气的影响。
为加快后续的数据处理速度,我们选择裁剪4000*4000的部分图像,
(2)面向对象绿地信息提取
利用ENVI的面相对象工具(FeatureExtraction)完成此工作,这个工具采用向导式操作,简单易用,并且具有实时预览的功能。
由于高分辨率影像数据量普遍较大,为了能快速获取规则。
选择一部分区域作为研究区来确定对象分割与合并阈值、基于规则的信息提取中的对象阈值,之后将实验区获取的阈值以及规则应用到整个图像文件中。
可以采用样本统计法。
提取NDVI信息,然后将NDVI作为一个波段融入原八波段影像,在融合影像上选取绿地ROI样本和房屋ROI样本,分别分析他们的波谱特征,并提取他们的波谱特征阈值。
然后选择RuleBasedFeatureExtractionWorkflow工具,选择融合后的影像文件,此处我选择的分割阈值是45.0,合并阈值是80.0,纹理核大小为3。
从Preview窗口中可以看到,该参数下的分割情况较好。
四、遥感影像分类(<小二,黑体,居中>)
【实习目的】
利用ENVI使用不同方法进行影像分类,比较各个方法的优劣。
1.掌握使用ENVI进行影像分类的常用方法,掌握对分类影像进行精度评价的方法
2.学会分析、对比不同分类方法的优劣及其适用性
【实验环境】
电脑一台,ENVI软件
【实验容】
1.使用K-Mean方法进行非监督分类。
2.通过基于像素的方法分别使用最大似然和BP神经网络进行监督分类,体会其差别。
3.对影像添加入不同指数波段后进行监督分类,体会和直接对原始影像进行分类的差别。
4.通过面向对象的方法进行分类,体会加入光谱以外的信息对分类精度的影响。
【实验数据】
研究区影像数据:
文件夹“课程实验\实习四”。
一基于像素的分类
像素分类
遥感影像的分类是指计算机通过一定的算法来自动确定影像上各个像素在实际中的类别。
分类的方法主要有两大类。
一类为非监督分类。
此方法不需人为提供先验知识,计算机根据影像像元的光谱值进行聚类。
常用的算法有K-Mean,ISODATA等。
二者原理大致相同,K-Mean方法使用固定的聚类中心,ISODATA可以随着分类过程自动调整聚类中心。
另一类为监督分类,需要较多的人工干预,所以分类精度相对于非监督分类高。
常用的监督分类方法主要分以下几类:
基于聚类中心,神经网络,光谱角,基于边界,决策树等。
其中基于聚类中心的方法代表的算法有最大似然,最小距离。
神经网络主要有BP神经网络,GA神经网络等。
本次实验分别使用K-Mean方法进行非监督分类,最大似然和BP神经网络进行监督分类。
注意:
为了便于比较不同分类方法的精度,实验时建议使用同一遥感影像,以便分析在相同外部条件(影像质量、样本质量等)下,不同分类方法处理的结果差异。
由于精度评价时需另外选一套“真值”评价样本,实验提供“20150325-1.tif”影像的评价样本,若选择其他数据,可重新制作一套评价样本。
像素分类可分为非监督分类与监督分类。
其中非监督分类不需要先验的训练样本,由于其仅依赖计算机决策规则,不需要事先知道类别特征,因此在固定的分类方法例如K-means或ISOdata下分类方法小异,无需太多人工干预,分类精度也较低。
实习中,由于以前做过该类型操作,故本次实习仅对K-means分类方法进行操作。
(K-means分类结果)
监督分类需要较多的人工干预,所以分类精度相对于非监督分类高。
常用的监督分类方法主要分以下几类:
基于聚类中心,神经网络,光谱角,基于边界,决策树等。
其中基于聚类中心的方法代表的算法有最大似然,最小距离。
神经网络主要有BP神经网络,GA神经网络等。
本次实验分别使用最大似然和BP神经网络进行监督分类。
以使用最大似然方法为例进行说明:
(最大似然分类结果)
(BP神经网络分类结果)
精度评价
精度评价是评价分类精度的一个主要方法。
常用的精度评价指数有总体精度和Kappa系数。
主要的评价方法是人工从图像上选取各个类别的地物作为标准,分类结果和其进行对比计算分类的正确率。
本部需要对前面K-Mean方法、最大似然和BP神经网络的分类结果进行精度评价,并对比分析。
K-means分类精度评定
最大似然分类精度评定
神经网络分类精度评定
同时采用K-means、最大似然、BP神经网络三种方法对20150325-1实验样本进行分类并作精度评定后可以看出,K-means的分类精度大概在60%左右,最大似然分类精度大概是79%,BP神经网络分类精度则可以达到90%。
因此监督分类精度是优于分监督分类的,其中BP神经网络分类精度是优于最大似然的。
二添加指数信息的分类
上述分类是直接对原始的影像数据进行分类,不对影像进行处理。
影像中一些有用信息可能会被弱化。
实习一中的指数影像可以增强影像中特定地物的信息,如果将指数信息添加到影像中后再进行分类,分类效果可能会优于直接分类。
选择3.1节中基于像素分类精度最高的分类方法,在原影像的基础上添加一个植被指数波段,使用同一套样本分类,并进行精度评价,对比分析添加指数波段前后的精度,得出结论。
由于时间限制,本次实习仅针对NDVI指数进行添加指数信息的分类。
本次实习选的实验样本为20150325-2样本。
不添加NDVI信息的最大似然分类结果
最大似然分类精度评定
添加NDVI信息的最大似然分类结果
添加NDVI信息的最大似然分类精度评定
比较两次的分类结果,未添加指数信息的分类精度大概在55%左右,添加了指数信息的分类精度可以达到92%。
因此是目视评价还是混淆矩阵评定,添加了NDVI信息之后的最大似然分类精度明显远高于不添加指数信息的分类。
因此,若是在分类中加入特定的指数信息,必然会对分类精度有很大的提高。
三面向对象分类
面向对象分类是一种新的分类思想。
传统的面向像素分类,分类的单元是一个个独立的像素,只能利用其光谱信息进行分类。
面向对象分类的分类单元是一个个对象,不仅包含光谱值还含有纹理,紧致度,异质性等信息可以进行利用。
由于高分辨率影像较之低分辨率影像有更加丰富的纹理、紧致度等信息,方便解决图像分割、尺度问题,所以面向对象分类目前主要适用于高分辨率影像,而低分辨率影像由于分辨率过低,没有或者有很少的纹理,紧致度等信息可以利用,所以低分辨率影像通常不使用面向对象方法进行分类。
现有p16.tif的高分辨率影像(0.2m)和20150325-1.tif的中低分辨率影像(16m)各一幅,分别对两幅影像使用面向对象分类方法进行分类,在分类过程中,尤其是图像分割过程,对比高、低分辨率使用这一分类方法的优势或劣势,深刻理解面向对象分类方法更适合高分辨率影像的意义。
同时,横向对比中低分辨率影像(20150325-1.tif)采用基于像素分类方法、面向对象分类方法的结果精度,分析原因。
由于实习时未保存操作步骤截图,我忘记了我的分类时采用的分割阈值与合并阈值,在这里仅附上我的分类结果。
P16面向对象分类结果
面向对象分类矢量文件
对于中低分辨率的20150325-1实验样本的面向对象结果文件已丢失,根据我实习时的经验,面向对象的分类方法在应用在中低分辨率影像时由于单位像素的地类过多,并不能完成目标较小的地类分类,对于目标较大的水体等地类的分类效果比较好。
对于高分辨率的P16实验样本,对于目标较大的物体经常会出现过分割现象,一个目标地类会被划分到几类,这是分类过程中需要特别注意的地方。
在实习结束后,我也曾下载了niTrimbleeCognitionDeveloperV9.0.1X64软件进行面向对象分类,发现分类结果确实比envi软件要好很多。
希望我们国家将来也能研制出属于自己的更好用的遥感图像处理软件。
五、总结
本次实习我收获颇多,本来以为自己对于envi的一般操作已经了如指掌,但是在本次实习中我还是发现了许多问题。
例如在大气校正时应该注意数据的存储格式,影像分类除了一般的监督分类和非监督分类外还有基于指数信息的分类和面向对象的分类方法。
最重要的是通过本次实习,我对与绿地信息的提取有了更加全面的认识,我相信这将在我以后的学习工作中对我起到很大的帮助。
同时希望老师能在实习中添加与实际生产研究更加贴近的容,例如干旱信息的提取与预防。
这样我们将能在实习中收获更多的知识,获得更大的提升。