遥感作业1Word文档下载推荐.doc
《遥感作业1Word文档下载推荐.doc》由会员分享，可在线阅读，更多相关《遥感作业1Word文档下载推荐.doc（32页珍藏版）》请在冰豆网上搜索。
带有地理坐标的SPOT影像被用作基准，一个基于像素坐标的LandsatTM影像将被进行校正，以匹配该SPOT影像。
实验步骤：
1.打开两幅img图像
2.在主菜单上选择map->
Registration->
selectGCPs:
imagetoimage，Baseimage是正确的图像，WarpImage是待矫正的的图像。
3.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ADDPOINT添加这个点。
（这里我选取了13个点，后来发现得出的结果不正确，经过多次尝试，我保留了5个最确定的点并输出图像）
4.进行校正：
在groundcontrolpoints.对话框中选择:
options->
warpfile（asimagetomap），在出现的窗口中选中要进行校正的bldr_sp.img图像。
点击ok，保存。
5.输出图像
二辐射定标
（1）了解辐射定标的原理；
（2）使用ENVI软件自带的定标工具定标
利用ENVI自带的对TM图像的定标工具，进行定标，获取辐亮度或反射率。
1.打开一幅TM图像
2.打开BasicTools->
Preprocessing->
CalibrationUtilities->
LandsetCalibrati,输入之前打开的那一幅TM影像。
点击ok，在弹出的ENVILandsetCalibration窗口中点击ok。
输出结果。
三图像融合
对融合前两幅图像的精确配准以及掌握处理过程中融合方法的选择
将低空间分辨率的多光谱影像或高光谱数据与高空间分辨率的单波段影像重采样生成成一副高分辨率多光谱影像遥感，使得处理后的影像既有较高的空间分辨率,又具有多光谱特征。
1.打开两幅反映了同一地区的遥感影像图。
如图所示。
2.打开主菜单中的Transform->
ImageSharpening->
HSV直接融合，HSV（hue,
saturation,
and
value：
色调，饱和度，亮度值）
选择之前打开的RGB图像，然后在出现的High
Resolution
input
File对话框里选择要融合的，也是刚才打开的高分辨率影像，选择输出到“Memory”。
点击ok开始处理。
3.处理后得到结果
（注意：
在两幅图像有相同地理坐标系统的情况下，该融合方法不需要在融合前需调整两幅图像分辨率一致，尺寸一致，ENVI系统会自动完成这一过程，输出图像的分辨率与高分辨图像保持一致；
否则需要对图像进行处理以保证融合的影像地理位置相同，行列数相同）
四图像增强（假彩色合成）
突出影像中的有用信息，扩大不同影响特征（例如灰度不同的颜色）之间的差别，以提高对图像的解译和分析能力，使之更加实际应用。
将一幅彩色图像映射为另一幅彩色图像,从而达到增强彩色对比的期望。
1.打开一幅TM遥感影像，选择RGBColor,选择4，3，2三个波段输出第一幅图像#1。
2.选择3，2，1真彩色波段放入RGB通道。
3.打开当前窗口的Enhance->
HistogramMatching,选择要与之合成增强的RGB影像。
4.得到假彩色合成后的增强图像。
五监督分类
了解监督分类的原理并掌握监督分类的方法
在数据集中根据用户定义的训练样本类别聚集像元。
类别定义/特征判别——样本选择——分类器选择——影像分类——分类后处理——结果验证
1.样本选择
打开can_tme.imgd的5，4，3波段影像后，观察影像，发现其中红色的为裸露的土地，嫩绿色的是田地，白色的是沙地，平原地带的绿色较浅，是草地；
丘陵地区的绿色较深，是林地；
还有黑色的部位暂时不知道是什么，列为其他。
在主影像窗口菜单中点overlay----region
of
interests,
ROI
tool窗口就打开了，点击zoom窗口，依次对ROI进行定义。
在划分的时候画的尽量精细，且分布均匀。
2.验证样本
在ROI
tool对话框菜单点击options—compute
separability
计算ROI
可分离性。
点击ok。
全选，点击ok。
输出如下报告，可以发现林地和草地这两类样本的相近性小于1.8，因为数值越小相近性越大，所以我们回到ROI
tool对话框选中林地->
goto->
DeleteROI,删除不合格的样本。
然后同样删除不合格的草体样本。
再次检验数据的相关性，得出的报告显示，各项数据两两相关程度较小（数值大于1.8），可以进行下一步。
3.影像分类
4.选择好样本之后，要将其适用于全图进行分类。
主菜单点击classfication
----supervised---maxinum
likelihood，我们就要把选好的样本适用于全图进行分类。
点击OK。
出现最大似然分类方法参数设置对话框，设置如下：
点击ok，生成了Memory影像，输出如图：
接下来要把分类后图像与原图像叠加显示，在原图像的主影像菜单点击overlay---classfication.
点击options—edit
class
colors/names，对添加的颜色进行我们喜欢的处理。
。
修改好可以保存一下。
点击file---save
changes
to
file。
6.去除噪声
可在缩放窗口看到仔细看到图上有很多的小斑点，我们需要用一些方法去除它们。
在主菜单击classfication----post
classfication-----majority/minority
analysis
，
选择要进行主要次要分析的文件为TM-class，点击OK。
出现主要次要分析参数设置对话框，把六个样本全选，用主要分析法，保存，点击OK。
7.输出所得结果，成果展示如下，
六非监督分类
认识了解非监督分类的原理并可以熟练的应用它来解决生活中的问题。
在多光谱图像中搜寻、定义其自然相似光谱集群，依靠影像上不同类地物光谱（或纹理）
信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。
1.影响分析
大体上判断主要地物的类别数量。
一般监督分类设置分类数目比最终分类数量要多2‐3倍为宜，这样有助于提高分类精度。
因为我们有裸地，林地，沙地，草地，耕地，其他土地6种样本，所以我们选取在非监督分类中的类别为15。
2.影响分类
打开ENVI，选择主菜单‐>
Classification‐>
Unsupervised‐>
IsoData，按照默认的设置输出文件。
七主成分分析
将多个变量通过线性变换以选出较少个数重要变量。
设法将原来众多具有一定相关性（比如P个指标），重新组合成一组新的互相无关的综合指标来代替原来的指标。
1.加载影像
2.打开主菜单中的BasicTools->
Statistics->
ComputeStatistics
3.选定加载出的图像，点击ok。
将BasicStatesHistogramsCovariance前方的标注打上对勾。
4.对影像进行主成份分析
打开主菜单中的Transform->
PrincipalComponents->
ForwardPCRotation->
ComputenewStatisticsandRotate。
选取can_tmr.img。
形成的统计图如下：
5.将进行主成份分析的统计图打开，打开BaisicTools->
Statiatics->
ViewStatisticsFile,选择can_tmr.sta。
6.将三幅统计图进行比较。
八波段运算（NDVINDBINDWI）
认识了解NDVI,NDWI,NDBI的解释，原理，应用，及内部存在的关系。
如果是多波段合成的影像，直接可以在“Transform”下的“NDVI”直接计算。
如果是多个波段就用“波段计算”来计算。
NDVI,植被覆盖指数。
应用于检测植被生长状态、植被覆盖度和消除部分辐射误差等。
表达式：
NDVI=（p（nir）-p（red））/（p（nir）+p（red））
NDBI归一化建筑指数。
用于城市区域信息的遥感自动提取，此方法较之传统的监督分类，更为客观与快捷。
NDBI=（TM5-TM4）/（TM5+TM4）
NDWI归一化水指数。
用遥感影像的特定波段进行归一化差值处理，以凸显影像中的水体信息。
NDWI=（p（Green）-p（NIR））/（p（Green）+p（NIR））
是基于绿波段与近红外波段的归一化比值指数。
该NDWI一般用来提取影像中的水体信息，效果较好
1.打开一幅遥感影像，如图像融合素材中的TM-30m的432波段影像。
它拥有楼房，水体，植被，是良好的素材。
2.打开主菜单栏的Transfrom->
NDVI,选定载入的TM-30m影像。
3.NDVI的处理流程，点击ok。
遥感植被的NDV值=（近红外-可见光红色）/（近红外+可见光红色）
4.输出NDVI的影像
NDWI：
将RED的3改为2。
输出NDWI的影像。
NDBI：
将RED的3改为5。
输出NDBI的影像。
升级会员 