遥感影像分类方法实验报告Word下载.docx

遥感影像分类方法实验报告Word下载.docx

《遥感影像分类方法实验报告Word下载.docx》由会员分享，可在线阅读，更多相关《遥感影像分类方法实验报告Word下载.docx（75页珍藏版）》请在冰豆网上搜索。

⑤研究区域的全色波段数据：

⑥监督分类参照影像：

GoogleEarth

3实验内容

①对人口矢量数据（shapefile）进行投影转换：

WGS_1984_UTM_Zone_16N

②对遥感影像进行几何精校正（以经过投影变换的人口矢量数据为基准）：

（1）对多光谱波段（30m空间分辨率）进行几何精校正（小于个像元）；

（2）对Pan波段（15m空间分辨率）进行几何精校正（小于个像元）；

③将Pan波段和多光谱波段进行融合（自选至少一种融合算法），并对融合效果进行定性和定量评价；

④生成住房密度栅格影像：

（1）直接栅格化；

（2）IDW插值；

⑤将住房密度栅格影像作为额外的通道（或波段）与ETM+多光谱波段进行叠加；

⑥进行监督分类和分类后处理（Post-Classification，ExpertRules）

⑦利用ERDAS软件的空间建模（SpatialModeler）进行水体信息（MNDWI指数）和植被信息（NDVI指数）的提取；

⑧利用“自动阈值决策树分类算法”进MarionCounty的土地利用/覆盖分类信息提取（使用的数据：

原始各波段+MNDWI+NDVI+ISODATA等，或其他有益的波段组合）

①探讨“自动阈值决策树分类算法”中的各个参数意义及如何设置更合理

②对分类结果进行评价与分析

⑨对分类结果进行精度评价和分析；

4实验步骤

4.1对人口矢量数据（shapefile）进行投影转换

4.1.1文件投影坐标的检查

根据实验要求，人口矢量数据（shapefile）进行投影坐标应为：

WGS_1984_UTM_Zone_16N

在ArcGIS软件的图层右击Properties，在LayerProperties的Source下查看投影信息，如图1。

得到的投影坐标为：

GCS_North_American_1983，与实验要求不符合，需进行投影转换。

图1

4.1.2将投影坐标转换为WGS_1984_UTM_Zone_16N

在Arcgis软件的工具箱中的DefineProjection工具，设置输入数据为：

Census.shp，坐标系统为GCS_WGS_1984，在工具箱中的

工具，设置输入数据：

，导入遥感影像的投影坐标系，即GCS_WGS_1984（如图2）。

图2

4.2对遥感影像进行几何精校正（以经过投影变换的人口矢量数据为基准）

4.2.1在ENVI软件的加载

在ENVI软件中，File->

OpenVectorFile，选择，设置好参数，生成evf文件（如图3）。

图3

4.2.2对遥感影像进行几何精校正（以矢量数据为基准）

在ENVI分别打开遥感影像img和矢量文件vef，选择Map->

Registration->

SelectGCPs:

imagetomap，以矢量数据为基准,设置好投影，如图4。

图4

在ENVI中，在zoom窗口下采集控制点，这次实验采集的控制点数为13个，控制点的主要定位在道路与道路之间的交叉点，如图5，其控制点的RMSError为0.246390，如图6，如图7为20个控制点的采集情况。

图5

图6

图7

选择校正参数输出结果，在GroundControlPointsSelection窗口选择Option->

Warp

File，如图8；

数学模型为Polynomial，设定参数为2，从采样方法为最临近法，如图9。

图8图9

如图10、11为几何校正前后，矢量图层与遥感影像吻合度的对比，可以明显看出，经过几何校正后的遥感影像与矢量图层吻合程度有明显的改善，有部分水体边界不吻合，这主要是由于水体会随时间而改变；

而街区与道路吻合程度良好。

图10

图11

如图12为对多光谱波段（30m空间分辨率）进行几何精校正后的遥感影像；

如图13为对Pan波段（15m空间分辨率）进行几何精校正后的遥感影像。

图12

图13

4.2.3用矢量图层对遥感影像进行裁剪

在ENVI中打开文件，将该图层转换成ROI，如图14。

图14

通过ROI进行裁剪遥感影像，选择BasicTools->

SubsetDataviaROIs；

选择转换好的ROI进行裁剪，如图15。

图15

同样，对pan波段的遥感影像进行裁剪，得到遥感影像如图16。

图16

4.3将Pan波段和多光谱波段进行融合，并对融合效果进行定性和定量评价

4.3.1两种融合方法的原理

Gram-Schmidt可以对具有高分辨率的高光谱数据进行锐化。

①从低分辨率的波谱波段中模拟出一个全色波段。

②对该全色波段和波谱波段进行Gram-Schmidt变换，其中模拟的全色波段被作为第一个波段。

③用Gram-Schmidt变换后的第一个波段替换高空间分辨率的全色波段。

④应用Gram-Schmidt反变换构成pan锐化后的波谱波段。

Gram-SchmidtSpectralSharpening方法进行图像增强能够比较好的保留原多光谱图像的光谱信息，使遥感影像的融合保留多光谱影像的增强效果。

用PC可以对具有高空间分辨率的光谱图像进行锐化。

①先对多光谱数据进行主成分变换。

②用高分辨率波段替换第一主成分波段，在此之前，高分辨率波段已被缩放匹配到第一主成分波段，从而避免波谱信息失真。

③进行主成分逆变换。

函数自动地用最近邻、双线性或三次卷积技术将多光谱数据重采样到高分辨率像元尺寸。

4.3.2进行Gram-SchmidtSpectralSharpening融合

在ENVI软件中，选择Transform->

ImageSharpening->

Gram-SchmidtSpectralSharpening，在SelectLowSpatialResolutionMultiBandInputFile中选择Stack_b1-6162-7_CJ.img多光谱波段，SpatialSubset为FullScene，SpectralSunset为8个波段，如图17。

图17

在SelectHighSpatialResolutionPanInputFile窗口中选择b8_CJ.img全色波段，如图18。

图18

SelectMethodforLowResoutionPan选择AverageofLowResolutionMultispectralFile：

利用多光谱波段的平均值来模拟低分辨率的全色波段。

Resampling选择NearestNeighbor，OutputResult选择保存路径，如图19。

图19

4.3.3进行PCSpectralSharpening融合

在ENVI软件中，选择Transform->

PCSpectralSharpening，在SelectLowSpatialResolutionMultiBandInputFile中选择Stack_b1-6162-7_CJ.img多光谱波段，SpatialSubset为FullScene，SpectralSunset为8个波段，如图20。

图20

在SelectHighSpatialResolutionPanInputFile窗口中选择b8_CJ.img全色波段，如图21。

图21

Resampling选择NearestNeighbor，OutputResult选择保存路径，如图22。

图22

4.3.4融合效果进行定性评价

如图23为原始遥感影像与经过Gram-SchmidtSpectralShaping处理后的影像。

图23

从图23，我们可以得到，Gram-SchmidtSpectralShaping处理后的影像总体上来说分辨率有很大的提高，清晰度高，光谱信息比较丰富，但颜色的匹配还不是很理想，整个影像的色调基本上一致，呈现出泛红的现象，地物之间的辨别基本上是通过影像上的灰度信息，而色彩提供的信息量较少，区分度不高。

如图24为原始遥感影像与经过PCSpectralSharpening处理后的影像。

图24

从图24，我们可以得到，PCSpectralSharpening处理后的影像清晰度高，涵盖的地物信息量大，颜色的畸变很小，和Gram-SchmidtSpectralShaping处理的影像效果类似，颜色的匹配还不是很理想，整个影像的色调基本上一致，呈现出泛红的现象，色彩不够丰富。

在水域的地方颜色与原来的为黑色变成了青色，颜色变化差异较大。

定性评价结论，从图23、24，我们可以了解到提高空间分辨率效果最好的是Gram-SchmidtSpectralShaping；

光谱变化较小的是PCSpectralSharpening，但在水域的区域上，Gram-SchmidtSpectralShaping保持这原始影像的色彩。

4.3.5融合效果进行定量评价（软件提供的计算方法）

在实验中，波段的选取为4，3，2波段。

在主窗口中，右击选择ZProfile，对比三个影像的情况（如图25）。

图25

从图25，我们可以得到，经过融合后，在Value上都有所增加，band1从90->

100；

说明了融合后影像的亮度信息提高了。

但PC和GS两者的Value通过图上很难分辨出区别。

图26XProfile

图27YProfile

在ENVI4.7软件中，选择BasicTools->

Stayistics->

ComputeStatistics，如图28。

图28

如表1为原始影像、PC融合后影像和GS融合后影像的部分统计参数。

表1

图29图30

从图29、30，两张折线图上我们可以直观的了解原始影像、PC融合后影像和GS融合后影像在亮度信息上的关系。

在均值上，PC融合影像和GS融合影像均有所增加，但是从幅度上来看，PC融合影像的均值增加的幅度较大，较GS融合影像更有利于目视判读。

在方差上，与原始影像相比较PC融合影像的方差有所增加，而GS融合影像的方差大幅下降，不利于目视判读。

因此，在亮度指标上最好的为PC融合，其次为GS融合。

4.3.6融合效果进行定量评价（Matlab编程计算）

此次实验从融合影像的亮度信息，清晰程度，光谱保持程度，信息丰富程度等多角度进行评价分析，相比传统的单一定量评价全面，能够减少评价的随机性，使得定量评价更加科学全面。

主要通过4方面进行统计分析：

①亮度信息，针对融合后影像亮度信息进行评价，主要包括均值和