高分辨率遥感影像分类实验报告Word格式.docx
《高分辨率遥感影像分类实验报告Word格式.docx》由会员分享，可在线阅读，更多相关《高分辨率遥感影像分类实验报告Word格式.docx（15页珍藏版）》请在冰豆网上搜索。
2.4.2陆地5
2.4.3植被6
2.4.4裸土7
2.4.5建筑物8
2.4.6道路9
2.4.7阴影10
2.4.8总体分类图12
3结语13
1实验方法——面向对象方法
面向对象方法是一个模拟人类大脑认知的过程，将图像分割为不同均质的对象，充分利用对象所包含的信息，将知识库转换为规则特征，从而提取影像信息。
因为分析的是对象而不是像元，因此我们可以利用对象丰富的语义信息，结合各种地学概念，如面积、距离、光谱、尺度、纹理等进行分析。
面向对象的遥感影像分析方法与传统的面向像元的影像分析方法不同。
首先
需要使用一定方法对遥感影像进行分割，在提取分割单元（图像分割后所得到的内部属性相对一致或均质程度较高的图像区域）的各种特征后，在特征空间中进行对象识别和标识，从而最终完成信息的分类与提取。
2实验内容及详细过程
2.1影像预处理
2.1.1影像数据融合
实验数据为QuickBird影像，包括4个多光谱波段以及一个全色波段。
QuickBird影像星下点分辨率：
全色为0.61m,多光谱为2.44m。
对于面向对象影像分类来说，越高的高空间分辨率越好，但在对对象进行分类时，光谱信息同样重要，因此，可将高分辨率的全色影像和多光谱影像进行数据融合。
使用ERDAS进行数据融合：
Interpreteuspatialenchancemen^resolution
mergeo
图1全色影像与多光谱影像融合
2.1.2影像增强处理
影像分割算法是在亮度值的基础上建立起来的，其中包括一致性和不连续性。
影像分割过程中，灰度差异较小但分属不同地物类型的相邻像元，分割后易被合并为一个对象，造成目标错提、漏提。
为此须对原始影像进行预处理，增大提取目标与背景的反差，以取得更好的分割效果。
采用ERDAS对遥感影像进行影像增强处理，采用直方图均衡化处理:
Interpreter—radiometricenhancement—histogramequalization
图2直方图均衡化增强影像
2.2创建工程
创建工程，加载入增强后的影像，为了方便计算，裁剪部分影像
图3影像加载和裁剪
2.3分割处理
在processtree中右键选择Appentnew,新建一个分割处理，点击ok。
然后选中“分割”右键选择insertchild，第一个child选择基于像素分割，第二个基于imageobject分割，并以第一个child为基础，扩大分割尺度，可以明显看出分割破碎度减小。
图4新建分割处理
图5基于pixel分割
图6基于imageobject分割
2.4分类
2.4.1水体
采集水体信息：
classificationsample^sampleeditor，然后在空白区域选择selectfeaturestodisplayobjectfeaturesflayervalue^双击，点击分割图中一块，显示4个波段的均值信息。
仓建NDVI函数：
featureviewfobjectfeaturesfcustomizedfcreatiew
arithmetic。
图7样本采集器编辑
图8创建NDVI函数
在processtree中新建一个水体，并插入child，选择assignedclassify阈值分类，设置水体分类阈值：
NDVIv-0.5,NIRvIO。
图9水体分类阈值设置（NDVIv-0.5，NIRV10）
图10水体分类结果
依据图10,可明显看出西南交大犀浦校区内的水体为蓝色部分，与实际情况相符。
2.4.2陆地
陆地分类阈值设置：
NDVI>
-0.5，NIR>
10，获取陆地分类
图11陆地分类阈值设置（NDVI>
-0.5,NIR>
10）和结果
依据图11（右），可明显看出西南交大犀浦校区内的陆地显示为红色，与实际情况相符。
2.4.3植被
植被分类阈值设置（mean）:
B<
180，NIR>
30，-0.15<
NDVI<
1。
图12植被分类阈值设置（B<
180,NIR>
1）
图13植被分类结果
依据图13,可明显看出西南交大犀浦校区内的植被显示为绿色，与实际情
况相符。
2.4.4裸土
裸图分类阈值设置:
-2<
NDVIv-0.1。
图14裸土分类阈值设置1
图15裸土分类阈值设置2
160vB<
240,160vG<
240,50<
NIR<
120，150<
R<
210,
图16裸土分类结果
依据图16,可明显看出西南交大犀浦校区内的裸图显示为暗红色，与实际情况相符。
2・4・5建筑物
建筑物分类阈值设置：
B>
240,G>
240,NIR>
220，R>
240
图17建筑物分类阈值设置1
图18建筑物分类阈值设置2
依据图19,可明显看出西南交大犀浦校区内的建筑物显示为鲜红色，与实际情况相符。
2・4・6道路
道路分类阈值设置:
-0.5<
NDVIv0。
图20道路分类阈值设置1
195<
B<
244,200<
G<
244,80<
220，200<
245,
图21道路分类阈值设置2
图22道路分类结果
依据图22,可明显看出西南交大犀浦校区内的道路显示为暗红色，与实际
情况相符
2.4.7阴影
阴影分类阈值设置：
50vB<
200,NIRv20，-2>
-0.5
图23阴影分类阈值设置1
图24阴影分类阈值设置2
图25阴影分类结果
依据图25,可明显看出西南交大犀浦校区内的阴影显示为鲜红色，这些区域正好位于建筑物或者树木投影的部分，与实际情况相符。
2・4・8总体分类图
总体分类图中，不同颜色代表了不同的地物类型，与西南交大犀浦校区实际
情况相符，如图26所示
™M.ti>
L4哇L»
4LM|dup«
£
.Lccmpaja.=3£
lHhapwHXlcwhkLjCiSIrmti啓LvwUtKU
dL.R#HIE・10-=411Mk
U,0M4士WP¥
1ygMwIMIHy3i
Sbeu&
HMLawUrc吶:
“
■■二
&
弘-QIM-1+MLZ2胆钿：
■vm
B-■»
字鼻14+抵晒［UH
i■
图26总体分类图
3结语
高空间分辨率遥感影像使得在较小的空间尺度上观察地表细节变化，进行大比例尺遥感制图，以及监测人为活动对环境的影响成为可能。
而随着高分辨率影像的应用越来越普及，迫切要求人们对高分辨率遥感信息提取进行研究，以满足高分辨率影像信息不断增长的应用和研究需要。
本实验采用面向对象方法对融合后的影像（高分辨率的全色影像和多光谱影像进行数据融合）进行有效的分割。
面向对象分类技术主要分成两部分过程：
影像对象构建和对象的分类。
影像对象构建主要用了影像分割技术，常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。
比较常用的就是多尺度分割算法；
影像对象的分类，目前常用的方法是“监督分类”和“基于知识分类”。
试验中采用创建NDVI函数，通过设置不同的分类阈值参数可辨别出对应的地物类别（水体、陆地、植被、裸图、建筑物、道路和阴影），并生成总体分类图。
升级会员 