遥感实习报告Word文件下载.docx

遥感实习报告Word文件下载.docx

《遥感实习报告Word文件下载.docx》由会员分享，可在线阅读，更多相关《遥感实习报告Word文件下载.docx（31页珍藏版）》请在冰豆网上搜索。

第二步：

确定文件（DetermineFile）

在SelectLayerToAdd对话框中有File和RasterOption两个选择项，其中File就是用于确定图像文件的，具体内容和操作实例如表。

表1-1图像文件确定参数

参数项

含义

实例

Lookin

确定文件目录

examples

Filename

确定文件名

xs_truecolor_sub.img

Fileoftype

确定文件类型

IMAGINEImage（*.img）

Recent

选择近期操作过的文件

------

Goto

改变文件路径

-------

第三步：

设置参数（Rasteroption）

第四步：

打开图像（OpenRasterLayer）

3、实用菜单操作

了解光标查询功能；

量测功能；

数据叠加功能；

文件信息操作；

三维图像操作等。

4、显示菜单操作

掌握文件显示顺序；

显示比例；

显示变换操作等。

5、矢量菜单操作

矢量菜单操作功能是ERDAS软件将遥感与地理信息系统相结合的一个体现。

主要介绍矢量操作的有关命令，这是本次实验的重点掌握内容。

指导学生掌握适量工具面板功能，在此基础上重点掌握矢量文件的生成与编辑。

矢量文件的生成与编辑：

打开图像文件

创建图形文件

绘制图形要素

保存矢量文件

在此基础上掌握：

改变矢量要素形状；

调整矢量要素特征；

编辑矢量属性数据等有关矢量操作。

6、对影像库中的影像进行辨识，确认传感器类型，并与各传感器的特点相对应。

主要包括：

TM，SAR，SPOT等，并查看他们的分辨率、波段划分等。

三、实验结果及分析：

简述矢量功能在ERDAS中的意义。

该实验使用的数据为example中的xs_truecolor_sub.img，实验结果如图1-4所示：

矢量功能在ERDAS中的意义：

矢量菜单操作功能是ERDASIMAGINE将遥感与地理信息系统相结合的一个体现，通过将栅格数据和矢量数据集成在一个系统，可以建立研究区域的完整数据库。

在此基础上可以将矢量图层叠加到高精度的最新遥感图像上以对矢量数据进行几何形状和属性的更新，也可以用矢量图层在栅格图像上确定一个感兴趣的区域，以对该区域进行分类、增强等操作

图1-2矢量操作结果图

四、实验结果及分析：

简述不同传感器的卫星影像的特点和目视效果。

陆地资源卫星CBERS搭载的传感器可获得2.36m分辨率的全色波段数据，SPOT影像为10m分辨率多光谱数据。

通过目视评价和定量分析，CBERS影像不仅具有良好的光谱特征，而且在空间纹理方面比SPOT影像更细腻、具有更良好的结构；

在细节上，同一地物内部像元灰度集中一致。

良好的纹理信息在进行图像分类时可以提高分类精度，并可以有效区分具有“同谱异物”特征的地物。

此外，CBERS融合影像目视效果良好，可以广泛应用于国土资源调查、森林资源普查、生态环境监测等遥感动态监测工作中。

图1-32007cebersys432波段组合图图1-42004spot图像

实验二波段组合与遥感数字图像的裁剪

了解如何将单波段黑白影像合成为彩色影像，在此基础上，裁剪感兴趣区域，为遥感图像的几何校正等后续实习奠定基础。

二、实验原理

在实际工作中，对遥感图像的处理和分析都是针对多波段图像中的感兴趣区域进行的，所以，我们需要将原始的单波段数据进行组合，一般是取三个波段进行组合（也可以更多），并在多波段图像上进行感兴趣区域的裁剪。

附裁剪前后对比图，分析裁剪各种方式的不同作用。

AOI裁剪是不规则分幅裁剪，所裁剪图像的边界范围是任意多边形，无法通过左上角和右下角两点的坐标确定裁剪位置，而必须事先生成一个完整的封闭多边形；

坐标裁剪是规则分幅裁剪，所裁剪图像的边界范围是一个矩形，通过左上角和右下角两点的坐标，就可以确定图像的裁剪位置，整个裁剪过程比较简单。

图2-12007cebers4、3、2组合波段裁剪前图像

图2-2AOI裁剪图2-3坐标裁剪

四、试验思考：

多波段合成的效果比较。

列出你采取了哪些组合，效果差异如何？

图2-4432波段组合图图2-5234波段组合图

图2-6321波段组合图图图2-7453波段组合图

图2-84321波段组合图图图2-943215波段组合图

波段1为蓝波段，波段2为绿波段，波段3为红波段，是叶绿素的主要吸收波段，波段4为近红外波段，对绿色植物类别差异最敏感，波段5为中红外波段，处于水的吸收带。

由图2-4和图2-5可看出进行波段组合时添加波段的顺序不同，组合后得到的结果也不同。

432波段组合为标准假彩色合成，即4、3、2波段分别赋予红、绿、蓝色，获得图像植被成红色，由于突出表现了植被的特征，应用十分广泛。

321波段组合为真彩色合成，即3、2、1波段分别赋予红、绿、蓝色，获得自然彩色合成图像，图像的色彩与原地区或景物的实际色彩一致，适合于非遥感应用专业人员使用。

453波段组合时4、5、3波段分别赋红、绿、蓝色合成的图像，色彩反差明显，层次丰富，而且各类地物的色彩显示规律与常规合成片相似，符合常规片的目视判读习惯。

由图2-4和图2-9可看出432波段合成和43215波段合成结果差别不大。

实验三遥感图像的几何校正

通过实习操作，掌握遥感图像几何校正的基本方法和步骤，深刻理解遥感图像几何校正的意义。

校正遥感图像成像过程中所造成的各种几何畸变称为几何校正。

几何校正就是将图像数据投影到平面上，使其符合地图投影系统的过程。

而将地图投影系统赋予图像数据的过程，称为地理参考（Geo-referencing）。

由于所有地图投影系统都遵循一定的地图坐标系统，因此几何校正的过程包含了地理参考过程。

几何校正包括几何粗校正和几何精校正。

地面接收站在提供给用户资料前，已按常规处理方案与图像同时接收到的有关运行姿态、传感器性能指标、大气状态、太阳高度角对该幅图像几何畸变进行了几何粗校正。

利用地面控制点进行的几何校正称为几何精校正。

一般地面站提供的遥感图像数据都经过几何粗校正，因此这里主要进行一种通用的精校正方法的实验。

该方法包括两个步骤：

第一步是构建一个模拟几何畸变的数学模型，以建立原始畸变图像空间与标准图像空间的某种对应关系，实现不同图像空间中像元位置的变换；

第二步是利用这种对应关系把原始畸变图像空间中全部像素变换到标准图像空间中的对应位置上，完成标准图像空间中每一像元亮度值的计算。

（附几何校正比较图，并以定性语言说明几何校正后影像的变化及产生变原因

通过图3-1、图3-2及图3-3的对比可以发现校正后的图像相对于校正前的图像发生了倾斜，河流及道路走势等图像信息发生了变化，像元的坐标也发生了变化，而且变化后的地物特征更加接近参考图像的地物特征。

由于遥感平台位置和运动状态的变化、地形的起伏、大气的折射以及地球表面曲率的影响导致遥感影像在几何位置上发生变化，而几何校正减小了这些因素的影响，因此校正后影像相对于校正前发生了变化。

图3-1zhzh2005cbers参考图像图3-22004spot几何校正前图

图3-32004spot几何校正后图像

四、实验思考

几何校正时如何进行控制点的选择？

如何减少误差？

控制点选取的最低限额是按未知系数的多少来确定的。

一次多项式有6个系数，需要6个方程来求解，因此需要3个控制点的3对坐标，即6个坐标数；

本次试验选取了二次多项式，有12个系数，需要12个方程，即6个控制点。

对于n次多项式，控制点的数目最少为（n+1）（n+2）/2。

在条件允许的情况下，控制点的选取要大于最低数很多，从而保证几何校正的效果，本次试验共选取22个控制点，4个检查点。

控制点的选择要以配准对象为依据，关键在于建立待匹配的两种坐标的对应点关系。

控制点应选取图像上易分辨且较精细的特征点，如道路交叉点、河流弯曲或分叉处、海岸线弯曲处、湖泊边缘、飞机场、城廓边缘等。

特征变化大的地区应该多选控制点，图像边缘部分一定要选取控制点，以避免外推，尽可能满幅均匀选取。

实验四遥感图像的增强处理

通过上机操作，了解空间增强、辐射增强几种遥感图象增强处理的过程和方法，加深对图象增强处理的理解。

ERDASIMAGE图像解译模块主要包括了图像的空间增强、辐射增强、光谱增强、高光谱工具、傅立叶变换、地形分析以及其他实用功能。

主要包括卷积增强处理；

锐化增强处理；

滤波分析、直方图处理；

主成分分析、色彩变换等。

空间增强技术是利用像元自身及其周围像元的灰度值进行运算，达到增强整个图像之目的。

卷积增强（Convolution）是空间增强的一种方法。

卷积增强（Convolution）时将整个像元分块进行平均处理，用于改变图像的空间频率特征。

卷积增强（Convolution）处理的关键是卷计算子----系数矩阵的选择。

该系数矩阵又称卷积核（Kernal）。

ERDASIMAGINE将常用的卷计算子放在一个名为default.klb的文件中，分为3*3，5*5、7*7三组，每组又包括“EdgeDetect/LowPass/Horizontal/Vertical/Summary”等七种不同的处理方式。

直方图均衡化实质上是对图像进行非线性拉伸，重新分配图像像元值，是一定灰度范围内的像元数量大致相同。

这样，原来直方图中间的峰顶部分对比度得到增强，而两侧的谷底部分对比度降低，输出图像的直方图是一较平的分段直方图。

主成分变换（PrincipalComponentAnalysis）是一种常用的数据压缩方法，它可以将具有相关性的多波段数据压缩到完全独立的较少的几个波段上，使图像数据更易于解译。

ERDASIMAGE提供的主成分变换功能最多等对256个波段的图象进行转换压缩。

色彩变换是将遥感图像从红（R）、绿（G）、兰（B）三种颜色组成的色彩空间转换到以亮度（I）、色度（H）、饱和度（S）作为定位参数的色彩空间，以便使图像的颜色与人眼看到得更接近。

其中，亮度表示整个图象的明亮程度，取值范围是0-1；

色度代表像元的颜色，取值范围为0-360；

饱和度代表颜色的纯度，取值范围是0-1。

三、实验结果与分析：

认真对比各图像增强处理方法处理前后的图像差别，以及各种方法之间的原理和效果差异。

（附增强前后对比图，可用黑白图）

图4-1卷积增强前图像图4-2卷积增强后图像

图4-3自适应滤波前图像图4-4自适应滤波后图像

图4-5高分辨率图像图4-6多光谱图像图4-7分辨率融合后图像

图4-8锐化增强处理前图像图4-9锐化增强处理后图像

图4-10直方图均衡化前图像图4-11直方图均衡化后图像

图4-12匹配图像图4-13参考图像图4-14直方图匹配图像

图4-15主成分变换前图像图4-16主成分变换后图像

图4-17缨帽变换前图像图4-18缨帽变换后图像

图4-19色彩变换前图像图4-20色彩变换后图像

图4-21指数计算前图像图4-22指数计算后图像

卷积增强是将整个图像按照象元分块进行平均处理，用于改变图像的空间频率特征。

由图4-1和图4-2可看出卷积增强处理后各种地物的空间频率显著增强，可用于某些地物的提取。

自适应滤波是应用WallisAdapterFilter方法对图像的感兴趣区域（AOI）进行对比度拉伸处理，从而达到图像增强的目的。

由图4-3和图4-4可看出自适应滤波处理后地物的细节更加突出，某些空间纹理特征的信息得到增强，而另一些则得到抑制。

分辨率融合是对不同空间分辨率遥感图像的融合处理，使处理后的遥感图像既具有较好的空间分辨率，又具有多光谱特征，从而达到图像增强的目的。

对比图4-5、图4-6和图4-7可看出融合后图像的分辨率提高。

锐化增强处理实质上是通过对图像进行卷积滤波处理，使整景图像的亮度得到增强而不使其专题内容发生变化，从而达到图像增强的目的。

图4-8和图4-9可看出锐化增强处理后图像的亮度有所提高，相邻像元之间的灰度值之差增大，突出了图像边缘、线状目标以及某些亮度变化大的部分。

直方图均衡化实质上是对图像进行非线性拉伸，重新分配图像象元值，使一定灰度范围内象元的数量大致相等，这样，原来直方图中间的峰顶部分对比度得到增强，而两侧的谷底部分对比度降低，输出图像的直方图是一个较平的分段直方图。

对比图4-10和图4-11可看出直方图均衡化也有一些缺点，如变换后图像的灰度级减少，某些细节消失，处理后对比度不自然的过分增强。

直方图匹配是对图像查找表进行数学变换，使一幅图像某个波段的直方图与另一幅图像对应波段类似，或使一幅图像所有波段的直方图与另一幅图像所有对应波段类似。

直方图匹配经常作为相邻图像拼接或应用多时相遥感图像进行动态变化研究的预处理工作，通过直方图匹配可以部分消除由于太阳高度角或大气影响造成的相邻图像的效果差异。

由图4-12、图4-13和图4-14对比可看出直方图匹配后图4-13和图4-14的色调和反差趋于相同。

主成分变换是一种常用的数据压缩方法，它可以将具有相关性的多波段数据压缩到完全独立的较少的几个波段上，使图像数据更易于解译。

对比图4-15和图4-16可看出主成分变换后各种地物颜色对比更加鲜明。

缨帽变换是针对植物学家所关心的植被图像特征，在植被研究中将原始图像数据结构轴进行旋转，优化图像数据显示效果。

该变换的基本思想是：

多波段（N波段）图像可以看作是N维空间，每一个象元都是N维空间中的一个点，其位置取决于象元在各个波段上的数值。

对比图4-17和图4-18可看出植被、土壤等地物更为细致，增强了影像上深色区域的信息。

色彩变换是将遥感图像从红（R）、绿（G）、蓝（B）3种颜色组成的彩色空间转换到以亮度（I）、色度（H）、饱和度（S）作为定位参数的彩色空间，以便使图像的颜色与人眼看到的更为接近。

对比图4-19和图4-20可看出缨帽变换有效地抑制地形效应和增强岩石单元的波段差异，并通过彩色编码增强处理达到最佳的图像显示效果。

指数计算是应用一定的数学方法，将遥感图像中不同波段的灰度值进行各种组合运算，计算反映矿物及植被的常用比率和指数。

对比图4-21和图4-22可看出指数计算后大部分地物不能显示，只有一少部分显示出来。

四、实验思考：

列举某一种增强方法都包括哪些算法，采用不同算法操作后增强效果的具体差异在哪里？

（可附图并用定性语言表达）

图4-23卷积增强前图像图4-24边缘检测图像

图4-25水平增强图像图4-26垂直增强图像

ERDASIMAGINE所提供的卷积算子分为3*3、5*5和7*7三组，每组又包括EdgeDetect、EdgeEnhance、LowPass、HighPass、Horizontal、Vertical/Summary等多种不同的处理方式。

选取了5*5EdgeDetect、5*5Horizontal、5*5Vertical三种增强处理方法，处理结果分别如图4-24、图4-25、图4-26。

对比四幅图可看出，边缘检测处理后图像各个方向增强效果基本相同，水平增强处理后图像在水平方向具有明显的纹理，垂直增强处理后图像在垂直方向具有明显的纹理。

五、实验思考：

植被指数都有哪些计算方式？

如何理解植被指数图？

植被指数计算方式分为差值运算和比值运算，两幅同样行、列数的图像，对应象元的亮度值相减就是差值运算；

两幅同样行、列数的图像，对应象元的亮度值相除（除数不为0）就是比值运算。

植被指数图可以检测波段的斜率信息并加以扩展，以突出不同波段间地物光谱的差异，提高对比度。

植被指数运算常用于突出遥感影像中的植被特征、提取植被类别或估算植被生物量，另外该运算对于去除地形影响也非常有效。

该实验中有的图像增强处理文件坐标类型为Map，有的则为File，主要区别是Map是有投影的坐标,单位是米，而File则是数据文件的坐标,如600X600的影像文件的第0行第0列的坐标是（0,0）,而第600行第600列的坐标就是（600,600），单位是像素。

很多实验中都需要选中“统计忽略零值”一项，若没有选中该项，则会产生以下影响：

影响统计，如最小值，方差，平均值，直方图等；

在做影像的颜色增强处理时有影响，如做标准拉伸、线性拉伸等涉及到影像统计的操作时；

影响处理速度；

会在一定程度上增大文件的大小。

本实验也对2004spot做了图像增强实验，但由于缺少部分部分文件，故未对2004spot图像做分辨率融合以及直方图匹配增强，另外由于篇幅有限，未将2004spot增强处理后图像列举出来。

实验五遥感影像的镶嵌

通过上机操作，掌握遥感图象镶嵌处理的过程和方法。

遥感图象镶嵌处理是要将具有地理参考的若干相邻图像合并成一幅图像或一组图像，需要镶嵌的输入图像必须具有地图投影信息，也就是必须经过几何校正，此外必须具有相同的波段数。

在进行图像镶嵌时，需要确定一幅参考图像，参考图像将作为输出镶嵌图像的基准，决定镶嵌图像的对比度匹配，以及输出图像的地图投影、象元大小和数据类型。

具体镶嵌处理时，首先需要确定参考图像，然后对重叠区做平滑处理，接着调整左右色差。

调整左右色差的方法包括在重叠区内取平均值、最大值与最小值。

三、实验结果讨论：

附镶嵌后图。

镶嵌分类的目的是什么？

有哪些方法可以进行镶嵌时的影像匹配工作？

图5-1镶嵌前图像1图5-2镶嵌前图像2

图5-3直方图匹配镶嵌图图5-4颜色均衡镶嵌图

图5-5最小叠加镶嵌图图5-6最大叠加镶嵌图

比较上述镶嵌后四幅图可以看出：

直方图匹配镶嵌结果较好，颜色均衡镶嵌后两幅图颜色有一定差别，最小叠加法和最大叠加法的主要不同之处在于前者拼接处颜色稍微变暗。

实验六遥感图像分类---监督分类

理解计算机图像分类的基本原理以及监督分类的过程，达到能熟练地对遥感图像进行监督分类的目的。

遥感图像计算机分类的依据是遥感图像像素的相似度。

相似度是两类模式之间的相似程度。

在遥感图像分类过程中，常使用距离和相关系数来衡量相似度。

遥感图像的计算机分类方法包括监督分类和非监督分类。

监督分类方法首先需要从研究区域选取有代表性的训练场地作为样本。

根据已知训练区提供的样本，通过选择特征参数（如像素亮度均值、方差等），建立判别函数，据此对数字图像待分像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。

这种方法称为监督分类。

监督分类包括利用训练区样本建立判别函数的“学习”过程和把待分像元代入判别函数进行判别过程。

监督分类中常用的具体分类方法包括：

（1）最小距离分类法，最小距离分类法原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。

（2）多级切割分类法，多级分割法分类便于直观理解如何分割特征空间，以及待分类像素如何与分类类别相对应。

（3）特征曲线窗口法，特征曲线窗口法可以根据不同特征进行分类，如利用标准地物光谱曲线的位置（nm）、反射峰或谷的宽度和峰值的高度作为分类的识别点，给定误差容许范围，分别对每个像素进行分类；

或者利用每一类地物的各个特征参数上、下限值构造一个窗口，判别某个待分像元是否落入该窗口，只要检查该像元各特征参数值是否落入到相应窗口之内。

特征曲线窗口法分类的效果取决于特征参数的选择和窗口大小。

各特征参数窗口大小的选择可以不同，它要根据地物在各特征参数空间里的分布情况而定。

（4）最大似然比分类法，最大似然比分类法（maximumlikelihoodclassifier）是经常使用的监督分类方法之一，它是通过求出每个像素对于各类别归属概率，把该像素分到归属概率最大的类别中去的方法。

最大似然比分类法在多类别分类时，常采用统计学方法建立起一个判别函数集，然后根据这个判别函数集计算各待分像元的归属概率。

这里，归属概率是指：

对于待分像元x，它从属于分类类别k的（后验）概率。

附分类模板图。

选择分类模板时有哪些注意事项？

在原始图像和特征空间中选择模板有什么不同？

选择分类模板时的注意事项：

（1）分类应从下往上，即每一地类应先细分为若干小类，然后再依需要自下而上合并成大类。

（2）每一类的训练区文件aoi与特征文件sig应该一一对应，即每一类对应的训练区和特征文件都应该保存为一个单独的文件，以方便在调整训练区的时候进行修改。

（3）精度检验后若精度不符合要求，需要重新调整训练区，再次分类，直到精度满足要求为止。

四、实验结果讨论：

附监督分类图。

监督分类的难点在哪里？

与目视解译工作有什么联系？

分类时的误差主要出在哪些方面？

图6-２监督分类图

监督分类的难点在分类模版的选取；

与目视解译工作的联系：

对遥感影像的理解,在抓住地物的不同特征的基础上对监督分类的结果进行修正；

分类时的误差主要出在：

水田和林地；

实验七遥感图像分类---非监督分类

进一步理解计算机图像分类的基本原理以及监督分类的过程，达到能熟练地对遥感图像进行监督分类的目的，同时深刻理解监督分类与非监督分类的区别。

二、实验原理

非监督分类是在没有先验类别（训练场地）作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（将相似度大的像元归为一类）的方法。

非监督分类的前提是假定遥感影像上同类物体在同样条件下具有相同的光谱信息特征。

非监督分类方法不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱信息（或纹理信息）进行特征提取的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地属性进行确认。

非监督分类主要采用聚类分析方法，聚类是把一组像素按照相似性归成若干类别，即“物以类聚”。

它的目的是使得属于同一类别的像素之间的距离尽可能的小而不同类别上的像素间的距离尽可能的大。

常用的方法有：

（1）分级集群法（HierarchicalClustering）

分级集群法采用“距离”评价各样本（每个像元）在空间分布的相似程度，把它们分布分割或者合并成不同的集群。

每个集群的地理意义需要根据地面调查或者与已知类型的数据比较后方可确定。

（2）动态聚类法

在初始状态给出图像粗糙的分类，然后基于一定原