基于ENVI软件的遥感信息处理Word文档格式.docx
《基于ENVI软件的遥感信息处理Word文档格式.docx》由会员分享，可在线阅读，更多相关《基于ENVI软件的遥感信息处理Word文档格式.docx（26页珍藏版）》请在冰豆网上搜索。
0.862
4
0.1087
0.2174
0.2900
0.2900
5
0.0348
0.0696
0.0925
0.4090
6
0.0313
0.0625
0.0830
0.3900
7
0.0299
0.0597
0.0795
0.3320
8
0.0209
0.0417
0.0556
0.2450
9
0.10159
0.0318
0.0424
0.2650
●辐射亮度转为表观反射率
RTOA=（pi*Lrad*d2）/（ESUNi*COS（z））
d=（1-0.01672*COS（RADLANS（0.9856*（JulianDay-4））））
RTOA-----表观反射率；
Pi-----3.14159；
d-----日地距离；
z-----太阳天顶角（z=90-太阳高度角）；
JulianDay-----成像日期；
ESUNi-----第i个波段的增益（表1-2所示）；
Aster数据各个波段增益（表1-2）
Smith：
ESUNi
Thomeetal（A）:
B1
1845.99
1847
1848
B2
1555.74
1553
1549
B3N
1119.47
1118
1114
B4
231.25
232.5
225.4
B5
79.81
80.32
86.63
B6
74.99
74.92
81.85
B7
68.66
69.20
74.85
B8
59.74
59.82
66.49
B9
56.92
57.32
59.85
3.数据来源
本次实验所使用数据为2001年宜昌地区遥感影像，该数据为Aster1-9波段，30米分辨率，投影为WGS-84，UL纬度为30.82418333，UL经度为111.21726944。
4.实现过程
（1）打开并显示影像文件，选择合适的波段组合加载影像
打开并显示aster影像文件，从envi主菜单中，选择File——OpenImageFile选择yichang2001aster_打开，选择band3，band2，band1进行组合加载显示。
（2）使用BandMath对原始数据各个波段进行计算，实现DN值转为辐射亮度
envi主菜单选择BasicTools——BandMath——Enteranexpression，输入表达式，即将各个波段的DN值转为辐射亮度的公式依次输入并作用于各个相应的波段，选择File——SaveFileAs——ENVIStandard（注意调整波段顺序），输出数据即为将DN值转换为辐射亮度后的影像。
（3）使用BandMath对原始数据各个波段进行计算，实现DN值转为表观反射率
envi主菜单选择BasicTools——BandMath——Enteranexpression，输入表达式，即将各个波段的DN值转为表观反射率的公式依次输入并作用于各个相应的波段，选择File——SaveFileAs——ENVIStandard（注意调整波段顺序），输出数据即为将DN值转换为表观反射率后的影像。
二、地图投影的转换
把UTM投影影像转换成高斯－克吕格投影和阿尔勃斯投影的影像；
任选五个坐标点对，做高斯—克吕格投影的正反算，并与ENVI软件比较计算精度。
Albers投影，又名“正轴等积割圆锥投影”，圆锥投影的一种。
它是假想一个圆锥面与地球椭球旋转轴重合的套在椭球上，按等积条件把地球椭球上的经纬线投影到圆锥面上，然后沿一条母线将圆锥面切开展成平面。
Albers投影的参数：
参考椭球体KRASOVSKY，X轴偏量0.0000000000，Y轴偏量0.0000000000，第一标准纬线：
25°
0′0″N，第二标准纬线：
47°
0′0″N，中央经线：
105°
0′0″E，00.000/*起始经线，坐标原点：
0°
0′0″，半球参数：
Krasovskya=6378245.0000b=6356863.0188。
高斯—克吕格投影是一种等角横轴切椭圆柱投影。
它是假设一个椭圆柱面与地球椭球体面横切于某一条经线上，按照等角条件将中央经线东、西各3°
或1.5°
经线范围内的经纬线投影到椭圆柱面上，然后将椭圆柱面展开成平面而成的。
该投影，将中央经线投影为直线，其长度没有变形，与球面实际长度相等，其余经线为向极点收敛的弧线，距中央经线愈远，变形愈大。
赤道线投影后是直线，但有长度变形。
除赤道外的其余纬线，投影后为凸向赤道的曲线，并以赤道为对称轴。
经线和纬线投影后仍然保持正交。
UTM投影是横轴等角割椭圆柱投影。
椭圆柱割地球于南纬80度、北纬84度两条等高圈，投影后两条相割的经线上没有变形，而中央经线上长度比0.9996。
UTM投影分带方法与高斯-克吕格投影相似，将北纬84度至南纬80度之间按经度分为60个带,每带6度.从西经180度起算。
高斯—克吕格投影正算公式：
对于克氏椭球：
，
分别为高斯平面纵坐标与横坐标；
为子午线弧长；
，称作第二偏心率；
，称作极曲率半径；
为中央子午线经度。
（注意：
算出的横坐标
应加上500公里，再在前冠以带号，才是常见的横坐标形式。
）
高斯—克吕格投影反算公式：
其中：
为底点纬度，以度为单位；
；
其余符号同正算公式，只是以底点纬度代替大地纬度。
本次实验所使用数据为envi软件自带影像，该数据为LandSatTM1-5，7波段，30米分辨率，投影为NAD-27，UL纬度为44.28246944，UL经度为-107.82238611。
打开并显示LandSatTM影像文件，从envi主菜单中，选择File——OpenImageFile选择bhtmref.img打开，选择band4，band3，band2进行组合加载显示。
（2）将UTM投影转换为高斯—克吕格投影和Albers投影
envi主菜单中选择Map——ConvertMapProjection，进入ConvertMapProjectionParameters面板。
选择ChangeProjection，进入CustomizedMapProjettionDefinition面板，然后新建一个高斯—克吕格投影，输入ProjectionName，选择ProjectionType、ProjectionEllipsoid，输入Falseeasting、Falsenorthing、Latitudeofprojectionorigin、Longtitudeofcentralmeridian、Scalefactor，具体参数值如下图所示。
同样在CustomizedMapProjettionDefinition面板上，也可新建一个Albers投影，从而将UTM投影转换为Albers投影，需要注意的是Albers投影Falseeasting、Falsenorthing、Latitudeofprojectionorigin、Longtituofcentralmeridian以及Latitudeofstandaraparallels这些参数与高斯—克吕格投影的异同，具体参数值如下图所示。
（3）输出投影转换结果。
左图：
UTM投影→高斯—克吕格投影；
右图：
UTM投影→Albers投影；
（4）在高斯—克吕格投影影像任选五个坐标点对（表2-1），利用高斯—克吕格投影正算公式计算出NewX，NewY坐标（表2-2），对X与NewX，Y与NewY进行比较，计算它们之间的误差大小（表2-3），其中所有计算过程由MATLAB软件完成。
高斯—克吕格投影影像采样的坐标点对（表2-1）
Lat（纬度）
Lon（经度）
X
Y
44.2310916700
-107.7474333300
4903259.0529000
280489.89610000
44.2456971200
-107.7353391300
4904849.7695000
281510.29670000
44.2383228700
-107.7387539300
4904039.4234000
281210.17930000
44.2179071400
-107.7565837300
4901818.4739000
279709.59460000
44.2401393100
-107.7418437000
4904249.5127000
280970.08650000
高斯—克吕格投影正算公式计算的采样坐标点对（2-2）
NewX
NewY
4903259.08422804
280489.77237522
4904849.80003793
281510.17675012
4904039.45453654
281210.05754471
4901818.50507534
279709.46793029
4904249.54401855
280969.96486468
高斯—克吕格投影正算公式与envi软件精度比较（表2-3）
NewX-X
NewY-Y
0.0313280402
-0.1237247800
0.0305379294
-0.1199498800
0.0311365407
-0.1217552900
0.0311753405
-0.1266697100
0.0313185500
-0.1216353200
（5）同样在高斯—克吕格投影影像任选五个坐标点对（表2-1），利用高斯—克吕格投影正算公式计算出NewLat，NewLon坐标（表2-4），对Lat与NewLat，Lon与NewLon进行比较，计算它们之间的误差大小（表2-5），其中所有计算过程也由MATLAB软件完成。
高斯—克吕格投影反算公式计算的采样坐标点对（2-4）
NewLat
NewLon
4903259.052900
44.2314314800
-107.7474153100
4904849.769500
281510.29670000
44.2460371900
-107.7353211800
4904039.423400
281210.17930000
44.2386632400
-107.7387359800
4901818.473900
279709.59460000
44.2182474300
-107.7565656900
4904249.512700
44.2404793000
-107.7418257100
高斯—克吕格投影反算公式与envi软件精度比较（表2-5）
NewLat-Lat
NewLon-Lon
0.0003398100
0.0000180200
0.0003400700
0.0000179500
0.0003403700
0.0003402900
0.0000180400
0.0003399900
0.0000179900
三、监督分类
使用学习样本和验证样本两套数据，对遥感影像分别采用最小距离法、最大似然法、神经网络法进行监督分类，并对混淆矩阵，总体分类精度，Kappa系数等进行分析，最后对各分类结果制图。
监督分类：
又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。
它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中图像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判断函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类，使每个像元和训练样本作比较，按不同的规则将其划分到与其最相似的样本类，以此完成对整个图像的分类。
最小距离分类法：
最小距离法是一种基于距离准则的监督分类方法。
最小距离分类首先要根据各已知类别的训练区计算各个类别中心的距离，即类别的均值向量，然后对一个待分类样本（像元）计算其到各个已知类别中心的距离，与哪一类的距离最小，就将该样本判归该类。
对一个n个特征，k个类别的分类，设各个类别的均值向量为Mi（i=1,2,……，k）,待分类像元用X表示，则最小距离法用下述判别函数对像元进行分类：
i=1,2,……，k。
若
，则
，其中：
T表示转置；
是模式向量X的第j维分量；
是第i类别均值向量
的第j维分量。
最大似然分类法：
在两类或多类判决中，用统计方法根据最大似然比贝叶斯判决准则法建立非线性判别函数集，假定各类分布函数为正态分布，并选择训练区，计算各待分类样区的归属概率，而进行分类的一种图像分类方法。
又称为贝叶斯（Bayes）分类法，是根据Bayes准则对遥感影像进行分类的，亦称基于最小错误概率的Bayes分类法。
贝叶斯定理：
假设B1,B2…互斥且构成一个完全事件，A伴随它们出现，已知它们分别发生的先验概率P（Bi）,i=1,2,…及A的条件概率P（A|Bi），则可以得到事件A的后验概率P（Bi|A）。
由概率乘法公式：
P（AB）=P（A）*P（B|A）=P（B）*P（A|B），可导出贝叶斯定理公式：
。
设有s个类别，用ω1、ω2、…、ωs来表示，每个类别发生的概率（先验概率）分别为P（ω1）、P（ω2）、…、P（ωs）；
设有未知类别的样本X，其类条件概率分别为P（X|ω1）、P（X|ω2）、…、P（X|ωs）；
则根据贝叶斯定理可以得到样本X出现的后验概率为：
，此时，以样本X出现的后验概率作为判别函数来确定样本X的所属类别，其分类准则为：
如果
通过简化，可以得到直接的分类准则：
这样，就可以通过观测样本X，把先验概率P（ωi）转化为后验概率P（ωi|X），并以后验概率最大的原则确定样本X的所属类别。
人工神经网络分类法：
首先通过已知类别样本对网络进行训练，获得正确的连接权值，即学习过程；
然后在该组权值下对未知样本进行预测识别。
学习功能是神经网络的最重要特点，神经网络的学习是要通过训练样本确定网络中的各权值
，以保证样本的正确分类或识别。
以前馈神经网络为例，其学习算法可表达为对权值的修正：
，其中
是对从输入神经元
到输出神经元
的连接权值的修正量；
是控制学习速度的系数。
前馈神经网络的一个著名学习算法是反向传播算法（BP）,主要思想是从后向前（反向）逐层传播传输层的误差，以间接算出隐层误差并调整权值。
算法分为两个阶段：
第一阶段（正向过程）输入信息从输入层经隐层逐层计算各单元的输出值；
第二阶段（反向传播过程）输出误差逐层向后计算出隐层各单元的误差，并用此误差修正前层权值。
正向计算：
定义误差函数（均方误差）：
为输出层的计算值，
为训练样本的实际值。
显然，误差E是各权值的函数，因此正确的权值应是使E极小化的权值。
算法原理是在误差曲面中寻找最小值。
本次实验所使用数据为2001年宜昌地区影像，该数据为Aster1-9波段，30米分辨率，投影为WGS-84，UL纬度为30.82418333，UL经度为111.21726944。
（1）打开并显示aster影像文件，从envi主菜单中，选择File——OpenImageFile选择yichang2001aster_打开，选择band3，band2，band1进行组合加载显示。
（2）在mapinfo软件中，使用SQL查询语句获取宜昌市主城区数据并将该数据在mapinfo中转出并保存为.MIF格式的矢量数据。
Envi主菜单下选择Vecto——OpenVectorFile——Query.MIF——LoadSelected，最终将其加载至envi的display窗口。
（3）Envi主菜单——BasicTools——RegionOfInterest---RIOTool，对不同的地物分别进行采样。
（4）Envi主菜单——BasicTools——Masking——BuildMask，进入MaskDefinition面板，选择Options——ImportEVFs，选中Query.MIF文件做掩膜，输出结果如下图所示。
（5）在Envi主菜单——Classification---Supervised——MinnimumDistance（最小距离分类法），进入ClassificationInputFile面板，需要注意的是点击SelectMaskBand按钮，选择上一步输出的掩膜文件，然后进行分类。
（6）在envi主菜单——Classification——PostClassification——ConfusionMatrix——UsingGroundTrut——ROIS，出现ClassificationInputFile面板，选择上一步分类后的数据结果，进入MatchClassesParamters，将验证样本点与训练样本点同类别进行配对。
（7）使用最小距离分类法对宜昌市主城区遥感影像分类获得的OverallAccuracy=（388/401）96.7581%，KappaCoefficient=0.9603，而混淆矩阵如下表（表3-1）所示。
最小距离法分类混淆矩阵（表3-1）
ClassUnclassified
GroundTruth（Pixels）
植被
黄柏河
居民点
裸地
长江上游
长江下游
Total
79
黄柏河
60
64
居民点
39
36
38
长江上游
81
长江下游
93
100
43
95
401
（8）使用最小距离法分类后的遥感影像制图输出如下图所示。
（9）在Envi主菜单——Classification——Supervised——MaxinumLikehood（最大似然分类法），后续操作步骤同最小距离法分类法，使用最大似然分类法对宜昌市主城区遥感影像分类获得的OverallAccuracy=（401/401）100.0000%，KappaCoefficient=1.0000，而混淆矩阵如下表所示。
最大似然法分类混淆矩阵（表3-2）
（10）使用最大似然法分类后的遥感影像制图输出如下图所示。
（11）在Envi主菜单---Classification---Supervised---NeuralNet（神经网络法），使用神经网络分类法对宜昌市主城区遥感影像分类获得的OverallAccuracy=（400/401）99.7506%KappaCoefficient=0.9970，而混淆矩阵如下表（表3-3）所示。
最大似然法分类混淆矩
升级会员 