ENVI软件学习实验报告文档格式.docx
《ENVI软件学习实验报告文档格式.docx》由会员分享,可在线阅读,更多相关《ENVI软件学习实验报告文档格式.docx(15页珍藏版)》请在冰豆网上搜索。
![ENVI软件学习实验报告文档格式.docx](https://file1.bdocx.com/fileroot1/2022-12/8/2dc0d1ac-5614-4749-8800-30b27010984d/2dc0d1ac-5614-4749-8800-30b27010984d1.gif)
3选择Map>
WarpfromGCPs,选择要被校正的图像,然后点击OK
4选择基准图像,如下图:
5选择保存路径,校正即可完成。
2.9、实验结果:
校正完成。
校正误差在
0.5以内,完成情况比较好。
2.10、讨论与分析:
配准的时候,选一个点就看下精度;
还有自己一定要清楚哪个是被校正的图像,哪个是参考图像。
随时注意误差,如果过大,应该马上重选;
一开始的四个点应该分布范围较广,最好是四个边的点,这样误差会减小。
用了配准中的Map>
imagetoimage.就看到在registration下拉框中的imagetomap,应该研究下这个校正的方法。
试了一下,暂时没成功,不太会做。
第三章镶嵌
3.1、报告人:
郭美辰
3.2、实验目的:
完成影像的镶嵌
3.3、实验原理:
当研究区超出单幅遥感图像所覆盖的范围时,通常需要将两幅或多福图像拼接起来,形成一幅或一系列覆盖全区的较大图像,这个过程即图像镶嵌。
3.4、实验时间:
1018-1023
3.5、实验流程
3.6、实验数据:
实验数据为多光谱数据和全色数据,多光谱数据空间分辨率为2米;
全色波段空间分辨率为0.5米。
3.7、使用软件:
3.8、步骤:
选择Map—Mosaicking—Georeferenced,打开MapBasedMosaic镶嵌界面。
Import—ImportFiles—选择要镶嵌的影像,定义镶嵌范围(行列号、影像拉框选择、地理坐标,引入其他文件范围等),键入镶嵌输出的维数(或尺寸),选择镶嵌所用的波段。
分别选择影像—右键点击—EditEntry:
对背景值、羽化值、匀光等进行设置。
所有参数设置完成以后—File—SaveTemplate:
生成临时效果影像,方便检查、调整。
生成最终结果:
File—Apply—确定输出象素大小、重采样方式、输出路径及文件名、背景值等—OK。
3.9、实验结果:
。
3.10、讨论与分析:
对每幅图都可以设置其背景,羽化值等,另外在做的过程中,要考虑用不用把fetheringdistance设置,有时候有可能会在镶嵌的时候,带一条边。
第四章融合
4.1、报告人:
郭美辰
4.2、实验目的:
将单一传感器的多波段信息或不同类别传感器所提供的信息加以综合,消除多传感器信息之间可能存在的冗余和矛盾,加以互补,改善遥感信息提取的及时性和可靠性,提高数据的使用效率。
4.3、实验原理:
遥感分波段分图像记录了地物波谱的微弱差异,显然充分利用地物在不同波段的差异,可以更有效地识别地物。
遥感影像融合是对不同空间分辨率遥感影像的融合处理,使处理后的遥感影像既具有较高的空间分辨率(高空间分辨率数据),同时又具有多光谱特征(较低分辨率数据),从而达到图像增强的目的。
4.4、实验时间:
1018-1023
4.5、实验流程
4.6、实验数据:
4.7、使用软件:
4.8、步骤:
一般来说,遥感影像的数据融合分为预处理和数据融合两步。
1、预处理:
主要包括遥感影像的几何纠正、大气订正、辐射校正及空间配准。
(1)几何纠正、大气订正及辐射校正的目的主要在于去处透视收缩、叠掩、阴影等地形因素以及卫星扰动、天气变化、大气散射等随机因素对成像结果一致性的影响;
•
(2)影像空间配准的目的在于消除由不同传感器得到的影像在拍摄角度、时相及分辨率等方面的差异。
2、数据融合
根据融合目的和融合层次智能地选择合适的融合算法,将空间配准的遥感影像数据(或提取的图像特征或模式识别的属性说明)进行有机合成,得到目标的更准确表示或估计。
对于各种算法所获得的融合遥感信息,有时还需要做进一步的处理,如“匹配处理”和“类型变换”等,以便得到目标的更准确表示或估计。
ENVI中融合的方法有很多种,典型的有HSV、PCT(主成分变换)、K-T(缨帽变换)、小波变换、HIS变换等。
4.8.1自动融合
主菜单中选择BasicTools-ResizeData(Spatial/Spectral),选择低分辨率图像(多光谱影像),单击OK。
在ResizeDataParameters对话框中Samples和Lines中直接输入高分辨率影像(全色波段影像)的大小值,使得两幅影像的大小完全一致,重采样的方法最近邻法,键入输出文件名。
如图1。
图1重采样
打开重采样之后的图像,在主菜单中选择Transform->
ImageSharpening->
HSV,选择重采样之后的图像,再选择全色波段作为高分辨输入图像,设置重采样方式,输出融合后的影像,如图2。
图2融合时影像
在两幅有相同地理坐标系统的情况下,该融合方法不需要在融合之前调整两幅图的分辨率一致,尺寸一致,ENVI会自动完成这一过程,输出图像的分辨率与高分辨率图像保持一致。
4.8.2手动融合
Transform->
ColorTransforms->
RGBtoHSV,然后选择重采样过的多光谱遥感影像作为输入的RGB影像,输入要输出的文件名,如图4-3,并显示变换后的影像。
RGBtoHSV,然后选择重采样过的多光谱遥感影像作为输入的RGB影像,输入要输出的文件名。
拉伸全色波段影像并代替HSV影像的亮度值波段。
从ENVI主菜单中选择BasicTools->
StretchData,选择全色波段文件,然后点击ok。
在弹出的DataStretching对话框的outputData部分中,在Min文本框中输入0,在Max中输入1。
并输入一个输出文件名,点击ok将全色波段数据拉伸为浮点型,范围在0到1之间。
在ENVI主菜单选择Transform->
HSVtoRGB,在弹出的HSVtoRGBParameters对话框中输入要输出的文件名,点击ok进行反变换,如图。
图3经过HSV变换后的图像
4.9、实验结果:
图4自动融合和手动融合对比图
4.10、讨论与分析:
一般来说,图像融合过程分为三个层次,即预处理、信息融合与应用层。
预处理就是进行几何校正,噪声消除及配准。
图像融合也分为三级,分别是像素级融合,特征级融合,决策级融合。
4、11其他方法
4.11.1PC波谱锐化
PCSpectralSharpening依次选择多光谱文件、高分辨率文件,设置重采样模式,生成图像,如图5。
4.11.2Gram-Schimidt波谱锐化
Gram-SchimidtSpectralSharpening依次选择多光谱文件、高分辨率文件,设置重采样模式,生成图像,如图5。
4.11.3Brovey
ColorNormalized(Brovey)依次选择多光谱文件、高分辨率文件,设置重采样模式,生成图像,如图5。
图5三种方法的融合图像
讨论与分析
HIS、brovey等方法容易使融合后的图像失真,而基于Gram-Schimidt算法的图像融合方法既能使融合后影像保真度比较好,而且计算又较为简单。
第五章分类
5.1、报告人:
5.2、实验目的:
分别用几种方法,完成图像分类。
5.3、实验原理:
将图像中每个像元根据其在不同波段的光谱亮度、空间结构特征或者其他信息,按照某种规则或者其他信息,按照某种规则或算法划分为不同的类型。
5.4、实验时间:
5.5、实验流程
5.6、实验数据:
融合数据
5.7、使用软件:
5.8、步骤:
ENVI实验步骤
非监督分类
Classification>
unsupervised>
IsoData,设置其参数,一步就可以对其分类,对其加个图例,分类结果如下:
监督分类
通过人工目视解译,判定大概分类的个数。
打开图像后,选择overlay>
ROI开始选择感兴趣区。
通过设置,可以设置每个类的颜色,名称。
如图所示:
选择完感兴趣区,option>
calculateROIseparability,计算感性趣的分离度,选择要查看的图像,出现对话框,选择要查看的感性趣区。
显示分离度图像
如图所示,分离度小于1.4的时候,视为分离度很小,可以将其合并。
在option>
mergeROI,出现如下对话框,选中,合并。
supervised>
maximumlikelihood.开始分类。
分类结果如下:
面向对象
Izoom中的,processing下拉菜单中的featureextraction中,进行面向对象的特征提取。
这样,相同的地物就被分割开来。
决策树分类
主菜单>
classification>
decisiontree>
buildnewdecisiontree
单击node1,在node1中,输入特定的函数名称,在expression中输入具体的运算过程。
点击OK,出现如下对话框。
在对话框中单击{ndvi},可以选择要分类的影像。
选择影像后,分别单击class1和class2,可以输入其名称,可以选择该类别的颜色。
如图:
选好后,可以单击某个class右键,选择addchilden,继续增加条件。
一般规则的制定如下:
Class1(朝北缓坡植被):
NDVI>
0.3,slope<
20,aspect<
90andaspect>
270
Class2(非朝北缓坡植被):
20,90<
=aspect<
=270
Class3(陡破植被):
0.3,slope>
=20
Class4(水体):
NDVI<
=0.3,0<
b4<
20
Class5(裸地):
=0.3,b4>
Class6(无数据区,背景):
=0.3,b4=0
该方法讨论与分析:
在expression中,输入的变量一定要加中括号。
如果做植被指数,选择的图像,一定要有近红外波段。
因为ndvi的指数是用(红外波段-近红外波段)/红外波段+近红外波段)算得的。
上述规则是一个普遍的比较流行的方法,可以参考使用分类。
b4是第4波段的灰度值.
5.9、实验结果:
5.10、讨论与分析:
趣区的时候,每一个类的选择,要多选区域,不同地方的同一地物都要有所选择,这样才会提高分类精度。
第六章图像增强
6.1、报告人:
6.2、实验目的:
进行图像增强,便于解译。
6.3、实验原理:
图像增强为了突出相关的专题信息,提高图像的视觉效果,使分析者能容易的识别图像内容,从图像中提取更有价值的定量化信息。
6.4、实验时间:
6.5、实验数据:
一幅多波段的遥感影像
6.6、使用软件:
Envi
6.7、步骤:
打开一幅彩色图像,选择Transform>
PrincipleComponents>
ForwardPCRotation
6.8、实验结果:
6.9、讨论与分析:
图像变换
主成分变换
最小噪声分离
颜色空间变换(HSV,HLS)
缨帽变换
图像拉伸
去相关,饱和度,彩色
直方图
生成特征值的分布图像,信息主要分布在前面的波段中,并且,特征值越大,它所涵盖的信息就越大。
看第一个波段的图像:
再看一下最后一个波段的图像:
(信息很少,大部分都是噪声了)
最后合成图像如下:
在主成分变换后,其实基本就可以目视解译了。
第七章图像三维可视化
7.1、报告人:
7.2、实验目的:
进行图像三维可视化,便于识图。
7.3、实验原理:
通过dem,使图像成立体状。
7.4、实验时间:
7.5、实验数据:
7.6、使用软件:
7.7、步骤:
加载两幅图像,其中一幅为必须dem影像,这样才能进行三维可视化。
在图像的菜单栏下tools>
3DSurfaceView,弹出的对话框中要导入一幅DEM影像。
选中那幅dem的影响。
在OK之后的对话框中可以对其属性,重采样的方法等进行编辑。
编辑后点击OK。
7.8、实验结果:
7.9、讨论与分析:
单击options>
surfacecontrols下,可以对其位置,表面的类型(纹理,特征等),dem的分布大小等进行设置。
changebackgrondcolor修改其背景颜色。
设置飞行,options>
motioncontrols下,可以选点,单击add,依次重复,多选几个点。
如下图所示:
然后单击playsequence,在file菜单下,可以选择savesequenceasMPEG,然后选择路径,生成一个录像。
第八章物质制图
8.1、报告人:
8.2、实验目的:
了解物质制图,知道如何应用。
8.3、实验原理:
通过一幅多波段的影像,构建多元光谱。
8.4、实验时间:
8.5、实验数据:
8.6、使用软件:
8.7、步骤:
打开一幅多光谱图像,构建多元多谱。
打开波谱库,spectral>
spectrallibraries>
spectrallibraryViewer,在如下对话框中选择中下方的open,再选择spectrallibrary波谱库。
8.8、实验结果:
在波谱库下的菜单下,选一个植被的波谱库,来据此划分植物类型。
打开后,点击OK。
出现的对话框中,可以依次选择想要分类的植被。
我选了五种,包括草地,杨树等。
选择好后,单击鼠标右键plotkey,感兴趣可以多选几种,可以改颜色。
现在即可对其进行分类,有几种方法,最常用的就是波谱角分类,在classification>
spectralanglemapper,对其进行分类。
在此对话框中,选择要分类的图像,即原始图像。
点击OK,出现一个新的对话框。
因为上述过程中,plot窗口是打开的,所以在对话框中,直接导入改窗口,在import>
fromplotwindows。
Selectall,把想分类的植被都选入其中,单击OK,出现如下对话框。
直接应用,apply,会出现对话框,可以分别用不同的方式对其显示。
在如下图示中,可以看出这幅图像基本上只有两种种类。
8.9、讨论与分析:
在上面endmembercollection对话框中,apply后,可以修改其最大波谱角,从而可以是分类有所改变。
第九章地物识别
了解地物识别的过程,增强解译图像的能力。
在菜单栏波谱沙漏工具spectral>
spectralhourglasswizard下,出现一个有详细说明的对话框,点击next,出现如下对话框。
在selectinputfile菜单下,选择原图。
在selectoutputrootname菜单下,选择要输出的路径,点击next,再点击next,会生产一幅最小特征分离的图。
点击loadMNFResulttoENVIDisplay,生成一幅图像,如下图所示。
点击loadanimationofMNFbands,会生产一种以动画的方式表现的波段信息。
点击next,选择其中的yes,next。
设置参数,其中反复迭代的指数可以小点,阈值根据需求而定,内存也可以自己定,大点就快些。
即可生成一幅像素纯净指数的汇总图。
再next,出现如下图幅。
点击右下方的start,可以观看类别的选取情况,如果不满意,可以自己调节。
如果满意,就点击retrieveendmembers。
当点击plotendmembers,会出现一幅特征曲线的光谱图。
点击next,出现对话框。
选择loadSAMclassresult,生成一幅自动识别地物类型的图像。
其中选择MTMF,可以对混合像元进行分类,知道其一个像元所占的百分比。
地物识别方法二:
步骤:
打开一幅多光谱图像,选择一种想要识别的地物,然后右键Zprofile(spectrum)显示其波谱曲线。
在spectral菜单下,SAMtargetfinderwithBandMax中,说明了一个操作的流程,点击next。
在selectinputfile下,选择要识别的地物所在的图像。
并且选择输出路径。
在导入的对话框中,可以选择import>
fromplotwindows,选中,next。
Next,设置背景值,在next,设置其最大光谱角,loadSAMruleimage,完成。
9.8、实验结果:
9.9、讨论与分析:
该方法适用于基于波谱库的目标地物的分类,当对植被类型不是很了解的时候,这样分类会很精确,比如树的具体类型等等。