ENVI遥感图像的几何校正.docx

ENVI遥感图像的几何校正.docx

《ENVI遥感图像的几何校正.docx》由会员分享，可在线阅读，更多相关《ENVI遥感图像的几何校正.docx（20页珍藏版）》请在冰豆网上搜索。

ENVI遥感图像的几何校正

遥感图像的几何校正

1.实验目的与任务：

（1）了解几何校正的原理；

（2）学习使用ENVI软件进行几何校正；

2.实验设备与数据：

设备：

遥感图像处理系统ENVI

数据：

TM数据

3几何校正的过程：

注意：

几何校正一种是影像对影像，一种是影像对地图，下面介绍的是影像对影像的配准或几何校正。

1.打开参考影像（base）和待校正影像：

分别打开，即在display#1,display#2中打开；

2．在主菜单上选择map->Registration->selectGCPs：

imagetoimage

3 .出现窗口ImagetoImageRegistration，分别在两边选中DISPLAY1（左）,和DISPLAY2（右）。

BASE图像指参考图像而warp则指待校正影像。

选择OK!

4. 现在就可以加点了：

将两边的影像十字线焦点对准到自己认为是同一地物的地方，就可以选择ADDPOINT添加点了。

（PS：

看不清出别忘记放大）如果要放弃该点选择右下脚的deletelastpoint，或者点showpoint弹出imagetoimagegcplist窗口，从中选择你要删除的点，也可以进行其他很多操作，自己慢慢研究，呵呵。

选好4个点后就可以预测：

把十字叉放在参考影像某个地物，点选predict则待校正影像就会自动跳转到与参考影像相对应的位置，而后再进行适当的调整并选点。

5.选点结束后，首先把点保存了：

groundcontrolpoints->file->savegcpasASCII..

当然你没有选完点也可以保存，下次就直接启用就可以：

groundcontrolpoints->file->restoregcpsfromASCII...

6.接下来就是进行校正了：

在groundcontrolpoints.对话框中选择：

options->warpfile（asimagetomap）

在出现的imputwarpimage中选中你要校正的影像，点ok进入registrationparameters对话框：

首先点changeproj按钮，选择坐标系

然后更改象素的大小，如果本身就是你所需要大小则不用改了

最后选择重采样方法（resampling）,一般都是选择双线性的（bilinear），最后的最后选择保存路径就OK了

遥感图像的监督分类

1实验的目的和任务

1）理解遥感图像计算机分类的原理和方法；

2）掌握监督分类的步骤和方法。

2.实验设备与数据：

设备：

遥感图像处理系统ENVI

数据：

ENVI自带的数据

3实验内容：

遥感图像监督分类。

监督分类（SupervisedClassification）用于在数据集中根据用户定义的训练样本类别（TrainingClasses）聚类像元。

训练样本类别是像元的集合或者单一波谱，通常的训练区采用ROI来选择，而且应该尽可能的选择纯净的感兴趣区域。

具体的操作参考以下图和步骤：

1）类别定义/特征判别

  根据分类目的影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。

这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。

本例是以ENVI自带Landsattm5数据Can_tmr.img为数据源，类别分为：

林地草地/灌木耕地裸地沙地其他六类。

2）样本选择

  为了建立分类函数，需要对每一类别选取一定数目的样本，在ENVI中是通过感兴趣区（ROIs）来确定，也可以将矢量文件转化为ROIs文件来获得，或者利用终端像元收集器（EndmemberCollection）获得。

本例中使用ROIs方法，打开分类图像，在Display->Overlay->RegionofInterest，默认ROIs为多边形，按照默认设置在影像上定义训练样本。

如图18所示，设置好颜色和类别名称（支持中文名称）。

在ROIs面板中，选择Option->ComputeROISeparability,计算样本的可分离性。

如图19所示，表示各个样本类型之间的可分离性，用Jeffries-Matusita,TransformedDivergence参数表示，这两个参数的值在0~2.0之间，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，需要重新选择样本；小于1，考虑将两类样本合成一类样本。

训练样本的选择

样本可分离性计算报表

3）分类器选择

  根据分类的复杂度精度需求等确定哪一种分类器。

目前监督分类可分为基于传统统计分析学的，包括平行六面体最小距离马氏距离最大似然，基于神经网络的，基于模式识别，包括支持向量机模糊分类等，针对高光谱有波谱角（SAM），光谱信息散度，二进制编码。

4）影像分类

  基于传统统计分析的分类方法参数设置比较简单，这里选择支持向量机分类方法。

主菜单下选择Classification>Supervised>SupportVectorMachine。

按照默认设置参数输出分类结果，如图21所示。

支持向量机分类器参数设置

支持向量机分类结果

5）分类后处理

   分类后处理包括的很多的过程，都是些可选项，包括更改类别颜色分类统计分析小斑点处理（类后处理）栅矢转换等操作。

（1）更改类别颜色

  可以在InteractiveClassTool面板中，选择Option->Editclasscolors/names更改，也可以在Display->ColorMapping->ClassColorMapping。

如下图所示，直接可以在对应的类别中修改颜色。

    也可以根据一个显示的RGB影像来自动分配类别颜色，打开主菜单->Classification->PostClassification->AssignClassColors。

类别颜色的更改

类别颜色更改后的效果

自动颜色更改的效果图

（2）分类统计分析

  主菜单->Classification->PostClassification->ClassStatistics。

如图11所示，包括基本统计：

类别的像元数最大最小值平均值等，直方图，协方差等信息。

分类结果统计

（3）小斑点处理（类后处理）

  运用遥感影像分类结果中，不可避免地会产生一些面积很小的图斑。

无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除和重新分类，目前常用的方法有Majority/Minority分析聚类（clump）和过滤（Sieve）。

这些工具都可以在主菜单->Classification->PostClassification中找到。

Majority/Minority分析和聚类（clump）是将周围的“小斑点”合并到大类当中，过滤（Sieve）是将不符合的“小斑点”直接剔除。

  如下图为Majority分析的结果。

类后处理结果图

Majority/Minority分析

聚类（clump）

过滤（Sieve）

4）栅矢转换

  打开主菜单->Classification->PostClassification->ClassificationtoVector，可以将分类后得到的结果转化为矢量格式，或者主菜单->Vector->RastertoVector，在选择输出参数时候，可以选择特定的类别，也可以把类别单独输出为矢量文件或者一个矢量文件.

栅矢转换面板