《遥感技术》实验报告Word格式文档下载.docx
《《遥感技术》实验报告Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《《遥感技术》实验报告Word格式文档下载.docx（31页珍藏版）》请在冰豆网上搜索。
Utility—ImageDrape
3.显示菜单操作
文件显示顺序:
View—ArrengeLayers
显示比例:
View—Scale
显示变换操作:
View--Rotate/Flip/Stretch
4.矢量菜单操作
打开图像文件:
File—open—VectorLayer—SelectLayerToAdd
创建图形文件:
File—New—VectorLayer—CreataNewVectorLayer对话框
绘制图形要素
Vector—EnableEditing
Vector工具面板--点击placePoint图标
，在视窗中依据栅格图像绘制点。
--点击DrawLine图标
在视窗中依据栅格图像绘制线。
--点击CreatPolygon图标
，在视窗中依据图像绘制面。
保存矢量文件：
File—SaveTopLayer
三、实验结果及分析：
简述矢量功能在ERDAS中的意义。
矢量功能可以使研究区域的数据库更加完整化，从而支持感兴趣区域的选取以及在几个校正中也起到突出作用。
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
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。
TM影像是指美国陆地卫星4～5号专题制图仪（thematicmapper）所获取的多波段扫描影像。
有7个波段，其波谱范围：
TM-1为0.45～0.52微米，TM－2为0.52～0.60微米，TM－3为0.63～0.69微米，以上为可见光波段；
TM-4为0.76～0.90微米，为近红外波段；
TM-5为1.55～1.75微米，TM-7为2.08～2.35微米，为中红外波段；
TM-6为10.40～12.50微米，为热红外波段。
影像空间分辨率除热红外波段为120米外，其余均为30米。
TM影像具较高空间分辨率、波谱分辨率、极为丰富的信息量和较高定位精度，能满足有关农、林、水、土、地质、地理、测绘、区域规划、环境监测等专题分析和编制1∶10万或更大比例尺专题图，修测中小比例尺地图的要求。
SPOT影像光谱响应范围，全色波段为0.51～0.73微米；
多波段分别为0.50～0.59微米（绿）、0.61～0.68微米（红）和0.79～0.89微米（近红外）。
空间分辨率方面，全色波段为10米，多波段为20米。
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，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。
裁剪前
裁剪后
AOI裁剪坐标裁剪
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
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？
波段1为蓝波段，波段2为绿波段，波段3为红波段段，波段4为近红外波段，波段5为中红外波段。
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，则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。
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，应用十分的广泛，而被称为标准假彩色。
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，符合过去常规片的目视判读习惯。
5、4、3波段分别赋予红、绿、蓝色，则获得近似自然彩色合成图像，适合于非遥感应用专业人员使用。
321波段组合图432波段组合图
453波段组合图像543波段组合图像
实验三遥感图像的几何校正
通过操作，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。
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。
（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化的原因）
zhzh2005cbers参考图像
2004spot几何校正前图像
2004spot几何校正后图像
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。
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？
几何校正时应根据多项式的阶数，选取足够数量的控制点，各阶多项式所需控制点的数量，除满足最少要求的控制点外，一般还要额外选取一定数量的控制点，以使用最小二乘平差求出的较为合理的多项式系数。
最少控制点数计算公式为（t+1）（t+2）/2,其中t为次方数。
地面控制点一般选择在校正图像和标准图像都比较容易识别的同名地物点，如道路交叉点，路标等，切地面控制点选择尽力要覆盖地图的整个区域，分布均匀，而不能够成线性。
选取的方法为1固定的地形交叉点。
2对角线选取—棋盘方式加密—蛇形加密。
实验四遥感图像的增强处理
通过操作，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。
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）
卷积增强前图像卷积增强后图像
自适应滤波处理前图像自适应滤波处理后图像
高分辨率图像多光谱图像
分辨率融合后图像
锐化增强处理前图像锐化增强处理后图像
直方图均衡化前图像直方图均衡化后图像
直方图匹配前图像直方图匹配后图像
主成分变换前图像主成分变换后图像
缨帽变换前图像缨帽变换后图像
色彩变换前图像色彩变换后图像
指数计算前图像指数计算后图像
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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里？
（可附图并用定性语言表达）
ERDASIMAGINE所提供了多种卷积算子，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3*3EdgeDetect、3*3EdgeEnhance、3*3LowPass、3*3HighPass、3*3、Horizontal、3*3Vertical六种增强处理方法，对比六幅图可看出，边缘检测处理后图像各个方向增强效果基本相同，边缘增强处理后图像的边缘部分得到增强，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。
EdgeDetectEdgeEnhance
LowPassHighPass
HorizontalVertical
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？
1、归一化植被指数（NDVI）
2、增强型植被指数（EVI）
3、高光谱归一化植被指数（Hyp_NDVI）
4、比值植被指数（RatioVegetationIndex——RVI）该植被指数能够充分表现植被在红光和近红外波段反射率的差异，能增强植被与土壤背景之间的辐射差异。
但是对大气状况很敏感，而且当植被覆盖小于50%时，它的分辨能力显著下降。
差值植被指数（DifferenceVegetationIndex——DVI）该植被指数对土壤背景的变化极为敏感，有利于对植被生态环境的监测，因此又被称为环境植被指数（EVI）。
5、土壤调整植被指数（Soil-AdjustedVegetationIndex——SAVI）
6、修正土壤调整植被指数（ModifiedSoil-AdjustedVegetationIndex——MSAVI）
7、差值环境植被指数（DVIEVI）目的是解释背景的光学特征变化并修正NDVI对土壤背景的敏感。
8、绿度植被指数（GVI）
9、垂直植被指数（PVI）
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。
实验五遥感影像的镶嵌
一、实验目的
通过操作，掌握遥感图象镶嵌处理的过程和方法。
二、实验原理
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，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。
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？
镶嵌分类是将多种遥感平台，多时相遥感数据之间以及遥感数据与非遥感数据之间的信息组合匹配的技术。
镶嵌分类可以发挥不同遥感数据源的优势,弥补某种遥感数据的不足,提高遥感数据的应用性;
还有利于综合分析和深入理解遥感数据。
常用的图像镶嵌分类方法有：
基于控制点的匹配方式、基于矩阵的配准方式、基于边缘的配准方式、基于相似性判据最优化的方式。
其中颜色校正的方法有ExcludeAreas、UseImageDodging、UseColorBalancing、UseHistogramMatching，内插的方法有NearestNeighbor、BilinearInterpolation、CubicConvolution、BicubicSpline。
不同传感器遥感信息的复合方法有彩色合成法、代换法。
不同时相遥感数据的复合方法有彩色合成法、差值法、比值法。
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：
最小距离分类法,多级切割分类法,特征曲线窗口法,最大似然比分类法。
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？
在选择分类模板时要注意以下几点：
分类模板所包含的样本在种类上要与待分区域的类别一致：
准确性；
样本应在各类地物面积较大的中心选取，而不应在地物混交地区和类别的边缘选取，以保证特征具有典型性，从而能进行准确的分类：
代表性；
样本数目应能提供各类足够的信息和克服各种偶然因素的影响：
统计性。
另外所选择的样本应满足下列要求：
样本像元应具有代表性，避免集中局部；
对N个波段进行分类，样本量不少于10n个像元，到达100n个像元更好。
具有良好的统计性。
在原图像上应用AOI区域产生分类模板是参数型模板，而在特征空间图像上应用AOI工具产生分类模板则属于非参数型模板。
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？
监督分类基于先验知识，根据训练场地提供的样本选择特征参数，建立判别函数，对待分类点进行分类。
训练场地的选择是监督分类的关键，在监督分类中训练样本的不同，分类结果会出现极大地差异，因此应选取有代表性的样本，用于监督分类的训练样本应是光谱特征比较均匀的地区，在图像中根据均已的颜色估计只有一类地物，且一类的训练样本可以选取一块以。
此外，训练样本的数目至少能满足建立分类用判别函数的要求，对于光谱特征变化比较大的地物，训练样本要足够多，以反映其变化范围。
监督分类要求在分类之前要对遥感图像上某些抽样区中影像地物的类别属性已有了先验的知识，这些先验知识通常是通过实地的抽样调查，配合人工目视判读技术来获得的。
分类误差主要是由于主观性以及图像中间类别的光谱差异，使得训练样本没有很好的代表性；
分类模板的选择极为重要，若分来模板选择不够精确，则容易造成较大的误差。
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：
分级集群法，动态聚类法。
附非监督分类图。
监督分类与非监督分类的原理与上机操作时的区别？
你更喜欢哪种分类方法，为什么？
监督分类和非监督分类的根本区别点在于是否利用训练场地来获取先验的类别知识，监督分类根据训练场提供的样本选择特征参数、建立判别函数，对待分类点进行分类。
非监督分类不需要更多的先验知识，它根据地物的光谱统计特性进行分类。
因此，非监督分类方法简单，且分类具有一定的精度。
非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭据遥感影像地物的光谱特征的分布规律，随其自然地进行“盲目”地分类；
其分类地结果，只是对不同类别达到了区分，但并不确定类别的属性；
其类属是通过事后对各类地物光谱响应曲线进行分析，以及与实地调查数据相比较后确定地。
监督分类是根据应用目的和区域，有选择的决定分类类别，避免出现一些不必要的类别；
可以控制训练样本的选择；
可以通过检查训练样本来决定训练样本是否被精确分类，从而避免分类中的严重错误；
避免了非监督分类中对光谱集群的重新归类。
。
但监督分类具有主观性，同时由于由于图像中间类别的光谱差异，使得训练样本没有很好的代表性；
训练样本的获取和评估花费较多人力时间；
只能识别训练中定义的类别。
非监督分类是假定遥感图像上同类物体在同样条件下具有相同的光谱信息特征，不必对影像地物获取先验知识，主要采用聚类分析方法，目的是使得同一类像元之间的距离尽可能小，而不同类别上的像元间距离尽可能大。
我更倾向于监督分类，在操作中，监督分类的精度高，结果更加准确，与真实地物对应效果更好，在有先验知识的前提下，用监督分类可以得到更理想的分类效果，如果没有先验知识，则会选择非监督分类，工作量小，方法简单，但分类结果不太理想，地物分布与真实情况相差比较大。
在实际操作中，应根据情况，选择合适的分类方法。
假如直接利用非监督分类效果不好时，你认为非监督分类的作用还有哪些？
直接利用非监督分类效果不好时，可以用监督分类与非监督分类相结合的方法来对影像进行分来：
首先用监督分类方法将遥感图像概略地划分为几个大类，再利用非监督分类方法对第一步已分出的各个大类进行细分，直到满足要求为止。
监督分类与非监督分类结合大方法弥补了单一分类方法对影像进行分类的不足，为影像分类开辟了广阔的前景。
升级会员 