ERDAS遥感图像基本处理傻瓜式步骤.docx
《ERDAS遥感图像基本处理傻瓜式步骤.docx》由会员分享,可在线阅读,更多相关《ERDAS遥感图像基本处理傻瓜式步骤.docx(11页珍藏版)》请在冰豆网上搜索。
![ERDAS遥感图像基本处理傻瓜式步骤.docx](https://file1.bdocx.com/fileroot1/2022-12/13/5572ce8a-aefc-42f0-af73-e90a5017e40e/5572ce8a-aefc-42f0-af73-e90a5017e40e1.gif)
ERDAS遥感图像基本处理傻瓜式步骤
[精]ERDAS遥感图像基本处理傻瓜式步骤
2008-03-3020:
06:
06本文已公布到博客频道校园·教育分类
1、图像导入
在erdas的Import/Export模块中,分别导入TM图像的第1、2、3、4、5、7波段,具体操作步骤为
①点击import模块,打开对话框
②选择type类型为TIFF
③media为file;
④然后选择输入、输出文件名路径和文件名
⑤分别对123457波段进行导入;
⑥在此之前可以选择session->preference,选择输入、输出主目录。
2、图像波段合成
在erdas的interpreter模块中将单波段影像进行合成,生成多波段文件,具体操作步骤为:
interpreter->utilities->layerstack,
①在出现的对话框中import框中依次选择需要合成的波段,每选择输入一个波段用Add添加一次;
② outputfile选择导出文件路径及命名文件。
③Datatype设为Unsigned8bit;
④Outputoption设置为Union,选中ignorezero stats;
⑤进行操作。
3、用shape文件进行图像切割
3.1Shape文件制作AOI文件:
① 在ERDAS中点击Import图标,出现Import/Export对话框
② 选中Imput,Type栏选择Shapefile,Media栏选择File,在InputFile(*.shp)中确定要转换的shape文件,在OutputFile(*.arcinfo)中确定输出路径及名称,单击OK按钮,出现ImportShapefile对话框,单击ImportShapefileNow。
③ 注意此步骤中输出路径及输出名称均为英文字母
④ 建立拓扑多边形
⑤ 在Arcgis中打开ArcToolbox,DataManagementTools—>Topology—>Build,双击Build,出现Build对话框,在Input中填入*.arcinfo文件的路径,Feature选择Poly
⑥ 单击OK按钮。
⑦ 在ERDAS中打开一个viewer窗口,打开arccoverage文件,新建一个aoi层(New—>AOILayer)
⑧ View—>ArrangeLayersViewer打开ArrangeLayersViewer对话框,在Vector图层上单击右键,选择ShowProperties,打开Properties对话框,选中Polygon,点击Apply按钮。
⑨ 在View窗口中打开AOI工具栏,先选中内部区域,再点击,产生aoi,选中该aoi,在aoi下拉菜单选择“CopySelectiontoAOI”,单击File—>Save—AOILayeras,保存为aoi文件。
OK!
3.2用AOI文件进行对遥感图像切割
在ERDAS图标面板工具条中单击DataPrep图标,Subset,打开Subset对话框。
在Subset对话框中需要设置下列参数:
⑩ 输入文件名称(InputFile)
?
输出文件名称(OutputFile)
?
单击AOI按钮确定裁剪范围
?
打开ChooseAOI对话框
?
在ChooseAOI对话框中确定AOI的来源为File(或Viewer)
?
如果选择了文件(File),刚进一步确定AOI文件;否则,直接进入下一步
?
输出数据类型(OutputDataType)为Unsigned8Bit,输出文件类型(OutputLayerType)为Themetic
?
输出象元波段(SelectLayers)为1:
6(表示选择1-6六个波段)
?
输出统计忽略零值,选中IgnoreZeroInOutputStats复选框
?
单击OK按钮
4、图像预览
在开始进行分类之前,需要先仔细查看合成后的图像,确定卫片所覆盖的地理区域及海拔范围,确定主要的地标性元素。
由于卫片原始数据的差异,同样的地表覆盖物斑块在不同时期的卫片中或不同地区的卫片中显示的颜色都可能不同,所以在预览中,还要熟悉整个范围内的地表覆盖类型和不同地物之间的变化。
①打开显示窗口,加载裁切后的6通道的图像(4,3,2)或者(4、5、3)、(7,4,2);
②把图像缩小至适合窗口,浏览图像,注意河流、城镇、植被、水体、土壤的分布;
③选择特定区域放大,查看各种不同的地表覆盖物类型的分布及色调变化;
根据经验,在4,3,2(RGB)的波段组合下,各种地表覆盖物类型的特点如下:
a.森林——森林显示出棕色、红色、褐色等一系列多变的色调。
在高海拔地区,成熟针叶林为很浓的棕色或暗红色;在中低海拔地区,森林的颜色多变,从棕色到红色到暗绿色都有,部分落叶林在冬季呈现出锈黄色;
b.灌丛和草甸——相对于临近的森林斑块,灌丛和草甸呈现出明亮许多的红色到浅红色。
在高海拔地区,大片的草地在夏季可能为浅红或锈红色,而冬季则呈现青绿色;
c.湖泊、河流——湖泊通常为边界清晰的黑色斑块,河流则显示为黑色或深蓝色。
在冬季,水面结冰或覆盖有雪则显示出不同深浅的紫红色;
d.城镇——很明显的比较亮的灰色或青灰色斑块,通常可见有规则的灰色线条(公路)穿过;
e.农田——颜色多变的绿色、灰色、淡紫色、浅红色斑块,通常沿河谷两侧不规则分布,在平原区则大片分布。
河道边的水田往往显示出富含水分的青灰色。
5、图像分类
5.1进行非监督分类
步骤:
第1步:
启动非监督分类
在ERDAS图标面板工具条中单击Classifier图标,打开Classification对话框,单击UnsupervisedClassification按钮,打开UnsupervisedClassification对话框
第2步:
进行非监督分类
在UnsupervisedClassification对话框中进行下列设置:
①确定输入文件(InputRasterFile)(要进行分类的文件);
② 确定输出文件(OutputFile)(产生的分类文件),文件名定为ppprrr_YYYYMMDD_123457_unsupervised_15.img;
③ 选择生成分类模板文件OutputSignatureSet,确定模板文件名称,命名同上;
④ 确定聚类参数(ClusteringOptions),需要确定初始聚类方法与分类数:
⑤ 默认选择InitializefromStatistics(按照图像的统计值产生自由聚类);
⑥ 确定初始分类(Numberofclasses)为15(分为15类);
⑦ 单击InitializingOptions按钮,打开FileStatisticsOptions对话框,设置一些统计参数,一般采用默认值;
⑧ 单击ColorSchemeOptions按钮,打开OutputColorSchemeOptions对话框,设置分类图像彩色属性,此处单击ApproximateTrueColor,采用RGB对应453波段合成。
⑨其它参数采用默认值。
⑩ 单击OK按钮(关闭UnsupervisedClassification对话框,执行非监督分类)。
5.2定义分类模板
(1)步骤:
Main->ImageClassification->Classification->SignatureEditor,打开分类模板编辑器。
在Viewer窗口下的Raster下打开Tools图标,选择多边形AOI绘制。
(2)定义模板原则
①必须在分类之前就知道研究区域的森林类型、覆盖范围以及图像的叠和现象,以保证输出分类的连续性。
②当创建训练区时,对于每一个类别都有一些子类,每个子类选择的AOI区域应该不少于5个,并且每个AOI区域内象素的颜色类型一致,跳跃不能很大,即不出现杂色。
5.3执行监督分类
① 依次选择:
Main->ImageClassification->Classification->SupervisedClassification,打开监督分类对话框。
② 输入原始文件
③ 定义输出文件
④ 确定分类模板文件
⑤ 选择输出分类距离文件为DistanceFile
⑥ 定义分类距离文件
⑦ 选择非参数规则(Non-ParametricRule)为FeatureSpace
⑧ 选择叠加规则(OverlayRule)为ParametricRule
⑨ 选择未分类规则(UnclassifiedRule)为ParametricRule
⑩ 选择参数规则为MaximumLikelihood(即最大似然法)
?
取消选中Classifyzeros复选框
?
OK执行监督分类。
5.4后期检查修正
打开两个viewer窗口,进行链接(选择link工具)。
并可以选择aoi的显示功能检查子类选择的正确性。
反复验证、修改模板。
5.5重新分类
重复以上步骤,重新分类,达到最佳分类结果
6、图像拼接
7、分类重编码
将分类结果图像进行分类重编码,减少分类数量。
判断每个分类的专题属性,对相近或类似的分类通过图像重编码进行合并,并定义分类名称和颜色。
① Main->ImageInterpreter->GISAnalysis->Recode
② 确定输入、输出文件;
③设置新的分类编码(SetupRecode),打开ThematicRecode表格,根据需要改变“NewValue”字段取值(直接输入);
④ 单击OK;
⑤ 单击OK
8、滤波
①ImageInterpreter|GISAnalysis...|Eliminate...;
②输入文件为“.._clp4.img”,输出文件为“..._elim25.img”;
③“Minimum”选择“25”;(因为象素分辨率为28.5M,25个象素接近于2公顷;这样最小图斑为2公顷)
④“Output”选择“8bit”
9.erdas配准步骤
配准步骤:
要求
1。
在viewer模块里打开你的正确得影像。
2。
点击dataprep模块,打开他下面得imagegeometriccorrection子模块,
3选择fromimagefile,选择你要配得图像,打开
4,在出现得setgeometricmodel里
选择第2个polyonial
5。
在下面得对话框里有个polynomialorder一般选2就可以
6,然后应用,在close那个对话框
7在下面得对话筐里,选第一个
8出现一个小的对话框,不用管他,点击你第一步打开得准确得图像界面,就可以配准了
9在你得准确图像里面点击一个点,然后转到你的需要配的图象里面找与他相似的点,点击,选够6个点后,在gcptool那个界面里面将出现误差参数,可以看你得点是不是准确。
这6个点是控制点,所以你选择时应该分散开,尽量在全图范围里找。
10。
然后选择其它点越多越好
11,如果你不想那样麻烦的找,你可以在任何一幅图像上点击鼠标右键,然后选择geo。
link/unlink选项,那样子的话,你只需要在一个图象里点点,机器自动给你在另一个里面找,
不过头六个点不会出现误差参数,从第七个点开始会出现误差参数,如果误差太大,你必须在修改。
12,在你配完后,在geocorrectiontools里面点击第3个图标就ok
13,如果你配准到中间要休息,需要保存gcptools对话框,
下次在匹配直接打开就行。
14。
配准完后得总误差也就是那个rms误差必须在0。
5个像元以里。
工作完毕,你的图就ok
======================================================================
另外:
如何利用Erdas的MakeModeler计算TM的最佳波段组合(其实用ENVI是很好作)
1。
先利用Erdas的spatialmodeler->makemodel计算出个波段之间的相关系数矩阵。
这一步的关键是要在矩阵输出时候选择输出到文件(即保存为扩展名为*.mtx的文件),根据你的遥感数据的实际波段数定制矩阵的维数,比如6*6矩阵将记录六个波段间的相关系数;
2。
收集各波段的相关信息。
对于OIF指数来说主要是每个波段的标准差(stadev),如果其它的算法还需要其它的信息,可以通过layerinfo分别记录;
3。
根据OIF指数的计算公式,计算OIF值。
这个过程可能有些麻烦,因为如果波段比较多的话,人工计算相当繁琐。
为此,我根据OIF指数的计算模型编制了一个简单的程序,用VB写的,计算非常方便快速,如果大家需要请给我发邮件。
go2happiness@,如果没有及时回复的话请不要生气,因为,每个人总还是有别的事要做啊。
如何在ENVI中求出相关系数矩阵
很简单地,在统计功能下面就能实现,注意要在对话框中把你需要的参数都要打勾选上
有最小值,最大值,直方图,相关系数,协方差等等
ENVI中,选择BasicTools>Statistics>ComputeStatistics
然后选择“CalculateCovarianceStatistics”复选框,通过选中“CovarianceImage”和/或“TextReport”复选框,选择你想把协方差、相关和特征向量矩阵输出到图像,或一个文本记录,还是输出到两者。
erdas中也可以实现:
modeler——modelmaker
Createarasterobject——Createafunctiondefinition——Createamatrixobject(矩阵选择output形式,意在把相关性存成一个矩阵)
双击raster,定义为你要处理的影像;
双击function,定义为CORRELATION(),用你选择的影像名字替代括号中的;
双击matrix,定义输出文件。
ENVI里的密度分割,二值化,灰度图像赋彩色分类等操作。
打开图像,在Image的Tool菜单下拉的Colormap二级菜单里有密度分割densityslice等,在此进行操作即可。
在erdas
===========
向以上资料提供的人员表示真诚感谢,这年头这些个基本步骤很多人需要,但是在论文里好像写上丢分一样,越是好的期刊越是回避这个操作步骤,甚至连处理方法也写一老堆连自己都不明白的数学公式滥竽充数凑高深,基本的处理软件和手段都要回避!
!
!
!
切边界步骤:
1.输入(import),将档案转成.ovr的格式,其设定项目如下:
type:
dxftoovr
1.利用DTM数据做坡度,坡向分析
Interpreter\TopographicAnalysis\ slope坡度分析 aspect坡向分析
2.更改,查询image影像数据:
Utility\Imageinfo\file\ editMapinfo\ editprojectioninfo\
3.将坡度,坡向分类后之imagine影像文件转成.asc Utility\pixeltotable\
media:
file
2.更改,查询image影像数据:
utility\annotationinfo\ file\open\叫出欲查询之.ovr檔 edit\add,changemapinfo,projection.更改网格大小及地图投影方式.
3.Utility\AnnotationtoRaster\将.ovr转成欲切边界之影像文件.img
4.切边界:
Interpreter\utility\mask\将未切边界之image影像与边界文件迭合切出试区范围.
(一)非监督分类:
Classifier\unsupervise\依光谱反射值分类,自动分成(cluster)若干类,依影像及实际所需决定分成几类.
(二)监督分类:
1.叫出影像
2.Classifier\signatureeditor
3.viewer\AOI,以AOI选取训练样区,选完在signatureeditor中的↓按一下,出现clss1,继续选取训练样区的工作,直至所有类别选完.
(三)取部分影像至OM迭图:
1.叫出影像open\raster
2.open\new\annotation\建立新的ovr檔.
3.annotationtools\选取欲切割的部分\save\存成.ovr的檔
4.Import(输入,输出格式转换)
输出(export)将.ovr转成.dxf
∙type:
ovrtodxf
∙media:
file
5.将不同土地利用分类,如森林,河流,裸露地,依次切割转出.
(四)土地利用分类
1.依不同土地利用切取影像,如沿河道大概范围选取,建立新的ovr,步骤同上,将ovr转成img,再利用非监督分类将影像分成二类以上,以便于辨识.
2.叫出分类后之影像,选pseudocolor,利用raster\attributeeditor\查看影像数据,再利用raster\rastereditor\重新分类(record)将影像分成0和1两类.
3.将不同的土地利用类型,重复1.2.两个步骤进行分类,如此可得较准确的土地利用分类.
4.进行迭图的工作,interpreter\utility\......将不同的土地利用类型一一套迭,得出的土地利用图可转成.gis,即可利用ArcView出图.