遥感实验报告 - 地信 - 图文

遥感技术实验报告

实验一：图像几何较正

姓名： 付昌昌 班级： 地信21301 学号： 201300142 指导教师： 邓帆老师

长江大学 地球科学学院

2016

一、实验目的

掌握遥感图像几何纠正的主要过程与原理。

二、实验数据与内容

1、扫描地形图的几何校正 2、Landsat影像的几何校正

三、实验步骤

1、扫描地形图的几何校正

第一步：打开并显示图像文件，点击File>Open Image File,将taian-drg.tif文件打开，并显示出来，如图1所示。

图1 显示图像

第二步：启动几何校正模块

（1）点击Map>Registration>Select GCPs: Image to Map,弹出Image to Map Registration 对话框，选择坐标系，如图2所示。

图2 选择投影坐标系

（2）添加若干个控制点，如图3，4所示。

图3 添加控制点

图4 控制点列表

（3）在Ground Control Poionts Selection 上，点击菜单options>Warp File,选择校正的文件taian-drg.tif.点击OK。

（4）在校正参数面板中，校正的方法选择多项式（2次），重采样选择Bilinear,Background选择0，指定输出文件名和路径，即可输出校正之后的文件，如图5所示。

图5 设置校正参数

2、Landsat5影像几何校正

第一步：打开并显示SPOT和TM图像文件 第二步：启动几何校正模块

（1）点击主菜单下的Map>Registration>Select GCPS:image to image,打开几何校正模块。

（2）选择显示SPOT文件的Display为基准影像，显示TM文件的Display为待校正影像，点击OK进入采集控制点，如图6所示。

图6 设置基准影像和待校正影像

第三步：采集地面控制点

（1）在两个Display中找到相同的区域，在zoom窗口中。点击左下角的十字光标，打开定位十字光标，将十字光标定位到相同的点上，再点击Add Point按钮，将点加到控制点列表中。

（2）当加入的控制点足够多时，可以利用自动找点功能。点击菜单栏上的Options>Automatically Generate Points, 选择band5，点击OK，设置面板相关参数即可，如图7所示。

图7 设置自动找点参数设置面板

第四步：选择增强的波段，如图2所示。

图2 选择增强波段

第五步：点击Quick Apply 按钮，即可显示增强后的波段。 2、遥感影像反差增强

对于图像的拉伸分为：线性拉伸、分段线性拉伸、直方图均衡化拉伸、平方根拉伸、自定义拉伸和直方图匹配等。

（1）线性拉伸

第一步：在交互式直方图拉伸操作对话框中点击菜单项Stretch_Type,

选择Linear，如图3所示。

图3 选择线性拉伸类型

第二步：点击菜单项Options下的Auto Apply,打开自动应用功能，如

图4所示。

图 4 打开自动应用功能

第三步：设置拉伸范围，使用鼠标左键，移动输入直方图中的白色垂直线到所需要的位置。 （2）分段线性拉伸

第一步：在交互式直方图拉伸操作对话框中点击菜单项Stretch_Type,选择Piecewise Linear。设置方法与线性拉伸方法类似。

第二步：打开自动应用功能。

第三步：点击鼠标中键，为转换函数增加结点，需要拉伸的地方，转换函数的斜率大于1，需要压缩的地方，转换函数小于1； （3）高斯拉伸

第一步：在交互式直方图拉伸操作对话框中点击菜单项Stretch_Type,选择Gaussian。

第二步：打开自动应用功能。

第三步：确定拉伸范围，设置高斯标准差，如图5所示。

图5 高斯拉伸

（4）直方图均衡化拉伸

第一步：在交互式直方图拉伸操作对话框中点击菜单项Stretch_Type,选择Equalization。

第二步：打开自动应用功能。 第三步：确定拉伸范围。 （5）平方根拉伸

第一步：在交互式直方图拉伸操作对话框中点击菜单项Stretch_Type,选择Square Root。

第二步：打开自动应用功能。 第三步：确定拉伸范围。 (6)自定义拉伸和直方图匹配

第一步：在交互式直方图拉伸操作对话框中点击菜单项Stretch_Type,选择Arbitrary。

第二步：打开自动应用功能。 第三步：确定拉伸范围。

第四步：在Output Histogram中绘制直方图

四、实验结论与收获

这次做的是图形的增强处理，主要包括对比度增强和空间滤波；通过这次上机让我对遥感图像的处理有了更加深入地了解，在没有学习遥感课程之前，一直以为遥感的工作很简单，以为图像从传感器上获取就能用，其实不然，由于大气、传感器的姿态等因素的影响，肯定会产生误差，所以在地面需要人为地对图像进行处理，包括预处理和图像增强等。通过这次上机，大致地掌握了图像增强的原理和方法，也进一步了解了专业软件ENVI。

遥感技术实验报告

实验三：图像融合

姓名： 付昌昌 班级： 地信21301 学号： 201300142 指导教师： 邓帆老师

长江大学 地球科学学院

2016

一、实验目的

理解多源遥感影像融合的基本原理，掌握多源遥感影像融合基本过程和方法。

二、实验数据与内容

实验数据：

SPOT4 的 10 米全色波段影像：bldr_sp.img Landsat5 TM 30m 多光谱影像：TM-30m.img QuickBird低分辨率影像：qb_boulder_msi.img QuickBird高分辨率影像：qb_boulder_pan.img 实验内容：

不同传感器图像的融合、相同传感器图像的融合

三、实验步骤

1、不同传感器图像的融合

第一步：打开实验提供的数据bldr_sp.img和TM-30m.img.

第二步：在 Toolbox 中，打开 / Image Sharpening /Gram-Schmidt Pan Sharpening，在文件选择 框 中 分 别 选 择TM-30m.img作 为 低 分 辨 率 影 像 （ Low Spatial ）和 bldr_sp.img 作为高分辨率影像（High Spatial），单击 OK。打开 Pan Sharpening Parameters 面板。

第三步：在 Pan Sharpening Parameters 面板中，选择传感器类型（Sensor）：Unknown，重采 样方法（Resampling）：Cubic Convolution，输出格式为：ENVI

第四步：选择输出路径及文件名，单击 OK 执行融合处理，如图1所示。

图1 输出结果

第五步：显示融合后的图像可以看出，多光谱影像分辨率被提高到了10米，如图2所示。

图2 融合之后的图像

2、相同传感器图像的融合

第一步：打开实验数据： qb_boulder_msi.img和qb_boulder_pan.img 第二步：在 Toolbox 中，打开 / Image Sharpening /Gram-Schmidt Pan Sharpening，在文件选择 框 中 分 别 选 择 qb_boulder_msi.img 作 为 低 分 辨 率 影 像（ Low Spatial ）和 qb_boulder_pan.img 作为高分辨率影像（High Spatial），单击 OK。打开 Pan Sharpening Parameters 面板。

第三步：在 Pan Sharpening Parameters 面板中，选择传感器类型（Sensor）：QuickBird，重采 样方法（Resampling）：Cubic Convolution，输出格式为：ENVI。

第四步：选择输出路径及文件名，单击 OK 执行融合处理，如图3所示。

图3 输出结果

第五步：显示融合结果，可以看到多光谱图像的分辨率提高到了 0.7 米，如图4所示。

图4 融合之后的图像

四、实验结论与收获

本次上机做的是图像融合，包括不同传感器图像的融合和相同传感器图像的融合。通过这次上机加深了对图像融合的理解，巩固了课本上学到的内容。遥感影像融合使得有多种色彩信息的影像与高分辨率的全色影像相融合，得到既有丰富的色彩信息，又具有较高分辨率的遥感影像。在实际操作中也存在有对于时间分辨率不同的影响进行融合，以提高影像的时间分辨率以及内容丰富度。这种方法极大地提高了遥感影像的质量，对于研究人员进行研究选取数据提供了极大的便利。

遥感技术实验报告

实验四：图像分类

姓名： 付昌昌 班级： 地信21301 学号： 201300142 指导教师： 邓帆老师

长江大学 地球科学学院

2016

一、实验目的

理解监督分类的基本原理，掌握监督分类的过程和方法。

二、实验数据与内容

实验数据Can_tmr.img。以R:TM Band 5,G:TM Band 4,B:TM Band 3波段组合显示。图像分类包括6个步骤：特征判别，样本选择，分类器选择，影像分类，分类后处理，结果验证。通过这6个步骤，学下ENVI中的监督分类分类过程。

三、实验步骤

第一步：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。通过目视可分辨六类地物：林地/灌木、耕地、裸地、沙地、其他六类。

第二步：样本选择

（1）在图层管理器中点击图层的右键，选择“New Region Of Interest”，打开面板，设置参数。

（2）设置参数ROI Name:林地，颜色设置为绿色，如图1所示。、

图1 新建一个感兴趣区

（3）默认ROIs绘制的类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或点击鼠标右键，即可完成一个多边形样本的选择。

（4）同样的方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上。

（5）这样就为林地选好了训练样本。

（6）绘制新的类型的样本时，在图像上右键选择New ROI，重复“林地”样本选择的方法，分别为草地/灌木、耕地、裸地、沙地、其他5类样本。

（7）选好的样本，如图2所示。

图2 选好的样本

（8）计算样本的可分离性。在Region of Interest Tool面板上，选择对应的属性，在Choose ROIs面板，将几类样本都打勾，点击OK。

（9）表示各个样本类型之间的可分离性，用参数表示，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，需要编辑样本或者重新选择样本，小于1，考虑样本合成一类样本，如图3所示。

图3 计算可分离性

（10）在图层管理器中，选择Region of interset，点击右键，保存为.xml 格式的样本文件。

第三步: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ENVI的监督分类包括基于传统的统计分析学的，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，基于模式识别的，包括支持向量机、模糊分类等，针对高光谱有波谱角，光谱信息散度，二进制编码。

第四步：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，在工具里分类中找到相应的分类方法。这里选择支持向量机分类法，在工具classification/Supervised Classification/Support Vector Machine Classification,选择待分类影像，点击OK，按照默认设置参数输出分类结果，如图4所示。

图4 分类结果

第五步：分类后处理

包括更改类别颜色、分类后统计、小斑块处理、栅矢转换等。 第六步：精度验证

对分类结果进行评价，确定分类的精度和可靠性。有两种方式用于精度验证:一是混淆矩阵，而是ROC曲线，比较常用的为混淆矩阵，ROC曲线可以用图形的方式表达分类精度，比较抽象。

真实参考源可以使用两种方式，一是标准的分类图，而是选择的感兴趣区。两种方式的选择都可以通过主菜单的分类中的相关属性来选择。

真实的感兴趣区验证样本的选择可以使高分辨率影像上选择，也可以使野外实地调查获取，原则是获取的类别参考源的真实性。由于没有更高分辨率的数据源，本例中就把TM影像当作是高分辨率影像，在上面进行目视解译得到真实参考源。

（1）在Data Manager中，分类样本上右键选择Close，将分类样本从软件中移除。

（2）直接利用ROI工具，跟分类样本选择的方法一样，即重复第二步，在TM图上选择6类验证样本，如图5、6所示。

图5

图6 混淆矩阵

上面的数据的几项评价指标说明，总体分类精度Overall Accuratey等于被正确分类的像元总体除以总像元数。Kappa系数它是通过把所有真实参考的像元总数乘以混淆矩阵对角线的和，再减去某一类中真实参考像元数与该类中被分类像元总数之和，在除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。错分误差、漏分误差、制图精度、用户精度等。

四、实验结论与收获

这次遥感上机实习做的是监督分类，通过这次实习，知道了监督分类的几个基本步骤，当然在操作的时候，我们自己也要十分注意操作方法。在选择样本的时候，我们应该选择那些比较清晰明显的样本，同时在选择了ROI的时候，我们要记得完成每个ROI的绘制，不然在后面会出现个别错误。分类完成之后，就会涉及到分类器的选择。监督分类中的样本选择和分类器的选择比较关键，在样本选择时，为了更加清楚的看清地区类型，可以适当的对图像做一些增强处理。分类器的选择需要根据数据源和影像的质量来选择，比如支持向量机对高分辨率、四个波段的影像效果比较好。而后面的影像分类的过程，分类后处理的过程相对来说容易一些。最后通过精度验证来比较一下你分类的精度。

上面的数据的几项评价指标说明，总体分类精度Overall Accuratey等于被正确分类的像元总体除以总像元数。Kappa系数它是通过把所有真实参考的像元总数乘以混淆矩阵对角线的和，再减去某一类中真实参考像元数与该类中被分类像元总数之和，在除以像元总数的平方减去某一类中真实参考像元总数与该类中被分类像元总数之积对所有类别求和的结果。错分误差、漏分误差、制图精度、用户精度等。

四、实验结论与收获

这次遥感上机实习做的是监督分类，通过这次实习，知道了监督分类的几个基本步骤，当然在操作的时候，我们自己也要十分注意操作方法。在选择样本的时候，我们应该选择那些比较清晰明显的样本，同时在选择了ROI的时候，我们要记得完成每个ROI的绘制，不然在后面会出现个别错误。分类完成之后，就会涉及到分类器的选择。监督分类中的样本选择和分类器的选择比较关键，在样本选择时，为了更加清楚的看清地区类型，可以适当的对图像做一些增强处理。分类器的选择需要根据数据源和影像的质量来选择，比如支持向量机对高分辨率、四个波段的影像效果比较好。而后面的影像分类的过程，分类后处理的过程相对来说容易一些。最后通过精度验证来比较一下你分类的精度。

本文来源：https://www.bwwdw.com/article/rl5r.html