中国地质大学遥感图像处理上机实习报告.docx
《中国地质大学遥感图像处理上机实习报告.docx》由会员分享，可在线阅读，更多相关《中国地质大学遥感图像处理上机实习报告.docx（21页珍藏版）》请在冰点文库上搜索。
中国地质大学遥感图像处理上机实习报告
遥感图像处理课程实习报告
学生姓名：
王蜀越
班学号：
学号：
指导教师：
王红平、许凯
中国地质大学信息工程学院
2017年7月1日
实习一：
影像融合
1.1【实习目的】
1.掌握遥感影像融合的基本原理、内容和要点；
2.掌握在ENVI中遥感影像融合的操作方法、步骤；
3.进一步熟悉ENVI软件的操作。
1.2【实习步骤】
（1）实习流程图：
（2）参数设置及中间结果：
无
1.3【实习过程】
（1）影像融合的内容
图像融合（ImageFusion）是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等，最大限度的提取各自信道中的有利信息，最后综合成高质量的图像，以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率，利于监测。
高效的图像融合方法可以根据需要综合处理多源通道的信息，从而有效地提高了图像信息的利用率、系统对目标探测识别地可靠性及系统的自动化程度。
其目的是将单一传感器的多波段信息或不同类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，以增强影像中信息透明度，改善解译的精度、可靠性以及使用率，以形成对目标的清晰、完整、准确的信息描述。
（2）图像融合过程
（3）几种常见的融合算法
IHS融合算法
在计算机内定量处理色彩时，通常采用RGB表色系统，但在视觉上定性地描述色彩时，采用IHS显色系统更直观些。
IHS显色系统采用色调（Hue）、饱和度（Saturation）、亮度（Intensity）表示颜色。
IHS融合又称为“I分量替换法”，即用全色图像代替多光谱图像的I分量，并与其H和S分量相结合进行IHS逆变换获得融合图像。
IHS图像融合的基本步骤：
（1）对两幅图像进行几何配准，并将多光谱图像重采样与全色图像分辨率设置一致；
（2）对多光谱图像进行IHS变换，将图像变换之IHS空间；
（3）对全色图像和多光谱图像的I分量进行直方图匹配；
（4）用直方图配准后的全色图像代替多光谱图像的I分量；
（5）对I分量替换后的多光谱图像进行IHS逆变换至RGB空间，得到融合图像。
通过变换、替代、逆变换获得的融合图像既具有全色高分辨率的特点，又保持了多光谱图像的色调和饱和度。
虽然融合后图像清晰度提高了，但光谱信息损失严重，即产生颜色失真。
如果融合结果图像应用以光谱分析为主就不太适合选择该方法。
PCA变换法
PCA（PrincipalComponentAnalysis）变换又称为K-L变换（主成分变换）。
它是将N个波段的低分辨率图像进行KL变换，将单波段的高分辨率图像经过灰度拉伸，使灰度的均值与方差和KL变换第一分量图像一致；然后以拉伸过的高分辨率图像代替第一分量图像，经过KL逆变换到原空间。
PCA变化法的基本步骤：
（1）对多光谱图像进行主成分分析，用相关矩阵求特征值和特征性向量，然后求各主分量；
（2）将空间配准后的单波段高分辨率图像与第一主分量图像做直方图配准；
（3）用配准后的单波段高分辨率图像代替第一主分量；并将与其余主分量做逆变换得到融合图像。
PCA变换法最大的优点是可以应用任意数目的波段，克服了IHS变换只能用于三个波段的缺陷。
经过融合后的图像包括了两幅原始图像高空间分辨率和高光谱分辨率特征，保留了原图像的高频信息。
利用ENVI进行图像融合
ENVI中提供的融合方法有HSV变换和Brovey变换，这两种方法要求数据具有地理参考或者具有相同的尺寸，RGB输入波段必须为无符号8-bit数据或者从打开的彩色Display中选择。
图1ENVI提供的图像融合办法
本次实习我选择了Brovey变换和Gram-Schmidt变换
下面是使用Brovey变换操作过程：
1 选择File->open,打开‘TM-30m.img’和‘blrd_sp.img’文件。
2 选择Toolbox->ImageSharping->Gram-ColorNormalized（Brovery）,在SelectInputRGB中选择波段列表中的波段，我分别选择了TM-30m的123波段和321波段来做对比。
波段选择后点击OK。
3 在HighResolutionInputFile中选择blrd_sp.img文件
4 设置输出路径，点击OK。
图2Brovey变换
图3Brovey变换细节图
使用Gram-SchmidtPanSharping融合
1 选择File->open,打开‘TM-30m.img’和‘blrd_sp.img’文件。
2 选择Toolbox->ImageSharping->Gram-SchmidtPanSharping,LowSpatialResolution选择TM-30m,HighSpatialResolution选择blrd_sp.img。
3 设置‘PanSharpingParameters’面板，参数设为默认值，设置输出路径，点击‘OK’得到融合后图像。
图4SchmidtPanSharping变换
实习二：
几何校正
2
3
3.1【实习内容】
1）巩固影像几何校正的基本原理。
2）熟练掌握影像几何校正处理流程和操作步骤。
3）掌握几何校正精度评估原理和方法。
3.2【实习步骤】
（1）实习流程图：
（2）数据
待校正影像
3.3【实习过程】
（1）几何校正的内容
遥感成像的时候，由于飞行器的姿态、高度、速度以及地球自转等因素的影响，造成图相对于地面目标发生几何畸变，这种畸变表现为像元相对于地面目标的实际位置发生挤压、扭曲、拉伸和偏移等，针对几何畸变进行的误差校正就叫几何校正。
遥感影像图的几何校正目前有3种方案，即系统校正、利用控制点校正以及混合校正。
遥感数据接收后，首先由接收部门进行校正，这种校正叫系统校正（又叫几何粗校正），即把遥感传感器的校准数据、传感器的位置、卫星姿态等测量值代人理论校正公式进行几何畸变校正；而用户拿到这种产品后，由于使用目的不同或投影及比例尺不同，仍旧需要做进一步的几何校正，这就需要对其进行几何精校正即利用地面控制点GCP（GroundContro-Point）对因其他因素引起的遥感图像几何畸变进行纠正。
混合校正则是由一般地面站提供的遥感CCT已经完成了第一阶段的几何粗校正，用户所要完成的仅仅是对图像做进一步的几何精校正。
（2）几何校正的过程
误差太大
（3）利用ENVI进行几何校正
本次实习采取的是ENVI里面的imagetoimage的方式进行几何校正。
1 打开并显示图像文件
打开ENVI软件，将几何校正前与几何校正后的两幅图通过不同的窗口显示出来。
#1为几何校正前的图像，#2为几何校正后的图像。
可将图像通过linkdisplay简单地连接起来。
2 启动几何校正模块
点击工具栏中Map，找到registration，选择selectGCPs:
ImagetoImage。
在弹出的对话框中选择display#2作为baseimage，也就是基准图像，而display#1作为warpimage待校正的图像。
选好后点击OK，进入采集地面控制点。
图5选择参考图像和待校正图像
3 采集地面控制点
在两个Display中移动方框位置，寻找明显的地物特征点作为输入GCP；
图6采取控制点
在groundcontrolpointsselection上，单击addpoint按钮，将当前找到的点收集；
图7选取控制点
用同样的方法继续寻找其余的点，当选择控制点的数量达到3时，RMS被自动计算。
Groundcontrolpointsselection上的predict按钮可用来在基准图像显示窗口上面定位一个特征点，单击predict按钮，校正图像显示窗口上会自动预测区域，适当调整一下位置，单击addpoint按钮，将当前找到的点收集。
随着控制点数量的增多，预测的的精度越来越精确。
选择option里的autopredict，打开自动预测功能，这是在基准图像显示窗口上面定位一个特征点时，校正图像显示窗口上会自动预测；
当选择一定数量的控制点之后（至少3个），可利用自动找点功能；
在groundcontrolpointsselection上，选择options里的automaticallygeneratepoints，选择一个匹配波段，单击OK；
在automatictiepointmethodparameter对话框中，选择可将tie点的数量（numberoftiepoints）设为60；其他默认参数，点击OK；
选择groundcontrolpointsselection中的showlist按钮，可看到方才选取的所有控制点的相关信息列表；
图8检查GCP精度
可通过选择列表中option里的orderpointbyerror由高到低排列RMS值来查看选择点的信息。
对于RMS过高的点，可以将其直接删除，或是通过在zoom窗口中进行选择点位置的微调来使RMS值降低；
4 校正结果的输出
在groundcontrolpointsselection中选择option里的warpfile（asimageto map），选择校正文件（TM文件）；
在校正参数对话框中，默认投影参数和像元大小与基准图像一致，投影参数不变，点击OK；
图9几何校正后的影像
图10校正前和校正后
实习三：
影像分类
（一）
4
4.1【实习内容】
1）巩固监督分类的基本原理；
2）熟练掌握监督分类的流程和操作步骤；
3）掌握监督分类的影像统计方法。
4.2【实习步骤】
4.3【实习过程】
（1）监督分类内容
监督分类（supervisedclassification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。
即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。
要求训练区域具有典型性和代表性。
判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。
（2）监督分类的过程
选择训练样本
计算判别函数
分类后处理
精度评定
特征判别
（3）用ENVI进行监督分类
ENVI提供了多种监督分类的算法：
平行六面体法、最大似然法、最小距离法、马氏距离法等。
本次实习采用了最大似然法，步骤如下：
1 选取roi：
在影像窗口选择overlay->regionofinterest...->在弹出的窗口中选择zoom，在zoom窗口中绘制roi；
2 检查roi：
在ROITool窗口中选择option->computerROISeparability...->选择“裸土+水田”文件->选择所有的ROI进行可分离度计算，点击OK；
图11-1选择roi
图11-2所选roi属性
图12计算可分离度
3 如果可分离度大于1.8，则认为roi选取合格，否则需要重新选择roi。
将选择好的roi保存到指定路径。
4 选择Classification->supervised->maximuumlikelihood->选择待分类影像->选择所有的roi，设置参数，点击OK。
图13参数设置
5 修改错分区域：
在display窗口中选择overlay->classification->选择分类后的影像；
在InteractiveClassTool面板中，选择Edit>Mode:
PolygonAddtoClass
在InteractiveClassTool面板中，鼠标左键单击"Unclassified"前面的方型色块，让"Unclassified"类别处于激活状态；
选择一个编辑窗口：
Image，在Image窗口中绘制多边形，多边形以内的像元全部归于"Unclassified"一类；选择要合并的类并保存。
图14最大似然法分类后结果
6 影像统计：
选择Classification->PostClassification->classstatistics->选择分类后的图像和原始图像；
设置统计内容，勾选BasicState,Histograms以及Covariance,点击OK。
图15设置统计内容
图16分类信息直方图
实习四：
影像分类
（二）
5
5.1【实习内容】
1）巩固非监督分类的基本原理；
2）熟练掌握非监督分类的流程和操作步骤；
3）掌握非监督分类的精度评定方法。
5.2【实习步骤】
5.3【实习过程】
（1）非监督分类的内容
非监督分类是以不同影像地物在特征空间中类别特征的差别为依据的一种无先验（已知）类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法。
根据待分类样本特征参数的统计特征，建立决策规则来进行分类。
而不需事先知道类别特征。
把各样本的空间分布按其相似性分割或合并成一群集，每一群集代表的地物类别，需经实地调查或与已知类型的地物加以比较才能确定。
是模式识别的一种方法。
一般算法有：
回归分析、趋势分析、等混合距离法、集群分析、主成分分析和图形识别等。
（2）非监督分类的过程
选择分类器
设定参数
分类后处理
精度评定
（3）用ENVI进行非监督分类
ENVI提供了两种非监督分类的算法：
ISODATA和K-Measns。
本次实习我选择的是K-Measns分类，下面是具体步骤：
1 选择File->OpenImageFile,打开“裸土+水田.tif”
2 选择Classification->Unsupervised->K-Measns
3 选择“裸土+水田.tif”
图选择待分类文件
4 设置参数，最大迭代次数为10次，一般非监督分类的分类数量比最终分类数量多2到3倍为宜，这样有利于提高分类精度。
图参数设置
图分类后的影像
5 将分类后的图像对照原始图像再次进行合并类别：
打开Classcolortable，对应原始图像分别对各类命名；
选择Classification->PostClassification->CombineClassification->选择k-means分类后的图像；
选择合并类别，点击OK，设置输出路径。
图合并类别
图合并之后的图像
6 精度评定：
本次选择的是用混淆矩阵来做精度评定，由于没有标准分类的图像，只能采取ROI的方式进行精度评定。
选择Classification->PostClassification->ConfusionMatrix->UsingGroundTruthROI；
选择合并后的影像和ROI文件，如果各类名相同ENVI会自动匹配，如果不同则需要手动匹配。
匹配好后设置输出路径，点击OK。
图匹配ROI和分类结果
图混淆矩阵结果
心得与体会
本次实习中遇到不少问题，让我认识到了自己的不足。
一开始本来想用ENVI5.1来完成本次实习，但发现自己对ENVI5.1的工具箱并不熟悉，十分艰难的做完图像融合之后，还是选择了使用比较熟悉的ENVIClassic进行操作。
几何校正中遇到的最大的问题就是控制点的选取，最开始做的时候由于基准图像分辨率较低，在GCP的选取上有着较大的困难，从而导致选取的RMS值总是偏大。
在上网查了资料后发现控制点应该选择具有比较固定位置的地方，比如马路的交叉，屋顶等。
于是删除了之前选的河流入口处的点，选择了一些马路交叉处的点，这样整体的RMS值就下降了。
但是由于分辨率不够，个别的RMS值还是偏高。
监督分类中遇到的困难就是分类错误的类的处理。
一开始我的分类精度很低，在不断的查资料和尝试中发现是因为分类后没有对分类错误的类进行处理。
然后对着资料自己操作了一遍之后，将错误的分类删除或者合并到其他类里，最后我的精度也有所提高。
非监督分类最后的精度在70%左右，效果一般，由于没有高精度分类结果，导致影像精度不高的原因应该是用来评估的ROI的选取有问题，重新选择了一次ROI并根据可分离度对ROI进行了修改，分类精度有所提高，此外，非监督分类的精度也与参数值有关，迭代次数，合并类别都会影响到最后的精度。
本次实习也在不断的尝试中结束了，通过本次实习，我更加深入的了解了遥感图像处理的过程，加深了对于遥感图像处理的理解。
当然，在不断的尝试中，我更加的熟悉了遥感图像处理软件的操作，基本能独自完成遥感图像处理中的大部分过程。
对于遥感这个学科有了更进一步的理解和认识。
最后，对于本次实习中给予帮助的老师和同学们，表达我真挚的感谢！
升级会员 