Erdas实习报告.docx
《Erdas实习报告.docx》由会员分享,可在线阅读,更多相关《Erdas实习报告.docx(38页珍藏版)》请在冰点文库上搜索。
![Erdas实习报告.docx](https://file1.bingdoc.com/fileroot1/2023-6/7/8d152a35-a4d0-4561-8e71-a4a0e266f0c2/8d152a35-a4d0-4561-8e71-a4a0e266f0c21.gif)
Erdas实习报告
ERDAS遥感影像处理
综合实习报告
一:
自定义坐标系(北京54、西安80、2000坐标系)
操作步骤:
1.1添加椭球体
修改文件为ellipse.txt,语法为<椭球体名称>,<长半轴>,<短半轴>。
这里的逗号为英文半角输入状态下的逗号,建议直接复制文件中已有的椭球体进行修改。
这里将下面三行加在ellipse.txt文件的末尾,保存关闭即可。
最终效果如下图所示。
•Krasovsky,6378245.0,6356863.0
•IAG-75,6378140.0,6356755.3
•CGCS2000,6378137.0,6356752.3
注:
ellipse.txt文件中已经有了克拉索夫斯基椭球,由于翻译原因,这里的英文名称是Krassovsky,为了让其他软件平台识别,这里新建一个Krasovsky椭球体。
1.2添加基准面
修改文件为datum.txt,语法为<基准面名称>,<椭球体名称>,<平移三参数>。
这里将下面三行添加在datum.txt文件末尾,保存关闭即可。
最终效果如下图所示。
•D_Beijing_1954,Krasovsky,-12,-113,-41
•D_Xian_1980,IAG-75,0,0,0
•D_China_2000,CGCS2000,0,0,0
1.3定义坐标系
操作步骤如下:
(1)打开ENVIClassic,选择Map>CustomizeMapProjection工具;
(2)在弹出的CustomizedMapProjectionDefinition对话框内填写如图所示参数,其中ProjectionName保持与ArcGIS中的名称一致;
(3)选择Projection>AddNewProjection…,保存投影坐标系;
(4)选择File>SaveProjections…,在弹出对话框中点击OK,将新建坐标系保存在map_proj.txt文件内,以便下次启动ENVI后依然可以使用。
2.使用自定义坐标系
定义投影步骤如下
(1)按照2.3节的步骤进行北京54坐标系的自定义;
(2)打开文件“…\数据\f49e011021.img”,在AvailableBandsList中右键点击文件列表下的MapInfo,选择EditMapInformation…;
(3)在弹出的EditMapInformation对话框中点击ChangeProj…按钮,选择新建好的北京54坐标系,点击OK。
ENVI将自动为f49e011021.img的头文件中添加MapInfo,识别结果如下图-右所示。
未能识别投影坐标系(左),定义坐标系后(右)
定义输入文件的投影坐标系
将北京54坐标系转换为2000坐标系的步骤
(1)按照2.3节的步骤定义2000坐标系,参数如下图所示。
自定义2000坐标系参数
(2)进行投影转换,选择Map>ConvertMapProjection工具,选择输入文件f49e011021.img(已经定义为北京54坐标系),点击OK;
(3)在弹出的ConvertMapProjectionParameters对话框中点击ChangeProj…按钮,选择新建的2000坐标系,点击OK;
(4)在ConvertMapProjectionParameters面板右侧修改转换参数(如下图所示),选择输出路径,点击OK即可。
(5)投影转换结果如图所示。
投影转换参数设置
投影转换结果
3.使用ArcGIS国内坐标系
国内坐标系
二:
图像裁剪
以TM影像为例,图像存放在“…\10.图像裁剪\数据”中。
(1)File>Open打开图像Beijing_TM.dat,按Linear2%拉伸显示。
(2)File>SaveAs,进入FileSelection面板,选择SpatialSubset选项,打开右侧裁剪区域选择功能。
(3)有多种方法确定裁剪区域:
●使用当前可视区域确定裁剪区域:
单击UseViewExtent,自动读取主窗口中显示的区域。
●通过文件确定裁剪区域:
可以选择一个矢量或者栅格等外部文件,自动读取外部文件的区域。
点击右下角SubsetByFile,单击Openfile按钮,选择矢量数据“矢量.shp”作为裁剪范围。
(4)可以看到裁剪区域信息,左侧SpectralSubset按钮还可以选择输出波段子集,这里默认不修改,单击OK。
(5)选择输出路径及文件名,单击OK,完成规则图像裁剪过程。
手动绘制裁剪区
(1)打开图像Beijing_TM.dat,按Linear2%拉伸显示。
(2)在LayerManager中选中Beijing_TM.dat文件,单击鼠标右键,选择NewRegionOfInterest,打开Regionofinterest(ROI)Tool面板。
(3)在Regionofinterest(ROI)Tool面板中点击按钮,在图像上绘制多边形,绘制大致为北京老皇城二环范围内的多边形,作为裁剪区域。
手动绘制的
(4)在Regionofinterest(ROI)Tool面板中,选择File->Saveas,保存绘制的多边形ROI,选择保存的路径和文件名。
(5)在Toolbox中,打开RegionsofInterest/SubsetDatafromROIs。
(6)在SelectInputFile对话框中,选择Beijing_TM.dat,打开SubsetDatafromROIsParameters面板。
(7)在SubsetDatafromROIsParameters面板中,设置以下参数:
●SelectInputROIs:
选择刚才生成的矢量文件roi1
●MaskpixelsoutputofROI?
:
Yes
●MaskBackgroundValue背景值:
0
(8)选择输出路径和文件名,单击OK执行图像裁剪。
外部矢量数据裁剪图像
(1)打开图像Beijing_TM.dat,按Linear2%拉伸显示。
(2)File->Open,打开“…\10.图像裁剪\数据\矢量数据”下的“矢量.shp”数据。
(3)在Toolbox中,打开RegionsofInterest/SubsetDatafromROIs。
SelectInputFile选择Beijing_TM.dat,点击OK,打开SubsetDatafromROIsParameters面板;
(4)在SubsetDatafromROIsParameters面板中,设置以下参数:
●SelectInputROIs:
选择EVF:
矢量.shp
●MaskpixelsoutputofROI?
:
Yes
●MaskBackgroundValue背景值:
0
(5)选择输出路径和文件名,单击OK执行图像裁剪。
裁剪结果如下
三:
图象镶嵌
(1)点击SeamlessMosaic面板左上方的绿色加号,添加需要镶嵌的影像数据
(2)在DataIgnoreValue列表中,可设置透明值,当重叠区区有背景值时候,可设置这个值
(3)勾选右上角的ShowPreview,可以预览镶嵌效果
匀色方法是直方图匹配(HistogramMatching)。
(1)在ColorCorrection选项中,勾选HistogramMatching,如图2.3所示:
(2)在main选项中,放在ColorMatchingAction上单击右键,设置参考(Reference)和校正(Adjust),根据预览效果确定参考图像
直方图均色匹配效果如下图:
接边线与羽化
(1)选择下拉菜单Seamlines>AutoGenerateSeamlines,自动绘制接边线,如下图所示,自动裁剪掉TM边缘“锯齿”
(2)自动生成的接边线比较规整,可以明显看到由于颜色不同而显露的接边线。
下拉菜单Seamlines>Starteditingseamlines,可以编辑接边线。
通过绘制多边形重新设置接边线,如下图为接边线编辑示意图
编辑之后的接边线
输出结果
(1)Export面板中,设置重采样方法Resamplingmethod:
CubicConvolution;
(2)设置背景值OutputbackgroundValue:
0;
(3)选择镶嵌结果的输出路径;
(4)单击Finish执行镶嵌。
图示
镶嵌结果:
四:
图象配准
第一步:
选择图像配准的文件
(1)打开01-b.img和02-b.img图像,在工具选择Portal工具,浏览两个数据叠加情况,发现有一定的偏差。
(2)在Toolbox中,打开/GeometricCorrection/Registration/ImageRegistrationWorkflow,启动自动配准的流程化工具,BaseImageFile选择基准影像01-b.img,WarpImageFile选择待配准影像02-b.img,点击Next。
第二步:
自动生成Tie点
(1)在TiePointsGeneration面板中,选择Main选项。
(2)SeedTiePoints选项:
1)点击ImportSeedTiePoints按钮,可以选择已有的Tie点文件。
2)种子点(即同名点)具有编号,在基准影像中用紫色标记,在待配准影像中用绿色标记;编号与TiePointsAttributeTable(点击ShowTable打开)中的POINT_ID相一致。
(3)Advanced选项:
在这个面板中,可以设置匹配波段、拟生成的Tie点数量、匹配和搜索窗口大小、匹配方法等。
第三步:
检查Tie点和待配准图像
(1)在ReviewandWarp面板中,TiePoints选项:
单击ShowTable,打开Tie点列表,可以对连接点进行编辑,最右列为误差值,右键选择Sortbyselectedcolumnreverse安装误差排序,可以直接删除误差较大的点
(2)Warping选项:
(3)勾选Preview,预览图像配准效果。
第四步:
输出图像配准的结果
2.2不同分辨率影像的图像配准
第一步:
选择图像配准的文件
第二步:
生成Tie点
第三步:
检查Tie点和待配准图像
第四步:
输出图像配准的结果
五:
图象融合
(1)选择File>Open,将SPOT4数据bldr_sp.img和LandsatTM数据TM-30m.img分别打开。
(2)在Toolbox中,打开/ImageSharpening/Gram-SchmidtPanSharpening,在文件选择框中分别选择qb_boulder_msi.img作为低分辨率影像(LowSpatial)和qb_boulder_pan.img作为高分辨率影像(HighSpatial),单击OK。
打开PanSharpeningParameters面板。
(3)在PanSharpeningParameters面板中,选择传感器类型(Sensor):
Unknown,重采样方法(Resampling):
CubicConvolution,输出格式为:
ENVI。
(4)选择输出路径及文件名,单击OK执行融合处理。
(5)显示融合结果,可以看到多光谱图像的分辨率提高到了10米。
相同传感器图像融合
(1)File>Open,打开影像文件qb_boulder_msi.img和qb_boulder_pan.img。
(2)在Toolbox中,打开/ImageSharpening/Gram-SchmidtPanSharpening,在文件选择框中分别选择qb_boulder_msi.img作为低分辨率影像(LowSpatial)和qb_boulder_pan.img作为高分辨率影像(HighSpatial),单击OK。
打开PanSharpeningParameters面板。
(3)在PanSharpeningParameters面板中,选择传感器类型(Sensor):
QuickBird,重采样方法(Resampling):
CubicConvolution,输出格式为:
ENVI。
(4)选择输出路径及文件名,单击OK执行融合处理。
(5)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。
六:
图象监督分类
第一步:
类别定义/特征判别
启动ENVI5.1,打开待分类数据:
can_tmr.img。
以R:
TMBand5,G:
TMBand4,B:
TMBand3波段组合显示。
第二步:
样本选择
(1)在图层管理器LayerManager中,can_tmr.img图层上右键,选择“NewRegionOfInterest”,打开RegionofInterest(ROI)Tool面板,下面学习利用选择样本。
2)默认ROIs绘制类型为多边形,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,双击鼠标左键或者点击鼠标右键,选择CompleteandAcceptPolygon,完成一个多边形样本的选择
(3)如下图为选好好的样本。
(4)计算样本的可分离性。
在RegionofInterest(ROI)Tool面板上,选择Option>ComputeROISeparability,在ChooseROIs面板,将几类样本都打勾,点击OK;
(5)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,需要编辑样本或者重新选择样本;小于1,考虑将两类样本合成一类样本。
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。
下面是几种分类器的简单描述。
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Toolbox/Classification/SupervisedClassification能找到相应的分类方法。
这里选择支持向量机分类方法。
在toolbox中选择/Classification/SupervisedClassification/SupportVectorMachineClassification,选择待分类影像,点击OK,
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,这部分专门有一节课讲解。
在此不做叙述。
第六步:
精度验证
(1)在DataManager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。
(3)在Toolbox中,选择/Classification/PostClassification/ConfusionMatrixUsingGroundTruthROIs,选择分类结果,软件会根据分类代码自动匹配,如不正确可以手动更改。
点击OK后选择报表的表示方法(像素和百分比),点击OK,就可以得到精度报表。
实习总结
通过本次的实习,对遥感有了更加深入的认识,也对遥感这门学科产生了浓厚的兴趣。
这次实训教会了我许多在课堂上学不到的东西,也强化了我的动手能力。
课堂上的理论知识能够帮助我们认清遥感,而实训却是让我们学会遥感。
所以说,光在课本上,并不能让我们深入的了解遥感,然而理论知识再加上动手实训,却是极大的增加了每个同学对遥感的认识。
每次的实训,都能让自己看清自己的动手能力是否不足,而且更加能够让自己的动手能力愈来愈强,所以说,本次的实训,让我学到了更多!