Erdas实习报告.docx

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

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!