丹江口湿地遥感实验报告.docx

丹江口湿地遥感实验报告.docx

《丹江口湿地遥感实验报告.docx》由会员分享，可在线阅读，更多相关《丹江口湿地遥感实验报告.docx（29页珍藏版）》请在冰点文库上搜索。

丹江口湿地遥感实验报告

遥感图像综合处理

姓名：

王宁

班级：

2013012

学号：

201301204

指导老师：

黄会平

专业：

地理信息科学

丹江口水库湿地遥感图像处理

一、实验目的：

1.熟悉ERDASIMAGINE9.1软件的视窗操作

2.掌握ERDAS中遥感图像的裁剪方法

3.掌握遥感图像的监督分类与非监督分类方法并对分析结果做出评价

二、实验内容：

1.丹江口水库湿地图边界提取

2.丹江口水库湿地在遥感图像上的裁剪

3.对遥感图像进行监督分类并对分类结果作出评价，在ArcMap中导出图。

4.对遥感图像进行非监督分类并对分类结果作出评价，在ArcMap中导出图。

三、实验数据：

1.河南丹江湿地国家级自然保护区政区图

2.Landset52001年遥感图像

四、实验步骤：

（1）对丹江湿地图进行配准

1．打开ArcMap，选择菜单customize下的Toolbars中的Georeferncing工具条。

2．把需要进行纠正的影像增加到ArcMap中，会发现Georeferncing工具条中的工具被激活。

3．在配准中我们需要知道一些特殊点的坐标，即控制点。

可以是经纬线网格的交点、公里网格的交点或者一些典型地物的坐标，我们可以从图中均匀的取几个点。

则用以下方法输入点的坐标值。

4．首先将Georeferncing工具条的Georeferncing菜单下AutoAdjust不选择。

5．在Georeferncing工具条上，点击AddControlPoint按钮。

6．用该工具在扫描图上精确到找一个控制点点击，然后鼠标右击输入该点实际的坐标位置。

7．用相同的方法，在影像上增加多个控制点，输入它们的实际坐标。

8．增加所有控制点后，点击ViewLinkTable查看一下误差范围，如果配准符合要求，则在Georeferencing菜单下，点击UpdateDisplay。

9．更新后，就变成真实的坐标。

10.选择投影坐标系统。

打开该图层在catalog中的属性，找到空间参考，然后定义，选择在GeographicCoordinateSystems目录下，选择UTM-WGS1984。

点击确定。

11．在Georeferencing菜单下，点击Rectify，将校准后的影像另存。

得到配准后图像。

（2）丹江湿地矢量化

创建图层：

在所选文件夹下新建Shapfile格式的图层。

点击下一步，选择在GeographicCoordinateSystems目录下，选择WGS1984。

点击下一步、下一步，点击finish.

然后将把他拖放到ArcMap中，开始进行数字化。

数字化结果如下图所示：

（3）丹江湿地波段合成

在工具栏中选择Interpreter工具按钮打开LayerStack工具

1.点击InputFiles框右侧的浏览按钮，选择需要合成的波段，点击Add按钮，将所要合成的波段图像加入其中。

2.在OutputOptions中选择Union选项

3.点击OutputFiles框右侧的浏览按钮，为输出影像选择文件夹，并且命名。

4.点击OK，将保存好的图像加入到ERDAS中如下图所示。

5.将波段合成后的mulit图进行假彩色变换。

所选波段如下图所示:

6.假彩色合成结果如下图所示：

7.为了能够使裁剪边界图层能够与假彩色图更好吻合，进行重投影操作，如下图：

重投影结果：

（4）丹江湿地遥感图像的裁剪

1.将要被裁剪的遥感图像和丹江湿地边界图层加入到Viewer中，进行AOI操作：

选中丹江湿地边界图层-AOI-SaveAOI，然后选择一个保存路径，点击OK，结果如下图所示：

2.选择DataPrep模块→SubsetImage，弹出如下对话框：

在InputFile中选择已加入到Viewer中的遥感影像，然后给一个OutputFile的文件名，如下图：

再点击

按钮，在弹出的对话框中选择AOIFile，如下图：

点击OK按钮后，再点击OK按钮，即可完成不规则裁剪，然后将裁剪后的影像添加到ERDAS后影像显示如下图所示：

（5）监督分类

监督分类又称训练场地法，是一种以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，建立判别函数对各待分类像元进行的分类。

在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。

对模板进行评价后再对其进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。

监督分类一般要经过以下几个步骤：

定义分类模板（DefineSignatures）、评价分类模板（EvaluateSignatures）、进行监督分类（PerformSupervisedClassification）、评价分类结果（EvaluateClassification）。

1>定义分类模板

定义分类模板操作包括模版的生成、管理、评价和编辑等，主要利用分类模板编辑器（SignatureEditor）完成，具体步骤包括：

1.从ERDAS主界面中，打开Viewer视窗，打开分类模板编辑器。

在ERDAS图标面板工具条中点击Classifier（分类器）图标，选择Classification（分类）→SignatureEditor（特征编辑器）菜单，打开分类模板编辑器SignatureEditor，如图。

2.选取样本，在Viewer中选择AOI菜单项→选择Tools菜单，打开AOI工具面板。

3.单击工具面板中的

图标，在Viewer中选择植被区域，绘制一个多边形AOI，如图。

选取多个植被，在SignatureEditor对话框中，点击

图标，将刚才建立的多边形AOI区域加载到Signature分类模板中，如此重复，得到下图训练区。

4.合并分类模板。

对同一个专题类型（如植被）采集了多个AOI并分别生成了模板，可以将这些模板合并，以便该分类模板具多区域的综合特性。

具体做法是在SignatureEditor对话框中，将该类的Signature全部选定，然后点击合并

图标，这时一个综合的新模板生成，将原来的多个Signature删除。

如此，做水体，山体植被，山体，居民区以及其他。

如下所示：

分完的图如图所示，并且保存已经分完的图象。

2>评价分类模板

在对遥感影像做全面分类之前，我们对所选的训练区样本是否典型以及由训练区样本所建立起来的判别函数是否有效等问题并无足够的把握。

因此，通常在全面分类之前，先仅用训练区中的样本数据进行试分类，即分类模板的评价。

它主要是分析AOI训练区的像元是否完全落在相应的类别中。

可能性矩阵的输出结果是一个百分比矩阵，它说明每个AOI训练区中有多少个像元分别属于相应的类别。

在Signature Editor对话框：

●选择非参数规则（Non-Parametric Rule）：

Feature Space  

●选择叠加规则（Overlay Rule）：

Parametric Rule    

●选择未分类规则（Unclassified Rule）：

Parametric Rule    

●选择参数规则（Parametric Rule）：

Maximum Likelihood（最大似然法）    

●选择像元总数或者像元百分数作为评价输出统计：

Pixel Counts；Pixel Percentages 

选择“Erdas” →“Classifier” →“Supervised Classification”，在分类设置对话框中如下图所示：

打开IMAGINE文本编辑器（Text Editor），显示分类误差矩阵 

从分类误差总体的百分比来说，如果误差矩阵值小于85%，则分类模板的精度太低，需要重新建立。

3>执行监督分类

在监督分类过程中，用于分类决策的规则是多层次的，如对非参数模板有特征空间、平行六面体等方法，对参数模板有最大似然法、Mahalanobis距离、最小距离等方法。

当然，非参数规则与参数规则可以同时使用，但要注意应用范围，如非参数规则只能应用于非参数型模板，对于参数型模板，要使用参数型规则。

另外，如果使用非参数型模板，还要确定叠加规则（Overlayrule）和未分类规则（unclassifiedrule）。

下面是执行监督分类的操作过程：

1.在ERDAS主界面：

点击Classifier图标→SupervisedClassification（监督分类）菜单项，打开SupervisedClassification对话框，如图。

2.在SupervisedClassification对话框中，根据下图输入以下参数：

3.点击OK执行监督分类，关闭supervisedClassification对话框。

标注类别相应颜色。

在视窗中，点击菜单栏中的Raster→RasterAttuributeEditor（栅格属性编辑）打开RasterAttributeEditor对话框。

在RasterAttributeEditor对话框中点击刚才分析类别的ROW字段从而选择该类别；右键点击该类别的Color字段（颜色显示区），选择AsIs菜单，并选择一种合适的颜色，调整色彩后的结果大致如图示。

4>评价分类结果。

在执行监督分类之后，需要对分类效果进行评价。

常用的分类后处理方法有聚类统计（Clump）、过滤分析（Sieve）、去除分析（Eliminate）、分类重编码（Recode）等。

●聚类统计是通过对分类图像计算每个分类图斑的面积、记录相邻区域中最大突变面积的分类值等操作，产生一个Clump类组输出图像，其中每个图斑都包含Clump类组属性。

Clump类组输出图像是一个中间文件，主要用于进行下一步处理。

●过滤分析（Sieve）功能是对Clump类组输出图像进行处理，按照定义的数值大小，删除Clump图像中较小的类组图斑，并给所有小图斑赋予新的属性值0。

这样就会产生小图斑的归属问题。

所以去除分析（Eliminate）是将删除的小图斑合并到相邻的最大的类别当中，所以去除分析简化了分类图像。

1.执行聚类统计

结果如下图：

2.执行过滤分析

结果如下图：

3.执行去除分析

结果如下图所示：

4.执行分类重编码（Recode）操作

3>将监督分类图在ArcMap中添加图名图例输出后，如下图所示：

（6）非监督分类

非监督分类运用ISODATA（IterativeSelf-OrganizingDataAnalysisTechnique）算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。

由于人为干预较少，非监督分类过程的自动化程度较高。

非监督分类一般要经过以下几个步骤：

初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换和统计分析等。

1>实行非监督分类

1.在ERDAS主界面中点击Classifier图标，选择Classification（分类）→UnsupervisedClassification（非监督分类）菜单，启动非监督分类，出现unsupervisedclassification对话框，参数设置如下图所示，点击OK，执行处理。

2.将处理好的图像加入到Viewer中，得到下图所示结果图：

2>评价分类结果

在执行非监督分类之后，需要对分类效果进行评价。

常用的分类后处理方法有聚类统计（Clump）、过滤分析（Sieve）、去除分析（Eliminate）、分类重编码（Recode）等。

聚类分析：

过滤分析（Sieve）

去除分析（Eliminate）

分类重编码（Recode）

3>将非监督分类图在ArcMap中添加图名图例输出后，如下图所示：

五、实验分析

实验过程中遇到的问题：

1.在做图像裁剪的时候，跟上次实验结果不同的是，不论怎样更改导入坐标系，在erdas中打开矢量化的丹江口边界和遥感图像就是不能重合在一起，尝试了很多办法，最后解决方法是，将图像进行假彩色变换后，尽管两幅图像还是没有叠合在一起，但是直接执行裁剪操作，最终结果是正确的，丹江口的遥感图像被成功地裁剪了出来。

2.在监督分类过程中，由于假彩色合成产生的效果图不能很好地分辨出地物，导致分类过少，操作就是对照实地图像，按照实物进行训练区的选择。

通过本次实验大作业，让我更熟悉了ERDASIMAGINE9.1软件的视窗操作，掌握了ERDAS中遥感图像的裁剪方法，明白了监督分类和非监督分类的不同和优缺点，以及分类精度评价方法。

并且能够目视解疑图象，这点是对理论课学习的一个很好的检验。

也能自己独立的完成一些图像的处理。

并且也深刻的明白了处理图像时一定要细心并且有恒心，在实践中不断磨练自己，提高自己的专业素养。