1、目录 1. 对两景 ETM+原始数据进行辐射纠正及大气纠正。 . 3 1) 打开珠海市 2009 年 2 月 3 日（ 122/044） Landsat5 TM 原始数据： 3 2) 编辑并输入公式进行辐射纠正： . 3 3) 所有波段辐射定标完成之后，开始对其进行波段合成 . 4 4) 波段合成之后修改中心波长 . 4 5) 并对辐射纠正前后进行对比 . 5 6) 将两景 ETM+原始数据进行 大气纠正 . 9 2. 对大气纠正后两景 ETM+反射率影像，分别通过矩形提取唐家湾镇部分，利用唐家湾镇DOM 影像进行几何精纠正。再对几何精纠正后影像进行镶嵌，最后通过唐家湾镇行政界线裁剪获取 19
2、99-2000 年度完整的唐家湾镇影像。 11 1) 对大气纠正后的两景 ETM+反射率影像进行镶嵌并裁剪出唐家湾镇影像 . 11 2) 将裁剪出的唐家湾镇影像进行投影转换和几何精纠正 . 12 3) 将几何精纠正后的影像创建掩膜并进行第二次图像裁剪 . 16 3. 根据经预处理后唐家湾镇不同时相的 Landsat 影像，进行土地利用 /土地覆盖计算机自动分类。 17 1) 对预处理后的 Landsat 影像进行非监督分类 17 2) 对预处理后的 Landsat 影像建立训练区 18 3) 选择不同的分类器执行监督分类 . 19 4 加分项 28 4.1 运用两幅 ETM+图像的全色波段（已
3、进行过辐射定标）与两幅 ETM+图像（进行过辐射定标和大气校正）进行融合，并进行计算机解译 . 28 4.1.1 对两幅 ETM+图像的全色波段（都选取了第二个波段，中心波长为 0.5600）进行图像镶嵌 28 4.1.2 运用两幅 ETM+图像的全色波段与两幅 ETM+图像进行融合（ Brovey 变换） 29 4.1.3 非监督分类 32 4.1.4 监督分类 . 32 5 评分 . 错误 !未定义书签。 1.对两景 ETM+原始数据进行辐射纠正及大气纠正。 1) 打开珠海市 2009 年 2 月 3 日（ 122/044） Landsat5 TM 原始数据： 启动 ENVIFileOpe
4、n External FileLandsatGeo Tiff 注：作业要求对两景的 ETM+原始数据进行辐射纠正及大气纠正，为了操作的简便性，现仅以珠海市 2009 年 2 月 3 日（ 122/044） Landsat5 TM 原始数据为例进行演示。 2) 编辑并输入公式 进行辐射纠正： Basic ToolsBand Math输入公式： (bn eq 0)*0+(bn ne 0)*bn*Gain-(bn ne 0)*Bias (n 为波段 1、波段 2、波段 3、波段 4、波段 5、波段 7) 注： 1.公式中各波段的 Gain 值和 Bias 值均可从该数据的元文件中获取。 2.由于第
5、6 波段的数据在 Landsat 发射的时候数据遭到破坏，所以直接忽略。 3) 所有波段辐射定标完成之后，开始对其进行波段合成 波段合成： FileSave File AsEnvi StandardImport File 注：在对波段进行合成的时候一定要注意要按波段的自然顺序选择波段 1、波段 2、波段 3、波段 4、波段 5、波段 7。 4) 波段合成之后修改中心波长 对波段合成之后的数据修改中心波长：右键数据 Edit HeaderEdit AttributeWavelengths （中心波长数据如下图） 5) 并对辐射纠正前后进行对比 将辐射纠正后的两景 ETM+原始数据图像进行 321
6、 真彩色合成。 （注：左图为珠海市（ 122/044）辐射纠正后图像；右图为珠海市（ 122/045）辐射纠正后图像） 遥感影像辐射纠正的原因与意义： 原因：遥感图像不能全部真实地反应不同地物的特征，影响了图像的质量。 意义：遥感影像辐射纠正的过程是一个为了正确反应地物目标的反射或辐射的特性，清除图像数据中依附在辐射亮度中的各种失真的过程。 （注：左图为珠海市（ 122/044）辐射纠正前图像；右图为珠海市（ 122/044）辐射纠正后图像） 下面我们将从林地、裸地、城市、水体这四个方面来观察辐射纠正前后的区别： 林地 （左图为辐射纠正前林地的图像与数据，右图为辐射纠正后林地的图像与数据） 辐
7、射纠 正效果：（林地） （一） 辐射纠正前（左图） 整体的变化趋势并没有太大的差异，近红外波段区间内出现了一个缓慢变化的峰值。说明传感器接收辐射能量受到大气影响的作用较大。 （二） 辐射纠正后（右图） 由右图可以看出，在辐射纠正之后，其变化基本符合植物波谱的一般规律。因为在植物叶绿素的影响下，植物波谱曲线会出现双峰双谷的特点。特别是在红光波段高峰两侧呈现剧烈的变化趋势，形成了一个陡坡。说明在辐射纠正之后，减少了大气对传感器接收辐射能量的影响。 水体 （左图为辐射纠正前林地的图像与数据，右图为辐射纠正后林地的图像与数据） 辐射纠正效果：（水体） （三） 辐射纠正前（左图） 整体的变化趋势并没有太
8、大的差异，趋于平缓。在其他波段的发射率较高，特别是近红外波段出现了异常的偏高。 （四） 辐射纠正后（右图） 由右图可以看出，在辐射纠正之后，符合了水体的波谱曲线的一般规律，并且辐射效果是非常明显的。其在蓝绿光波段出现了变化非常明显的高峰值，水体在其他的可见光波段吸收较强，在近红外波段更是出现了发射率为 0 的最低值。 裸地 （左图为辐射纠正前裸地的图像与数据，右图为辐射纠正后裸地的图像与数据） 城市 （左图为辐射纠正前城 市的图像与数据，右图为辐射纠正后城市的图像与数据） 6) 将两景 ETM+原始数据进行大气纠正 辐射亮度单位转换： （一） 在主菜单中， Basic ToolsBand Ma
9、th （二） 在 Enter an expression 输入 B1/10.0，单击 OK 按钮，打开 Variables to Bands Pairings 对话框。选择辐射亮度值文件 选择输出文件名及路径 OK 储存顺序调整 （一） Basic ToolsConvert Data（ BSQ、 BIL、 BIP） 选择上一步运算结果 OK （二） 选择 Output Interleave:BIL， Convert In Place:Yes 输入 FLAASH 参数 （一） SpectralFLAASH修改数据框的数据 OK （注：数据均可以从元数据文件中获取） 2.对大气纠正后两景 ETM+
10、反射率影像，分别通过矩形提取唐家湾镇部分，利用唐家湾镇 DOM 影像进行几何精纠正。再对几何精纠正后影像进行镶嵌，最后通过唐家湾镇行政界线裁剪获取 1999-2000 年度完整的唐家湾镇影像。 1) 对大气纠正后的两景 ETM+反射率影像进行镶嵌并裁剪出唐家湾镇影像 图像镶嵌： MapMosaickingGeoreferencedImport Files导入两图 （左图为镶嵌前城市的图像与数据，右图为镶嵌后城市的图像与数据） 选择文件列表中的一个文件（ 044） 右键 Edit Entry数据如下 （注：设置 Data Value to Ignore： 0； Feathering Distan
11、ce： 10） 颜色平衡设置： Edit EntryMosaic Display（设置为 RGB） Color Balancing（ Fixed，作为基准图像） 另一文件设置为 Adiust FileApply设置参数并输出结果 图像裁剪 FileSave File AsEnvi StandardImport FileSpatial SubsetImage裁剪出唐家湾镇影像 OK （注：进行图像裁剪时一定要注意裁剪的正确性，裁剪的图像过多过少都有可能导致后面的操作难以进行，从而影响后面的步骤） 2) 将裁剪出的唐家湾镇影像进行投影转换和几何精纠正 投影转换 定义椭球体 打开 eilipse.t
12、xt在末端加入“ Krasovesky， 6378245.0,6356863.0”和“ IAG-75，6378140.0,6356755.3,” 添加基准面 打开 datum.txt在末端加入“ Beijing-54， Krasovesky， -12， -112， -41,”和“ xi an-80， IAG-75， 0,0,0” 定义坐标 MapCustomizeMap Projection填写参数 （注：珠海的经度为东经 114 度） 投影转换 MapConvert Map Projection填写参数（如下图） 完成投影转换 在影像的投影转换之后如果想验证是否投影成功，可以打开 Map I
13、nfo 查看投影信 息，如下图： 几何精纠正（ Image to Image 几何校正） MapRegistrationSelect GCPS： Image to Image选择基准图像（ Base Image）和待校正图像（ Warp Image） OK 采集控制点 采集控制点之后 Add Point 添加控制点 Show list 可看见所选择控制点 （注： 1.开始要手动采集控制点至少 3-5 个，剩下的控制点可以利用 Auto Predict 功能对采集点进行预测； 2.在 Show List 的采集点中， 可以看见所有控制点，查看 RMS 列表，可将误差 1 的控制点删除 ) 输出校
14、正结果 OptionsWarp File（ as Image to Map） 选择校正文件 输入参数 （注：输出的校正图像会有适当扭曲，这是与上一步操作的裁剪不精准有关，如果不是扭曲太多，则视为正常现象） 3) 将几何精纠正后的影像创建掩膜并进行第二次图像裁剪 创建掩膜 FileOpen Vector File唐家湾镇村界矢量图像 导 入 Memory FileOpen Image File打开裁剪图像 Basic ToolsMaskingBuild Mask选择被裁剪图像 OptionsImport EVFS导入矢量文件 完 成创建掩膜 图像第二次裁剪 Basic ToolsMaskingA
15、pply Mask选择裁剪图像文件（ Select Input File）选择掩膜文件（ Select Mask Band） OK （注：上图为进行掩膜计算进行图像裁剪后的图像） 3.根据经预处理后唐家湾镇不同时相的 Landsat 影像，进行土地利用 /土地覆盖计算机自动分类。 1) 对预处理后的 Landsat 影像进 行非监督分类 ClassificationUnsupervisedIsodata选择文件 OK填写参数 （注：经过非监督分类后的图像） 2) 对预处理后的 Landsat 影像建立训练区 主窗口 OverlayRegion of Interest输入名称、颜色并绘制特定区域
16、 （注：上图为 ETM 第一套训练区，下图为 ETM 第二套训练区 用于验证） （注：上图为建立训练区之后的图像） 3) 选择不同的分类器执行监督分类 选择平行六面体执行监督分类 平行六面体法： 根据训练样本的亮度值形 成一个 n 维的平行六面体数据空间，其他像元的光谱值如果落在平行六面体人恶化一个训练样本所对应的区域，就会被划分其对应到对应的类别中去。平行六面体的尺度是由标准差阈值所确定的，而该标准差阈值是根据所选类的均值求出的。 ClassificationSupervisedParallelpied选择图像 OK输入参数 （注：上图为选择平行六面体执行监督分类） 平行六面体的优点和缺点
17、优点：该方法直接简单，几乎所有的像元都会被划分到训练区数据的某个类别中去。并且便于直接理解如何分割特征空间，以及待分 类像素如何与分类类别相对应。 缺点：信息类别的光谱区域可能会重叠以导致分类后的裸地和建筑物的光谱区域重叠。并且该种方法存在很多的误差。 选择最小距离执行监督分类 最小距离法：利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，从而计算出输入图像中每个像元到各类中心的距离，到哪一类中心的距离晓，该像元就归入到哪一类。 ClassificationSupervisedMinimum选择图像 OK输入参数 （注：上图为选择最小距离执行监督
18、分类） 最小距离法的优点和缺点 优点：不会存在不分类的像素，因为每一个像素总会有一个样本平均值与其最靠近。这种计算方法能够节省计算机的处理时间，并且各种分类比较合理，位置偏差不大。 缺点：由于其没有考虑到不同类别内部的方差不同，从而造成有些类别在边缘的部分会出现重叠的部分，引起分类的误差。 选择马氏距离执行监督分类 马氏距离法： 计算输入图像到各训练样本的马氏距离（一种有效的计算两个未知样本集的相似度的方法），最终统计马氏距离最小的，即为此类别。 ClassificationSupervisedMahalanobis Distance选择图像 OK输入参数 （注：上图为选择马氏距离执行监督分类
19、） 马氏距离法的优点和缺点 优点：既不受量纲的影响，又能排除变量之间的相关性干扰。最重要的是能够提高训练区的分类的准确度。 缺点：夸大了变化微小的微量作用，是不能满足实际的需求的，因为其将样品的不同属性之间的差别等同看待。 选择最大似然执行监督分类 最大似然法：是指通过对兴趣区的统计和计算，得到各个类别的均值和方差等参数，然后将将待分类图像中的每一个像元代入各个类别的分类函数。 ClassificationSupervisedLikelihood Classification选择图像 OK输入参数 （注：上图为选择最大似然执行监督分类） 最大似然法的优点与缺点 优点： 便于直接理解待分类像素如
20、何与分类类别相对应和如何分割特征空间。而且最大似然法采用概率决策规则将重叠的区域进行再归类。这样做出来的分类精度比其他的方法更加精准。 缺点： 其计算量较大，比其他方法需要更多的计算机资源，并且对训练区数据的方差变化较为敏感。最大似然法的误差相对较大。 利用第二套训练区进行分类结果的验证 混淆矩 阵（有地理参考） a. Basic ToolsRegion of interestReconcile ROIs Via Map选择地表真是感兴趣区 OK b. 在 Select Sourse File where ROI was Drawn 选择定义验证样本的文件 c. 在 Select Destin
21、ation File to Reconsile ROIs to 对话框中选择图像分类结果 d. ClassificationPost ClassificationConfusion MatrixUsing Ground Truth ROIs选择分类结果 OK （注：上图为最大似然法的混淆矩阵数据） 监督分类方法 混淆矩阵总精度 Kappa 系数 最大似然法 (4152/5122)=81.0621% 0.7437 最小距离法 (3306/5171) =63.9335% 0.5504 平行六面体法 (4107/5171) =79.4237% 0.7087 马氏距离法 (3259/5171) =63
22、.0246% 0.5326 （注：混淆矩阵总体分类精度等于被正确分类的像元总和除以总像元数，所以总精度越高，说明正确分类的像元总和越多） 绘制两个年度的土地利用 /土地覆盖分类图 分类后处理（聚类处理 分类统计） 1. Classification Post Classification Clump Classes 选 择 分 类 结 果 OK （注：上图为选择最大似然执行聚类处理后的图像） (上图为过滤处理后图像 ) 2. ClassificationPost ClassificationClass Statistics选择分类结果 OK 4 加分项 4.1 运用两幅 ETM+图像的全色波段
23、（已进行过辐射定标）与两幅 ETM+图像（进行过辐射定标和大气校正）进行融合，并进行计算机解译 4.1.1 对两幅 ETM+图像的全色波段（都选取了第二个波段，中心波长为 0.5600）进行图像镶嵌 4.1.2 运用两幅 ETM+图像的全色波段与两幅 ETM+图像进行融合（ Brovey 变换） Brovey 变换 :对 RGB 图像和高分辨率图像数据（也就是全色波段）进行数学合成，从而使图像融合，即 RGB 图像中的每一个波段都乘以高分辨率数据与 RGB 图像波段总和的比值，然后自动的用最近邻、双线性或三次卷积技术将 3 个 RGB 波段重采样到高分辨像元尺寸。 操 作步骤：打开两个要融合的文件 选择主菜单 TransformImage Shapening Color Normalized(Brovey)选择 Dsiplay OK在输出对话框中设置参数 OK 4.1.2 对图像进行规则裁剪，几何精校正，不规则裁剪（包括掩膜）
