1、遥感解译与制图实习报告学生姓名：孙国欢班 学 号：113131-05指导老师：肖启芝中国地质大学信息工程学院2015 年 11 月实习过程遥感图像解译实习指导一一、实习任务：1.熟悉各种典型地物的光谱曲线 2对遥感影像进行判读，建立典型地物的解译标志3运用Erdas软件的空间建模功能提取TM 影像中的水体二、实习目标以及用时：1 .熟悉遥感软件的光谱读取与显示功能2 .熟悉人工判读的程序；3. 掌握人工判读的工具； 4.影像处理之工具使用；5. 掌握解译标志的建立过程，并能对影像中的地物进行解译标志的建立6 .运用遥感软件提取影像中的植被指数7 .运用Erdas 软件的空间建模功能提取TM 影
2、像中的水体三、教学方式：由老师说明方法并举例，由同学实际执行判读，并完成实习报告。四、使用器材：1.ENVI系統 2.遥感影像 3 ERDAS软件系统任务1：运用ENVI软件观察影像中不同地物的光谱曲线这个实验使用的文件是pingjie.img ，打开文件后通过Tools-Profiles-Z profile(spectrum)获得不同地物点的光谱曲线结果。任务2：武汉市 TM影像解译实习这次影像实习主要对武汉市的ETM数据进行解译，提取出主要的地物覆盖类型。这次试验使用的文件是pingjie.tif，我选取的波段组合是 R:4 G:3 B:2。它的主要的步骤是数据层叠加-选择典型样区（ROI
3、）-保存典型地物图片-获得判读标志。不同地物点的光谱曲线随机点的光谱曲线 输入点坐标搜集点的光谱曲线原始文件 pingjie.tif 提取典型样区结果判读结果：地物名称 长江水体1影像显示的波段 432影像类型 TM1 颜色/光谱2 纹理 无明显纹理3 大小 无固定大小4 形状 具有带状的线性特征5排列 无固定排列6空间关系7 阴影 无特征描述(判别地物的八大要素)8 位置 位于影像的中间部位，具有明显的地理位置特征地物名称 长江水体2影像显示的波段 432影像类型 TM1 颜色/光谱2 纹理 无明显纹理3 大小 无固定大小特征描述(判别地物的八大要素)4 形状 具有带状的线性特征5排列 无固
4、定排列6空间关系7 阴影 无8 位置 位于影像的中间部位，具有明显的地理位置特征地物名称 滩涂影像显示的波段 432影像类型 TM1 颜色/光谱2 纹理 有较为细密的格网纹理3 大小 无固定大小4 形状 三角形条带状的线性特征5排列 无固定排列6空间关系 位于长江右侧7 阴影 无特征描述(判别地物的八大要素)8 位置 位于影像的中间的右侧部位地物名称 森林影像显示的波段 432影像类型 TM特征描述(判别地物的八大要素)1 颜色/光谱2 纹理 层状纹理3 大小 无固定大小4 形状 无明显线性特征5排列 层状排列6空间关系 位于长江两侧7 阴影 无8 位置 位于影像的左右两侧任务3： 运用ERD
5、AS软件提取影像中的植被指数使用 ERDAS 软件进行影像中 NDVI 指数的提取，方法是在 Interpreter-Spectral Enhancement-Indices 进行设置输出含有 NDVI 指数信息的影像。可以看出强化了植被区域，突出了 NDVI 指数影像的特点。左： pingjie.img右：含有 NDVI 指数信息的影像任务 4： 依据 erdas 中文教程第十章空间建模工具的介绍，遵循 TM 水体模型，提取所给的 TM 影像上的水体遥感图像解译实习指导二一、实习任务：运用遥感软件进行图像校正，包括辐射校正和几何校正二、实习目标：1 熟悉 ERDAS 视窗操作过程2 熟悉遥感
6、数据几何校正过程3 运用 ERDAS 软件进行地形校正三、教学方式：依据实习指导书进行实验，并完成实习报告四、使用器材：ERDAS 遥感图像处理软件，遥感数据任务 1：ERDAS 视窗的基本操作这个实验的目的是了解目前主流的遥感图象处理软件 ERDAS 的主要功能模块：视窗功能介绍；文件菜单操作；实用菜单操作；显示菜单操作；矢量和删格菜单操作，掌握视窗操作模块的功能和操作技能，为遥感图像的几何校正等后续实习奠定基础。它的主要步骤是打开文件 Fileopen RasterLayerSelect Layer To Add-设置参数-打开图像。设置参数 R:3 G:2 B:1 打开文件 pingji
7、e.img任务 2： 多项式几何纠正多项式纠正使用的文件是 tmAtlanta.img 和 panAtlanta.img 分别作为未纠正影像和模板影像。这个实验的主要步骤是打开文件-选择 Polynomial（多项式）作为纠正方法-采集地面控制点-计算转换模型-图像重采样-保存几何纠正模式。期间基本所有参数都是默认值，输出几何纠正后的影像保存对比。左： panAtlanta.img右： tmAtlanta.img多项式纠正采集控制点通过多项式纠正获得任务 3： 地形校正地形校正借助 Lambertian 反射模型消除地形对遥感影像的影响，由于与地面高程、太阳高度角、方位角相关的地形坡度、坡向受
8、地形的影响，遥感图像会有部分畸变，可以借助 DEM 数据以及太阳高度角、方位角对遥感影像进行校正处理，消除部分地形影响。这个实验的步骤是选择 Topographic analysis|Topographic Nomalize 命令- 打开 Lambertian reflection Model 对话框-输入影像文件-输出 DEM 文件。待纠正影像 tmAtlanta.img 几何纠正后的影像实习思考题：1 运用多项式方法进行图像几何校正时，控制点的分布应该满足什么条件？多项式的系数与所需选择地最小控制点的点数之间存在什么关系？(t+1)(t+2)/22 在多项式纠正时，可以选择 1 次，2 次
9、以及 3 次多项式作为纠正模型，比较这三种纠正模型在所给的遥感数据的纠正效果，谈谈你对这三种纠正模型的理解，它们的不同之处以及适用情况。3 请简述地形校正的原理。1. 通过寻找控制点（ GCP）去求系数，有几个未知数就至少要几对控制点，一次至少要三对，两次至少要六对，三次至少要十对。有经验公式 GCPmin=（ t+1） (t+2)/2。2. 多项式纠正模型 :1） 一次多项式 Xw=a0+a1*Xb+a2*Yb Yw=b0+b1*Xb+b2*Yb2）二次多项式 Xw=a0+a1*Xb+a2*Yb+a3*Xb2+ a3*Yb2+a5*Xb*Yb Yw=b0+b1*Xb+b2*Yb+b3*Xb2
10、+ b3*Yb2+b5*Xb*Yb原影像 Eldoatm.img 地形纠正后的影像 eldodem.img3）三次多项式Xw=a0+a1*Xb+a2*Yb+a3*Xb2+a3*Yb2+a5*Xb*Yb+a6*Xb3+a7*Yb3+a8*Xb2*Yb+ a9*Xb*Yb2 Yw=b0+b1*Xb+b2*Yb+b3*Xb2+b3*Yb2+b5*Xb*Yb+b6*Xb3+b7*Yb3+b8*Xb2*Yb+ b9*Xb*Yb2多项式的纠正精度与地面控制点的精度、分布、数量以及纠正的范围有关，地面控制点的精度越高、分布越均匀、数量越多，几何纠正的精度就越高。 多项式纠正时，在控制点处拟合较好，但是其他点
11、的误差可能较大，平均误差小并不能保证图像各点的误差都小。 多项式阶数的确定取决于图像中的几何变形程度的认识。如果变形不复杂， 1 阶即可满足要求，并非阶数越高，纠正精度越高。遥感图像解译实习指导三一、实习任务：运用遥感软件进行影像融合以及影像分类二、实习目标：1 、了解几种常见的影像融合方式，并能够用 erdas 软件熟练操作2 、学会遥感影像的分类方法，用 erdas 操作，并且能够进行精度评定三、教学方式：依据实习指导书进行实验，并完成实习报告四、使用器材：ERDAS 遥感图像处理软件，遥感数据任务 1：多源数据融合多源数据融合采用 IHS 融合方法。IHS 融合法是比较常用的一种融合方法
12、，其基本原理是首先将空间分辨率较低的三个多光谱影像变换到 IHS 彩色空间，得到明度（I），色别（H）和饱和度（ S）三个分量；然后将高空间分辨率影像进行对比度拉伸，达到与 I 分量具有相同的均值和方差；再将处理后的高空间分辨率影像替换 I 分量，作 IHS 逆变换后就得到融合后的影像。它的主要步骤是：1. 将图像 tmAtlanta.img 用 panAtlanta.img 配准，图像为:newTm.img2. 画出 newTm.img 和 panAtlanta.img 两幅图像共有的区域，然后在FilesaveAOI Layer as 将所做的 AOI 区域保存获得3. 利用 AOI 文件
13、裁剪 newTm.img 和 panAtlanta.img 获得 subTm.img 和subPan.img4. 通过 RasterGeometric Correction 进行重采样输出文件 subtm_res.img，设置Pixel Size X，Pixel Size Y 与 subTm.img 一样。左： panAtlanta.img 中： tmAtlanta.img 右： newTm.img5. 利用 subtm_res.img 和 subPan.img 重复步骤 2，3，4，输出文件名分别为：sub_subpan.img， sub_subtm_res.img。获得6. 进行 RGB
14、to HIS：输入文件为 sub_subtm_res.img,输出文件名为RGBtoIHS.img,波段选择 R:3，G:2，B:17. 直方图匹配：利用文件 sub_subpan.img 和 RGBtoIHS.img 输出pan_histogrammatch.img8. 将直方图匹配后的 pan_histogrammatch.img 图像（1 band）替换RGBtoIHS.img 的 I 分量（第一波段）。输出文件名为 stack.img。9. 做变换 HISRGB。输入文件名为 stack.img，输出文件名为 IHStoRGB.img10.其他融合方法：输入文件 newTm.img 和
15、 panAtlanta.img 分别作为高分辨影像和多光谱影像，融合方法选择了主成分变换（Principal Component）双三次卷积(Cubic Convolution)。获得如下影像文件。任务 2：遥感图像分类（监督分类或者非监督分类）1 非监督分类非监督分类运用 ISODATA 算法，按照像元的光谱特性进行统计分类。使用该方法时，原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。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、统计分析。1、输入文件
16、pingjie.img（未分类图像）产生分类图像 pingjie_isodata.img2、生成分类模板文件，确定聚类参数，需要确定初始聚类方法和分类数。设置 ISODATA 的一些参数分类、图像彩色属性、定义最大循环次数并设置循环收敛阈值。获得文件2.分类评价获得一个初步的分类结果以后，应用分类叠加检查分类精度。显示原图像与分类图像并选择所需要的打开的多波段影像，选择 Raster Options 功能。同样方法，在同一个视图窗口下选择打开需要叠加的影像，把 Clear Display 前的勾去掉，保证叠加显示。打开的 viewer 中，选择 Raster-Attributes，打开分类图像
17、属性表并调整字段显示顺序，调整字段的顺序以及字段名称等，使Histogam，Opacity，Color，Class_Names 四个字段的显示顺序依次排在前，完成。接下来给各个类别赋相应的颜色。Rarster Attribute Editor 内的属性表点击一个类别的 Row 字段从而选择该类别，选择一种颜色，标注类别的名称和相应颜色，选择一种合适的颜色( 如水体为蓝色 )。2.监督分类给一些相应的波段设置属性，选择合适的颜色，并标注类别的名称。分类图像属性表并调整字段显示顺序调整字段的顺序以及字段名称监督分类常用于对研究区域比较了解的情况。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
18、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。对分类结果进行评价后再对模板进行修改，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：建立模板(训练样本)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。（1 ）（ 2）定义与评价分类模板（3 ）执行监督分类建立模板、保存分类模板、栅格矢量转换、评价模板运行之后显示 Contingency 运行失败未能生成评价结果（4 ）分类精度评估分类精度评估的主要步骤是1.Viewer 中打开分类前的原始图像，以便进行精度评估。2.启动精度评估对话框
19、，选择 Accuracy Assessment 菜单项3.打开分类专题图像，将原始图像视窗与精度评估视窗相连接4.在精度评价对话框中设置随机点的色彩，产生随机评估点监督分类的设置需要确定相应的参数，并定义输出分类文件和定义分类距离文件。获得文件 和5.显示随机点及其类别，输入参考点的实际类别值6.设置分类评价报告输出环境及输出分类评价报告（5）分类后处理分类图像中有很多的孤立像元及小像元群，它们在分类图上表现为噪声，不能满足分类要求。分类后处理可以消除一些噪声效应，完成类的连接。分类后处理有自动化处理和手工处理两种方法，自动化处理对分类结果中产生的一些面积很少的图斑进行处理，手工处理可以修改影
20、像中明显且分布范围较大的错误分类，直接在原图上进行修改。重编码：在 Interpreter 模块里的 GIS Analysis 菜单中选择 Recode 的命令，点击 Setup Recode 的对话框，可以对重复的类别进行合并。实习感想在这次遥感解译与制图实习中，学会了目视解译、地形校正、多项式纠正、图像融合、非监督分类、监督分类的实验操作，并对它们的实验原理有所了解，在此基础上，巩固了课本的相关的学习内容。在实验的过程中，通过对 ENVI 软件的学习，我深刻感受到遥感技术在解决实际问题中扮演着越来越重要的角色，自己平时学习中遇到的一些疑点也一一得到解决，并通过与同学们的学习交流，使我对 E
21、NVI 软件有一定的掌握。也对当前遥感技术的应用和今后发展的新趋势有所了解，同时增强了学习的兴趣。在实验的过程中，也出现了许多问题，比如监督分类时评价分类模板的报告未能实现、多源数据融合时需要对数据多重分类转换很复杂。 通过对 ENVI 软件的学习，我深刻感受到遥感技术在解决实际问题中扮演着越来越重要的角色，自己平时学习中遇到的一些疑点也一一得到解决，并通过与同学们的学习交流，使我对 ENVI 软件有一获得的重编码图像定的掌握。ENVI 的图像配准与几何校正工具允许你将图像定位到地理坐标上，并校正它们使其与基图像几何形状相匹配。多项式可进行 1 次到 n 次纠正，当进行多项式纠正时 ENVI
22、要求所需的控制点数必须大于(n +1)2。实验中，对控制点的匹配的寻找是一个非常仔细的过程，培养了我的耐力和对知识谨慎的态度。遥感技术是新兴起并迅速发展起来的一门综合性探测技术。它是在航空摄影测量的基础上，随着空间技术、电子计算机技术等当代科技的迅速发展，以及地学、生物学等学科发展的需要，发展形成的一门新兴技术学科。从以飞机为主要运载工具的航空遥感，发展到以人造地球卫星、宇宙飞船和航天飞机为运载工具的航天遥感，大大地扩展了人们的观察视野及观测领域，形成了对地球资源和环境进行探测和监测的立体观测体系，使地理学的研究和应用进入到一个新阶段。遥感，从广义上说是泛指从远处探测、感知物体或事物的技术。即
23、不直接接触物体本身，从远处通过仪器探测和接收来自目标物体的信息，经过信息的传输及其处理分析，识别物体的属性及其分布等特征的技术。通常遥感是指空对地的遥感，即从远离地面的不同工作平台上通过传感器，对地球表面的电磁波信息进行探测，并经信息的传输、处理和判读分析，对地球的资源与环境进行探测和监测的综合性技术。这次遥感影像解译实习中，我明白了监督分类与非监督分类的原理，并学会了它的相关操作。 遥感影像的监督分类和非监督分类方法, 是影像分类的最基本、最概括的两种方法。 传统的监督分类和非监督分类方法虽然各有优势, 但是也都存在一定的不足。新方法、新理论、新技术的引入,为遥感影像分类提供了广阔的前景,监
24、督分类与非监督分类的混合使用更是大大的提高了分类的精度。遥感影像的监督分类是在已知类别的训练场地上提取各类别训练样本，通过选择特征变量、确定判别函数或判别式把影像中的各个像元点划归到各个给定类的分类，是首先根据类别的先验知识确定判别函数和相应的判别准则，利用一定数量的已知类别样本的观测值确定判别函数中的待定参数，然后将未知类别的样本的观测值代入判别函数，再根据判别准则对该样本的所属类别做出判定。而遥感影像的非监督分类是事先无法知道类别的先验知识，在没有类别先验知识的情况下将所有样本划分为若干类别的方法，是事先不知道类别的先验知识，仅根据地物的光谱特征的相关性或相似性来进行分类，再根据实地调查数据比较后确定其类别属性。通过这次上机实验学习，把老师理论讲解的知识与上机实验相结合，掌握了书本的知识，也掌握了 erdas、envi 等软件的使用技能。我们实习时通过阅读实习指导书，大家独立完成操作，老师对大家在操作过程当中的疑问进行解答，耐心认真，在此感谢老师与研究生学姐的指导。
