Erdas遥感实验 - 图文 下载本文

西北农林科技大学地信102班遥感图像处理即Erdas实验报告

实验1 ERDAS初步认识及三维图像处理

1 目的要求

(1)对ERDAS软件的大概了解,比如它包含的模块,界面布局等等。在此基础上处理了一幅三维图像。

(2)图像的分幅裁剪和子图像产生;

(3)多波段遥感数字影像的合成,多幅图像镶嵌拼接。 2.1 数据输入输出转换

在对话框中,确定下列参数: →确定是输入数据Import

→在Type列表框中选择输入数据的类型:Generic Binary →在Media列表框中选择输入数据的介质:File →在Input File确定输入数据文件路径和文件名 →在Output File确定输出数据文件路径和文件名 →OK打开Import Generic Binary Data对话框

在Import Generic Binary Data对话框中定义下列参数: →数据格式(Data Format):BSQ →数据类型(Data Type):Unsigned 8 Bit →图像记录长度(Image Record Length):0 →头文件字节数(Line Header Bytes):0 →数据文件行数(Row):2717 →数据文件列数(Cols):1767 (可在头文件中查看,文件的行列数) →文件波段数量(Bands):1 →保存参数设置(Save Options) →打开Save Option File对话框 →定义参数文件名(Filename):*.gen →OK退出Save Option File →预览图像效果(Preview)

→打开一个窗口显示输入图像

→如果图像正确,单击OK执行输入操作。

→进程状态条中单击OK完成数据输入。

→重复上述过程,依次将多波段数据全部输入,转换为 .IMG文件。 2.2 多波段数据组合

为了图像处理与分析,需要将上述转换的单波段IMG文件组合(Layer Stack)为一个多波段图像文件。实验操作步骤:

ERDAS图标面板菜单条:Main→Image Interpreter→Utilities

Layer Stack →Layer Selection and Stacking对话框。

ERDAS图标面板工具条:点击Interpreter图标→Utilities

Layer Stack →Layer Selection and Stacking对话框。

在Layer Selection and Stacking对话框中,依此选择并加载(Add)单波段图像: →输入单波段文件(Input File: *.img):band3.img →单击Add

→输入单波段文件(Input File: *.img):band4.img →Add

→输入单波段文件(Input File: *.img):band5.img →Add

→输出组合多波段文件(Output File:*.img):bandconection.img →输出数据类型(Data Type):Unsigned 8 Bit →波段组合(Output Option):Union →输出统计忽略零值:Ignore Zero In Stats →OK执行波段组合。 成果图:

实验2 图像几何校正

1 目的要求

(1)了解遥感图像几何校正的主要过程;

(2)学习掌握几何校正中控制点选择、模型选择和具体的校正方法。

2 内容与步骤

遥感图像的几何校正(geometric correction)是指从具有几何畸变的图像中消除畸变的过程。即建立遥感图像的像元坐标(图像坐标)与目标物的地理坐标(地图坐标)间的对应关系。图像几何校正的过程如下: 2.1 卫星图像校正

第一步:显示图像文件

ERDAS图标面板菜单条:Main→View

ERDAS图标面板工具条:点击Viewer图标,打开两个窗口(Viewer#1/ Viewer#2),并将两个窗口平铺放置,接着执行如下操作:

在ERDAS图标面板菜单条,单击Session→Tile Viewers命令 在Viewer#1窗口中打开需要校正的Landsat TM图像tmAtlanta.img 在Viewer#2窗口中打开作为地理参考的校正过的SPOT图像panAtlanta.img 第二步:启动几何校正模块

Viewer#1菜单条:Raster→Geometric Correction,打开Select Geometric Model对话框:

→选择多项式几何校正计算模型:Polynomial →OK

同时打开Geo Correction Tools 对话框和Polynomial Model Properties窗口,在Polynomial Model Properties窗口中,定义多项式模型参数及投影参数:

→选择多项式次方(Polynomial Order):2 →定义投影参数(Projection)

→单击Apply和Close,打开GCP Tool Reference Setup对话框: 第三步:启动控制点工具

在GCP Tools Reference Setup对话框中选择采点模式:

→选择Existing Viewer

→OK(关闭GCP Tools Reference Setup对话框) 打开Viewer Selection Instruction指示器

在显示作为地理参考图象panAtlanta.img的Viewer#2中单击 打开Reference Map Information提示框

→OK(关闭GCP Tools Reference Setup对话框)

屏幕自动变化为包含两个主窗口,两个放大窗口,两个关联方框,控制点工具对话框和几何校正工具等。控制点工具被启动,进入控制点采集状态。 第四步:采集地面控制点(使用GCP对话框采集Control Point)

在GCP工具对话框中单击Select GCP图标,进入GCP选择状态: →GCP数据表中设置输入GCP的颜色(color):

→在Viewer#1中移动关联框位置,寻找明显地物特征点,作为GCP →在GCP工具对话框中单击Create GCP图标,并在Viewer#3中单击定点,GCP数据表记录一个GCP,包括编号,标识码,X坐标,Y坐标

在GCP工具对话框中单击Select GCP图标,重新进入GCP选择状态:

→在Viewer#2中移动关联框位置,寻找与Viewer#3中GCP相同的地物特征点,作为GCP

→在GCP工具对话框中单击Create GCP图标,并在Viewer#4中单击定点,系统将把参考点的坐标(X Reference,Y Reference)显示在GCP数据表中

在GCP工具对话框中单击Select GCP图标,重新进入GCP选择状态,并将光标移回到Viewer#1,准备采集另一个输入控制点。不断重复以上步骤,采集若干GCP,直到满足所选定的几何校正模型为止。而后,每采集一个Iuput GCP,系统就自动一个Ref.GCP,通过移动Ref.GCP可以逐步优化校正模型。 第五步:采集地面检查点(使用GCP对话框采集Check Point)

在GCP Tool菜单条中确定GCP类型、GCP匹配参数(Matching Parameter): →Edit→Set Point Type→Check

→Edit→Point Matching,打开GCP Matching对话框,定义下列参数: →匹配参数(Matching Parameter):最大搜索半径(Max. Search Radius)为3,搜索窗口大小(Search Window Size)为5

→约束参数(Threshold Parameter):相关阈值(Correlation Threshold)为0.8;删除不匹配的点(Discard Correlation Threshold) →匹配所有/选择点(Match All/Selected Point):从输入到参考(Reference from Input)或从参考到输入(Input from Reference) →Close(关闭GCP Matching 对话框)

采集地面检查点:在GCP Tool工具条,点击Create GCP图标,并将Lock图标打开,锁住Create GCP功能;同选择控制点一样,分别在Viewer#1和Viewer#2中定义5个检查点,完毕后单击Unlock图标,解除Create GCP功能。

计算检查点误差:在GCP Tool工具条,单击Computer Error图标,检查点的

误差就会显示在GCP Tool的上方,只有所有检查点的误差均小于一个象元,才能继续进行合理的重采样。 第六步:计算转换模型

在Geo Correction Tools对话框中单击Display Model Properties图标,打开Polynomial Model Properties(多项式模型参数)对话框,在多项式模型参数对话框中查阅模型参数,并记录转换模型。 第七步:图像重采样

在Geo Correction Tools对话框中单击Image Resample图标,打开Resample (图象重采样)对话框,定义重采样参数:

→输出图象文件名(Output File):rectify.img

→选择重采样方法(Resample Method):Nearest Neighbor →定义输出图像范围(Output Corners):在ULX,ULY,LRX,LRY →定义输出象元大小(Output Cell Sizes):X值30/Y值30 →设置输出统计中忽略零值:选中Ignore Zero in Stats

→设置重新计算输出默认值(Recalculate Output Default):设Skip Factor为10

→OK(关闭Resample对话框,启动重采样过程)

实验3 图像辐射增强

1 目的要求

(1)认识遥感图像的基本结构,了解数字图像的一般性质; (2)掌握和理解图像辐射增强的主要方法和影像变化规律; (3)掌握图像镶嵌拼接的过程和技术。

2 内容与步骤

2.1 辐射增强 2.1.1 查找表拉伸

在ERDAS 图标面板菜单条,单击Main | Image Interpreter | Radiometric Enhancement | LUT Stretch命令,打开LUT Stretch对话框;

在ERDAS 图标面板工具条,单击Interpreter 图标 | Radiometric Enhancement | LUT Stretch命令,打开LUT Stretch对话框。

在LUT Stretch对话框中,需要设置下列参数: (1)确定输入文件(Input File):mobbay.img; (2)定义输出文件(Output File):stretch.img; (3)文件坐标类型(Coordinate Type):map;

(4)处理范围确定(Subset Definition):在ULX/Y,LRX/Y微调框中输入需要的数值(缺省状态为整个图像范围,可以应用Inquire Box定义窗口); (5)输出数据类型(Output Data Type):Unsigned 8 bit;

(6)确定拉伸选择(Stretch Options):RGB(多波段图像、红绿蓝)或Gray Scale(单波段图像); (7)点击View按钮打开模型生成器视窗,浏览Stretch功能的空间模型; (8)双击Custom Table进入查找表编辑状态,根据需要修改查找表; (9)OK(关闭查找表定义对话框,退出查找表编辑状态); (10)File |Close All(退出模型生成器视窗);

(11)OK(关闭LUT Stretch对话框,执行查找表拉伸处理)。

2.1.2 直方图均衡化

在ERDAS 图标面板菜单条,单击Main | Image Interpreter |Radiometric Enhancement | Histogram Equalization命令,打开 Histogram Equalization对话框;

在ERDAS 图标面板工具条,单击Interpreter 图标 | Radiometric Enhancement | Histogram Equalization命令,打开 Histogram Equalization对话框。

在Histogram Equalization对话框中,需要设置下列参数: (1)确定输入文件(Input File):lanier.img; (2)定义输出文件(Output File):equalization.img; (3)文件坐标类型(Coordinate Type):MAP;

(4)处理范围确定(Subset Definition):在ULX/Y,LRX/Y微调框中输入需要的数值(缺省状态为整个图像范围,可以应用Inquire Box定义窗口); (5)输出数据分段(Number of Bins):256(可以小些);

(6)输出数据统计时忽略零值:选中Ignore Zero in Stats复选框; (7)点击View按钮打开模型生成器视窗,浏览Equalization空间模型; (8)双击Custom Table进入查找表编辑状态,根据需要修改查找表; (9)File | Close All(退出模型生成器视窗);

(10)OK(关闭Histogram Equalization对话框,执行直方图均衡化)。

2.1.3 直方图匹配

ERDAS 图标面板菜单条,单击

Main|Image Interpreter |Radiometric

Enhancement|Histogram Match命令,打开Histogram Matching对话框;

在ERDAS 图标面板工具条,单击Interpreter 图标|Radiometric Enhancement |Histogram Match命令,打开Histogram Matching对话框。

在Histogram Matching对话框中,需要设置下列参数: (1)输入匹配文件(Input File):wasia1_mss.img; (2)匹配参考文件(Input File to Match):wasia2_mss.img;

(3)匹配输出文件(Output File):wasia1_match.img(也可以直接将匹配结果输出到图像查找表中,即LUT of Input File);

(4)选择匹配波段(Band to be matched):1(1-7);。 (5)匹配参考波段(Band to match to):1(1-7); (6)文件坐标类型(Coordinate Type):File;

(7)处理范围确定(Subset Definition):在ULX/Y,LRX/Y微调框中输入需要的数值(默认

状态为整个图像范围,可以应用Inquire Box定义窗口);

(8)输出数据统计时忽略零值:选中Ignore Zero in Stats复选框; (9)输出类型数据类型(Output Data Type):Unsigned 8 bit;

(10)点击View按钮打开模型生成器视窗,浏览Matching空间模型; (11)双击Custom Table进入查找表编辑状态,根据需要修改查找表; (12)File| Close All(退出模型生成器视窗);

(13)OK(关闭Histogram Matching对话框,执行直方图匹配处理)。

实验4 图像空间增强

1 目的要求

(1)了解和掌握图像空间增强的基本方法和过程; (2)理解空间增强处理的物理意义和产生的效果。

2 内容与步骤

2.1 卷积增强处理(Convolution)

在ERDAS 图标面板菜单条,单击Main | Image Interpreter | Spatial Enhancement | Convolution命令,打开 Convolution对话框。

在ERDAS 图标面板工具条:点击Interpreter 图标 | Spatial Enhancement |

Convolution命令,打开 Convolution对话框。

在convolution对话框中,需要设置下列参数: (1)确定输入文件(Input File):Lainer.img; (2)定义输出文件(Output File):Convolution.img; (3)选择卷积算子(Kernel Selection);

(4)卷积算子文件(Kernel Library):default.klb; (5)卷积算子类型(Kernel ):3 x 3 Edge Detect; (6)边缘处理方法(Handle Edges by):Reflection; (7)卷积归一化处理:Normalize the Kernel; (8)文件坐标类型(Coordinate Type):Map;

(9)输出数据类型(Output Data Type):Unsigned 8 bit; (10)OK(关闭Convolution对话框,执行卷积增强处理)。

2.2 非定向边缘增强

在ERDAS 图标面板菜单条,单击Main | Image Interpreter | Spatial Enhancement |

Non-directional Edge命令,打开 Non-directional Edge对话框;

在ERDAS 图标面板工具条:点击Interpreter 图标 | Spatial Enhancement | Non-directional Edge命令,打开 Non-directional Edge对话框。

在Non-directional Edge对话框中,需要设置下列参数: (1)确定输入文件(Input File):Lainer.img; (2)定义输出文件(Output File):non-direct.img; (3)文件坐标类型(Coordinate Type):Map;

(4)处理范围确定(Subset Definition):在ULX/Y,LRX/Y微调框中输入需要的数值(默认状态为整个图像范围,可以应用Inquire Box定义窗口); (5)输出数据类型(Output Data Type):Unsigned 8 bit; (6)选择滤波器(Filter Selection):Sobel;

(7)输出数据统计时忽略零值:选中Ignore Zero in Stats复选框; (8)OK(关闭Non-directional Edge对话框,执行非定向边缘增强)。

2.3 聚焦分析(Focal Analysis)

在ERDAS 图标面板菜单条:Main | Image Interpreter | Spatial Enhancement | Focal Analysis命令,打开 Focal Analysis对话框;

在ERDAS 图标面板工具条:点击Interpreter 图标 | Spatial Enhancement | Focal Analysis命令,打开 Focal Analysis对话框。

在Focal Analysis对话框中,需要设置下列参数: (1)确定输入文件(Input File):Lainer.img; (2)定义输出文件(Output File):focal.img; (3)文件坐标类型(Coordinate Type):Map;

(4)处理范围确定(Subset Definition):ULX/Y,LRX/Y(默认状态为整个图像范围,可以应用Inquire Box定义窗口);

(5)输出数据类型(Output Data Type):Unsigned 8 bit; (6)聚焦窗口选择(Focal Definition):包括窗口大小和形状; (7)窗口大小(Size):5 x 5(或3 x 3或7 x 7);

(8)窗口形状:缺省形状为矩形,可以调整为各种形状(如菱形); (9)聚焦函数定义(Function Definition):包括算法和应用范围; (10)算法(Function):Max(或Min / Sum / Mean /SD / Median);

(11)应用范围:包括输入图像中参与聚焦运算的数值范围(三种选择)和输出图像中应用聚焦运算结果的数值范围(三种选择);

(12)输出数据统计时忽略零值:Ignore Zero in Stats; (13)OK(关闭Focal Analysis对话框,执行聚焦分析)。

2.4 纹理分析(Texture Analysis)

在ERDAS 图标面板菜单条,单击Main | Image Interpreter | Spatial Enhancement | Texture命令 ,打开 Texture对话框。

在ERDA图标面板工具条,点击Interpreter 图标 | Spatial Enhancement | Texture命令 ,打开 Texture对话框。

在Texture命令 ,打开 Texture对话框中,需要设置下列参数: (1)确定输入文件(Input File):Lainer.img; (2)定义输出文件(Output File):texture.img; (3)文件坐标类型(Coordinate Type):Map;

(4)处理范围确定(Subset Definition):在ULX/Y,LRX/Y微调框中输入需要的数值 (缺省状态为整个图像范围,可以应用Inquire Box定义窗口); (5)输出数据类型(Output Data Type):Float Single; (6)操作函数定义(Operators):Variance(或Skewness); (7)窗口大小确定(Windows Size):3×3(5×5或7×7);

(8)输出数据统计时忽略零值:选中Ignore Zero in Output Stats复选框; (9)OK(关闭Texture对话框,执行纹理分析)。

2.5 自适应滤波(Adaptive Filter)

在ERDAS 图标面板菜单条:Main | Image Interpreter | Spatial Enhancement | Adaptive Filter命令,打开 Adaptive Filter对话框。

在ERDAS 图标面板工具条:点击Interpreter 图标 | Spatial Enhancement | Adaptive Filter命令,打开 Adaptive Filter对话框。

在Adaptive Filter对话框中,需要设置下列参数: (1)确定输入文件(Input File):Lainer.img; (2)定义输出文件(Output File):adaptive.img; (3)文件坐标类型(Coordinate Type):Map;

(4)处理范围确定(Subset Definition):在ULX/Y,LRX/Y微调框中输入需要的数值; (缺省状态为整个图像范围,可以应用Inquire Box定义窗口); (5)输出数据类型(Output Data Type):Unsigned 8 bit; (6)移动窗口大小(Moving Windows Size):3(表示3 x 3);

(7)输出文件选择(Option Data Type):BandWise(逐个波段进行滤波)或PC(仅对主成份

变换后的第一主成份进行滤波);

(8)乘积倍数定义(Multiplier):2(用于调整对比度);

(9)输出数据统计时忽略零值:选中Ignore Zero in Stats复选框; (10)OK(关闭Adaptive Filter对话框,执行自适应滤波)。

2.6 统计滤波

在ERDAS 图标面板菜单条,单击Main |Image Interpreter|Spatial Enhancement|Statistical Filter命令,打开 Statistical Filter对话框;

在ERDA图标面板工具条,点击Interpreter 图标 |Spatial Enhancement|Statistical Filter命令,打开 Statistical Filter对话框。

在打开Statistical Filter对话框中,需要设置下列参数: (1)确定输入文件(Input File):Lainer.img; (2)定义输出文件(Output File):statistical.img; (3)文件坐标类型(Coordinate Type):Map;

(4)处理范围确定(Subset Definition):在ULX/Y,LRX/Y微调框中输入需要的数值(缺

省状态为整个图像范围,可以应用Inquire Box定义窗口);

(5)输出数据类型(Output Data Type):Unsigned 8 bit; (6)乘积倍数选择(Multiplier):2.0;

(7)输出数据统计时忽略零值:选中Ignore Zero in Stats复选框; (8)OK(关闭Statistical Filter对话框,执行统计滤波)。

3.7 分辨率融合(Resolution Merge)

在ERDAS 图标面板菜单条,Main |Image Interpreter|Spatial Enhancement|Resolution Merge命令,打开Resolution Merge对话框。

在ERDAS 图标面板工具条,点击Interpreter图标|Spatial Enhancement|Resolution Merge命令,打开Resolution Merge对话框。

在Resolution Merge对话框中,需要设置下列参数:

(1)确定高分辨率输入文件(High Resolution Input File):spots.img; (2)确定多光谱输入文件(Multispectral Input File):dmtm.img; (3)定义输出文件(Output File):merge.img;

(4)选择融合方法(Method):Principle Component(主成份变换法)。系统提供的另外两种融合

Resolution Merge对话框

方法是:Mutiplicative(乘积方法)和Brovey Transform(比值方法);

(5)选择重采样方法(Resampling Techniques):Bilinear Interpolation; (6)输出数据选择(Output Option):Stretch Unsigned 8 bit; (7)输出波段选择(Layer Selection):Select Layers 1:7; (8)退出模型生成器视窗:File |Close All;

(9)OK(关闭Resolution Merge对话框,执行分辨率融合)。

2.8 锐化增强处理(Crisp Enhancement)

在ERDAS 图标面板菜单条,单击Main|Image Interpreter |Spatial Enhancement|Crisp命令,

打开Crisp对话框;

在ERDAS 图标面板工具条:点击Interpreter图标|Spatial Enhancement|Crisp命令,打开Crisp对话框。

在Crisp对话框中,需要设置下列参数: (1)确定输入文件(Input File):panatlanta.img; (2)定义输出文件(Output File):Crisp.img; (3)文件坐标类型(Coordinate Type):Map;

(4)处理范围确定(Subset Definition):ULX/Y,LRX/Y(缺省状态为整个图像范围,可以应用Inquire Box定义窗口);

(5)输出数据统计时忽略零值:Ignore Zero in Stats;

(6)点击View按钮打开模型生成器视窗,浏览Crisp功能的空间模型; (7)退出模型生成器视窗:File | Close All; (8)OK(关闭Crisp对话框,执行锐化增强处理)。

实验5 图像变换

1 目的要求

(1)了解和掌握多光谱图像代数运算、统计分析变换和HIS彩色空间变换的过程和方法; (2)进一步理解各种运算和变换产生的处理效果和物理意义。

2、内容与步骤

2.1 遥感图像运算

图像运算是将经过空间配准的多幅单波段遥感图像进行一系列的代数运算,从而达到某种增强目的的图像处理方法。最常用的有加法运算、减法运算、比值运算和混合运算,也有复杂的代数运算。其中一些波段的代数运算具有特定的物理意义,能够提取一定的地物,形成固定的术语,如植被指数、干旱指数、水分系数等。 2.1.1 一般算术运算实验操作步骤:

ERDAS图标面板菜单条:Main→Image Interpreter→Utilities →Operators→Two Input Operators 对话框

ERDAS图标面板工具条:点击Interpreter图标→Utilities →Operators→Two Input Operators 对话框 在Two Input Operators对话框中,确定下列参数 →确定第一幅输入图像(input file#1):lanier.img →确定第二幅输入图像(input file#2):lndem.img →选择图像数据层(Layer):All

→定义输出图像(output file):lanier_dem.img →选择运算函数 (Operator):+、-、*、/?? →确定运算规则 (Select Area By):Union

→输出数据统计时忽略零值:Ignore Zero in Stats →确定输出数据类型(outputdata type):Float single →OK(关闭对话框,执行操作)

2.1.2 指数运算实验操作步骤:

ERDAS图标面板菜单条:Main→Image Interpreter→Spectral

Enhancement→Indices→Indices对话框

ERDAS图标面板工具条:点击Interpreter图标→Spectral

Enhancement→Indices→Indices对话框

在Indices对话框中,确定下列参数

→确定输入文件(input file):tmatlanta.img →定义输出文件(output file):indices.img →文件坐标类型(Coordinate Type):Map

→处理范围确定(Subset Definition):ULX/Y,LRX/Y →输出数据类型(outputdata type):Float single →选择传感器 (Sensor):Landsat TM,?? →选择运算函数(Select Function):NDVI,??

→输出数据统计时忽略零值:Ignore Zero in Stats →OK(关闭对话框,执行操作)

2.2 遥感图像融合—彩色空间变换

把RGB表色系统与HIS表色系统之间所进行的相互变换的处理称彩色变换,这也是图像融合的一种模式。其中从RGB系统转换到HIS系统称为HIS正变换,从HIS系统转换到RGB系统称为HIS逆变换。实际应用中经常是首先将TM多波段图像进行假彩色合成,得RGB模式的图像,对此RGB图像实行HIS正变换,得到HIS模式图像;然后用高分辨率的全色波段代替变换后的I,对代换后的HIS图像再作HIS逆变换,将其变回到RGB模式,得到融合图像。

2.2.1 HIS正变换实验操作步骤:

ERDAS图标面板菜单条:Main→Image Interpreter→Spectral

Enhancement→RGB to IHS→RGB to IHS对话框 ERDAS图标面板工具条:点击Interpreter图标→Spectral

Enhancement→RGB to IHS→RGB to IHS对话框 在RGB to IHS对话框中,确定下列参数

→确定输入文件(input file):dmtm.img →定义输出文件(output file):rgb-ihs.img →文件坐标类型(Coordinate Type):Map

→处理范围确定(Subset Definition):ULX/Y,LRX/Y

→确定参予色彩变换的3个波段(No. of Layers):4-R/3-G/2-B →输出数据统计时忽略零值:Ignore Zero in Stats →OK(关闭对话框,执行操作)

2.2.2 HIS逆变换实验操作步骤:

ERDAS图标面板菜单条:Main→Image Interpreter→Spectral

Enhancement→IHS to RGB→IHS to RGB对话框 ERDAS图标面板工具条:点击Interpreter图标→Spectral

Enhancement→IHS to RGB→IHS to RGB对话框

在IHS to RGB对话框中,确定下列参数 →确定输入文件(input file):rgb-his.img →定义输出文件(output file): ihs-rgb.img →文件坐标类型(Coordinate Type):Map

→处理范围确定(Subset Definition):ULX/Y,LRX/Y

→拉伸选择(No Stretch/I Stretch/S Stretch/I&S Stretch): →确定参予色彩变换的3个波段:Intensity:1/Hue:2/Sat:3 →输出数据统计时忽略零值:Ignore Zero in Stats →OK(关闭对话框,执行操作)

2.3 遥感图像变换—主成分分析(K—L变换)

K—L变换是离散Karhunen-Loeve变换的简称,又常被称作主成分分析。它是对某一多光谱图像X,利用K-L变换矩阵A进行线性组合,而产生一组新的多光谱图像Y的操作,

表达式为:

Y=AX

其中X为变换前多光谱空间的像元矢量,Y为变换后主分量空间的像元矢量,A为X空间的协方差(或相关系数)矩阵的特征向量矩阵的转置矩阵。变换前各波段之间有很强的相关性,经过K-L变换组合,输出图像Y的各分量yi之间将不具有相关性。

K-L变换后的新波段主分量包括的信息量不同,呈逐渐减少趋势。其中,第一主分量集中了最大的信息量,第二、第三主分量的信息量依次快速递减,到第n分量信息几乎为0。由于K-L变换对不相关的噪声没有影响,所以信息减少时,便突出了噪声,最后的分量几乎全是噪声。所以这种变换又可分离出噪声,在遥感数据处理时,常常用K-L变换作数据分析前的预处理。

实验操作步骤如下:

ERDAS图标面板菜单条:Main→Image Interpreter→Spectral

Enhancement→Principal Components →Principal Components 对话框

ERDAS图标面板工具条:点击Interpreter图标→Spectral

Enhancement→Principal Components →Principal Components 对话框

在Principal Components对话框中,确定下列参数 →确定输入文件(input file):lanier.img →定义输出文件(output file):principal.img →文件坐标类型(Coordinate Type):Map

→处理范围确定(Subset Definition):ULX/Y,LRX/Y →输出数据类型(outputdata type):Float single 或Stretch →输出数据统计时忽略零值:Ignore Zero in Stats

→特征矩阵设置(Eigen Matrix):两种方式,写入特征矩阵必选; →特征值设置(Eigen Values):两种方式,写入特征数据文件; →主成分数选择(Number Components Desired):3 →OK(关闭对话框,执行操作)

2.4 遥感图像变换—缨帽变换(K-T变换)

K-T变换是Kauth-Thomas变换的简称,这种变换也是一种线性组合变换,其变换公式为:

Y=BX

X为变换前的多光谱空间的像元矢量,Y为变换后的新坐标空间的像元矢量,B为变换矩阵。变换后新分量中的前三个分量与地面景物的关系明确:

y1为亮度,实际是TM的6个波段的加权和,反映了总体的反射值;

y2为绿度,波长较长的红外波段5和7(x5,x7)有了很明显的抵削,剩下4与1、2、3刚好是近红外与可见光部分的差值,反映了绿色生物量的特征;

y3为湿度,反映了可见光至近红外波段(波段1至4)与波长较长的红外波段(波段5、7)的差值,反映出湿度特征。

y4,y5,y6这三个分量与地物没有明确的对应关系,因此K-T变换后只取前三个分量,这样也实现了数据压缩。

K—T变换的研究主要针对TM数据和MSS数据,应用范围较窄,但它抓住了地面景物,特别是植被和土壤在多光谱空间中的特征。对于扩大陆地卫星TM影像数据分析在农业方面

应用有重要意义。

实验操作步骤如下:

ERDAS图标面板菜单条:Main→Image Interpreter→Spectral

Enhancement→Tasseld Cap →Tasseld Cap 对话框

ERDAS图标面板工具条:点击Interpreter图标→Spectral

Enhancement→Tasseld Cap →Tasseld Cap 对话框

在Tasseld Cap对话框中,确定下列参数 →确定输入文件(input file):lanier.img →定义输出文件(output file):tasseled.img →文件坐标类型(Coordinate Type):Map

→处理范围确定(Subset Definition):ULX/Y,LRX/Y →数据类型选择(Input outputdata type):unsigned 8bit →输出数据选择(output Options):

→输出数据拉伸到0~255:Stretch to unsigned 8bit →输出数据统计时忽略零值:Ignore Zero in Stats →定义相关系数(Set Coefficients):点击Set Coefficients

→打开Tasseld Cap Coefficients对话框: →确定传感器类型(Sensor):Landsat 5 TM

→定义相关系数(Coefficients Definition):可以缺省 →OK(关闭对话框,执行操作) →OK(关闭对话框,执行操作)

此外,多光谱增强的方法还有:主成分逆变换(Inverse Principal Components),

去相关拉伸(Decorrelation Stretch)和自然色彩变换(Natural Color)等。

实验6 图像分类

非监督分类

1 目的与要求

1.了解和掌握多光谱图像非监督分类过程和方法; 2.能够对初步分类结果进行评价和分类后处理。

2 内容与步骤

非监督分类(unsupervised classification)指不必对影像地物获取先验知识,仅依靠影像上不同类地物的光谱信息(或纹理信息)进行特征提取,以提取出的统计特征为依据来进行分类。非监督分类主要采用聚类分析方法,就是把一组像元按照相似性归成若干类别,使得属

于同一类别的像元之间的差异尽可能的小而不同类别像元间的差异尽可能的大。非监督分类常用的方法有:分级集群法(Hierarchical Clustering)、K-mean法和动态聚类法(迭代自组织数据分析技术IODAT:Iterative- Organizing Data Analysis Technique)等。下面以动态聚类法为例,说明非监督分类操作步骤:

2.1 非监督分类过程

ERDAS图标面板工具条:点击DataPro图标→Unsupervised classification→Unsupervised classification对话框;

ERDAS

图标面板工具条:点击

Classifier

图标→Unsupervised

classification→Unsupervised classification对话框。

在Unsupervised classification对话框中,确定下列参数: →确定输入图像文件(input Raster file):germtm.img; →定义输出分类图像文件(output cluster file):isoda.img; →选择生成分类模板文件(output Signature file):isoda.sig;

→选择分类参数决定方法:lnitialize from Statistics(√) Use Signature Means; →确定初始分类数 (Number of classes):10(最终分类数2倍); →点击Initializing Options设置统计参数;

→点击Color Scheme Options设置分类图像的颜色; →定义最大循环次数 (Maximum Iteration):24; →设置循环收敛阈值 (Convergence Threshold):0.95; →OK(关闭对话框,执行操作)。

2.2 分类评价

应用分类叠加方法(classification Overlay)检查分类精度,方法如下: 第一步:显示原图像与分类图像

ERDAS图标面板菜单条:Main→Start Imagine Viewer→打开视窗; ERDAS图标面板工具条:点击Viewer图标→打开视窗;

在视窗中同时显示分类前后的两景影像,原图像在下,分类图像在上。 第二步:打开分类图像属性表,调整字段显示顺序

在视窗工具条点击工具图标,(或视窗菜单条选择Raster→Tool)→打开Raster工具面板→点击Raster工具面板的表格图标(或Raster→Attribute)→打开Raster Attribute Editor对话框:Edit→Column Properties→打开Column Properties对话框;

在Column Properties中选择要调整显示顺序的字段,通过Up、Down、Top、Bottom等按钮调整其位置,并可特征显示宽度、对齐方式,在Title中修改各个字段的名字及其内容;

→OK(关闭Column Properties对话框,执行操作); →返回Raster Attributes Editor对话框。

第三步:给各个类别赋相应的颜色 Raster Attributes Editor对话框

→点击一个类别的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) →As Is菜单→选择一种颜色

→重复以上步骤,直到给所有类别赋予合适的颜色

第四步:不透明度设置 Raster Attribute Editor对话框 →右键点击Opacity字段的名字 →Column Options菜单→Formula →Formula对话框

→在Formula输入框中输入0(鼠标点击右上数据区)

→点击Apply(该类别设置成不透明),直至所有类别成不透明

→点击Close→返回Raster Attributes Editor对话框 →点击一个类别的Row字段,从而选择该类别 →点击该类别的Opacity字段从而进入输入状态

→在该类别的Opacity字段中输入1,并按回车键,该类别的颜色显示在原图像上

第五步:确定类别专题意义及其准确程度

视窗菜单条:Utility→Flicker→Viewer Flicker对话框→Auto Mode,观察分类图像与背

景图像之间的关系,从而断定该类别的专题意义(类别名称),并分析其分类准确与否。

第六步:标注类别的名称和相应颜色

Raster Attribute Editor对话框→点击刚才分析类别的Row字段 →点击该类别的Class Names字段,进入输入状态

→在该类别的Class Names字段输入其类别名称,并按回车键

→右键点击该类别的Color字段(颜色显示区) →As Is菜单→选择一种颜色;

重复以上4—6三步,直到对所有类别都进行了分析与处理,最后得到分类图像。

2.3 分类后处理(Post-Classification Process)

无论是监督分类还是非监督分类,都是按照图像光谱特征进行统计分类的,带有一定的盲目性。所以,对获得的分类结果需要进行一些处理工作,才能得到相对理想的分类结果,这些处理称为分类后处理。

(1)聚类统计(clump)

聚类统计是通过对分类专题图像计算每个分类图斑的面积、记录相邻区域中最大图斑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;该图像是一个中间文件,用于进行下一步处理。

ERDAS图标面板菜单条:Main→Image Interpreter→GIS Analysis→Clump→Clump对话

框:

ERDAS图标面板工具条:点击Interpreter图标→GIS Analysis→Clump→Clump对话框: →确定输入文件(input File):lnlandc.img

→定义输出文件(outputFile):lnlandc_clump.img →文件坐标类型(coordinateType):map

→处理范围确定(subsetde finition):ULX/Y,LRX/Y →确定聚类统计邻域大小(connectedneighbors):4/8 →OK(关闭Clump对话框,执行聚类统计分析)

(2)过滤分析(sieve)

过滤分析功能是对经Clump处理后的Clump类组图像进行处理,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。

ERDAS图标面板菜单条:Main→Image Interpreter→GIS AnalysisSieve→Sieve对话框 ERDAS图标面板工具条:点击Interpreter图标→GIS Analysis→Sieve→Sieve对话框: →确定输入文件(input file):lnlandc_clump.img →定义输出文件(output file):lnlandc_sieve.img →文件坐标类型(coordinate type):map

→处理范围确定(subset definition):ULX/Y,LRX/Y →确定最小图斑大小(minimumsize):16pixels →OK(关闭Sieve对话框,执行过滤分析)

(3)去除分析(eliminate)

去除分析是用于删除原始分类图像中的小图斑或Clump聚类图像中的小Clump类组,

它将删除的小图斑合并到相邻的最大的分类当中。

ERDAS图标面板菜单条:Main→Image Interpreter→GIS Analaysis→Eliminate→Eliminate对话框

ERDAS图标面板菜单条:点击Interpreter图标→GIS Analaysis→Eliminate→Eliminate对话框:

→确定输入文件(input file):Inlandc_clump.img →定义输出文件(output file):Inlandc_eliminate.img →文件坐标类型(coordinate type):map

→处理范围确定(subset definition):ULX/Y,LRX/Y →确定最小图斑大小(minimum):16pixels →确定输出数据类型(output):Unsigned4Bit →OK(关闭Eliminate对话框,执行去除分析)

(4)分类重编码(recode)

分类重编码主要是针对非监督分类的,由于非监督分类过程中,一般要定义比最终需

要多一定数量的分类数;在获得分类方案后,首先要将专题分类图像与原始图像对照,判断每个分类的专题属性,然后对相近或类似的分类通过图像重编码进行合并,并定义分类名称和颜色。分类重编码还可以用在很多其他方面,作用有所不同。

ERDAS图标面板菜单条:Main→Image Interpreter→GIS Analysis→Recode→Recede对话框

ERDAS图标面板工具条:点击Interpreter图标→GIS Analysis→Recode→Recode对话框: →确定输入文件(input file):lnlandc.img/ Inlandc_eliminate.img →定义输出文件(output file):lnlandc_recode.img →设置新的分类编码(setuprecede):点击Setup Recode按钮 →打开Thematic Recode表格:

→根据需要改变New Value字段的取值(直接输入)

在本例中将原来的十类依次两两合并,形成五类。 →OK(关闭Thematic Recode表格,完成新编码输入) →确定输出数据类型(output):Unsigned 4 bit →OK(产生新的专题分类图像)

可以在视窗中打开重编码后的专题分类图像,查看其分类属性表。 Viewer:File→Open→Raster Layer→lnlandc_recode.img Viewer:Raster→Attributes→Raster Attribute Editor属性表

对比两个分类属性表,特别是Histogram的数值,会发现两者之间的联系和区别。

监督分类

1 目的与要求

1.了解和掌握多光谱图像监督分类的过程和方法; 2.能够对分类模版和分类结果进行评价与处理。

3 内容与步骤

监督分类(supervised classification)是在分类前人们对遥感图像上某些抽样区中影像地物的类别属性已有了先验知识,即先要从图像中选取所有要区分的各类地物的样本(训练区);由训练区得到各个类别的统计数据,用于训练分类器(建立判别函数);然后根据这些统计数据对整个图像进行分类。监督分类一般有以下几个步骤:定义分类模板,评价分类模板,进行监督分类,评价分类结果。具体实验操作步骤如下:

3.1 定义分类模板(Define Signature Using Signature Editor)

第一步:显示需要进行分类的图像

ERDAS图标面板菜单条:Main→Start Imagine Viewer→打开视窗; ERDAS图标面板工具条:点击Viewer图标→打开视窗; 在视窗中显示用于分类的图像:germtm.img(R4/G5/B3)。

第二步:打开模板编辑器并调整显示字段

ERDAS图标面板菜单条:Main→Image Classification→ ERDAS图标面板工具条:点击Classifier图标

→Signature editor→Signature editor对话框 →Signature editor对话框菜单条→View→Columns →View Signature Columns对话框

→点击最上字段的Columns,向下拖拉直到最后一个段,所有字段都被选择上,并用黄色(缺省值)标识出来。

→按住Shift键的同时,分别点击Red、Green、Blue三个字段,Red、Green、Blue三个字段将从选择集中被清除

→点击Apply按钮 →点击Close按钮。

第三步:获取分类模板信息

分类模板的信息可以通过3种方法获得:AOI绘图工具、AOI扩展工具、查询光标,它们可以单独使用,也可联合应用。

①应用AOI绘图工具在原始图像获取分类模板信息 在显示有待分类图像的Viewer:

在视窗工具条点击工具图标,(或视窗菜单条选择Raster→Tool) →打开Raster工具面板

→点击Raster工具面板的绘制多边形图标 →Viewer中选择绿色区域,绘制一个多边形AOI

→在Signature editor对话框工具条点击+图标,将多边形AOI区域加载到

Signature分类模板中

→在Signature editor中,改变刚才加入模板的Signature Name和Color,如改

变为Agricultural-1和Green色

→重复上述操作过程以多选几个绿色AOI,并将其作为新的模板加入到Signature

editor当中,同时确定各类的名称及颜色。

如果对同一个专题类型(如水体)采集了多个AOI并生产了模板,可以将这些模板合并,以使该分类模板具多区域的综合特性。方法是在Signature editor对话框中,将该类的Signature 全部选定,然后点击≡(合并)图标,将生产一个综合的新模板,原来的多个

Signature 同时存在(如果必要也可以删除)。

②应用AOI扩展工具在原始图像获取分类模板信息

扩展生成AOI的起点是一个种子像元,与该像元相邻的像元按照某种约束条件来考察,如空间距离、光谱距离等,如果被接受,则与原种子像元一起成为新的种子像元组,并重新计算新的种子像元组的特征值(也可设置为一直沿用原始种子的值-空间距离时)。以后的相邻像元将以新的特征值来计算光谱空间。

首先设置种子像元特征,在显示有待分类图像的Viewer: →AOI→Seed Properties菜单 →Region Growing Properties对话框 →点击邻域选择图标:4邻域或8邻域

→在Goegraphic Constrains设置地理约束(AOI的最大面积、与被点击像元的最大

距离)

→在Spectral Euclidean Distance中设置波谱欧氏距离

→点击Options按钮,打开Region Grow Options面板以确定一些扩展设置: →Include Island Polygons:包被在种子像元中的不符合条件的像元如何处理(选

择-删除,不选择-作为AOI的部分)

→Updata Regions Mean:每次扩展后是否重新计算种子的特征值(选择-重新计算,

不选择-一直用原始种子的特征值)

→Buffer Regions Boundary:对AOI产生缓冲区 产生AOI,在显示有待分类图像的Viewer:

→在视窗工具条点击工具图标(或视窗菜单条Raster→Tool) →打开Raster工具面板

→点击Raster工具面板的⊕图标(选择种子像元)

→点击Viewer中的红色区域(林地),将自动扩展生成一个针对林地的AOI。如果需

要,可以修改Region Growing Properties直到满意为止(直接点击Redo)。

→在Signature editor对话框工具条点击+图标,将扩展AOI区域加载到Signature

分类模板中

→在Signature editor中,改变刚才加入模板的Signature Name和Color,如改

变为Forest-1和Red色

→重复上述操作过程以多选几个红色AOI,并将其作为新的模板加入到Signature

editor当中,同时确定各类的名称及颜色。

③应用查询光标扩展方法获取分类模板信息

本方法与(2)大同小异,只是用查询光标(Inquire Cursor)确定种子像元。 首先设置种子像元特征,在显示有待分类图像的Viewer: →Utility→Inquire Cursor →将十字光标交点移到种子像元上

→点击Region Growing Properties对话框的Grow at Inquire →产生一个新的AOI

→在Signature editor对话框工具条点击+图标,将AOI加载到Signature分类模

板中

④在光谱空间图像中应用AOI工具产生分类模板

在光谱空间图像中应用AOI工具产生分类模板的基本操作是:生成光谱空间图像、关联原始图像与光谱空间图像、确定图像类型在光谱空间的位置、在光谱空间图像绘制AOI区域、将AOI添加在分类模板中。

Signature editor对话框菜单条→Feature→Create→Feature Space Layers→Create Feature

Space Images对话框:

→确定原图像名字(input Raster Layer):germtm.img →定义输出图像根名字(output Root Name):germtm →选择输出到视窗:点击Output Viewer复选框 →选择Color复选框以使产生的图像为彩色

→在Feature Space Layers中选择组成光谱空间的图像:germtm_2_5.fsp.img →OK(关闭对话框,执行操作)

系统自动生成并打开视窗Viewer#2,显示基于图像germtm.img 2/5波段的光谱空间图像germtm_2_5.fsp.img。然后将光谱空间图像与原图像视窗联系起来,从而分析原图像上各类地物在光谱空间图像上的位置。

Signature editor对话框菜单条:

→Feature→View→Linked Cuosors→Linked Cuosors对话框:

→在Viewer中输入2(选择原图像与哪个视窗中的光谱空间相关联,如果有多个光

谱空间图像,可以选择All Feature space Viewers复选框,使原图像与所有的光谱空间图像关联起来)

→点击Link按钮

→在Viewer#2中用AOI多边形工具绘制地物(如水体)对应的AOI区域

→在Signature editor对话框中,点击+图标,将AOI区域加载到Signature分类

模板中

→Signature editor菜单条:Feature→Statistics

→Signature editor菜单条:Linked Cursors→Unlik→Close。 第四步:保存分类模板

Signature editor对话框菜单条:File→Save →打开Save Signature Fiel As对话框 →确定是保存所有模板还是只保存被选中的模板 →确定文件的目录和名字(.sig文件) →OK

3.2 评价分类模板(Evaluating Signature)

①报警评价(Alarms) 第一步:产生报警掩膜

在Signature editor对话框:→选择某一类或几类模板→View→Image Alarm→Signature Alarm对话框:

→选中Indicate Overlap

→点击Edit Parallelepiped Limits→Limits对话框:

→点击Set→Set Parallelepiped Limits对话框: →设置计算方法(Method):Minimum/Maximum →选择使用的模板(Signature):Corrent →OK(关闭Set Parallelepiped Limits对话框) →Close(关闭Limits对话框) →OK(执行报警评价,形成报警掩膜) →Close(关闭Signature Alarm对话框)

根据Signature Editor中指定的颜色,选定类别的像元显示在原始图像视窗中,并覆盖在原图像上,形成一个报警掩膜。

第二步:利用Flicker功能查看报警掩膜

方法参见实验1遥感图像自动分类识别——非监督分类3.2第五步。 第三步:删除分类报警掩膜

Viewer#1视窗菜单条:View→Arrange Layers→Arrange Layers对话框: →右键点击Alarm Mask图层 →弹出Layer Options菜单

→选择Delete Layer(Alarm Mask图层被删除) →Apply→Verify Save on Close→No →Close(关闭Arrange Layers)。 ②可能性矩阵(Contingeney Matrix) 在Signature editor对话框:

→在Signature editor中选择所有类别

→Evaluation→Contingency→打开Contingency Matrix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 →选择像元总数作为评价输出统计:Pixel Counts

→OK(关闭Contingency Matrix对话框,计算分类误差矩阵)

计算结束后,IMAGINE文本编辑器被打开,分类误差矩阵将显示在编辑器中供查看统计。

③由光谱空间模板产生图像掩膜

只有产生于光谱空间的Signature才使用本工具进行处理。 在Signature editor对话框:选择要分析的光谱空间模板 →Feature→Masking→Feature Space to Image

→FS to Image Masking:

→不选择Indicate Overlay(选择表示“属于不只一个光谱空间模板的像元”将用

后面的颜色显示)

→Apply(应用参数设置,产生分类掩膜) →Close(关闭FS to Image Masking对话框) ④模板对象图示

模板对象图示可以显示各个分类模板的统计图,以便比较不同的类别。统计图以椭圆形式显示在光谱空间图像中,每个椭圆都是基于类别的平均值和标准差。同时可以显示两个波段类别均值、平行六面体和标识(Label)。

在Signature editor对话框:

→Feature→Objects→Signature Objects →确定光谱空间图像视窗(Viewer):2(Viewer#2) →确定绘制分类统计椭圆:选择Plot Ellipses →确定统计标准差(Std.Dev.):4 →OK(执行模板对象图示,绘制分类椭圆) ⑤直方图方法

通过分析类别的直方图对分类模板进行评价和比较。

在Signature editor对话框:选择一个或几个类别→在Signature editor菜单条:View→Histograms→打开HistogramsPlot Control Panel对话框:

→确定分类模板数量(Signature):Single/All Selected →确定分类波段数(Band):Single/All Band →选择应用哪个波段(Band No.):1/2/3/4/5/6/7 →点击Plot(绘制分类直方图) ⑥类别的分离性

通过计算任意类别间的统计距离,确定两个类别间的差异性程度,也可用于确定在分类中效果最好的的数据层。

在Signature editor对话框:选择一个或几个类别→在Signature editor菜单条: →Evaluate

→打开Signature Separability对话框:

→确定组合数据层数(Layers Per Combination):3/4/5

→选择计算距离方法(Distance Measure):Transformed Divergence →确定输出数据格式(Output Form):ASCⅡ

→确定统计结果报告方式(Report Type):Summary Report(只显示分离性最好的两

个波段组合)/Complete Report(显示所有波段组合)

→OK(执行类别的分离性计算,并将结果显示在文本编辑器) →Close(关闭对话框)。 ⑦类别统计分析

通过对类别专题层进行统计,做出评价和比较。且每次只能对一个类别进行。 在Signature editor对话框:

→把要进行统计的类别置于活动状态(即点击该类的>字段) →View→Statistics(或点击∑图标)→Statistics对话框:

Statistics对话框的主体是分类统计结果列表,包括基本统计信息(Min、Max、Mean、Std.Dev.)及协方差矩阵(Convariance)。

3.3 执行监督分类(Perform Supervised Classification)

ERDAS图标面板菜单条:Main→Image classification ERDAS图标面板工具条:点击Classifier图标→classification →Supervised classification:进入对话框:

→确定输入原始文件(input Raster file):germtm.img →定义输出分类文件(Classified file):superclass.img →确定分类模板文件(Input Signature file):germtm.sig →选择输出分类距离文件:Distance file(用于阈值处理) →确定分类距离文件(Filename):germtm-distance.img →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 →不选择Classify Zeros(分类过程中是否包括0值) →OK(执行监督分类,关闭对话框)

在Supervised classification对话框中,可以设定属性表项目。 →点击Attribue Options→进入Attribue Options对话框: →在Attribue Options对话框上作出选择 →OK(关闭Attribue Options对话框) →返回Supervised classification对话框

3.4 评价分类结果(Evaluate Classification)

①分类叠加(Classification Overlay)

就是将专题分类图像与分类原始图像同时在一个视窗中打开,将分类图层置于上层,通过改变分类专题的透明度及颜色,查看分类结果的准确性。方法见3.1.2的第4、5步。

②阈值处理(Thresholding)

第一步:显示分类图像并启动阈值处理功能

首先需要在视窗中打开分类后的专题图像,然后启动阈值处理功能: ERDAS图标面板菜单条:Main→Image classification ERDAS图标面板工具条:点击Classifier图标→classification →点击Threshold菜单项→进入Threshold对话框 第二步:确定分类图像和距离图像

→Threshold对话框菜单条:File→Open→打开Open对话框: →确定专题分类图像(Classified Image):superclass.img →确定距离图像(Distance Image):germtm-distance.img →OK(关闭Open对话框) →返回Threshold对话框 第三步:视图选择及直方图计算

→Threshold对话框菜单条:View→Select Viewer →点击显示分类专题图的视窗

→Threshold对话框菜单条:Histogram→Compute(计算各类别的距离直方图,需要

的话可以保存)

第四步:选择类别并确定阈值

Threshold对话框:在分类属性表格中,选择专题类别 →移动“>”符号到指定的专题类别旁 →菜单条:Histograms→View

→确定类别的Distance Histogram被显示出来 →拖动Histogram X轴上的到想设置为阈值的位置 →重复上述步骤,依次设定每一个类别的阈值 第五步:显示阈值处理图像 Threshold对话框菜单条:

→View→View Color→Default Colors(缺省色) →Process→To Viewer

→阈值处理图像将显示在分类图像之上,即形成一个阈值掩膜。 第六步:观察阈值处理图像

参照3.1.2的第5步的方法,用Flicker闪烁观察处理前后的变化。 第七步:保存阈值处理图像 Threshold对话框菜单条:

→Process→To File→打开Threshold To File对话框: →确定输出阈值处理图像(Output Image):文件名和目录

→OK(关闭Open对话框,执行处理) ③分类重编码(Recode Classes)

在上述分析基础上,可能需要对原来的分类重新进行组合,给以新的分类值,从而产生一个新的分类专题层。具体操作见参照实验1遥感图像自动分类识别——监督分类3.3。

④分类精度评估(Accuracy Assessment)

分类精度评估是将专题分类图像中的像元与已知分类的参考像元进行比较。具体操作如下:

第一步:在视窗中打开原始图像

在Viewer中打开分类前的原始图像,以便进行精度评价。 第二步:启动精度评价对话框

ERDAS图标面板菜单条:Main→Image classification ERDAS图标面板工具条:点击Classifier图标→classification →选择Accuracy Assessment菜单项

→打开Accuracy Assessment对话框:对话框中显示了一个精度评价矩阵(Accuracy

Assessment Cellarray)。

第三步:打开分类专题图像

Accuracy Assessment对话框菜单条:File→Open →打开Classified Image对话框 →确定与视窗中对应的分类专题图像 →OK(关闭Classified Image对话框) →返回Accuracy Assessment对话框 第四步:将原始图像视窗与精度评估视窗相连接 Accuracy Assessment对话框菜单条:View→Select Viewer →将光标在显示有原始图像的视窗中点击一下 →原始图像视窗与精度评估视窗相连接 第五步:在精度评价对话框中设置随机点的色彩

Accuracy Assessment对话框菜单条:View→Change Color菜单项 →打开Change Color面板:

→Points with no Reference:没有真实参考值的点的颜色 →Points with Reference:有真实参考值的点的颜色 →OK(执行参数设置)

→返回Accuracy Assessment对话框 第六步:产生随机点

Accuracy Assessment对话框菜单条:

→Edit→Create/Add Random Points →打开Add Random Points对话框 →在Search Count中输入1024 →在Number of Points中输入0

→在Distribution Parameters选择Random单选框 →OK(按照参数设置产生随机点) →返回Accuracy Assessment对话框 第七步:显示随机点及其类别 Accuracy Assessment对话框菜单条:

→View→Show All(所有随机点均以第五步所设置的颜色显示) →Edit→Show Class Values(各点类别号在数据表的Class字段中) 第八步:输入参考点的实际类别值 Accuracy Assessment对话框:

→在数据表的Reference字段输入各个随机点的实际类别(只要输入参考点的实际分类值,它在视窗中的色彩就变为第五步设置的Point With Reference颜色)

第九步:设置分类评价报告输出环境及输出分类评价报告 Accuracy Assessment对话框菜单条:

→Report→Option→确定分类评价报告的参数 →Report→Accuracy Report(产生分类精度报告)

→Report→Cell Report(报告产生随机点的设置及窗口环境) →所有报告将显示在ERDAS文本编辑器窗口,可保存为文件 →File→Save Table(保存分类精度评价数据表) →File→Close(关闭Accuracy Assessment对话框)

4 实习应交成果

根据理论知识及实习情况完成1景图像的监督分类,提交分类结果图。

实验7 遥感图像地形分析技术

1 目的与要求

1.了解和掌握遥感数字图像处理中的地形分析内容和方法

2.认识和理解各种地形分析方法的本质,能够在具体的研究工作中合理应用。

2 内容与步骤

地形分析就是指在点、线、面高程基础上,对各种地形因素进行分析,包括坡度分析、坡向分析、高程分带、地形阴影、地形校正处理及栅格等高线等,并对图像进行地形校正。各种操作都是以DEM为基础的。

2.1 坡度分析

以DEM栅格数据为基础进行地形坡度(slope)分析时,DEM图像必须是具有投影地理坐标,而且其中高程数据及其单位是已知的。坡度分析步骤如下:

ERDAS图标面板菜单条:Main→Image Interpreter→Topographic→Slope→Surface

Slope对话框。

ERDAS图标面板工具条:Interpreter→Topographic Analysis→Slope→Surface Slope

对话框。

在Suface Slope对话框中,确定下列参数: →选择输入DEM(input DEM file):demmerge_sub.img →确定输出图像(output file): demmerge_slope.img →文件坐标类型(coordinate type): map

→处理范围确定(subset definition): ULX/Y, LRX/Y →选择DEM数据(select DEM layer):1(多个DEM中选一) →选择高程数据单位(elevation units):meters →输出坡度范围(output units): degree

→OK(关闭Surface Slope对话框,执行坡度分析处理)

2.2 坡向分析

以DEM图像数据为基础进行坡向分析时,输出图像有两种:连续色调(continuous)和专题地图(thematic),前者是系统缺省状态,后者可进一步做重编码处理。