遥感实验报告

1遥感原理与应用实验报告姓名：学号：学院：专业：年月日2实验一：ERDAS视窗的认识实验一、实验目的初步了解目前主流的遥感图象处理软件ERDAS的主要功能模块，在此基础上，掌握几个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。二、实验步骤IMAGINE视窗打开IMAGINE视窗启动数据输入/输出模块启动数据预处理模块启动地图编制模块启动图像解译模块启动图像库管理模块启动图像分类模块启动空间建模工具3图像集合纠正1.数据预处理（DataDataprep）2.图像解译（ImageInterpreter）辐射增强光谱增强线性拉伸直方图均衡直方图匹配主成份变换色彩变换4非监督分类3.图像分类（ImageClassification）4.空间建模（SpatialModeler）三、实验小结通过本次试验初步了解遥感图象处理软件ERDAS的主要功能模块，在此基础上，基本掌握了几个视窗操作模块的功能和用途。为后续的实验奠定了基础。模型制作工具5实验二遥感图像的几何校正一、实验目的掌握遥感图像的纠正过程二、实验原理校正遥感图像成像过程中所造成的各种几何畸变称为几何校正。几何校正就是将图像数据投影到平面上，使其符合地图投影系统的过程。而将地图投影系统赋予图像数据的过程，称为地理参考（Geo-referencing）。由于所有地图投影系统都遵循一定的地图坐标系统，因此几何校正的过程包含了地理参考过程。几何校正包括几何粗校正和几何精校正。地面接收站在提供给用户资料前，已按常规处理方案与图像同时接收到的有关运行姿态、传感器性能指标、大气状态、太阳高度角对该幅图像几何畸变进行了几何粗校正。利用地面控制点进行的几何校正称为几何精校正。一般地面站提供的遥感图像数据都经过几何粗校正，因此这里主要进行一种通用的精校正方法的实验。该方法包括两个步骤：第一步是构建一个模拟几何畸变的数学模型，以建立原始畸变图像空间与标准图像空间的某种对应关系，实现不同图像空间中像元位置的变换；第二步是利用这种对应关系把原始畸变图像空间中全部像素变换到标准图像空间中的对应位置上，完成标准图像空间中每一像元亮度值的计算。三、实验内容根据实验的数据，对两张图片进行几何纠正四、实验流程显示图像模型→调用几何纠正模型→启动控制点工具→采集地面控制点和地面检查点→计算变换参数→灰度重采样→纠正精度评定实验步骤。几何校正前的图像参考图像67四、实验小结在此次的实验过程中，控制点的选取是至关重要的，如果不能较精确的选择控制点校正后的图像有很大的误差；而选择控制点是要图中均匀的选取，不能局部过于密集。校正后的图像可以和参考图像进行关联对比。校正后的图像8实验三遥感图像的辐射增强一、实验目的通过上机操作，了解辐射增强的过程和方法，加深对图象增强处理的理解。二、实验原理ERDASIMAGE图像解译模块主要包括了图像的空间增强、辐射增强、光谱增强、高光谱工具、傅立叶变换、地形分析以及其他实用功能。主要包括卷积增强处理；锐化增强处理；滤波分析、直方图处理；主成分分析、色彩变换等。简单的线性变换是按比例拉伸原始图像灰度等级范围，一般为了充分利用显示设备的显示范围使直方图的两端达到饱和。直方图均衡化实质上是对图像进行非线性拉伸，重新分配图像像元值，是一定灰度范围内的像元数量大致相同。这样，原来直方图中间的峰顶部分对比度得到增强，而两侧的谷底部分对比度降低，输出图像的直方图是一较平的分段直方图。直方图的匹配是通过非线性变换使得一个图像的直方图与另一个图像的直方图类似。直方图匹配对在不同时间获取的同一地区或邻接地区的图像，或者由于太阳高度角或者大气影响引起的差异的图像很有用，特别是对图像镶嵌或者变化检测。三、实验内容1．LUT拉伸（LUTStretch）：拉伸前的图像拉伸后的图像92.直方图均衡（HistogramEqualization）拉伸前的直方图拉伸后的直方图均衡前的图像均衡后的图像103.直方图的匹配（HistogramMatch）拉伸前的直方图拉伸后的直方图匹配图像参考图像11直方图匹配图像匹配直方图参考直方图12三、实验小结通过本次上机操作，了解辐射增强的过程和方法，加深了图象增强处理的理解。学会了线性拉伸，直方图的均衡和直方图的匹配，将课本上的内容通过软件应用到实际操作中去，加深了对理论的认识，熟练了实际操作。匹配后的直方图13实验四遥感图像的光谱增强﹑分类和建模一、实验目的1.通过上机操作，了解光谱增强的过程和方法，加深对图象增强处理的理解。2.通过上机操作，了解图像非监督分类和空间建模的过程和方法，加深对其理解。二、实验原理主成分变换（PrincipalComponentAnalysis）是一种常用的数据压缩方法，它可以将具有相关性的多波段数据压缩到完全独立的较少的几个波段上，使图像数据更易于解译。ERDASIMAGE提供的主成分变换功能最多等对256个波段的图象进行转换压缩。色彩变换是将遥感图像从红（R）、绿（G）、兰（B）三种颜色组成的色彩空间转换到以亮度（I）、色度（H）、饱和度（S）作为定位参数的色彩空间，以便使图像的颜色与人眼看到得更接近。其中，亮度表示整个图象的明亮程度，取值范围是0-1；色度代表像元的颜色，取值范围为0-360；饱和度代表颜色的纯度，取值范围是0-1。非监督分类是在没有先验类别(训练场地)作为样本的条件下，即事先不知道类别特征，主要根据像元间相似度的大小进行归类合并（将相似度大的像元归为一类）的方法。非监督分类的前提是假定遥感影像上同类物体在同样条件下具有相同的光谱信息特征。非监督分类方法不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱信息（或纹理信息）进行特征提取的统计特征的差别来达到分类的目的，最后对已分出的各个类别的实地属性进行确认。非监督分类主要采用聚类分析方法，聚类是把一组像素按照相似性归成若干类别，即“物以类聚”。它的目的是使得属于同一类别的像素之间的距离尽可能的小而不同类别上的像素间的距离尽可能的大。常用的方法有：(1)分级集群法（HierarchicalClustering）分级集群法采用“距离”评价各样本（每个像元）在空间分布的相似程度，把它们分布分割或者合并成不同的集群。每个集群的地理意义需要根据地面调查或者与已知类型的数据比较后方可确定。(2)动态聚类法在初始状态给出图像粗糙的分类，然后基于一定原则在类别间重新组合其样本，直到分类比较合理为止，这种聚类方法就是动态聚类。ISODATA（ISODATA：Iterative-OrgnizingDataAnalysizeTechnique迭代自组织数据分析技术）方法在动态聚类法中具有代表性。14三、实验内容1．主成份变换（PCA变换）PCA变换前的图像PCA变换后Layer_1的图像PCA变换后Layer_2的图像PCA变换后Layer_3的图像152.色彩变换（RGBtoISH）|3.非监督分类色彩变换前的图像色彩变换后的图像非监督分类前的图像非监督分类后的图像164．空间建模变换前的图像高通模型高通后的图像17四、实验小结通过本次实验学会了主成份变换，色彩变换，非监督分类和空间建模的软件操作，通过实际对遥感图像的实际操作处理感性的认识了这几种变换处理的效果。变换前的图像低通模型低通后的图像