erdas除云方法

合集下载

遥感影像去云方法

遥感影像去云方法

遥感影像去除云一.去除云层的方法同态滤波法,小波变换,非监督分类四.遥感影像去除云的具体实施方案1. 显示原图像lainer.img2. 对lainer.img进行同态滤波得到lainer-homomorphic影像同态滤波是运用照度和反射率模型对遥感图像进行滤波处理,常常应用于揭示阴影区域的细节特征。

该方法的基本原理是:减少低频,增加高频,从而锐化图像边缘或细节特征的图像增强方法,一幅影像f(x,y)能被表达成照度分量和反射分量两部分的乘积:f(x,y)=i(x,y)*r(x,y)式中i(x,y) 为照度分量,r(x,y) 为反射分量。

3. 对图像lanier.img进行傅立叶变换傅里叶变换图像就是把输入的空间域彩色图像转换成频率域,把RGB彩色图像转换成一系列不同频率的二维正弦波傅里叶图像(*.fft)。

4. 低通滤波:消弱图像的高频组分,而让低频组分通过,是图像更加平滑,柔和。

操作如下所示:5.对lainer-homomorphic影像进行非监督分类非监督分类的过程及结果如下所示:6.去除云层处理一幅图像的照度分量通常表现为空间域的慢变化为特征,而反射分量往往引起突变,特别是在不同物体的连接部分,这些特征导致图像对数的傅里叶变换的低频部分与照射分量相联系,而高频部分与反射分量相联系在一起。

在图像处理过程中我们可以将云雾信息作为照射分量来处理,通过使用同态滤波器减少低频的贡献,而增加高频的贡献来达到云雾去除的效果,其处理流程如下图所示:F(x,y)→LN→FFT→H(x,y)→∮FFT→exp→u(x,y)经过同态滤波的方法去除lainer-homomorphic影像的云层遮盖的结果如下所示:五.结果评价及分析ERDAS MAGNE遥感图像处理系统,在遥感图像处理上,提供了傅里叶变换,傅里叶逆变换以及傅里叶变换编译器等功能,为实现较好的去云效果,利用同态滤波云雾去除的模型对图像进行处理。

经处理,有云雾的遥感图像得到了不同程度的去除,图像模糊程度轻,噪声滤除的效果较好。

遥感影像去除云的方法

遥感影像去除云的方法

遥感影像去除云的方法【摘要】:随着遥感技术的迅速发展,高分辨率遥感影像的应用越来越广泛,但它也极易受到气候因素的影响,云层遮挡就是影响之一。

去云不仅是遥感影像进行准确解译的基础,也是增强遥感数据有效性、可用性的重要途径,故遥感影像去云具有十分重要的实际意义。

本文在总结常用去云方法基础上,对遥感影像薄云去除方法从图像处理角度进行了深入研究,对遥感影像厚云处理方法亦进行了探讨并改进。

论文主要研究内容及结论如下: 1、总结常用去云方法,得到去除薄云的基本思路,为后续研究奠定基础。

2、对常用遥感影像去薄云的方法分区域处理,并探讨直方图匹配的改进,实验证明改进方法去云效果更为理想。

3、利用数学形态学中闭开运算的滤波性质,将数学形态学引入遥感影像薄云处理中。

将多结构元素数学形态学应用到去薄云中,深入的探讨了不同结构元素在去云中的作用;在传统的分通道处理和基于HIS变换处理的基础上,引入数学形态学处理彩色遥感影像的薄云。

研究表明,数学形态学方法去除影像薄云可行有效,在合理选取结构元素的条件下,处理效果优于传统方法。

4、在现有影像厚云去除方法基础上,探讨并实现了基于影像匹配的厚云去除方法。

采用同一地区的航片IKONOS影像上的厚云遮挡区域进行替换修补实验,实验证明该算法可以实现高分辨率遥感影像厚云区域的影像修复,直方图匹配及接缝处理后可以达到理想的修补视觉效果。

5、引入平均灰度、标准差、熵值、峰值信噪比和平均绝对偏差等指标对薄云去除后的影像进行统计分析评价。

比较各项指标可知,广义多结构元素方法能够较好地保持影像细节信息,去薄云处理效果最好;处理彩色遥感影像薄云时,分通道处理方法优于HIS变换方法。

,关键字:遥感影像去云图像处理同态滤波一.实习内容去除遥感影像lainer.img中的云层二.实习目的遥感成像过程极易受云雾的影响,遥感图像中被云雾遮盖的区域直接影响了图像的图像信息的判读,分析和使用,使得图像的有效利用率降低,因此,研究如何有效地减少或消除云雾的影响,对于提高遥感图像的利用率具有重要的现实意义和经济意义。

基于同态滤波的遥感影像去云雾处理

基于同态滤波的遥感影像去云雾处理

第 3期
孙 芳 ,等 中国海域助航标志信息平台的设计与实现
57
5 结束语
中国海域助航标志信息平台从舰船航行安全及 航标数据资料实际应用出发 ,致力于提高航标信息 管理和服务水平 ,将实现航标数据自动更新维护 、航 标表电子出版 、海上助航标志信息的可视化操作 、数 字海图航标数据自动综合处理等全部功能 ,极大地 增强了航标信息内容的现势性 、准确性 、可靠性 。使 不同比例尺电子海图航标数据的统一性 、准确度以 及成图的速度 、质量都有较大的改进 。另外 ,中国海 域助航标志信息平台还将为数字海图与航海通告改 正系统 、航海信息电子助航系统提供基础航标数据 , 为建立全方位 、立体化的海上航行环境保障平台提 供最新航标信息 ,具有较高的应用价值 、良好的社会
5 结 论
图 2 滤波函数的横截面 。D ( u, v)是中心 变换后距原点的距离
4 试验分析
试验选取一幅 SPOT2全色影像 ,大小为 1 075 × 1 075 像素 ,处理平台为 ERDAS IMAGINE。 ERDAS IMAGINE是美国 ERDAS公司开发的遥感图像处理 系统 ,在遥感图像处理上 ,提供了傅里叶变换 、傅里 叶逆变换以及傅里叶变换编辑器等功能 。为实现较 好的去云效果 ,可以利用该系统提供的空间建模分 析 ( spatial modeler)模块设计出高级的空间分析模 型 ,实现复杂的分析和处理功能 。综上所述 ,利用 Model M aker设计同态滤波云雾去除的模型对图像 进行处理 。经过处理 ,有云雾的遥感图像得到了不 同程度的去除 ,图像模糊程度轻 ,噪声滤除的效果较 好 。图 3为实验效果图 ,由图中可看出 ,当 rL = 0. 9,
exp { r′( x, y) } = i0 x, y r0 x, y

erdas使用详细操作资料

erdas使用详细操作资料

erdas专题制图详细操作实验数据:1、裁剪144029(行列号)所需矢量文件2、卫星影像:LE71440292000188SGS01(数据获取来源为usgs网站:/下载所得。

)初步查看分析影像信息:首先在erdas中用tiff格式打开我们下载的影像:点击查看我们下载的影像的信息:可以看到我们下载的影像的分辨率,投影信息等。

图片格式转换:过程如下:在import\expot窗口中:这里的Type我们可以选择tiff 也可以选择geotiff,本人尝试过,选择这两种任意一种类型对输出影像几乎没有区别。

(其区别还有待查证)以此方法,将七个波段的.tiff影像图都转换成.img格式的影像。

由于band8 为全色影像,我们的实验中不需要用它,所以这里我不进行转换了。

只转换以下七个波段即可。

波段组合:将七个波段组合成.img文件设置完毕点OK。

于是我们就得到了.img格式的影像文件。

几何精校正:前面已经知道这张影像的地理信息了,为了验证其实图片投影大致的准确性,我们可以进行几何精校正进行验证。

几何精校正校正过程如下:这里我们使用多项式几何校正。

其中,多项式变换(Polynomial)在卫星图像校正过程中应用较多,在调用多项式模型时,需要确定多项式的次方数(Polynomial Order),通常整景图像选择3次方。

次方数与所需要的最少控制点数是相关的,最少控制点数计算公式为((t+1)*(t+2))/2,式中t为次方数,即1次方最少需要3个控制点,2次方最少需要6个控制点,3次方至少需要10个控制点,依次类推。

设置完毕点close。

会弹出GCP Tool Refrence Setup窗口。

由于我们要使用的是谷歌上的数据,因此我们要选择用键盘输入。

确认信息:信息正确,点OK。

在谷歌中设置:菜单栏中:工具->选项3D视图选项卡中,显示纬度\经度项中使用通用横轴墨卡托投影。

设置完后点应用和确定即可。

在谷歌中以及卫星影像中分别选取同名点,找到后,点击中的(或者点击窗口中的均可。

erdas基本操作指导

erdas基本操作指导

Erdas基本操作指导书说明本指导书专为erdas新手编写,内容为erdas基本操作,包括打开图像的设置、波段叠加、图像融合、图像剪裁和简单的图像增强。

虽然简单,但是胜在语言通俗易懂,步骤详尽,傻瓜式操作。

作者鼓励读者任意转发,希望能够帮助到各位遥感初学者和erdas新手。

同时声明:本人保留著作权和署名权。

——L.R,2011.12.30 1.打开图像在viewer中点击File——open——raster layers,或者直接点击打开文件设置:点击Raster Option,将Clear Display 勾掉可在viewer窗口同时打开两幅图像。

勾选No Stretch 可显示图像原始色彩。

勾选Fit to Frame 可将图像调整到视窗范围内显示。

设置好后点击OK,即可加载图像。

2.波段叠加波段叠加是将几个波段合成一幅图像。

波段来源可以是单波段图像,也可以是多波段图像中的一个或几个波段。

来源图像空间分辨率可以不同(结果图像默认为分辨率最高的)、图像格式也可以不同(结果图像格式可自行设置)。

在erdas主界面上点击Interpreter——Utilities——Layer Stack。

弹出图像选择和叠加界面。

在Input File栏下选择输入图像,并在layer下拉框中选择要加入的波段(选择1、2、3…为单波段,选择ALL为所有波段),点击Add。

加载所有要合成的波段后,在Output File 栏下设置输出文件路径和名称。

在Data Type栏下方的Output下拉框中选择输出文件的数据率。

点击OK,等待运算完成即可。

3.图像融合图像融合是将分辨率较高、单波段的图像信息与分辨率较低、多波段的多光谱图像信息融合起来,使得结果图像即具有高分辨率的优点,又有丰富的多光谱信息。

操作方法:在erdas主界面上点击Interpreter——Spatial Enhancement——Resulotion Merge。

基于ERDAS IMAGINE 的遥感图象去云方法

基于ERDAS IMAGINE 的遥感图象去云方法

基于ERDAS IMAGINE 的遥感图象去云方法赖格英1 刘春燕1 辜晓青2(1 江西师范大学城市与环境科学学院,南昌 330046 2 江西省气象科学研究所,南昌 330046)摘要 本文通过对遥感图象中薄云和地形云的不同特征,提出了不同的处理方法,针对薄云慢变化的空域特征,利用高通滤波进行薄云的去除;针对地形云的地形特征,通过数字地形模型(DEM ),对地形云进行去除。

在操作上,本文利用ERDAS IMAGINE 强大的图象处理建模功能和空间分析及操作功能,实现了遥感图象中上述云覆盖噪声的消除。

关键词:ERDAS IMAGINE 遥感图象 去云处理1 引言遥感图象中,云覆盖是最常见的噪音之一,在有限光谱分辨率的情况下,云覆盖噪声很难用多光谱的方法进行去除。

对于时间分辨率低的遥感平台来说,云覆盖是造成遥感数据缺乏的重要因素之一。

因此如何有效地减少或去除云的影响,是增加遥感数据有效率的一个重要途径,也是遥感图象预处理中的一个重要问题,江西省地处我国南方的亚热带地区,地形复杂,植被多样,云覆盖率极高。

在《江西省自然灾害遥感调查》课题中,干旱调查使用的遥感资料是NOAA/A VHRR 气象卫星资料,从国家卫星气象中心处检索1991年~1998年7月~9月的卫星资料,由于云雾的影响,获取的江西区域NOAA/A VHRR 数据平均有效率不足7%,因此,客观上要求我们对有些局部有云或大范围存在薄云的图象进行去云处理,才能满足实际需要。

云覆盖类型不同,去云的方法也不同。

例如夏季地形性云多半由于地形作用形成云体,滞留在较高的山体,反映在遥感图象上,这类噪音很难用时间平均的方法进行去除;而较大范围的薄云表现出慢变化的空域趋势,在频域上即具有低频的特征。

因此,本文针对不同云体的特征,利用图象处理的基本原理,以及ERDAS IMAGINE 强大的图象处理建模功能,对遥感图象中薄云和地形云的去除进行初步的探讨。

2 薄云的去除方法2.1 薄云去除的原理当云层较薄时,遥感卫星传感器所接收到的图象是由太阳辐射经云层反射部分及太阳辐射经地物或地面反射后再穿透云层这两部分组成,即:)),(1(),().,()],([),(y x t L y x t y x aLr y x Lr y x f −+==ϕ (1)其中,),(y x f 为传感器接收到的综合信息,),(y x r 为地物或地面反射率,代表信号,),(y x t 为云层的透射率,代表噪声,L 为太阳辐射强度,a 为太阳辐射在大气传输过程中的衰减系数,并且),(y x r 、),(y x t 和a 的数值位于0与1之间。

ERDAS基本操作(六)

ERDAS基本操作(六)

3、定义类别颜色
4、设置不透明度 属性表中,Opacity字段,0为透明,1为不透明 5、观察类别意义及精度 可以使用viewer窗口的菜单Utility-Flicker,Swipe,Blend
等工具
6、标注类别名称和颜色 在属性表中Class Names 中修改 7、分类后处理 若结果比较满意,则可结束非监督分类。反之,还需要
sub_subpan.img 直方图与RGBtoIHS.img 的I分量的直方图进行匹配
替换波段
11、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)
先在Input File中选择pan_histogrammatch.img ,然后点 击下面的add,然后在Input File中选择RGBtoIHS.img, 在Layer中选择2,然后点击add按钮,最后在Layer中选择 3,点击add按钮。输出文件名为stack.img
ERDAS基本操作(六)
主要内容
一、非监督分类 二、数据融合
一、非监督分类 Unsupervised Classification
非监督分类
非监督分类,是指人们事先对分类过程不施加任何的先验 知识,仅凭据遥感影像地物的光谱特征的分布规律,随其 自然地进行盲目地分类。其分类结果,只是对不同类别达 到了区分,并不确定类别的属性,其属性是通过事后对各 类的光谱响应曲线进行分析,以及与实地调查比较后确定 的。
进行分类后处理,如聚类统计,过滤分析,去除分析, 分类重编码,合并等,这里不再介绍。
二、图像融合 image fusion
IHS 融合法
IHS 融合法是比较常用的一种融合方法。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。

ERDAS遥感影像大气校正及高分辨率影像

ERDAS遥感影像大气校正及高分辨率影像

后处理:整合
剔出小图斑,孤岛现象
设定一定的阈值来剔除小图斑,孤岛,如这里给定的阈值为350.
第二次提取的结果
所有孤岛都被剔除了。接下来考虑的就是要 Nhomakorabea换成线了。
转换成线状图
转换成连续型的线状道路
•设置一定的跳跃距离, 剔除一些节点来对道路 进行平滑
转换结果
通过Feature Analyst 我们只需要很少的时间就很快完成对线状 道路的提取。尽管提取的数据已经很精确了,但我们仍然可 以通过某些参数的调整来达到更理想的效果。
大大气气++地地形形的的纠纠正正
输输出出:: 就就有有反反射射值值 的的影影像像
增增值值产产品品 ((ee..gg.. 植植被被 指指数数,, 能能量量流流))
输输出出::增增值值产产品品
ATCOR 光谱模型
ATCOR -薄云薄雾去除,大气及地形的纠正
ATCOR 菜单:
ATCOR 主菜单
ATCOR -薄云薄雾去除,大气及地形的纠正
????????????为国防领域获取感兴趣地物要素道?建筑物和汇水系流域的要素提取植被和土地覆盖制图政府localgovernment?业forestry农业agriculture常事务危机管?与规划洪水管?水边界的识别渗透或?渗透地表提取交通通道分析栖息地评估featureanalyst在要素提取中的优势
ATCOR Example:
IKONOS, non-corrected raw data
Data are courtesy of European Space Imaging © European Space Imaging GmbH
ATCOR -薄云薄雾去除,大气及地形的纠正

Erdas里面利用NDVI提取植被指数的步骤(附图)

Erdas里面利用NDVI提取植被指数的步骤(附图)

Erdas里面利用NDVI提取植被指数的步骤NDVI:归一化植被指数和植物的蒸腾作用、太阳光的截取、光合作用以及地表净初级生产力等密切相关。

1、NDVI的应用:检测植被生长状态、植被覆盖度和消除部分辐射误差等;2、-1<=NDVI<=1,负值表示地面覆盖为云、水、雪等,对可见光高反射;0表示有岩石或裸土等,NIR和R近似相等;正值,表示有植被覆盖,且随覆盖度增大而增大;3、NDVI的局限性表现在,用非线性拉伸的方式增强了NIR和R的反射率的对比度。

对于同一幅图象,分别求RVI和NDVI时会发现,RVI值增加的速度高于NDVI增加速度,即NDVI对高植被区具有较低的灵敏度;4、NDVI能反映出植物冠层的背景影响,如土壤、潮湿地面、学、枯叶、粗超度等,且与植被覆盖有关;在erdas里面利用NDVI提取植被指数的步骤如下:1、在Erdas的主工具中选择Interpreter模块,出现Image Interpreter 对话框2、然后选择Spectral Enhancement,会弹出Spectral Enhancement对话框3、再选择Indices选项出现Indices对话框以SPOT数据为例进行说明,选择InputFile,选择Output File,在OutputOptions 的Sensor中选择SPOT XS/XI,在SelectFunction里面选择NDVI,DataType默认为Float不用改变,可以发现最下面的Function显示band 3 - band 2 / band 2 +band 3,这个就是NDVI的计算公式。

最后选择OK即可完成,如果NDVI计算的话在ENVI是最方便的在Transform菜单下就有,同时ENVI的波段计算功能也很方便完成NDVI计算。

这里如果不填写,OK按钮是灰色的。

一种高保真同态滤波遥感影像薄云去除方法

一种高保真同态滤波遥感影像薄云去除方法

一种高保真同态滤波遥感影像薄云去除方法李洪利;沈焕锋;杜博;吴柯【摘要】The traditional homomorphje filtering frequently used in the cloud-removing has effect on the cloud in low-frequency region,but the traditional method used to remove thin cloud in the area of low frequency inevitably changes the region information. This article suggests a high-fidelity method of removing thin cloud from digital remote sensing images, which is based on the methods of regional template for the district judge after homomorphic filtering. After filtering only replace the cloud-regionto the result of homomorphic filtering but un-cloud region still keeps the original data. To further enhance the image fidelity,it eliminates the cloud-region influence in the further process. The experimental results show that this method can effectively remove thin cloud and keeps the high fidelity.%同态滤波是一种常用的遥感影像薄云去除方法,但传统方法在抑制薄云对应的低频区域时,会不可避免地改变非云区的辐射信息.本文提出一种高保真遥感影像薄云去除方法,在同态滤波框架内利用基于区域模板的检测方法进行云区判别,处理时仅对云区用同态滤波结果进行替换,无云区则保留原始影像的亮度值.为进一步提高影像的保真度,影像拉伸处理时进一步剔除了云区对拉伸系数的影响.实验结果表明,本文方法能够在有效去除薄云的同时保留非云区的辐射信息,具有高保真特性.【期刊名称】《遥感信息》【年(卷),期】2011(000)001【总页数】5页(P41-44,58)【关键词】同态滤波;云区判别;区域模板;去薄云【作者】李洪利;沈焕锋;杜博;吴柯【作者单位】武汉大学测绘遥感信息工程国家重点实验室,武汉,430079;武汉大学计算机学院,武汉,430079;武汉大学资源与环境科学学院,武汉,430079;武汉大学计算机学院,武汉,430079;武汉大学计算机学院,武汉,430079【正文语种】中文【中图分类】TP791 引言在光学遥感应用中,云覆盖是造成遥感数据缺乏的重要因素之一。

基于小波变换的遥感图像去云方法

基于小波变换的遥感图像去云方法

基于⼩波变换的遥感图像去云⽅法基于⼩波变换的遥感图像去云⽅法朱梅梅1 苏涛2 张会波11)⿊龙江省农垦科学院科技情报研究所 2)中国农业⼤学信息与电⽓⼯程学院北京100083摘要: 针对遥感图像中有云雾出现⽽⽆法获取有关信息的情况,本⽂通过对现有的去云的⽅法分析,采⽤⼩波变换的⽅法,把遥感图像分解为若⼲⼦图像,通过分析景物和云雾在⼩波系数中的不同分布,可知景物处于底层的细节系数,⽽对于云雾则处于⾼层的细节系数和近似系数,根据这些特点,本⽂采⽤适当调节有关的细节和近似系数的⽅法,来达到去云的⽬的。

最后评价了图像处理的结果,根据实际图像的处理效果,表明本⽂⽅法是有效的。

关键词:遥感图像;⼩波变换;去云;细节系数;近似系数⼀、引⾔随着卫星数量的增多, 遥感图像⼴泛应⽤于军事、国防以及农业、林业、地质、地理、⽔⽂、⽓象、海洋、城市⼯程等各个领域,并提供了丰富的遥感图像信息。

在遥感数据处理过程中,由于受到天⽓的影响,就会产⽣许多噪声,其中云雾就是⼀种常见的噪声,它严重影响了图像的判读与分析,使很多遥感图像⽆法发挥其应有的价值。

因此,利⽤图像处理技术,去除图像中的云雾⼀直是研究的热点。

在国内外,许多科技⼯作者对此问题进⾏了不少研究,得到了⼀些⽅法。

去云的主要的⽅法有:多光谱图像去云[]、多时相图像去云[]、单幅图像去云[]和多传感器图像融合去云等⽅法。

本⽂针对单幅遥感图像,采⽤⼩波变换的⽅法,来抑制云层的信息,从⽽达到去云的⽬的。

针对受云雾影响的遥感图像,分析发现,云雾信息主要集中在低频区域,⽽景物信息则主要集中在⾼频区域。

⼀般的⽅法就是采⽤巴特沃斯⾼通滤波,滤去低频信息,这样处理就会减少云雾的影响,增强了图像的锐度,但是损失了图像背景的低频信息,使背景的深⾊部分变浅,象素值变化剧烈的区域将被突出,细节部分变得模糊[]。

本⽂利⽤⼩波变换的⽅法,经过适当层次的变换,适当增加或减少细节与近似系数,可以获得满意的效果。

基于ERDAS二次开发的遥感图像同态滤波薄云去除算法的改进

基于ERDAS二次开发的遥感图像同态滤波薄云去除算法的改进

2005年 4月第41卷 第2期北京师范大学学报(自然科学版)Journal of Beijing Nor mal University (Natural Science )Ap r .2005Vol .41 No .2基于ER DAS 二次开发的遥感图像同态滤波薄云去除算法的改进3谢华美 何启翱 郑 宁 别荣芳(北京师范大学计算机科学与技术系,100875,北京)摘要 遥感图像中,云覆盖是最常见的噪声之一.针对薄云处于低频的特点,近年来通常使用同态滤波进行去云处理,然而同态滤波对所选中的整个区域进行处理,不仅处理了有云的区域,同时也影响无云的区域,特别是边界区域受到很大的影响.本文在分析同态滤波的特点后,在运用C 语言对ERDAS 进行二次开发时,对同态滤波去云算法进行改进,既实现同态滤波对云层的处理效果,又保持无云背景地区的信息不受任何影响.关键词 同态滤波;去云;ERDAS;遥感图像分类号 TP 7513国家自然科学(青年)基金资助项目(10001006)收稿日期:2004211203 遥感图像受气候的影响很大,特别是受云层的遮挡,使得图像的利用率降低.为去除遥感图像中的薄云,不少研究者已经提出了许多有效的方法:基于多光谱图像的去云,基于多幅图像的去云,基于数据融合的去云[1],多源遥感影像的去云处理[2],等等,但是,这些方法都需要有其他同区域同来源的无云图像作为参考.在实际中,取得同区域同来源的无云参考图像并不容易,有时必须对单幅图像进行处理.同态滤波正是一种针对无参考的遥感图像进行去云处理的好方法,但是该方法也有一些缺陷.本文采纳ERDAS 作为开发平台,利用其功能强大的遥感图像处理能力,采用C 语言进行二次开发,增强了遥感图像的薄云去除能力,达到一个更加满意的去云效果.1 同态滤波去云算法原理云层是一个变化缓慢的区域,在图像中处于低频部分,遥感卫星传感器所接收到的有云的图像,可以表示为地物的照射分量和云层的反射分量的乘积[324].简化为f (x,y )=f i (x,y )・f r (x,y ).(1)对式(1)两边取对数,则有ln f (x,y )=ln f i (x,y )+ln f r (x,y ).(2)式(2)表明影像亮度值的对数等于照射分量和反射分量的对数和,是一个低频成分的函数与一个高频成分的函数的叠加,因此,我们可以通过傅里叶变换将它们转换到频域,即F {ln f (x,y )}=F{ln f i (x,y )}+F{ln f r (x,y )},(3)或记为Z (u,v )=I (u,v )+R (u,v ).(4)然后用高通滤波的方法,提取高频成分,抑止低频成分,即S (u,v )=H (u,v )Z (u,v )=H (u,v )I (u,v )+H (u,v )R (u,v ).(5)再进行傅里叶逆变换从频域回到空域:S (x,y )=F -1{S (u,v )}= F -1{H (u,v )I (u,v )}+F-1{H (u,v )R (u,v )}.(6)最后将结果作指数变换:g (x,y )=exp {S (x,y )}= exp{ln f ′i (x,y )}+exp{ln f ′r (x,y )}=f ′i (x,y )3f ′r (x,y ).(7)我们选用了巴特沃思滤波器,具体形式为H (u,v )=11+k [D (u,v )/D 0]2π,(8)其中,D 0为截止频率,k 的取值是当D (u,v )=D 0时,H(u,v )=2/2,即k =0.414.2 ER DAS 二次开发ERDAS I M AGI N E 是美国ERDAS 公司开发的遥感图像处理系统,它拥有先进的图像处理技术,友好、灵活的用户界面和操作方式,吸引了广泛的用户.该软件 第2期谢华美等:基于ERDAS二次开发的遥感图像同态滤波薄云去除算法的改进151由C语言编写,并可用C++进行编译,用户可以根据需要进行二次开发,ERDAS提供ERDAS Macr o Language(E ML)语言,用户可以根据需要定制不同的界面,用于输入参数和用户交互,同时它还提供联机帮助手册,方便用户在二次开发的过程中,熟悉内部函数的调用方法.根据同态滤波的原理,我们设置薄云去除的模型,如图1所示.引用同态滤波算法,针对不同的图像,云层的大小打开图像选取AO I输入参数同态滤波算法改进显示图像图1 薄云去除的模型和厚度不一致,需要修改2个主要的参数:巴特沃斯滤波器幂次和截止频率,以达到更好的去云效果.为便于输入参数,设置一个对话框,可以在scri p t目录下新建一个mydecl oud.e m l文件.这个文件就可以在程序内部以如下方式实现以上功能:MyStruc2>result=ee m l_Parse Va(ELEX_F I L E,"../scri p ts/mydecl oude.e m l",MyStruc2>theRoot2>r ootPart,&lclerr,EE ML_P ARSE_OPTI O N_APP_CONTEXT,(Em sc_Opaque3)MyStruc, NULL);if(lclerr){ ee m l_QueryYes No(MyStruc2>theRoot,"主界面文件出错,无法打开主界面",NULL,"yes",&lclerr);}EERR_CHECK(lclerr,EFS0("主界面文件出错,无法打开主界面"));MyStruc2>fra me=eem l_FindPart(MyStruc2>result,"cl oude",&lclerr);EERR_CHECK(lclerr,EFS0("Unable t o find the fra me’cl oude’in mydecl oude.e m l"));MyStruc2>para m1=ee m l_FindPart(MyStruc2>result,"cl oude:para m1",&lclerr);MyStruc2>para m2=ee m l_FindPart(MyStruc2>result,"cl oude:para m2",&lclerr);MyStruc2>okbut=ee m l_FindPart(MyStruc2>result,"cl oude:okbut",&lclerr);MyStruc2>cancelbut=ee m l_FindPart(MyStruc2>result,"cl oude:cancelbut",&lclerr);ee m l_AddCallback(MyStruc2>okbut,(int(3)(struct_eui_BasePart3,void3))Okbut Callback,(E m sc_Opaque3) MyStruc,"mousedown",&lclerr);ee m l_AddCallback(MyStruc2>cancelbut,(int(3)(struct_eui_BasePart3,void3))SubCancelbut Callback,(E m sc_ Opaque3)MyStruc,"mousedown",&lclerr);然后在函数Okbut Callback()内部读出这2个参数的值:m_coefficient=(int)ee m l_Get N umberPart V alue(MyStruc2>para m1);m_frequency=ee m l_Get N umberPart V alue(MyStruc2>para m2);3 算法的改进理想的去云算法是,仅对有云的区域进行处理,而对无云的区域保持灰度值不变,达到去云效果的同时,保持无云区域的低频成分.但在采用同态滤波算法的实验中,无论是截取一个感兴趣区域,还是对整幅图像进行处理,在滤去图像低频成分的同时,也会损失一部分图像的高频部分,主要的2个缺陷:一是损失图像无云区域的低频部分,二是破坏了图像的边缘信息.为了弥补第1个缺陷,常用的方法是首先进行云层识别,可以应用数学形态学来确认有云的区域[5],然后用一个与图像同等大小的二值矩阵来标识云层,其中0表示无云区域,1表示有云区域,然后对原图像有云的区域进行处理,与前面的二值矩阵相与,恢复到原图像中去,但是这种方法仍然不能准确识别有云区域.同时云的区域往往是一个不规则的图形,在使用同态滤波算法的时候,要取一个恰好包括整个云层的矩形区域来进行计算,那么一幅图像就需要被分割成了许多小矩形进行处理,同态滤波算法本身对边界的处理效果就不是很好,这样处理很复杂,不容易达到理想的效果.为了弥补第2个缺陷,可以对源图像向四周延拓,用一个更大的矩形来包含整个图像,然后进行去云处理,最后对获得的结果图像截取源图像所对应的区域,在试验中,采用了边界重复延拓、周期延拓、对称延拓和零值填补的方法[6],虽然这些方法能较好地保留源图像的边界信息,但仍然不是很好的边界处理方法,因此有必要采用一种新的方法,使图像的边界信息不予损失.为了同时弥补以上2个缺陷,我们分析同态滤波 152 北京师范大学学报(自然科学版)第41卷 处理前后结果,如表1所示,有云区域和无云区域的灰度值发生变化:对有云的区域,经过处理以后,灰度值减小;而那些无云的区域,经过处理以后,灰度值变大.比较表1中处理结果图像和原图像的灰度值,在灰度值变小的区域,就是有云的区域,在灰度值变大的区域,就是无云的区域.基于以上分析,我们可做如下处理:在有云的区域取处理后的值,即取较小的灰度值,达到了去云效果;在无云区域保留原来的值,也是取较小的灰度值,达到了保留无云区域的背景信息,从而实现了去除薄云的目的,又保留了无云区域的原有信息.设原始的有云遥感图像是X,经过同态滤波去云算法处理后得到的遥感图像是Y,我们可以假设理想的去云图像是Z,则Z 应该用如下公式表示:Z ij =X ij , X ij <Y ij ,表示无云区域;Y ij , X ij ≥Y ij ,表示有云区域.(9)4 实验结果及讨论在实验中,采用的第1幅遥感图像是1幅577×779大小的单波段图,第2幅遥感图像是一幅512×512大小的单波段图,进行同态滤波去云算法前后的数据比较如表1所示.由实验结果可知,同态滤波去云算法,在改进以前,边界处理的效果不明显,且对无云区域低频部分也受到影响;改进后,不仅保持了无云区域的低频成分,也对有云区域达到了很好的效果.表1 原始图像及去云算法改进前后的实验结果 第2期谢华美等:基于ERDAS二次开发的遥感图像同态滤波薄云去除算法的改进1535 结论由于在遥感图像中,薄云主要分布在频域平面的低频部分,这些云的存在,使得图像的动态范围缩小,细节部分被遮盖,从而降低了图像的清晰程度.普通的同态滤波方法虽然提高了图像的对比度,增加了图像的清晰程度,同时去除有薄云遮挡图像的低频成分,真正去除了薄云的覆盖.但是在实践过程中发现,这种方法不仅对有云区域进行了处理,也影响了无云区域的高频成分,特别是破坏了图像的边缘信息.正是基于这种思想,在应用C语言,对ERDAS进行二次开发时,采纳同态滤波薄云去除的改进算法,既实现了同态滤波对云层的处理效果,又保持了无云区域的细节信息.试验结果也很好地证明了这个方法的可行性.中国科学院遥感研究所图像实验室郑柯副研究员、唐聘研究员、王文杰硕士、崔琳丽博士对本研究工作给予了帮助,特此感谢.6 参考文献[1] 樊厚春.遥感图像薄云去除研究[D].北京:中国科学院,2004:4~5[2] 王惠,谭兵,沈志云.多源遥感影像的去云层处理[J].测绘学院学报,2001(9):195[3] 赵忠明,朱重光.遥感图像中薄云的去除方法[J].环境遥感,1996(8):195[4] 赖格英,刘春燕,辜晓青.基于ERDAS I M AGI N E的遥感图像去云方法[C]∥富融公司用户大会论文集.2000:2 [5] 宋平,刘正光.数学形态学在卫星云图的处理中的应用[J].微机发展,1999(4):40[6] 徐伟业,虞相宾.小波图像边界处理方法的研究[J].计算机应用与软件,2003(3):35THE I M PRO VED HOMOMO RPH I C F I L TER AL GO R I TH M FO RRE MO V I NG CLO UD O F RE MO TE SENS I NG I M AGE BASEDO N THE SECO ND EXPLO I TURE O F ERDAS TOOLXie Hua mei He Q iπao Zheng N ing B ie Rongfang(Depart m ent of Computer Science,Beijing Nor mal University,100875,Beijing,China) Abstract Cl oud cover is one of the most visible noises in re mote sensing i m age.Base on the characteristic that thin cl oud is in l ow frequency,it can be re moved by the homomor phic filter algorith m.Thismethod can p r ocess all the selected areas,both the areas with cl oud and without.Es pecially it influences the margin of the i m age.Based on this characteristic of homomor phic filter algorithm,when using the C p r ogra m language t o devel op the ERDAS t ool,the algorith m is i m p r oved and the goal of re moving the cl oud and keep ing the effect of the regi on without cl oud is achieved.Key words homomor phic filter;re move cl oud;ERDAS t ool;re mote sensing i m age。

实验1 ERDAS基本操作

实验1 ERDAS基本操作

View菜单下是各 种显示方式的调 查,熟悉这个菜 单下的命令。
在VIEW视窗中,打开Utility---Inquire Box,或右键点击图像,打开Inquire Box查询框
在VIEW视窗中,Utility---Layer Info
VIEW视窗中,打开View---Arrange Layer显示视窗中图像排列信息
打开Subset窗口后,设定各种参数,最终输出所要的波段,或 所要的地区。
切割的大小以打开的 view中的查询框为准 切割大小以坐标为准
说明对哪些波段进行切割 点击AOI按钮,选 择AOI文件,点击 ok,即可进行影像 的不规则切割。
• • • • •
• • • • •
在Subset Image对话框中需要设置下列参数: 一输入文件名称(Input File): 一输出文件名称(Output File ): 一坐标类型(Coordinate Type ):File 一裁剪范围t Subset Definition ):输入ULX, ULY, LRX, LRY或根据AOI来选择。 一输出数据类型(Output Data Type ):Unsigned 8 Bit 一输出文件类型( Output Layer Type: Continuous 一输出统计忽略零值:Ignore Zero In Output Stats 一输出像元波段(Select Layers ):2:5(表示选择2, 3. 4, 5四个波段) 一OK(关闭Subset Image对话框,执行图像裁剪)
两种切割结果
Inquire Box
AOI (area of interest )
3、数据格式转换
可以进行多种影像格式的转换,注意转换前后波段的对应性。

ERDAS软件快速入门和处理影像之前的主要简单步骤

ERDAS软件快速入门和处理影像之前的主要简单步骤

3、参数
地理空间数据云产品
(三)Landsat 4-5 TM与MSS 1、简介 发射时间:Landsat 4发射于1982年7月16日(2001年6月15日TM传感器失效,退役) Landsat 5发射于1984年3月1日(设计寿命3年,实际运行27年) 传感器类型:Landsat 4-5都配有主题成像仪(TM)和多光谱扫描仪(MSS)
2、命名;选择要素类型; 3、Click Edit > Select,选择需要的投影方式; Import > 找到需要处理的文件,直接引用投影方式。
3、在Arcgis中裁剪:掩膜提取(Extract by Mask) (1)打开ArcToolbox,Spatial Analyst Tools > Extraction > Extract by Mask
5、雾霾处理
6、解译
一、 Landsat卫星数据简介
(一)Landsat-8 1、简介
发射时间:2013 年2月11日
传感器类型:OLI陆地成像仪(Operational Land Imager)和TIRS热红外传感 器 (Thermal Infrared Sensபைடு நூலகம்r) 周期:16天,即每16天覆盖全球一次
确定输出图像保存位置:Output Cluster Layer Filename
确定分类模板文件位置:Output Signature Set Filename (2)Cluster Options分类参数设置 选择Initialize from Statistics按照图像的统计值产生自由聚类(另一种Use Signature Means按照选定的模板文件进行非监督分类); K Means:硬聚类算法(常用非监督分类方法) Isodata:迭代自组织数据分析技术

erdas除云方法

erdas除云方法

erdas>interpreter>radiomatic enhancement>haze reductionS i mp l e C o r r e c t i on s Home•UW•Locate•Contact•FAQs•CalenderSoftware: ArcGIS- ArcVie w - E RDAS - ENVI - H TMLSimple correctionsERDAS Example1.) Begin by ope ning the file which you just finished georegistering (or use r:\lawe rs\data\landsat\bbc\my_resample.img). Display the 432 band combination.2.) Select INTERPRETER > Radiometric Enhancement > Ha ze R eduction option from the main icon bar me nu. Note along the wa y all the other options. The HAZE REDUCTION dialog will appear.This dia log offers you a chance to see the "model" that will preform a t ransformation on the d ata. Click on the VIEW button t o start the ER DAS Model build. The DeHaze model will be loaded.This model is very simple. It illustrates the step s that ERDAS will take. The Input Raster is your image, the PSF Kernel is a convolution filter. To understand how one pixel is convolved, imagine that the con volution ke rnel is overlaid on the data file values of the image (in one band), so that the pi xel to be con volved is in the center of the window. The output value for the convolution is, each value in the ke rnel is multiplied by the image pixel value that corresponds to it. The products are summed, and th e total is divided by the sum of th e values in the kernel and assigned back to the cente r pixel. The kernel is then moved to the ne xt pixel.A High-Fre quency kernel (high pass) has the effect of increasing spatial frequency. That is to say, when this kern el is used on a se t of pexels in which a relatively low value is surrounded by highe r values the low value gets lower. Whe n used with pixels in which a relatively high value is surrounded b y lower value s the high value becomes higher. In this way a simple spatial frequency of ha ze ma y be reduced.3.) Now fill out the input and output fields of the Ha ze R eduction dialog. The software now knows that the data is Landsat T M data and will now pick a "DeH aze" model for Landsat. Click on VIEW to see it.The grahic model illu strates the steps that ERDAS will go through. This "model" is specific to Landsat TM data and as you can see it consist of picking between a matrix of weights for either landsat 4 or 5 d ata and the the n determining the majo rity value with a ke rnel, put that dat a out to memo ry and the dete rmining if any pixel has a val ue of zero be fore ma king the output file. I wouldn't try to figure this one out. It is but one of the various approaches.Fill out the dialog for input and output and click OK. Display your results side by side and look at the spatial profiles of the refle ctence valuesI also did a Point_Spread model (not using the model for Landsat Data). Lo ok at t he results.It looks like more ha ze, but what are the DN values like?You should do one or both of these mo dels and save a result.5.) To preform topograp hic correction; Display the Digital Elevation Mod el for the site (r:/users/lawers/data/landsat/bbc/bbc_dem30.img) and then select INTERPRETER > Topographic Analysis > Topographic Normalization.You will need the following information - SUN_ELEVATION=59.88; SUN_A ZI MUTH=137.92. Remem ber to loo k at the VIEW of the m odel which is being preformed.I'm glad someone else wrote this one for me. Click Oka y and display your result.Ma ke some notes about what you see.Spat ia l Analy sis L aborat ory - Schoo l of Oce ano graphy - Un iversity of Wa sh ing ton。

如何使用Erdas进行去除分析

如何使用Erdas进行去除分析

如何使用Erdas进行去除分析
去除分析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,与Sieve命令不同,Eliminate将删除的小图斑合并到相邻的最大的分类当中,本文将讲解借助Erdas对水经注万能地图下载器下载的谷歌地球影像进行去除分析。

步骤:
第一步:下载卫星地图
打开水经注万能地图下载器,切换地图到谷歌地球,框选下载需要分析的地图并将其导出为img格式(图1),将生成的img地图文件放在一个英文目录下。

图1
第二步:进行聚类分析
在Erdas主菜单上点击Interpreter,在弹出的Image Interpreter对话框
内点击G IS Analysis→Clump(图2),然后在打开Clump的对话框内设置好相关的参数(图3),点击OK完成聚类分析。

图2
图3
第三步:去除分析
在GIS Analysis对话框内点击Eliminate(图4),在打开的Eliminate对话框内Input File选择上一步聚类分析后的影像,在Output File处设置好去除分析后影像保存的位置(图5)。

分析完成之后在主菜单上点击Viewer新建一个Viewer(图6),将分析后的地图加载进来,可以看到效果如图7。

图4
图5
图6
图7
结语
到此就完成了使用Erdas对水经注万能地图下载器下载的谷歌地球影像进行去除分析,建议是先进行聚类分析,再进行去除分析,有兴趣的朋友可以使用Erdas和万能地图下载器试试。

如何使用Erdas进行去霾处理

如何使用Erdas进行去霾处理

如何使用Erdas进行去霾处理去霾处理的目的是降低多波段图像(Landsat TM)或全色图像的模糊度(霾)。

对于多波段图像(Landsat TM),该方法实质上是基于缨穗变换方法(Tasseled Cap Transformation),首先对图像逆行主成份变换,找出与模糊度相关的成份井剔除,然后再进行主成份逆变换回到RGB彩色空间,达到去霾之目的。

对于全色图像,该方法采用点扩展卷积反转(Inverse Point Spread Convolution)进行处理,根据情况选择5×5或3×3的卷积运算于分别用于高频模糊度(High-haze)或低频模糊度(Low-haze)的去除。

步骤第一步:下载地图虽然下载器内下载的地图种类有多种选择,下载的影像也都很清晰,但是有的时候为了保证地图的最新和清晰程度,难免会遇上有的地图下载后有一层遮挡(霾),这种影像我们可以通过Erdas进行处理,首先是下载有霾的卫星影像并导出为img格式(图1),将影像放置在一个英文目录下。

图1第二步:调用处理模块在Erdas主菜单上点击Image Interpreter→Radiometric Enhancement,在弹出的Radiometric Enhancement对话框中点击Haze Reduction(图2),打开的Haze Reduction对话框(图3)即为处理模块。

图2图3第三步:进行去霾分析在Haze Reduction对话框内Input File输入需要进行处理的影像,Output File选择处理后的影像保存的位置,Point Spread Type选择High(图4),点击OK开始进行去霾处理。

处理完成之后新建两个Viewer,分别将处理前后的影像加载进来,效果如图5。

图4图5结语到此就完成了使用Erdas对水经注万能地图下载器下载的卫星地图进行去霾处理,所有的文件都要放置在一个英文目录下,不然可能会无法识别,有兴趣的朋友可以自己使用Erdas和水经注万能地图下载器试试。

卫星遥感与航空摄影测量:ERDAS软件的认识

卫星遥感与航空摄影测量:ERDAS软件的认识
JPEG图像数据是一种通用的图像文件格式。可利用ERDAS IMAGINE 的“Import/Export”模块或菜单命令将自己的IMG图像文件输出成JPEG图像文 件。
ERDAS软件基本功能模块和常用操作
2.视窗操作
1)图像、图形显示操作( File)
第一步 启动程序 “打开文件” 第二步 确定文件 确定打开文件的类型、文件名 第三步 设置参数 在“打开文件”操作弹出的对话框中点击 “Raster Option”设置图像文件显示的各项参数 第四步 打开图像,矢量图形文件的显示操作与上类似。
ERDAS软件基本功能模块和常用操作
3)显示菜单操作( View)
视窗菜单条中的 View对应下拉菜单包含19项命令,其中: (1)文件显示顺序(Arrange Layers)首先在视窗依次打开多个文件 (包括图像、图形、注记等文件),注意在打开上层图像时,不要在 选择参数中选中清除已打开图像;然后在Arrange Layers Viewer对话 框中进行调整文件顺序 (2)显示比例操作(Displer Scale) (3)显示变换操作(Rotate/Flip/Stretch)棗只是显示变换,而非对文 件数据进行操作
ERDAS软件基本功能模块和常用操作
矢量(vector utilities)模块主要功能
11)虚拟GIS模块
启动虚拟GIS模块,弹出虚拟GIS模块菜单条,其功能如下表所示。
虚拟GIS(virtual GIS)模块主要功能
ERDAS软件基本功能模块和常用操作
2 . 进行数据的转换
图像、图形数据存储的格式有许多种。往往不同软件进 行具体操作之前,需要将不通用的数据格式转换成其能打开 的 数 据 格 式 , 以 便 进 行 下 一 步 具 体 的 操 作 。 ERDAS IMAGINE的数据输入输出功能,允许输入多种格式的数据供 IMAGINE使用,同时允许将IMAGINE文件转换成多种数据 格式。
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

erdas>interpreter>radiomatic enhancement>haze reduction
S i mp l e C o r r e c t i on s Home•UW•Locate•Contact•FAQs•Calender
Software: ArcGIS- ArcVie w - E RDAS - ENVI - H TML
Simple corrections
ERDAS Example
1.) Begin by ope ning the file which you just finished georegistering (or use r:\lawe rs\data\landsat\bbc\my_resample.img). Display the 432 band combination.
2.) Select INTERPRETER > Radiometric Enhancement > Ha ze R eduction option from the main icon bar me nu. Note along the wa y all the other options. The HAZE REDUCTION dialog will appear.
This dia log offers you a chance to see the "model" that will preform a t ransformation on the d ata. Click on the VIEW button t o start the ER DAS Model build. The DeHaze model will be loaded.
This model is very simple. It illustrates the step s that ERDAS will take. The Input Raster is your image, the PSF Kernel is a convolution filter. To understand how one pixel is convolved, imagine that the con volution ke rnel is overlaid on the data file values of the image (in one band), so that the pi xel to be con volved is in the center of the window. The output value for the convolution is, each value in the ke rnel is multiplied by the image pixel value that corresponds to it. The products are summed, and th e total is divided by the sum of th e values in the kernel and assigned back to the cente r pixel. The kernel is then moved to the ne xt pixel.
A High-Fre quency kernel (high pass) has the effect of increasing spatial frequency. That is to say, when this kern el is used on a se t of pexels in which a relatively low value is surrounded by highe r values the low value gets lower. Whe n used with pixels in which a relatively high value is surrounded b y lower value s the high value becomes higher. In this way a simple spatial frequency of ha ze ma y be reduced.
3.) Now fill out the input and output fields of the Ha ze R eduction dialog. The software now knows that the data is Landsat T M data and will now pick a "DeH aze" model for Landsat. Click on VIEW to see it.
The grahic model illu strates the steps that ERDAS will go through. This "model" is specific to Landsat TM data and as you can see it consist of picking between a matrix of weights for either landsat 4 or 5 d ata and the the n determining the majo rity value with a ke rnel, put that dat a out to memo ry and the dete rmining if any pixel has a val ue of zero be fore ma king the output file. I wouldn't try to figure this one out. It is but one of the various approaches.
Fill out the dialog for input and output and click OK. Display your results side by side and look at the spatial profiles of the refle ctence values
I also did a Point_Spread model (not using the model for Landsat Data). Lo ok at t he results.
It looks like more ha ze, but what are the DN values like?
You should do one or both of these mo dels and save a result.
5.) To preform topograp hic correction; Display the Digital Elevation Mod el for the site (r:/users/lawers/data/landsat/bbc/bbc_dem30.img) and then select INTERPRETER > Topographic Analysis > Topographic Normalization.
You will need the following information - SUN_ELEVATION=59.88; SUN_A ZI MUTH=137.92. Remem ber to loo k at the VIEW of the m odel which is being preformed.
I'm glad someone else wrote this one for me. Click Oka y and display your result.
Ma ke some notes about what you see.
Spat ia l Analy sis L aborat ory - Schoo l of Oce ano graphy - Un iversity of Wa sh ing ton。

相关文档
最新文档