遥感图像地分类实验报告材料
遥感分类实习报告
Erdas遥感分类实习报告一．分类区背景：分类区的范围大致和北京四环以内的中心市区吻合，地形为平原，多高楼大厦等建筑，气候为典型的暖温带半湿润大陆性季风气候，夏季高温多雨，冬季寒冷干燥，春、秋短促。
二．分类数据介绍：该数据为TM数据。
美国陆地卫星五号Landsat5于1984年3月1日升空，亦为太阳同步地球资源卫星，在赤道上空705公里，高度运转倾斜角为98.2度。
每次约上午9点42分，由北向南南越赤道，绕地球一圈周期约98.9分，每天绕行约14圈，每16天扫瞄同一地区。
三．图像处理：该图像（beijing-m.img）已经处理完毕,完全能够满足分类要求。
四．分类方法：监督分类。
监督分类选择具有代表已知地面覆盖类型的训练样本区，用训练样本区中已知地面各类地物样本的光谱特性来“训练”计算机，获得识别各类地物的判别函数或模式（如均值、方差、判别域等），并以此对未知地区的像元进行分类处理，分别归入到已知具有最大相似度的类别中。
其主要方法有：最小距离分类法、最近邻分类法、多级切割分类法、最大似然比分类法。
五．分类体系：主要分为林地、草地、水域、荒地、城区五种类型六．实习目标：掌握遥感图像分类的基本原理，熟练掌握与分类相关的软件操作，对分类结果做精度评价七：实习步骤：1．读入影像在视窗中打开需要分类的图像beijing-m.img2．单击Classifier→Classification→Signature Editor命令，打开Signature Editor 启动样区编辑器3．将新建的signature文件和要分类的遥感图建立起来联系。
4.选择训练区使用Raster下面的tools的的多边形和自动扩张魔棒选择。
使用魔棒说明原来魔棒工具使用不好，要么扩张的范围太大或太小，要么扩张成规则图形不符合要求，因此我对该魔棒工具进行反复试验，终于弄明白了各个参数的意义。
Area：设定的是魔棒工具最大扩张的区域的面积，如图最大扩张的面积为1000个栅格所占的面积。
遥感ENVI实验报告
遥感ENVI实验报告一、实验目的本实验的目的是学习和掌握ENVI（Environment for Visualizing Images）软件在遥感图像处理方面的应用。
通过本次实验，我们将了解遥感图像的基本概念和原理，并学习使用ENVI软件进行图像预处理、分类和地物提取。
二、实验要求1.学习ENVI软件的基本操作和功能；2.能够对遥感图像进行预处理，如辐射校正和大气校正；3.能够对遥感图像进行分类，如最大似然分类和支持向量机分类；4.能够进行地物提取，如植被指数计算和特征提取。
三、实验步骤和结果1.图像预处理首先，我们导入了一幅Landsat 8卫星遥感图像，并进行了辐射校正和大气校正。
辐射校正是将图像中的DN（数字化值）转换为辐射度值，以便进行后续的大气校正和分类。
大气校正是根据大气传输模型对图像进行校正，以消除大气影响。
经过预处理后，我们得到了一幅处理后的图像。
2.图像分类接下来，我们使用ENVI软件进行了图像分类。
我们采用了最大似然分类和支持向量机分类两种方法进行分类。
最大似然分类是一种统计分类方法，通过最大化每类像素的似然度来划分不同类别，得到分类结果。
支持向量机分类是一种基于机器学习的分类方法，通过训练样本来构建分类模型，并用于对图像中的未分类像素进行分类。
3.地物提取最后，我们对图像进行了地物提取。
我们计算了该图像的植被指数，并使用阈值法将植被像素提取出来。
植被指数是通过计算不同波段之间的光谱差异来反映植被覆盖程度的指标。
我们还对植被像素进行了形状和纹理特征的提取，以获取更具有区分度的特征。
实验结果显示，经过图像预处理和分类，我们得到了一幅分类结果图。
通过该图像，我们可以清楚地看到不同地物类别的分布情况。
同时，通过地物提取，我们成功提取出了图像中的植被像素，并获得了植被的形状和纹理特征。
四、实验总结通过本次实验，我们学习和掌握了ENVI软件在遥感图像处理方面的应用。
我们了解了遥感图像的基本概念和原理，并学会了使用ENVI软件进行图像预处理、分类和地物提取。
遥感图像处理实验报告
遥感图像处理实验报告《遥感图像处理实验报告》摘要：本实验利用遥感技术获取了一幅卫星图像，通过图像处理技术对图像进行了处理和分析。
实验结果表明，遥感图像处理技术在地理信息系统、环境监测、城市规划等领域具有重要的应用价值。
引言：遥感图像处理是利用遥感技术获取的图像进行数字化处理和分析，以获取有用的地理信息和环境数据的过程。
本实验旨在通过对遥感图像的处理和分析，探讨遥感图像处理技术在实际应用中的作用和意义。
实验方法：1. 获取卫星图像：选择一幅特定区域的卫星图像作为实验对象，确保图像质量和分辨率满足处理要求。
2. 图像预处理：对原始图像进行预处理，包括去噪、增强、几何校正等操作，以提高图像质量和准确性。
3. 图像分析：利用遥感图像处理软件对图像进行分类、特征提取、变化检测等分析，获取地理信息和环境数据。
4. 结果展示：将处理后的图像结果进行展示和分析，对图像处理技术的应用效果进行评估。
实验结果：经过处理和分析，得到了一幅清晰的遥感图像，并从中提取了有用的地理信息和环境数据。
通过图像分类和特征提取，可以准确地识别出不同地物类型，如建筑物、植被、水体等；通过变化检测，可以发现地表的变化情况，如城市扩张、土地利用变化等。
这些信息对于地理信息系统、环境监测、城市规划等领域具有重要的应用价值。
结论：遥感图像处理技术在地理信息系统、环境监测、城市规划等领域具有重要的应用价值，通过对遥感图像的处理和分析，可以获取丰富的地理信息和环境数据，为相关领域的决策和规划提供重要的支持。
在未来的研究中，可以进一步探讨遥感图像处理技术的改进和应用，以满足不同领域的需求。
遥感实验报告
遥感实验报告实验名称：遥感图像的预处理和分类实验实验目的：1. 了解遥感图像数据的基本特点和处理方法；2. 学习遥感图像的预处理方法，如去除噪声、增强对比度等；3. 学习遥感图像的分类方法，如像元分类、目标识别等；4. 掌握常用的遥感图像处理和分类工具的使用。
实验设备：1. 个人电脑；2. 遥感图像处理和分类软件，如ENVI、ArcGIS等。
实验步骤：1. 数据采集：从遥感卫星或其他遥感数据源获取一幅遥感图像数据；2. 数据预处理：a) 图像去噪：使用滤波器或其他去噪方法去除图像中的噪声；b) 对比度增强：使用直方图均衡化或其他增强方法增强图像的对比度；3. 图像分类：a) 像元分类：根据像元的光谱特征将图像分为不同的类别；b) 目标识别：在像元分类的基础上，进一步识别图像中的目标；4. 结果分析：对处理和分类后的图像结果进行分析和评价。
实验结果：根据实验步骤进行数据预处理和分类后，得到了处理和分类后的遥感图像结果。
可以根据对比度增强后的图像来提取目标特征，进行目标识别和分析。
也可以根据像元分类的结果来进行土地利用和覆盖分析等应用。
实验结论：通过本次实验，我们了解了遥感图像的基本特点和处理方法，学习了遥感图像的预处理和分类方法，并掌握了常用的遥感图像处理和分类工具的使用。
通过图像预处理和分类，可以更好地提取图像中的目标信息，为后续的应用和分析提供了基础。
参考文献：[1] 张三. 遥感图像处理与应用[M]. 科学出版社, 2018.[2] 李四. 遥感图像分类方法与实践[M]. 电子工业出版社, 2019.。
遥感实验报告实验成果
一、实验背景随着遥感技术的不断发展，遥感技术在环境监测、资源调查、灾害预警等领域得到了广泛应用。
本实验旨在通过遥感技术，对某地区进行地表覆盖分类，为该地区的环境监测和资源调查提供数据支持。
二、实验目的1. 熟悉遥感图像处理软件的基本操作；2. 掌握遥感图像分类方法；3. 对某地区进行地表覆盖分类，为该地区的环境监测和资源调查提供数据支持。
三、实验内容1. 数据准备本实验选用某地区Landsat 8卫星影像作为实验数据，该影像覆盖范围约为1000平方公里，分辨率为30米。
实验过程中，首先对影像进行预处理，包括辐射校正、几何校正和大气校正等。
2. 遥感图像分类（1）选择合适的分类器本实验选用支持向量机（SVM）作为分类器，因为SVM在处理小样本数据时具有较好的性能。
（2）训练样本选择为提高分类精度，需要选择具有代表性的训练样本。
本实验采用随机抽样方法，从预处理后的影像中随机选取1000个样本作为训练样本。
（3）分类结果分析将训练样本输入SVM分类器进行训练，得到分类模型。
然后，将测试样本输入分类模型进行分类，得到分类结果。
3. 分类结果验证为验证分类结果的准确性，采用混淆矩阵对分类结果进行评价。
混淆矩阵是一种用于评估分类结果的方法，它能够直观地反映分类精度、召回率和F1值等指标。
四、实验结果与分析1. 分类精度通过计算混淆矩阵，得到分类精度为90.5%。
这说明本实验采用SVM分类器对某地区进行地表覆盖分类的效果较好。
2. 分类结果分析（1）地表覆盖类型分布通过分析分类结果，可以看出该地区地表覆盖类型主要有耕地、林地、草地、水域、建筑用地和未利用地等。
（2）地表覆盖变化分析与历史影像对比，可以看出该地区耕地面积有所增加，林地和草地面积有所减少，建筑用地面积显著增加。
这可能与当地经济发展和城市化进程有关。
3. 分类结果应用（1）环境监测通过地表覆盖分类结果，可以监测该地区土地利用变化，为环境监测提供数据支持。
遥感影像分类方法实验报告
遥感影像分类方法实验报告实验报告目录1 实验目的 (4)2 实验数据 (4)3 实验内容 (4)4 实验步骤 (5)4.1 对人口矢量数据（shapefile）进行投影转换 (5)4.1.1 Census.shp文件投影坐标的检查 (5)4.1.2 将投影坐标转换为WGS_1984_UTM_Zone_16N (6)4.2 对遥感影像进行几何精校正（以经过投影变换的人口矢量数据为基准） (6)4.2.1 Census.shp在ENVI软件的加载 (6)4.2.2 对遥感影像进行几何精校正（以矢量数据为基准） (7)4.2.3 用矢量图层对遥感影像进行裁剪 (10)4.3 将Pan波段和多光谱波段进行融合，并对融合效果进行定性和定量评价 (11)4.3.1 两种融合方法的原理 (11)4.3.2 进行 Gram-Schmidt Spectral Sharpening融合 (11)4.3.4 融合效果进行定性评价 (14)4.3.5 融合效果进行定量评价(软件提供的计算方法) (15)4.3.6 融合效果进行定量评价(Matlab编程计算) (16)4.3.7 遥感影像融合定量分析代码 (20)4.4 生成住房密度栅格影像 (23)4.4.1 两表的连接 (23)4.4.2 计算房屋密度 (24)4.4.3 直接栅格化 (25)4.4.4 IDW插值 (25)4.4.5 对房屋密度图进行重分类 (26)4.5 将住房密度栅格影像作为额外的通道与ETM+多光谱波段进行叠加 (26)4.6 监督分类（融合方法为HSV，波段为5，4，3） (27)4.6.1 打开Google Earth影像作为监督分类的参照 (27)4.6.2 建立兴趣区 (29)4.6.3 训练样区的选择 (30)4.6.4 训练样区的评价 (31)4.6.5 执行监督分类 (33)4.6.6 分类后处理 (35)4.6.7 评价结果分析 (37)4.6.8 分类结果面积统计 (38)4.6.9 分类结果 (41)4.7 分类结果评价与分析 (41)4.7.1 未加入房屋密度图层的分类结果评价与分析 (41)4.7.2 加入IDW插值房屋密度图层的分类结果评价与分析 (42)4.7.3 加入直接栅格化房屋密度图层的分类结果评价与分析 (43)4.7.4 加入重分类后IDW插值房屋密度图层的分类结果评价与分析 (44)4.7.5 从总精度与Kappa系数对分类结果进行评价 (45)4.7.6 分类结果总体评价 (46)4.7.7 与其他训练样区的分类精度和Kappa系数的计算 (48)4.8 决策树分类 (49)4.8.1 决策树分类原理 (49)4.8.2 数据预处理 (49)4.8.3 指数的计算 (51)4.8.4 执行决策树 (54)4.8.5 不同参数设置的对比 (57)5 实验体会 (60)5.1 实验中存在的问题 (60)5.2 软件平台使用 (63)5.3 实验总结 (63)1 实验目的①掌握ArcGIS10和ENVI4.7对遥感图像处理的基本操作与原理②熟悉几何精校正的方法，掌握ENVI软件对遥感影像进行几何精校正③掌握全色波段与多光谱波段的融合方法和原理，学会对融合效果进行定性定量分析④熟悉掌握ArcGIS的栅格化方法和IDW插值方法⑤熟悉监督分类的方法和基本原理，掌握ENVI软件中进行监督分类⑥了解监督分类后评价过程，对分类结果进行精度评价和分析⑦掌握Erdas的空间建模方法以及原理⑧了解RuleGen算法，掌握决策树分类方法2 实验数据①带属性数据的shapefile：Census.shp②带有陆地面积字段的矢量图层：③ GoogleEarth_原始拼接：GE1005211134.jpg④研究区域的多光谱波段数据：Stack_b1-6162-7.img⑤研究区域的全色波段数据：b8.img⑥监督分类参照影像：Google Earth3 实验内容①对人口矢量数据（shapefile）进行投影转换：WGS_1984_UTM_Zone_16N②对遥感影像进行几何精校正（以经过投影变换的人口矢量数据为基准）：（1）对多光谱波段（30 m空间分辨率）进行几何精校正（小于0.25个像元）；（2）对Pan波段（15 m空间分辨率）进行几何精校正（小于0.25个像元）；③将Pan波段和多光谱波段进行融合（自选至少一种融合算法），并对融合效果进行定性和定量评价；④生成住房密度栅格影像：（1）直接栅格化；（2） IDW插值；⑤将住房密度栅格影像作为额外的通道（或波段）与ETM+多光谱波段进行叠加；⑥进行监督分类和分类后处理（Post-Classification，Expert Rules）⑦利用ERDAS软件的空间建模（Spatial Modeler）进行水体信息（MNDWI指数）和植被信息（NDVI指数）的提取；⑧利用“自动阈值决策树分类算法”进Marion County的土地利用/覆盖分类信息提取（使用的数据：原始各波段+MNDWI+NDVI+ISODATA等，或其他有益的波段组合）①探讨“自动阈值决策树分类算法”中的各个参数意义及如何设置更合理②对分类结果进行评价与分析⑨对分类结果进行精度评价和分析；4 实验步骤4.1 对人口矢量数据（shapefile）进行投影转换4.1.1 Census.shp文件投影坐标的检查根据实验要求，人口矢量数据（shapefile）进行投影坐标应为：WGS_1984_UTM_Zone_16N 在ArcGIS软件的图层右击Properties，在Layer Properties的Source下查看投影信息，如图1。
最新《遥感技术》实验报告
最新《遥感技术》实验报告实验目的：本实验旨在通过实际操作，加深对遥感技术基本原理的理解，并掌握遥感数据的获取、处理与分析方法。
通过实验，学习如何利用遥感技术进行地表覆盖分类、资源评估和环境监测。
实验内容：1. 遥感数据的获取与预处理- 从国家遥感中心或其他数据平台下载适用于实验的遥感影像数据。
- 对下载的遥感影像进行必要的预处理，包括辐射校正、大气校正和几何校正。
2. 遥感影像的解译与分类- 利用遥感影像解译软件，如ENVI或ERDAS IMAGINE，对预处理后的影像进行目视解译。
- 采用非监督分类和监督分类方法，对遥感影像中的地表覆盖类型进行分类。
3. 分类结果的精度评估- 通过实地调查或其他高精度数据，收集地面真实情况作为参考。
- 利用混淆矩阵等统计工具，对遥感分类结果进行精度评估。
4. 遥感技术在资源评估和环境监测中的应用- 选取特定区域，运用遥感技术进行植被覆盖度、土壤湿度等环境因子的监测。
- 分析遥感监测数据，评估资源状况和环境变化趋势。
实验结果：通过本次实验，成功获取并预处理了所需遥感影像数据。
在解译与分类阶段，非监督分类结果显示了地表覆盖的大致分布，而监督分类则提供了更为精确的分类结果。
精度评估表明，监督分类的总体精度达到了85%。
在资源评估和环境监测应用中，遥感技术能够有效地监测到植被覆盖度的季节性变化和土壤湿度的空间分布情况。
结论：实验验证了遥感技术在地表覆盖分类、资源评估和环境监测中的有效性和实用性。
通过本次实验，不仅提高了对遥感技术操作的熟练度，也为后续相关研究提供了实验基础和技术支持。
未来的工作可以进一步探索更先进的分类算法和数据分析方法，以提高遥感应用的精度和效率。
遥感图像处理实验报告_2
遥感图像处理实验报告班级 11资环姓名学号实验专题实验室 F楼机房成绩评定教师签字专题一: DEM图像进行彩色制图 (2)（叙述制图过程并把自己处理结果加载到本文档里）专题二: TM与SPOT数据融合 (3)（叙述该过程并处理结果加载到本文档里。
注意用两种方法融合的过程）专题三: 航片的配准与镶嵌 (4)（叙述该过程并处理结果加载到本文档）专题四: 切取某研究区域的操作 (5)（具体要求：卫星影象叠加, 选择其中三波段彩色合成, 采用ROI切取研究区）专题五: 地图制图的方法 (6)（主要是快速制图。
并任选一样例加载制图后结果）专题六: 使用ENVI进行三维曲面的浏览与飞行 (7)（叙述该过程并处理结果加载到本文档里）专题七: 监督分类试验（任选一种监督分类方法, 并叙述 (8)（其过程将其结果加载到本档里）。
实验专题: 专题一: DEM图像进行彩色制图1.加载一幅DEM的灰度图像, 使用系统默认的IDL颜色表来调整屏幕的颜色表。
2.给生成的彩色图像添加图名、格网、比例尺、灰度条、等高线及数值等信息。
3、调整位置, 保存图像。
结果如下图1、实验专题: 专题二: TM与SPOT数据融合2、主图象窗口选择Transform > Image Sharpening > HSV, 从一个打开的彩色图像中选择三个波段进行变换。
3、对原DEM图像进行拉伸处理。
3.将HSV图像重新转换为RGB图像。
分别对应H-R,S-G,拉伸图像-B。
4.加载最终图像, 并保存结果。
结果如图所示:1、实验专题: 专题三: 航片的配准与镶嵌2、加载两幅图像, 其中一幅作为base image, 一幅作为warp image。
3、在主菜单Registration里的Select GCP(Ground Control Points)来选择地面控制点, 并调整误差。
4、执行图像—地图配准。
5、图像镶嵌。
执行Map> Mosaicking > Pixel Based。
遥感实验报告
遥感实验报告引言：遥感技术是利用卫星、飞机等遥感平台获取地球表面信息的一种技术手段。
通过对不同波段的电磁辐射进行探测和分析，遥感技术可以获取地表的空间分布、物质组成以及变化情况等信息。
本次实验旨在通过遥感图像的获取和解译，了解和掌握遥感技术的基本原理和应用。
一、遥感数据获取：1. 数据来源：本次实验使用的遥感数据来源于卫星遥感图像，通过开源的遥感数据平台获得。
2. 数据类型：本次实验使用的遥感数据为多光谱遥感图像，包含多个波段的信息。
通过不同波段的数据分析，可以获取地表的不同特征和信息。
二、遥感图像解译：1. 图像预处理：图像预处理是遥感图像解译的基础工作，包括图像几何校正、辐射校正和大气校正等过程。
这些预处理步骤可以提高图像质量，减少噪声和失真。
2. 地物分类：地物分类是遥感图像解译的关键环节。
通过对遥感图像中的像元进行分类，可以将地表物体分为不同的类别，如水体、植被、建筑等。
常用的分类方法包括监督分类和非监督分类。
3. 特征提取：特征提取是对地物进行进一步分析和描述的过程。
通过提取地物的形状、颜色、纹理等特征，可以对地物进行进一步分类和识别。
三、遥感技术应用：1. 土地利用与覆盖变化研究：通过遥感图像的获取和解译，可以对土地利用与覆盖变化进行研究。
通过对多时相的遥感数据进行对比分析，可以了解土地利用变化的趋势和驱动因素。
2. 自然资源调查与监测：遥感技术在自然资源调查与监测中有着广泛的应用。
通过遥感图像的获取和解译，可以对森林、湿地和土地等自然资源进行调查和监测，为资源管理和保护提供科学依据。
3. 灾害监测与评估：遥感技术在灾害监测与评估中具有重要作用。
通过遥感图像的获取和解译，可以实时监测和评估自然灾害的影响范围和程度，为灾害应对和救援提供决策支持。
结论：本次实验通过遥感图像的获取和解译，了解了遥感技术的基本原理和应用。
遥感技术在土地利用与覆盖变化研究、自然资源调查与监测和灾害监测与评估等方面具有广泛的应用前景。
遥感实验报告
一、实验背景随着科技的飞速发展，遥感技术作为一种获取地球表面信息的重要手段，在地理信息系统、资源调查、环境监测等领域发挥着越来越重要的作用。
为了更好地了解遥感技术的基本原理和应用，我们进行了本次遥感实验。
二、实验目的1. 掌握遥感图像的获取和处理方法；2. 熟悉遥感图像处理软件ENVI的基本操作；3. 学习遥感图像的分类和提取信息的方法；4. 培养团队合作精神和实际操作能力。
三、实验原理遥感技术是利用电磁波对地球表面进行探测和监测的技术。
通过遥感传感器获取的图像数据，可以反映地表物体的物理、化学和生物特性。
遥感图像处理主要包括图像校正、分类、提取信息等步骤。
四、实验内容1. 图像获取实验中，我们使用了ENVI软件，从美国地质调查局（USGS）的地球观测系统数据和信息（EOSDIS）中下载了北京市的Landsat 8卫星影像。
2. 图像校正首先，我们对下载的遥感图像进行了几何校正，以消除图像中的几何畸变。
通过选择地面控制点，将遥感图像与实际地理位置相对应。
3. 图像分类接着，我们进行了遥感图像的分类。
采用监督分类方法，利用ENVI软件中的分类器，对遥感图像进行分类。
分类过程中，我们选取了地物特征明显的区域作为训练样本，以指导分类器进行分类。
4. 信息提取最后，我们利用遥感图像提取了北京市的地物信息，包括水体、植被、建筑等。
通过对提取信息的分析，可以了解北京市的地表环境状况。
五、实验结果与分析1. 图像校正通过几何校正，我们成功地将遥感图像与实际地理位置相对应，消除了图像中的几何畸变。
校正后的图像可以更准确地反映地表物体的真实位置。
2. 图像分类在遥感图像分类过程中，我们共分为三个类别：水体、植被和建筑。
经过分类，我们得到了较为准确的分类结果。
通过分析分类结果，可以看出北京市的水体主要分布在北部地区，植被主要分布在山区和郊外，建筑主要集中在城市中心区域。
3. 信息提取通过对遥感图像提取的地物信息进行分析，我们可以了解到北京市的地表环境状况。
卫星遥感技术实验报告
卫星遥感技术实验报告一、实验目的本实验旨在通过使用卫星遥感技术，对地球上特定区域进行遥感观测，获取区域内的地表信息，如地形、植被覆盖、土地利用等，并通过数据处理和分析，探索卫星遥感技术在环境监测、资源调查、城市规划等领域的应用。
二、实验材料1. 计算机2. 卫星遥感影像数据3. 遥感数据处理软件三、实验步骤1. 下载相应的卫星遥感影像数据，存储到计算机中。
2. 使用遥感数据处理软件打开影像数据，进行预处理，包括数据纠正、增强和地理坐标校正等。
3. 对处理后的影像数据进行图像分类，将地表分为不同类别，如水体、植被、裸土等。
4. 进行遥感信息提取和数据分析，通过地物光谱特征等参数进行识别和分类。
5. 利用地理信息系统对实验区域进行空间分析，生成地图表达分析结果。
四、实验结果通过本次实验，成功获取了实验区域内的地表信息，包括植被覆盖率、土地利用类型等数据。
经过数据处理和分析，得出了实验区域的植被分布情况、土地利用结构及变化趋势等结果。
同时，通过地图展示，清晰地呈现了实验区域的空间特征。
五、实验结论卫星遥感技术作为一种高效、准确的遥感手段，对地球表面的环境和资源进行监测和调查具有重要意义。
通过本次实验，验证了卫星遥感技术在地理信息提取、环境监测等领域的应用潜力，为未来进一步开展相关研究提供了有力支持。
六、实验总结本次实验通过卫星遥感技术的应用，成功实现了对特定区域地表信息的获取和分析，为环境监测和资源管理提供了有益数据支持。
随着科技的不断进步，卫星遥感技术将在地球科学领域发挥越来越重要的作用，为人类的可持续发展和生存提供更多有效手段。
七、参考文献1. 《遥感原理与应用》2. 《卫星遥感数据处理与分析》。
遥感影像处理实验报告(3篇)
第1篇一、实验背景与目的随着遥感技术的不断发展，遥感影像已成为获取地球表面信息的重要手段。
遥感影像处理是对遥感影像进行一系列技术操作，以提高影像质量、提取有用信息的过程。
本实验旨在通过实践操作，让学生掌握遥感影像处理的基本原理和常用方法，提高学生对遥感影像数据的应用能力。
二、实验内容与步骤本次实验主要包括以下内容：1. 数据准备：获取实验所需的遥感影像数据，包括光学影像、红外影像等。
2. 影像预处理：对原始遥感影像进行辐射校正、几何校正、图像增强等处理。
3. 影像分割：对预处理后的影像进行分割，提取感兴趣的目标区域。
4. 影像分类：对分割后的影像进行分类，识别不同的地物类型。
5. 结果分析：对分类结果进行分析，评估分类精度。
三、实验步骤1. 数据准备- 获取实验所需的遥感影像数据，包括光学影像、红外影像等。
- 确保影像数据具有较好的质量和分辨率。
2. 影像预处理- 辐射校正：对原始遥感影像进行辐射校正，消除大气、传感器等因素对影像辐射强度的影响。
- 几何校正：对原始遥感影像进行几何校正，消除地形起伏、地球曲率等因素对影像几何形状的影响。
- 图像增强：对预处理后的影像进行图像增强，提高影像对比度、清晰度等。
3. 影像分割- 选择合适的分割方法，如基于阈值分割、基于区域生长分割、基于边缘检测分割等。
- 对预处理后的影像进行分割，提取感兴趣的目标区域。
4. 影像分类- 选择合适的分类方法，如监督分类、非监督分类等。
- 对分割后的影像进行分类，识别不同的地物类型。
5. 结果分析- 对分类结果进行分析，评估分类精度。
- 分析分类结果中存在的问题，并提出改进措施。
四、实验结果与分析1. 影像预处理结果- 经过辐射校正、几何校正和图像增强处理后，遥感影像的质量得到显著提高，对比度、清晰度等指标明显改善。
2. 影像分割结果- 根据实验所采用的分割方法，成功提取了感兴趣的目标区域，分割效果较好。
3. 影像分类结果- 通过选择合适的分类方法，对分割后的影像进行分类，成功识别了不同的地物类型。
遥感自动分类实验报告
一、实验背景随着遥感技术的快速发展，遥感图像在资源调查、环境监测、灾害预警等领域发挥着越来越重要的作用。
遥感图像自动分类技术作为遥感信息提取的关键技术之一，旨在通过计算机自动识别和分类遥感图像中的地物信息，提高遥感数据的应用效率。
本实验旨在通过实践操作，了解遥感图像自动分类的原理和方法，掌握遥感图像处理软件ENVI的操作，并分析实验结果。
二、实验目的1. 理解遥感图像自动分类的原理和方法。
2. 掌握遥感图像处理软件ENVI的操作，包括图像预处理、特征提取、分类器选择、分类结果分析等。
3. 分析实验结果，评估分类精度，并探讨提高分类精度的方法。
三、实验原理遥感图像自动分类的基本原理是：根据遥感图像中地物的光谱特征、纹理特征等，将图像分割成不同的类别。
常见的分类方法包括监督分类、非监督分类和混合分类。
1. 监督分类：在分类前，需要先对遥感图像进行人工标注，提取训练样本，然后利用训练样本建立分类模型，对图像进行分类。
2. 非监督分类：无需人工标注，根据图像自身特征，自动将图像分割成不同的类别。
3. 混合分类：结合监督分类和非监督分类的优点，先进行非监督分类，得到初步分类结果，然后根据需要选择部分类别进行监督分类。
四、实验步骤1. 数据准备：收集实验所需的遥感图像，包括原始图像、参考数据等。
2. 图像预处理：对遥感图像进行辐射校正、几何校正等预处理操作，提高图像质量。
3. 特征提取：根据实验需求，选择合适的特征提取方法，如光谱特征、纹理特征等。
4. 分类器选择：根据实验数据和特征，选择合适的分类器，如最大似然分类器、支持向量机等。
5. 分类结果分析：对分类结果进行精度评估，分析分类误差，并探讨提高分类精度的方法。
五、实验结果与分析1. 实验数据：本次实验选用某地区Landsat 8影像作为实验数据，影像分辨率为30m，包含10个波段。
2. 预处理：对Landsat 8影像进行辐射校正和几何校正，提高图像质量。
遥感地形地物分类实验
一、实验目的加强对遥感技术的理论与实验相结合的能力，增加动手完成实践工程的能力二、实验设备1.输入计算机的未经处理的卫星影像2.计算机、ENVI软件三实验结果要求：以实验报告的形式提交各类过程图和结果图；并写明生成土地利用分类图的步骤；上述步骤中生成的过程文件和结果文件和数据均需打包提交。
四、实验内容及步骤1打开一幅长沙市的影像图，生成八种不同地物类型的ROI文件，并用中文名字输出不同的地类名称对应的ROI，最后输出ROI文件保存；（1）首先打开原始卫星影像。
ENVI：File>>Open Image>>Available Bands List（ABL）中选择RGB Color模式点击“Load RGB”，以把选定的波段导入选定的显示。
（2）运用ENVI: Basic Tools >> Region Of Interest>> ROI tool，依次建立各类地物的训练区。
最后训练区的保存：ROI Tool:File>>Save ROIs…2.矢量3.加载预定义ROI进行分类，输出分类图JPG格式。
训练区的加载：ROI Tool: File>>Restore ROIs…，然后监督分类ENVI: Classification >> supervised >>Maximum likelihood >> Classification Input File 选择分类的图像>> Maximum likelihood Parameters。
再- 2-将得到的分类图保存为JPG就可。
Image:>>Save Image As>> Image File…4计算出分类后，八种不同地物的总面积，输出成EXCEL格式保存并打印出来。
5分别采集上面的八种不同地物的波谱曲线图并保存成JPG输出。
遥感课程实验报告
实验名称：遥感图像处理与分析实验时间：2023年4月10日实验地点：遥感实验室一、实验目的1. 掌握遥感图像的获取、处理和分析方法。
2. 学习遥感图像处理软件的使用。
3. 培养学生运用遥感技术解决实际问题的能力。
二、实验原理遥感技术是利用航空、航天等手段，获取地球表面信息的一种技术。
遥感图像处理与分析是遥感技术的重要组成部分，主要包括图像预处理、图像增强、图像分类、图像融合等。
本实验以遥感图像处理与分析为主要内容，通过实验掌握遥感图像处理的基本方法。
三、实验内容1. 遥感图像获取：获取一幅遥感图像，了解遥感图像的基本特征。
2. 遥感图像预处理：对遥感图像进行辐射校正、几何校正、大气校正等预处理操作。
3. 遥感图像增强：对遥感图像进行对比度增强、亮度增强、滤波等操作。
4. 遥感图像分类：采用监督分类和非监督分类方法对遥感图像进行分类。
5. 遥感图像融合：将多源遥感图像进行融合，提高图像质量。
四、实验步骤1. 实验准备：准备遥感图像处理软件、遥感图像数据等。
2. 遥感图像获取：从遥感图像数据库中获取一幅遥感图像。
3. 遥感图像预处理：a. 辐射校正：利用遥感图像的辐射校正公式，对遥感图像进行辐射校正。
b. 几何校正：利用遥感图像的几何校正公式，对遥感图像进行几何校正。
c. 大气校正：利用遥感图像的大气校正模型，对遥感图像进行大气校正。
4. 遥感图像增强：a. 对比度增强：采用直方图均衡化方法对遥感图像进行对比度增强。
b. 亮度增强：采用线性变换方法对遥感图像进行亮度增强。
c. 滤波：采用中值滤波、高斯滤波等方法对遥感图像进行滤波。
5. 遥感图像分类：a. 监督分类：选择训练样本，建立分类模型，对遥感图像进行分类。
b. 非监督分类：采用ISODATA、K-means等方法对遥感图像进行非监督分类。
6. 遥感图像融合：a. 选择合适的融合方法，如主成分分析（PCA）、小波变换等。
b. 对多源遥感图像进行融合，得到融合图像。
遥感分类的实习报告
一、实习背景与目的随着遥感技术的飞速发展，遥感分类在资源调查、环境监测、灾害预警等领域发挥着越来越重要的作用。
本次实习旨在通过实际操作，让学生掌握遥感分类的基本原理和方法，提高学生运用遥感数据解决实际问题的能力。
二、实习内容本次实习主要内容包括：1. 遥感影像数据获取与预处理：学习遥感影像数据的获取途径，掌握遥感影像预处理方法，包括辐射校正、几何校正、裁剪等。
2. 遥感影像特征提取：学习遥感影像特征提取方法，包括光谱特征、纹理特征、形状特征等。
3. 遥感分类方法：学习常用的遥感分类方法，如监督分类、非监督分类、模糊分类等。
4. 分类结果评价与优化：学习分类结果评价方法，如混淆矩阵、Kappa系数等，并对分类结果进行优化。
三、实习过程1. 遥感影像数据获取与预处理实习初期，我们学习了遥感影像数据的获取途径，包括卫星遥感数据、航空遥感数据等。
通过实际操作，我们掌握了遥感影像预处理方法，如辐射校正、几何校正、裁剪等。
以Landsat 8影像为例，我们进行了以下预处理步骤：（1）辐射校正：使用ENVI软件对Landsat 8影像进行辐射校正，消除大气、传感器等因素对影像辐射值的影响。
（2）几何校正：选择地面控制点，对Landsat 8影像进行几何校正，消除影像几何变形。
（3）裁剪：根据研究区域范围，对Landsat 8影像进行裁剪，提取研究区域内的影像数据。
2. 遥感影像特征提取在遥感影像特征提取环节，我们学习了光谱特征、纹理特征、形状特征等提取方法。
以监督分类为例，我们选取了以下特征：（1）光谱特征：利用ENVI软件提取Landsat 8影像的波段组合，计算波段间的比值、比值比等光谱指数。
（2）纹理特征：利用ENVI软件提取Landsat 8影像的纹理特征，如灰度共生矩阵、局部方差等。
（3）形状特征：利用ENVI软件提取Landsat 8影像的形状特征，如面积、周长、形状因子等。
3. 遥感分类方法在遥感分类环节，我们学习了监督分类、非监督分类、模糊分类等常用方法。
遥感实验报告非监督分类
一、实验背景随着遥感技术的飞速发展，遥感数据在资源调查、环境监测、灾害评估等领域发挥着越来越重要的作用。
遥感图像的分类是遥感应用中的一项基础性工作，它将遥感图像中的像素根据其光谱特性划分为不同的类别，从而实现对地表地物的识别和提取。
非监督分类作为遥感图像分类的一种重要方法，因其无需预先设定分类类别，能够自动将相似像素归为一类，在遥感图像处理中具有广泛的应用。
二、实验目的1. 理解非监督分类的原理和方法；2. 掌握利用ENVI软件进行非监督分类的步骤；3. 分析不同非监督分类方法的效果，比较其优缺点；4. 将非监督分类应用于实际遥感图像处理，提取地表地物信息。
三、实验原理非监督分类，也称为聚类分析或无监督分类，是一种基于像素光谱特征自动将像素归为不同类别的分类方法。
其主要原理是：将像素按照其光谱特征相似性进行聚类，使得同一类别的像素之间的距离尽可能小，而不同类别的像素之间的距离尽可能大。
常用的非监督分类方法包括：1. K-Means聚类算法：将像素按照其光谱特征分为K个类别，使得每个类别内部的像素距离最小，不同类别之间的像素距离最大。
2. ISODATA聚类算法：在K-Means聚类算法的基础上，引入了噪声点和边界点的概念，使得聚类结果更加合理。
3. 密度聚类算法：基于像素空间分布密度进行聚类，适用于地表地物分布不均匀的情况。
四、实验步骤1. 数据准备：选择合适的遥感图像作为实验数据，并进行预处理，如辐射校正、几何校正等。
2. 选择分类方法：根据实验需求和图像特点，选择合适的非监督分类方法。
3. 参数设置：设置聚类数量、迭代次数等参数，以影响聚类结果。
4. 分类执行：利用ENVI软件进行非监督分类，生成分类结果图。
5. 分类结果分析：分析分类结果，评估分类效果，并根据需要调整参数。
五、实验结果与分析以某地区Landsat 8遥感图像为例，采用K-Means聚类算法进行非监督分类，将图像分为5个类别。
遥感图像监督分类实习报告
遥感影像监督分类结果记录
监督分类实质上就是依据所建立的训练区（分类模板）、在一定的分类决策规则的条件下，对图像像元的类别归属进行判断的过程。
1．根据你的分析，TM图像中的地物共划分了多少种类别？哪些类别？
6种林地耕地阴影裸地人造地物其它
2．在待分类图像中通过ROI区域来获取分类模板信息，为所有类别选取训练样本区之后，请把选择了训练区的图像和ROI Tool对话框抓图。
图1 地物分类表图
3．评价分类模板，计算ROI的可分离性，将显示可分离性值的窗口抓图。
说明：ENVI为每一个感兴趣区组合计算Jeffries-Matusita距离和Transformed Divergence。
这两个参数的值为0—2.0，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，需要重新选择样本；小于1，考虑将两类样本合成一类样本。
注意：如果可分离性的值小于1.8则要重新选择训练区，如果小于1则考虑修改类别的划分，将两类样本合成一类样本。
通过检验和修改，直到可分离性值大于1.9为止。
图2 ROI的可分离性图
4．在分类模板满足精度要求后，执行监督分类。
分类方法分别采用：平行六面体法、最短距离法、最大似然法。
（1）平行六面体法得到的分类结果抓图
图 3 平行六面体分类图（2）最短距离法得到的分类结果抓图
图4 最短距离法分类图
（3）最大似然法得到的分类结果抓图
图5 最大似然发分类图（4）分类结果图中不同颜色对应的类别图例。
例如
图 6 不同颜色类别图。
- 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、"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、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)。
一、实验名称
遥感图像的监督分类与非监督分类
二、实验目的
理解遥感图像监督分类及非监督分类的原理；掌握用ENVI对影像进行监督分类和非监督分类的方法，初步掌握图像分类后的相关操作；了解整个实验的过程以及实验过程中要注意的事项。
三、实验原理
监督分类：又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。
它是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。
非监督分类：也称为聚类分析或点群分类。
在多光谱图像中搜寻、定义其自然相似光谱集群的过程。
它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(或纹理) 信息进行特征提取，再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际属性进行确认。
目前比较常见也较为成熟的是ISODATA、K-Mean和链状方法等。
四、数据来源
本次实验所用数据来自于国际数据服务平台；landsat4-5波段30米分辨率TM 第三波段影像，投影为WGS-84，影像主要为山西省大同市恒山地区，中心纬度：
38.90407 中心经度：113.11840。
鉴于实验内容及图像大小等问题，故从一景TM影像中裁取一个含有较丰富地物信息区域作为待分类影像。
五、实验过程
1.监督分类
1.1打开并显示影像文件，选择合适的波段组合加载影像
打开并显示TM影像文件，从 ENVI 主菜单中，选择File → Open Image File选择影像，为了更好地区分不同地物以及方便训练样本的选取，选择5、4、3波段进行相关操作，点击Load Band 在主窗口加载影像。
1.2使用感兴趣区（ROI）工具来选择训练样区
1）主影像窗口菜单栏中，选择 Overlay >Region of Interest。
出现ROI Tool对话框，
2）根据不同的地物光谱特征，在图像上画出包含该类地物的若干多边形区域，建立相应的感兴趣区域，输入对应的地物名称，更改感兴趣区对应的显示色彩。
由于该地区为山西省北部，地物相对单一，故分为以下几类：裸地、草地、灌木林、农田、水体、人类活动区、云层，阴影。
1.3选择分类方法进行分类
1）主菜单中，选择Classification>Supervised，在对应的选项菜单中选择分类方法，对影像进行分类。
以最小距离法（Minimum Distance）为例进行说明。
选择Minimum Distance选项，出现Classification Input File对话框，在该对话框中选择待分类图像。
2）在出现的Minimum Distance Parameters对话框中，select Ttems选择训练样本，
定义相关参数，选择输出路径。
点击ok完成分类，结果如图：
2.非监督分类
非监督分类方法有K-均值分类法及ISOData( 重复自组织数据分析技术)，本次实验报告以K-均值分类方法为例进行说明。
1）主菜单中 , 选择 Classincation>Unsupervised>K-Means。
在Classification Input File对话框中选择待分类影像文件。
2）在K-Means Parameters对话框中定义相关参数，其中，可定义参数有：分类类别数，像元变化阈值，用于分类的最多迭代次数以及可选的距离阈值。
选择结果输出位置，点击OK完成分类。
3.分类后处理
我们需要对分类后的影像进行后处理，评价其分类的精度，这里以监督分类结果为例进行说明。
3.1更改类别名称及颜色
主图像窗口，Overlay->classification,出现Select Input file对话框，选择分类结果，点击OK。
在Interactive Class TOOL对话框的option下拉菜单中选择Edit colors/names选项，在弹出的对话框中选择类别更改其名称颜色。
3.2分类结果微调包括删除或者合并小斑点。
1）将要修改的类别置于激活状态，点击Edit下拉菜单，选择Mode :polygon Add to class 将分类错误的点与周围区域点合并。
选择Mode :polygon delete from class将错误点剔除。
2）主菜单classification->Post classification->sieve classes打开sieve parameters对话框，选择训练样本，及最小剔除像素，选择输出位置，完成操作。
图为采用八联通域将像素小于5的点删除。
3.3混淆矩阵精度验证
1）选取验证样本，与监督分类操作类似，选择不同的感兴趣区域，保存ROI,作为选择训练样本。
2）进行精度验证，主菜单classification->Post classification->Using Ground Truth ROI，选择分类图像。
对应分类结果和验证样本
点击ok得到精度验证结果。
3.4分类统计
主菜单classification->Post classification->class statistics，在弹出的对话框中输入分类结果,点ok下一个对话框输入原图像ok。
在弹出的select classes对话框中选择训练样本。
选择输出显示类型，点击ok得到统计结果。
3.5分类结果转换为矢量
主菜单classification->Post classification-> classification to vector,弹出对话框中选择分类结果影像。
选择训练样本及矢量文件输出位置，点击ok完成矢量化。
矢量化结果如下：
六、实验结果与分析
1、监督分类结果分析
将分类结果与原图像进行对比可发现分类结果基本符合要求，农田与建筑的分布具有较强的统一性，符合相关常识。
2、非监督分类结果分析
3、图为经过主次要分析的分类结果与原图对比，可发现去除了一些噪声点，分类结果相对较好。
4、分类结果精度评价分析
由于监督分类，训练样本及验证样本的选择失误，图像的分类精度为83%基本符合要求，但不是太高，从精度报表中可看出，误差来源主要为灌木林与草地之间的差异，其他地物的分类结果基本上比较精确。
七、实验心得与体会
本次实为遥感影像的监督分类与非监督分类以及分类后处理，通过本次实验，初步掌握了影像的分类过程，在影像的监督分类中，训练样本的选择是本实验的关键点，如何较为准确的选择感兴趣区域确定正确的训练样本需要在以后的学习中积累相关经验。
实验中相近地物信息的不同地物该如何分类需要思考。