遥感图像处理 分类 实验报告
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引言：遥感图像处理是一门应用广泛的技术，它通过获取、分析和解释地球表面的图像数据，为地质勘探、环境监测、农业发展等领域提供了重要的支持。
本实验旨在探索遥感图像处理的基本方法和技术，以及其在实际应用中的价值和意义。
一、图像预处理图像预处理是遥感图像处理的第一步，它主要包括图像的去噪、增强和几何校正等操作。
在本实验中，我们使用了一张卫星图像作为样本，首先对图像进行了去噪处理，采用了中值滤波算法，有效地去除了图像中的椒盐噪声。
接着，我们对图像进行了增强处理，采用了直方图均衡化算法，使得图像的对比度得到了显著提高。
最后，我们进行了几何校正，通过对图像进行旋转和缩放，使得图像的几何形状与实际地理位置相符合。
二、图像分类图像分类是遥感图像处理的关键步骤之一，它通过对图像中的像素进行分类，将其划分为不同的地物类型。
在本实验中，我们使用了监督分类方法，首先选择了一些具有代表性的样本像素，然后通过训练分类器，将这些样本像素与不同的地物类型进行关联。
接着，我们对整个图像进行分类，将图像中的每个像素都划分为相应的地物类型。
最后，我们对分类结果进行了验证，通过与实地调查结果进行对比，验证了分类的准确性和可靠性。
三、图像融合图像融合是遥感图像处理的一项重要技术，它可以将多个不同波段或分辨率的图像融合成一幅高质量的图像。
在本实验中，我们选择了两幅具有不同波段的卫星图像，通过波段归一化和加权平均的方法，将这两幅图像融合在一起。
融合后的图像不仅保留了原始图像的颜色信息，还具有更高的空间分辨率和光谱分辨率，可以提供更全面和准确的地物信息。
四、图像变化检测图像变化检测是遥感图像处理的一项关键任务，它可以通过对多幅图像进行比较，检测出地表发生的变化情况。
在本实验中，我们选择了两幅具有不同时间的卫星图像，通过差异图像法和指数变化检测法，对这两幅图像进行了变化检测。
通过对比差异图像和变化指数图，我们可以清晰地看到地表发生的变化，如城市扩张、植被变化等，为城市规划和环境监测提供了重要的参考依据。
遥感影像处理实习报告
实习报告：遥感影像处理实习一、实习目的本次遥感影像处理实习的主要目的是通过实际操作，掌握遥感影像处理的基本方法和技能，提高对遥感影像的处理和分析能力。
通过实习，我们希望能够学会使用遥感相关软件对遥感影像进行校正、裁剪等处理工作，掌握遥感野外调查的方法和注意事项，根据《土地利用现状分类-GB2007》标准，对所调查区域的遥感影像地物进行初步目视解译、划分，从而建立外业目视解译标志表，掌握对遥感影像的室内解译，同时进行小斑区划和数据库建立，根据遥感影像图，针对所调查区域制作土地利用现状分类专题图。
二、实习内容（一）遥感影像处理1、遥感影像预处理：首先我们将下载到的原始遥感图像在envis软件中进行预处理，包括辐射校正和几何校正。
辐射校正主要进行传感器校正、大气校正、太阳高度及地形校正。
几何校正是指纠正由系统或非系统因素引起的图像几何变形。
这里主要是对遥感影像坐标系进行选取，我们将实习所用到的遥感图像坐标系确定为UTMWGS84坐标系。
2、遥感影像裁剪：对预处理过的遥感影像进行裁剪，选取出本次实习的区域范围，我们选取了金洲新区大部分地区及望城区部分区域作为本次实习的区域范围。
使用envis软件中感兴趣区域选取的功能，裁剪出特定的区域范围。
（二）外业建标调查：1、建立目视解译标志：建立目视解译标志即对遥感影像上的地物进行识别和分类，根据《土地利用现状分类-GB2007》标准，对遥感影像上的地物进行初步目视解译、划分，从而建立外业目视解译标志表。
2、野外调查：根据所建立的目视解译标志，对实习区域进行野外调查，验证解译结果的准确性，并对解译过程中出现的问题进行修正。
（三）室内解译和数据库建立：1、室内解译：利用envis软件对裁剪后的遥感影像进行室内解译，根据野外调查结果和目视解译标志，对遥感影像上的地物进行详细分类和解译。
2、小斑区划和数据库建立：根据室内解译结果，对遥感影像上的地物进行小斑区划，并将小斑区数据导入数据库，建立遥感影像地物数据库。
遥感原理实验报告2遥感图像处理
《遥感原理》实验报告实验名称：遥感图像处理专业：地理信息科学学号：姓名：指导老师：1、实验目的（1）了解彩色的基本特性和相互关系；掌握三原色及其互补色，掌握加色法；（2）学习掌握图像直方图变化与图像亮度变化的关系；掌握图像线性拉伸的方法和过程；（3）理解遥感图像彩色合成的基本原理；掌握选用不同的合成方案产生不同的合成效果的方法，从而达到突出不同目标地物的目的；（4）了解空间滤波的操作过程和空间滤波对图像产生的效果；（5）了解并掌握K-L变换的过程和方法；进一步理解K-L变换产生的处理效果和处理意义；（6）了解和掌握缨帽变换的过程和处理效果；（7）了解和掌握彩色空间变换的过程和方法。
2、实验材料Photoshop CS6、ENVI5.1、CAI软件和光盘文件3、实验内容与过程3.1 遥感图像的光学合成原理彩色的基本特性：明度、色调和饱和度为彩色的基本特性。
明度是指色彩的明亮程度，是人眼对光源或物体明亮程度地感觉，彩色光亮度越高，人眼感觉就越明亮，即有较高的明度。
明度的高低取决于光源光强及物体表面对光的反射率。
色调是色彩彼此相互区分的特性，色调取决于光源的光谱组成和物体表面的光谱反射特性。
饱和度是色彩纯洁性，取决于物体表面反射光谱的选择性程度，反射性光谱越窄，即光谱的选择性越强，彩色的饱和度就越高。
明度、色调和饱和度三者的关系可以用颜色立体来表述。
非彩色，即黑白色只用明度描述，不使用色调、饱和度。
红橙黄绿青蓝紫各种颜色组成彩图。
在遥感上，彩色图比非彩色图较易识别地物。
白色、黑色和各种灰色组成黑白图象，当物体对可见光的各个波长的反射无选择性时，表现为黑色或灰色。
3.2 遥感图像的线性拉伸打开ENVI>点击菜单栏的“Custom Stretch”按钮>选择”Linear”等进行线性拉伸；或者直接在菜单栏上选择“Linear”“Linear2%”“Linear5%”原图：线性拉伸后：Linear:Linear 1%:当拉伸效果为1%时，显示效果得到了很大改善。
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
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。
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引言遥感技术作为一种获取地球表面信息的重要手段，已经在农业、环境、城市规划等领域得到广泛应用。
本实验旨在通过遥感图像处理，探索图像处理算法的应用效果，并分析其在实际应用中的潜力。
一、图像预处理图像预处理是遥感图像处理的第一步，其目的是消除图像中的噪声、增强图像的对比度和清晰度。
在本实验中，我们使用了直方图均衡化和中值滤波两种常见的图像预处理方法。
直方图均衡化是一种通过调整图像像素的灰度分布来增强图像对比度的方法。
通过对图像的灰度级进行重新分配，使得图像的灰度分布更加均匀，从而使得图像的细节更加清晰。
实验结果显示，直方图均衡化对于遥感图像的对比度增强效果显著。
中值滤波是一种常见的图像去噪方法，其原理是通过计算像素点周围邻域的中值来替代该像素点的值，从而消除图像中的噪声。
在本实验中，我们使用了3x3的中值滤波器对遥感图像进行滤波处理。
实验结果表明，中值滤波能够有效地去除图像中的椒盐噪声和高斯噪声，使得图像更加清晰。
二、图像分类图像分类是遥感图像处理的核心任务之一，其目的是将遥感图像中的像素点按照其特征分类到不同的类别中。
在本实验中，我们使用了支持向量机（SVM）算法进行图像分类。
支持向量机是一种常用的机器学习算法，其通过构建一个最优超平面来实现分类。
在图像分类中，我们将遥感图像中的每个像素点看作一个数据样本，其特征由像素的灰度值和纹理信息组成。
通过对训练样本进行学习，支持向量机能够建立一个分类模型，从而对测试样本进行分类。
实验结果显示，支持向量机在遥感图像分类中表现出较高的准确性和鲁棒性。
通过调整支持向量机的参数，我们可以得到不同的分类结果。
此外，支持向量机还能够处理高维数据和非线性分类问题，使其在遥感图像处理中具有广泛的应用前景。
三、图像变换图像变换是遥感图像处理中的重要环节，其目的是将图像从一个空间域转换到另一个空间域，从而提取图像中的特征信息。
在本实验中，我们使用了小波变换和主成分分析两种常见的图像变换方法。
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。
遥感图像的分类实验报告
遥感图像的分类实验报告一、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。
遥感图像处理实习报告
遥感图像处理实习报告在当今科技飞速发展的时代，遥感技术作为获取地球表面信息的重要手段，已经在众多领域得到了广泛应用。
为了更深入地了解和掌握遥感图像处理的技术和方法，我参加了本次遥感图像处理实习。
通过这次实习，我不仅学到了专业知识，还提高了实践操作能力，对遥感技术有了更全面的认识。
一、实习目的本次实习的主要目的是让我们熟悉遥感图像处理的基本流程和方法，掌握常用的遥感图像处理软件，学会对遥感图像进行几何校正、辐射校正、图像增强、图像分类等操作，并能够运用所学知识解决实际问题，提高对遥感数据的分析和应用能力。
二、实习内容（一）数据准备在实习开始前，我们收集了一系列的遥感图像数据，包括不同传感器、不同分辨率、不同波段组合的图像。
这些数据涵盖了城市、农田、森林、水域等多种地物类型，为后续的处理和分析提供了丰富的素材。
（二）软件学习我们使用了 ERDAS IMAGINE 和 ENVI 这两款主流的遥感图像处理软件。
通过学习这两款软件的基本操作界面、功能模块和工具菜单，我们逐渐熟悉了如何导入数据、显示图像、进行图像裁剪和拼接等基本操作。
（三）几何校正几何校正是遥感图像处理中的重要环节，它可以消除由于传感器姿态、地球曲率、地形起伏等因素引起的图像几何变形。
我们首先选取了具有精确地理坐标的控制点，然后利用多项式模型对图像进行几何校正，通过不断调整参数，使校正后的图像与实际地理坐标相匹配。
（四）辐射校正辐射校正旨在消除由于传感器性能、大气散射和吸收等因素引起的图像辐射误差。
我们采用了基于直方图匹配和辐射定标的方法，对图像的亮度和对比度进行了调整，使不同时相、不同传感器获取的图像具有可比性。
（五）图像增强为了突出图像中的有用信息，我们运用了多种图像增强技术，如对比度拉伸、直方图均衡化、滤波等。
通过这些操作，图像中的地物特征更加清晰，有利于后续的分析和识别。
（六）图像分类图像分类是遥感图像处理的核心任务之一，我们尝试了监督分类和非监督分类两种方法。
遥感数字图像处理实验报告
遥感数字图像处理及应用实验报告姓名：学号：专业：学院：学校：实验一遥感图像统计特性一、实验目的掌握遥感图像常用的统计特性的意义和作用，能运用高级程序设计语言实现遥感图像统。
二、实验内容编程实现对遥感图像进行统计特性分析，均值、方差（均方差）、直方图、相关系数等。
三、实验原理1.均值像素值的算术平均值，反映图像中地物的平均反射强度。
公式为：2.方差像素值与平均值差异的平方和，反映了像素值的离散程度。
也是衡量图像信息量大小的重要参数。
公式为：3.相关系数反映了两个波段图像所包含信息的重叠程度。
f,g为两个波段的图像。
公式为：四、实验数据及图像显示：原始图像：运行结果：实验二遥感图像增强处理一、实验目的掌握常用遥感图像的增强方法，能运用高级程序设计语言实现遥感图像的增强处理。
二、实验内容编程实现对遥感图像的IHS 变换、IHS 逆变换、进行统计特性分析，均值、方差（均方差）、直方图、相关系数等。
三、实验原理：1.IHS变换2.SPOT图像真彩色模拟模拟真彩色：通过某种形式的运算得到模拟的红、绿、蓝三个通道，然后通过彩色合成近似的产生真彩色图像。
（1）SPOT IMAGE 公司提供的方法该方法实际上是将原来的绿波段当作蓝波段，红波段（0.61-0.68 μm）仍采用原来的波段，绿波段用绿波段、红波段、红外波段的算术平均值来代替。
（2）ERDAS IMAGING 软件中的方法此法将原来的绿波段当作蓝波段，红波段仍采用原来的波段，绿波段用绿波段、红外波段按3：1 的加权算术平均值来代替。
四、实验数据及图像显示原始图像：ISH变换所的图像：SPORT真彩色图像：实验三遥感图像融合一、实验目的掌握多源遥感图像融合的原理与方法，能运用高级程序设计语言实现遥感图像的融合。
二、实验内容选择IHS 变换、PCA 变换和Brovey 变换三种方法中的一种，编程实现多源遥感图像融合，即将低空间分辨率的多光谱图像与高空间分辨率的全色图像实现融合。
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。
【报告】遥感图像处理实验报告
【关键字】报告遥感图像处理实验报告篇一：遥感数字图像处理实验报告设计重庆交通大学遥感数字图像处理实验报告实验课程：数字图像处理实验名称：设计所有遥感数字图像处理的实验班级：实验一：遥感图像合成和显示增强一、目的和要求1. 目的掌握图像合成和显示增强的基本方法，理解存储的图像数据与显示的图像数据之间的差异。
2. 要求熟练根据图像中的地物特征进行合成显示、拉伸、图像均衡化等显示增强操作。
理解直方图的含义，能熟练利用直方图进行多波段的图像显示拉伸增强处理。
2、实验内容1. 图像的彩色合成显示2. 图像的基本拉伸方法3. 图像均衡化方法4. 图像规定化三、实验步骤四、实验体会实验二：遥感图像的几何精纠正一、目的和要求1.目的使用多项式方法对TM遥感图像进行几何精纠正。
2.要求能熟练根据地图、GPS测点数据或具有投影的图像对遥感图像进行几何精纠正。
能够正确地选择几何纠正中的各种参数。
能够对纠正结果进行评估。
掌握几何精纠正的基本方法和操作要点。
能够自定义地图投影并进行图像的投影转换。
2、实验内容1. 对TM图像进行几何精纠正。
2. 自定义地图投影。
3. 转换图像的投影。
三、实验步骤四、实验体会实验三：图像变换一、目的和要求1.目的掌握图像变换的基本操作方法，对比变换前后图像差异，理解不同变换方法之间的区别。
2.要求能够根据图像的特征设定傅里叶变换的滤波器，消除图像中的条纹。
能够解释主成分变换后的图像，利用主成分变换消除图像中的噪声。
能够利用KT变换结果进行图像合成、解释地物信息。
熟练利用代数运算产生不同的波段组合。
利用彩色变换进行图像的合成和融合。
能够解释变换后的图像，并根据工作目的选择合适的图像变换方法。
2、实验内容1. SPOT图像的傅里叶变换。
2. TM图像的主成分变换。
3. TM图像的代数变换。
4. ETM 图像的彩色变换。
三、实验步骤四、实验体会篇二：遥感图像处理实验报告格式遥感图像处理班级：学号：姓名：指导教师：实验报告目录一、实验目的 (3)2、实验时间 (3)三、实验地点 (3)四、实验内容 (3)1.图像j50e023013和j50e024013的校正 (3)2.校正后图像的裁剪 (3)3.图像裁剪后的拼接 (5)4.图像pinjie校正spot图像 (7)5.校正后的spot图像校正图像etm+ (10)6.校正后图像的融合 (12)7.融合图像的分类 (13)五、实验体会 (14)一、实验目的：（1）了解遥感软件的基本结构，并能熟练地运用该软件处理遥感数据。
遥感原理实验报告2遥感图像处理
《遥感原理》实验报告实验名称：遥感图像处理专业：地理信息科学学号：姓名：指导老师：1、实验目的（1）了解彩色的基本特性和相互关系；掌握三原色及其互补色，掌握加色法；（2）学习掌握图像直方图变化与图像亮度变化的关系；掌握图像线性拉伸的方法和过程；（3）理解遥感图像彩色合成的基本原理；掌握选用不同的合成方案产生不同的合成效果的方法，从而达到突出不同目标地物的目的；（4）了解空间滤波的操作过程和空间滤波对图像产生的效果；（5）了解并掌握K-L变换的过程和方法；进一步理解K-L变换产生的处理效果和处理意义；（6）了解和掌握缨帽变换的过程和处理效果；（7）了解和掌握彩色空间变换的过程和方法。
2、实验材料Photoshop CS6、ENVI5.1、CAI软件和光盘文件3、实验内容与过程3.1 遥感图像的光学合成原理彩色的基本特性：明度、色调和饱和度为彩色的基本特性。
明度是指色彩的明亮程度，是人眼对光源或物体明亮程度地感觉，彩色光亮度越高，人眼感觉就越明亮，即有较高的明度。
明度的高低取决于光源光强及物体表面对光的反射率。
色调是色彩彼此相互区分的特性，色调取决于光源的光谱组成和物体表面的光谱反射特性。
饱和度是色彩纯洁性，取决于物体表面反射光谱的选择性程度，反射性光谱越窄，即光谱的选择性越强，彩色的饱和度就越高。
明度、色调和饱和度三者的关系可以用颜色立体来表述。
非彩色，即黑白色只用明度描述，不使用色调、饱和度。
红橙黄绿青蓝紫各种颜色组成彩图。
在遥感上，彩色图比非彩色图较易识别地物。
白色、黑色和各种灰色组成黑白图象，当物体对可见光的各个波长的反射无选择性时，表现为黑色或灰色。
3.2 遥感图像的线性拉伸打开ENVI>点击菜单栏的“Custom Stretch”按钮>选择”Linear”等进行线性拉伸；或者直接在菜单栏上选择“Linear”“Linear2%”“Linear5%”原图：线性拉伸后：Linear:Linear 1%:当拉伸效果为1%时，显示效果得到了很大改善。
遥感影像分类方法实验报告
实验报告目录1 实验目的................................................... 错误!未定义书签。
2 实验数据................................................... 错误!未定义书签。
3 实验内容................................................... 错误!未定义书签。
4 实验步骤................................................... 错误!未定义书签。
对人口矢量数据（shapefile）进行投影转换.................. 错误!未定义书签。
文件投影坐标的检查................................... 错误!未定义书签。
将投影坐标转换为WGS_1984_UTM_Zone_16N ............... 错误!未定义书签。
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）错误!未定义书签。
在ENVI软件的加载.................................... 错误!未定义书签。
对遥感影像进行几何精校正（以矢量数据为基准）................... 错误!未定义书签。
用矢量图层对遥感影像进行裁剪................................................... 错误!未定义书签。
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错误!未定义书签。
两种融合方法的原理....................................................................... 错误!未定义书签。
进行 Gram-Schmidt Spectral Sharpening融合........................ 错误!未定义书签。
遥感图像处理 分类 实验报告
Lab6 non-parametric classification and post classification12021005龚鑫烨Objection：the major object of the current lab section are to implement non-parametric classification based on BP networks and support vector machines algorithms,with a full mastery of post-classification operation. Data: the subset of spot 5 imagery covering NJ.Steps:1、identify a training dataset and an independent set of validation data for built-up, forest,cropland,grassland and water.2、Implementing above-mentioned non-parametric algorithms to classify your image.3、Validating your classification.4、Refining your classification by implementing the majority filtering and modeling process if possible.实验步骤：1、将数据加载到envi中building、water、grass）保存ROI3、BP分类。
Classification——supervised——neural net，设置参数及输出路径观察RMS动态加载变换后的图像，和原图像进行对比Classification——post classification——confusion matrix——using ground truth ROIs由上图可以看出精确度为99.8%Bp分类的校正Classification——post classification——majority analysts ，进行网格设置通过对这两个图层地理连接，查看校正的效果4、svm分类方法：classification——supervised——support vector machineSvm分类效果的验证Classification——post classification——confusion matrix——using ground truth ROIsSvm分类的校正Classification——post classification——majority analysts ，进行网格设置将生成的图像与svm图像进行地理连接，查看校正效果Basic tools——sunset data via ROIs5、erdas里建模修改误分的像元以support vector machine分类的图像为例将切好的图像和之前的svm图像加载进来，并修改他们的投影信息为基于WGS84的UTM 投影。
- 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)。
Lab6 non-parametric classification and post classification
12021005龚鑫烨Objection：the major object of the current lab section are to implement non-parametric classification based on BP networks and support vector machines algorithms,with a full mastery of post-classification operation. Data: the subset of spot 5 imagery covering NJ.
Steps:
1、identify a training dataset and an independent set of validation data for built-up, forest,cropland,grassland and water.
2、Implementing above-mentioned non-parametric algorithms to classify your image.
3、Validating your classification.
4、Refining your classification by implementing the majority filtering and modeling process if possible.
实验步骤：
1、将数据加载到envi中
building、water、grass）
保存ROI
3、BP分类。
Classification——supervised——neural net，设置参数及输出路径
观察RMS动态
加载变换后的图像，和原图像进行对比
Classification——post classification——confusion matrix——using ground truth ROIs
由上图可以看出精确度为99.8%
Bp分类的校正
Classification——post classification——majority analysts ，进行网格设置
通过对这两个图层地理连接，查看校正的效果
4、svm分类方法：classification——supervised——support vector machine
Svm分类效果的验证
Classification——post classification——confusion matrix——using ground truth ROIs
Svm分类的校正
Classification——post classification——majority analysts ，进行网格设置
将生成的图像与svm图像进行地理连接，查看校正效果
Basic tools——sunset data via ROIs
5、erdas里建模修改误分的像元
以support vector machine分类的图像为例
将切好的图像和之前的svm图像加载进来，并修改他们的投影信息为基于WGS84的UTM 投影。
Molder-----molder maker，建立模型
建立关系式
运行模型后加载图像
（模型一运行就闪退。
）最后进行GEO link地理连接。