遥感图像分类实验步骤
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。
遥感图像分类后处理
一、实验目的与要求监视分类和决策树分类等分类方法得到的普通是初步结果，难于到达最终的应用目的。
因此，需要对初步的分类结果发展一些处理，才干得到满足需求的分类结果，这些处理过程就通常称为分类后处理。
常用分类后处理通常包括：更改分类颜色、分类统计分析、小斑点处理〔类后处理〕、栅矢转换等操作。
本课程将以几种常见的分类后处理操作为例，学习分类后处理工具。
二、实验内容与方法1. 小斑块去除Majority 和 Minority 分析聚类处理〔Clump〕过滤处理〔Sieve〕2. 分类统计3. 分类叠加4. 分类结果转矢量5. ENVI Classic 分类后处理浏览结果局部修改更改类别颜色6. 精度评价在中，分类后处理的工具主要位于 Toolbo*/Classification/Post Classification/；三、实验设备与材料装有的计算机以 ENVI 自带数据"can_tmr.img"的分类结果"can_tmr_class.dat"为例。
数据位于"...\13数据\"。
其他数据描述：•can_tmr.img ——原始数据•can_tmr_验证.roi ——精度评价时用到的验证 ROI四、实验步骤应用监视分类或者非监视分类以及决策树分类，分类结果中不可防止地会产生一些面积很小的图斑。
无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑发展剔除或者重新分类，目前常用的方法有 Majority/Minority 分析、聚类处理〔clump〕和过滤处理〔Sieve〕。
Majority/Minority 分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该类中，定义一个变换核尺寸，主要分析〔Majority Analysis〕用变换核中占主要地位〔像元数最多〕的像元类别代替中心像元的类别。
如果使用次要分析〔Minority Analysis〕，将用变换核中占次要地位的像元的类别代替中心像元的类别。
实验四遥感图像的监督分类和非监督分类
实验四遥感图像的监督分类和⾮监督分类实验四遥感图像的⾮监督分类与监督分类⼀、实验⽬的1．⾮监督分类是对数据集中的像元依据统计数字，光谱类似度和光谱距离进⾏分类，在没有⽤户定义的条件下练习使⽤，在ENVI环境下的⾮监督分类技术有两种：迭代⾃组织数据分析技术（ISodata）和K均值算法（K-Means）；2．分类过程中应注意：1）怎样确定⼀个最优的波段组合，从⽽达到最佳的分类精度，基于OIF和相关系数，协⽅差矩阵以及经验的使⽤来完成对最适合的组合的选取，分类效果的关键即在于此；2）K-Means的基本原理；3）Isodata的基本原理；4）分类结束后，被分类后的图像是⼀个新的图像，被分类类码秘填充，从⽽可以获得数据提取信息，统计不同类码数量，转化为实际⾯积，在得到后的图像上，可对不同⽬标的形态指标进⾏分析。
3．对训练区中的像元进⾏分类；4．⽤训练数据集估计查看监督分类后的统计参数；5．⽤不同⽅法进⾏监督分类，如最⼩距离法、马⽒距离法和最⼤似然法。
⼆、实验设备与材料1、软件ENVI 4.7软件2、所需材料TM数据三、实验步骤1.选择最优的波段组合ENVI主⼯具栏中File →Open image file →选择hbtmref.img打开→在Basic Tools中选择Statistics →Compute statistics选定原图，在Spectral subset中可选项全部选定→OK →OK →全选→保存→OK，则各类统计数字均可查；OIF计算，选择分类波段：1，2；2，3；1，3波段标准差分别为2.665727；3.473308；4.574609，和为10.713644。
Correlation Matrix 中1和2波段的相关系数0.964308，加上2和3波段的相关系数0.980166，再加上1和3波段的相关系数0.945880，最终等于2.890354。
⽤标准差相加的结果10.713644⽐上相关系数之和2.890354等于3.70668922。
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。
遥感实验报告-监督分类
实验报告书（验证性实验）题目图像分类——监督分类成绩姓名专业班级学号指导教师日期年月日1．实验目的从研究区域选取有代表性的训练场地作为样本，根据已知训练区提供的样本，通过选择特征参数（如像素亮度均值、方差等），建立判别函数，据此对样本像元进行分类，依据样本类别的特征来识别非样本像元的归属类别。
2．实验准备工作准备一张卫星高清图像以及ERDAS软件，统筹观测目测一下图像，大体了解地物的种类及种类数目，做到心中有数，为训练区的选取做准备。
3．实验步骤第一步：打开卫星拍摄的高清图像，同时打开工具栏classifier中的signature editor，会蹦出分类标签框。
然后打开viewer上的工具栏，在卫星图像上进行训练区第一种地物（如小麦）样本的选取，找到该类地物面积较大的区域，放大后用多边形截图工具截取，然后在标签框上选择添加，之后继续选样本，重复以上步骤，直到选择到十几个有代表性的样本为止。
之后在标签栏里选中所有样本，点击图标合并，删除原样本，只保留合并之后的，再在name栏里填上此种地物的名称。
这样第一个地物的样本选取完毕，进行第二个地物样本的选取，以此类推，直到把图像中包含的所有地物样本选出得到完整的分类标签为止，将分类标签保存在目标文件夹中。
地物样本的选择：第二步：打开classifier中的supervised classification，在导入原始文件栏里选择卫星图像，在导入signature栏里选择刚才做好的分类标签，之后选择导出的目标文件夹，在parametric中可以选择不同的选项（这里以maximum likelihood为例），确定后导出了开始。
第三步：打开导出的图像，这就是监督分类后的图像，然后进行检验。
在已打开的分类后的图像中再打开未分类的原始图像，这里要注意把raster option中的clear display前的对号去掉。
在view中的arrange layers上安排一下图层的顺序，使分类后的图像在上面，打开utility中的swipe，通过移动滚条并放大进行前后两张图像的对照，达到检验效果。
遥感制图实习报告
遥感图像处理实验报告班级姓名学号实验室成绩评定教师签字专题一: DEM图像进行彩色制图（叙述制图过程并把自己处理结果加载到本文档里）实验目的:1.实验步骤:2.选择File > Open Image File>bhdemsub.img,出现由主图像窗口、滚动窗口和缩放窗口组成的ENVI 图像。
3.选择主图像窗口内的功能菜单Tools>Color Maping>Density Slice, 出现Density Slice对话框。
4.选择Clear Ranges, 清除Defined Density Slice Ranges下的内容。
5.选择Options>Add New Ranges, 其中RangeStart: 1219 ；Range End;1701；#of Ranges:10。
在Density Slice对话框中Defined Density Slice Ranges下出现十组内容。
6.逐个组将Red条依次改为25, 50, 75, 100, 125, 150, 175, 200, 225, 250。
Greeen与Blue不变。
选择Apply按钮, 主图像窗口、滚动窗口和缩放窗口组成的ENVI图像的颜色改变。
选择主图像窗口内的功能菜单File>Save Image As> Image File 出现Output Dispiay to Image File对话框, Output File Type选择JPEG, Enter Output Filename选择保存位置, Compression Facter（0-1）选择0.750.实验结果:专题二: TM与SPOT数据融合（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）实验目的:1. 进行快速对比度拉伸、直方图执行交互式对比度拉伸和直方图匹配的操作2. 快速滤波、滤波的操作3. ENVI中变换（Transform）菜单功能的了解实验步骤:1. 选择File > Open Image File>Lon.spot文件,点击No Display>new display>load band2. 选择File > Open Image File>Lon.tm文件,点击No Display>new display>load band3. 选择Basic Tools>Resize Data>选择Lon.tm文件>点击OK(弹出对话框, 分别填写内容)4. 选择Basic Tools>Stretch实验结果:专题三: 航片的配准与镶嵌（叙述该过程并处理结果加载到本文档）1配准●图像-图像地面控制点 (Select GCPs: Image-to-Image)●图像-图像配准需要两幅图像均打开。
遥感图像分类后处理
遥感图像分类后处理一、实验目的与要求监督分类和决策树分类等分类方法得到的一般是初步结果，难于达到最终的应用目的。
因此，需要对初步的分类结果进行一些处理，才能得到满足需求的分类结果，这些处理过程就通常称为分类后处理。
常用分类后处理通常包括：更改分类颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。
本课程将以几种常见的分类后处理操作为例，学习分类后处理工具。
二、实验内容与方法1.实验内容1.小斑块去除●Majority和Minority分析●聚类处理（Clump）●过滤处理（Sieve）2.分类统计3.分类叠加4.分类结果转矢量5.ENVI Classic分类后处理●浏览结果●局部修改●更改类别颜色6.精度评价1.实验方法在ENVI 5.x中，分类后处理的工具主要位于Toolbox/Classification/Post Classification/；三、实验设备与材料1.实验设备装有ENVI 5.1的计算机2.实验材料以ENVI自带数据"can_tmr.img"的分类结果"can_tmr_class.dat"为例。
数据位于"...\13数据\"。
其他数据描述：•can_tmr.img ——原始数据•can_tmr_验证.roi ——精度评价时用到的验证ROI四、实验步骤1.小斑块去除应用监督分类或者非监督分类以及决策树分类，分类结果中不可避免地会产生一些面积很小的图斑。
无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类，目前常用的方法有Majority/Minority分析、聚类处理（clump）和过滤处理（Sieve）。
1)Majority和Minority分析Majority/Minority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该类中，定义一个变换核尺寸，主要分析（Majority Analysis）用变换核中占主要地位（像元数最多）的像元类别代替中心像元的类别。
遥感数据图像处理实验七、图像分类
实验七、图像分类实验内容：1.非监督分类2.监督分类图像分类简介：图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。
常规图像分类主要有两种方法：非监督分类和监督分类。
1. 非监督分类(以c:\program files\ imagine 8.4\examples\germtm.img为例)ERDAS IMAGINE 8.4使用ISODATA（Iterative Self-Organizing Data Analysis Technique）算法来进行非监督分类。
聚类过程始于任意聚类平均值或一个已有分类模板的平均值，聚类每重复一次，聚类的平均值就更新一次，新聚类的均值再用于下次聚类循环。
非监督分类完全按照像元的光谱特性进行统计分类，常常用于对于分类区没有什么了解的情况。
使用该方法时，原始图像的所有波段都参与分类运算，分类结果往往是各类像元数大体等比例。
由于人为干预较少，非监督分类过程的自动化程度较高。
1.1分类过程：第一步：调出非监督分类对话框方法一：在ERDAS IMAGINE 8.4图标面板工具条中单击“Dataprep”图标→打开Data Preparation窗口→单击Unsupervised Classification菜单项→打开Unsupervised Classification对话框方法二：在ERDAS IMAGINE 8.4图标面板工具条中单击“Classifier”图标→打开Classification窗口→单击Unsupervised Classification菜单项→打开Unsupervised Classification对话框（说明：两种方法调出的Unsupervised Classification对话框有一些区别,由于基本的非监督分类属于IMAGINE Essentials级产品,但在IMAGINE Professional级产品中有一定的功能扩展,所以非监督分类命令分别出现在Data Preparation菜单和Classification菜单中。
遥感图像分类---监督分类
实验遥感图像分类---监督分类一、实验目的与要求掌握监督分类的方法与过程，加深对监督分类的基本原理以及过程的理解。
二、实验内容ERDAS遥感图像监督分类：定义分类模板、进行监督分类、评价分类结果。
三、实验原理监督分类则需要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，即先建立训练区从图像中选取各类地物样本训练分类器。
常用的分类方法有最小距离分类、多级切割法和最大似然法分类等。
最大似然法通过求出每个像元对于各类别归属概率，把该像元分到归属概率最大的类别中去的方法。
其前提是假定训练区地物的光谱特征近似服从正态分布。
训练区的选取要求：训练区所包含的样本的种类要与待分区域的类别一致，训练样本要有代表性。
四、实验步骤1、定义分类模板第一步：显示要进行分类的图像第二步：打开摸板编辑器并调整显示字段ERDAS 图标面板工具条，点击Classifier图标→Classification菜单→Signature Editor菜单项，打开Signature Editor对话框分类模板编辑器第三步：获取分类模板信息(1)删除对分类意义不大的字段Signature Editor对话框菜单条,单击View|Columns命令，打开View signature columns对话框，点击最上一个字段的Co1unmn字段下拖拉直到最后一个段,此时，所有字段都被选择上，并用黄色（缺省色）标识出来。
按住shift 键的同时分别点击Red、Green、B1ue 三个字段,Red、Green、Blue三个字段将分别从选择集中被清除。
点击Apply按钮，点击Close按钮。
从View Signature Co1umns 对话框可以看到Red、Green、Blue 三个字段将不再显示。
(2)获取分类模板信息应用AOI绘图工具在原始图像中获取分类模板信息。
在待分类图像视窗上选择Raster菜单项→选择Tools菜单，打开Raster工具面板→点击Raster 工具面板的图标→在视窗中选择一类地物，绘制一个多边形AOI。
实验十一遥感图像分类
遥感图像分类遥感图像分类是影像信息提取的一种方法，是遥感数字图像处理的重要环节，也是遥感应用最广泛的领域之一。
图像分类是通过模式识别理论，利用计算机将遥感图像自动分成若干地物类别的方法。
常用的图像分类包括土地利用/覆被分类、森林类型分类、植被类型分类、岩性分类等利用Landsat-7遥感影像对研究区进行非监督和监督分类，通过练习，熟练掌握并理解每种分类方法、评价方法的原理及实现过程，体会在具体应用中的适应性。
非监督和监督分类流程图1、目视判读待分类图像2、制定分类系统根据目视判读制定出分类系统，大致分9类农田1，农田2，森林1，森林2，道路，建筑，水体，裸地1，裸地23、建立分类模板分类模板的建立有很多方式，最主要的有两种方式，一是在图像上建立分类模板，二是在特征空间上建立分类模板。
我们主要介绍在图像上建立分类模板，具体到ERDAS上的分类模板的建立又有三种方法，我们只介绍其中最常用的应用AOI绘制工具建立分类模板。
a）在View中打开遥感图像，单击Classifer-Classification-Signature Editor，打开分类模板编辑器。
b）在View中打开AOI工具，选择多变形，在图像中蓝色的水域上绘制一个多边形，在Signature Editor窗口中，点击，将AOI区域加载到分类模板属性表中c）在水域上在绘制一个多边形，在Signature Editor窗口中，点击，同理绘制多个水域样本多边形。
d）在分类模板属性表中，选中创建的全部水体样本，单击，将所选中的模板合成一个新的模板，并删除合并前的模板，修改模板的名字为水体，以及类别颜色。
e）同样的方法，本别创建农田，林地，居民地，裸地类别模板。
f）保存分类模板，单击File-Save，输入文件名和路径。
4.评价分类模板可能性评价：a）选中所有类别，单击Evaluate-Contingency，打开Contingency Matrix对话框，Non-parametric Rule选择Features Space，Overlap Rules选择Parametric Rule，Unclassified Rule选择Parametric Rule，Parametric Rule选择Maximum Likehood。
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。
遥感图像的监督分类实验报告
实验报告实验名称：遥感图像的几何校正课程名称：《遥感导论》教师：院系：矿业工程学院班级：姓名：遥感图像的监督分类实验报告一、实验目的理解遥感图像计算机分类的原理和方法；掌握监督分类的步骤和方法。
二、实验环境操作系统：windows 8.1软件：ENVI 4.3三、实验内容ERDAS软件中遥感图像监督分类实验步骤：1.训练样本的提取（ROI区的选择）ENVI: Basic Tools >> Region Of Interest>> ROI tool调出感兴趣区工具窗口进行样本选择（注意：必须事先打开一幅图像），可以进行样本编辑（名称，颜色，填充方式等），样本选择越精确，分类结果越好。
各类地物的解译标志，即地物明显的影像特征---色调、纹理等，通过目视解译方法用鼠标在工作区影像图上选择其训练区，并使训练区的分布尽量均匀。
在实际的工作中，由于存在“同物异谱”的情况，因此对于同一种类型可能有多种不同的特征。
为此，我们可以对同一地物选择多个训练区，分类后再合并。
2.影像分类选择maximum likelihood 分类方法。
主菜单下选择Classification > Supervised > Smaximum likelihood 。
按照默认设置参数输出分类结果。
3.分类后处理分类后处理包括的很多的过程，都是些可选项，包括更改类别颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。
（1)更改类别颜色可以在Interactive Class Tool 面板中，选择Option->Edit class colors/names 更改，也可以在Display->Color Mapping->Class Color Mapping。
如下图所示，直接可以在对应的类别中修改颜色。
分类统计分析主菜单->Classification->Post Classification->Class Statistics。
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。
实验四——监督分类
实验四遥感影像分类——监督分类监督分类法：选择具有代表性的典型实验区或训练区，用训练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，并以此对未知地区的像元进行分类处理，分别归入到已知的类别中。
分类前操作：打开彼格哈恩.img，分别显示标准假彩色和真彩色，观察影像、识别地类。
1、具体步骤：打开彼格哈恩.img ——生成标准假彩色图像1.选取训练场1) Image—Overlay—Region of Interest（或是在主窗口上单击右键，在弹出的快捷菜单栏中选择ROI Tools…）进入训练样本选取对话框。
2）进行训练样本的选取，New Region 可以建立新的样本区，在ROI Name栏中双击，键入类的地物名，在Color栏中双击，可以输入类的颜色，ROI_Type菜单下可以进行样本类型的设置(多边形、线、点、长方形、椭圆)。
在主窗口按鼠标左键即可进行样本区选择，以双击右键结束样本区的选取。
选取完毕以后，选择File菜单—>Save ROIs，对数据进行保存。
a.Ellipse 画植被，选择相应的颜色和线型——保存为：vegetation.roi（命名植被时点击回车，应用所命新名）建立新的样本区，描画另一类样本b.Polygon 画水体，选择相应的颜色和线型——保存为：water.roiC.农业土壤农业1——保存为：农业1.roi农业2——保存为：农业2.roi岩性1——保存为：岩性1.roi岩性2——保存为：岩性2.roi……选中所有的项目，保存为：all.roi（不少于五种）4）进行最大似然法的分类：在ENVI主菜单栏中Classfication—>Supervised—>Maximum Likelihood，进入分类文件的选取对话框，选择相应的待分类文件。
（Classification—Supervised——Palallelepiped：平行六面体算法Minimum Distance：最小距离算法Mahalanobis Distance：马氏距离算法Maximum Likelihood：最大似然算法Spectral Angle Mapper:波谱角分类Blinary Encoding :二进制编码分类Neural Net :神经元网络分类）最大似然分类假定每个波段的每一类统计都呈均匀分布，并计算给定像元属于某一特定类别的似然度。
遥感图像的分类实验报告
遥感图像的监督分类与非监督分类一、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。
二、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。
三、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：中心经度：。
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。
四、实验过程1.监督分类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。
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。
遥感影像实验报告
一、实验目的本次实验旨在通过遥感影像处理软件ENVI，学习遥感影像的基本处理方法，掌握遥感影像的辐射校正、几何校正、分类和变化检测等关键技术，提高遥感影像处理能力，为后续遥感应用研究打下基础。
二、实验内容1. 辐射校正（1）实验原理：辐射校正是指消除遥感影像中由于传感器、大气、太阳等因素引起的辐射失真，使影像数据真实反映地物辐射特性。
（2）实验步骤：① 打开ENVI软件，导入遥感影像数据；② 选择“Radiometric Correction”模块；③ 选择“Flattening”方法进行辐射校正；④ 保存校正后的影像数据。
2. 几何校正（1）实验原理：几何校正是指消除遥感影像中由于传感器姿态、地球曲率等因素引起的几何失真，使影像数据真实反映地物空间位置。
（2）实验步骤：① 打开ENVI软件，导入遥感影像数据；② 选择“Geometric Correction”模块；③ 选择“Warp”方法进行几何校正；④ 输入校正参数，如坐标系统、校正方法等；⑤ 保存校正后的影像数据。
3. 分类（1）实验原理：遥感影像分类是指根据遥感影像数据中地物光谱和纹理信息，将影像分割为不同地物类别的过程。
（2）实验步骤：① 打开ENVI软件，导入遥感影像数据；② 选择“Classification”模块；③ 选择“Supervised Classification”方法进行监督分类；④ 输入训练样本，设置分类变量；⑤ 选择分类结果输出格式，如分类图层、分类报告等；⑥ 保存分类结果。
4. 变化检测（1）实验原理：遥感影像变化检测是指通过对比同一地区不同时期的遥感影像，分析地物变化信息的过程。
（2）实验步骤：① 打开ENVI软件，导入遥感影像数据；② 选择“Change Detection”模块；③ 选择“Image Difference”方法进行变化检测；④ 输入对比影像，设置变化阈值；⑤ 保存变化检测结果。
三、实验结果与分析1. 辐射校正：通过辐射校正，影像数据的光谱特性得到了有效恢复，地物辐射特性得到了真实反映。
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。
- 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)。
输出结果啦什么的。。。
-----------------------
1：打开图像
Pavia-envi 遥感图像
Pavia-gt 分类参考图像
2：打开两个Display分别显示两个图像
调整遥感图像的RBG
在图像上右键->Z profile(Spectrum)
调整红绿蓝三个波段的位置
先选择mlc11
再选择参考文件Pavia-gt
在弹出的Match Classes Parameters对话框中
在Select Ground Truth Class中选择一个类别
在Select Classification Image中选择一个与其对应的类别
点击Add Combination，如此重复，直至所有类别匹配完成，点击OK
ROI tool
window选择image，画圈
basic tools->statistics->generate random sample->using ground truth classification image
选择GT图像
第一个去掉打钩
5%
点击view class sample size,截图保存
调整RGB
右键
Z profile(Spectrum)
调整红绿蓝三个波段的位置
右键->Load new RGB combination 链接图像 Fra bibliotek右键
link display
样本列表
Class #1 water Blue
Class #2 trees Green3
Class #3 meadow Green
精度评价：
Classification->Post classification-> confusion matrix-> using ground truth image
选择分类结果，选择对照
选择对应的的类别，互相选定之后点击Add combination,结束后OK
Class #8 tile Orange1
Class #9 shadow Yellow
5：进行最大似然分离
Classification->Supervised->Maximum likelihood
选择Pavia-envi图像，点击Spectral Subset选择波段
Select Classes from Regions:
右键->Load new RGB combination
3：选择训练样本
1)：普通方法
图像上右键->ROI Tool
添加一个新Region
然后用鼠标在图像上画圈，右键确定
2)：根据已有参考图像自动生成训练样本
Basic Tools->Statistics->Generate Random Sample->Using Ground Truth Classification Image
Class #1 water Blue
Class #2 trees Green3
Class #3 meadow Green
Class #4 brick Red
Class #5 soil Orange3
Class #6 asphalt Thistle
Class #7 bitmen Cyan
Class #4 brick Red
Class #5 soil Orange3
Class #6 asphalt Thistle
Class #7 bitmen Cyan
Class #8 tile Orange1
Class #9 shadow Yellow
选择训练样本
右键
全部选择
Set Probability Threshold
选择None
Output Result to...
按个人意愿选择
6：分离精度评价
在分离完成后，会生成一个分离好的文件，如mlc11
Classification->Post classification-> confusion matrix-> using ground truth image
双击Pavia-gt
[2]-[10]打钩，因为[1]是黑色未分类部分，故[1]不打钩
百分比填写5%，Output To选择Multiple ROIs
Output ROI Filename按个人意愿保存
4：调整样本颜色
在图像上右键->ROI Tool
给九个类别分别进行命名与改色操作，具体如下
输出ROI文件
最大似然分离器
Classification->supervised
Maximum likelihood
选择波段
OK
弹出Maximum Likelihood Parameters对话框
在Set Probability Threshold中，选择None
Output Result to ->File
*******
******* 一定要记得删除Matched Classes中的Unclassified<->Unclassified
*******
弹出对话框，直接点OK，即可显示精度评定结果，也可以将其输出为文件后再点击OK