遥感图像处理步骤及经验
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。
遥感数据处理的基本步骤与技巧
遥感数据处理的基本步骤与技巧遥感技术作为一种获取地球表面信息的重要手段，被广泛应用于农林牧渔、城市规划、环境监测等领域。
而遥感数据的处理和分析则是有效利用遥感信息的关键环节。
本文将介绍遥感数据处理的基本步骤与技巧，以帮助读者更好地应用遥感数据。
一、数据获取遥感数据的获取是遥感数据处理的第一步。
常用的遥感数据包括航空影像、卫星影像和激光雷达数据。
在选择遥感数据时，需根据具体的研究目标和需求，选择适合的数据类型和分辨率。
而对于不同类型的遥感数据，其获取的方法也有所不同。
例如，航空影像可以通过航拍或无人机获取，卫星影像可以通过遥感卫星获取。
二、数据预处理数据预处理是遥感数据处理的重要环节。
通过对遥感数据进行校正和增强，可以提高数据的质量和可用性。
常见的数据预处理步骤包括辐射校正、大气校正、几何纠正和镶嵌拼接。
辐射校正是将原始遥感数据转化为能量辐射亮度值，大气校正是去除大气散射和吸收的影响，几何纠正是将图像投影到地面坐标系，镶嵌拼接是将多个遥感图像拼接成一个完整的图像。
三、特征提取特征提取是遥感数据处理的关键环节之一。
通过对遥感图像中的特征进行提取和分类，可以获取地表覆盖类型、土地利用状况等信息。
常用的特征提取方法包括阈值分割、数学形态学、边缘检测和纹理分析等。
例如，通过采用基于阈值分割和数学形态学的方法，可以将遥感图像中的建筑物和道路等目标进行提取和分类。
四、数据分析数据分析是利用遥感数据进行研究和应用的重要环节。
通过对遥感数据的统计分析、模型建立和空间分析，可以揭示地表变化、环境演变等规律。
常用的数据分析方法包括主成分分析、分类与回归树、遥感时序分析和地形分析等。
例如，通过主成分分析方法，可以从遥感图像中提取出主要的波段特征，进而分析地表覆盖类型的空间分布和变化趋势。
五、结果验证结果验证是遥感数据处理的最后一步，也是决定数据处理结果可靠性的关键环节。
通过与实地调查和已有数据的对比，可以评估遥感数据处理的准确性和可信度。
遥感图像解译的基本步骤与技巧
遥感图像解译的基本步骤与技巧遥感图像解译是利用卫星或航空平台获取的图像数据，通过对图像进行分析和解释，以提取地物信息和研究地表特征的一种技术手段。
在现代科学研究和资源管理中，遥感图像解译具有广泛的应用价值，特别是在环境保护、农业生产和城市规划等领域。
遥感图像解译的基本步骤可以分为六个方面：数据获取、图像预处理、特征提取、分类与判读、验证与评价以及结果应用。
下面我们将依次介绍每个步骤所涉及的技巧和注意事项。
首先是数据获取。
遥感图像解译的第一步是选择适当的遥感数据。
常见的遥感数据类型包括多光谱影像、高光谱影像和合成孔径雷达(SAR)等。
在选择数据时，需要根据具体的研究目的和地理特征来确定最合适的数据。
此外，在数据获取过程中还需要注意数据的准确性和时效性。
第二个步骤是图像预处理。
在进行图像解译之前，需要对图像进行预处理以去除或减少噪声、增强图像的对比度和细节。
常见的图像预处理技术包括辐射定标、几何校正、大气校正和影像融合等。
在实际操作中，需要根据实际情况选择合适的预处理方法，并进行适当的参数调整。
第三个步骤是特征提取。
特征提取是遥感图像解译的核心步骤，其目的是找到与地物分类相关的特征。
常用的特征提取方法包括直方图分析、主成分分析(PCA)和模糊集方法等。
在进行特征提取时，需要了解地物类别的特征分布规律，并选择合适的特征提取方法来提取地物的表观特征。
接下来是分类与判读。
分类与判读是将图像上的像元划分到不同的类别中的过程。
目前，常用的分类方法包括最大似然法、支持向量机(SVM)和人工神经网络(ANN)等。
在进行分类与判读时，需要依据遥感数据和特征提取的结果，选择合适的分类方法并进行参数调整，以获得较为准确的分类结果。
第五个步骤是验证与评价。
验证与评价是对分类结果进行准确性和可靠性评价的过程。
常见的验证与评价方法包括误差矩阵分析、Kappa系数和精确度评价等。
在进行验证与评价时，需要参考地面调查数据以及其他可靠的参考数据，分析分类结果的准确性和偏差情况，并对分类结果进行合理的解释和说明。
遥感图像处理的基本步骤与技巧
遥感图像处理的基本步骤与技巧遥感技术是指利用航天器、飞机、卫星等高空平台获得的遥感图像进行信息提取和数据分析的过程。
随着科技的不断进步和应用范围的扩大，遥感图像处理已经成为许多领域中的重要工具。
本文将介绍遥感图像处理的基本步骤与技巧，以帮助读者更好地理解和应用这一技术。
一、图像预处理遥感图像预处理是遥感图像处理的第一步，旨在通过去除噪声、辐射校正和几何校正等处理，使图像质量更高，方便后续处理。
其中，去除噪声主要是采用滤波算法，如中值滤波、均值滤波等。
辐射校正主要用于将图像的辐射能量转换为表观反射率，以消除云、阴影等因素的影响。
几何校正是通过对图像进行几何变换，将其与地理坐标系统对齐，以便于后续的地理信息提取。
二、特征提取特征提取是遥感图像处理的核心环节，目的是从遥感图像中提取出具有代表性和区分度的特征信息。
常用的特征包括光谱特征、纹理特征、形状特征等。
光谱特征是指根据图像像素的光谱反射率或辐射能量，提取出不同波段的特征。
纹理特征是指从图像中提取出地物的纹理信息，包括纹理方向、纹理密度等。
形状特征是指从图像中提取出地物的形状信息，包括面积、周长等。
三、分类与识别分类与识别是遥感图像处理中的重要任务，目的是将地物按照其属性进行分类和识别。
常见的分类方法包括监督分类和无监督分类。
监督分类是指根据已知的样本类别信息，通过训练分类器将图像中的地物分到不同的类别中。
无监督分类是指根据图像像素之间的相似性将其分为一定数量的类别。
分类结果可以用于制作地图、监测资源变化等。
四、变化检测变化检测是遥感图像处理中的一项重要任务，主要应用于监测和分析地表物体的变化。
遥感图像在不同时间获取的变化信息可以帮助我们了解自然和人类活动对地表的影响。
常见的变化检测方法包括像素级变化检测和对象级变化检测。
像素级变化检测是指比较两幅图像对应像素之间的差异，以确定变化的位置和类型。
对象级变化检测是指先将图像分割成不同的对象，然后比较不同时间获取的对象之间的差异。
遥感图像处理的基本步骤和技巧
遥感图像处理的基本步骤和技巧遥感图像处理是利用遥感技术获取的遥感图像数据进行分析、处理和解释的过程。
遥感图像处理技术在环境监测、资源管理、农业和城市规划等领域具有广泛的应用。
本文将介绍遥感图像处理的基本步骤和技巧。
一、图像预处理图像预处理是遥感图像处理的第一步，目的是改善图像质量，消除噪声和其他不必要的干扰。
常见的图像预处理技术包括辐射校正、大气校正和几何纠正。
辐射校正是将原始图像中的数字数值转换为辐射亮度值，以消除由于不同仪器和观测条件引起的辐射差异。
大气校正则是通过对图像进行大气光校正，消除大气吸收和散射效应，获得更准确的地物辐射亮度信息。
几何纠正是校正图像中的几何畸变，使其与实际地面特征对应。
二、图像增强图像增强是通过增加图像的对比度和清晰度，突出感兴趣的地物信息。
常见的图像增强技术包括直方图均衡化、滤波和波段变换。
直方图均衡化是通过调整图像像素的亮度分布，增强图像对比度。
滤波是通过应用各种滤波器来去除图像中的噪声和模糊。
波段变换是将图像从一种波段转换到另一种波段，以提取不同地物特征。
三、特征提取特征提取是从图像中提取与感兴趣地物相关的信息。
常见的特征提取技术包括阈值分割、边缘检测和纹理分析。
阈值分割是将图像分为不同的区域，使每个区域具有相似的亮度或颜色特征。
边缘检测是寻找图像中的边界线，以辅助划分地物边界。
纹理分析是通过提取图像的纹理特征来描述地物的空间结构。
四、分类与识别分类与识别是将特定地物进行分类和识别的过程。
常见的分类与识别技术包括监督分类、无监督分类和目标检测。
监督分类是通过使用已知类别的训练样本，建立分类器对图像进行分类。
无监督分类是根据图像像素的统计特征将图像自动分为不同的类别。
目标检测是在图像中检测和识别特定的目标，例如建筑物、道路等。
五、图像解译与分析图像解译与分析是对处理后的遥感图像进行解释和分析的过程。
通过对图像分析可以获取地表特征的数量和质量信息，用于环境变化监测、资源管理和规划决策。
测绘技术中的遥感可见光影像处理流程讲解
测绘技术中的遥感可见光影像处理流程讲解遥感技术在测绘领域起着至关重要的作用，特别是对于可见光影像的处理。
本文将介绍遥感可见光影像的处理流程，帮助读者更好地理解和应用这一技术。
一、遥感可见光影像的获取首先，我们需要明白如何获取遥感可见光影像。
可见光遥感影像是通过卫星、无人机等航天器拍摄地球表面的影像。
这些影像包含了大量的地理信息和特征，可以用于地形测绘、土地利用规划、资源调查等领域。
二、预处理在进行可见光影像处理之前，需要对原始影像进行一些预处理操作。
这些操作包括去除噪声、辐射定标、几何校正等。
去除噪声可以提高影像的质量，并减少后续处理的误差。
辐射定标是将影像中的光强值转换为物理量，以便进行进一步的分析。
几何校正是校正影像的形变和位置偏移，使影像与实际地理位置相对应。
三、图像增强图像增强是为了使影像更加清晰和易于解读，常用于高亮度区域或低对比度区域。
常见的图像增强方法包括直方图均衡化、拉伸、滤波等。
直方图均衡化是通过调整图像的灰度级分布，使得图像的对比度更好。
拉伸是通过调整图像的亮度范围，使得图像在可视化时更加清晰。
滤波是通过对图像进行平滑或锐化处理，以增强影像中的特定特征。
四、特征提取特征提取是遥感可见光影像处理的关键步骤之一。
通过特征提取，可以从影像中提取出各种特征，如土地利用类型、植被覆盖程度、建筑物区域等。
常用的特征提取方法包括阈值分割、边缘检测、纹理分析等。
阈值分割是将影像按照亮度值划分为不同的区域，以提取出不同的特征。
边缘检测是寻找影像中的边界，以便于分析和进一步处理。
纹理分析是对影像中的纹理特征进行提取和描述。
五、分类与识别分类与识别是根据提取的特征对影像进行分类和标识。
这是遥感可见光影像处理的核心任务之一。
分类与识别可以根据不同的应用需求进行，如土地利用分类、建筑物识别等。
常见的分类与识别方法包括支持向量机、决策树、神经网络等。
这些方法通过建立数学模型和算法，将影像中的特征映射到标签或类别中，以达到分类和识别的目的。
使用遥感技术进行卫星图像解译的步骤和技巧
使用遥感技术进行卫星图像解译的步骤和技巧引言：遥感技术的发展使得我们能够通过卫星图像来获取地球表面的信息，这为研究地质、环境、气象等领域提供了重要的数据来源。
然而，要正确解读和分析卫星图像，需要掌握一些步骤和技巧。
本文将介绍使用遥感技术进行卫星图像解译的基本步骤和一些实用的技巧，帮助读者更好地理解卫星图像。
一、图像预处理首先，对卫星图像进行预处理是十分重要的。
这一步骤包括噪声去除、辐射定标和几何校正等。
噪声去除能够提高图像的质量，使得后续分析更加准确。
辐射定标能够将图像中的亮度值转化为反射率或辐射通量，从而消除由于地表反射和大气散射引起的变异。
几何校正则是将图像进行地理坐标转换，使其具有地理空间参考。
这些预处理步骤可以利用遥感软件完成，如ENVI、ERDAS等。
二、波段选择卫星图像通常包含多个波段，不同波段对应不同的能量范围和物理特征。
因此，选择适当的波段进行解译非常重要。
通常，可见光和近红外波段能够提供地物的光谱信息，热红外波段能够反映地物的热特征，雷达波段能够穿透云层，获取地表的形状信息。
根据研究目标和需求，选择合适的波段进行解译。
三、特征提取在进行卫星图像解译时，需要从图像中提取出代表地物的特征。
这一步骤可以利用图像处理和模式识别技术来实现。
常用的特征包括土地覆盖类型、植被指数、湿度指数等。
特征提取可以通过图像分割、分类和聚类等方法完成。
图像分割将图像分为若干个不同的区域，分类将每个区域判别为某一类别，聚类则将图像中的像素划分为几个类别。
四、分类与识别分类是卫星图像解译的核心步骤之一。
分类可以根据不同的标准进行，如最大似然法、支持向量机、人工神经网络等。
这些分类方法可以根据提取的特征进行训练，并对未知像素进行分类。
识别是指将分类结果与地物进行对应，确定每个类别代表的地物类型。
分类与识别的准确性往往依赖于特征提取的效果和训练样本的质量。
五、验证与精度评价解译卫星图像后，需要对结果进行验证和精度评价。
遥感影像处理技术的使用方法和技巧
遥感影像处理技术的使用方法和技巧遥感影像是通过卫星、飞机等平台获取的地球表面的图像数据。
这些图像数据蕴含着丰富的地理信息，可以被用于环境监测、城市规划、农业分析等多个领域。
然而，如何正确处理和分析这些遥感影像数据并提取有效信息则是一个挑战。
本文将介绍一些遥感影像处理技术的使用方法和技巧，帮助读者更好地利用遥感影像数据。
一、数据预处理在进行遥感影像数据处理之前，首先需要对数据进行预处理。
数据预处理过程中的一些常见步骤包括：1.数据格式转换，将原始影像数据转换为常见的图像格式，例如JPEG或TIFF。
2.图像辐射校正，校正影像中的辐射偏差，确保数据的准确性和可比性。
3.图像大气校正，消除大气中的干扰，提高数据的清晰度和色彩准确性。
二、影像增强影像增强是提升遥感影像质量和信息可读性的重要步骤。
以下是几种常见的影像增强方法：1.直方图均衡化，通过重新分配像素值来增强影像的对比度和亮度。
2.滤波器应用，使用平滑或锐化滤波器来去噪或增强影像细节。
3.伪彩色增强，将单波段图像转换为伪彩色图像，更好地显示地物信息。
三、特征提取特征提取是从遥感影像中提取有用信息的关键步骤。
以下是几种常见的特征提取方法：1.目标检测与分类，使用机器学习算法和图像处理技术来自动检测和分类影像中的目标。
2.变化检测，比较不同时期的遥感影像，提取地表变化信息，如土地利用变化、建筑物增长等。
3.纹理分析，分析影像中的纹理信息来提取地物特征，如土地覆盖类型等。
四、数据融合数据融合是将多源遥感影像数据整合到一个统一的分类或分析框架中的方法。
以下是几种常见的数据融合技术：1.特征级融合，将来自不同传感器或波段的特征进行组合，提高分类或分析的准确性。
2.决策级融合，将来自不同分类器或算法的决策结果进行权重组合，获得更可靠的分类结果。
五、结果验证与精度评价在遥感影像处理过程中，验证和评价处理结果的准确性是至关重要的。
以下是几种常见的结果验证和精度评价方法：1.地面真实数据采集，通过采集地面真实数据来验证分类或分析结果的准确性。
遥感图像处理技术的基本步骤
遥感图像处理技术的基本步骤遥感图像处理技术是利用卫星、飞机等遥感平台获取的图像数据进行分析和处理的一项重要技术。
它可以帮助我们了解地表现象和环境变化，为资源利用、灾害监测和环境保护提供有力的支持。
本文将介绍遥感图像处理技术的基本步骤，并探讨其在不同领域中的应用。
一、图像预处理图像预处理是遥感图像处理的第一步，目的是对原始图像进行校正和增强，以减少噪声、消除系统误差并提高图像质量。
常见的图像预处理方法包括大气校正、辐射校正、几何校正和噪声过滤等。
大气校正可以消除大气传输对图像的影响，使图像更加真实可靠；辐射校正可以将原始图像的辐射值转换为反射率或亮度温度，以便进一步分析；几何校正可以校正图像的几何畸变，使图像与真实地理位置对应准确；噪声过滤可以降低图像的噪声水平，提高图像的清晰度和解译能力。
二、图像数据解译图像数据解译是遥感图像处理的核心环节，它通过对图像的特征提取和分类识别，从图像中提取出我们感兴趣的信息。
特征提取可以通过计算图像的纹理特征、形状特征和光谱特征等，来描述和区分地物的不同属性。
分类识别则是将提取出的特征与已知地物类别进行对比，将图像中的像素进行分类。
常见的分类方法有监督分类和非监督分类。
监督分类需要提供一些训练样本，训练分类器进行分类；非监督分类则是根据图像的统计特性，自动将图像进行分类。
三、图像信息提取图像信息提取是遥感图像处理的下一步，它通过进一步分析图像数据，提取出我们所需要的地理、生态或环境信息。
常见的图像信息提取包括土地利用/覆盖分类、植被指数计算、水体边界提取和灾害监测等。
土地利用/覆盖分类可以对图像中的地物进行识别，如农田、森林、草地等；植被指数计算可以评估植被的生长状况和覆盖度，如归一化植被指数（NDVI）；水体边界提取可以通过分析图像的光谱信息，识别出水体的边界和分布；灾害监测可以通过对图像的变化分析，及时发现和评估地质灾害的风险。
四、图像结果分析图像结果分析是遥感图像处理的最后一步，它主要是对处理后的图像结果进行定量或定性分析，验证处理方法的有效性和结果的可靠性。
遥感影像预处理的正确步骤
遥感影像预处理的正确步骤一、影像获取遥感影像预处理的第一步是获取原始影像数据。
通过卫星、飞机或其他遥感平台获取的影像数据，可以获得不同波段的光谱信息。
二、影像校正影像校正是为了消除由于影像获取过程中产生的各种误差，提高影像质量。
主要包括几何校正和辐射校正两个方面。
几何校正是通过对影像进行几何变换，将其与真实地物的位置和形状相对应。
这样可以消除由于视角、高程等因素引起的形变，使影像与实际地物一一对应。
辐射校正是为了消除由于大气、地表反射等因素引起的辐射差异。
通过对不同波段的辐射通量进行标定和校正，可以得到准确的辐射值。
三、影像配准影像配准是将不同时间、不同传感器或不同分辨率的影像对齐到同一坐标系统中。
通过对影像进行几何变换，使其在空间上一一对应。
这样可以实现影像的叠加和比较。
四、影像增强影像增强是为了提高影像的可视性和解译能力。
通过应用不同的滤波器、变换或增强算法，可以突出地物的特征，减少噪声和干扰，使影像更清晰、更易于分析。
五、影像分类影像分类是将影像像元划分为不同的地物类别。
根据不同的目标和需求，可以使用不同的分类方法，如基于像素的分类、基于对象的分类等。
六、影像融合影像融合是将多源、多尺度或多波段的影像融合成一幅综合影像。
通过融合可以充分利用各种影像的优势，提高地物提取和解译的精度。
七、影像制图影像制图是将处理后的影像转换为地图或图像产品。
通过对影像进行地理参考、投影变换和符号化处理，可以生成各种专题地图和影像产品。
八、影像分析影像分析是对处理后的影像进行定量和定性分析。
通过应用不同的遥感算法和模型，可以提取地物信息、监测变化和预测趋势。
九、结果验证结果验证是对影像分析结果进行验证和评估。
通过与实地调查数据进行比对，可以评估分析结果的准确性和可靠性。
总结：遥感影像预处理是遥感应用的重要环节，它涉及到影像获取、校正、配准、增强、分类、融合、制图、分析和结果验证等多个步骤。
每个步骤都有其独特的作用和意义，对于提高影像质量和分析精度具有重要意义。
遥感图像处理知识点总结
遥感图像处理知识点总结一、遥感概述遥感是利用飞机、卫星等远距传感器获取地球表面信息的科学技术。
遥感图像处理就是处理遥感数据，进行信息提取的过程.二、遥感图像处理流程遥感图像处理的基本流程包括：数据获取、预处理、图像增强、特征提取和分类等环节。
1. 数据获取数据获取是遥感图像处理的第一步，可以通过卫星、飞机等遥感平台获得各种类型的遥感数据。
2. 预处理预处理是遥感图像处理的重要步骤，主要包括大气校正、几何校正、辐射定标等过程，目的是消除数据中的噪声和误差，保证数据质量。
3. 图像增强图像增强是指通过一系列的处理方法，提高遥感图像的视觉效果，突出图像中的信息，以便进行后续的分析和应用。
常见的图像增强方法包括直方图均衡化、滤波、拉普拉斯变换等。
4. 特征提取特征提取是指从原始遥感图像中提取各种地物和地物信息，常见的特征包括形状、纹理、光谱等。
5. 分类分类是将遥感图像中的像素划分到不同的类别中，如水体、植被、建筑等。
常用的分类方法包括最大似然分类、支持向量机（SVM）、人工神经网络等。
6. 应用遥感图像处理的最终目的是为了实现一定的应用目标，如土地利用/覆盖分类、资源调查、环境监测等。
三、遥感图像处理相关算法1. 监督分类监督分类是指在给定训练样本的情况下，采用某种分类算法识别遥感影像中的地物类型。
常用的监督分类算法有最大似然分类、支持向量机（SVM）、随机森林等。
2. 无监督分类无监督分类是指在不需要人工干预的情况下，利用图像自身的统计特性将像元分成若干类别。
常用的无监督分类算法有K均值聚类、ISODATA聚类等。
3. 特征提取特征提取是为了描述地物的形态、光谱、纹理等特性，从而区分不同地物。
常用的特征提取方法有主成分分析（PCA）、线性判别分析（LDA）、小波变换等。
4. 联合处理联合处理是指将多幅遥感影像进行融合，或者将遥感影像与其他数据进行联合处理，从而获取更多的地物信息。
常用的联合处理方法包括影像融合、多源数据融合等。
遥感图像处理的一般步骤
遥感图像的处理一般包括的步骤1）图像精校正由于卫星成像时受采样角度、成像高度及卫星姿态等客观因素的影响，造成原始图像非线性变形，必须经过几何精校正，才能满足工作精度要求一般采用几何模型配合常规控制点法对进行几何校正。
在校正时利用地面控制点(GCP)，通过坐标转换函数，把各控制点从地理空间投影到图像空间上去。
几何校正的精度直接取决于地面控制点选取的精度、分布和数量。
因此，地面控制点的选择必须满足一定的条件，即：地面控制点应当均匀地分布在图像内；地面控制点应当在图像上有明显的、精确的定位识别标志，如公路、铁路交叉点、河流叉口、农田界线等，以保证空间配准的精度；地面控制点要有一定的数量保证。
地面控制点选好后，再选择不同的校正算子和插值法进行计算，同时，还对地面控制点(GCPS)进行误差分析，使得其精度满足要求为止。
最后将校正好的图像与地形图进行对比，考察校正效果。
2）波段组合及融合对卫星数据的全色及多光谱波段进行融合。
包括选取最佳波段，从多种分辨率融合方法中选取最佳方法进行全色波段和多光谱波段融合，使得图像既有高的空间分辨率和纹理特性，又有丰富的光谱信息，从而达到影像地图信息丰富、视觉效果好、质量高的目的。
3）图像镶嵌如果工作区跨多景图像，还必须在计算机上进行图像镶嵌，才能获取整体图像。
镶嵌时，除了对各景图像各自进行几何校正外，还需要在接边上进行局部的高精度几何配准处理，并且使用直方图匹配的方法对重叠区内的色调进行调整。
当接边线选择好并完成了拼接后，还对接边线两侧作进一步的局部平滑处理。
4）匀色相邻图像，由于成像日期、系统处理条件可能有差异，不仅存在几何畸变问题，而且还存在辐射水平差异导致同名地物在相邻图像上的亮度值不一致。
遥感影像预处理的正确步骤
遥感影像预处理的正确步骤在遥感领域，影像预处理是遥感数据处理的重要环节，对于提高遥感影像的质量和后续分析具有重要意义。
以下是遥感影像预处理的正确步骤：一、数据获取与预处理1.数据获取：遥感影像数据来源于各种遥感卫星、航空遥感等，需要根据研究目的选择合适的数据源。
2.预处理：数据获取后，需要对数据进行预处理，以消除原始数据中的噪声、异常值等问题。
预处理方法包括去除噪声、裁剪、缩放等。
二、几何校正与图像配准1.几何校正：由于遥感影像在采集过程中可能受到传感器本身、地球曲率、大气折射等因素的影响，导致影像几何变形。
几何校正旨在消除这些变形，提高影像质量。
常见的方法有传感器模型校正、基于控制点的几何校正等。
2.图像配准：图像配准是将多幅遥感影像（如多光谱影像和单波段高分辨率影像）进行空间对齐，使其在同一坐标系统下。
配准方法有基于像素的配准、基于变换的配准等。
三、图像融合1.图像融合是将不同分辨率、不同光谱的遥感影像融合为高分辨率、多光谱的影像。
常见的图像融合方法有：（1）IHS变换融合：将高分辨率全色影像与亮度进行直方图匹配，然后去掉亮度，用预处理的高分辨率全色影像代替。
与色度H、饱和度S一起，利用逆变换式变换至RGB系统，得到融合后的影像。
（2）小波变换融合：利用人眼对局部对比度变化敏感的特性，根据一定的融合规则，在多幅原图像中选择最显著的特征（如边缘、线段等），并将这些特征保留在融合后的图像中。
四、影像增强与分割1.影像增强：通过调整亮度、对比度、色彩平衡等参数，提高遥感影像的视觉效果。
常见的增强方法有：直方图均衡化、自适应直方图均衡化、色彩空间转换等。
2.影像分割：将融合后的遥感影像划分为不同的区域，以便进行后续分析。
常见的分割方法有：基于阈值的分割、基于区域的分割、基于边缘的分割、基于深度学习的分割等。
五、特征提取与分析1.特征提取：从遥感影像中提取有意义的特征，如纹理、颜色、形状等。
常见的特征提取方法有：灰度共生矩阵、局部二值模式（LBP）、HOG特征等。
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。
高精度遥感图像配准技术的步骤与要点
高精度遥感图像配准技术的步骤与要点遥感图像是采用遥感技术获取的地球表面的影像数据，广泛应用于农业、城市规划、环境监测等领域。
然而，由于遥感图像的采集方式和角度的差异，导致不同图像之间存在空间上的差异，使其无法直接进行比较和分析。
因此，对遥感图像进行精确配准是十分重要的。
本文将介绍高精度遥感图像配准技术的步骤与要点。
一、图像预处理在进行图像配准之前，需要对原始图像进行一些预处理操作，以便提高配准的准确性和可靠性。
首先，应该对图像进行几何校正，消除由于摄影条件、飞行姿态等因素引起的图像畸变。
其次，还需进行边缘增强、噪声抑制、图像增强等预处理操作，以提高图像质量。
二、特征提取与匹配特征提取是图像配准的核心步骤之一。
通过提取图像中的显著特征点或特征区域，可以为后续的图像匹配提供准确的依据。
在遥感图像配准中，常用的特征提取算法包括SIFT（尺度不变特征变换）、SURF（速度ed密度特征）等。
在特征提取之后，需要对两幅图像中的特征点进行匹配，找出相对应的点对。
匹配的准确性对于配准结果的精度至关重要。
三、几何变换模型选择几何变换模型的选择是遥感图像配准的一个重要环节。
根据图像之间的几何关系和变换特点，选择合适的几何变换模型可以更好地实现图像配准。
常见的几何变换模型包括刚体变换、相似变换、仿射变换和透视变换。
根据不同的应用场景和实际要求，选择适当的几何变换模型非常关键。
四、控制点选取与精确匹配控制点选取是配准的重要一步。
通过选取图像中的一些具有空间位置、形状、纹理等特征的明显地标点，作为控制点进行匹配，可以提高配准的准确性。
控制点的选取需要尽可能均匀地分布在图像中，尽量避免集中在某一区域。
在匹配时，应使用一些精确的匹配算法，如最小二乘法、RANSAC（随机一致性算法）等，以提高匹配的精度。
五、图像优化与验证配准后的图像可能存在一些小的误差或畸变。
为了进一步提高配准的质量和精度，可以通过图像优化算法对配准结果进行优化。
遥感图像处理原理
遥感图像处理原理
遥感图像处理原理是利用遥感技术获取的遥感图像进行数字化和分析处理的过程。
遥感图像处理原理可以大致分为以下几个步骤。
1. 图像获取：首先需要通过遥感卫星、航空摄影等方式获取遥感图像。
这些图像会以数字形式储存，其中每个像素点都有其对应的数值。
2. 辐射校正：由于遥感图像受到大气、地表反射等因素的影响，图像中的像素值并不完全准确反映地物的特征。
因此，需要对图像进行辐射校正，消除光谱值的影响，以准确获取地物信息。
3. 影像配准：不同时间、不同传感器获取的图像可能存在光谱、几何畸变等差异。
为了对比不同图像或图像的不同区域，需要进行影像配准，将它们对齐到相同的坐标系。
4. 图像增强：图像增强是为了提高图像的可见性和解释能力。
常见的图像增强方法包括直方图均衡化、滤波、锐化等，以突出地物的特征，便于进行后续的分析和解译。
5. 特征提取：特征提取是指从遥感图像中提取出可用于分析和解译的信息。
例如，可以提取出不同光谱波段的亮度、纹理、形状等特征，用于进行不同地物类型的分类和识别。
6. 图像分类和解译：根据提取的特征，可以使用机器学习、人工智能等方法对图像进行分类和解译。
这些方法可以自动或半
自动地对图像中的地物进行识别和标注。
7. 结果分析和应用：最后，分析师可以对分类和解译结果进行验证和分析。
这些结果可以应用于资源管理、环境保护、城市规划等领域，为决策提供可靠的支持。
通过上述步骤，遥感图像处理原理可以有效地从遥感图像中提取出有用的地物信息，为地理研究和资源管理等工作提供数据支持。
使用测绘技术进行卫星遥感图像处理的步骤和流程
使用测绘技术进行卫星遥感图像处理的步骤和流程随着科技的不断进步，测绘技术和卫星遥感图像处理已经成为现代地理信息系统领域中不可或缺的关键技术。
在测绘技术的支持下，卫星遥感图像处理可以提供高精度和高分辨率的地理信息数据，从而为国土规划、环境保护、资源管理等领域提供重要参考。
本文将介绍使用测绘技术进行卫星遥感图像处理的步骤和流程。
第一步是数据获取。
在进行卫星遥感图像处理之前，我们首先需要获取卫星遥感图像数据。
这些数据可以通过国内外的卫星和地面观测站获取。
卫星遥感图像包括多光谱图像、高光谱图像和雷达图像等。
这些图像通过搭载在卫星上的传感器获取，可以提供不同波段的信息，用于研究不同地物的特征。
第二步是预处理。
卫星遥感图像在获取过程中会受到各种干扰和失真，因此需要进行预处理来消除这些影响因素。
预处理包括辐射定标、几何校正和大气校正等。
辐射定标是将卫星遥感图像中的数字值转换为物理量，例如辐射度或反射率。
几何校正是将图像进行几何变换，使其在地理坐标系统下具有一定的精度和一致性。
大气校正是根据大气传输模型对图像进行校正，消除大气影响。
第三步是图像分类。
图像分类是指将卫星遥感图像中的像素分配到不同的类别中，以反映地物类型和分布。
常用的分类方法包括基于统计的分类、基于决策树的分类和基于神经网络的分类等。
这些方法通过对图像的光谱信息、纹理特征和形状特征等进行分析，将像素分配到不同的地物类别中。
第四步是特征提取。
特征提取是从卫星遥感图像中提取地物的特征信息，用于进一步分析和应用。
常用的地物特征包括光谱特征、纹理特征和形状特征等。
光谱特征反映了地物在不同波段上的反射和辐射特性，纹理特征反映了地物的空间分布和纹理结构，形状特征反映了地物的形状和大小等。
第五步是精度评定。
精度评定是对卫星遥感图像处理结果的准确性和可靠性进行评估。
评定方法包括对比分析、统计分析和验证实地调查等。
通过与实地调查数据进行对比，可以评估卫星遥感图像处理结果的精度，并对研究和应用提供参考和支持。
遥感影像处理步骤
一．预处理1．降噪处理由于传感器的因素，一些获取的遥感图像中，会出现周期性的噪声，我们必须对其进展消除或减弱方可使用。
〔1〕除周期性噪声和锋利性噪声周期性噪声一般重叠在原图像上，成为周期性的干预图形，具有不同的幅度、频率、和相位。
它形成一系列的尖峰或者亮斑，代表在*些空间频率位置最为突出。
一般可以用带通或者槽形滤波的方法来消除。
消除尖峰噪声，特别是与扫描方向不平行的，一般用傅立叶变换进展滤波处理的方法比拟方便。
〔2〕除坏线和条带去除遥感图像中的坏线。
遥感图像常会出现与扫描方向平行的条带，还有一些与辐射信号无关的条带噪声，一般称为坏线。
一般采用傅里叶变换和低通滤波进展消除或减弱。
2．薄云处理由于天气原因，对于有些遥感图形中出现的薄云可以进展减弱处理。
3．阴影处理由于太阳高度角的原因，有些图像会出现山体阴影，可以采用比值法对其进展消除。
二．几何纠正通常我们获取的遥感影像一般都是Level2级产品，为使其定位准确，我们在使用遥感图像前，必须对其进展几何精纠正，在地形起伏较区，还必须对其进展正射纠正。
特殊情况下还须对遥感图像进展大气纠正，此处不做阐述。
1．图像配准为同一地区的两种数据源能在同一个地理坐标系中进展叠加显示和数学运算，必须先将其中一种数据源的地理坐标配准到另一种数据源的地理坐标上,这个过程叫做配准。
〔1〕影像对栅格图像的配准将一幅遥感影像配准到一样地区另一幅影像或栅格地图中，使其在空间位置能重合叠加显示。
〔2〕影像对矢量图形的配准将一幅遥感影像配准到一样地区一幅矢量图形中，使其在空间位置上能进展重合叠加显示。
2．几何粗纠正这种校正是针对引起几何畸变的原因进展的，地面接收站在提供应用户资料前，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展了校正.3．几何精纠正为准确对遥感数据进展地理定位，需要将遥感数据准确定位到特定的地理坐标系的，这个过程称为几何精纠正。
遥感图像处理的一般步骤
遥感图像处理的一般步骤针对TM影像的一般处理流程1、图像导入在ERDAS的Import/Export模块中，分别导入TM图像的第1、2、3、4、5、7波段，具体操作步骤为①点击import模块，打开对话框②选择type类型为TIFF③media为file；④然后选择输入、输出文件名路径和文件名⑤分别对123457波段进行导入；⑥在此之前可以选择session－>preference，选择输入、输出主目录。
2、图像波段合成在erdas的interpreter模块中将单波段影像进行合成，生成多波段文件，具体操作步骤为：interpreter－>utilities－>layer stack，①在出现的对话框中import框中依次选择需要合成的波段，每选择输入一个波段用Add添加一次；②output file选择导出文件路径及命名文件。
③Data type 设为Unsigned 8 bit；④Output option 设置为Union ，选中ignore zero stats；⑤进行操作。
3、用shape文件进行图像切割3.1 Shape文件制作AOI文件：①在ERDAS中点击Import图标，出现Import/Export对话框②选中Imput，Type栏选择Shapefile，Media栏选择File，在Input File （*.shp）中确定要转换的shape文件，在Output File （*.arcinfo）中确定输出路径及名称，单击OK按钮，出现Import Shapefile对话框，单击Import Shapefile Now。
③注意此步骤中输出路径及输出名称均为英文字母④建立拓扑多边形⑤在Arcgis中打开ArcT oolbox，Data ManagementTools—>Topology—>Build，双击Build，出现Build对话框，在Input 中填入*.arcinfo文件的路径，Feature选择Poly⑥单击OK按钮。
遥感图像拼接步骤期末总结
遥感图像拼接步骤期末总结一、遥感图像拼接的步骤1. 遥感影像的获取与预处理在进行遥感图像拼接之前，首先需要获取原始遥感影像数据。
遥感影像可以是航空摄影图像、卫星遥感影像等，需要通过遥感平台或者数据提供商购买或下载相应的影像数据。
然后对原始影像进行预处理，包括校正、配准、辐射定标等。
校正可以提高影像的几何精度，配准则是将不同影像的坐标系统一化，辐射定标则是将影像的光谱信息校正为物理量。
2. 影像拼接区域的选择在进行影像拼接之前，需要确定拼接的区域。
可以根据实际应用需求来选择，比如选择特定的地理区域，或者选择两幅影像的重叠区域等。
选择合适的拼接区域可以提高拼接的精度和效果。
3. 影像拼接的几何校正影像拼接的几何校正是指将不同影像的几何特征进行统一化，保证影像之间的几何一致性。
常见的几何校正方法包括刚性变换、仿射变换和投影变换等。
几何校正可以通过地面控制点、SIFT特征匹配等手段进行。
其中，地面控制点是利用地面上已知的点（如地物边界）与影像中的对应点进行匹配，从而估算出影像之间的几何变换参数。
4. 影像拼接的光谱校正影像拼接的光谱校正是指将不同影像的光谱信息进行统一化，保证影像之间的光谱一致性。
光谱校正可以通过直方图匹配、灰度拉伸等方法进行。
直方图匹配是将一幅影像的像素值分布调整为另一幅影像的像素值分布，从而实现光谱校正。
5. 影像拼接的融合算法影像拼接的融合算法是指将不同影像的像素进行融合，生成拼接后的影像。
常见的融合算法包括简单平均法、加权平均法、多尺度变换等。
简单平均法是将不同影像的像素值进行简单平均，加权平均法则是根据不同影像的重要性进行加权平均。
多尺度变换则是通过将影像进行分解和重建来实现融合。
二、关键技术和常见问题1. 影像的配准影像的配准是影像拼接中的关键技术之一。
影像配准的准确度直接影响到拼接效果的质量。
常见的影像配准技术包括特征点匹配、区域匹配等。
特征点匹配是通过提取影像中的特征点（如SIFT特征点）来进行匹配，区域匹配则是利用影像中的区域来进行匹配。
- 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)。
遥感图像处理步骤及经验1、图像导入在erdas的Import/Export模块中，分别导入TM图像的第1、2、3、4、5、7波段，具体操作步骤为① 点击import模块，打开对话框② 选择type类型为TIFF③ media为file；④ 然后选择输入、输出文件名路径和文件名⑤ 分别对123457波段进行导入；⑥ 在此之前可以选择session－>preference，选择输入、输出主目录。
2、图像波段合成在erdas的interpreter模块中将单波段影像进行合成，生成多波段文件，具体操作步骤为：interpreter－>utilities－>layer stack，① 在出现的对话框中import框中依次选择需要合成的波段，每选择输入一个波段用Add添加一次；② output file选择导出文件路径及命名文件。
③ Data type 设为 Unsigned 8 bit；④ Output option 设置为Union ，选中 ignore zero stats；⑤ 进行操作。
3、用shape文件进行图像切割3.1 Shape文件制作AOI文件：① 在ERDAS中点击Import图标，出现Import/Export对话框② 选中Imput，Type栏选择Shapefile，Media栏选择File，在Input File （*.shp）中确定要转换的shape文件，在Output File（*.arcinfo）中确定输出路径及名称，单击OK按钮，出现Import Shapefile对话框，单击Import Shapefile Now。
③ 注意此步骤中输出路径及输出名称均为英文字母④ 建立拓扑多边形⑤ 在Arcgis中打开ArcToolbox，Data Management Tools—>Topology—>Build，双击Build，出现Build对话框，在Input 中填入*.arcinfo文件的路径，Feature 选择Poly⑥ 单击OK按钮。
⑦ 在ERDAS中打开一个viewer窗口，打开arc coverage文件，新建一个aoi 层（New—>AOI Layer）⑧ View—>Arrange Layers Viewer打开Arrange Layers Viewer对话框，在Vector图层上单击右键，选择Show Properties，打开Properties对话框，选中Polygon，点击Apply按钮。
⑨ 在View窗口中打开AOI工具栏，先选中内部区域，再点击，产生aoi，选中该aoi，单击File—>Save—AOI Layer as，保存为aoi文件。
3.2 用AOI文件进行对遥感图像切割在ERDAS图标面板工具条中单击Data Prep图标，Subset，打开Subset对话框。
在Subset对话框中需要设置下列参数：⑩ 输入文件名称（Input File）⑪输出文件名称（Output File）⑫单击AOI按钮确定裁剪范围⑬打开Choose AOI对话框⑭在Choose AOI对话框中确定AOI的来源为File（或Viewer）⑮如果选择了文件（File），刚进一步确定AOI文件；否则，直接进入下一步⑯输出数据类型（Output Data Type）为Unsigned 8 Bit，输出文件类型（Output Layer Type）为Themetic⑰输出象元波段（Select Layers）为1 ：6（表示选择1-6六个波段）⑱输出统计忽略零值，选中Ignore Zero In Output Stats复选框⑲单击OK按钮4、图像预览在开始进行分类之前，需要先仔细查看合成后的图像，确定卫片所覆盖的地理区域及海拔范围，确定主要的地标性元素。
由于卫片原始数据的差异，同样的地表覆盖物斑块在不同时期的卫片中或不同地区的卫片中显示的颜色都可能不同，所以在预览中，还要熟悉整个范围内的地表覆盖类型和不同地物之间的变化。
①打开显示窗口，加载裁切后的6通道的图像（4，3，2）或者（4、5、3）、（7，4，2）；②把图像缩小至适合窗口，浏览图像，注意河流、城镇、植被、水体、土壤的分布；③选择特定区域放大，查看各种不同的地表覆盖物类型的分布及色调变化；根据经验，在4，3，2（RGB）的波段组合下，各种地表覆盖物类型的特点如下：a．森林——森林显示出棕色、红色、褐色等一系列多变的色调。
在高海拔地区，成熟针叶林为很浓的棕色或暗红色；在中低海拔地区，森林的颜色多变，从棕色到红色到暗绿色都有，部分落叶林在冬季呈现出锈黄色；b．灌丛和草甸——相对于临近的森林斑块，灌丛和草甸呈现出明亮许多的红色到浅红色。
在高海拔地区，大片的草地在夏季可能为浅红或锈红色，而冬季则呈现青绿色；c．湖泊、河流——湖泊通常为边界清晰的黑色斑块，河流则显示为黑色或深蓝色。
在冬季，水面结冰或覆盖有雪则显示出不同深浅的紫红色；d．城镇——很明显的比较亮的灰色或青灰色斑块，通常可见有规则的灰色线条（公路）穿过；e．农田——颜色多变的绿色、灰色、淡紫色、浅红色斑块，通常沿河谷两侧不规则分布，在平原区则大片分布。
河道边的水田往往显示出富含水分的青灰色。
5、图像分类5.1 进行非监督分类步骤：第1步：启动非监督分类在ERDAS图标面板工具条中单击Classifier图标，打开Classification 对话框，单击Unsupervised Classification 按钮，打开Unsupervised Classification对话框第2步：进行非监督分类在Unsupervised Classification对话框中进行下列设置：① 确定输入文件（Input Raster File）(要进行分类的文件)；② 确定输出文件（Output File）（产生的分类文件），文件名定为ppprrr_YYYYMMDD_123457_unsupervised_15.img；③ 选择生成分类模板文件Output Signature Set，确定模板文件名称,命名同上；④ 确定聚类参数（Clustering Options），需要确定初始聚类方法与分类数：⑤ 默认选择Initialize from Statistics（按照图像的统计值产生自由聚类）；⑥ 确定初始分类（Number of classes）为15（分为15类）；⑦ 单击Initializing Options按钮，打开File Statistics Options对话框，设置一些统计参数，一般采用默认值；⑧ 单击Color Scheme Options按钮，打开Output Color Scheme Options对话框，设置分类图像彩色属性，此处单击Approximate True Color，采用RGB 对应453波段合成。
⑨ 其他参数采用默认值。
⑩ 单击OK按钮（关闭Unsupervised Classification对话框，执行非监督分类）。
5.2 定义分类模板（1）步骤：Main－>Image Classification－>Classification－>Signature Editor，打开分类模板编辑器。
在Viewer窗口下的Raster下打开Tools图标，选择多边形AOI绘制。
（2）定义模板原则①必须在分类之前就知道研究区域的森林类型、覆盖范围以及图像的叠和现象，以保证输出分类的连续性。
②当创建训练区时，对于每一个类别都有一些子类，每个子类选择的AOI区域应该不少于5个，并且每个AOI区域内象素的颜色类型一致，跳跃不能很大，即不出现杂色。
5.3 执行监督分类① 依次选择：Main－>Image Classification－>Classification－>Supervised Classification，打开监督分类对话框。
② 输入原始文件③ 定义输出文件④ 确定分类模板文件⑤ 选择输出分类距离文件为Distance File⑥ 定义分类距离文件⑦ 选择非参数规则（Non-Parametric Rule）为Feature Space⑧ 选择叠加规则（Overlay Rule）为Parametric Rule⑨ 选择未分类规则（Unclassified Rule）为Parametric Rule⑩ 选择参数规则为Maximum Likelihood（即最大似然法）⑪取消选中Classify zeros复选框⑫ OK执行监督分类。
5.4 后期检查修正打开两个viewer窗口，进行链接（选择link工具）。
并可以选择aoi的显示功能检查子类选择的正确性。
反复验证、修改模板。
5.5 重新分类重复以上步骤，重新分类，达到最佳分类结果6、图像拼接7、分类重编码将分类结果图像进行分类重编码，减少分类数量。
判断每个分类的专题属性，对相近或类似的分类通过图像重编码进行合并，并定义分类名称和颜色。
① Main->Image Interpreter->GIS Analysis->Recode② 确定输入、输出文件；③ 设置新的分类编码(Setup Recode)，打开Thematic Recode表格，根据需要改变“New Value”字段取值(直接输入)；④ 单击OK；⑤ 单击OK8、滤波① Image Interpreter | GIS Analysis... | Eliminate...；② 输入文件为“.._ clp4.img”，输出文件为“..._ elim25.img”；③ “Minimum”选择“25”；(因为象素分辨率为28.5M，25个象素接近于2公顷；这样最小图斑为2公顷)④ “Output”选择“8bit”。