《地图投影与应用》学习总结

《地图投影与应用》学习总结
一、遥感影像的坐标定义与投影转换
在这次的遥感影像的坐标定义与投影转换实习中主要分为五个部分，分别如下：
（1）、学习地理投影的基本原理
学习地理坐标系和投影坐标系，分清椭球体和大地基准面的概念，了解基本的几种投影类型（“墨卡托投影”、“高斯-克吕格投影”、“UTM投影）。

（2）、怎样获取参数
对于地理坐标，只需要确定两个参数，即椭球体和大地基准面。

对于投影坐标，投影类型为Gauss Kruger（Transverse Mercator），除了确定椭球体和大地基准面外，还需要确定中央经线。

（3）、在软件中怎样执行坐标定义（基本步骤如下）
1）定义椭球体
2）定义基准面
3）定义投影
4）使用定义的坐标系统
（4）、在软件中怎样执行投影转换
（5）、自已动手操作（本实验实习结果如下）
1）将给出的贵阳市修文县的栅格影像xw.img定义北京-54坐标和西安-80坐标；
a)、先在ENVI中定义好北京-54坐标和西安-80坐标的投影参数（北
京-54和西安-80就只有基准面和椭球体不一样，所以只需要改这两个参数就可以，在此不再赘述），如下图所示
b)投影北京-54坐标和投影西安-80坐标
2）将以上定义为北京-54坐标的修文影像通过地图投影转换成西安-80坐标
二、、遥感影像的几何校正
遥感图像的几何纠正是指消除影像中的几何形变，产生一幅符合某种地图投影或图形表达要求的新影像。

一般常见的几何纠正有从影像到地图的纠正，以及从影像到影像的纠正，后者也称为影像的配准。

在遥感影像的几何校正这一次的实习中，我们主要针对了地形图的几何校正、影像对影像的配准、影像的自动配准三种。

在自己动手实际操作了以后，对遥感影像的几何校正在理论上有了很深刻的理解，而且和erdas对比以后发现，基本上都是差不多的，只是在ENVI中的工具栏上面改变了而已。

以下三张图片分别为地形图校正、影像对影像配准、自动配准的实验结果：
三、遥感影像的镶嵌
影像镶嵌是指在一定地数学基础控制下，把多景相邻遥感影像拼接成一个大范围的影像图的过程。

ENVI和erdas有相似的地方，但是也有不一样的地方，ENVI提供了基于像元的拼接和基于地理坐标的拼接两种方法。

ENVI提供了对无地理信息图像的交互拼接功能和对有地理信息的图像的自动拼接功能。

软件还提供设置透明度、直方图匹配和自动颜色匹配的选项功能，ENVI的虚拟拼接功能使你可以避免输出占用很大空间的文件。

在遥感影像的镶嵌试验中，我们是用地形图和影像来做实验数据的，但是由于其他的一些因素，这次试验在地形图的镶嵌上我们是先裁剪，在拼接的，但是在遥感影像镶嵌时，我们需要做ROI或者矢量文件。

在遥感影像的镶嵌这一次的实验中，我学会了使用ROI或者矢量文件来镶嵌遥感影像，也对地形图的镶嵌有了一个更深层次的了解。

下图为地形图和遥感影像在进行镶嵌以后的图像：
四、遥感影像的裁切
影像裁剪的目的是将研究区以外的区域去除，经常是按照行政区划或研究区域的边界对图像进行裁剪，在基础数据生产中，还经常要做标准分副裁剪。

按照ENVI的图像裁剪过程，可分为规则裁剪和不
规则裁剪。

不规则裁剪是指裁剪图像的边界范围是一个任意多边形，通过事先确定的一个完整的闭合区域进行，这个区域可以是一个手工绘制的ROI多边形，也可以是ENVI支持的矢量数据文件。

规则裁剪即裁剪图像的边界范围是一个矩形，这个矩形可以通过行列号、左上角和右下角两点坐标、图像文件、ROI/矢量文件获取。

在遥感影像的裁切这一个实验中，学会了规则裁切和不规则裁切，以下图片是根据实验数据得出的实验结果：（地形图的裁切）
五、遥感影像的影像波段运算
波段运算（Band math）功能为用户提供了一个灵活的图像处理工具，在Band math对话框中，可以实现不同波段之间的加减乘除等运算。

波段运算可以通过进行加减乘除等运算，将显示背景由黑变白、遥感影像去云处理、用NDVI计算植被覆盖、水体指数、建筑指数等。

以下图片根据实验数据的得出的：
六、遥感影像的决策树分类
决策树分类是基于遥感影像数据及其他空间数据，通过专家经验总结、简单的数学统计和归纳方法等，获得分类规则并进行遥感分类。

分类规则易于理解，分类过程也符合人的认知过程，最大的特点是利用的多源数据。

专家知识决策树分类的步骤大体上可分为四步：知识（规则）定义、规则输入、决策树运行和分类后处理。

ENVI中的决策树是用二叉树来表达，规则表达式生成一个单波段结果，并且包含一个二进制结果0或1.0结果被归属到“No”分支，1 结果被归属为“Yes”分支。

如下所示为决策树的构建：
七、遥感影像的分类验证（监督分类与非监督分类）
监督分类（supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。

即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对待分类影像进行的图像分类，是模式识别的一种方法。

要求训练区域具有典型性和代表性。

判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。

常用算法有：判别分析、最大似然分析、特征分析、序贯分析和图形识别等。

非监督分类是以不同影像地物在特征空间中类别特征的差别为依据的一种无先验（已知）类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法。

根据待分类样本特征参数的统计特征，建立决策规则来进行分类。

而不需事先知道类别特征。

把各样本的空间分布按其相似性分割或合并成一群集，每一群集代表的地物类别，需经实地调查或与已知类型的地物加以比较才能确定。

是模式识别的一种方法。

一般算法有：回归分析、趋势分析、等混合距离法、集群分析、主成分分析和图形识别等。

以下图片为根据实验数据进行的监督分类和非监督分类：
（1）、监督分类图片
11
（2）、斑点去除以后图片对比图
12。