遥感影像分类方法实验报告
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。
遥感监督分类实习报告
实习报告：遥感监督分类实习一、实习目的本次遥感监督分类实习的主要目的是通过实际操作，掌握遥感监督分类的基本原理和方法，提高对遥感影像进行分类和解析的能力。
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处理和分析，掌握遥感野外调查的方法和注意事项，以及根据土地利用现状分类标准对遥感影像进行目视解译和划分，最终制作出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：我们在envis软件中进行遥感影像的预处理，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。
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：我们使用envis软件中的感兴趣区域选取功能，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。
（二）外业建标调查1. 建立目视解译标志：我们根据《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。
2. 野外调查：我们根据建立的目视解译标志，进行野外调查，验证和解译遥感影像中的地物类别。
（三）遥感影像的监督分类1. 训练样本选择：我们根据野外调查的结果，选择代表性的训练样本，用于遥感影像的监督分类。
2. 监督分类：我们使用ENVI软件中的监督分类功能，对遥感影像进行分类。
在分类过程中，我们根据训练样本的特点，选择合适的分类算法和参数。
3. 分类结果评估：我们使用混淆矩阵和Kappa系数等指标，对监督分类的结果进行评估，以判断分类的精度。
三、实习总结通过本次遥感监督分类实习，我们掌握了遥感影像处理的基本方法，学会了使用envis和ENVI等软件进行遥感影像的预处理、裁剪和监督分类。
同时，我们也学会了如何进行野外调查和目视解译，以及如何选择训练样本和评估分类结果。
通过实习，我们对遥感监督分类的原理和方法有了更深入的了解，提高了实际操作能力。
遥感影像数据实习报告
一、实习背景随着遥感技术的不断发展，遥感影像数据在资源调查、环境监测、城市规划等领域发挥着越来越重要的作用。
为了使同学们更好地掌握遥感影像数据处理方法，提高实际操作能力，本次实习课程以遥感影像数据为研究对象，通过实践操作，使学生了解遥感影像数据的处理流程，掌握遥感影像处理软件的使用方法。
二、实习目的1. 熟悉遥感影像数据的处理流程；2. 掌握遥感影像处理软件（如ENVI、ArcGIS等）的使用方法；3. 学会遥感影像数据的预处理、增强、分类等基本操作；4. 培养学生独立解决问题的能力，提高实际操作水平。
三、实习内容1. 遥感影像数据预处理遥感影像数据预处理是遥感影像处理的基础，主要包括辐射校正、几何校正、大气校正等。
（1）辐射校正：通过对遥感影像进行辐射校正，消除传感器噪声、大气辐射等因素对影像的影响，提高影像质量。
（2）几何校正：通过对遥感影像进行几何校正，消除由于传感器倾斜、地球曲率等因素引起的几何畸变，使影像与实际地理坐标相对应。
（3）大气校正：通过对遥感影像进行大气校正，消除大气对遥感影像的影响，提高影像的清晰度。
2. 遥感影像数据增强遥感影像数据增强是提高遥感影像质量的重要手段，主要包括对比度增强、锐化、滤波等。
（1）对比度增强：通过对遥感影像进行对比度增强，使影像中地物特征更加明显，便于后续处理。
（2）锐化：通过对遥感影像进行锐化处理，使影像中的地物边缘更加清晰，提高影像的视觉效果。
（3）滤波：通过对遥感影像进行滤波处理，消除影像中的噪声，提高影像质量。
3. 遥感影像数据分类遥感影像数据分类是将遥感影像中的地物进行分类，提取所需信息的过程。
常用的分类方法有监督分类、非监督分类等。
（1）监督分类：根据已知的地物特征，建立分类模型，对遥感影像进行分类。
（2）非监督分类：根据遥感影像自身特征，自动将遥感影像进行分类。
四、实习步骤1. 收集遥感影像数据：从遥感影像数据库中下载或获取所需的遥感影像数据。
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。
数据遥感影像实验报告
一、实验背景随着遥感技术的飞速发展，遥感影像在资源调查、环境监测、城市规划等领域发挥着越来越重要的作用。
本实验旨在通过ENVI软件对遥感影像进行处理和分析，掌握遥感影像的基本处理流程，并了解不同处理方法对影像质量的影响。
二、实验目的1. 熟悉ENVI软件的操作界面和基本功能；2. 掌握遥感影像的预处理、增强、分类、变化检测等基本处理方法；3. 分析不同处理方法对影像质量的影响；4. 培养遥感影像处理和分析的能力。
三、实验数据本次实验所使用的数据为Landsat 8影像，覆盖区域为我国某城市。
影像数据包括全色波段、红光波段、近红外波段和短波红外波段。
四、实验步骤1. 数据导入：将Landsat 8影像数据导入ENVI软件。
2. 预处理：- 辐射校正：对影像进行辐射校正，消除大气、传感器等因素对影像辐射亮度的影响。
- 几何校正：对影像进行几何校正，消除地形等因素对影像几何形状的影响。
3. 影像增强：- 直方图均衡化：对影像进行直方图均衡化，提高影像的对比度。
- 波段拉伸：对影像的特定波段进行拉伸，突出地物特征。
4. 影像分类：- 监督分类：根据已知地物特征，对影像进行监督分类，提取不同地物类型。
- 非监督分类：根据影像数据自身特征，对影像进行非监督分类，识别地物类型。
5. 变化检测：- 时序分析：对同一地区不同时间段的影像进行对比分析，检测地物变化。
- 变化检测算法：采用变化检测算法，如差值法、指数法等，提取变化信息。
6. 结果分析：- 分类结果分析：分析监督分类和非监督分类的结果，评估分类精度。
- 变化检测结果分析：分析变化检测结果，了解地物变化情况。
五、实验结果与分析1. 预处理效果：通过辐射校正和几何校正，影像的辐射亮度和几何形状得到改善，为后续处理提供了良好的基础。
2. 影像增强效果：直方图均衡化和波段拉伸使得影像的对比度和地物特征得到增强，有利于后续的分类和分析。
3. 分类结果：监督分类和非监督分类结果基本符合实际情况，分类精度较高。
遥感影像的实习报告
实习报告：遥感影像处理与分析实践一、实习目的与要求本次遥感影像实习旨在让学生掌握遥感影像的基本处理方法、分析技巧以及应用遥感影像进行地物分类和信息提取的能力。
实习要求学生熟练使用遥感影像处理软件，如ENVI、ArcGIS等，了解遥感影像的辐射特性和几何特性，掌握遥感影像的预处理、增强、分类和信息提取等基本技能。
二、实习内容与过程1. 遥感影像预处理在ENVI软件中，我们对下载的原始遥感影像进行了辐射校正和几何校正。
辐射校正主要包括传感器校正、大气校正、太阳高度及地形校正，以消除遥感影像中的辐射误差。
几何校正则是为了纠正图像中的几何变形，我们选取了UTMWGS84坐标系作为遥感影像的坐标系。
2. 遥感影像裁剪为了便于分析，我们使用ENVI软件的感兴趣区域（ROI）功能，选取了实习所用的区域范围，并将遥感影像进行裁剪。
裁剪后的影像更加清晰，便于后续的分析和处理。
3. 遥感影像增强在ENVI软件中，我们对裁剪后的遥感影像进行了对比度增强和色彩平衡处理，以突出地物的细节信息和纹理特征。
增强处理后的影像更加直观，便于地物的识别和分类。
4. 遥感影像分类利用ENVI软件的监督分类模块，我们选取了训练样本，对遥感影像进行了分类。
分类过程中，我们根据实际地物特征，选择了合适的波段组合和分类算法。
分类结果较好地反映了实习区域的地物分布状况。
5. 地物信息提取与分析通过对分类结果的分析，我们提取了实习区域的地物信息，包括建筑物、林地、水体等。
进一步，我们使用ArcGIS软件对提取的地物信息进行了空间分析和统计分析，探讨了地物分布的规律和特点。
三、实习成果与总结本次实习，我们成功地对实习区域的遥感影像进行了预处理、增强、分类和信息提取。
实习过程中，我们深入了解了遥感影像的处理方法和分析技巧，提高了遥感影像处理的实际操作能力。
通过实习，我们认识到遥感技术在地物监测、资源调查和环境评估等方面的重要应用价值。
总结：本次遥感影像实习让我们对遥感影像的处理和分析方法有了更深入的了解。
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。
遥感影像数据实习报告
实习报告：遥感影像数据处理与分析一、实习目的本次遥感影像数据实习旨在通过实际操作，掌握遥感影像数据的处理、分析和应用方法，提高对遥感技术的理解和应用能力。
通过实习，要求学生能够熟练使用遥感影像处理软件，对遥感影像进行预处理、信息提取和分类，并能够根据实际需求进行遥感影像的分析和应用。
二、实习内容（一）遥感影像预处理本次实习所使用的遥感影像数据为Landsat 8卫星影像，首先需要对影像进行预处理，包括辐射定标、大气校正和地理校正等。
预处理的目的是消除遥感影像中由于大气、传感器等非目标因素引起的影响，提高影像的可用性和分析精度。
（二）遥感影像信息提取在预处理的基础上，需要对遥感影像进行信息提取，包括水体、植被、建筑用地等土地利用类型的提取。
信息提取的方法包括基于像元的分类方法和基于对象的分类方法。
通过比较不同分类方法的准确性，选择合适的分类方法进行实习任务的需求。
（三）遥感影像分类与分析对遥感影像进行分类是为了将影像中的不同地物类型进行区分，便于后续的分析和应用。
分类的方法包括监督分类、无监督分类和混合像元分解等。
在分类的基础上，可以对不同地物类型的分布、变化等进行分析，为实际应用提供依据。
（四）遥感影像应用在遥感影像分类和分析的基础上，可以进行遥感影像的应用，例如土地利用变化监测、生态环境监测等。
通过实际应用，可以进一步理解遥感影像数据的价值和应用前景。
三、实习步骤与方法（一）遥感影像预处理1. 辐射定标：将遥感影像的数字量化值（DN）转换为反射率或辐射率。
2. 大气校正：消除大气对遥感影像的影响，提高地物反射率的准确性。
3. 地理校正：纠正遥感影像的几何变形，使影像坐标与实际地理坐标对应。
（二）遥感影像信息提取1. 基于像元的分类：通过设置不同的阈值，将遥感影像中的像素分为不同的类别。
2. 基于对象的分类：利用遥感影像分割技术，将影像中的不同地物分为对象，并进行分类。
（三）遥感影像分类与分析1. 监督分类：利用已知类别的样本数据，训练分类器，对遥感影像进行分类。
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。
遥感影响分析实验报告(3篇)
第1篇一、实验目的本次实验旨在通过遥感技术，分析特定区域的生态环境、土地利用变化以及灾害影响等方面，提高对遥感数据解读和分析的能力，为相关领域的决策提供科学依据。
二、实验原理遥感技术是利用航空、航天等平台获取地表信息的一种手段，通过对遥感图像的处理和分析，可以获取地表的物理、化学、生物等信息。
本实验主要涉及以下原理：1. 遥感图像的获取：通过卫星、航空等平台获取特定区域的遥感图像。
2. 遥感图像预处理：对遥感图像进行辐射校正、几何校正等预处理，提高图像质量。
3. 遥感图像分析：利用遥感图像处理软件对遥感图像进行分类、变化检测、纹理分析等分析，提取地表信息。
4. 影响分析：结合相关领域知识，对分析结果进行解释和评价，揭示地表现象的成因和影响。
三、实验数据本次实验选用某区域2010年和2020年的遥感影像数据，包括多光谱、全色等数据。
四、实验步骤1. 数据预处理：- 对遥感影像进行辐射校正，消除大气、传感器等因素的影响。
- 对遥感影像进行几何校正，消除图像畸变。
- 对遥感影像进行裁剪，提取研究区域。
2. 遥感图像分析：- 利用遥感图像处理软件对遥感影像进行分类，提取地表信息，如土地利用类型、植被覆盖度等。
- 对遥感影像进行变化检测，分析研究区域土地利用变化情况。
- 对遥感影像进行纹理分析，揭示地表现象的分布特征。
3. 影响分析：- 结合相关领域知识，对分析结果进行解释和评价。
- 分析研究区域生态环境、土地利用变化以及灾害影响等方面的成因和影响。
五、实验结果与分析1. 土地利用变化：- 通过变化检测，发现研究区域在2010年至2020年间，耕地、林地、草地等土地利用类型发生了显著变化。
- 具体表现为：耕地面积减少，林地、草地面积增加。
2. 植被覆盖度：- 通过植被指数分析，发现研究区域植被覆盖度总体呈上升趋势，表明生态环境有所改善。
3. 灾害影响：- 通过遥感影像分析，发现研究区域在2010年至2020年间，受洪涝、干旱等灾害影响较大。
遥感影像实习报告
一、实习背景随着遥感技术的发展，遥感影像在地理信息、环境监测、城市规划等领域得到了广泛应用。
为了提高我们对遥感影像处理和分析的能力，我们开展了为期两周的遥感影像实习。
本次实习旨在让我们了解遥感影像的基本原理，掌握遥感影像处理软件的使用方法，并能对遥感影像进行初步的解译和分析。
二、实习内容1. 遥感影像基础知识实习期间，我们首先学习了遥感影像的基本原理，包括遥感数据的获取、处理、分析等环节。
了解了遥感影像的成像原理、成像模型、传感器类型等基本概念。
2. 遥感影像处理软件学习我们主要学习了ENVI软件的使用。
通过实习，我们掌握了以下操作：（1）数据导入与导出：学会了如何将遥感影像数据导入ENVI软件，以及如何导出处理后的影像数据。
（2）图像预处理：学会了如何对遥感影像进行辐射校正、几何校正、大气校正等预处理操作。
（3）图像增强：学会了如何对遥感影像进行对比度增强、亮度增强、锐化等增强操作。
（4）图像分类：学会了如何对遥感影像进行监督分类和非监督分类，以及如何提取地物信息。
3. 遥感影像解译与分析在实习过程中，我们对实习区域进行了遥感影像解译与分析。
主要内容包括：（1）地物识别：通过对遥感影像进行解译，识别实习区域内的主要地物类型，如水体、植被、建筑等。
（2）变化检测：对比不同时期的遥感影像，分析实习区域内的地物变化情况。
（3）专题图制作：根据遥感影像解译结果，制作实习区域的专题图，如土地利用现状图、植被覆盖度图等。
三、实习成果通过本次实习，我们取得了以下成果：1. 掌握了遥感影像处理软件ENVI的基本操作，能够对遥感影像进行预处理、增强、分类等操作。
2. 提高了遥感影像解译与分析能力，能够对实习区域内的地物进行识别和变化检测。
3. 了解了遥感技术在地理信息、环境监测、城市规划等领域的应用，为今后从事相关领域的工作奠定了基础。
四、实习体会本次遥感影像实习让我们受益匪浅。
在实习过程中，我们不仅学到了遥感影像处理和分析的基本知识，还提高了实际操作能力。
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。
初识遥感影像实验报告(3篇)
第1篇一、实验背景随着遥感技术的不断发展，遥感影像在地理信息科学、环境监测、城市规划等领域得到了广泛应用。
为了深入了解遥感影像的基本原理和应用方法，我们开展了本次遥感影像实验。
通过实验，旨在培养学生对遥感影像的认识，掌握遥感影像处理的基本技能，并能够运用遥感影像进行简单的分析和应用。
二、实验目的1. 了解遥感影像的基本概念和分类。
2. 掌握遥感影像的获取方法和数据格式。
3. 学习遥感影像的基本处理方法，包括图像增强、几何校正和图像分类。
4. 熟悉遥感影像在地理信息分析中的应用。
三、实验内容1. 遥感影像基本概念与分类（1）遥感影像的定义：遥感影像是指通过遥感传感器从地球表面或其他天体表面获取的图像数据。
（2）遥感影像的分类：按获取平台分为航空遥感影像和航天遥感影像；按传感器类型分为光学遥感影像和雷达遥感影像；按应用领域分为资源遥感影像、环境遥感影像和灾害遥感影像等。
2. 遥感影像获取方法（1）航空遥感影像：通过飞机搭载的遥感传感器获取，具有高分辨率、高精度等特点。
（2）航天遥感影像：通过卫星搭载的遥感传感器获取，具有大范围、大动态范围等特点。
3. 遥感影像数据格式（1）TIFF格式：支持多种数据类型，广泛应用于遥感影像处理。
（2）JPEG格式：压缩效果好，但可能损失部分图像信息。
（3）GeoTIFF格式：包含地理信息，便于地理信息分析。
4. 遥感影像处理（1）图像增强：通过对遥感影像进行增强处理，提高图像质量，便于后续分析。
（2）几何校正：将遥感影像进行几何校正，使其符合实际地理坐标。
（3）图像分类：根据遥感影像的灰度值、纹理、光谱等信息，对地表物体进行分类。
5. 遥感影像应用（1）地理信息分析：通过遥感影像进行地形、地貌、土地利用等地理信息的分析。
（2）环境监测：利用遥感影像监测植被覆盖、水质、大气污染等环境问题。
（3）城市规划：通过遥感影像进行城市规划、土地管理等工作。
四、实验步骤1. 准备实验数据：收集遥感影像数据，包括航空遥感影像和航天遥感影像。
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。
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。
遥感影像分类方法实验报告
遥感影像分类方法实验报告V:1.0 精选方法遥感影像分类方法实验报告20XX年- -6 6- -8 8遥感影像分类方法实验报告实验报告遥感影像分类方法实验报告目录1 实验目的....................................................................................................................... ................ 7 2 实验数据....................................................................................................................... ................ 7 3 实验内容....................................................................................................................... ................ 7 4 实验步骤....................................................................................................................... . (8)对人口矢量数据（shapefile ）进行投影转换 (8)1/ 43文件投影坐标的检查 (8)将将投影坐标转换为WGS_1984_UTM_Zone_16N (9)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） (10)在在ENVI 软件的加载 (10)对遥感影像进行几何精校正（以矢量数据为基准） (10)用矢量图层对遥感影像进行裁剪 .. 14将将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 (15)两种融合方法的原理 (15)进行Gram-Schmidt Spectral Sharpening融合 (16)遥感影像分类方法实验报告融合效果进行定性评价 (18)融合效果进行定量评价( 软件提供的计算方法法) (19)融合效果进行定量评价(Matlab 编程计算) (21)2/ 43遥感影像融合定量分析代码 (25)生成住房密度栅格影像 (28)两表的连接 (28)计算房屋密度 (29)直接栅格化 (30)IDW 插值 (30)对房屋密度图进行重分类 (31)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 (32)监督分类（融合方法为HSV ，波段为5 ，4，，3 ） (33)打开Google Earth 影像作为监督分类的参照照 (33)建立兴趣区 (34)训练样区的选择 (36)训练样区的评价 (37)遥感影像分类方法实验报告执行监督分类 (40)分类后处理 (41)评价结果分析 (44)3/ 43分类结果面积统计 (45)分类结果 (48)分类结果评价与分析 (49)未加入房屋密度图层的分类结果评价与分析析 (49)加入IDW 插值房屋密度图层的分类结果评价与分析 (50)加入直接栅格化房屋密度图层的分类结果评价与分析 (51)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 (52)从总精度与Kappa 系数对分类结果进行评价价 (53)分类结果总体评价 (54)和与其他训练样区的分类精度和Kappa 系数的计算 (55)决策树分类 (57)决策树分类原理 (57)遥感影像分类方法实验报告数据预处理 (57)4/ 43指数的计算 (59)执行决策树 (62)不同参数设置的对比 (66)5 实验体会....................................................................................................................... .. (69)实验中存在的问题 (69)软件平台使用 (72)实验总结 (72)遥感影像分类方法实验报告1 实验目的① 掌握ArcGIS10 和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5/ 43① 带属性数据的shapefile：② 带有陆地面积字段的矢量图层：③ GoogleEarth_原始拼接：④ 研究区域的多光谱波段数据：⑤ 研究区域的全色波段数据：⑥ 监督分类参照影像：Google Earth 3 实验内容① 对人口矢量数据（shapefile）进行投影转换：WGS_1984_UTM_Zone_16N 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）：（1）对多光谱波段（30 m空间分辨率）进行几何精校正（小于个像元）；（2）对Pan 波段（15 m空间分辨率）进行几何精校正（小于个像元）；遥感影像分类方法实验报告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；6/ 43（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+***** 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 实验步骤对人口矢量数据（shapefile ）进行投影转换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。
- 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)。
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。
得到Census.shp的投影坐标为：GCS_North_American_1983，与实验要求不符合，需进行投影转换。
图14.1.2 将投影坐标转换为WGS_1984_UTM_Zone_16N在Arcgis软件的工具箱中的Define Projection工具，设置输入数据为：Census.shp，坐标系统为GCS_WGS_1984，在工具箱中的工具，设置输入数据：Census.shp，导入遥感影像的投影坐标系，即GCS_WGS_1984（如图2）。
图24.2 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）4.2.1 Census.shp在ENVI软件的加载在ENVI软件中，File -> Open Vector File，选择Census.shp，设置好参数，生成evf文件（如图3）。
图34.2.2 对遥感影像进行几何精校正（以矢量数据为基准）在ENVI分别打开遥感影像img和矢量文件vef，选择Map -> Registration -> Select GCPs : image to map，以矢量数据为基准,设置好投影，如图4。
图4在ENVI中，在zoom窗口下采集控制点，这次实验采集的控制点数为13个，控制点的主要定位在道路与道路之间的交叉点，如图5，其控制点的RMS Error 为0.246390，如图6，如图7为20个控制点的采集情况。
图5图6图7选择校正参数输出结果，在Ground Control Points Selection窗口选择Option -> Warp File ，如图8；数学模型为Polynomial，设定参数为2，从采样方法为最临近法，如图9。
图8 图9如图10、11为几何校正前后，矢量图层与遥感影像吻合度的对比，可以明显看出，经过几何校正后的遥感影像与矢量图层吻合程度有明显的改善，有部分水体边界不吻合，这主要是由于水体会随时间而改变；而街区与道路吻合程度良好。
图10图11如图12为对多光谱波段（30 m空间分辨率）进行几何精校正后的遥感影像；如图13为对Pan波段（15 m空间分辨率）进行几何精校正后的遥感影像。
图12图134.2.3 用矢量图层对遥感影像进行裁剪在ENVI中打开Census.shp文件，将该图层转换成ROI，如图14。
图14通过ROI进行裁剪遥感影像，选择Basic Tools ->Subset Data via ROIs ；选择转换好的ROI进行裁剪，如图15。
图15同样，对pan波段的遥感影像进行裁剪，得到遥感影像如图16。
图164.3 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4.3.1 两种融合方法的原理Gram-Schmidt 可以对具有高分辨率的高光谱数据进行锐化。
①从低分辨率的波谱波段中模拟出一个全色波段。
②对该全色波段和波谱波段进行Gram-Schmidt变换，其中模拟的全色波段被作为第一个波段。
③用Gram-Schmidt 变换后的第一个波段替换高空间分辨率的全色波段。
④应用Gram-Schmidt 反变换构成pan锐化后的波谱波段。
Gram-Schmidt Spectral Sharpening方法进行图像增强能够比较好的保留原多光谱图像的光谱信息，使遥感影像的融合保留多光谱影像的增强效果。
用PC 可以对具有高空间分辨率的光谱图像进行锐化。
①先对多光谱数据进行主成分变换。
②用高分辨率波段替换第一主成分波段，在此之前，高分辨率波段已被缩放匹配到第一主成分波段，从而避免波谱信息失真。
③进行主成分逆变换。
函数自动地用最近邻、双线性或三次卷积技术将多光谱数据重采样到高分辨率像元尺寸。
4.3.2 进行 Gram-Schmidt Spectral Sharpening融合在ENVI软件中，选择Transform -> Image Sharpening -> Gram-Schmidt Spectral Sharpening ，在Select Low Spatial Resolution Multi Band Input File中选择Stack_b1-6162-7_CJ.img 多光谱波段，Spatial Subset 为Full Scene，Spectral Sunset 为8个波段，如图17。
图17在Select High Spatial Resolution Pan Input File窗口中选择b8_CJ.img 全色波段，如图18。
图18Select Method for Low Resoution Pan选择Average of Low Resolution Multispectral File：利用多光谱波段的平均值来模拟低分辨率的全色波段。
Resampling选择Nearest Neighbor，Output Result 选择保存路径，如图19。
图194.3.3 进行PC Spectral Sharpening融合在ENVI软件中，选择Transform -> Image Sharpening -> PC Spectral Sharpening ，在Select Low Spatial Resolution Multi Band Input File中选择Stack_b1-6162-7_CJ.img 多光谱波段，Spatial Subset 为Full Scene，Spectral Sunset为8个波段，如图20。