遥感数据解译大面积监测
每年夏收与秋收后，秸秆焚烧现象非常普遍。秸秆焚烧带来了很多危害，不仅严重影响大气环境质量，导致空气中总悬浮颗粒物数量明显升高，而焚烧产生的浓烟中含有大量的CO、CO2等气体，对人体健康产生不良影响，同时，还会造成能见度降低，甚至引发交通事故。广西善图科技有限公司
鉴于秸秆焚烧带来的种种危害，秸秆焚烧的监测变得尤为重要。而传统的监测手段（如逐点人工排查）具有效率低、覆盖率低、成本高等缺点。而遥感技术以其时效性、覆盖面广、分辨率高等优势使得快速大面积监测焚烧情况成为可能。
1.选择数据源
2.热异常数据地理定标
3.火点信息提取
4.土地覆盖数据地理定位与镶嵌
5.农用地信息提取
6.疑似秸秆焚烧点提取
7.输出结果（制图输出）
8.确定技术流程，进行业务化应用
介绍遥感动态监测知识，并以城市用地遥感变化监测为应用背景，从数据的选择、预处理、变化监测类型分析、方法的选择制定一个遥感流程，之后在ArcMAP中构建整个监测流程的业务模型，通过ArcGIS Server发布成Web Service，并在Web端构建应用。
地球表面信息每时每刻都在变化，遥感影像是我们监测地球变化最直接和权威的数据源，我们可以从遥感影像中可以获取的变化信息：海岸线、森林健康、城市扩张、农业生产、自然灾害、人为灾害、土地覆盖、冰雪范围、水面变化等。量测变化信息的方法可选择：简单的图像差异、特征变化、波谱曲线变化、图像变换、分类后比较等。
本应用专题以城市土地覆盖变化信息监测为应用背景，变化信息为植被覆盖和人工建筑物。演示如何构建遥感变化监测技术流程，并将整个流程部署到ArcGIS Server企业级应用中，包括以下步骤：
遥感技术是灾害监测的有效手段，SAR以其不受天气的影响，能全天候获取数据的优势，是洪水监测的重要数据源，本应用专题以城市洪水为应用背景，演示用多时相的SAR数据进行洪水监测的技术流程、批处理、及业务化流程的构建，包括：
1、SAR数据的选择和准备
2、图像配准
3、图像的Gamma滤波
4、地理编码
5、辐射定标
6、洪水信息提取
7、制图输出
8、批处理
9、构建工作流
SAR的另外一个重要应用是利用InSAR技术进行地表形变监测。本应用专题介绍InSAR 技术监测地表形变的技术流程，以玉树地震为应用背景，演示用DInSAR技术进行地震后地表形变监测，包括：
1、数据源的选择和准备
2、干涉图生成
3、干涉图去平
4、干涉图滤波
5、相干性生成
6、相位解缠
7、相位转换形变
8、制图输出
9、地质建模
DInSAR技术适合于大的突发性的地表形变，如地震、火山爆发、滑坡等引起的，而对人类活动引起的长期的缓慢地表形变，选择用干涉叠加技术，包括PS和SBAS两种方法。首先讲述PS和SBAS对数据的要求，接着以北京及周边区域地表形变监测为应用背景，演示了PS和SBAS的技术流程、实现及结果分析，监测精度达到mm级。
成都信息工程学院 遥感图像处理实验报告 实验6：遥感图像监督分类与非监督分类 专业：遥感科学与技术 班级： 092班 姓名：李翔 学号：2009043063 实验名称：遥感图像监督分类与非监督分类 实验教室： 5404教室 指导老师：刘志红 实验日期：2011年4月6日和4月13日
遥感数字图像处理实验报告 一、项目名称 遥感图像监督分类与非监督分类 二、实验目的 学会使用ERDAS IMAGINE软件对遥感图像进行非监督分类、监督分类、分类后处理、决策树分类，加深对图像分类过程和原理的理解，为图像解译打下基础。 三、实验原理 同类地物在相同的条件下应该具有相同或相似的光谱信息和空间信息特征。反之，不同类的地物之间具有这些差异。根据这些差异，将图像中的所有像素按其性质分为若干类别的过程，称为图像的分类。 根据是否需要分类人员事先提供已知类别及其训练样本，对分类器进行训练和监督，可将遥感图像分类方法划分为监督分类和非监督分类。 分类后处理包括聚类统计、过滤分析、去除分析和分类重编码等操作。 聚类统计是通过计算分类专题图像每个分类图斑面积、记录相邻区域中最大图斑面积的分类操作。 四、数据来源 1．下载网站：https://www.doczj.com/doc/1917652395.html,/admin/dataLandsatMain.jsp 2．波段数为6个。 3．分辨率为28.50,米。 4．投影为UTM, Zone48。 五、实验过程 一、非监督分类 1.在ERDAS IMAGINE依次点击如下图标，打开对话框， 2. 设定好输出数据，设置聚类选项，确定初始聚类方法和分类数。设置预处理选项，确定循环次数和阈值。如图所示：
实验四遥感图像分类 一、背景知识 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。常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。 非监督分类运用ISODATA（Iterative Self-Organizing Data Analysis Technique)算法，完全按照像元的光谱特性进行统计分类，常常用于对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于分类运算，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。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。 监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模板(训练样本)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。 二、实验目的 理解并掌握图像分类的原理，学会图像分类的常用方法：人工分类（目视解译）、计算机分类（监督分类、非监督分类）。能够针对不同情况，区别使用监督分类、非监督分类。理解计算机分类的常用算法实现过程。熟练掌握遥感图像分类精度评价方法、评价指标、评价原理，并能对分类结果进行后期处理。 三、实验内容（6课时） 1.非监督分类（Unsupervised Classification)； 2.监督分类（Supervised Classification)； 3.分类精度评价（evaluate classification）； 4.分类后处理（Post-Classification Process）； 四、实验准备 实验数据： 非监督分类文件：germtm.img 监督分类文件：tm_860516.img 监督模板文件：tm_860516.sig 五、实验步骤、方法 1、非监督分类（Unsupervised Classification)
上次课主要内容 4.4简单自然地物可识别性分析 4.5复杂地物识别概率(重点理解) ①要素t 的价值②要素总和（t 1，t 2，…，t m ）t 的价值 K -K E ∑ = ③复杂地物识别概率的计算理解p70~71例子
第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 5.2 遥感图像特征与解译标志的关系 5.3 遥感图像的时空特性 5.4 遥感图像中的独立变量 5.5 地物统计特征的构造
第五章遥感图像特征和解译标志 地物特征 电磁波特性 影像特征 遥感图像记录过程 n 图像解译就是建立在研究地物性质、电磁波性质 及影像特征三者的关系之上 n 图像要素或特征，分“色”和“形”两大类：?色：色调、颜色、阴影、反差； ?形：形状、大小、空间分布、纹理等。“形”只有依靠“色”来解译才有意义。
第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 n两个定义： ?解译标志定义：遥感图像光谱、辐射、空间和时间特征决定 图像的视觉效果、表现形式和计算特点，并导致物体在图像上 的差别。 l给出了区分遥感图像中物体或现象的可能性； l解译标志包括：色调与色彩、形状、尺寸、阴影、细部（图 案）、以及结构（纹理）等； l解译标志是以遥感图像的形式传递的揭示标志； ?揭示标志定义：在目视观察时借以将物体彼此分开的被感知 对象的典型特征。 l揭示标志包括：形状、尺寸、细部、光谱辐射特性、物体的阴 影、位置、相互关系和人类活动的痕迹； l揭示标志的等级决定于物体的性质、他们的相对位置及与周围 环境的相互作用等；
第五章遥感图像特征和解译标志 5.1 解译标志的定义和分类 n解译标志和揭示标志的关系： ?解译标志是以遥感图像的形式传递的揭示标志； ?虽然我们是通过遥感图像识别地物目标的，但是大多数情况 下，基于遥感图像识别地物并作出决定时，似乎并不是利用解 译标志，而是利用揭示标志。 例如，很多解译人员刚看到图像就差不多在脑海中形成地物的形象， 然后仅仅分析这个形象就能作出一定的决定。实际上，有经验的解译人 员，在研究图像的解译标志并估计到传递信息的传感系统的影响以后， 思想中就建立起地物的揭示标志，并在这些标志的基础上识别被感知物 体。解译人员在实地或图像上都没见过的地物或现象是例外。 n解译标志和揭示标志可以按两种方式进行划分：?直接标志和间接标志； ?永久标志和临时标志；
遥感课程教学实验之二： 遥感影像分类 实验二遥感影像的分类遥感影像的监督分类 ?实验目的
理解计算机图像分类的基本原理以及监督分类的过程，学会利用遥感图像处理软ENVI 件对遥感图像进行分类的方法。 ?实验内容 1、遥感图像分类原理。 2、遥感图像监督分类。 3、最大似然法分类 ?实验条件 电脑、ENVI4.5软件。厦门市TM遥感影像。 ?实验步骤 1、启动ENVI软件，从文件菜单打开多波段影像文件，从可用波段列表中装载彩色或假色 影像，显示遥感影像。 2、从主图像窗口的工具Tools →Region of Interest →ROI Tools; 3、在自动打开的ROI Tools窗口中，设定ROI_Type 为“Polygon”（多边形），选定样本采 集的窗口类型，用Zoom（缩放窗口）进行采集。。
4、在选定的窗口如Zoom用鼠标左键画出样本区域，在结束处击鼠标右键二次，样本区域 被红色充填，同时ROI Tools窗口中显示采集样本的信息。采集新的样本点击“New Region”，重新上述步骤进行多个地物样本采集。。 5、从ENVI主菜单中，选 Classification > Supervised > Maximum Likelihood；或在端元 像元采集对话框 Endmember Collection中选择 Algorithm >MaximumLikelihood 进行最大似然法分类。
6、在出现Classification Input File 对话框中，选择输入影像文件，出现 Maximum Likelihood Parameters 对话框。 7、输入常规的分类参数。 设定一个基于似然度的阈值（Set Prpbability Threshold）：如不使用阈值，点击“None” 按钮。要对所有的类别使用同一个阈值，点击“Single Value”按钮，在“Probability Threshold”文本框中，输入一个0 到1 之间的值。似然度小于该值的像元不被分入该类。 要为每一类别设置不同的阈值： ●在类别列表中，点击想要设置不同阈值的类别。 ●点击“Multiple Values”来选择它。 ●点击“Assign Multiple Values”按钮。 ●在出现的对话框中，点击一个类别选中它，然后在对话框底部的文本框中输入阈值。为每 个类别重复该步骤。 最后给定输出结果的保存方式：文件或内存，当影像较大时建设保存到文件中，以免因内存不够而出错运算错误。 点击“OK”计算机开始自动分类运算。 8、在可用波段列表中显示分类图像。 ?实验总结
杭州师范大学《遥感原理与应用》实验报告 题目：遥感图像的监督分类与处理实验姓名：赵文彪 学号： 2014212425 班级：地信141 学院：理学院
1实验目的 运用envi软件对自己家乡的遥感影像经行分类和分类后操作。 2概述 分类方法：监督分类和非监督分类 监督分类——从遥感数据中找到能够代表已知地面覆盖类型的均质样本区域（训练样区），然后用这些已知区域的光谱特征（包括均值、标准差、协方差矩阵和相关矩阵等）来训练分类算法，完成影像剩余部分的地面覆盖制图（将训练样区外的每个像元划分到具有最大相似性的类别中）。 非监督分类——依据一些统计判别准则将具有相似光谱特征的像元组分分为特定的光谱类；然后，再对这些光谱类进行标识并合并成信息类。 光谱特征空间 同名地物点在丌同波段图像中亮度的观测量将构成一个多维的随机向量X，称为光谱特征向量。而这些向量在直角坐标系中分布的情况为光谱特征空间。 同类地物在光谱特征空间中不可能是一个点，而是形成一个相对聚集的点群。丌同地物的点群在特征空间内一般具有不同的分布。 特征点集群的分布情况： 理想情况：至少在一个子空间中可以相互区分 典型情况：任一子空间都有相互重叠，总的特征空间可以区分 一般情况：任一子空间都存在重叠现象 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。在分类乊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凼数迚行训练，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凼数去对其他待分数据迚行分类。使每个像元和训练样本做比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。 3实验步骤 3.1遥感影像图的剪切 用envi打开下载的遥感影像图，剪切出一个地貌信息丰富的区域（因为一景遥感影像太大，分类时间较长，故而采用剪切的方法，剪切一个地貌丰富的遥感影像图。既便于分类也使得分类种数不至于减小的太多） 以下为剪切出来的遥感影像
一.遥感图像的预处理 在遥感图像的应用之前，常常需要对遥感图像进行一些必要的处理，如不同格式的遥感数据的输入输出处理、多波段彩色合成处理、遥感图像的辐射校正处理、几何校正处理、拼接处理、裁切处理等，这些都称为遥感图像的预处理。 1.遥感数据的输入输出和多波段合成 获得遥感数据之后，利用遥感数据之前，首先需要把各种格式的原始遥感数据输入到计算机中，转换为各种遥感图像处理软件能够识别的格式，才能够进行下一步的应用，这就需要对原始数据进行输入输出并转换为所需要的格式。单波段的原始遥感数据合成为多波段的彩色遥感数据，因为人眼对彩色物体的分辨能力大大高于对黑白物体的分辨能力，彩色遥感图像的信息量更大；而且利用多波段的彩色遥感图像，还可以进行三个不同波段的遥感图像的彩色合成，以提高对不同地物的识别能力。彩色遥感影像要求选择不少于3个波段的多光谱图像，各波段的配准误差不大于0.2m m。 2.遥感图像的辐射校正 由于传感器本身的特性和大气、地形因子以及其它各种生态环境因子的影响，使传感器所接收的地物光谱反射信息，不能全部真实地反映图同地物的特征，影响了图像的识别精度，因此必须进行辐射校正，改进图像质量。 辐射校正主要包括三个方面： ●传感器的灵敏度特征引起的辐射误差校正，如光学镜头的 非均匀性引起的边缘减光现象的校正、光电变换系统的灵 敏度特性引起的辐射误差校正等。 ●光照条件的差异引起的辐射误差校正，如太阳的高度角的 不同引起的辐射误差校正、地面的倾斜引起的辐射误差校 正等。 ●大气的散射和吸收引起的辐射误差校正等。 3.图像几何校正 几何校正是指从具有几何畸变的图像中消除畸变的过程，也就是定量地确定图像上像元坐标与地理坐标的对应关系，即把数据投影到平面上，使之符合投影系统的过程。为了将所获取的数据投影到理性的空间平面上产生精确的换算模型，需要借助一组地面控制点来进行几何校正。控制点选择应均匀分布而且在影像图与地形图上都容易确定的同名地物点上。所选点位图像清晰，在地形图及图像上均能正确识别和定位。如农田林网的交叉点，小沟系上道路桥的两端位置，小河流、渠的交叉点，道路交叉点，水库坝上的拐角
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。可以选择其他不同波段的数据进行同上运算，比值结果最大的为最优波段，此次选择结果为3,4,6波段。 2.K-Means法进行非监督分类 1）Classification →Unsupervised →K-Means，点击hbtmref.img →点击Spectral subset →选3,4,6三个波段→OK，回到上级菜单→OK，在Number of classes 中输15即分为15类，Change Iterations中输6，即最大迭化量为6次， Maximum Stdev From Mean中为空，选择保存位置→OK；在原界面中选定 保存结果后New display →Load Band，双击查看Cursor Location/V alue，发 现Data已由原来的坐标形式转换为类码；在K-Means窗口工具栏中点击 Tools →Spatial Pixel Editor →可将类码转换成相应的地物类型，要求进行 大量的野外调查，确定同一类码所代表的地物是什么
envi遥感图像监督分类 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。它就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。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。 遥感影像的监督分类一般包括以下6个步骤，如下图所示： 详细操作步骤 第一步：类别定义/特征判别 根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。
启动ENVI5.1，打开待分类数据：can_tmr.img。以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。 通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。 第二步：样本选择 （1）在图层管理器Layer Manager中，can_tmr.img图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，下面学习利用选择样本。 1）在Region of Interest (ROI) Tool面板上，设置以下参数： ROI Name：林地 ROI Color： 2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择； 3）同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上； 4）这样就为林地选好了训练样本。 注：1、如果要对某个样本进行编辑，可将鼠标移到样本上点击右键，选择Edit record是修改样本，点击Delete record是删除样本。 2、一个样本ROI里面可以包含n个多边形或者其他形状的记录（record）。 3、如果不小心关闭了Region of Interest (ROI) Tool面板，可在图层管理器Layer Manager上的某一类样本（感兴趣区）双击鼠标。 （2）在图像上右键选择New ROI，或者在Region of Interest (ROI) Tool面板上，选择工具。重复"林地"样本选择的方法，分别为草地/灌木、耕地、裸地、沙地、其他5类选择样本； （3）如下图为选好好的样本。
遥感解译方法及应用 一、遥感的概念 近年来,一方面,由于空间科学、信息科学、计算机科学、物理学等科学技术的进步与发展,为遥感技术奠定了必要的技术基础,另一方面,由于人类生产活动不断地向深度和广度进军,遥感技术得到较为广泛的应用,因而使得遥感技术获得了飞跃的发展,已经成为发达国家和一些发展中国家十分重视的一项科学技术. 随着我国工农业生产的高速发展,人类对自然资源,特别是对矿产资源的需求量与日俱增. 因而,调查与管理资源则成为迫切需要解决的问题.其次,人类的生活环境正在不断地遭受到人为和自然的污染.例如：工业排污对水体和大气的污染造成人为的环境污染.而诸如洪水、泥石流、滑坡、森林火灾、火山爆发等自然灾害,则形成灾害性环境,它们都对生命财产造成极大的威胁. 在这种情况下,只有实时监测人为环境污染和自然灾害环境的发生,才能更有效地采取防护和治理措施,以减少对人类的危害程度.欲解决上述问题,完全依赖现场观察已感不足, 于是,由于航空遥感和航天遥感的相继问世便能获得大围的地面遥感图像和实时动态信息,所以,这两种遥感方式则成为自然资源的调查与管理,环境的监测与灾害预报的一种新的探测手段. （一）遥感的概念 遥感顾名思义就是遥远的感知.即借助于专门的探测仪器,把遥远的
物体所辐射（或反射）的电磁波信号接收纪录下来,再经过加工处理,变成人眼可以直接识别的图像,从而揭示出所探测物体的性质及其变化规律.属于空间科学的畴.是物理、计算数学、电子、光学、航空（天）、地学等密切结合的新兴学科,对工农业、国防、自然科学研究具有重大的意义. 1各类地质体的电磁辐射（反射、吸收、发射等）特性及其测试、分析与应用； 2、遥感数据资料的地学信息提取原理与方法； 3、遥感图像的地质解译与编图； 4、遥感技术在地质各个领域的具体应用和实效评估. （二）遥感平台（分类） 指放置遥感器的运载工具.按高度可分为航空和航天平台.在不同高度进行多平台遥感,可获得不同比例尺、分辨率和地面覆盖面积的遥感图像. 1、航空平台：是指在大气层飞行的飞行器,高度为100m—30km,主要有飞机、直升机、飞艇、气球等. 2、航天平台：是指在大气层之外飞行的飞行器,高度为几百—几万公里；如人造地球卫星、探控火箭、宇宙飞船、航天飞机、太空站等. （三）遥感的发展简况 1839年第一黑白航片问世到20世纪30年代,主要应用于军事侦察,1941年出版了《航空照片应用与判读》为各方面应用提供了理论基础进入20世纪50年代,美广泛应用,黑白、彩色航片进行军事、地
实验五：监督分类与非监督分类 一、实验目的 采用监督分类对多光谱遥感图像进行分类，并对分类后的数据进行处理，处理方法包括：聚合（clump）处理、筛选（sieve）处理、并类（combine）处理，以及精度评估。监督法分类需要用户选择作为分类基础的训练样区。分析下面处理的分类结果，或者采用每个分类法默认的分类参数，生成自己的类，然后对分类结果进行比较。我们将使用各种监督分类法，并对它们进行比较，确定单个具体像素是否有资格作为某类的一部分。 二、实验数据与原理 美国科罗拉多州（Colorado）Canon市的Landsat TM 影像数据，其中包括can_tmr.img、can_tmr.hdr、can_km.img、can_km.hdr、can_iso.img、can_iso.hdr、classes.roi、can_pcls.img、can_pcls.hdr 、can_bin.img、can_bin.hdr 、can_sam.img、can_sam.hdr 、can_rul.img 、can_rul.hdr、can_sv.img、can_sv.hdr、can_clmp.img、can_clmp.hdr。 ENVI 提供了多种不同的监督分类法，其中包括了平行六面体（Parallelepiped）、最小距离法（Minimum Distance）、马氏距离法（Mahalanobis Distance）、最大似然法（Maximum Likelihood）、波谱角法（Spectral Angle Mapper）、二值编码法（Binary Encoding）以及神经网络法（Neural Net）。 三、实验过程： 1、打开TM图像，File →Open Image File，选择ljs-can_tmr.img文件，在可用波段列表中，选择RGB Color 单选按钮，然后使用鼠标左键，顺次点击波段4、波段3 和波段2。点击Load RGB 按钮，把该影像加载到一个新的显示窗口中。 2、查看光标值：
遥感图像解译实习指导 遥感图像解译实习的实施步骤 1、组织培训 遥感图像解译是一项认真细致的工作，解译人员必须遵循一定的基本程序与步骤，才能更好地完成解译任务。以土地利用现状调查为例，首先须对学生进行有关土地利用现状调查、土地利用分类及分类系统、遥感图像处理和图像解译、数字化与数据处理以及外业调绘要求和调查表的填写等培训，使其明确解译任务，并熟练地掌握土地利用类型解译和更新调查的每个步骤的要求，为组织落实实习的各项工作环节打好基础。 2、工作准备 ⑴数据准备 搜集与分析有关资料、选择合适波段与恰当时相的遥感图像。不同的遥感图像可满足不同土地利用分类精度的要求。从宏观角度出发，使用TM数据进行的耕地调查，基本上可以满足国家级要求。而在主要农业区进行耕地调查时，最好使用SPOT遥感图像。对于重要的经济地区，有特殊要求时，也可以根据具体情况，采用全色小比例尺航空遥感图像和TM多光谱数据或者高分辨率全色波段图像和次低多光谱图像相融合的方式，可以取得理想的效果。具体包括：收集近期各种类型卫星遥感图像、详查原始像片与土地利用现状图、新增建设用地报批资料、耕地后备资源调查资料、土地开发整理补充调查和潜力调查资料、“城中村”调查资料以及各类文字统计资料等。对遥感图像数据进行几何纠正与配准，制作正射图像图。 ⑵技术路线 应用遥感技术进行土地利用现状调查，常用的方法有图像－图像对比解译、矢量底图－图像对比解译、图像叠加分析法、多时相直接分类法等。各种方法各有优缺点，在实际工作中应根据各地特点进行选择，往往综合运用多种方法，才能精确解译，达到土地利用现状调查的目的。 3、初步解译与样区的野外考察 初步解译的主要任务是到实习的区域进行野外考察，掌握解译区域特点，确立典型解译样区，建立目视解译标志，探索解译方法，为全面解译奠定基础。 4、室内解译 初步解译与样区的野外考察，奠定了室内解译的基础。建立遥感图像解译标志后，就可
实验遥感图像监督分类 实验目的： 通过实习操作，掌握遥感图像监督分类的基本方法和步骤，深刻理解遥感图像监督分类的意义。 实验内容： 监督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。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的象元建立模板，然后基于该模板使计算机自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复建立一个比较准确的模板，并在此基础上最终进行分类。 实验步骤： 第一步：定义分类模板 ERDAS IMAGINE 的监督分类是基于分类模板来进行的，而分类模板的生成、管理、评价和编辑等功能是由分类模板编辑器来负责的。 在分类模板编辑器中生成分类模板的基础是原图像和（或）其特征空间图像。因此，显示这两种图像的窗口也是进行监督分类的重要组件 1、显示需要分类的图像 在窗口中显示图像germtm.img。 具体步骤是单击ERDAS面板中的Viewer图标，打开一个窗口View#1，然后执行File/Open/Raster Layer，打开Select Layer to Add对话框，在对话框中找到germtm.img，在Select Layer to Add对话框点击Raster Options选项卡，设置Red 值为4,Green值为5，Blue值为3，选中Fit to Frame（图5－1）。
图5－1 设置图像显示参数 点击OK，打开图像（图5－2）。 图5－2 打开图像 2、打开分类模板编辑器 两种方式可以打开分类面板编辑器：（1）在ERDAS图标面板中单击Main/Image Classfication/Classfication/Signature Editor命令，打开Signature Editor 窗口（图5－3）;（2）在ERDAS图标面板工具条，单击Classifier图标/Classfication/Signature Editor命令，打开Signature Editor窗口（图5－3）。
精心整理 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、 四、 五、 1. 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。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。
由于该地区为山西省北部，地物相对单一，故分为以下几类：裸地、草地、灌木林、农田、水体、人类活动区、云层，阴影。 1.3选择分类方法进行分类 1）主菜单中，选择Classification>Supervised，在对应的选项菜单中选择分类方法，对影像进行分类。 以最小距离法（Minimum Distance）为例进行说明。选择Minimum Distance选项，出现Classification Input File对话框，在该对话框中选择待分类图像。 2）在出现的Minimum Distance Parameters对话框中，select Ttems选择训练样本，定义相关参数，选择 点击 2. 1 2 3. 。 1 选择Mode :polygon delete from class将错误点剔除。 2）主菜单classification->Post classification->sieve classes打开sieve parameters对话框，选择训练样本，及最小剔除像素，选择输出位置，完成操作。图为采用八联通域将像素小于5的点删除。 3.3混淆矩阵精度验证 1）选取验证样本，与监督分类操作类似，选择不同的感兴趣区域，保存ROI,作为选择训练样本。 2）进行精度验证，主菜单classification->Post classification->Using Ground Truth ROI，选择分类图像。
遥感图像解译课程设计 —“遥感专题信息提取与专题图制作”设计报告 学院： 班级： 学号： 姓名： 日期： 指导老师：
遥感专题信息提取和专题图制作 一、课程设计目的和意义： 本次实习目的是加深理解和巩固《遥感原理与应用》课上的的有关理论知识，遥感的基本原理、遥感图像的处理方法、专题信息提取以及遥感综合应用技术；锻炼我们熟练运用envi，erdas等遥感软件独立分析问题、解决具体问题的实际工作能力； 本次实习的意义在于通过使用遥感软件独立解决问题，培养良好的工作习惯和科学素养，为今后参加科学研究工作以及毕业设计打下良好的基础。 二、课程设计原理和方法： 从卫星上获取的遥感图像一般不能直接使用，需要通过图像处理软件进行一系列的加工处理，最后进行地物分类，提取出专题信息，才能够制成各种专题地图。 使用遥感处理软件ERDAS对得到的图像进行TIFF到IMG的格式转换、波段叠加、几何纠正、影像镶嵌、基于HIS变换的图像融合、图像裁剪、图像分类、专题信息提取和最后的专题图制作等操作，具体原理如下： （1）格式转换与波段叠加 ERDAS默认的文件格式是*.img格式，因此先要将获得tif格式的遥感影像转换为img格式影像。 多波段影像包含的信息量较大，为了便于后续处理，要将多个单波段影像叠加合成多波段影像。 参考影像具有地理信息，要将参考影像头文件信息添加进去。 （2）TM影像几何纠正 遥感所获取的数据，均存在几何畸变。因此需要对图像进行几何纠正。 多项式校正法是实践中经常使用的一种方法，对各种类型传感器的纠正均适用。在实习过程中，采用了二次多项式法进行几何纠正，该法可以改正图像因平移、旋转、比例尺变化、仿射变化等线性变形与扭曲等二次非线性变形 （3）图像镶嵌 因研究范围的要求，需要在几何上将左右两幅图像连接在一起，并且保证拼接后的图像反差一致，色调相近，没有明显的接缝。 遥感影像在镶嵌之前，必须包含投影信息、地理坐标信息，还要有相同的波段数。当然，在挑选遥感数据时，要尽可能选择成像时间和成像条件相近的遥感图像，要求相邻影像的色调一致。 （4）图像融合 通过增强处理突出图像的有用信息，使图像中感兴趣的特征得以强调，便于提高遥感图像的可解译性。基于IHS变换的图像融合使融合的图像既有TM图像的光谱信息，又有SPOT影像高分辨率的特点。
北京揽宇方圆信息技术有限公司 遥感图像解译方法 遥感图像解译分为两种:一种是目视解译，它指专业人员直接观察或借助辅助判读仪器在遥感图像上获取特定目标地物信息的过程。另一种是遥感图像计算机解译，它以计算机系统为支撑环境，利用模式识别技术和人工智能技术相结合，根据遥感图像中目标地物的各种影像特征(颜色、形状、纹理与空间位置)，结合专家知识库中目标地物的解译经验和成像规律等知识进行分析和推理，实现对遥感图像的理解，完成对遥感图像的解译。其中计算机解译通常又可分为基十像元的遥感目标识别和面向对象的遥感目标识别两种。 北京揽宇方圆信息技术有限公司是国内的领先遥感卫星数据机构，而且是整合全球的遥感卫星数据资源，分发不同性能、技术应用上可以互补的多种卫星影像，包括光学、雷达卫星影像、历史遥感影像等各种卫星数据服务，各种专业应用目的的图像处理、解译、顾问服务以及基于卫星影像的各种解决方案等。遥感卫星影像数据贯穿中国1960年至今的所有卫星影像数据，是中国遥感卫星数据资源最多的专业遥感卫星数据服务机构，提供多尺度、多分辨率、全覆盖的遥感卫星影像数据服务，最大限度的保证了遥感影像数据获取的及时性和完整性。
优势： 1：北京揽宇方圆国内老牌卫星数据公司，经营时间久，行业口碑相传，1800个行业用户选择的实力见证。 2：北京揽宇方圆遥感数据购买专人数据查询一对一服务，数据查询网址是卫星公司网。 3：北京揽宇方圆拥有大型正版遥感处理软件，遥感数据处理工程师有10年以上遥感处理工作经验，并有国家大型项目工作经验自主卫星数据处理软件著作权，最大限度保持遥感卫星影像处理的真实度。 4：北京揽宇方圆国家高新技术企业，通过ISO900认证的国际质量管理操作体系，无论是遥感卫星品质和遥感数据处理质量，都能得到保障。 5：影像数据官方渠道：所有的卫星数据都是卫星公司授权的原始数据，全球公众数据查询网址公开查询，影像数据质量一目了然，数据反应客观公正实事求是，数据处理技术团队国标规范操作，提供的是行业优质的专业化服务。 6：签定正规合同：影像数据服务付款前，买卖双方须签订服务合同，提供合同相应的正规发票，发票国家税网可以详细查询，有增值税普通发票和增值税专用发票两种发票类型可供选择。以最有效的法律手段来保障您的权益。 7：对公帐号转款：合同约定的对公帐号，与合同主体名发票上面的帐号名称一致，是由工商行政管理部门核准的公司银行账户，所有交易记录均能查询，保障资金安全。 8：售后服务：完善的售后服务体制，全国热线，登陆官网客服服务同步。 北京揽宇方圆信息技术有限公司
实验五遥感图像的非监督分类 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。 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。可以选择其他不同波段的数据进行同上运算，比值结果最大的为最优波段，此次选择结果为3,4,6波段。 2.K-Means法进行非监督分类 1）Classification →Unsupervised →K-Means，点击hbtmref.img →点击Spectral subset →选3,4,6三个波段→OK，回到上级菜单→OK，在Number of classes中输15即分为15类，Change Iterations中输6，即最大迭化量为6次，Maximum Stdev From Mean中为空，选择保存位置→OK；在原界面中选定保存结果后New display →Load Band，双击查看Cursor Location/Value，发现Data已由原来的坐标形式转换为类码；在K-Means窗口工具栏中点击Tools →Spatial Pixel Editor →可将类码转换成相应的地物类型，要求进行大量的野外调查，确定同一类码所代表的地物是什么 2）合并类的操作：Classification →Post classification →Combine classes →K-Means →OK； 在Select Input Class中选Class 8，Select Output Class中选Class 10（即把第8类和第10类合并）→点Add combination →OK →Memory →OK；在原界面中选择保存结果→New Display →Load Band；在Load 后的Display中点击Tools →Link →Geographic link，则Display（当前）和Display #2（前一个）变为on，表示2者合并→OK，可查看变化结果。
监督分类技术在高分辨率卫星影像中的应用 随着社会对影像数据需求的逐渐增大,要求的提高,遥感影像的分类精度高低变得非常重要。遥感影像的分类方法按照是否有先验类别可以分为监督分类和非监督分类,这两种分类法有着本质的区别但也存在一定的联系。本文从分类原理、分类过程、分类方法等不同角度分析了这两种方法的区别与联系,并展望了遥感影像分类的发展趋势与发展前景。 关键词：影像分类；监督分类；非监督分类 随着卫星遥感技术的发展，通过遥感获得的地理信息越来越多，遥感影像成为地理信息系统非常重要的信息源。对卫星图像分类就是利用计算机给予图像像元的光谱值，按照一定的规则，将像元归并成有限的几种类型、等级或数据集的过程(这一过程也叫做图像分割).或者说，图像分类就是从原始数据中提取各种信息，分类结果可以与地物特征相联系。比如土地覆盖类型图，就是分类的结果，它可以显示出植被、水系等信息。传统的分类数据主要是Spot、TM、MSS之类的卫星影像，地面分辨率较低。 遥感影像的监督分类和非监督分类方法，是影像分类的最基本、最概括的两种方法。传统的监督分类和非监督分类方法虽然各有优势,但是也都存在一定的不足。新方法、新理论、新技术的引入，为遥感影像分类提供了广阔的前景,监督分类与非监督分类的混合使用更是大大的提高了分类的精度。计算机技术对影像分类的促进与发展.计算机技术的引进,解决了影像分类中海量数据的计算与管理问题；计算机技术支持下的GIS用来辅助影像分类，主要通过四种模式进行[12]:GIS数据作为影像分析的训练样本和先验信息;利用GIS技术对研究区域场景和影像分层分析;GIS建立面向对象的影像分类;提取和挖掘GIS中的知识进行专家分析.这些模式促进了GIS与遥感的结合,提高了影像分类精确性和准确性,使得影像分类迈入了新的天地.数学方法的引入和模型研究的进展为影像分类注入了新的活力.不同的数学方法被引用到模型研究上来,为模型研究的发展提供了广阔的天地,相应地,在遥感影像分类中也产生了大量不同形式的分类模型.如径向基函数(RBF)与粗糙理论结合的基于粗糙理论的RBF网络模型应用于遥感分类[5],对于提供分类精度、增加收敛性都有很好的作用;而基于RBF映射理论的神经网络模型更是融合了参数化统计分布模型和非参数化线性感知器映射模型的优点,不仅学习速度快,而且有高度复杂的映射能力[6].又如模糊数学理论应用于影像分类产生模糊聚类,对影像中混合像元的分类有很好的效果;模糊理论与各种模型结合,更使得影像分类方法的不断完善,分类精度不断提高.人工智能技术对影像分类的促进.专家分类系统被用于影像分类中,利用地学知识和专家系统来辅助遥感影像分类[12],大大提高了影像分类和信息提取的精度.人工神经网络由大量神经元相互连接构成网络结构,通过模拟人脑神经系统的结构和功能应用于影像分类,具有一定的智能推理能力.同时,它还引入了动量法和学习自适率调整的策略,并与地学知识集成,很好的解决了专一的BP神经网络法分类的缺点和不足,提高了分类效率和分类精度.监督分类与非监督分类的结合.由于遥感数据的数据量大、类别多以及同物异谱和同谱异物现象的存在,用单一的分类方法对影像进行分类其精确度往往不能满足应用目的要求.用监督分类与非监督分类相结合的方法来对影像进行分类,却常常可以到达需要的目的.利用这种方法分类时首先用监督分类法如多层神经网络的BP算法将遥感图像概略地划分为几个大类,再用非监督分类法如K-Means聚类和ISODATA聚类对第一步已分出的各个大类进行细分,直到满足要求为止[13].监督分类与非监督分类的结合的复合分类方法,改变了传统的单一的分类方法对影像进行分类的弊端,弥补了其不足,为影像分类开辟了广阔的前景. 常规的图像分类主要有两种方法:监督分类和非监督分类： 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