LANDSAT 影像多种分类方法比较研究
09级林学一班学号：20090055 姓名：宋良良
【摘要】：构建了一种结合光谱特征和纹理特征的多光谱影像决策树分类方法。以Landsat-7影像作为试验数据,通过分析Landsat-7影像的光谱特征值及NDVI、NDWI和NDBI特征值,确定各类地物的综合阈值,同时运用灰度共生矩阵对影像进行纹理信息提取,得到对比度、熵、逆差矩和相关性等纹理特征图像。在此基础上,运用决策树分类法对Landsat-7影像进行分类。结果表明,结合光谱特征和纹理特征的决策树分类方法,相比传统的最大似然法和决策树法,具有更高的分类精度。
【关键词】：多光谱影像决策树分类纹理特征光谱特征神经网络算法最大似然法
Abstract: It studies the area forest type using the remote sensing phantom to carry on the computer classification, the over all precision is not generally high. Also, many woodlands class of the producer precision and the user precision are quite low with the type and the examination sample having the biggest deviation. In four taxonomic approaches, the precision is highest, and the overall precision achieves the 57.13% Kappa coefficient 0. 5208.
Key word: The remote sensing, image classification, supervised classification, unsupervised classification, artificial neural net work.
1.遥感技术以及遥感影像发展背景
1.1 选题背景
我们知道，随着社会经济的快速发展，人们的生活需求与资源环境的矛盾越来越突出，遥感技术(RS) 作为一种准确、客观、及时获取地球表面宏观信息的手段，在城市规划建设、土地利用监测、农业、林业以及自然灾害预报等方面越来越得到广泛的重视和应用。另外由于航空航天遥感以及计算机技术的迅猛发展，应用于遥感的传感器分辨率越来越高，获取的遥感影像质量也越来越好。特别是SPOT、IKONOS、QUICKBIRD等高分辨率遥感卫星影像的出现更为后期遥感影像的分析和应用带来了更好的数据源和更广大深入的应用前景。要更好地利用遥感影像进行资源调查和动态监测就必须利用各种方法对获取的高分辨率遥感影像进行融合、分类等处理，以提取并区分各种地物地貌信息，同时对分类结果加以统计分析以满足不同的需要。当今，进行遥感影像分类处理的方法很多如常用的监督分类法、非监督分类法、最大似然法以及人工神经元网络、小波变换等方法。他们进行遥感影像分类主要是利用这一基本原理即：不同的地物在同一波段影像上表现的亮度互不相同，同时不同地物在各个波段影像上亮度呈现的规律也不同，也就是说遥感影像上的地物光谱特征通常是以地物在多光谱影像上的亮度体现出来的。这一点构成了区分不同影像地物的依据。但是我们很多的影像分类技术与算法更多地着重于遥感影像上像元亮度或光谱信息的本身而没有综合考虑影像地物之间的特征相关性如植被和土壤的关系、土壤与水分的关系；也没有考虑到地形起伏或地物高度变化的影响因素；更没有将一幅遥感影像而非像素来作为一个对象进行面向对象的综合分析如纹理、形状、特征继承相关等特殊要素。
1.2 国内外研究综述
遥感科学与技术是在二十世纪由空间科学、电子科学、地球科学、计算机科学以及其他边缘学科交叉渗透、相互融合的基础上发展起来的一门新型地球空间信息科学。它利用非接触传感器使人们能离开地球来获取有关地球的时空信息,不仅着眼于解决传统目标的几何定位,更为重要的是对利用外层空间传感器获取的影像和非影像信息进行语义和非语义解译,提取客观世界中各种目标对象的物理特征和信息,从而为人们认识自然和改造自然提供科学的技术和方法,为国家和部门的重大决策和社会可持续发展提供科学依据和决策保障。由于它的科学性、技术性、应用性、服务性以及所涉及的广泛科学技术领域,因此,它的应用已深入到经济建设、社会发展、国家安全和人民生活等各个方面。我国已具有研制与生产各种对地观测卫星、各类遥感仪器与空间信息处理设备的能力,许多设备达到国际先进水平,多层次遥感数据获取、数据分析与处理、遥感数据综合应用的能力已基本形成。我国在发射极轨气象卫星“风云一号A”、“风云一号B”、“风云一号C”和地球同步气象卫星“风云
二号A”、“风云二号B”的基础上,于2002年5月发射了第四颗极轨气象卫星“风云一号D”。空间遥感已成为重要的技术手段，为国土资源管理作出了贡献。可以预测今后的 15到 20年里，将有更多的不同类型的对地观测卫星发射，组成星座或星群，形成全天候、多角度、高分辨率、高光谱及日覆盖的卫星遥感观测系统，人类将实时开展空间对地观测，进行地球资源的调查、监测与研究工作。内容涉及国土资源的规划、管理、保护和合理利用的各个方面，如地质填图、矿产资源评价、土地利用调查、地质灾害监测与预警、数字国土建设、大型工程项目选线选址、地下水寻找等方面。近年来，随着高分辨率遥感数据的提供、遥感软硬件技术水平提升和与 GIS技术的融合衔接，遥感的应用领域不断拓宽，深度不断加大，许多成果产生了巨大的社会经济效益。利用遥感数据，完成了西南岩溶石山地区 1∶50万碳酸盐岩分布图，按岩溶地貌类型进行遥感解译，编制了全区 1∶50万岩溶地貌图，建立了西南岩溶石山地区石漠化遥感空间数据库。西安地质矿产研究所在充分收集资料的基础上，运用常规的地质调查方法和遥感信息技术开展了“三北”地区荒漠化现状与发展趋势、成因类型及其产生的环境地质背景的综合调查，初步建立了“三北”地区荒漠化环境地质调查评价空间数据库和信息管理系统，为进一步开展荒漠化地质调查、防治和科学普及提供了大量的基础数据和信息平台。
1.3国外研究现状
自从第二次世界大战后，随着运载工具、传感器感光材料的进步和电子计算机的发展应用，航空摄影遥感被广泛应用于各民部门，而且比较成熟，取得了无法计量的社会经济效益。自从1972年美国地球资源卫星发射以来，以及陆续发射的极轨卫星和同步气象卫星后，界各国十分重视卫星遥感技术的应用，目前已经,有一百五十多个国家在不同程度上利用卫星遥感数据，在地质探矿、石油勘察、农作物长势、作物估产、病虫害监测、森林调查、洪水监测、土地利用、地图测绘、海洋、水文、地震和环境等方面都大量应用遥感技术。美国通过陆地卫星计划, 每年可获得经济效益约14亿美元. 他们利用地球资源卫星及气象卫星等数据, 对全世界小麦
进行估产，准确率已达90%以上, 这对美国农业生产指导和对外出售小麦价格的确定起着重大作用。现在美国正在进行全球主要农作物调查的计划。美国利用气象卫星遥感资料作出的可靠天气预报，每年可避免损失约20亿美元。英国1976年利用遥感技术仅用四个人，工作了九个月，就完成了全国的土地类型的划分工作，分出五大类, 三十一个亚类，并达到了每5公顷大的地块都有统计数字的精度.菲律宾从1958 年以前就开始森林调查，九年时间才完成全部工作的十分之，1997年引进遥感技术，利用30多幅卫星象片，只用四个月时间就把全国森林划分为五种类型，并完成了绘制成图的任务。印度尼西亚苏门答腊，通过陆地卫星图象得知最近20年内森林面积减少了25%，对印尼政策起了决定作用。
2.遥感影像分类方法
2.1 遥感影像分类概述
通常, 遥感影像分类主要是基于光谱特征和纹理两种特征, 其中前者在遥感应用处理中最为常用, 是分类的主要基础。在对影像进行分类之前, 影像不具有任何属性信息, 而对遥感影像分类的目的就是要区分不同地物分布。剥离了地物本身的属性, 分类就不具有任何意义了。GIS数据用于遥感图像可分为基于知识的辅助分类和基于数据的辅助分类。介绍如何把知识引入分类中使其依据更为丰富可靠, 并向高精度、高智能化的方向发展。本文主要介绍如何将数据与知识综合辅助遥感影像的分类, 从而达到高精度、高效率的目的。遥感影像分类可分为监督分类和非监督分类，监督分类方法包括：最大似然法、最小距离法、人工神经网络分类法、平行六面体法、马氏距离法、波谱角法、二值编码法。非监督分类方法包括：K-均值算法、ISODATA算法、初始分类、专题判断、分类后处理、色彩重定义。
2.2.1 监督分类
监督分类优缺点：
优点：可根据应用目的和区域，有选择地决定分类类别，避免出现一些不必要的类别；
可控制训练样本的选择；
可通过检查训练样本来决定训练样本是否被精确分类，从而避免分类中的严重错误；
避免非监督分类中对光谱集群组的重新归类。
缺点：分类系统的确定、训练样本的选择，均人为主观因素较强。
2.2.1.1 监督分类的主要过程
所谓监督分类是指由用户在计算机屏幕上用鼠标画出典型类别的图斑，比如用户要对图像分出5种类别的地物，则用户分别画出这5类地物对应的图斑，每类图斑数目不限定为1个，可以多个，不同类别的图斑数目也不必一定相等。画出每类地物对应的图斑时，也可以不完全沿着图斑的边界，只要在图斑内勾划出一个闭合区域即可。系统要求用户对各类地物给出一个编码。这个过程叫做对计算机“训练”，用户画出的各类图斑叫做训练区或训练样本。训练完毕，计算机系统分析每类训练样本图斑内像元灰度向量的特点，用统计学的方法对图像整体进行自动分类。这种用户参与监督指导下的分类称作监督分类。当然，用户给出的每类图斑的数目越多，图斑划定越准确，分类效果就越好。一般说来，图斑类别不要太多，通常在8类以下。监督分类通常按以下步骤进行操作：
（1）制定分类方案：从应用需求出发，确定要将遥感影像分成哪些类别；
（2）选取训练样本：为每个类别选取训练样本。本质上说，每个类别就是由它们的训练样本来定义的。因此，训练样本的准确度和全面性将直接影响后续的分类精度。训练样本的获取手段既可以是同步的实地调查，也可以在相同时期的地图、高分辨率的影像（如航空像片）或者其他信息源的辅助下从影像中直接选取；
（3）特征选取：选取适当的分类特征，使各类的训练样本之间的可分性尽可能高；
（4）训练分类器：选取适当的分类算法，并根据基于训练样本的学习来确定分类算法中的未知参数的取值，该步骤与上一步骤常常合并进行，因为不同分类器就有不同的特征选取方法；
（5）影像分类：用分类器确定影像中的所有像元的类别；
（6）精度评价：估计整个影像的分类精度。
2.2.1.2 最大似然法：一个比较成熟的参数估计的统计学方法，在系统发生树重建方法中属于一类完全基于统计学构树的代表，该方法明确地使用核苷酸替换的概率模型，在每组序列比对中考虑了每个概率，寻找能够以较高概率产生观察数据的系统发生树。
（连续分布）或概率聚集函数（离散分布给定一个概率分布D，假定其概率密度函数）为fD，以及一个分布参数θ，我们可以从这个分布中抽出一个具有n 个值的采样x1、x2……xn，通过利用fD，我们就能计算出其概率：
从这个分布中抽出一个具有n个值的采样X1,X2,...,Xn，然后用这些采样数据来估计θ.
选择一种方法进行监督分类
从ENVI主菜单中，选择Classification－>Supervised－>[method]。
例，最大似然法:假定每个波段中每类的统计都呈正态分布，并将计算出给定像元属于特定类别的概率。除非选择一个概率阈值，否则所以像元都将参与分类。每一个像元都被归到概率最大的那一类里（也就是最大似然）。
若需要，在Probability Threshold” 文本框里，键入一个阈值（0~1）。选项参数被用来控制像元准确分类的可能性。如果像元的可能性低于所有类的阈值，则它被归为“无类别”。
规则图像是中间结果图像，它在分类最终完成以前，就能显示分类结果。例如，用于最大似然分类的规则图像将是图像本身的几率；分类中每一个输入的ROI 都有一个中间图像。最终的分类图像将有最大几率的规则结果（以像元到像元（pixel-by-pixel）为基础），作为像元值只包含最大可能的ROI 数。可能值本身只保留在规则图像中，而不在分类后的图像中。
以下是分类的结果
:
2.2.1.3 最小距离法
最小距离分类，是指求出未知类别向量到要识别各类别代表向量中心点的距离，将未知类别向量归属于距离最小一类的一种图像分类方法。
最小距离分类是按照模式与各类代表样本的距离进行模式分类的一种统计识别方法。在这种方法中，被识别模式与所属模式类别样本的距离最小。假定c 个类别代表模式的特征向量用R1,…,Rc表示,x是被识别模式的特征向量，|x-Ri|是x与Ri(i＝1,2,…,c)之间的距离，如果|x-Ri|最小，则把x
分为第i类。
在更复杂的情况下可以用各类的代表样本集合，而不仅仅是用一个样本作为最小距离分类的基础(见近邻法分类)。进行最小距离分类首先要为每个类别确定它的代表模式的特征向量，这是用这种方法进行分类效果好坏的关键。各类代表特征向量可以根据所研究对象的物理、化学、生物等方面的机理来确定，常用的方法是收集各类样本，用各类样本特征向量的平均向量作为各类代表模式的特征向量。其次要选择一种确定的距离度量以计算被识别模式与各类代表模式特征向量之间的距离。常用的距离有欧几里得距离、绝对值距离等。
2.2.1.4 人工神经网络分类法
人工神经网络是近年来发展起来的十分热门的交叉学科, 它涉及生物、电子、计算机、数学和物理等学科, 具有非常广泛的应用背景。人工神经网络是从模拟人脑神经系统的结构和功能出发而构造的一种数学模型和物理系统, 它由很多简单的处理单元有机地联结起来, 每个处理单元相当于人脑的一个神经细胞, 称其为人工神经元。其工作方式与神经细胞的工作方式十分相似。如图1 所示,图中x1,x2， x n 表示神经元的输入( 也是其它神经元的输出) , w1 w n 表示与其他神经元的联接系数, 称为权( weights) , i 为阈值, u i 为神经元的状态, y i 表示神经元的输出。每个神经元满足:
N i = n
J= 1
w j x j - i
u i= F ( N i )
y i = f ( u i )
人工神经网络能够并行处理, 运算速度非常快, 具有很强的联想、思维推理、判断和记忆的功能。正是由于人工神经网络具有与人脑相似的这些特点, 在模式识别和图像处理领域中得到了十分广泛的应用。由于遥感图像数据具有多传感器、多平台、多时相、多光谱和多分辨率的海量数据的特点, 遥感图像类成为图像分析与处理中一个复杂的分支。长久以来, 以高斯概率分布函数为基础的最大似然法分类, 一直被认为是遥。感图像分类处理的最佳方法。随着人工神经网络系统理论尤其是专家系统的发展, 神经网络技术日益成为遥感图像分类处理的有效手段, 并有逐步取代最大似然法的趋势。
2.2.2非监督分类
在图像也称为聚类分析或点群分析中搜寻、定义其自然相似光谱集群组的过程。其完全按照像元的光谱特征进行统计分类，常常用于对分类区没有太多了解情况下。这种方法人为干预较少，自动化程度较高。该种分类方法的前提是假定遥感影像上同类物体在同样条件下具有相同的光谱信息特征。
2.2.2.1
K-均值算法：通过迭代，逐次移动各类的中心，直到最好的聚类结果为止。该法使用了聚类分析方法，它需要分析员在数据中选定所需的分类个数，随机地查找聚类簇的中心位置，然后迭代地重新配置它们，直到达到最优化的波谱分类。
迭代：不断重复分类过程,并且重新计算统计值
2.2.2.2
ISODA TA算法(Iterative Self-Organizing Data Analysis Techniques Algorithm)亦称迭代自织组数据分析算法，基于最小光谱距离公式，完全按照像元的光谱特性进行统计分类。自组织：最少的用户输入即可进行类型的确定。
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；用最小光谱距离把每一候选象元赋予一个类别；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。这样不断重复运算，直到最大的循环次数已达到设定阈值或者两次聚类结果相比达到了最大类别的像元百分比已经不再发生变化。一般ISODA TA需要分析者定义例如最大的集群组数量，最小的集群均值间距离等参数。在实际应用中，经过此算法所得到的图,分析者还要开展进一步的分类合并以及分类后处理等工作(分类的后续工作,不管采用哪种方法都应该进行)。
从ENVI主菜单中，选择Classification－>Unsupervised－>K-Means或者ISOData，生成非监督分类后的影像。使用所有默认值设置。在image窗口中的ToolS中的color mapping里的class color mapping中我们可以修改类的属性值(类的名字和颜色)。
2.2.2.3：利用特征相关属性进行分类
在面向对象的分类过程中主要使用的分类特征相关属性有继承属性、分组属性、先验知识判断及地物特征相关等属性。所谓继承属性是指父对象把它们的属性传递给子对象。在父对象中的变化无需在每一个子对象中重做，因为子对象自动继承了这些变化。例如：：父类“水体”可用光谱平均值来描述。它把它的类型描述传递给子类“河流”和“湖泊”。“河流”和“湖泊”这两个不同的子类就继承包含了水体相同的类型描述。分组属性是指用分类中用不同语义来定义不同的类别。它允许非常不同的类型分组为一个具有通常语义的更高的类。例如：类型“城市林地”、“城市不透水表面”和“城市绿地”在继承层次中是不同类型“森林”、“不透水表面”和“草地”的子类，从这些类型中继承了它们的类型描述的一部分。然而，在分组层次中它们是同一个父类“城市”的子类，“城市林地”、“城市不透水表面”和“城市绿地”成为同一个高层语义类型的一部分。先验知识判断指的是在分类中可以加入专家或常识性知识辅助分类。例如，我们发现影像上的在城区建筑物包围中有一大片形状不规则的绿地，我们依据常识可以判断其可能为公园；由影像上的水域的长度和宽度我们可以很容易区分湖泊和河流；另外根据林地的稀疏（类间距离）可以区分不同类型的树种。地物特征相关属性是指在分类中充分利用对象特征如图层值、颜色、纹理、形状、面积、专题属性、长度、亮度、标准值、方差等等我们能想到的全部特征进行综合判决。不同的组合可以实现不同的分类要求。
下图即为面向对象分类的实验效果：
3. 总结与展望：
从上文可以看出，遥感影像的分类方法多种多样，每种分类方法都有特定的依据，每种方法都有各自的优点与缺点，在使用过程中可以根据实际的需要选择合适的影像分类方法解决处理遥感影像问题。在使用基于光谱信息及相关监测模型综合分类方法对一幅遥感影像进行分类时我们更多关注的是影像中地物在不同环境或不同时间条件下的光谱特性而不仅仅是关注影像本身所包含的光谱信息，而且通过这种分类还可以为下一次的分类建立更准确的相关监测辅助分类的模型。人工神经网络分类技术日益取代最大似然法而成为图像匪类处理的有效手段。对于利用高程信息辅助分类技术进行遥感影像分类在当前还是有一定的局限性，只是在植被或不同高度的建筑物分类中比较有效，同时应辅助纹理等信息。不过这种分类技术使我们的视野把影像从二维转换到三维，可以为三维建模提供参考。总之，要想在实际生产中得到更好的应用必须做更多的实验分析和研究，积累更多的分类判决知识。随着遥感影像分辨率越来越高，获取的光谱信息越来越丰富，影像分类方法技术也会越来越多，高分辨率遥感影像将人们生产生活中得到更广泛更深入的应用。
参考文献：
[1] 李德仁.周月琴、金为铣.影像信息处理学.武汉：武汉大学出版社,1996.
[2] 宣家斌.航空与航天摄影技术.武汉：测绘出版社，1991.
[3] 李德仁.摄影测量与遥感概论.北京: 测绘出版社，2001.
[4] 孙家柄,舒宁,关泽群. 《遥感原理、方法和应用》. 北京：测绘出版社,1997.
[5] 李德仁.空间信息学及其应用.武汉: 武汉测绘科技大学出版社，1998.
[6] 张永生，巩丹超.高分辨率遥感卫星应用-成像模型、处理算法及应用技术.北京: 科学出版社，
2004
[7] 宋晓宇.高分辨率卫星影像在城市建筑识别中的应用.北京: 遥感信息，2002
[8] 林辉，童显德.遥感技术在我国林业中的应用与展望.北京: 遥感信息，2002
[9] 《Corgnition培训教材》.北京现代天目影像技术有限公司,2004年8月.
[10] Ricotta C. Evaluating the Classification Accuracy of Fuzzy Thematic Maps with a Simple
Paramet rich Measure [J]. International Journal of Remote Sensing, 2004, 25 (11): 2 16922
176
[11] 刘旭升等. 基于BP 神经网络的森林植被遥感分类研究[ J] . 林业资源管理, 2005, ( 1) : 52-
54
. [12] PAOLA J D, SCHOW ENGER R A. A Detailed Comparison of Back propagation Neural Network and Maximum- likelihood Classifiers for U ran L and U se Classification [J]. IEEE Tran son Geo science and Remote sensing, 1995, 33(4): 981- 996.
[13] Dawson M, et al. Neural Networks and their Applications to Parameter Retrieval and Classification. News latter IEEE Remote Sensing Society, 1993, 6- 14.
[14]张立明. 人工神经网络的模型及其应用[M] . 上海: 复旦大学出版社, 1993.
[15] 袁曾任. 人工神经元网络及其应用[M] 北京: 清华大学出版社, 1999.
[16] 章孝灿等. 遥感数字图像处理[M] . 杭州: 浙江大学出版社, 2003.
[17] 刘旭升等. 基于BP 神经网络的森林植被遥感分类研究[ J] . 林业资源管理, 2005, ( 1) : 52- 54.
[18] 潘东晓等. 遥感图像的神经网络分类法[ J] . 国土资源遥感, 1996, ( 3) : 49- 55.
[19] 罗军辉, 冯平等. MATLAB 在图像处理中的应用[M] . 北京: 机械工业出版社, 2005.
摘要 遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。 遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理，达到自动分类识别地物的目的。遥感图像分类主要有两类分类方法:一种是非监督分类方法，另一种是监督分类方法。非监督分类方法是一个聚类过程，而监督分类则是一个学习和训练的过程，需要一定的先验知识。非监督分类由十不能确定类别属性，因此直接利用的价值很小，研究应用也越来越少。而且监督分类随着新技术新方法的不断发展，分类方法也是层出不穷。从传统的基十贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法，虽然这些方法很大程度改善了分类效果，提高了分类精度，增加了遥感的应用能力。但是不同的方法有其不同优缺点，分类效果也受很多因素的影响。 本文在对国内外遥感图像分类方法研究的进展进行充分分析的基础上，应用最大似然分类法、决策树分类法对TM影像遥感图像进行了分类处理。在对分类实现中，首先对分类过程中必不可少的并影响分类效果的步骤也进行了详细地研究，分别是分类样本和分类特征；然后详细介绍两种方法的分类实验；最后分别分析分类结果图，采用混淆矩阵和kappa系数对两种方法的分类结果进行精度评价。 关键词:TM遥感影像，图像分类，最大似然法，决策树 题目：遥感图像几种分类方法的比较...................................... 错误！未定义书签。摘要.. (1) 第一章绪论 (3)
1.1遥感图像分类的实际应用及其意义 (4) 1.2我国遥感图像分类技术现状 (5) 1.3遥感图像应用于测量中的优势及存在的问题 (6) 1.3.1遥感影像在信息更新方面的优越性 (6) 1.3.2遥感影像在提取信息精度方面存在的问题 (6) 1.4研究内容及研究方法 (8) 1.4.1研究内容 (8) 1.4.2 研究方法 (8) 1.5 论文结构 (9) 第二章遥感图像的分类 (9) 2.1 监督分类 (9) 2.1.1 监督分类的步骤 (9) 2.1.2 最大似然法 (11) 2.1.3 平行多面体分类方法 (12) 2.1.4 最小距离分类方法 (13) 2.1.5监督分类的特点 (13) 2.2 非监督分类 (14) 2.2.1 K-means算法 (14) K-均值分类法也称为 (14) 2.2.2 ISODATA分类方法 (15) 2.2.3非监督分类的特点 (17) 2.4遥感图像分类新方法 (17) 2.4.1基于决策树的分类方法 (17) 2.4.2 人工神经网络方法 (19) 2.4.3 支撑向量机 (20) 2.4.4 专家系统知识 (21) 2.5 精度评估 (22) 第三章研究区典型地物类型样本的确定 (24) 3.1 样本确定的原则和方法 (24) 3.2 研究区地物类型的确定 (24) 3.3样本区提取方案 (25) 3.4 各个地物类型的样本的选取方法 (25) 3.4.1 建立目视解译标志 (25) 3.4.2 地面实地调查采集 (26) 3.4.3 利用ENVI遥感图像处理软件选取样本点 (26) 第四章遥感图像分类实验研究 (26) 4.1遥感影像适用性的判定 (26) 4.2分类前的预处理 (28) 4.2.1空间滤波的处理 (28) 4.2.2 频域滤波处理 (28) 4.3利用ENVI软件对影像按照不同的分类方法进行监督分类 (30) 4.3.1监督分类 (30) 4.3.2 决策树 (33) 4.4分类后的处理 (35)
一. 界面系统介绍 1. 主菜单：菜单项，Tool、Classification、Tranform、Spectral实 习所涉及的（粗略介绍） 2. Help 工具的使用 3. 主菜单设置（preferences）：内存设置 二. 文件的存取与显示 1．图像显示 由一组三个不同的图像窗口组成：主图像窗口、滚动窗口、缩放窗口。 1）主图像Image窗口：（400*400）100％显示（全分辨率显示）scroll的方框，可 交互式分析、查询信息。主图像窗口内的功能菜单：在主图像窗口内点击鼠标右键， 切换隐藏子菜单的开启和关闭。该"Functions" 菜单控制所有的ENVI交互显示功能，这包括：图像链接和动态覆盖；空间和波谱剖面图；对比度拉伸；彩色制图；诸如ROI 的限定、光标位置和值、散点图和表面图等交互特征；诸如注记、网格、图像等值线 和矢量层等的覆盖（叠置）；动画以及显示特征。 2）滚动Scroll窗口：全局，重采样(降低分辨率)显示一幅图像。只有要显示的图像比主图像窗口能显示的图象大时，才会出现滚动窗口。滚动窗口位置和大小最初在 envi.cfg 文件中被设置并且可以被修改。 3）缩放Zoom窗口：（200*200）显示image的方框。缩放系数（用户自定义）出现在 窗口标题栏的括号中。 2．图像的头文件资料的获取和编辑 ENVI：File>>Edit ENVI Header，选择相应的文件。 从Header Info 对话框里，你可以点击Edit Attributes 下拉菜单中的选项，调用 编辑特定文件头参数的独立对话框。这些参数包括波段名、波长、地图信息等。3．图像的存取 File > Open Image File. 当你打开任何文件，可用波段列表（ABL）自动地出现。 ABL列出该图像文件的所有波段，并允许你显示灰阶和彩色图像、启动新的显示窗口、 打开新文件、关闭文件，以及设置显示边框。 要选择当前活动显示，请按以下步骤： 从ABL（Available Bands List）内，点击“Display #X”按钮菜单（其中“X” 是与显示窗口标题栏内数字相对应的数字），再从列表中选择所需要的显示。 要开始一个新的显示，从按钮菜单选择“New Display”。
遥感影像融合处理方法 摘要：本文介绍了遥感影像数据融合技术，并给出了融合的一些基本理论、融合处理一般步骤以及常用融合处理方法，最后简要描述了融合评价的方式方法等。 关键词：遥感影像融合融合评价 1、前言 将高分辨率的全色遥感影像和低分辨率的多光谱遥感影像进行融合，获得色彩信息丰富且分辨率高的遥感融合影像的过程，成为遥感影像融合。全色影像一般具有较高空间分辨率，多光谱影像光谱信息较丰富，为提高多光谱影像的空间分辨率，可以将全色影像融合进多光谱影像。通过影像融合既可以提高多光谱影像空间分辨率，又能保留其多光谱特性。 2、遥感影像融合一般步骤 遥感影像信息融合一般流程主要分为两个阶段：图像预处理，图像融合变换。 图像预处理主要包括：几何校正及影像配准。几何校正主要在于去除透视收缩、阴影等地形因素以及卫星扰动、天气变化、大气散射等随机因素对成像结果一致性的影响；影像配准的目的在于消除由不同传感器得到的影像在拍摄角度、时相及分辨率等方面的差异。 3 常用融合方式 3.1 IHS融合 IHS（亮度I、色度H、饱和度S）变换就是将影像从RGB彩色空间变换到IHS空间来实现影像融合的一种方法。由光学、热红外和雷达(微波)等方式得到的不同波段遥感数据，合成的RGB颜色空间是一个对物体颜色属性描述系统，而IHS色度空间提取出物体的亮度、色度、饱和度，它们分别对应每个波段的平均辐射强度、数据向量和的方向及其等量数据的大小。RGB颜色空间和IHS 色度空间有着精确的转换关系。IHS变换法只能用三个波段的多光谱影像融合和全色影像融合。 3.2 小波融合 小波变换，基于遥感影像的频域分析进行的，由于同一地区不同类型的影像，低频部分差别不大，而高频部分相差很大，通过小波变换对变换区实现分频，在分频基础上进行遥感影像的融合，常用于雷达影像SAR与TM影像的融合。
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)
基于Landsat-TM影像的专题信息提取摘要：本文以沈阳地区为研究区，利用光谱信息提取水体、植被，采用基于灰度共生矩阵的纹理量的分类法，通过TM5波段提取灰度共生矩阵和灰度联合矩阵，计算并提取最能反映类别差异的纹理量值将光谱信息混淆的水田、旱田、居民地用分离，得到最终的分类结果。结果表明:将纹理特征应用于图像分类中可区分光谱混淆的地类，光谱与纹理特征结合得到的分类精度要高于单纯光谱的分类精度。 关键词：遥感影像;光谱特征;纹理特征;灰度共生矩阵;分层提取;土地利用 Abstract:Based on the study of shenyang area for using spectral information extraction，water,vegetation,based on gray symbiotic matrix of the texture classification,through the TM5 band extraction graylevel co-occurrence matrix and gray,and joint matrix extraction can reflect the differences between vector-valued texture category will confuse the paddy fields,spectral information structure,separation,with residents of the final results of the classification.Results show that: the texture characteristics will be applied to image classification can distinguish the confusion of spectral spectrum and texture feature combination,the classification accuracy than pure spectral classification accuracy. Key words:remote sensing image;spectrum feature;texture feature;text gray-level co-occurrence matrix;layered extraction;land-use 引言 遥感图像信息专题特征的提取，需要对TM图像的光谱信息和纹理信息进行综合分析,以达到提高影像分类精度的目的[1]。在自然资源调查中，遥感图像已成为重要的空间数据源，其中TM图像信息是进行土地利用/覆盖变化动态监测的重要依据。常规提取TM图像信息主要是利用影像的光谱分辨率进行的，难以正确区分光谱易混淆的地物，例如菜地与其他耕地类型。 提取TM图像中易混淆地物信息，可以充分利用影像的空间分辨率及影像上丰富的纹理信为了息来完成信息提取。纹理分析方法在许多领域都有重要的应用，吴高洪等[2]为了提高纹理图像分割的边缘准确性和区域一致性以及降低分割错误
ENVI下的图像融合方法 图像融合是将低空间分辨率的多光谱影像或高光谱数据与高空间分辨率的单波段影像重采样生成成一副高分辨率多光谱影像遥感的图像处理技术，使得处理后的影像既有较高的空间分辨率，又具有多光谱特征。图像融合的关键是融合前两幅图像的精确配准以及处理过程中融合方法的选择。只有将两幅融合图像进行精确配准，才可能得到满意的结果。对于融合方法的选择，取决于被融合图像的特征以及融合目的。 ENVI中提供融合方法有： ?HSV变换 ?Brovey变换 这两种方法要求数据具有地理参考或者具有相同的尺寸大小。RGB输入波段必须为无符号8bit数据或者从打开的彩色Display中选择。 这两种操作方法基本类似，下面介绍Brovey变换操作过程。 （1）打开融合的两个文件，将低分辨率多光谱图像显示在Display中。 （2）选择主菜单-> Transform -> Image Sharpening->Color Normalized (Brovey)，在Select Input RGB对话框中，有两种选择方式：从可用波段列表中和从Display窗口中，前者要求波段必须为无符号8bit。 （3）选择Display窗口中选择RGB，单击OK。 （4） Color Normalized (Brovey)输出面板中，选择重采样方式和输入文件路径及文件名，点击OK输出结果。 对于多光谱影像，ENVI利用以下融合技术： ?Gram-Schmidt ?主成分（PC）变换 ?color normalized (CN)变换 ?Pan sharpening 这四种方法中，Gram-Schmidt法能保持融合前后影像波谱信息的一致性，是一种高保真的遥感影像融合方法；color normalized (CN)变换要求数据具有中心波长和FWHM，；Pansharpening融合方法需要在ENVI Zoom中启动，比较适合高分辨率影像，如QuickBird、IKONOS等。 这四种方式操作基本类似，下面介绍参数相对较多的Gram-Schmidt操作过程。 （1）打开融合的两个文件。
影象融合流程 影像融合在影象解译模块和雷达影象处理模块中都有，但是雷达模块中的处理效果要相对好一些，下面就两个不同模块中的融合处理流程进行分别介绍。 一、影象解译模块（Interpreter） 1）单击，在弹出的Interpreter菜单中选则Spatial Enhancement （空间增强）弹出Spatial Enhancement菜单，再选择Resolution Merge（分辨率融合）选项。 弹出对话框如下
在Resolution Merge对话框中需要设置下列参数 （1）确定高分辨率输入文件（high Resolution input file）； （2）选择影象波段； （3）确定多光谱输入文件（multispectral input file）； （4）定义输出文件； （5）选择融合方法。在分辨率变换中，erdas提供了三种融合方法Principal Component(主成分变换法)、Multipalcative(乘积变换)、Brovey transform(比值变换)。其图象分别如下： Principal Component(主成分变换法)
Multipalcative(乘积变换) Brovey transform(比值变换) （6）选择重采样方法。系统提供了两种重采样方法Nearest Neighbor（邻近像元法）、Bilinbear Interpolation（二次线形内插）和Cubic Convolution（立方卷积）。其中 以Cubic Convolution方法最为平滑。 （7）确定Output Options输出图象选项。选择Lgnore Zero Stats，可以忽略像素值为
遥感原理与应用 1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。主要问题 是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。通常使用马氏距离、欧氏距离、计程距离这三种判别函数。主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。 非监督分类：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。
波段组landsat 3，2，1 这种RGB组合模拟出一副自然色的图象。有时用于海岸线的研究和烟柱的探测。 4，5，3 用于土壤湿度和植被状况的分析。也很好的用于内陆水体和陆地/水体边界的确定。 4，3，2 红外假色。在植被、农作物、土地利用和湿地分析的遥感方面，这是最常用的波段组合。 7，4，2 土壤和植被湿度内容分析；内陆水体定位。植被显示为绿色的阴影。 5，4，3 城镇和农村土地利用的区分；陆地/水体边界的确定。 4，5，7 探测云，雪和冰（尤其在高维度地区）。 4－3/4＋3NDVI－标准差植被指数；TM波段4：3的不同比率被证明在增强不同植被类型对比度方面很有用。 实践应用 3，2，1 普通色图象。适宜于浅海探测作图。 4，3，2 红外色图象。提供中等的空间分辨率。在这种组合中，所有的植被都显示为红色。MultiSpec3-ch.Default。 7，5，4 适宜于湿润地区。提供了最大的空间分辨率。 7，4，2 适宜于温带到干旱地区。提供最大的光谱多样性。 321：真彩色合成，即3、2、1波段分别赋予红、绿、蓝色，则获得自然彩色合成图像，图像的色彩与原地区或景物的实际色彩一致，适合于非遥感应用专业人员使用。432：标准假彩色合成，即4、3、2波段分别赋予红、绿、蓝色，获得图像植被成红色，由于突出表现了植被的特征，应用十分的广泛，而被称为标准假彩色。 举例：卫星遥感图像示蓝藻暴发情况 我们先看一看蓝藻爆发时遥感监测机理。蓝藻暴发时绿色的藻类生物体拌随着白色的泡沫状污染物聚集于水体表面，蓝藻覆盖区的光谱特征与周围湖面有明显差异。由于所含高叶
绿素A的作用，蓝藻区在LandsatTM2波段具有较高的反射率，在TM3波段反射率略降但仍比湖水高，在TM4波段反射率达到最大。因此，在TM4（红）、3（绿）、2（蓝）假彩色合成图像上，蓝藻区呈绯红色，与周围深蓝色、蓝黑色湖水有明显区别。此外，蓝藻暴发聚集受湖流、风向的影响，呈条带延伸，在TM图像上呈条带状结构和絮状纹理，与周围的湖水面也有明显不同。 451：信息量最丰富的组合，TM图像的光波信息具有3～4维结构，其物理含义相当于亮度、绿度、热度和湿度。在TM7个波段光谱图像中，一般第5个波段包含的地物信息最丰富。3个可见光波段（即第1、2、3波段）之间，两个中红外波段（即第4、7波段）之间相关性很高，表明这些波段的信息中有相当大的重复性或者冗余性。第4、6波段较特殊，尤其是第4波段与其他波段的相关性得很低，表明这个波段信息有很大的独立性。计算各种组合的熵值的结果表明，由一个可见光波段、一个中红外波段及第4波段组合而成的彩色合成图像一般具有最丰富的地物信息，其中又常以4，5，3或4，5，1波段的组合为最佳。第7波段只是在探测森林火灾、岩矿蚀变带及土壤粘土矿物类型等方面有特殊的作用。最佳波段组合选出后，要想得到最佳彩色合成图像，还必须考虑赋色问题。人眼最敏感的颜色是绿色，其次是红色、蓝色。因此，应将绿色赋予方差最大的波段。按此原则，采取4、5、3波段分别赋红、绿、蓝色合成的图像，色彩反差明显，层次丰富，而且各类地物的色彩显示规律与常规合成片相似，符合过去常规片的目视判读习惯。例如把4、5两波段的赋色对调一下，即5、4、3分别赋予红、绿、蓝色，则获得近似自然彩色合成图像，适合于非遥感应用专业人员使用。 741：波段组合图像具有兼容中红外、近红外及可见光波段信息的优势，图面色彩丰富，层次感好，具有极为丰富的地质信息和地表环境信息；而且清晰度高，干扰信息少，地质可解译程度高，各种构造形迹（褶皱及断裂）显示清楚，不同类型的岩石区边界清晰，岩石地层单元的边界、特殊岩性的展布以及火山机构也显示清楚。 742：1992年，完成了桂东南金银矿成矿区遥感地质综合解译，利用1：10万TM7、4、2假彩色合成片进行解译，共解译出线性构造1615条，环形影像481处,并在总结了构造蚀变岩型、石英脉型、火山岩型典型矿床的遥感影像特征及成矿模式的基础上，对全区进厅成矿预测，圈定金银A类成矿远景区2处，B类4处，C类5处。为该区优选找矿靶区提供遥感依据。 743：我国利用美国的陆地卫星专题制图仪图像成功地监测了大兴安岭林火及灾后变化。这是因为TM7波段（2.08-2.35微米）对温度变化敏感；TM4、TM3波段则分别属于红外光、红光区，能反映植被的最佳波段，并有减少烟雾影响的功能；同时TM7、TM4、TM3（分别赋予红、绿、蓝色）的彩色合成图的色调接近自然彩色，故可通过TM743彩色合成图的分析来指挥林火蔓延与控制和灾后林木的恢复状况。 754：对不同时期湖泊水位的变化，也可采用不同波段，如用陆地卫星MSS7， MSS5，MSS4合成的标准假彩色图像中的蓝色、深蓝色等不同层次的颜色得以区别。从而可用作分析湖泊水位变化的地理规律。
摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程
Landsat卫星的TM/ETM各波段介绍 北京揽宇方圆信息技术有限公司拥有WorldView、QuickBird、IKONOS、GeoEye、SPOT、PLEIADES、高分一号、高分二号、资源三号等世界上最高分辨率卫星影像的代理权，能够为户提供全天候、全覆盖、多分辨率、多尺度的影像产品。整合最丰富的遥感影像数据资源，为用户提供最专业的遥感影像数据服务，北京揽宇方圆致力成为中国遥感影像数据服务第一品牌。 一、波段介绍 1.TM1 0.45-0.52um,蓝波段 对水体穿透强, 该波段位于水体衰减系数最小，散射最弱的部位（0.45—0.55um）,对水体的穿透力最大，可获得更多水下信息，用于判断水深，浅海水下地形，水体浑浊度，沿岸水，地表水等； 能够反射浅水水下特征，区分土壤和植被、编制森林类型图、区分人造地物类型,分析土地利用。 对叶绿素与叶色素反映敏感,有助于判别水深及水中叶绿素分布以及水中是否有水华等。 2.TM2 0.52-0.60um,绿波段 对植物的绿反射敏感该波段位于健康绿色植物的绿色反射率（0.54—-0.55um）附近； 对健康茂盛植物的反射敏感, 主要观测植被在绿波段中的反射峰值,这一波段位于叶绿素的两个吸收带之间,利用这一波段增强鉴别植被的能力 对绿的穿透力强, 探测健康植被绿色反射率,按绿峰反射评价植物的生活状况,区分林型,树种，植被类型和评估作物长势 对水体有一定的穿透力，可反映水下特征，水体浑浊度，水下地形，沙洲，沿岸沙地等。. 可区分人造地物类型， 3.TM3 0.62-0.69um ,红波段 对水中悬浮泥沙反映敏感。该波段位于含沙浓度不同的水体辐射峰值（0.58—-0.68um）附近，对水中悬浮泥沙反映敏感。 叶绿素的主要吸收波段, 能增强植被覆盖与无植被覆盖之间的反差,亦能增强同类植被的反差，反映不同植物叶绿素吸收,植物健康状况,用于区分植物种类与植物覆盖率, 测量植物绿色素吸收率，并以此进行植物分类； 此外其信息量大,广泛用于对裸露地表，植被，岩性，地层，构造，地貌等为可见光最佳波段； 可区分人造地物类型 4 .TM4 0.76-0.96UM 近红外波段, 对绿色植物类别差异最敏感,为植物通用波段,用于牧师调查,作物长势测量, 处于水体强吸收区，水体轮廓清晰，用于勾勒水体，绘制水体边界、探测水中生物的含量和
摘要：介绍了遥感影像三种常用的图像融合方式。进行实验，对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像，简要分析比较三种图像融合方式的各自特点，择出本次实验的最佳融合方式。 关键字：遥感影像；图像融合；主成分变换；乘积变换；比值变换；ERDAS IMAGINE 1. 引言 由于技术条件的限制和工作原理的不同，任何来自单一传感器的信息都只能反映目标的某一个或几个方面的特征，而不能反应出全部特征。因此，与单源遥感影像数据相比，多源遥感影像数据既具有重要的互补性，也存在冗余性。为了能更准确地识别目标，必须把各具特色的多源遥感数据相互结合起来，利用融合技术，针对性地去除无用信息，消除冗余，大幅度减少数据处理量，提高数据处理效率；同时，必须将海量多源数据中的有用信息集中起来，融合在一起，从多源数据中提取比单源数据更丰富、更可靠、更有用的信息，进行各种信息特征的互补，发挥各自的优势，充分发挥遥感技术的作用。[1] 在多源遥感图像融合中，针对同一对象不同的融合方法可以得到不同的融合结果，即可以得到不同的融合图像。高空间分辨率遥感影像和高光谱遥感影像的融合旨在生成具有高空间分辨率和高光谱分辨率特性的遥感影像，融合方法的选择取决于融合影像的应用，但迄今还没有普适的融合算法能够满足所有的应用目的，这也意味着融合影像质量评价应该与具体应用相联系。[2] 此次融合操作实验是用三种不同的融合方式（主成分变换融合，乘积变换融合，比值变换融合），对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多
光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像。 2. 源文件 1 、 imagerycolor.tif ，SPOT图像，分辨率10米，有红、绿、两个红外共四个波段。 2 、imagery-5m.tif ，SPOT图像，分辨率5米。 3. 软件选择 在常用的四种遥感图像处理软件中，PCI适合用于影像制图，ENVI在针对像元处理的信息提取中功能最强大，ER Mapper对于处理高分辨率影像效果较好，而ERDAS IMAGINE的数据融合效果最好。[3] ERDAS IMAGINE是美国Leica公司开发的遥感图像处理系统。它以其先进的图像处理技术，友好、灵活的用户界面和操作方式，面向广阔应用领域的产品模块，服务于不同层次用户的模型开发工具以及高度的RS/GIS（遥感图像处理和地理信息系统）集成功能，为遥感及相关应用领域的用户提供了内容丰富而功能强大的图像处理工具。 2012年5月1日，鹰图发布最新版本的ERDAS IMAGINE，所有ERDAS 2011软件用户都可以从官方网站上下载最新版本 ERDAS IMAGINE 11.0.5. 新版本包括之前2011服务包的一些改变。相比之前的版本，新版本增加了更多ERDAS IMAGINE和GeoMedia之间的在线联接、提供了更为丰富的图像和GIS产品。用户使用一个单一的产品，就可以轻易地把两个产品结合起来构建一个更大、更清
TM影像各波段介绍 1.TM1 0.45-0.52um,蓝波段,对水体穿透强,对叶绿素与叶色素反映敏感,有助于判别水深及水中叶绿素分布以及水中是否有水华等. 2.TM2 0.52-0.60um,绿波段,对健康茂盛植物的反射敏感,对力的穿透力强,用于探测健康植物绿色反射率,按绿峰反射评价植物的生活状况,区分林型,树种和反映水下特征. 3.TM3 0.62-0.69UM ,红波段,叶绿素的主要吸收波段,反映不同植物叶绿素吸收,植物健康状况,用于区分植物种类与植物覆盖率,其信息量大多为可见光最佳波段,广泛用于地貌,岩性,土壤,植被,水中泥沙等方面. 4 .TM4 0.76-0.96UM 近红外波段,对绿色植物类别差异最敏感,为植物通用波段,用于牧师调查,作物长势测量,水域测量. 5.TM5 1.55-1.75UM,中红外波段,处于水的吸收波段,一般1.4-1.9UM内反映含水量,用于土壤湿度植物含水量调查,水分善研究,作物长势分析,从而提高了区分不同作用长势的能力.易于反映云与雪. 6.TM6 1.04-1.25UM热红外波段,可以根据辐射响应的差别,区分农林覆盖长势,差别表层湿度,水体岩石,以及监测与人类活动有关的热特征,进行热制图. 7.TM7 2.08-3.35UM,中红外波段,为地质学家追加波段,处于水的强吸收带,水体呈黑色,可用于区分主要岩石类型,岩石的热蚀度,探测与交代岩石有关的粘土矿物. 二.类型提取: 1.城市与乡镇的提取:TM1+TM7+TM3+TM5+TM6+TM2-TM4 2.乡镇与村落:TM1+TM2+TM3+TM6+TM7-TM4-TM5 3.河流的提取:TM5+TM6+TM7-TM1-TM2-TM4 4.道路的提取：ＴＭ６－（ＴＭ１＋ＴＭ２＋ＴＭ３＋ＴＭ４＋ＴＭ５＋ＴＭ７） 三．光谱差异 ＴＭ１居民地与河流菜地不易分开． ＴＭ２居民地与河流菜地不易分 ＴＭ３乡村与菜地不易分 ＴＭ４农田与道路不易分，乡镇，道路，河滩易浑． ＴＭ５县城与农田不易分 ＴＭ６村庄与河流易混．
毕业设计（论文）设计(论文)题目像素级图像融合方法 姓名：李桂楠 学号： 2 学院：机电与信息工程学院 专业：自动化 年级2011级 指导教师：孙甲冰
目录 摘要 (4) Abstract (5) 第一章绪论 (1) 1.1课题背景及来源 (1) 1.2图像融合的理论基础和研究现状 (1) 1.3图像融合的应用 (1) 1.4图像融合的分类 (1) 第二章像素级图像融合的预处理 (3) 2.1图像增强 (3) 2.2图像校正 (6) 2.3图像配准 (6) 第三章像素级图像融合的方法综述 (8) 3.1加权平均图像融合方法 (8) 3.2 HIS空间图像融合方法 (8) 3.3 主成分分析图像融合方法 (8) 3.4 伪彩色图像融合方法 (9) 第四章基于小波变换的像素级图像融合概述 (10) 4.1 小波变换的基本理论 (10) 4.2 基于小波变换的图像融合 (11) 4.3基于小波变换的图像融合性能分析 (12)
第五章像素级图像融合方法的研究总结与展望 (19) 参考文献 (20) 谢辞.................................. 错误!未定义书签。
摘要 近些年，随着科学技术的飞速发展，各种各样的图像传感器出现在人们的视野前，这种样式繁多的图像传感器在不同的成像原理和不同的工作环境下具有不同功能。而因为多传感器的不断涌现，图像融合技术也越来越多的被应用于医学、勘探、海洋资源开发、生物学科等领域。 图像融合主要有像素级、决策级和特征级三个层次，而像素级图像融合作为基础能为其他层次的融合提供更准确、全面、可依赖的图像信息。本文的主要工作是针对像素级的图像融合所展开的。 关键词 图像融合理论基础、加权平均、图像融合方法、小波变换、
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。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。 下面介绍详细操作流程： （1）打开分类结果——"\12.分类后处理\数据\can_tmr_class.dat"； （2）打开Majority/Minority分析工具，路径为Toolbox /Classification/Post Classification/Majority/Minority Analysis，在弹出对话框中选择"can_tmr_class.dat"，点击OK； （3）在Majority/Minority Parameters面板中，点击Select All Items选中所有的类别，其他参数按照默认即可，如下图所示。然后点击Choose按钮设置输出路径，点击OK执行操作。
Landsat陆地卫星遥感影像数据 简介 “地球资源技术卫星”计划最早始于1967年，美国国家航空与航天局（NASA）受早期气象卫星和载人宇宙飞船所提供的地球资源观测的鼓舞，开始在理论上进行地球资源技术卫星系列的可行性研究。1972年7月23日，第一颗陆地卫星（Landsat_1）成功发射，后来发射的这一系列卫星都带有陆地卫星（Landsat）的名称。到1999年，共成功发射了六颗陆地卫星，它们分别命名为陆地卫星1到陆地卫星5以及陆地卫星7，其中陆地卫星6的发射失败了。 Landsat陆地卫星系列遥感影像数据覆盖范围为北纬83o到南纬83o之间的所有陆地区域，数据更新周期为16天（Landsat 1~3的周期为18天），空间分辨率为30米（RBV和MSS传感器的空间分辨率为80米）。目前，中国区域内的Landsat陆地卫星系列遥感影像数据（见图1）可以通过中国科学院计算机网络信息中心国际科学数据服务平台 QQ电子网免费获得（https://www.doczj.com/doc/789939282.html,）。 Landsat 陆地卫星在波段的设计上，充分考虑了水、植物、土壤、岩石等不同地物在波段反射率敏感度上的差异，从而有效地扩充了遥感影像数据的应用范围。在基于Landsat遥感影像数据的一系列应用中，计算植被指数和针对Landsat ETM off影像的条带修复为最常用同时也是最为基础的两个应用。因此，中国科学院计算机网络信息中心基于国际科学数据服务平台，提供了1）基于Landsat 数据的多种植被指数提取。2）对Landsat ETM SLC-off影像数据的条带修复。 图1 Landsat 遥感影像中国区示意图 数据特征 （1）数据基本特征 Landsat陆地卫星包含了五种类型的传感器，分别是反束光摄像机（RBV），多光谱扫描仪（MSS），专题成像仪（TM），增强专题成像仪（ETM）以及增强专题成像仪+（ETM+），各传感器拍摄影像的基本特征如下：
ERDAS 影像融合方法汇总 影像融合是指将多源信道所采集到的关于同一目标的影像数据经过影像处理和计算机技术等，最大限度的提取各自信道中的有利信息，最后综合成高质量的影像，以提高影像信息的利用率、改善计算机解译精度和可靠性、提升原始影像的空间分辨率和光谱分辨率，利于监测。 ERDAS IMAGINE 提供多种影像融合方法，且支持带RPC模型的影像融合处理。 1、 （1 4个波段（蓝/ 像也为 Step4: 利用低通滤波器（5×5）对多光谱影像进行滤波处理，输出多光谱滤波影像。 Step5: 利用相减法对全色锐化影像、全色滤波影像进行相减处理，并将全色锐化影像按照权重融合到多光谱滤波影像各个波段，输出新多光谱影像。 （2）参数说明
Input Sensor Type 待融合影像传感器类型，分为Quickbird、IKONOS、Format三种传感器。输入影像要求：多光谱和全色分辨率比为4:1、同时获取、为同一个传感器，全色为单波段，多光谱为4波段。 Sharpening Filter Center Value3×3锐化卷积窗口中心值，其他值都为-1，默认值根据传感器变化，范围值为11、14、17、20、23、1000，小的中心值会产生更好的锐化效果。一般来说，大分辨率影像锐化程度要求低，小分辨率影像锐化程度要求高，若全色影像已经经过锐化处理，此处选择1000。 Pan Contribution Weight融合时全色图像所占的比重（权重），范围为0.7-1.3，默认值根据传感器变化，小的锐化值会产生更好的锐化效果。 Create image of subset area根据子区的坐标来定义融合影像范围。 Create image of full area输出所有区域的融合影像，这个范围是全色和多光谱影像的交集（intersect）。该项勾选时才可设置融合影像成果名称和存放路径。 Null Value 设置输出图像空值的数值。 Mask input Null Values 勾选该项时，可设置输出图像空值。