遥感图像处理 分类 实验报告
遥感ENVI实验报告
遥感ENVI实验报告一、实验目的本实验的目的是学习和掌握ENVI（Environment for Visualizing Images）软件在遥感图像处理方面的应用。
通过本次实验，我们将了解遥感图像的基本概念和原理，并学习使用ENVI软件进行图像预处理、分类和地物提取。
二、实验要求1.学习ENVI软件的基本操作和功能；2.能够对遥感图像进行预处理，如辐射校正和大气校正；3.能够对遥感图像进行分类，如最大似然分类和支持向量机分类；4.能够进行地物提取，如植被指数计算和特征提取。
三、实验步骤和结果1.图像预处理首先，我们导入了一幅Landsat 8卫星遥感图像，并进行了辐射校正和大气校正。
辐射校正是将图像中的DN（数字化值）转换为辐射度值，以便进行后续的大气校正和分类。
大气校正是根据大气传输模型对图像进行校正，以消除大气影响。
经过预处理后，我们得到了一幅处理后的图像。
2.图像分类接下来，我们使用ENVI软件进行了图像分类。
我们采用了最大似然分类和支持向量机分类两种方法进行分类。
最大似然分类是一种统计分类方法，通过最大化每类像素的似然度来划分不同类别，得到分类结果。
支持向量机分类是一种基于机器学习的分类方法，通过训练样本来构建分类模型，并用于对图像中的未分类像素进行分类。
3.地物提取最后，我们对图像进行了地物提取。
我们计算了该图像的植被指数，并使用阈值法将植被像素提取出来。
植被指数是通过计算不同波段之间的光谱差异来反映植被覆盖程度的指标。
我们还对植被像素进行了形状和纹理特征的提取，以获取更具有区分度的特征。
实验结果显示，经过图像预处理和分类，我们得到了一幅分类结果图。
通过该图像，我们可以清楚地看到不同地物类别的分布情况。
同时，通过地物提取，我们成功提取出了图像中的植被像素，并获得了植被的形状和纹理特征。
四、实验总结通过本次实验，我们学习和掌握了ENVI软件在遥感图像处理方面的应用。
我们了解了遥感图像的基本概念和原理，并学会了使用ENVI软件进行图像预处理、分类和地物提取。
遥感图像处理实验报告
遥感图像处理实验报告《遥感图像处理实验报告》摘要：本实验利用遥感技术获取了一幅卫星图像，通过图像处理技术对图像进行了处理和分析。
实验结果表明，遥感图像处理技术在地理信息系统、环境监测、城市规划等领域具有重要的应用价值。
引言：遥感图像处理是利用遥感技术获取的图像进行数字化处理和分析，以获取有用的地理信息和环境数据的过程。
本实验旨在通过对遥感图像的处理和分析，探讨遥感图像处理技术在实际应用中的作用和意义。
实验方法：1. 获取卫星图像：选择一幅特定区域的卫星图像作为实验对象，确保图像质量和分辨率满足处理要求。
2. 图像预处理：对原始图像进行预处理，包括去噪、增强、几何校正等操作，以提高图像质量和准确性。
3. 图像分析：利用遥感图像处理软件对图像进行分类、特征提取、变化检测等分析，获取地理信息和环境数据。
4. 结果展示：将处理后的图像结果进行展示和分析，对图像处理技术的应用效果进行评估。
实验结果：经过处理和分析，得到了一幅清晰的遥感图像，并从中提取了有用的地理信息和环境数据。
通过图像分类和特征提取，可以准确地识别出不同地物类型，如建筑物、植被、水体等；通过变化检测，可以发现地表的变化情况，如城市扩张、土地利用变化等。
这些信息对于地理信息系统、环境监测、城市规划等领域具有重要的应用价值。
结论：遥感图像处理技术在地理信息系统、环境监测、城市规划等领域具有重要的应用价值，通过对遥感图像的处理和分析，可以获取丰富的地理信息和环境数据，为相关领域的决策和规划提供重要的支持。
在未来的研究中，可以进一步探讨遥感图像处理技术的改进和应用，以满足不同领域的需求。
遥感图像处理实验报告
遥感图像处理实验报告遥感图像处理实验报告引言：遥感图像处理是一门应用广泛的技术，它通过获取、分析和解释地球表面的图像数据，为地质勘探、环境监测、农业发展等领域提供了重要的支持。
本实验旨在探索遥感图像处理的基本方法和技术，以及其在实际应用中的价值和意义。
一、图像预处理图像预处理是遥感图像处理的第一步，它主要包括图像的去噪、增强和几何校正等操作。
在本实验中，我们使用了一张卫星图像作为样本，首先对图像进行了去噪处理，采用了中值滤波算法，有效地去除了图像中的椒盐噪声。
接着，我们对图像进行了增强处理，采用了直方图均衡化算法，使得图像的对比度得到了显著提高。
最后，我们进行了几何校正，通过对图像进行旋转和缩放，使得图像的几何形状与实际地理位置相符合。
二、图像分类图像分类是遥感图像处理的关键步骤之一，它通过对图像中的像素进行分类，将其划分为不同的地物类型。
在本实验中，我们使用了监督分类方法，首先选择了一些具有代表性的样本像素，然后通过训练分类器，将这些样本像素与不同的地物类型进行关联。
接着，我们对整个图像进行分类，将图像中的每个像素都划分为相应的地物类型。
最后，我们对分类结果进行了验证，通过与实地调查结果进行对比，验证了分类的准确性和可靠性。
三、图像融合图像融合是遥感图像处理的一项重要技术，它可以将多个不同波段或分辨率的图像融合成一幅高质量的图像。
在本实验中，我们选择了两幅具有不同波段的卫星图像，通过波段归一化和加权平均的方法，将这两幅图像融合在一起。
融合后的图像不仅保留了原始图像的颜色信息，还具有更高的空间分辨率和光谱分辨率，可以提供更全面和准确的地物信息。
四、图像变化检测图像变化检测是遥感图像处理的一项关键任务，它可以通过对多幅图像进行比较，检测出地表发生的变化情况。
在本实验中，我们选择了两幅具有不同时间的卫星图像，通过差异图像法和指数变化检测法，对这两幅图像进行了变化检测。
通过对比差异图像和变化指数图，我们可以清晰地看到地表发生的变化，如城市扩张、植被变化等，为城市规划和环境监测提供了重要的参考依据。
遥感影像处理实习报告
实习报告：遥感影像处理实习一、实习目的本次遥感影像处理实习的主要目的是通过实际操作，掌握遥感影像处理的基本方法和技能，提高对遥感影像的处理和分析能力。
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校正、裁剪等处理工作，掌握遥感野外调查的方法和注意事项，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，掌握对遥感影像的室内解译，同时进行小斑区划和数据库建立，根据遥感影像图，针对所调查区域制作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：首先我们将下载到的原始遥感图像在envis软件中进行预处理，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。
这里主要是对遥感影像坐标系进行选取，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：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，我们选取了金洲新区大部分地区及望城区部分区域作为本次实习的区域范围。
使用envis软件中感兴趣区域选取的功能，裁剪出特定的区域范围。
（二）外业建标调查：1、建立目视解译标志：建立目视解译标志即对遥感影像上的地物进行识别和分类，根据《土地利用现状分类-GB2007》标准，对遥感影像上的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：根据所建立的目视解译标志，对实习区域进行野外调查，验证解译结果的准确性，并对解译过程中出现的问题进行修正。
（三）室内解译和数据库建立：1、室内解译：利用envis软件对裁剪后的遥感影像进行室内解译，根据野外调查结果和目视解译标志，对遥感影像上的地物进行详细分类和解译。
2、小斑区划和数据库建立：根据室内解译结果，对遥感影像上的地物进行小斑区划，并将小斑区数据导入数据库，建立遥感影像地物数据库。
遥感原理实验报告2遥感图像处理
《遥感原理》实验报告实验名称：遥感图像处理专业：地理信息科学学号：姓名：指导老师：1、实验目的（1）了解彩色的基本特性和相互关系；掌握三原色及其互补色，掌握加色法；（2）学习掌握图像直方图变化与图像亮度变化的关系；掌握图像线性拉伸的方法和过程；（3）理解遥感图像彩色合成的基本原理；掌握选用不同的合成方案产生不同的合成效果的方法，从而达到突出不同目标地物的目的；（4）了解空间滤波的操作过程和空间滤波对图像产生的效果；（5）了解并掌握K-L变换的过程和方法；进一步理解K-L变换产生的处理效果和处理意义；（6）了解和掌握缨帽变换的过程和处理效果；（7）了解和掌握彩色空间变换的过程和方法。
2、实验材料Photoshop CS6、ENVI5.1、CAI软件和光盘文件3、实验内容与过程3.1 遥感图像的光学合成原理彩色的基本特性：明度、色调和饱和度为彩色的基本特性。
明度是指色彩的明亮程度，是人眼对光源或物体明亮程度地感觉，彩色光亮度越高，人眼感觉就越明亮，即有较高的明度。
明度的高低取决于光源光强及物体表面对光的反射率。
色调是色彩彼此相互区分的特性，色调取决于光源的光谱组成和物体表面的光谱反射特性。
饱和度是色彩纯洁性，取决于物体表面反射光谱的选择性程度，反射性光谱越窄，即光谱的选择性越强，彩色的饱和度就越高。
明度、色调和饱和度三者的关系可以用颜色立体来表述。
非彩色，即黑白色只用明度描述，不使用色调、饱和度。
红橙黄绿青蓝紫各种颜色组成彩图。
在遥感上，彩色图比非彩色图较易识别地物。
白色、黑色和各种灰色组成黑白图象，当物体对可见光的各个波长的反射无选择性时，表现为黑色或灰色。
3.2 遥感图像的线性拉伸打开ENVI>点击菜单栏的“Custom Stretch”按钮>选择”Linear”等进行线性拉伸；或者直接在菜单栏上选择“Linear”“Linear2%”“Linear5%”原图：线性拉伸后：Linear:Linear 1%:当拉伸效果为1%时，显示效果得到了很大改善。
遥感图像处理实验报告_2
遥感图像处理实验报告班级 11资环姓名学号实验专题实验室 F楼机房成绩评定教师签字专题一: DEM图像进行彩色制图 (2)（叙述制图过程并把自己处理结果加载到本文档里）专题二: TM与SPOT数据融合 (3)（叙述该过程并处理结果加载到本文档里。
注意用两种方法融合的过程）专题三: 航片的配准与镶嵌 (4)（叙述该过程并处理结果加载到本文档）专题四: 切取某研究区域的操作 (5)（具体要求：卫星影象叠加, 选择其中三波段彩色合成, 采用ROI切取研究区）专题五: 地图制图的方法 (6)（主要是快速制图。
并任选一样例加载制图后结果）专题六: 使用ENVI进行三维曲面的浏览与飞行 (7)（叙述该过程并处理结果加载到本文档里）专题七: 监督分类试验（任选一种监督分类方法, 并叙述 (8)（其过程将其结果加载到本档里）。
实验专题: 专题一: DEM图像进行彩色制图1.加载一幅DEM的灰度图像, 使用系统默认的IDL颜色表来调整屏幕的颜色表。
2.给生成的彩色图像添加图名、格网、比例尺、灰度条、等高线及数值等信息。
3、调整位置, 保存图像。
结果如下图1、实验专题: 专题二: TM与SPOT数据融合2、主图象窗口选择Transform > Image Sharpening > HSV, 从一个打开的彩色图像中选择三个波段进行变换。
3、对原DEM图像进行拉伸处理。
3.将HSV图像重新转换为RGB图像。
分别对应H-R,S-G,拉伸图像-B。
4.加载最终图像, 并保存结果。
结果如图所示:1、实验专题: 专题三: 航片的配准与镶嵌2、加载两幅图像, 其中一幅作为base image, 一幅作为warp image。
3、在主菜单Registration里的Select GCP(Ground Control Points)来选择地面控制点, 并调整误差。
4、执行图像—地图配准。
5、图像镶嵌。
执行Map> Mosaicking > Pixel Based。
遥感实验报告
一、实验背景随着科技的飞速发展，遥感技术作为一种获取地球表面信息的重要手段，在地理信息系统、资源调查、环境监测等领域发挥着越来越重要的作用。
为了更好地了解遥感技术的基本原理和应用，我们进行了本次遥感实验。
二、实验目的1. 掌握遥感图像的获取和处理方法；2. 熟悉遥感图像处理软件ENVI的基本操作；3. 学习遥感图像的分类和提取信息的方法；4. 培养团队合作精神和实际操作能力。
三、实验原理遥感技术是利用电磁波对地球表面进行探测和监测的技术。
通过遥感传感器获取的图像数据，可以反映地表物体的物理、化学和生物特性。
遥感图像处理主要包括图像校正、分类、提取信息等步骤。
四、实验内容1. 图像获取实验中，我们使用了ENVI软件，从美国地质调查局（USGS）的地球观测系统数据和信息（EOSDIS）中下载了北京市的Landsat 8卫星影像。
2. 图像校正首先，我们对下载的遥感图像进行了几何校正，以消除图像中的几何畸变。
通过选择地面控制点，将遥感图像与实际地理位置相对应。
3. 图像分类接着，我们进行了遥感图像的分类。
采用监督分类方法，利用ENVI软件中的分类器，对遥感图像进行分类。
分类过程中，我们选取了地物特征明显的区域作为训练样本，以指导分类器进行分类。
4. 信息提取最后，我们利用遥感图像提取了北京市的地物信息，包括水体、植被、建筑等。
通过对提取信息的分析，可以了解北京市的地表环境状况。
五、实验结果与分析1. 图像校正通过几何校正，我们成功地将遥感图像与实际地理位置相对应，消除了图像中的几何畸变。
校正后的图像可以更准确地反映地表物体的真实位置。
2. 图像分类在遥感图像分类过程中，我们共分为三个类别：水体、植被和建筑。
经过分类，我们得到了较为准确的分类结果。
通过分析分类结果，可以看出北京市的水体主要分布在北部地区，植被主要分布在山区和郊外，建筑主要集中在城市中心区域。
3. 信息提取通过对遥感图像提取的地物信息进行分析，我们可以了解到北京市的地表环境状况。
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。
- 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)。
Lab6 non-parametric classification and post classification
12021005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ROI
3、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 machine
Svm分类效果的验证
Classification——post classification——confusion matrix——using ground truth ROIs
Svm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 ROIs
5、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。
Molder-----molder maker，建立模型
建立关系式
运行模型后加载图像
（模型一运行就闪退。
）最后进行GEO link地理连接。