《遥感数字图像处理》实验报告
遥感数字图像处理教程实习报告
遥感数字图像处理教程实习报告《数字图像处理》课程实习报告（ 2011 - 2012学年第 1 学期）专业班级：地信09-1班姓名：梁二鹏学号：310905030114指导老师：刘春国----------------------------------------------实习成绩：教师评语：教师签名：年月日实习一：图像彩色合成实习一、实验目的在学习遥感数字图像彩色合成基础上，应用所学知识，基于遥感图像处理软件ENVI进行遥感数字图像彩色合成。
二、实验内容彩色合成：利用TM图像can_tmr.img，实现灰度图像的密度分割、多波段图像的真彩色合成、假彩色合成和标准假彩色合成。
三、实验步骤1、显示灰度图像主要步骤：1、打开ENVI4.7,单击FILE菜单，在下拉菜单中选择open image file 选项，然后在弹出的对话框中选择can_tmr.img文件，单击打开。
2、在可用波段列表对话框中，选中某一波段图像，选中gray scale单选按钮，单击LOAD BAND按钮，显示一幅灰度图像。
3、在可用波段列表对话框中，选择其他某一波段图像，进行显示。
4、利用可用波段列表中的display按钮，同时有多个窗口显示多个波段图像。
5、链接显示。
利用图像窗口tool菜单下的link子菜单link display实现多图像的链接显示。
如图所示：红色方框。
6、使用tool菜单下的Cursor Location/value和pixel Locator功能在确定像素的值和位置。
2、伪彩色合成的主要步骤：1、打开ENVI4.7,单击FILE菜单，在下拉菜单中选择open image file 选项，然后在弹出的对话框中选择can_tmr.img 文件，单击打开。
2、在可用波段列表对话框中，选中gray scale单选按钮，单击LOAD BAND 按钮3、在#1 TM BAND1:CAN_TMR.IMG对话框中，单击菜单栏上的OVERLAY 菜单，在下拉菜单中选择DENSITY SLICE…按钮，在弹出的对话框中选择任意一个波段名称，4、在弹出的对话框中显示系统默认的密度分割，通过定义MIN和max的值可以定义需要分割的密度范围，通过EDIT RANGE ,deleted range，clear ranges 三个按钮可以对默认的分割进行修改，待修改完毕后，单击APPLY按钮，即可显示修改后的效果。
遥感图像处理实验
哈尔滨工业大学遥感图像处理及遥感系统仿真实验报告项目名称：《遥感图像处理及遥感系统仿真创新》姓名：蒋国韬学号：24院系：电子与信息工程学院专业：遥感科学与技术指导教师：胡悦时间：2017年7月实验一：遥感数字图像的增强一、实验目的：利用一幅城市多光谱遥感图像，分析其直方图，并利用对比度增强和去相关拉伸方法对遥感图像进行增强。
二、实验过程：1.用multibandread语句读取一幅多光谱遥感图像（7波段，512x512图像）的可见1，2，3波段（分别对应R，G，B层）；2.显示真彩色图像；3.通过研究直方图（imhist），分析直接显示的真彩色图像效果差的原因；4.利用对比度增强方法对真彩色图像进行增强（imadjust,stretchlim）；5.画出对比度增强后的图像红色波段的直方图；6.利用Decorrelation去相关拉伸方法（decorrstretch）对图像进行增强；7.显示两种图像增强方法的结果图像。
三、实验分析：（1）高光谱影像由于含有近百个波段，用matlab自带的图像读写函数imread和imwrite往往不能直接操作，利用matlab函数库中的multibandred函数，可以读取多波段二进制图像。
512×512为像素点，7位波段数，bil为图像数组的保存格式，uint8=>uint8为转换到matlab 的格式，[3 2 1]的波段分别对应RGB三种颜色。
（2）直接观察真彩复合图像发现，图像的对比度非常低，色彩不均匀。
通过观察红绿蓝三色的波段直方图，可以观察到数据集中到很小的一段可用动态范围内，这是真彩色复合图像显得阴暗的原因之一。
另外，根据三种颜色的三维散点图，如下可知红、绿、蓝三维散点的明显线性趋势显示出可见波段数据的高度相关性，于是未增强的真彩色图像显示的像单色图像。
（3）图像经过对比度增强后，进行直方图检测发现数据被扩展到更大范围内的可用动态范围。
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习报告姓名：学号：联系方式：日期：一、实习要求（一）掌握使用ENVI进行各种图像基本操作；（二）熟练运用ENVI中工具进行图像图像校正、裁剪拼接、融合及图像增强处理；二、实习操作过程与实现结果（一）辐射校正及大气校正1、辐射校正（1）选择File->open，选择Landset8武汉数据中的‘’文件。
（2）选择T oolbox->Radiometric Correction->Radiometric Calibration工具，选择要校正的‘LC8LGN00_MTL_MultiSpectral’多光谱数据，设置定标参数（存储格式：BIL；单位转换“Scale Factor”的设置，单击Apply FLAASH Settings得到相应的参数），得到辐射定标后的结果。
2、大气校正（1）选择Toolbox->Radiometric Correction->Atmospheric Correction Module->FLAASH Atmospheric Correction工具；打开工具后设置参数：在FLAASH Atmospheric Correction Module Input Parameters 面板中如图设置各项参数；点击apply运行大气校正。
（2）大气校正运行结果（二）图像裁剪与拼接1、15米全色波段图像裁剪拼接（1）选择File->open，选择‘县界.shp’‘LC8LGN00_MTL’及‘LC8LGN00_MTL’文件。
（2）选择Toolbox->Regions of Interest->Subset Date from ROIs 工具；双击打开后input file面板选择38区段15米分辨率文件，input ROIs面板选择‘县界’文件。
点击‘OK’，38区段文件裁剪后如图。
（3）重复（2）中工具选择步骤；双击打开后在input file 面板选择39区段15米分辨率文件，在input ROIs面板选择‘县界’文件。
遥感数字图像处理实习报告含Matlab处理代码
辽宁工程技术大学《数字图像处理》上机实习报告教学单位辽宁工程技术大学专业摄影测量与遥感实习名称遥感数字图像处理班级测绘研11-3班学生姓名路聚峰学号*********指导教师孙华生实习1 读取BIP 、BIL、BSQ文件一、实验目的用Matlab读取BIP 、BIL、BSQ文件，并将结果显示出来。
遥感图像包括多个波段，有多种存储格式，但基本的通用格式有3种，即BSQ、BIL和BIP格式。
通过这三种格式，遥感图像处理系统可以对不同传感器获取的图像数据进行转换。
BSQ是像素按波段顺序依次排列的数据格式。
BIL 格式中，像素先以行为单位块，在每个块内，按照波段顺序排列像素。
BIP格式中，以像素为核心，像素的各个波段数据保存在一起，打破了像素空间位置的连续性。
用Matlab读取各个格式的遥感数据，是图像处理的前提条件，只有将图像读入Matlab工作空间，才能进行后续的图像处理工作。
二、算法描述1.调用fopen函数用指定的方式打开文件。
2.在for循环中调用fread函数，用指定的格式读取各个像素。
3.用reshape函数，重置图像的行数列数。
4.用imadjust函数调整像素的范围，使其有一定对比度。
5.用imshow显示读取的图像。
三、Matlab源代码1.读取BSQ的源代码：clear allclclines=400;samples=640;N=6;img=fopen('D:\sample_BSQ','rb');for i=1:Nbi=fread(img,lines*samples,'uint8');band_cov=reshape(bi,samples,lines);band_cov2=band_cov'; band_uint8=uint8(band_cov2);tif=imadjust(band_uint8);mkdir('D:\MATLAB','tifbands1')name=['D:\MATLAB\tifbands1\tif',int2str(i),'.tif'];imwrite(tif,name,'tif');tilt=['波段',int2str(i)];subplot(3,2,i),imshow(tif);title(tilt);endfclose(img);2.读取BIP源代码clear allclclines=400;samples=640;N=6;for i=1:Nimg=fopen('D:\MATLAB\sample_BIP','rb');b0=fread(img,i-1,'uint8');b=fread(img,lines*samples,'uint8',(N-1));band_cov=reshape(b,samples,lines);band_cov2=band_cov';%תÖÃband_uint8=uint8(band_cov2);tif=imadjust(band_uint8);mkdir('E:\MATLAB','tifbands')name=['E:\MATLAB\tifbands\tif',int2str(i),'.tif'];imwrite(tif,name,'tif'); %imwrite(A,filename,fmt)tilt=['波段',int2str(i)];subplot(3,2,i),imshow(tif);title(tilt);fclose(img);end3.读取BIL的源代码clear allclclines=400;samples=640;N=6;for i=1:Nbi=zeros(lines,samples);for j=1:samplesimg=fopen('D:\MATLAB\sample_BIL','rb');bb=fread(img,(i-1)*640,'uint8');b0=fread(img,1*(j-1),'uint8');bandi_linej=fread(img,lines,'uint8',1*(N*samples-1));fclose(img);bi(:,j)=bandi_linej;endband_uint8=uint8(bi);tif=imadjust(band_uint8);mkdir('D:\MATLAB','tifbands')name=['D:\MATLAB\tifbands\tif',int2str(i),'.tif'];imwrite(tif,name,'tif');tilt=['²¨¶Î',int2str(i)];subplot(3,2,i),imshow(tif);title(tilt);end。
遥感数字图像处理实习报告
遥感数字图像处理实习报告一、引言遥感数字图像处理是一项重要的技术，通过对遥感图像的处理和分析，可以获取地表信息、监测环境变化、进行资源调查等。
本报告旨在总结我在遥感数字图像处理实习中所学到的知识和经验，并对实习过程中的工作进行详细的描述和分析。
二、实习背景在本次实习中，我加入了某遥感数字图像处理公司的团队，负责处理和分析卫星遥感图像。
公司的主要业务包括地表覆盖分类、环境监测、农业调查等。
在实习期间，我主要参与了地表覆盖分类和环境监测方面的工作。
三、实习内容1. 数据获取在实习开始前，我首先了解了卫星遥感图像的获取方式和数据源。
公司与多个卫星数据提供商合作，可以获取高分辨率的多光谱和全色遥感图像。
我通过公司内部的数据平台，获取了一些地区的遥感图像数据，用于后续的处理和分析。
2. 图像预处理在进行地表覆盖分类和环境监测之前，我对获取的遥感图像进行了预处理。
预处理包括图像校正、辐射定标、大气校正等步骤，旨在消除图像中的噪声和偏差，提高图像的质量和准确性。
3. 地表覆盖分类地表覆盖分类是遥感数字图像处理的重要应用之一。
我使用了监督分类和非监督分类两种方法进行地表覆盖分类。
在监督分类中，我利用已知类别的样本数据训练分类器，并对整个图像进行分类。
在非监督分类中，我使用聚类算法对图像进行分割，并根据像素的相似性进行分类。
通过比较两种方法的结果，我发现监督分类在准确性方面表现更好，但非监督分类在处理大规模数据时更高效。
4. 环境监测除了地表覆盖分类，我还参与了环境监测方面的工作。
通过对多时相的遥感图像进行比较和分析，我可以监测地表的变化情况，如城市扩张、植被覆盖变化等。
我使用了变化检测算法和时间序列分析方法，对图像进行处理和分析，得到了地表变化的信息。
5. 结果分析在实习期间，我对处理和分析的结果进行了详细的分析和评估。
我比较了不同分类算法的准确性和效率，评估了地表变化的程度和趋势。
通过对结果的分析，我可以得出一些有关地表覆盖和环境变化的结论，为后续的研究和决策提供参考。
实习三 遥感报告遥感数字图像处理
第四主成分
第五主成分
第六主成分
基本要求与说明：
1．实验原理部分文字阐述要简洁明了，可附相应公式、图解；
2．实验步骤与方法请尽量详细叙述，如果有必要请附相应图形、图像；
3．表格大小和所列条目数可以根据实际情况进行调整与增删即为变换矩阵。保证变换后各主成分互不相关。
4．变换后各主成分图像
变换后各主成分互不相关，且第一，第二，第三主分量包含绝大部分的信息。
第一主成分
第二主成分
第三主成分
第四主成分
第五主成分
第六主成分
二、K-T变换
要求：对多光谱遥感数据“L7ETM+_121-032_123457”进行K-T变换。
四、掌握Envi软件进行图像变换的操作方法
主要实验内容
一、K-L变换
要求：基于相关系数矩阵对多光谱遥感数据“L7ETM+_121-032_123457”进行K-L变换。
1．K-L变换的实现流程
(1)统计原始数据的基本特征
(2)求变换矩阵
(3)变换的后处理
2．原始数据相关系数矩阵
3．相关系数矩阵特征值、特征向量
1．K-T变换矩阵
2．K-T变换后各分量图像及前三个分量的物理意义
（五号宋体。要求根据K-T变换矩阵向量列出变换后前三个分量的表达式并说明其物理意义）
变换后各主成分即是原始数据的加权和，权就是变换矩阵里的各行系数。
第一主成分0.3037*TM1+0.2793*TM2+0.4743*TM3+0.5585*TM4+0.5082*TM5+0.1863*TM6
遥感图像处理实习报告
一、实习时间及地点时间：2016年3月15日至2016年3月29日，地点：院楼四楼机房。
二、实习内容（1）遥感数据下载（2）遥感影像增强滤波处理（3）遥感影像镶嵌（4）遥感影像裁剪（5）遥感影像的计算机自动分类及精度评价（6）遥感影像专题地图制作三、任务分工我们小组共有五名同学：冯正英，刘天珂，王亚茹，刘晓晨，石义广。
其中刘晓晨和石义广负责下载数据，冯正英，刘天珂，王亚茹负责数据的预处理。
分类时刘晓晨和石义广负责2003年的开封影像分类，冯正英，刘天珂，王亚茹负责2008年的开封影像分类以及两期影像的精度评定和后处理工作。
最后专题制作是每人都参与专题地图的制作。
四、实习过程1 研究区及数据准备1.1 遥感影像数据的采集1.1.1 确定研究区域在进行实习之前，我们首先讨论哪一座城市作为我们的研究区域，根据老师的要求，让我们根据遥感图像，做出一个城市近几年来的变化情况，经过我们小组讨论，觉得近几年来开封的变化比较迅速，同时我们也比较熟悉，所以我们确定了以开封作为我们的研究城市。
1.1.2 下载影像数据选定好研究区域后需要下载相应的影像数据做下一步的处理。
（1）按照指导书的要求，首先下载Java插件，打开指导书中的网址，即美国的USGS软件。
其次注册一个账号以便下载影像照片。
（2）选择卫星传感器：鼠标点collection→landsat Archive，由于landsat 卫星有1-7系列（6除外），但是经过试验之后发现landsat8只有2013年的数据，而且landsat7的数据都有条带影响，所以我们最终选择的是landsat4-5TM 传感器。
点击Map Layers→Admin Boundaries可以在屏幕内出现省界范围。
图1 选择卫星传感器图2 添加界限范围（3）确定方位：根据我们组选择的研究区域，在WRS-2中输入123和36，在Lat 中输入34.5和115.0，并将最大含云量改为0%以便处理。
遥感图像处理实验报告
《遥感数字图像处理》实习报告学院：环境与资源学院班级：地理1002学号：周颖智姓名： 20101171西南科技大学环境与资源学院遥感实习2013年5月11日目录1、实验目的 (2)2、实验内容 (15)3、实验步骤 (26)4、实验体会 (38)《某地区森林资源遥感动态监测》一、实验目的熟练掌握ENVI4.7软件中对遥感数字图像进行图像预处理、图像分类、分类后处理以及对分类后的图像进行必要的综合分析得到我们想要的信息。
二、实验内容对00年森林资源遥感图像july_00_quac.img进行图像增强处理得到图像00I_K-L.img，然后选择合适的图像分类方法，对增强后的图像进行分类，得到分类后图像00ML1,接着对分类后图像进行分类后处理的最终的分类结果图00MMN。
用同样的遥感图像处理方法得到06年森林资源遥感图像july_06_quac.img的分类结果图06MMN。
最后对分类后处理的图像进行分类精度的评估，当精度符合标准时便可对分类结果图00MMN和06MMN进行波段运算B1-B2，便可以得到00年到06年该地区森林资源的一个动态变化情况图B1-B2。
三、实验步骤（一）、对00年森林资源遥感图像july_00_quac.img进行图像增强处理。
已知我们所学过的遥感图像增强处理的方式有：图像彩色增强、图像拉伸、图像变换以及图像滤波。
1、首先打开00年森林资源遥感图像july_00_quac.img，然后的遥感图像进行彩色增强。
采用真彩色合成的方式来的彩色图像，这里我使用的波段合成方式有：321（真彩色）、432（标准假彩色）、以及其他假彩色合成的方式，542、542、741、742、572和453等，得到如下的彩色图像：321.img（图一）432.img(图二)453.img（图三）742.img（图四）741.img（图五）543.img（图六）542.img（图七）572.img（图八）最后，我选择了542波段合成后的彩色图像542.img。
- 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)。
《遥感数字图像处理》实验报告
《遥感技术原理与应用》期末报告
研究生《遥感技术原理与应用》
期末考试报告
题目：利用TM遥感数据进行土地覆盖分类和制图
专业：地图学与地理信息系统
2015．12
一、研究方法
缨帽变换：也称K-T变换，是一种特殊的主成分变换。
但与主成分不同，其旋转轴不是指向主成分方向，而是指向与地面景物有密切关系的方向，特别是与植物生长过程和土壤有关。
传统的NDVI植被信息提取方法受到影像空间分辨率的限制，对影像上信息量少的植被（如道路两旁的行道树、居民小区中的绿地等）提取效果不佳。
缨帽变换对区分不同类型植被类型如树、灌木、草地、农作物等非常有效，此次试验具有较好的应用。
支持向量机分类法：是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折中，以求获得最好的推广能力。
最大似然分类法：假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。
二、研究内容及数据
对富民县散旦乡TM影像进行信息挖掘后突出植被和水体等地物信息；结合二调数据，选择样本，分别用最大似然和支持向量机（SVM）分类法对散旦乡进行分类，通过对比分类精度，比较两种分类方法的优缺点。
数据：对富民县进行裁剪后得到的散旦乡Landsat TM影像；富民县二类调查小班数据；富民县县行政区数据。
三、研究过程
1.裁剪研究区域
将富民县行政区数据导入ArcGIS软件中，根据属性表查找得到散旦乡数据，导入ENVI，再利用ENVI提供的不规则裁剪工具进行裁剪得到散旦乡TM影像（4，3，2假彩色合成），见图1、2。
图1 散旦乡在富民县的位置
图2 研究区原始影像
2.缨帽变换
在主菜单Transforms→Tassled Cap中使用缨帽变换对研究区影像进行正交变换，变换结果包括亮度“Brightness”、绿度“Greenness”、第三波段“Third”三个波段信息。
图3 缨帽变换结果
3.归一化植被指数——NDVI的提取
NDVI(Normal Differential Vegetation Index)，其表达式为NDVI=(NIR-R)/(NIR+R)，是基于近红外波段与红外波段的归一化比值指数。
利用波段运算工具Band Math对散旦乡影像进行NDVI运算（影像中3，4波段分别代表公式中的R和NIR），得到植被指数影像。
图4 NDVI提取结果
4.图像合成
对缨帽变换得到的绿度，NDVI得到的植被指数，以及原散旦乡TM影像的4波段进行合成，得到一张新的散旦乡影像，信息挖掘前后对比见图5。
通过对比可以看出，植被及水体地物均得到了增强，为接下来影像的分类工作提供了方便。
图5 原始影像（左）与信息挖掘后（右）对比
5.选择训练样本
在ArcGIS中，依据属性表中的class字段，根据分类要求提取6个类别的图层数据；然后导入ENVI，叠加显示在影像上（图上红色范围），然后在小班范围内勾绘的训练样本（图上蓝色区域），参考提取的小数据勾画训练样本，见图6。
图6 选择训练样本
6.影像分类
为避免背景参与分类，使用主菜单下Basic tool→masking→build masking生成掩膜文件，然后对影像分别按照最大似然和支持向量机两种方法进行分类得到分类结果图，如图7所示。
图7 最大似然（左）与支持向量机（右）分类结果图7.分类后处理
分类结果中，不可避免会产生一些面积很小的图斑，需要对这些小图斑进行处理。
在主菜单Classification→Post Classification中，选择Majority/Minority工具将小图斑合并
到周围的大类中，分类后处理结果如图8所示。
图8 最大似然（左）与支持向量机（右）分类后处理
结果图
8.精度检验
在ENVI下打开前面用于分类的影像数据和提取出的小班数据，在Available Vectors List下选择File—＞Export Layers to ROI，在弹出的对话框中选择影像数据OK，然后选择Covert each record of an EVF layer to a new ROI，将小班数据转化成ROI兴趣区；然后采用Classification—＞Post Classification—＞Confusion Matrix—＞Using Ground Truth ROIs混淆矩阵下的地表真实训练区方法进行检验。
精度结果见表1。
表1 分类精度评价
9.制作专题图
将分类后处理结果导入ArcGIS中，进行专题图制作，添加标题、比例尺、指北针及图例等要素，最终得到分类专题图。
（可见附件）
图9 专题图结果
四、分类结果分析
1.从表1可以看出，经过前期增强处理，针叶林、农地和水域分类效果较好；其他几类分类效果均不佳。
2.两种分类方法的总体精度均不高，具体原因分析如下：
（1）TM影像分辨率不高，对于光谱差异不明显的阔叶林和针叶林，容易出现异物同谱及混分现象；
（2）影像拍摄时间和二调数据采集时间不一致以及季节的不同，影像分类时会产生差异；
（3）对于二调数据，有些区域含有混合成分，所以进行样本选择时会有错误样本进入训练过程，同时利用整个区域进行验证分类结果，因此也会对分类结果产生影响；
（4）在分类过程中，训练区的数量及准确度也对分类精度有很大影响。
五、实验感悟
实验前期做了一些尝试，想利用决策树方法来进行分类，但是类与类之间的判别信息不是很明确，实验没能进行下去，于是改用支持向量机的分类方法。
实验中有不正确的地方，希望老师指出。