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。
- 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。