《遙感數(shù)字圖像處理》實驗指導(dǎo)書

1、遙感信息技術(shù)課程組2005遙感數(shù)字圖像處理實驗指導(dǎo)書林子瑜東華理工學(xué)院地球科學(xué)與測繪工程學(xué)院實驗一、遙感圖像處理軟件介紹（2學(xué)時，驗證性）實驗二、遙感圖像輻射增強（2學(xué)時，驗證性）實驗三、遙感圖像空間增強（2學(xué)時，驗證性）實驗四、遙感圖像光譜增強（2學(xué)時，驗證性）實驗五、遙感圖像非監(jiān)督分類（2學(xué)時，設(shè)計性）實驗六、遙感圖像監(jiān)督分類（2學(xué)時，設(shè)計性）實驗七、遙感圖像專家分類（2學(xué)時，設(shè)計性）實驗八、遙感圖像分析（2學(xué)時，設(shè)計性）實驗九、遙感圖像空間建模（2學(xué)時，設(shè)計性）實驗十、遙感圖像幾何校正（4學(xué)時，設(shè)計性）實驗十一、遙感影像制圖（2學(xué)時，設(shè)計性）實驗一、遙感圖像處理軟件介紹ERDAS Ima

2、gine遙感圖像處理軟件簡介目前，大容量、高速度的計算機與功能強大的專業(yè)圖像處理軟件相結(jié)合已成為圖像處理與分析的主流。國外常用的ERDAS、PCI、ENVI、ER-MAPPER及國內(nèi)的GEOIMAGE等商業(yè)化軟件已為廣大用戶所熟知。這些軟件在實際應(yīng)用中不斷地完善，以適應(yīng)遙感技術(shù)的發(fā)展。例如：可以讀取多種數(shù)據(jù)格式，設(shè)置專門模塊處理雷達圖像，具有三維顯示、飛行漫游功能，與多種GIS軟件和數(shù)據(jù)庫兼容等。以下對ERDAS Imagine遙感圖像處理軟件做簡要介紹。ERDAS IMAGINE是美國ERDAS公司開發(fā)的遙感圖像處理系統(tǒng)，它以先進的圖像處理技術(shù)，友好、靈活的用戶界面和操作方式，面向廣闊應(yīng)用領(lǐng)

3、域的產(chǎn)品模塊，服務(wù)于不同層次用戶的模型開發(fā)工具以及高度的RSGIS（遙感圖像處理和地理信息系統(tǒng)）集成功能，為遙感及相關(guān)應(yīng)用領(lǐng)域的用戶提供了內(nèi)容豐富而功能強大的圖像處理工具，代表了遙感圖像處理系統(tǒng)未來的發(fā)展趨勢。1 ERDAS IMAGINE軟件概述ERDAS IMAGINE是以模塊化的方式提供給用戶的，用戶可以根據(jù)自己的應(yīng)用要求，資金狀況合理地選擇不同功能模塊及其組合，對系統(tǒng)進行裁剪，以便充分利用軟硬件資源，最大限度地滿足專業(yè)應(yīng)用要求。ERDAS IMAGINE面向不同需求的用戶，對于系統(tǒng)的擴展功能采用開放的體系結(jié)構(gòu)，以IMAGINE Essentials、IMAGINE Advantage、

4、IMAGINE Professional的形式為用戶提供了低、中、高3檔產(chǎn)品架構(gòu)，并有豐富的功能擴展模塊提供用戶選擇，使產(chǎn)品模塊的組合具有極大的靈活性。1）IMAGINE Essentials級IMAGINE Essentials是一個花費較少、包括有制圖和可視化核心功能的圖像工具軟件。利用該軟件，可完成圖像的二維三維顯示、數(shù)據(jù)輸人、排序與管理、地圖配準(zhǔn)、專題制圖及簡單的分析?？梢约墒褂枚喾N數(shù)據(jù)類型，并易于升級到其他ERDAS公司的產(chǎn)品。其主要內(nèi)容有：l 數(shù)據(jù)的輸人與輸出；l 影像庫管理；l 圖像處理幾何校正；l 影像矢量編輯；l 非監(jiān)督分類（ISoDATA）；l 三維可視化；l 專題地圖生

5、產(chǎn)?？蓴U充的模塊如下：（1）vector模塊。直接采用GIS工業(yè)界領(lǐng)袖ESRI公司的Arcinfo數(shù)據(jù)結(jié)構(gòu)Coverage，可以建立、顯示、編輯和查詢Coverage，完成拓撲關(guān)系的建立和修改，實現(xiàn)矢量圖形和柵格圖像的雙向轉(zhuǎn)換等。（2）Virtual CIS模塊。功能強大的三維可視化分析工具，可以完成實時3D飛行模擬，建立虛擬世界，進行空間視域分析，矢量與柵格的三維疊加，空間GIS分析等。（3）Developers Toolkit模塊。ERDAS IMAGINE的C語言開發(fā)包，包含了幾百個函數(shù)，是ERDAS IMACINE客戶化的基礎(chǔ)。2）IMAGINE Advantage 級建立于IMAGI

6、NE Essentials級基礎(chǔ)之上，增加了更加豐富的柵格圖像GIS分析和單張航片正射校正等強大功能的軟件。IMAGINE Advantage為用戶提供了靈活可靠的用于柵格分析、正射校正、地形編輯及圖像拼接工具。簡而言之，IMAGINE Advantage是一個完整的圖像地理信息系統(tǒng)（imaging GIS）。其主要內(nèi)容有：l 正射糾正（航片、衛(wèi)片、傳感器參數(shù)）；l 大比例尺鑲嵌工具（定義切割線、灰度匹配）；l 影像解譯：高光譜處理功能（Normalize，IARLogAverageRescale，信噪比分析，剖面圖分析等）；GIS分析區(qū)域?qū)傩裕╖onal Attributes），Search

7、，Index，Overlay和Matrix等；影像融合（4種方法）；高級RCB聚類；傅里葉正反變換頻域濾波。l DEM表面生成（Coverage，ASC II，Image）應(yīng)用計算；l 專家分類器?？蓴U充的模塊有：（1）Radar模塊。完成雷達圖像的基本處理，包括亮度調(diào)整、斑點噪聲消除、紋理分析、邊緣提取等功能。（2）OrthoMAX模塊。全功能、高性能的數(shù)字航測軟件，依據(jù)立體像對進行正射校正，自動DEM提取，立體地形顯示及浮動光標(biāo)形式的DEM交互編輯等。（3）OrthoBase模塊。區(qū)域數(shù)字攝影測量模塊、用于航空影像的空三測量和正射校正。（4）Ortho Radar模塊。可以對Radarsa

8、t、ERS雷達圖像進行地理編碼、正射校正等處理。（5）StereoSAR DEM模塊。采用類似于立體測量的方法，從雷達圖像數(shù)據(jù)中提取DEM。（6）IFSAR DEM模塊。采用干涉方法，以像對為基礎(chǔ)從雷達圖像數(shù)據(jù)中提取DEM。（7）ACTOR模塊。用于大氣因子校正和霧曦消除。3）IMAGINE Professional級IMAGINE Professional面向從事復(fù)雜分析、需要最新和最全面處理的工具、經(jīng)驗豐富的專業(yè)用戶。除了Essentials和Advantage中包含的功能以外，IMAGINE Professional還提供輕松易用的空間建模工具，高級的參數(shù)非參數(shù)分類器，知識工程師和專家分

9、類器，分類優(yōu)化和精度評價及雷達圖像分析工具。其主要功能如下：l 圖解建模工具（graphical modeling）：支持矢量集成；實時在模型上查詢輸入。l 高級分類系列工具（模糊分類、專家分類器及知識庫建立工具）。l 內(nèi)置雷達圖像處理（斑點噪聲壓縮、紋理分析、與多光譜的融合、斜地距的校正等）?？蓴U充的模塊如下：Subpixel Classifier模塊。子像元分類器利用先進的算法對多光譜圖像進行信息提取，可達到提取混合像元中占20以上物質(zhì)的目標(biāo)。4）IMAGINE動態(tài)連接庫ERDAS IMAGINE中支持動態(tài)連接庫（DLL）的體系結(jié)構(gòu)，支持目標(biāo)共享技術(shù)和面向目標(biāo)的設(shè)計開發(fā)，提供一種無需對系統(tǒng)

10、進行編譯連接而向系統(tǒng)加人新功能的手段，并提供在特定的項目中裁剪這些擴充的功能。動態(tài)連接庫有：（1）圖像格式DLL。提供對多種圖像格式文件無需轉(zhuǎn)換的直接訪問，從而提高易用性和節(jié)省磁盤空間。支持的圖像格式包括：IMAGINE、GRID、LANGIS、TIF（GEOTIFF）、GIF、JPG（JPEG）、FIT和原始二進制格式。（2）地形模型DLL。提供新類型的校正和定標(biāo)（Calibration），從而支持基于傳感器平臺的校正模型和用戶裁剪的模型。這部分模型包括：Affine、Polynomial、Rubber sheeting、TM、SPOT、Single Frame Camera等。（3）字體D

11、LL庫。提供字體的裁剪和直接訪問，從而支持專業(yè)制圖應(yīng)用，非拉丁語系國家字符集和商業(yè)公司開發(fā)的上千種字體。2 ERDAS IMAGINE的啟動和退出在Windows系統(tǒng)中，點擊“開始”“程序”ERDAS IMAGINE8.4ERDAS IMAGINE8.4按鈕，即可啟動IMAGINE。啟動IMAGINE后，有一個短暫的初始化過程。而后，IMAGINE圖標(biāo)控制面板（見圖1.1）即可出現(xiàn)并自動打開一個viewer視窗。圖1.1 IMAGINE的圖標(biāo)控制面板在Session菜單中選擇Exit IMAGINE或在鍵盤上按CtrlQ鍵，可以退出ERDAS IMAGINE，并關(guān)閉所有打開的顯示窗曰。3 ER

12、DAS IMAGINE系統(tǒng)簡介啟動ERDAS IMAGINE以后，用戶首先看到的就是ERDAS IMAGINE的圖標(biāo)面板（icon panel），包括菜單條（menu bar）和工具條（tool bar）兩部分，其中提供了啟動ERDAS IMAGINE軟件模塊的全部菜單和圖標(biāo)。1）菜單命令及其功能（menu）如圖1.1所示，ERDAS IMAGINE圖標(biāo)面板菜單中包括5項下拉菜單，每個菜單由一系列命令或選擇項組成，其主要功能見表1.1。表1.1 ERDAS IMAGINE圖標(biāo)面板菜單條2）工具圖標(biāo)及其功能（Icon）與IMAGINE Professional級對應(yīng)的圖標(biāo)面板工具條中的圖標(biāo)有10

13、個，除了IMAGINE Professional級的功能外，還簡要介紹了兩個重要的擴展模塊vector模塊和virtual GIS模塊，共12個圖標(biāo)（見表1.2）。表1.2 ERDAS IMAGINE圖標(biāo)面板工具條實習(xí)目的 了解遙感圖像的種類；熟悉主要遙感圖像的特性。實習(xí)內(nèi)容和步驟 1）利用多媒體手段盡可能多地展示各類遙感圖像；4 ERDAS IMAGINE主要功能簡介點擊功能圖標(biāo)按鈕，即可啟動相應(yīng)的功能模塊。下面介紹工具條各主要功能圖標(biāo)的內(nèi)容，即點擊圖標(biāo)按鈕后彈出的菜單包括的各個命令。1）視窗viewer功能視窗是在屏幕上打開的一個顯示窗口，用來顯示、瀏覽圖像、矢量圖形、注記文件、AOI（感

14、興趣區(qū)域）等數(shù)據(jù)層。每次啟動ERDAS IMAGINE時，系統(tǒng)都會自動打開一個視窗。每次點擊視窗功能（viewer）按鈕，就有一個視窗出現(xiàn)?？梢栽谝暣皟?nèi)對圖像進行各種處理操作（圖1.2）。圖1.2 viewer視窗2）輸入輸出模塊啟動輸人輸出模塊，彈出下面的對話框（如圖1.3所示）。圖1.3 ImportExport對話框此模塊允許用戶輸人柵格和矢量數(shù)據(jù)到IMAGINE中，并可輸出文件。在這個對話框的下拉列表中完整地列出了ERDAS支持的各種輸人輸出格式。3）數(shù)據(jù)預(yù)處理模塊啟動數(shù)據(jù)預(yù)處理模塊，彈出數(shù)據(jù)預(yù)處理菜單條，其功能見表1.3所示。表1.3 數(shù)據(jù)預(yù)處理（data proparation）模

15、塊主要功能4）專題制圖模塊啟動專題制圖模塊，彈出專題制圖菜單條，其功能如表1.4所示。表1.4 專題制圖（map composer）模塊主要功能5）圖像解譯模塊啟動圖像解譯模塊，彈出圖像解譯菜單條，其功能如表1.5所示。表1.5 圖像解譯（image interpreter）模塊主要功能工具6）影像數(shù)據(jù)庫模塊啟動影像數(shù)據(jù)庫模塊，彈出影像數(shù)據(jù)庫視窗（如圖1.4所示）。圖1.4 影像數(shù)據(jù)庫視窗7）圖像分類模塊啟動圖像分類模塊，彈出圖像分類菜單條，其功能如表1.6所示。表1.6 圖像分類（image classification）模塊主要功能樣本 8）空間建模模塊啟動空間建模模塊，彈出空間建模菜單條

16、，其功能如表1.7所示。表1.7 空間建模（spatial modeler）模塊主要功能9）雷達模塊啟動雷達模塊，彈出雷達模塊菜單條，其功能如表1.8所示。表1.8 雷達（radar）模塊主要功能10）矢量模塊啟動矢量模塊，彈出矢量模塊菜單條，其功能如表1.9所示。表1.9 矢量（vector utilities）模塊主要功能11）虛擬GIS模塊啟動虛擬GIS模塊，彈出虛擬GIS模塊菜單條，其功能如表1.10所示。表1.10 虛擬GIS（virtual GIS）模塊主要功能目的要求1）了解遙感圖像處理軟件Erdas Imagine的主要特點和功能模塊；2）初步掌握遙感圖像處理軟件Erdas I

17、magine的使用方法；3）認識遙感圖像的基本結(jié)構(gòu)，了解數(shù)字圖像。實習(xí)步驟1） 運行遙感圖像處理軟件Erdas Imagine；2） 觀察其功能模塊構(gòu)成；3） 介紹圖像顯示視窗模塊，觀察遙感數(shù)字圖像特征；4） 介紹數(shù)據(jù)輸入輸出模塊；5） 介紹數(shù)據(jù)預(yù)處理模塊；6） 介紹數(shù)字圖像解譯模塊；7） 介紹分類模塊。實驗二、遙感圖像輻射增強（2學(xué)時）原理與方法簡介輻射增強（Radiometric Enhancement）處理影像中單個像元值，通過改變圖像像元的亮度值來改善圖像質(zhì)量或突出某些灰階像元。對一個波段所作的輻射增強處理可能并不適合于其它波段，因此，對多波段影像進行輻射增強時可以將它們按一系列獨立的

18、單波段影像考慮。一般而言，輻射增強不會使每一個像元的對比度都增強，有些像元的對比度會增強，而其它的則會減弱。（1）對比度拉伸（contrast stretching）利用某一線性或非線性函數(shù)，將原始影像數(shù)據(jù)從較窄的灰階段擴展到較大的灰階范圍（通常是顯示器能夠顯示的全部范圍，即0-255）。根據(jù)變換函數(shù)的性質(zhì)和處理方法，對比度拉伸有以下常見類型：線性對比度拉伸、分段線性對比度拉伸、非線性指數(shù)對比度拉伸、非線性對數(shù)對比度拉伸。在對影像進行對比度拉伸時，通常先對影像數(shù)據(jù)進行統(tǒng)計，得出其像元灰度平均值、標(biāo)準(zhǔn)方差及其它的統(tǒng)計量，利用平均值上下兩個標(biāo)準(zhǔn)方差的數(shù)據(jù)值作為起始和終止灰階。在圖像數(shù)據(jù)正態(tài)分布的情

19、況下，這個范圍的數(shù)據(jù)一般占影像數(shù)據(jù)總量的95%左右。（2）直方圖均衡化（histogram equalization）直方圖均衡化是一種非線性拉伸，通過將某一范圍內(nèi)的像元值進行重新分配，使每個灰度值的像元數(shù)接近一致，這樣一來，直方圖峰值部分的像元對比度將增加，而兩側(cè)像元對比度將減小。Figure2.1 Histogram Equalization直方圖均衡化所產(chǎn)生的輻射增強的效果是使原影像直方圖中的峰值部分對比度增大，而“尾部”像元對比度減小，這常常使輸入影像中最暗和最亮的部分丟失。（3）灰度分割（Level slice）灰度分割類似于直方圖均衡化，該方法將數(shù)據(jù)文件值按一定的規(guī)律劃分成若干不連

20、續(xù)的灰階段，每一灰階段中灰階數(shù)相等，源影像中每一灰階段的數(shù)據(jù)組成一組，并賦予一個輸出亮度值。（4）亮度反轉(zhuǎn)（brightness inversion）先將輸入數(shù)據(jù)文件值范圍（一般為0-255）變換成0-1，通過亮度反轉(zhuǎn)變換后再轉(zhuǎn)回到0-255范圍。亮度反轉(zhuǎn)對強調(diào)低值像元域的細節(jié)有特殊效果。DNout=1.0, 0DNin0.1DNout=0.1/DNin, 0.1DNin1目的要求學(xué)習(xí)掌握圖像對比度拉伸、直方圖均衡化、亮度反轉(zhuǎn)等輻射增強方法。實習(xí)步驟1） 在Erdas Imagine中打開一個視窗（View），加載一幅陸地衛(wèi)星影像，觀察波段組合所引起的各種變化；2） 從Raster下拉菜單中選

21、擇Contrast子菜單中的General Contrast，在其彈出對話框中可以完成一系列的圖像拉伸運算，包括對比度拉伸、直方圖均衡化和亮度反轉(zhuǎn)等等；Spatial Enhancement空間增強Radiometric Enhancement輻射增強Spectral Enhancement光譜增強直方圖均衡化標(biāo)準(zhǔn)方差拉伸高斯拉伸線形拉伸Gamma拉伸最小、最大值拉伸灰度分割常數(shù)值亮度反轉(zhuǎn)實驗三、遙感圖像空間增強原理與方法簡介輻射增強是基于每一獨立像素的操作，而空間增強（Spatial Enhancement）則是基于周邊像元值而作的像元值的修改。空間增強處理的主要是空間頻率（spatial

22、frequency），空間頻率是指相鄰像素之間最大值和最小值之間的差值。Jensen（1986）將空間頻率定義為：單位距離內(nèi)亮度值的變化量。Figure 3.1 Spatial Frequencies在Figure3.1中，左為零空間頻率，中為低空間頻率，右為高空間頻率。（1）卷積濾波（Convolution Filtering）卷積濾波是利用卷積子（convolution kernel）對影像按子區(qū)像素集作平均計算的過程，該算法用于改變影像的空間頻率特征（圖3.2）。Figure 3.2 Applying a Convolution Kernel卷積子（又稱數(shù)值模板）是一個數(shù)值矩陣，這些數(shù)值

23、也稱為系數(shù)，提供相應(yīng)的權(quán)重，對所計算像素及其周邊像素的值進行加權(quán)平均計算。對上圖中第二行第二列進行卷積運算，算式如下：Int（-18）+（-16）+（-16）+（-12）+（-168）+（-16）+（-12）+（-12）+（-18）/（-1+-1+-1+-1+16+-1+-1+-1+-1）=int（128-40）/（16-8）=int（88/8）=11經(jīng)過卷積運算，其中22窗口像元的輸出值如下（圖3.3）。Figure 3.3 Output Values for Convolution Kernel依次逐行掃描，直到全幅圖像掃描一遍結(jié)束，生成新的圖像。根據(jù)圖像處理的效果將卷積運算分為以下兩種類

24、型：低通濾波（Low Pass Convolution）：又稱為平滑運算，通過對像元值做簡單的平均運算，使各像元同質(zhì)性更強，空間頻率更低，從而過濾掉高頻的亮點（“噪聲”），結(jié)果影像看起來不是更加光滑就是更加模糊。高通濾波（High Pass Convolution）：又稱為銳化運算，利用高頻（高通）卷積子（High-pass kernel）對像元值作卷積運算，使原影像中高頻區(qū)域（或邊界）頻率變得更高，低頻區(qū)域頻率變得更低，從而增加影像的空間頻率。增強后的影像通常區(qū)域特征減弱，邊界特征增強。（2）數(shù)據(jù)融合（resolution merge）我們知道，TM傳感器有7個波段，空間分辨率為28.5m，

25、而spot全色波段具有較高的空間分辨率10m，將兩種影像結(jié)合起來，產(chǎn)生7個具有10m分辨率的波段數(shù)據(jù)，這就綜合了兩種傳感器各自的優(yōu)點。Welch和Ehlers（1987）使用正-反RGB-HIS變換，將TM轉(zhuǎn)換成HIS，然后用spot全色波段替代I，生成新的HIS，再轉(zhuǎn)回RGB，這項技術(shù)僅限于三個波段（RGB）。（孟塞爾變換，HHue色調(diào)，IIntensity亮度或強度，SSaturation飽和度）Chavez（1991）利用正反主成份變換，對TM進行主成份分析，然后用SPOT的全色波段替代PC-1，再做逆主成份變換。這兩項技術(shù)中，都假定強度組份（PC-1或I）在光譜上相當(dāng)于SPOT的全色影

26、像，而所有的光譜信息則包含在其它主成份或H、S中。由于SPOT數(shù)據(jù)并未覆蓋TM數(shù)據(jù)的全部光譜范圍，這一假定從嚴格的意義上講并不成立。根據(jù)可見光影像（SPOT全色影像）對熱紅外波段（TM6）重采樣是不可接受的。數(shù)據(jù)融合技術(shù)可應(yīng)用于具有不同空間分辨率和光譜分辨率的兩種遙感數(shù)據(jù)，也可以應(yīng)用于同一類型而時相不同的兩種遙感數(shù)據(jù)，或遙感數(shù)據(jù)與非遙感數(shù)據(jù)的結(jié)合。實習(xí)目的學(xué)習(xí)掌握圖像高通濾波和低通濾波等空間增強方法。實習(xí)內(nèi)容步驟1） 在Erdas Imagine中打開一個視窗（View），加載一幅陸地衛(wèi)星影像，觀察波段組合所引起的各種變化；2） 從Raster下拉菜單中選擇Filtering子菜單中的Conv

27、olutions Filtering，在其彈出對話框中可以完成一系列的圖像卷積運算，包括高通濾波和低通濾波。Spatial Enhancement空間增強Radiometric Enhancement輻射增強Spectral Enhancement光譜增強輸入影像文件 卷積模板 輸出影像文件實驗四、遙感圖像光譜增強原理與方法簡介光譜增強（spectral enhancement）是基于像元在多光譜影像中各波段的灰度變化而做得像元值的計算。通過這種波段間光譜信息的處理，獲取新的更加豐富或更易于解釋的影像波段信息。1）主成份變換（Principal Component Analysis）主成份變換

28、又稱為主成份分析，簡稱PCA，是一種常用的數(shù)據(jù)壓縮方法，該方法將冗余的數(shù)據(jù)壓縮成較少的波段，即減少數(shù)據(jù)維數(shù)。PCA數(shù)據(jù)各波段間是各自獨立的，沒有相關(guān)關(guān)系，常常比原始數(shù)據(jù)更容易解釋（Jensen 1996; Faust 1989）。 Figure 4.1 Two Band Scatterplot Figure 4.2 First Principal Component圖4.1中顯示了兩個波段的數(shù)據(jù)散點分布情況及其相關(guān)關(guān)系。如果兩個波段都具正態(tài)分布，則數(shù)據(jù)點分布在一個橢圓里。將光譜空間的軸旋轉(zhuǎn)，使之與橢圓的軸平行，則每個像素在光譜空間中的坐標(biāo)會發(fā)生變化（圖4.2）。這種情況可以推演到三維（橢球體）

29、或更多的維數(shù)（三維以上）。第一主成份 （Fist Principal Component）光譜橢圓的長軸就稱為第一主成份（或主分量），它的方向稱為第一特征向量（eigenvector），其長度為第一特征值（Taylor 1977）。該第一主成份定義了一個新的光譜特征空間軸，散點圖上的點獲得了與新軸對應(yīng)的新的坐標(biāo)點。在光譜空間中，點的坐標(biāo)就是數(shù)據(jù)文件值，通過坐標(biāo)轉(zhuǎn)換，可以獲得與第一主成份對應(yīng)的新的數(shù)據(jù)文件值，這些值存儲為第一主成份波段。其它主成份（Successive Principal Components）：第二主成份與第一主成份正交，相當(dāng)于光譜空間中橢圓的短軸方向，描述了第一主成份之外的其

30、它的數(shù)據(jù)方差。在三維光譜空間中，有三個主成份，在n維光譜空間中則對應(yīng)有n個主成份，這些主成份在n維光譜空間中是相互正交的（Faust 1989），并且后面的主成份所包含的數(shù)據(jù)的方差總是小于前面的主成份。在n維主成份分析中有n個輸出波段，前面少數(shù)幾個波段占有很高的數(shù)據(jù)方差比例，有時甚至近于100%。因此，利用主成份分析，可以有效地將數(shù)據(jù)壓縮成少數(shù)幾個波段。另一方面，可以利用最少的變量從主成份波段中獲取有用的信息。2）纓帽變換（Tasseled Cap）多光譜影像中的各個波段可以在N維空間中具體表示出來，每個像素根據(jù)其各波段的數(shù)據(jù)值占據(jù)N維空間中的一個位置。像素的這種空間分布由成像物質(zhì)的吸收/反射

31、光譜確定。這種像素的聚類就稱為數(shù)據(jù)結(jié)構(gòu)（Crist & Kauth，1986）。這種數(shù)據(jù)結(jié)構(gòu)可看成是一個多維橢球體，其主軸不需要與數(shù)據(jù)空間軸一致（由輸入影像波段決定），它們與吸收光譜的關(guān)系更直接一些。為了便于觀察，將N維空間進行旋轉(zhuǎn)，這樣，數(shù)據(jù)結(jié)構(gòu)中的一個或二個數(shù)據(jù)結(jié)構(gòu)軸與觀察 x, y軸一致。在特殊情況下，為了某種應(yīng)用，可以觀察由特別感興趣的吸收峰值產(chǎn)生的最大數(shù)據(jù)結(jié)構(gòu)軸。Tasseled Cap變換為植被研究提供了最優(yōu)的數(shù)據(jù)觀察方法。研究者已經(jīng)提出了三個由植被信息組成定義的數(shù)據(jù)結(jié)構(gòu)軸（Crist et al 1986，Crist & Kauth 1986）：l 亮度（Brightness）所

32、有波段之加權(quán)和，定義為土壤反射率的主要變化方向；l 綠度（Greenness）與亮度正交，近紅外與可視光之間的對比度在像幅中與綠色植被總量強烈相關(guān)；l 濕度（Wetness）與遮蓋（canopy）和土壤濕度相關(guān)（Lillesand and kiefer 1987）。這些變換與傳感器有關(guān)，但是一旦定義下來，就會對同一傳感器獲得的任一像幅生效，利用Landsat 5 TM可以定義六個軸（Crist et al 1986, Jensen 1996）。亮度Brightness= 0.2909TM1+0.2493TM2+0.4806TM3+0.5568TM4+0.4438TM5+0.1706TM7+10

33、.3695綠度Greenness =-0.2728TM1-0.2174TM2-0.5508TM3+0.7221TM4+0.0733TM5-0.1648TM7-0.7310濕度 Wetness =0.1446TM1+0.1761TM2+0.3322TM3+0.3396TM4-0.6210TM5-0.4186TM7-3.3828霾度 Haze= 0.8461 TM1-0.0731 TM2 -0.4640 TM3 -0.0032 TM4 -0.0492 TM5 +0.0119 TM7+ 0.7879 Fifth= 0.0549 TM1 -0.0232 TM2 +0.0339 TM3 -0.1937

34、TM4 +0.4162 TM5 -0.7823 TM7 -2.4750Sixth= 0.1186 TM1 -0.8069 TM2 +0.4094 TM3 +0.0571 TM4 -0.0228 TM5 -0.0220 TM7 -0.0336目的要求1）學(xué)習(xí)掌握主成份變換的過程和方法，進一步理解主成份變換產(chǎn)生的處理效果和處理意義；2）學(xué)習(xí)掌握纓帽變換的過程和方法，進一步理解其前三個主要分量（亮度、綠度、濕度）的意義。實習(xí)步驟1）在Erdas Imagine主菜單中選擇Interpreter，在其下拉菜單中選擇Spectral Enhancement，在其子菜單中選擇Principle Comp，

35、利用其彈出對話框完成主成份變換；2）在Erdas Imagine主菜單中選擇Interpreter，在其下拉菜單中選擇Spectral Enhancement，在其子菜單中選擇Tasseled Cap，利用其彈出對話框完成纓帽變換；Principal Components主成份變換Tasseled Components纓帽變換輸入多波段影像文件 輸出主成份影像文件輸出特征向量矩陣文件 輸出特征值文件 設(shè)置輸出主成份個數(shù)實驗五、遙感圖像非監(jiān)督分類原理與方法簡介非監(jiān)督分類（Unsupervised Classification）是利用地物光譜信息或紋理信息的差異，通過統(tǒng)計提取特征，利用其差別實現(xiàn)分

36、類，最后再確定類的屬性。非監(jiān)督分類有動態(tài)聚類法、分級集群法、RGB聚類法多種方法。以下介紹動態(tài)聚類法（ISODATA 聚類）。ISODATA（Iterative Self-Organizing Data Analysis Techniques Algorithm迭代自組數(shù)據(jù)分析算法）是一種反復(fù)自組織數(shù)據(jù)的分析技術(shù)（Tou and Gonzalez 1974）。該方法反復(fù)地完成整個分類并計算統(tǒng)計參數(shù)。ISODATA方法利用最小光譜距離安排待分像元到相應(yīng)的簇，程序首先根據(jù)推斷所獲得的簇的平均值或已有的標(biāo)志的平均值確定簇數(shù)，然后反復(fù)處理，最后移動到數(shù)據(jù)中簇的平均值。l ISODATA聚類參數(shù)N確認的

37、最大簇數(shù)，每個簇都是某一類的基礎(chǔ)，因而最終成為最大的分類數(shù)。ISODATA開始按初定的N個簇的均值處理，有些簇只有很少的像元，這些簇可以剔除，留下少于N的簇數(shù)；T收斂閾值（convergence threshold），是占百分比最大的像元，它們所屬的類值在迭代時可以保持不變；M完成聚類所需最大迭代次數(shù)。l 初始簇均值 （initial cluster Means）第一次迭代時，N個簇的平均值可以大致決定，每次迭代之后，每個簇的均值都會按簇中像元的實際光譜位置加以計算，從而取代初始均值，然后，這些新的均值在下次迭代時用于定義簇，處理繼續(xù)進行，直至兩次迭代之間少有變化。初始簇均值在特征光譜空間中沿

38、著一個矢量方向分布（圖5.1）。1Figure 5.1 ISODATA Arbitrary Clusters 1點坐標(biāo)（A-A，B-B），對于多維（N維）特征空間，點1由（1-1，2-2，n-n）確定。l 像元分析 （Pixel Analysis）像元分析從圖像左上角開始，從左到右，一塊接一塊地進行。首先計算像元與各簇均值的光譜距離，通過比較，將像元劃分到距離最近的簇（圖 5.2），按簇重新計算均值，其位置會發(fā)生變化（Figure5.3），再重新計算比較、分簇。 Figure 5.2 ISODATA First Pass Figure 5.3 ISODATA Second Passl 未變化的

39、比率 （Percentage Unchanged）指每次迭代之后，那些自上次迭代以來未發(fā)生變化的像元的比率，該比率趨近于T（收斂閾值）時，處理程序結(jié)束。如果不能收斂到T，則應(yīng)增加最大迭代次數(shù)M。ISODATA聚類的優(yōu)點：l 與數(shù)據(jù)文件中像元地理位置無關(guān)；l 對發(fā)現(xiàn)數(shù)據(jù)內(nèi)在的光譜簇非常有效，只要有足夠的迭代次數(shù)，初始簇均值位置的設(shè)定對結(jié)果沒有影響。其缺點是：l 聚類處理很化時間；l 不考慮像元在空間上的一致性。目的要求1）了解并掌握非監(jiān)督分類的過程和方法；2）對某一研究區(qū)土地覆蓋類型（植被、水體、城鎮(zhèn)居民點、裸地）進行研究，利用數(shù)字圖像分類技術(shù)提取這些類型信息，計算各地類的面積、覆蓋率。實習(xí)步驟

40、在Erdas Imagine主菜單中選擇Classifier，在其下拉菜單中選擇Unsupervised Classification，利用其彈出對話框完成非監(jiān)督分類；Signature Editor樣本編輯器Unsupervised Classification非監(jiān)督分類Supervised Classification監(jiān)督分類輸入影像文件輸出分類文件 輸出距離文件 分類數(shù)實驗六、遙感圖像監(jiān)督分類原理與方法簡介監(jiān)督分類（Supervised Classification）是指利用已知屬性的訓(xùn)練樣本建立判別準(zhǔn)則，然后將像元歸類的過程。監(jiān)督分類有最小距離法、多級切割分類法、特征曲線窗口法、最大似

41、然比分類法等多種方法。以下介紹最小距離法。通過計算待分像元測度向量與各樣本中間向量之間的光譜距離，比較結(jié)束之后，將該像元劃歸到與之最近的識別樣本所代表的類中（Figure 6.1）。Figure 6.1 Minimum Spectral Distance其中：n波段數(shù)（維數(shù)）i第i波段c某一類xxyi波段i中像元（x,y）的數(shù)據(jù)文件值ci類c樣本在波段i的數(shù)據(jù)文件均值SDxyc像元（x,y）到類c均值的光譜距離（Swain and Davis 1978）該方法的優(yōu)點是：每個像元都有最近的樣本，因而不存在未分類像元；速度很快。其缺點是：有些在光譜上離樣本很遠（即光譜差異很大）的像元可能被劃分到該

42、類中。不過，該問題可以通過設(shè)定最遠閾值加以解決；沒有考慮到類在光譜上的變化性，如城市地類是由高度變化的像元組成的，它們可能與樣本的均值相去甚遠，運用該決策準(zhǔn)則，偏離均值較遠的城市像元可能會被不恰當(dāng)?shù)剡M行分類。相反地，有些類（如水）光譜特征變化很小，可能趨于過度分類，即過多的像元不恰當(dāng)?shù)胤值皆擃愔小Ｄ康囊?）了解并掌握監(jiān)督分類中的樣本訓(xùn)練方法、分類決策規(guī)則和對分類結(jié)果進行評估；2）對某一研究區(qū)土地覆蓋類型（植被、水體、城鎮(zhèn)居民點、裸地）進行研究，利用數(shù)字圖像分類技術(shù)提取這些類型信息，計算各地類的面積、覆蓋率。實習(xí)步驟1）在Erdas Imagine主菜單中選擇Classifier，在其下拉菜

43、單中選擇Signature Editor，利用其彈出對話框完成訓(xùn)練樣本選擇、觀察和評價，并保存訓(xùn)練樣本文件；2）在Signature Editor對話框中完成監(jiān)督分類；也可以在Erdas Imagine主菜單中選擇Classifier，在其下拉菜單中選擇Supervised Classification，利用其彈出對話框完成監(jiān)督分類。Signature Editor樣本編輯器Unsupervised Classification非監(jiān)督分類Supervised Classification監(jiān)督分類樣本編輯器實驗七、遙感圖像專家分類原理與方法簡介專家分類提供了一個基于規(guī)則的分類方法，是一套具層次特

44、點的規(guī)則集，或決策樹，所描述的是由一套低層次要素抽象出一套高層次的信息類別。一條規(guī)則（rule）就是一個條件語句（conditional statement）或條件語句列表，用于在假定（hypotheses）中確定變量的值（variables value）或?qū)傩?。多重?guī)則和假設(shè)可以聯(lián)結(jié)到一起，分成不同的層次，用于確定最終的一套目標(biāo)類別或終極假定。在ERDAS Imagine中，專家分類器由知識工程師（Knowledge Engineer）和知識分類器（Knowledge Classifier）兩部分構(gòu)成。知識工程師提供了一個界面，使專家能夠根據(jù)其擁有的關(guān)于遙感數(shù)據(jù)和應(yīng)用的知識，定義變量、規(guī)則和

45、輸出類型，創(chuàng)建一個層級決策樹專家知識庫。而知識分類器則提供了另一個界面，使非專業(yè)領(lǐng)域人員能夠應(yīng)用專家知識庫創(chuàng)建和輸出分類結(jié)果。目的要求理解專家分類中的假設(shè)、規(guī)則、變量、知識庫的概念，掌握專家知識庫構(gòu)建的步驟，學(xué)會使用知識庫進行遙感分類。實習(xí)步驟在Erdas Imagine主菜單中選擇Classifier，在其下拉菜單中選擇Knowledge Engineer，在其彈出窗口中創(chuàng)建假設(shè)（Hypotheses）、規(guī)則（Rule）、變量（Variables），完成專家知識庫的構(gòu)建，測試知識庫，觀察和分析運行結(jié)果，改進和保存知識庫。實驗八、遙感圖像分析原理與方法簡介遙感圖像分析包括一般分析和地形分析。1

46、）一般分析一般分析是遙感數(shù)字圖像計算機解譯的重要組成部分，主要是對圖像進行各種空間分析，進行像元之間或?qū)ｎ}分類之間的空間關(guān)系處理，使處理后的圖像能夠更好地表達主要的專題信息。包括鄰域分析（neighborhood）、查找分析（search）、指標(biāo)分析（Index）、疊加分析（overlay）、歸納分析（summary）。（1）鄰域分析（neighborhood）針對分類專題圖像，采用類似于卷積濾波的方法對圖像分類值（class values）進行多種分析。其方法是每個像元的值都參與用戶定義的鄰域范圍（definition neighborhood）和分析函數(shù)（function）所進行的分析，而

47、鄰域中心像元的值將被分析結(jié)果所取代。l 總和（sum：鄰域范圍像元值總和）l 分離度（diversity：鄰域范圍內(nèi)不同數(shù)值像元數(shù)比例）l 密度（density：鄰域范圍內(nèi)相同數(shù)值像元數(shù)比例）l 多數(shù)值（majority：鄰域范圍內(nèi)出現(xiàn)最多的像元值）l 少數(shù)值（minority：鄰域范圍內(nèi)出現(xiàn)最少的像元值）l 最大值（max）l 最小值（min）l 序列值（rank）（2）查找分析（search） 對輸入的分類專題圖像或矢量圖形進行臨近（proximity）分析，產(chǎn)生一個新的輸出柵格文件，輸出像元的屬性值取決于其位置與用戶選擇專題類型像元的接近程度和用戶定義的接近距離，輸出文件中用戶所選擇專題

48、類型的屬性值重新編碼為0，其他相鄰區(qū)域?qū)傩灾等Q于它們與所選擇專題類型像元的歐氏距離。 l 柵格專題圖像的查找分析； l 矢量專題圖形的查找分析。（3）指標(biāo)分析（Index） 將兩個輸入分類專題圖像或矢量地圖數(shù)據(jù)，按照用戶定義的權(quán)重因子（weighting factor）進行相加，產(chǎn)生一個新的綜合圖像文件。 在實施指標(biāo)分析中，要根據(jù)分析的目的要求選用不同類型的專題圖像和正確地確定權(quán)重因子，這是指標(biāo)分析的關(guān)鍵所在。（4）疊加分析（overlay） 根據(jù)兩個輸入分類專題圖像文件或矢量圖形文件數(shù)據(jù)的最小值或最大值，產(chǎn)生一個新的綜合圖像文件，系統(tǒng)所提供的疊加選擇項允許用戶提前對數(shù)據(jù)進行處理，可以根據(jù)需

49、要掩膜剔除一定的數(shù)值。（5）歸納分析（summary） 根據(jù)兩個輸人分類專題圖像產(chǎn)生一個雙向統(tǒng)計表格（crosstabulation輸出報告），內(nèi)容包括每個zone類型區(qū)域內(nèi)所有Class類型的像元數(shù)量及其面積、百分比等統(tǒng)計值，可用于一定區(qū)域內(nèi)多種專題數(shù)據(jù)相互關(guān)系的柵格疊加統(tǒng)計分析。2）地形分析方法在點、線、面高程基礎(chǔ)上，對各種地形因素進行分析。包括坡度分析、坡向分析、高程分帶、地形陰影、地形校正處理及柵格等高線、對圖像進行地形校正等。地形分析以DEM（Digital Elevation Model）為基礎(chǔ)。（1）坡度（slope）分析：以DEM柵格數(shù)據(jù)為基礎(chǔ)計算地形坡度。要求DEM圖像必須具

50、有投影地理坐標(biāo)，且其中高程數(shù)據(jù)及其單位為已知。（2）坡向（aspect）分析：以DEM圖像數(shù)據(jù)為基礎(chǔ)計算地形坡向。（3）高程分帶（level slice）：按照定義的分級表對DEM數(shù)據(jù)或其他圖像數(shù)據(jù)進行分帶（分類或分級），每個分帶中的數(shù)據(jù)間隔相等。（4）地形陰影（shaded relief）：以DEM柵格數(shù)據(jù)為基礎(chǔ)，在一定的光照條件下生成地形陰影圖像（地勢圖）。該分析要求DEM圖像必須有投影地理坐標(biāo)。可以在地形陰影圖上疊加其他圖像數(shù)據(jù)層，產(chǎn)生具有地形陰影的影像圖。（5）地形校正（topographic normalize）處理：應(yīng)用朗伯體反射模型來消除地形對遙感圖像的影響。由于地形坡度、坡向和

51、太陽高度角、方位角的共同影響，遙感圖像特征發(fā)生畸變，在擁有DEM數(shù)據(jù)和已知太陽高度角、方位角的前提下，對遙感圖像進行地形校正處理，可以部分消除地形影響。目的要求1） 了解遙感圖像的一般分析方法，重點掌握鄰域分析和歸納分析；2） 了解地形分析方法，重點掌握坡度分析、坡向分析。實習(xí)步驟1） 一般分析一般分析步驟如下： ERDAS圖標(biāo)面板菜單條： MainImage InterpreterGIS Analysis歸納分析指標(biāo)分析疊加分析查找分析鄰域分析（1） 鄰域分析鄰域算法定義鄰域窗口的大小和形狀輸出影像文件輸入影像文件（2） 歸納分析輸出選擇：交叉列表或報告文件輸入分類文件輸入分區(qū)文件百分比數(shù)公

52、頃數(shù)數(shù)像元數(shù)分類名區(qū)帶名區(qū)帶號2） 地形分析地形分析步驟如下： ERDAS圖標(biāo)面板菜單條： MainImage InterpreterTopographic Analysis坡度分析坡向分析高程分割輻照度地形校正地形陰影（1）坡度分析輸出坡度文件輸入DEM文件（2）坡向分析輸入DEM文件輸出坡向文件實驗九、遙感圖像空間建模原理與方法簡介遙感圖像空間建模就是應(yīng)用直觀的圖形語言在一個頁面上繪制流程圖，并定義圖形分別代表輸人數(shù)據(jù)、操作函數(shù)、運算規(guī)則和輸出數(shù)據(jù)，生成一個空間模型，應(yīng)用這些指令可以進行遙感圖像處理?？臻g建模工具由空間建模語言、模型生成器和空間模型庫三部分組成。空間建模語言（SML）是一種

53、模型語言，是ERDAS IMAGINE中所有GIS分析和圖像處理功能的基礎(chǔ)，功能非常強大，可以為各種各樣的應(yīng)用編寫空間程序模型（script model），實用程序模型，可以產(chǎn)生最適合于數(shù)據(jù)特征和應(yīng)用目標(biāo)的算法?？臻g建模語言是模型生成器（model maker）使用的底層語言，執(zhí)行形成的圖形模型所設(shè)計的各種功能。模型生成器（model maker）是空間建模語言核心的圖形界面，通過面板工具來產(chǎn)生空間圖形模型（graphic model），圖形模型可以運行、編輯、保存在模型庫中，或者轉(zhuǎn)換成SML程序模型，以便應(yīng)用SML做進一步的編輯。模型生成器提供了23類共200個函數(shù)和操作算子，可以操作柵格數(shù)

54、據(jù)、矢量數(shù)據(jù)、矩陣、表格及分級數(shù)據(jù)。空間模型庫（model library）由用于處理地理信息系統(tǒng)和遙感圖像的空間模型組成，包括程序模型（.mdl）和圖形模型（.gmd），前者是應(yīng)用空間建模語言編寫的，后者是應(yīng)用模型生成器建立的，ERDAS圖像解譯模塊中的多數(shù)圖像處理功能都對應(yīng)著空間模型庫中的一個圖形模型。集成在空間模型菜單中的Model Library菜單命令，只能對空間程序模型進行瀏覽、編輯、刪除等操作，而不能操作空間圖形模型，圖形模型只能在模型生成器中編輯。目的要求1） 認識模型生成器視窗與工具面板，了解其內(nèi)置的23類函數(shù)和操作算子；2） 利用模型生成器實現(xiàn)植被指數(shù)的計算和均值濾波圖像處理。實習(xí)步驟1） 模型生成器視窗與工具面板ERDAS圖標(biāo)面板菜單條：MainModelerModel Maker工具面板模型生成器視窗表9.1 模型生成器工具面板功能表2） 函數(shù)和操作算子函數(shù)和操作算子分類3）