教程对遥感图像的分类处理综合应用

01
研究现状、目的与意义

     随着遥感技术的发展与成熟,遥感技术在各个领域的应用越来越广泛。遥感技术正朝着定量化、智能化、动态化、网络化、实用化等方向发展,随着遥感数据获取手段的加强,需要处理的遥感信息急剧增加。遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据以及应用研究的新阶段,有达到一个新的高潮。

     遥感图像分类在遥感图像处理中就是一个很重要的方向,根据遥感图像自身的特点使计算机对遥感图像按照一定的意义进行自动的分类处理,将使人们在面对海量的遥感数据时更方便的进行筛选以及分析应用。因而,不断有遥感科学领域研究者在图像分类的算法的借鉴,改进和创新中探索。

     加深理解和巩固遥感的相关知识;培养运用ENVI软件独立分析问题、解决问题的实际工作能力;培养良好的工作习惯和科学素养,为今后工作打好基础。

     更大加深对遥感相关知识的认知,以及对遥感图像处理软件的操作熟练度的掌握。无论以后是考研还是从事相关一类的工作,都为此打下坚厚的基础。

02
ENVI系统介绍

     ENVI是遥感科学家用交互式数据语言开发的一套功能强大的遥感图像处理软件,能够有效的从遥感影像中提取各种目标信息。

     自 ENVI5.0 版本开始,ENVI 采用了全新的软件界面,从整体上增强了用户体验,ENVI5.3 延续了ENVI5 的界面风格,对图标做了更现代化的设计。启动 ENVI5.3,如图所示,包括菜单项、工具栏、图层管理、工具箱、状态栏几个部分组成。

图片[1]-教程对遥感图像的分类处理综合应用-元地理信息科学

03
遥感图像预处理

3.1 选取研究区域

此次图像实在地理空间数据云网站下载的,可以选定区域下载。

利用全国县级数据导出所要求的地区的shp文件,进行对图像区域操作。

图片[2]-教程对遥感图像的分类处理综合应用-元地理信息科学

3.2 辐射定标

将传感器记录的电压或数字量化值(DN)转换成绝对辐射亮度值(辐射率)的过程,或者转换与地表(表观)反射率、表面(表观)温度等物理量有关的相对值的处理过程。消除传感器本身的误差,确定传感器入口的准确辐射值。对于一般的线性传感器,定标通过一个线性关系式完成数字量化与辐射亮度值的转换:

L=Gain*DN+Offset

在ENVI中打开实验数据利用ENVI自带的定标工具进行定标,获取辐射亮度或反射率。

辐射定标过程中可以仅对某一局部地区进行定标,此次课设是仅对唐海县地区进行辐射定标。

图片[3]-教程对遥感图像的分类处理综合应用-元地理信息科学

利用表观反射率类型定标,定标类型表观反射率 Reflectance,定标表观大气反射率的计算公式:

ρ_p=(πLd^2)/(ESUN*〖cos〗_(θ_s ) )

L:辐射亮度值

d:天文单位的日地距离

ESUN:太阳表观辐射率均值

θ_s:以度为单位的太阳高度角。

生成辐射定标后的图像,比对辐射定标前后图像的差别,如图,左图为原图像,右图为辐射后图像。

图片[4]-教程对遥感图像的分类处理综合应用-元地理信息科学

由图可以看出辐射定标后遥感图像的亮度灰度值转换为绝对亮度值,显示的地物更容易操作观察了。

3.3 大气校正

     将辐射亮度或者表观反射率转换为地表实际反射率,目的是消除大气散射、吸收、反射引起的误差。基本原理:首先估计大气对地表热辐射的影响,然后把这部分大气影响从卫星传感器所观测到的热辐射总量中减去,从而得到地表热辐射强度,再把这热辐射强度转化为相应的地表温度。

     利用Flaash大气校正。FLAASH校正文件的路径中心点经纬度Scene Center Location自动获取;其对应的传感器高度以及影像数据的分辨率自动读取;设置唐海县的地面高程数据:0.001km;影像生成时的飞行过境时间(可以从元文件_MTL.txt中找到),大气模型参数选择,根据成像时间和纬度信息选择,参考图进行选择。

图片[5]-教程对遥感图像的分类处理综合应用-元地理信息科学

算法基本原理:FLAASH是基于太阳波普范围内和平面朗伯体,在传感器接收出接受的像元光谱辐射亮度公式为:

L=((Aρ)/(1-ρ_eS))+((Bρ)/(1-ρ_eS))+(L_α)

L:传感器处像元接受到的总辐射亮度

S:大气球面反照率

式中的所有变量都与波段有关。FLASSH中气溶胶厚度的反演应用了Kaufman提出的暗目标法。Kaufman在大量的实验中,2100nm的暗目标反射率与660nm暗目标反射率之间存在稳定的比值关系,利用上式以及一系列能见度范围可以反演出气溶胶光学厚度。

经过FLAASH校正的影像基本去除了空气中水汽颗粒等因子的影响,植被的波谱曲线趋于正常,如图,大气校正前的植被波普曲线(左),大气校正后的植被波普曲线(右)。完成后会得到反演的能见度和水汽柱含量。大气校正的结果输出图像,如图。

图片[6]-教程对遥感图像的分类处理综合应用-元地理信息科学

由图对比可以看出0.5-0.7um波段,植被的光谱曲线在大气校正前后发生很大的变化,主要是因为消除了大气散射,主要是消除瑞利散射的原因。

图片[7]-教程对遥感图像的分类处理综合应用-元地理信息科学

图片[8]-教程对遥感图像的分类处理综合应用-元地理信息科学

可以发现消除大气散射、吸收、反射引起的误差后图像几乎没有发生变化,但在某一局部区域会有比较清晰的反应,所以有时候可以完全忽略遥感数据的大气影响。例如,对某些分类和变化检测而言,大气校正并不是必需的。

04
图像分析

4.1 不同地物的光谱曲线

任何地物都有自身的电磁辐射规律(反射,发射,吸收电磁波),根据地物反射率与波长之间的关系而绘制的曲线。选择Display>Profiles>Spectral查看各个的地物波谱曲线。

下图为水体、植被、鱼塘、耕地的光谱曲线。

图片[9]-教程对遥感图像的分类处理综合应用-元地理信息科学

水的光谱特征主要是由水本身的物质组成决定,同时又受到各种水状态的影响。地表较纯洁的自然水体对0.4~2.5微米波段的电磁波吸收明显高于绝大多数其它地物。在光谱的近红外和中红外波段,水几乎吸收了其全部的能量,即纯净的自然水体在近红外波段更近似于一个黑体,因此,在1.1~2.5微米波段,较纯净的自然水体的反射率很低,几乎趋近于零。

图片[10]-教程对遥感图像的分类处理综合应用-元地理信息科学

植被色素吸收决定着可见光波段的光谱反射率,细胞结构决定近红外波段的光谱反射率,而水汽吸收决定了短波红外的光谱反射率特性。由于植被叶子的细胞结构的影像,除了吸收和透射的部分形成高反射率,在近红外波段的0.8-1.0微米之间有一个反射的陡坡,0.9微米附近有一个峰值,形成植被的独有特征。

图片[11]-教程对遥感图像的分类处理综合应用-元地理信息科学

相比于水体,鱼塘内部元素复杂导致0.5微米附近波段和水体的光谱反射有一定的差异,整体大趋势几乎一样。

图片[12]-教程对遥感图像的分类处理综合应用-元地理信息科学

     耕地表面没有明显的峰值和谷值,影响土壤的光谱反射率的是:一方面由于土壤颗粒大小本身的影响,另一方面由于土壤质地影响土壤持水能力而产生的间接影响。

     由以上五种不同的光谱曲线可知不同的地物类型变化很大。地物反射光谱是指地物的反射率随入射波长而变化的规律。根据地物的反射光谱所绘制的曲线成为地物反射光谱曲线,通过地物反射光谱曲线的不同辨别地物是遥感识别地物性质的基本原理。

     地物的反射光谱:不同的地物在不同波段反射率存在差异(如水体、鱼塘的光谱曲线);相同地物光谱曲线有相似性,但是也存在差异性;地物光谱特征具有事件性和空间性(不同时间与空间光谱特征不同)。

4.2 不同波段组合生成的假彩色图案

(1)5,4,3 NIR、Red、Green——标准假彩色合成(CIR)

在这种波段组合下,植被显示为红色,植被越健康红色越亮,而且还可以区分出植被的种类,这种波段组合方式非常常用,用来监测植被、农作物和湿地,如图。

图片[13]-教程对遥感图像的分类处理综合应用-元地理信息科学

(2)7,6,4 SWIR2、SWIR1、Red——假彩色合成,用于城市监测

这种波段组合用到了短波红外波段,相较于波长较短的波段来说,效果比较明亮,如图。

图片[14]-教程对遥感图像的分类处理综合应用-元地理信息科学

(3)5,6,4 NIR、SWIR1、Red——假彩色合成,有效区分陆地和水体

这种波段组合,深浅的橙色和绿色是陆地,深浅蓝色是水。

图片[15]-教程对遥感图像的分类处理综合应用-元地理信息科学

(4)6,3,2——假彩色合成,突出裸露地表上的一些景观

这种波段组合对于没有或少量植被情况下,突出地表的景观,对地质监测有效。

图片[16]-教程对遥感图像的分类处理综合应用-元地理信息科学

(5)6,5,2——假彩色合成,农作物监测

这种波段组合,对监测农作物很有效,农作物显示为高亮的绿色,裸地显示为品红色,休耕地显示为很弱的墨绿色。

图片[17]-教程对遥感图像的分类处理综合应用-元地理信息科学

     由上面五幅图得知利用不同波段组合生成的伪彩色图案不同。多波段影像是用多波段遥感器对同一目标一次同步摄影或扫描获得的若干幅波段不同的影像。与单波段影像相比,它具有信息量大,光谱分辨率高的特点,并且可通过各种影像增强技术,获得彩色合成影像,大大提高对地物的识别能力。

     彩色合成是将多波段黑白图像变换为彩色图像的处理技术。一般为三色合成,也可两色或四色合成。合成的方法使用计算机的数字处理。数字处理合成法是令三幅图的像元亮度值变换为红、绿、蓝三基色的彩色编码去控制彩色显示设备,形成彩色图像。根据合成影像的彩色与实际景物自然彩色的关系,可分为真彩色影像和假彩色合成影像,前者是比较真实地反映地物原来彩色的影像,它可以通过彩色感光胶卷拍摄获得,也可以用彩色合成方法获得;假彩色合成影像是通过彩色合成方法获得的非真彩色影像。在光学合成法中,是将多波段影像配合不同滤光片准确重叠合成。影像的波段和滤光片可有各种组合方案,所得的假彩色影像也各不相同。解译时为了突出显示影像中的某种地物,可选择最佳组合方案。

4.3 影像统计分析

图像统计是计算表征图像像元值数理统计特征、空间分布特征和空间结构特征的各种参量。快速统计可以快速的统计图像的最大值、最小值、均值、标准差和直方图分布。

图片[18]-教程对遥感图像的分类处理综合应用-元地理信息科学

图片[19]-教程对遥感图像的分类处理综合应用-元地理信息科学

图片[20]-教程对遥感图像的分类处理综合应用-元地理信息科学

     由上图可知:不同波段的最小值、最大值各不同。波段一有一个转折点,转折点是最大值为7738在672处取得,标准差为781.2;波段二有一个转折点,转折点是最大值为7459在665处取得,标准差为314.7;波段三有四个转折点,最大值为76035在882处取得,标准差为359.9;波段四有三个转折点,最大值为7708在882处取得,标准差为502.2;波段五有七个转折点,转折点之间起伏较大,其中最大值为8015在129处取得,标准差为1376.4;波段六有三个转折点,最大值为12722在59处取得,标准差为1344.1。波段七有四个转折点,最大值为14950在43处取得,标准差为1167.3。

4.4 主成分分析

     ENVI主成分分析(PCA)是通过使用Principal Components选项生成互不相关的输出波段,去除波段多余信息,将多波段的图像信息压缩到比原波段更有效的少数几个转化波段的方法,达到隔离噪声和减少数据集的维数的方法。由于多波段数据经常是高度相关的,主成分变换寻找一个原点在数据均值的新的坐标系统,通过坐标轴的旋转来使数据的方差达到最大。主成分分析的目的:一是进行遥感影像数据的压缩处理。对于一幅多光谱或是高光谱影像,虽然有着众多的波段信息,这些信息一方面对探测地物的细微差别有着巨大的潜能,但另一方面,这些大量的信息又存在很大的冗余,这对后期的信息处理和利用会带来一些不便。通过主成分分析法的处理,能很好地调整信息的重新分布而又不损失信息的总量,将大部分信息集中到前几个主分量图像上,从而起到压缩数据的目的。

     二是突显影像信息的作用。虽然遥感传感器本身的谱段设计所考虑的因素之一也是地物的光谱特征,这使获取的多光谱或高光谱各波段影像数据上具有了不同地物或强或弱的信息。但在利用影像数据提取某些想要的信息时,原始的影像各波段数据上所存在的信息分布得不够突显,经常会被背景信息或干扰信息所淹没。而利用主成分分析法,可以在分析原始影像上地物的光谱特征基础上,选择部分原始波段影像数据进行主成分分析变换,变换后信息得到调整的主分量中,就有想要的经过信息重新聚集的图像,在这个图像数据里,所要的信息被增强突显,其他信息被抑制。

下图为以大气校正的图像为基础,进行主成分分析的结果。

图片[21]-教程对遥感图像的分类处理综合应用-元地理信息科学

图片[22]-教程对遥感图像的分类处理综合应用-元地理信息科学

图片[23]-教程对遥感图像的分类处理综合应用-元地理信息科学

左图 PC1 PC2 PC3合成的RGB,右图 PC4 PC5 PC6合成的RGB

由图可以看出,第一、二、三分量具有很大的特征值。由于各波段之间不相关,主成分波段选择PC1,PC2,PC3合成RGB显示,可以生成更多颜色、饱和度更好的彩色合成图象。选择PC4,PC5,PC6合成RGB,局部放大可以看到很多噪声影响。

4.5 缨帽变换

缨帽变换又称K-T变换,根据多光谱遥感中土壤、植被等信息在多维光谱空间中信息分布结构对图像做的经验性线性正交变换,把原始数据转换到四维空间,且该变换能消除多光谱图像的相对光谱响应相关性,并对全色图像可视化和自动特征提取都非常有用。克里斯特和锡康发现用三维空间中的植被平面、与之垂直的土壤平面和它们之间过渡带表示,变换后前三个分量分别定名为亮度、绿度和湿度。

图片[24]-教程对遥感图像的分类处理综合应用-元地理信息科学

图片[25]-教程对遥感图像的分类处理综合应用-元地理信息科学

图片[26]-教程对遥感图像的分类处理综合应用-元地理信息科学

上述图亮度、绿度、湿度三个分量分别反映了土壤岩石、植被及土壤和植被中的水分信息。

前三个分量合成彩色图

图片[27]-教程对遥感图像的分类处理综合应用-元地理信息科学

缨帽变换可以更好的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,同时能很好的将植被从人造物如道路和建筑物区分开来。

4.6 线性拉伸增强、对比度变换

线性拉伸属于遥感图像增强,常用是三段线性变换,即对一个灰度区间进行线性拉伸,其他的区间被压缩。经过这样处理后合成的假彩色图像层次分明、地物差异大,各类地物易于判别。

ENVI对打开的一幅遥感影像默认是2%的线性拉伸,当然只是显示效果发生变化,亮度得到提升,但是像元值并没有发生改变;这里的Linear2%是指将直方图累积在2%至98%之间的像元值拉伸,下图为2%的线性拉伸和优化线性拉伸。

图片[28]-教程对遥感图像的分类处理综合应用-元地理信息科学

图片[29]-教程对遥感图像的分类处理综合应用-元地理信息科学

对比度变换是一种通过改变图像像元的亮度值来改变图像像元的对比度,从而改变图像质量的图像质量的图像处理方法。通过两图像的对比,可以清晰的发现2%的线性拉伸图像更为清晰。

图片[30]-教程对遥感图像的分类处理综合应用-元地理信息科学

图片[31]-教程对遥感图像的分类处理综合应用-元地理信息科学

上图是对比度为20和67的遥感影像对比图。对比度变换的原理将图像中过于集中的像元分布区域拉开扩展,扩大图像反差的对比度,增强图像表现的层次性。

4.7 植被指数计算

利用ENVI 中的植被指数计算工具 Vegetation Index Calculator 从 AVIRIS 数据中计算植被指数,能更好的反应植被覆盖度和生长状况的差异,特别适合用于植被生长旺盛、具有高覆盖度的植被检测。

植被指数(VI)是两个或多个波长范围内的地物反射率组合运算,以增强植被某一特性或者细节。所有的植被指数要求从高精度的多光谱或者高光谱反射率数据中计算。未经过大气校正的辐射亮度或者无量纲的DN值数据不适合计算植被指数。

宽带绿度指数可以简单度量绿色植被的数量和生长状况,它对植物的叶绿素含量、叶子表面冠层、冠层结构比较敏感,这些都是植被光合作用的主要物质,与光合有效辐射(fAPAR)也有关系。宽带绿度指数常用于植被物候发育的研究,土地利用和气候影响评估,植被生产力建模等。

宽带绿度指数选择的波段范围在可见光和近红外,一般的多光谱都包含这些波段。

4.7.1 归一化植被指数(NDVI)

NDVI众所周知的一种植被指数,近红外波段的反射值与红光波段的反射值之差比上两者之和,指增加在近红外波段范围绿叶的散射与红色波段范围叶绿素吸收的差异。在LAI值很高,即植被茂密时其灵敏度会降低,如图所示。

图片[32]-教程对遥感图像的分类处理综合应用-元地理信息科学

NDVI众所周知的一种植被指数,如图为NDVI计算结果图,一般绿色植被区的范围是0.2-0.8。

4.7.2 比值植被指数(SR)

SR指数也是众所周知的一种植被指数,指在近红外波段范围绿叶的散射与红色波段范围叶绿素吸收的比值,SRI值的范围是0-30+,如图,一般绿色植被区的范围是2-8。在LAI值很高,即植被茂密时其灵敏度会降低,如图所示。

图片[33]-教程对遥感图像的分类处理综合应用-元地理信息科学

4.7.3 增强植被指数(EVI)

EVI通过加入蓝色波段以增强植被信号,矫正土壤背景和气溶胶散射的影响。EVI常用于LAI值高,即植被茂密区,如图34所示,一般绿色植被区的范围是0.2-0.8。

图片[34]-教程对遥感图像的分类处理综合应用-元地理信息科学

05
遥感图像分类

     利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析,选择特征,将图像中各个像元按照某种规则或算法划分不同的类别,然后获得遥感图像中与实际地物的对应信息,从而实现图像的分类。

5.1 监督分类

监督分类是在分类前人们已对遥感影像样本区中的类别属性有了先验知识,进而可利用这些样本类别的特征作为依据建立和训练分类器,进而完成整幅影像的类型划分,将每个像元归并到相对应的一个类别中去。换句话说,监督分类就是根据地表覆盖分类体系、方案进行遥感影像的对比分析,据此建立影像分类判别规则,最后完成整景影像的分类。

5.1.1 样本选择

通过目视可分辨六类地物:植被、耕地、沙地、水体、建筑物、其他六类。

计算样本的可分离性。如图表示各个样本类型之间的可分离性,用Jeffries-Matusita Transformed Divergence参数表示,这两个参数的值在0~2.0之间,大于1.9说明样本之间可分离性好,属于合格样本;小于1.8,需要编辑样本或者重新选择样本;小于1,考虑将两类样本合成一类样本。

图片[35]-教程对遥感图像的分类处理综合应用-元地理信息科学

5.1.2 分类器的选择

1)神经网络

用计算机模拟人脑的结构,用许多小的处理单元模拟生物的神经元,用算法实现人脑的识别、记忆、思考过程应用于图像分类,结果如图。

图片[36]-教程对遥感图像的分类处理综合应用-元地理信息科学

2)最大似然

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,计算结果如图。

图片[37]-教程对遥感图像的分类处理综合应用-元地理信息科学

5.2 非监督分类

指人们事先对分类过程不施加任何的先验知识,仅依据影像上地物的光谱特征分布规律,顺其自然地进行分类。基本思路来源于多变量聚类分析(clustering analysis),其理论依据是根据地物光谱理论,遥感影像上的同类地物在相同的表面结构特征、植被覆盖、光照条件下,具有相同或相近的光谱特征,应归属于同一个光谱空间区域;不同的地物,光谱信息特征不同,应归属于不同的光谱空间区域,计算结果如图。

图片[38]-教程对遥感图像的分类处理综合应用-元地理信息科学

遥感影响被分为15类,相对于监督分类,ISODATA非监督分类的精度很低,分类结果很不理想,并且存在同一类型地类被划分为多块区域的情况,不适用合并内容的情况,后续处理复杂冗长。

06
分类后处理

监督分类和非监督分类方法得到的结果一般是初步结果,难于达到最终的目的。因此,需要对初步分类结果进行一些处理,才能满足需求的分类结果。

6.1小斑块去除

应用监督分类或者非监督分类的分类结果中不可避免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,利用Majority/Minority分析方法进行处理。

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到该类中。其中,Kernel Size 为核的大小,核越大,则处理后结果越平滑;中心像元权重为在判定在变换核中哪个类别占主体地位,中心像元权重用于设定中心像元类别将被计算多少次。下图为Majority分析结果(左)和原始分类结果(右)。

图片[39]-教程对遥感图像的分类处理综合应用-元地理信息科学

观察上图,可以看出一些小图斑被剔除,归并到所占权重大的中心像元。

6.2分类统计

分类统计可以基于分类结果计算源分类图像的统计信息。基本统计包括:类别中的像元数、最大值、最小值、平均值以及类中每个波段的标准差等。可以绘制每一类对应源分类图像像元值的最大值、最小值、平均值以及标准差,还可以记录每类的直方图,以及计算协方差矩阵、相关矩阵、特征值和特征向量,并显示所有分类的总结记录。从Stats for 标签中选择分类结果中类别,在列表中显示类别对应输入图像文件DN值统计信息,如协方差、相关系数、特征向量等信息。在列表中的第一段显示的为分类结果中各个类别的像元数、占百分比等统计信息。

图片[40]-教程对遥感图像的分类处理综合应用-元地理信息科学

图片[41]-教程对遥感图像的分类处理综合应用-元地理信息科学

07
制图输出

利用ENVI Class软件快速制图,加深对地图设计,使用快速制图(Quickmap)功能生成基本制图。

ENVI提供了多种定制地图制图的选项,可以丰富制图元素,添加网格线、经纬度、图例、指北针以及比例尺。最终结果输出,如图。

图片[42]-教程对遥感图像的分类处理综合应用-元地理信息科学

08
总结与体会

通过此次的课程设计主要考察了对ENVI软件以及遥感知识的综合运用,更是对问题的整体分析,思考思路的方式以及对透过问题看本质的磨练。感受良多,大大加强了我的动手能力和解决实际问题的能力,使我对已学的课本知识理论联系现实的灵活应用。

通过将近两周的遥感图像处理,不仅仅是对所学习知识的运用,更是对动手能力以及思考能力的双重考核。学到了很多以前不清楚甚至盲区的知识点,深深锻炼了实际中上机操作能力以及学习能力。为以后无论是考研还是工作都打下了一定的基础。

————————————————

版权声明:本文为CSDN博主「Unnatural_error」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。

原文链接:https://blog.csdn.net/Unnatural_error/article/details/112093425

------本页内容已结束,喜欢请分享------

感谢您的来访,获取更多精彩文章请收藏本站。

© 版权声明
THE END
喜欢就支持一下吧
点赞11 分享
评论 抢沙发
头像
欢迎您留下宝贵的见解!
提交
头像

昵称

取消
昵称表情代码图片