ENVI实习之反差拉伸,镶嵌和坏道处理.docx

实习目的
1. 理解反差拉伸的概念和意义，掌握在ENVI中进行发差拉伸的方法
2. 学会使用ROI，及使用ROI进行地物的采集
实习内容
1. 在ENVI中对TM影像进行反差拉伸，利用ROI工具选取农田和是水体样本，利用四种拉伸方式突出显示地物，观察影像变化
2. 影像镶嵌，利用直方图匹配和影像镶嵌完成两幅影像的拼接
3. MODIS数据坏道修复
基本原理
反差拉伸属于辐射增强，是对影像的单个单元格DN值进行处理，达到增强的目的
由于原始影像的灰度值范围一般较窄，直接显示的结果往往过亮或过暗，不利于影像的显示和分析，信息提取
反差拉伸实质上是对影像的灰度动态范围通过一定的函数，（如线性，非线性，指数，对数或分段函数）将动态灰度范围投影到较宽的灰度范围上，突出显示动态灰度范围内的地物
ROI（region of interest ）,是影响上的一个子区，可以是点，线，面不规则区域。通常作为影像分类的样本等
利用ROI可以选取要突出现实的地物，得到该地物的灰度范围
在反差拉伸时，选取ROI得到的灰度范围作为动态范围，拉伸后，得到该地物的突出显示
拉伸方式
线性拉伸： 按比例扩大原始影像动态灰度范围
分段线性拉伸：将原始影像的灰度范围分成几段，在不同区段执行相应的线性拉伸
高斯拉伸：属于标准差反差拉伸，将均值设为127，以正负3为标准差进行拉伸
直方图均衡化拉伸：针对原始影像数据往往相对比较集中地分布在局部一些波段的特点，利用累积直方图作为影像变换函数，将大约相等数量的像元分配到各个输出灰度级上，实现影像信息的均衡显示。
坏道修补： 由于传感器等原因影像数据上出现具有规律的数据缺失
通过计算坏道上下的数据行的均值填充坏道上的单元的灰度值完成坏道修补

数据准备
1. 反差拉伸数据
Landsat5 TM数据 数据标识 LT51310352007140IKR00
包括刘家峡水库以及部分黄河
2. Wasial_1_mss 和Wasial2_mss
3. 坏道修复数据：MODIS_striped
操作方法及过程
l 反差拉伸
1. 默认拉伸方式查看
在System Preferences 的Display Defaults 中查看默认的拉伸方式，默认为linear 2%
可以更改为其他方式如最大最小值拉伸，高斯拉伸等
2. 整景影像范围太大，且运算速度较慢，所以选取子区，子区中包括水和农田
选取子区包括刘家峡水库和兰州部分地区

3. 在统计直方图中可以看到子区的统计信息，可以看到灰度值依然从0到255，在反差拉伸时，就不用考虑个波段的灰度值范围不一样了

4. 为了便于分别农田，先做NDVI指数计算，公式为NIR-REDNIR+RED，结果在[-1,1]，植被对应的指数大于0，水体的指数小于0
1. 由于NDVI计算的结果为小数，且涉及除法，所以在计算之前先将3,4波段转化为float，为了方便，转化整个影像
2. 计算NDVI
3. 由于小数存储不便，这里转化为整型 乘10000后取整
4. 这些均在band math中完成，语法同VB，对于所有波段选取时，点击Map Variable to Input 工具条，选取整个波段
5. 计算NDVI是，公式为下面第二个，注意B3选取红波段，b4选取近红外波段
NDvi为单波段影像

6. 查看统计信息，整景影像以植被占据优势

5. 在NDVI上作ROI选取，这是，水体在NDVi上显示为黑色（指数为负，且相当小）
1. 右击IMAGE窗口选择ROI tools
2. 沿水体做出ROi ，在水库中选择面，在河道较窄处选择线或点，可以再不同的窗体中绘制ROI
3. 最好ROI分布于全部水体，便于统计水体的NDVI范围值更精确，其实这就是采样，通过采样点的指数范围，作为整个地物的指数范围，兰州段的黄河较窄，选取点类型
4. 查看统计信息 最大值为-496 最小值为 -3333

6. 选择交互式拉伸
1. 线性拉伸： 将ROI的得到的水体指数范围拉伸到0-255区间，可以拖动虚线调节动态范围
2. 多线段拉伸：将水体指数范围作为拉伸区间，其他区间作为压缩区间 添加两个节点，改变这两个节点的值为水体指数值
3. 高斯拉伸：将apply设置成水体指数的范围，其中默认的标准差为3
4. 直方图均衡化拉伸：
5. 注意：在Stretch中输入拉伸范围时（指数值），会自动转化为包括这个区间的最小实际存在区间，如[-3333,-496]转化为：[-3364,-520]
6. Histogram Source选项中有五种，即对什么内容作拉伸，由于NDVI为单波段，所以这里选取band，结果生成单波段。其实每个选项对应的指数范围均不同，这里是为了对水体拉伸，所以选取波段，这里并未将范围置于0-255之间，而是置于波段范围中

7. 对农田作反差拉伸，基本步骤同水体
1. 不同点：农田和其他地物（植被）在NDVI上指数均为正，这是应该结合原始影像分析农田

2. 得到其统计信息，也就是农田的灰度范围

可以看到，在不同波段，灰度值范围也不同，为了防止个别要素的影像，取均值[68,109]
3. 反差拉伸，由于在原始影像上操作，只能是对各个波段（RGB对应的波段）进行操作，所以这里可以去每个波段的范围值93
4. 保存，最后生成灰度图像
l 影像镶嵌
1. 直方图匹配，由于两幅影像的色调不同
2. 使用LINk工具，发现两幅影像有一部分重合

3. 利用Mosaick 工具实现影像的镶嵌，选取基于地理参考的镶嵌，因为这两幅影像有相同的地理参考
4. 导入两幅影像，可以看到影像的相对位置已经出现，适当调节即可
5. 编辑参数

l 坏道修复
1. 加载影像，发现在IMAGE窗口中，坏道（data为-1）均匀分布，间隔为20行
2. 在bad lines Parameters 输入坏道的行数，
3. 选择多少行参与运算

结果与分析
1. 水体拉伸结果比较
高斯拉伸
分线段拉伸

线性拉伸
直方图均衡化

1. 这四种拉伸方式，均是对[3333.-496]进行了拉伸，而分线段拉伸对水体拉伸外，还考虑了其他范围，对其他范围进行了压缩，所以才看到data值不是10000（将拉伸区间外的指数值全部映射到最大值）
2. 查看统计信息可知：分段线性拉伸，高斯拉伸和线性拉伸并不考虑指数对应的栅格数，只是将指数值映射到另一个数值上，而直方图均衡化考虑了值所对应的栅格数
2. 农田类型的反差拉伸结果

1. 和原始影像相比，变为单波段影像
2. 在拉伸后的影像上突出显示农田，可以非常方便的提取农田信息
3. 四种拉伸方式不相同，和水体分析的类似

3. 影像镶嵌

1. 在两幅影像的公共部分，羽化值越大，边界越模糊

2. 直方图匹配值尽量选取影像中没有特别变化的影像作为基
4. 使用Destripe工具去条带时，基于一定的模型，或者利用一定的间隔（TM间隔为16）从0条带开始去条带处理，

存在问题与解决办法
1. 为什么通过ROI得到的样本区域指数值在原始影像的统计信息中不存在？
ROI样本区指数值

总结
1. 去条带处理是，只是将缺失数据用上下几行的灰度值的均值代替，并没有找到条带对应的灰度真实值
2. 影像镶嵌时，两幅影像中任何一副置于下层都可以。羽化值越大，重叠区域的差别越模糊
3. 使用ROI工具采集样本区时，样本尽可能的分布在区域内，这样尽可能保证样本的代表性