遥感图像处理方法论文.doc

存档日期： 存档编号：

——大学——学院
本科生论文

设 计 题 目： 遥感图像处理方法论文
院 系：
年 级 ：
学 号：
姓 名：
指 导 教 师：

摘要：遥感图像处理(processing of remote sensing image data )是对遥感图像进行辐射校正和几何纠正、图像整饰、投影变换、镶嵌、特征提取、分类以及各种专题处理的方法。常用的遥感图像处理方法有光学的和数字的两种。
引言：数字图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。数字图像处理作为一门学科大约形成于20世纪60年代初期。早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。首次获得实际成功应用的是美国喷气推进实验室（JPL）。他们对航天探测器徘徊者7号在1964年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响，由计算机成功地绘制出月球表面地图，获得了巨大的成功。随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，以致获得了月球的地形图、彩色图及全景镶嵌图，获得了非凡的成果，为人类登月创举奠定了坚实的基础，也推动了数字图像处理这门学科的诞生。在以后的 数字图像处理技术宇航空间技术，如对火星、土星等星球的探测研究中，数字图像处理技术都发挥了巨大的作用。数字图像处理取得的另一个巨大成就是在医学上获得的成果。
参考文献：《ERDAS IMAGINE遥感图像处理方法》
我所用的图是徐州地区的图包括了云龙湖,山地，农田，建筑等。
遥感图像几何校正处理流程
几何校正就是从具有几何变形的图像中消除变形的过程。而将地图投影系统赋予图像数据的过程，称为地理参考（Geo-referencing）。由于几何校正的遥感影像都需要遵循一定的地图坐标系统，因此几何校正的过程包含了地理参考过程。
多项式纠正法，利用已知象元在影像上的位置（行列坐标）及其相应地理坐标（可利用地图获取）建立校正变换多项式，进而对整幅图像进行校正，是最常用的几何校正方法。基于多项式的几何校正关键是控制点的选取。
多项式纠正法的精度与地面控制点（GCP）的精度、分布、数量及纠正范围有关，GCP的位置精度越高，则几何纠正的精度越高；GCP分布应尽可能在整幅图像内均匀分布，否则在GCP密集区精度较高，在GCP分布稀疏区出现较大误差。
具体步骤：
1.打开参考图像和要校正的图像。

2.查看地图投影信息：  投影Projection、椭球体参数Datum、分辨率。
3.显示图像：  Available Bands List窗口 Now Display→New Display，利用要校正的图像合成彩色图像（R-5、G-4、B-3波段合成）Display #1→New Display，利用参考图像合成彩色图像（R-5、G-4、B-3波段合成）
4.选择控制点
 1）Ground Controls Points Selection窗口：Map→ Registration→Select GCPs: Image to MapImage to Map Registration设置 Input display (要校正的图像窗)elect Registration Projection与参考图像一致
 2）打开参考图像Pixel Locator： Tools→ Pixel Locator…（能够显示该点的行列数）
 3）选择控制点：选点需要选取具有特征的点，所谓特征提取即是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。
将两个Zoom 中的“十”字定位到同一地物对应位置，点击参考图像Pixel Locator/Export  按钮，点击窗口Ground Controls Points Selection/Add Point  按钮，增加控制点。
  用同样方法选择16个以上控制点。若刚输入的控制点有误，可点击Delete Last Point  按钮删除。也可点击Show List查看、修改控制点。
 4）检查控制点
  Degree为1，查看控制点最大均方根误差RMS Error、总体均方根误差RMS Error；
   Degree为2，查看控制点最大均方根误差RMS Error、总体均方根误差RMS Error
   发现当Degree增大时RMS Error变小。
5）保存控制点数据。
    窗口Ground Controls Points Selection：File→Save GCPs w/ Coords…
5.校正图像
    窗口Ground Controls Points Selection Options→Warp File…选择文件要校正的图像
    窗口Registration Parameters： Resampling为三次卷积内插（Cubic Convolution）
    窗口Registration Parameters： 点击OK。
6.查看校正结果图像

 1）查看校正结果图像的地图投影信息
 2）显示校正结果图像：显示校正结果图像和图像参考图像。
 3）检查校正结果精度：Tools→Link→Geographic Link…
   在两个Zoom窗口中打开“ 十 ”字定位器查看是否对应同一地物。
如果偏差较大说明校正结果存在较大的误差，分析其原因，重新选取控制点进行校正
裁剪
1, subset image（用aoi，裁剪出来是一个矩形，带有黑色背景，可以通过erdas的raster里面的设置去掉背景，在arcgis里面设properties-symboly）
2, mask（对已分类图像可以recode，类似于arcgis的extract by attribute），前提必须保证图像的投影信息一致。
3, model maker，自己简单的空间模型，可以使用conditional，里面either...其作用和con函数类似，前提如上。

如图
监督分类
进行监督分类：在ERDAS图标面板菜单条中，单击Main/Image Classification/Classification Signature Editor命令，打开Signature Editor窗口。
在ERDAS图标面板工具条，单击classifier图标/classification/signature editor命令，打开signature editor窗口。
调整分类属性字段
1.在signature editor窗口中的分类属性表中有很多字段，不同字段对于建立分类模板的作用或意义是不同的，为了突出作用比较大的字段，需要进行必要的调整。
2.在Signature Editor窗口菜单条，单击view/columns命令，打开view signature
Columns对话框。
3.在view signature Columns对话框，
1）单击第一个字段的columns列并向下拖动鼠标直到最后一个字段，此时，所有字段
都被选择上，并用黄色标识出来。
2）单击shift键的同时分别单击red green blue三个字段，red green blue三个字段将
分别从选择集中被消除。
3）单击apply按钮，分类属性表中显示的字段发生变化。
4）单击close按钮，关闭view signature Columns对话框。
5）从view signature Columns对话框可以看到，red green blue三个字段将不再显示。
获取分类模板信息

水

建筑

山

林地

农地

上图是通过监督分类所得，先通过绘制或产生AOI区域来获取分类模板信息。在通过supervised classification进行分类并保存。
监督分类的信息：
CLASSIFICATION ACCURACY ASSESSMENT REPORT
----------------------
Image File : g:/tu.img
User Name : Administrator
Date : Mon Nov 07 16:42:02 2011

ERROR MATRIX
-------------

Reference Data
--------------
Classified Data Unclassifi building mountain water
--------------- ---------- ---------- ----------
Unclassified 0 0 0 0
building 0 1 2 0
mountain 0 0 0 0
water 0 0 0 0
wood 0 0 0 0
farm 0 0 0 0

Column Total 0 1 2 0

Reference Data
--------------
Classified Data wood farm Row Total
--------------- ---------- ---------- ----------
Unclassified 0 0 0
building 0 0 3
mountain 0 0 0
water 0 0 0
wood 4 0 4
farm 0 3 3

Column Total 4 3 10

----- End of Error Matrix -----

ACCURACY TOTALS
----------------

Class Reference Classified Number Producers Users
Name Totals Totals Correct Accuracy Accuracy
---------- ---------- ---------- ------- -------- -----
Unclassified 0 0 0 --- ---
building 1 3 1 100.00% 33.33%
mountain 2 0 0 --- ---
water 0 0 0 --- ---
wood 4 4 4 100.00% 100.00%
farm 3 3 3 100.00% 100.00%

Totals 10 10 8

Overall Classification Accuracy = 80.00%

----- End of Accuracy Totals -----

KAPPA (K^) STATISTICS
---------------------

Overall Kappa Statistics = 0.7222

Conditional Kappa for each Category.
------------------------------------

Class Name Kappa
---------- -----
Unclassified 0.0000
building 0.2593
mountain 0.0000
water 0.0000
wood 1.0000
farm 1.0000

----- End of Kappa Statistics -----