基于ENVI軟件的遙感信息處理

1、基于ENVI軟件的遙感信息處理實(shí)驗(yàn)報(bào)告一、 遙感數(shù)據(jù)預(yù)處理：輻射亮度與表觀反射率的計(jì)算1.實(shí)驗(yàn)?zāi)康膶鞲衅饔涗浀臄?shù)字量化值（DN）轉(zhuǎn)換成絕對(duì)輻射亮度值（輻射率）與地表（表觀）反射率等物理量有關(guān)的相對(duì)值的處理過程。2.實(shí)驗(yàn)原理l DN值轉(zhuǎn)為輻射亮度公式：Lrad =(DN-1)*Unit Conversion Coefficient。其中：Lrad-輻射亮度； DN-遙感影像像元亮度值，記錄地物的灰度值（無單位，是一個(gè)整數(shù)值，值大小與傳感器的輻射分辨率、地物發(fā)射率、大氣透過率和散射率等有關(guān)）； Unit Conversion Coefficient-定標(biāo)系數(shù)（表1-1所示）；Aster數(shù)據(jù)定標(biāo)系

2、數(shù)（表1-1）Aster bandCoefficent(W/m2*sr*um)/DNHigh GainNormalLow Gain 1Low Gain 210.676 1.6882.2520.708 1.4151.893N0.423 0.8621.153B0.423 0.862 1.154 0.1087 0.2174 0.2900 0.29005 0.0348 0.0696 0.09250.40906 0.0313 0.0625 0.08300.39007 0.0299 0.0597 0.07950.33208 0.0209 0.0417 0.05560.24509 0.10159 0.031

3、8 0.04240.2650l 輻射亮度轉(zhuǎn)為表觀反射率公式：RTOA=(pi*Lrad*d2)/(ESUNi*COS(z) d=(1-0.01672*COS(RADLANS(0.9856*(Julian Day-4)其中：RTOA-表觀反射率； Pi-3.14159； d-日地距離； z-太陽(yáng)天頂角(z=90-太陽(yáng)高度角)； Julian Day-成像日期； ESUNi-第i個(gè)波段的增益（表1-2所示）；Aster數(shù)據(jù)各個(gè)波段增益（表1-2）Aster bandSmith：ESUNiThome et al(A):ESUNiThome et al(A):ESUNiB1 1845.99 1847

4、1848B2 1555.74 1553 1549 B3N 1119.47 1118 1114B4231.25 232.5 225.4B579.81 80.32 86.63B674.99 74.92 81.85B768.66 69.20 74.85B859.74 59.82 66.49B956.92 57.3259.853.數(shù)據(jù)來源本次實(shí)驗(yàn)所使用數(shù)據(jù)為2001年宜昌地區(qū)遙感影像，該數(shù)據(jù)為Aster1-9波段，30米分辨率，投影為WGS-84，UL緯度為30.82418333，UL經(jīng)度為111.21726944。4.實(shí)現(xiàn)過程（1）打開并顯示影像文件，選擇合適的波段組合加載影像打開并顯示aster影

5、像文件，從envi主菜單中，選擇FileOpen Image File選擇yichang2001aster_打開，選擇band3，band2，band1進(jìn)行組合加載顯示。（2）使用Band Math對(duì)原始數(shù)據(jù)各個(gè)波段進(jìn)行計(jì)算，實(shí)現(xiàn)DN值轉(zhuǎn)為輻射亮度envi主菜單選擇Basic ToolsBand MathEnter an expression，輸入表達(dá)式，即將各個(gè)波段的DN值轉(zhuǎn)為輻射亮度的公式依次輸入并作用于各個(gè)相應(yīng)的波段，選擇FileSave File AsENVI Standard（注意調(diào)整波段順序），輸出數(shù)據(jù)即為將DN值轉(zhuǎn)換為輻射亮度后的影像。 （3）使用Band Math對(duì)原始數(shù)據(jù)各個(gè)

6、波段進(jìn)行計(jì)算，實(shí)現(xiàn)DN值轉(zhuǎn)為表觀反射率envi主菜單選擇Basic ToolsBand MathEnter an expression，輸入表達(dá)式，即將各個(gè)波段的DN值轉(zhuǎn)為表觀反射率的公式依次輸入并作用于各個(gè)相應(yīng)的波段，選擇FileSave File AsENVI Standard（注意調(diào)整波段順序），輸出數(shù)據(jù)即為將DN值轉(zhuǎn)換為表觀反射率后的影像。 二、地圖投影的轉(zhuǎn)換1.實(shí)驗(yàn)?zāi)康陌裊TM投影影像轉(zhuǎn)換成高斯克呂格投影和阿爾勃斯投影的影像；任選五個(gè)坐標(biāo)點(diǎn)對(duì)，做高斯克呂格投影的正反算，并與ENVI軟件比較計(jì)算精度。2.實(shí)驗(yàn)原理Albers投影 ，又名“正軸等積割圓錐投影”，圓錐投影的一種。它是假想一

7、個(gè)圓錐面與地球橢球旋轉(zhuǎn)軸重合的套在橢球上，按等積條件把地球橢球上的經(jīng)緯線投影到圓錐面上，然后沿一條母線將圓錐面切開展成平面。Albers投影的參數(shù)：參考橢球體 KRASOVSKY，X軸偏量 0.0000000000，Y軸偏量 0.0000000000，第一標(biāo)準(zhǔn)緯線：25°00N，第二標(biāo)準(zhǔn)緯線：47°00N，中 央 經(jīng) 線 ：105°00E，0 0.000 /* 起始經(jīng)線，坐 標(biāo) 原 點(diǎn)： 0°00，半球參數(shù)：Krasovsky a=6378245.0000 b=6356863.0188。高斯克呂格投影是一種等角橫軸切橢圓柱投影。它是假設(shè)一個(gè)橢圓柱面與地球

8、橢球體面橫切于某一條經(jīng)線上，按照等角條件將中央經(jīng)線東、西各3°或1.5°經(jīng)線范圍內(nèi)的經(jīng)緯線投影到橢圓柱面上，然后將橢圓柱面展開成平面而成的。該投影，將中央經(jīng)線投影為直線，其長(zhǎng)度沒有變形，與球面實(shí)際長(zhǎng)度相等，其余經(jīng)線為向極點(diǎn)收斂的弧線，距中央經(jīng)線愈遠(yuǎn)，變形愈大。 赤道線投影后是直線，但有長(zhǎng)度變形。除赤道外的其余緯線，投影后為凸向赤道的曲線，并以赤道為對(duì)稱軸。經(jīng)線和緯線投影后仍然保持正交。UTM投影是橫軸等角割橢圓柱投影。橢圓柱割地球于南緯80度、北緯84度兩條等高圈，投影后兩條相割的經(jīng)線上沒有變形，而中央經(jīng)線上長(zhǎng)度比0.9996。UTM投影分帶方法與高斯-克呂格投影相似，將北

9、緯84度至南緯80度之間按經(jīng)度分為60個(gè)帶,每帶6度.從西經(jīng)180度起算。高斯克呂格投影正算公式： 對(duì)于克氏橢球： 其中：，分別為高斯平面縱坐標(biāo)與橫坐標(biāo)； 為子午線弧長(zhǎng)； ，稱作第二偏心率； ，稱作極曲率半徑； 為中央子午線經(jīng)度。（注意：算出的橫坐標(biāo)應(yīng)加上500公里，再在前冠以帶號(hào)，才是常見的橫坐標(biāo)形式。）高斯克呂格投影反算公式： 其中： 為底點(diǎn)緯度，以度為單位； ；（注意：其余符號(hào)同正算公式，只是以底點(diǎn)緯度代替大地緯度。）3. 數(shù)據(jù)來源本次實(shí)驗(yàn)所使用數(shù)據(jù)為envi軟件自帶影像，該數(shù)據(jù)為L(zhǎng)andSatTM1-5，7波段，30米分辨率，投影為NAD-27，UL緯度為44.28246944，UL經(jīng)

10、度為-107.82238611。4.實(shí)現(xiàn)過程（1）打開并顯示影像文件，選擇合適的波段組合加載影像打開并顯示LandSatTM影像文件，從envi主菜單中，選擇FileOpen Image File選擇bhtmref.img打開，選擇band4，band3，band2進(jìn)行組合加載顯示。（2）將UTM投影轉(zhuǎn)換為高斯克呂格投影和Albers投影envi主菜單中選擇MapConvert Map Projection，進(jìn)入Convert Map Projection Parameters面板。選擇Change Projection，進(jìn)入Customized Map Projettion Definiti

11、on面板，然后新建一個(gè)高斯克呂格投影，輸入Projection Name，選擇Projection Type、Projection Ellipsoid，輸入False easting、False northing、Latitude of projection origin、Longtitude of central meridian、Scale factor，具體參數(shù)值如下圖所示。同樣在Customized Map Projettion Definition面板上，也可新建一個(gè)Albers投影，從而將UTM投影轉(zhuǎn)換為Albers投影，需要注意的是Albers投影False easting、Fa

12、lse northing、Latitude of projection origin、Longtitu of central meridian以及Latitude of standara parallels這些參數(shù)與高斯克呂格投影的異同，具體參數(shù)值如下圖所示。（3）輸出投影轉(zhuǎn)換結(jié)果。左圖：UTM投影高斯克呂格投影；右圖：UTM投影Albers投影； （4）在高斯克呂格投影影像任選五個(gè)坐標(biāo)點(diǎn)對(duì)（表2-1），利用高斯克呂格投影正算公式計(jì)算出New X，New Y坐標(biāo)（表2-2），對(duì)X與New X，Y與New Y進(jìn)行比較，計(jì)算它們之間的誤差大?。ū?-3），其中所有計(jì)算過程由MATLAB軟件完成。高

13、斯克呂格投影影像采樣的坐標(biāo)點(diǎn)對(duì)（表2-1）Lat（緯度）Lon（經(jīng)度）XY44.2310916700 -107.7474333300 4903259.0529000280489.8961000044.2456971200 -107.7353391300 4904849.7695000 281510.29670000 44.2383228700 -107.7387539300 4904039.4234000281210.17930000 44.2179071400 -107.7565837300 4901818.4739000 279709.59460000 44.2401393100 -107

14、.7418437000 4904249.5127000280970.08650000高斯克呂格投影正算公式計(jì)算的采樣坐標(biāo)點(diǎn)對(duì)（2-2）Lat（緯度）Lon（經(jīng)度）New XNew Y44.2310916700 -107.7474333300 4903259.08422804 280489.7723752244.2456971200 -107.7353391300 4904849.80003793 281510.17675012 44.2383228700 -107.7387539300 4904039.45453654281210.0575447144.2179071400 -107.7565

15、837300 4901818.50507534279709.4679302944.2401393100 -107.7418437000 4904249.54401855280969.96486468 高斯克呂格投影正算公式與envi軟件精度比較（表2-3）Lat（緯度）Lon（經(jīng)度）New X-XNew Y-Y44.2310916700 -107.7474333300 0.0313280402 -0.1237247800 44.2456971200 -107.7353391300 0.0305379294 -0.1199498800 44.2383228700 -107.7387539300

16、0.0311365407 -0.1217552900 44.2179071400 -107.7565837300 0.0311753405 -0.1266697100 44.2401393100 -107.7418437000 0.0313185500 -0.1216353200 （5）同樣在高斯克呂格投影影像任選五個(gè)坐標(biāo)點(diǎn)對(duì)（表2-1），利用高斯克呂格投影正算公式計(jì)算出New Lat，New Lon坐標(biāo)（表2-4），對(duì)Lat與New Lat，Lon與New Lon進(jìn)行比較，計(jì)算它們之間的誤差大小（表2-5），其中所有計(jì)算過程也由MATLAB軟件完成。高斯克呂格投影反算公式計(jì)算的采樣坐標(biāo)點(diǎn)對(duì)（

17、2-4）XYNew LatNew Lon4903259.052900280489.8961000044.2314314800 -107.7474153100 4904849.769500281510.2967000044.2460371900 -107.7353211800 4904039.423400 281210.1793000044.2386632400 -107.7387359800 4901818.473900279709.5946000044.2182474300 -107.7565656900 4904249.512700280970.0865000044.2404793000

18、-107.7418257100 高斯克呂格投影反算公式與envi軟件精度比較（表2-5）XYNew Lat-LatNew Lon-Lon4903259.052900280489.896100000.0003398100 0.0000180200 4904849.769500281510.296700000.0003400700 0.0000179500 4904039.423400 281210.179300000.0003403700 0.0000179500 4901818.473900279709.594600000.0003402900 0.0000180400 4904249.512

19、700280970.086500000.0003399900 0.0000179900 三、監(jiān)督分類1.實(shí)驗(yàn)?zāi)康氖褂脤W(xué)習(xí)樣本和驗(yàn)證樣本兩套數(shù)據(jù)，對(duì)遙感影像分別采用最小距離法、最大似然法、神經(jīng)網(wǎng)絡(luò)法進(jìn)行監(jiān)督分類，并對(duì)混淆矩陣，總體分類精度，Kappa系數(shù)等進(jìn)行分析，最后對(duì)各分類結(jié)果制圖。2. 實(shí)驗(yàn)原理監(jiān)督分類：又稱訓(xùn)練分類法，用被確認(rèn)類別的樣本像元去識(shí)別其他未知類別像元的過程。它就是在分類之前通過目視判讀和野外調(diào)查，對(duì)遙感圖像上某些樣區(qū)中圖像地物的類別屬性有了先驗(yàn)知識(shí)，對(duì)每一種類別選取一定數(shù)量的訓(xùn)練樣本，計(jì)算機(jī)計(jì)算每種訓(xùn)練樣區(qū)的統(tǒng)計(jì)或其他信息，同時(shí)用這些種子類別對(duì)判斷函數(shù)進(jìn)行訓(xùn)練，使其符合于對(duì)各

20、種子類別分類的要求，隨后用訓(xùn)練好的判決函數(shù)去對(duì)其他待分?jǐn)?shù)據(jù)進(jìn)行分類，使每個(gè)像元和訓(xùn)練樣本作比較，按不同的規(guī)則將其劃分到與其最相似的樣本類，以此完成對(duì)整個(gè)圖像的分類。最小距離分類法：最小距離法是一種基于距離準(zhǔn)則的監(jiān)督分類方法。最小距離分類首先要根據(jù)各已知類別的訓(xùn)練區(qū)計(jì)算各個(gè)類別中心的距離，即類別的均值向量，然后對(duì)一個(gè)待分類樣本（像元)計(jì)算其到各個(gè)已知類別中心的距離，與哪一類的距離最小，就將該樣本判歸該類。對(duì)一個(gè)n個(gè)特征，k個(gè)類別的分類，設(shè)各個(gè)類別的均值向量為Mi(i=1,2,，k),待分類像元用X表示，則最小距離法用下述判別函數(shù)對(duì)像元進(jìn)行分類：；i=1,2,，k。若，則，其中：T表示轉(zhuǎn)置；是模式

21、向量X的第j維分量；是第i類別均值向量的第j維分量。最大似然分類法：在兩類或多類判決中，用統(tǒng)計(jì)方法根據(jù)最大似然比貝葉斯判決準(zhǔn)則法建立非線性判別函數(shù)集，假定各類分布函數(shù)為正態(tài)分布，并選擇訓(xùn)練區(qū)，計(jì)算各待分類樣區(qū)的歸屬概率，而進(jìn)行分類的一種圖像分類方法。又稱為貝葉斯（Bayes）分類法，是根據(jù)Bayes準(zhǔn)則對(duì)遙感影像進(jìn)行分類的，亦稱基于最小錯(cuò)誤概率的Bayes分類法。 貝葉斯定理：假設(shè)B1,B2互斥且構(gòu)成一個(gè)完全事件，A伴隨它們出現(xiàn)，已知它們分別發(fā)生的先驗(yàn)概率P(Bi),i=1,2,及A的條件概率P(A|Bi)，則可以得到事件A的后驗(yàn)概率P(Bi|A)。由概率乘法公式：P(AB)=P(A)*P(B

22、|A)=P(B)*P(A|B)，可導(dǎo)出貝葉斯定理公式：。設(shè)有s個(gè)類別，用1、2、s來表示，每個(gè)類別發(fā)生的概率（先驗(yàn)概率）分別為P(1)、P(2)、P(s)；設(shè)有未知類別的樣本X，其類條件概率分別為P(X|1) 、 P(X|2) 、 P(X|s)；則根據(jù)貝葉斯定理可以得到樣本X出現(xiàn)的后驗(yàn)概率為：，此時(shí)，以樣本X出現(xiàn)的后驗(yàn)概率作為判別函數(shù)來確定樣本X的所屬類別，其分類準(zhǔn)則為：如果。通過簡(jiǎn)化，可以得到直接的分類準(zhǔn)則：。這樣，就可以通過觀測(cè)樣本X，把先驗(yàn)概率P(i)轉(zhuǎn)化為后驗(yàn)概率P(i|X)，并以后驗(yàn)概率最大的原則確定樣本X的所屬類別。人工神經(jīng)網(wǎng)絡(luò)分類法：首先通過已知類別樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，獲得正確的

23、連接權(quán)值，即學(xué)習(xí)過程；然后在該組權(quán)值下對(duì)未知樣本進(jìn)行預(yù)測(cè)識(shí)別。學(xué)習(xí)功能是神經(jīng)網(wǎng)絡(luò)的最重要特點(diǎn)，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)是要通過訓(xùn)練樣本確定網(wǎng)絡(luò)中的各權(quán)值，以保證樣本的正確分類或識(shí)別。以前饋神經(jīng)網(wǎng)絡(luò)為例，其學(xué)習(xí)算法可表達(dá)為對(duì)權(quán)值的修正：，其中是對(duì)從輸入神經(jīng)元到輸出神經(jīng)元的連接權(quán)值的修正量；是控制學(xué)習(xí)速度的系數(shù)。前饋神經(jīng)網(wǎng)絡(luò)的一個(gè)著名學(xué)習(xí)算法是反向傳播算法（BP）,主要思想是從后向前（反向）逐層傳播傳輸層的誤差，以間接算出隱層誤差并調(diào)整權(quán)值。算法分為兩個(gè)階段：第一階段（正向過程）輸入信息從輸入層經(jīng)隱層逐層計(jì)算各單元的輸出值；第二階段（反向傳播過程）輸出誤差逐層向后計(jì)算出隱層各單元的誤差，并用此誤差修正前層權(quán)

24、值。正向計(jì)算：；定義誤差函數(shù)（均方誤差）：，其中為輸出層的計(jì)算值，為訓(xùn)練樣本的實(shí)際值。顯然，誤差E是各權(quán)值的函數(shù)，因此正確的權(quán)值應(yīng)是使E極小化的權(quán)值。算法原理是在誤差曲面中尋找最小值。3. 數(shù)據(jù)來源本次實(shí)驗(yàn)所使用數(shù)據(jù)為2001年宜昌地區(qū)影像，該數(shù)據(jù)為Aster1-9波段，30米分辨率，投影為WGS-84，UL緯度為30.82418333，UL經(jīng)度為111.21726944。4. 實(shí)現(xiàn)過程（1）打開并顯示aster影像文件，從envi主菜單中，選擇FileOpen Image File選擇yichang2001aster_打開，選擇band3，band2，band1進(jìn)行組合加載顯示。（2）在ma

25、pinfo軟件中，使用SQL查詢語(yǔ)句獲取宜昌市主城區(qū)數(shù)據(jù)并將該數(shù)據(jù)在mapinfo中轉(zhuǎn)出并保存為.MIF格式的矢量數(shù)據(jù)。Envi主菜單下選擇VectoOpen Vector FileQuery.MIFLoad Selected，最終將其加載至envi的display窗口。（3）Envi主菜單Basic ToolsRegion Of Interest-RIO Tool，對(duì)不同的地物分別進(jìn)行采樣。（4）Envi主菜單Basic ToolsMaskingBuild Mask，進(jìn)入Mask Definition面板，選擇OptionsImport EVFs，選中Query.MIF文件做掩膜，輸出結(jié)果如

26、下圖所示。（5） 在Envi主菜單Classification-SupervisedMinnimum Distance(最小距離分類法)，進(jìn)入Classification Input File面板，需要注意的是點(diǎn)擊Select Mask Band按鈕，選擇上一步輸出的掩膜文件，然后進(jìn)行分類。（6）在envi主菜單ClassificationPost ClassificationConfusion MatrixUsing Ground TrutROIS，出現(xiàn)Classification Input File面板，選擇上一步分類后的數(shù)據(jù)結(jié)果，進(jìn)入Match Classes Paramters，將驗(yàn)

27、證樣本點(diǎn)與訓(xùn)練樣本點(diǎn)同類別進(jìn)行配對(duì)。（7）使用最小距離分類法對(duì)宜昌市主城區(qū)遙感影像分類獲得的Overall Accuracy = (388/401) 96.7581% ，Kappa Coefficient = 0.9603，而混淆矩陣如下表（表3-1）所示。最小距離法分類混淆矩陣（表3-1）Class UnclassifiedGround Truth(Pixels)植被黃柏河居民點(diǎn)裸地長(zhǎng)江上游長(zhǎng)江下游Total0000000植被790000079 黃柏河060400064 居民點(diǎn)003900039裸地000360238 長(zhǎng)江上游000081081 長(zhǎng)江下游0007193100Total7960

28、43438195401（8）使用最小距離法分類后的遙感影像制圖輸出如下圖所示。（9）在Envi主菜單ClassificationSupervisedMaxinum Likehood（最大似然分類法），后續(xù)操作步驟同最小距離法分類法，使用最大似然分類法對(duì)宜昌市主城區(qū)遙感影像分類獲得的Overall Accuracy = (401/401) 100.0000% ，Kappa Coefficient = 1.0000，而混淆矩陣如下表所示。最大似然法分類混淆矩陣（表3-2）Class UnclassifiedGround Truth(Pixels)植被黃柏河居民點(diǎn)裸地長(zhǎng)江上游長(zhǎng)江下游Total000

29、0000植被790000079 黃柏河060000064 居民點(diǎn)004300039裸地0000038 長(zhǎng)江上游000081081 長(zhǎng)江下游0007195100Total796043438195401（10）使用最大似然法分類后的遙感影像制圖輸出如下圖所示。（11）在Envi主菜單-Classification-Supervised-Neural Net（神經(jīng)網(wǎng)絡(luò)法），使用神經(jīng)網(wǎng)絡(luò)分類法對(duì)宜昌市主城區(qū)遙感影像分類獲得的Overall Accuracy = (400/401) 99.7506% Kappa Coefficient = 0.9970 ，而混淆矩陣如下表（表3-3）所示。最大似然法分類混淆矩陣（表3-3）Class UnclassifiedGround Truth(Pixels)植被黃柏河居民點(diǎn)裸地長(zhǎng)江上游長(zhǎng)江下游Total0000000植被790000079 黃柏河060000064 居民點(diǎn)004300039裸地0000038 長(zhǎng)江上游000081181 長(zhǎng)江下游0007194100 Total796043438195401（12）使用神經(jīng)網(wǎng)絡(luò)法分類后的遙感影像制圖輸出如下圖所示。4、 遙感影像幾何校正與配準(zhǔn)1. 實(shí)驗(yàn)?zāi)康膸缀巫冃畏窒到y(tǒng)性和非系統(tǒng)性兩大類。系統(tǒng)性一般由傳感器本身引起，有規(guī)律可循和可預(yù)測(cè)性，非系統(tǒng)性幾何變形是不