遥感实习报告
《遥感原理与应用》 课堂实习报告 专 业：
测绘工程 班 级：
测绘 1606 班 姓 名：
孙宛生 学 号：
311605001324 指导教师：
卢晓峰
实验项目（一）：地物波谱特性测量（2 2 学时）一、实验目的：通过地面光谱仪野外测定地物反射光谱曲线，了解地物的反射光谱特性及其变化规律。
二、实验器材 ：地面光谱辐射计、记录表格 三、实验任务 ：1.实地测定并绘制反射光谱曲线图;2.分析各种地物的反射光谱曲线的特点。
四、实验要求：
1、每组同学至少测定出三种地物的反射光谱曲线； 2、能进行数据处理并绘制光谱反射曲线； 3、分析所测定反射曲线受外部环境影响的因素。
六、实习时间及地点：2019 年 5 月 25 日、测绘学院附近区域 七、实习天气状况：晴朗 八、仪器型号：地物光谱辐射计 ASD FieldSpec 3、标准板 九、实验原理、步骤、结果与分析 ：
地物反射波谱测定的原理 用光谱测定仪器（置于不同波长或波谱段）分别探测地物和标准板，测量、记录和计算地物对每个波谱段的反射率，其反射率的变化规律即为该地物的波谱特性。
1）先测量地物的反射辐射通量密度，在分光光度计视场中收集到的地物反射辐射通量密度为：
2）经光电管转变为电流强度在电表上指示读数 3）测量标准板的反射辐射通量密度。
4）电表读数为 5）地物的电流强度与标准板的电流强度相比
6）地物的光谱反射率 步骤: :（1）仪器的检查和准备：ASD 光谱仪、笔记本电脑、遮阴板、记录表、铅笔、橡皮、卷尺（2 米以上）、GPS、水准棒、电子表或者手表、三角架、整理箱。
（2）连接探头手托、主机箱和笔记本电脑；（3）打开光谱仪（对仪器进行校正时，应预热 15 分钟）；（4）打开笔记本电脑和操作软件；（5）进行数据保存设置；（6）进入操作主画面，对准参考板（距离 20-30cm）优化（按 Opt）；（7）测量暗电流（按 DC）：如果光谱仪没有预热时间，前 15 分钟内暗电流的测定为 2 分钟一次，15 分钟后半小时一次即可；（8）测量光照参考板（一般为 Raw DN 值），测参考板 2 次, 每次 5 条平均；（9）测量遮阴参考版 2 次，每次 5 条平均；（10）测量光照地物，探头高度按照观测目标确定，每次 5 条平均；（11）测量遮阴地物，探头高度同上，每次 5 条平均；（12）结束当前测量，关闭光谱仪，再关闭笔记本计算机，收起连接线。
（13）记录人员按表格记录各项内容，拍摄测量目标和周围环境。
（14）室内绘制波谱特性曲线(图 1-1)
实验项目（二）：遥感图像几何校正（2 2 学时）实验目的：掌握遥感图像几何校正的原理方法；熟悉几何校正中控制点的选择原则和方法；熟练掌握有关遥感图像处理软件的主要功能和操作步骤；针对变形的遥感图像能进行几何校正。
实验器材：1、计算机；2、基准遥感图像、待校正遥感图像；3、遥感数字图像处理 ENVI 软件。
实验要求：掌握遥感图像几何校正的原理和软件操作步骤；分别对三幅多光谱影像进行几何校正；分别输出三幅多光谱影像的校正前后的影像，共 6 幅影像，包括几何校正前的 3 幅影像和几何校正后的 3 幅影像，并对几何校正前后的影像进行对比。
实习时间及地点：2019 年 6 月 20 日 数据源：已获取的数据 实验原理、步骤、结果 与分析：
原理 ：
原始的遥感影像通常包含严重的几何变形，引起这种几何变形的原因包括系统性和非系统性两类。系统性一般由传感器本身引起，可以用传感器模型来纠正；非系统性几何变形是没有规律的，它可以是传感器平台本身的高度、姿态等不稳定，也可以是地球曲率及空气折射的变化以及地形的变化等。几何校正的目的就是要纠正这些系统及非系统因素引起的影像变形。几何校正，主要方法是采用多项式法，机理是通过若干控制点，建立不同影像间的多项式空间变换和像元插值运算，实现遥感影像与实际地理图件间的配准，达到消减以及消除遥感影像的几何畸变。主要包括：地面控制点的采集，选择多项式纠正模型，重采样等过程。
步骤 ：
1.打开并显示影像文件 1.从 ENVI 主菜单中，选择 File>Open Image File，当 Enter Data Filenames 对话框出现后，选择多光谱影像进行加载。
2.在 Available Band Lists(可用波段列表)对话框中，选择全色波段，并选中 Gray Scale，在窗口底部点击 “Load Band”，导入波段到显示，全色图像就显示在 display #1 窗口中。
3.在 Available Band Lists(可用波段列表)对话框中选中 RGB Color，在序列中点击所需要显示的红、绿和蓝波段名，分别对应多光谱影像的 4、3、2 波段。点击 No Display 按钮，并从下拉式菜单中选择 New Display。点击 Load Band 按钮，多光谱影像就显示在 display #2窗口中。
2.选择控制点 1.从 ENVI 主菜单栏中，选择 Map → Registration → Select GCPs: Image to Image。
2.在 Image to Image Registration 对话框中，点击并选择 Display #1，作为 Base Image。点击 Display #2，作为 Warp Image。
3.点击 OK，启动配准程序。
4.通过将光标放置在两幅影像的相同地物点上，来添加单独的地面控制点，在 Ground Control Points Selection 对话框中，点击 Add Point○ 4，把该地面控制点添加到列表中。保存地面控制点坐标：在 Ground Control Points Selection 对话框中，选择 File → Save GCPs to ASCII，输入文件名 points.pts，保存所有控制点。点击 Show List○ 5查看地面控制点列表。选择 Image to Image GCP List 上的 Options>Order Points by Error，按照 RMS 值有高到底排序。
5、对于 RMS 过高的点，一是直接删除：选择此行，按 Delete 按钮；二是在两个影像的 ZOOM 窗口上，将十字光标重新定位到正确的位置，点击 Image to Image GCP List 上的Update 按钮进行微调，这里直接做删除处理。
6、总的 RMS 值小于 1 个像素时，完成控制点的选择。点击 Ground Control Points Selection 面板上的 File>Save GCPs to ASCII，将控制点保存。
7、选择校正参数输出 8、检验校正结果 结果与分析：
实验项目（三）：遥感图像的计算机自动分类（2 2）学时）实验目的：掌握遥感图像分类的基本原理；熟悉遥感图像的特点；掌握 ENVI软件遥感图像分类的操作步骤；并输出分类结果专题图； 实验器材：1、计算机；2、多光谱遥感图像；3、遥感数字图像处理专用软件。
实验要求：1、了解多光谱遥感图像的成像规律和特点；2、掌握遥感图像分类的基本原理及操作步骤；3、要求分别采用非监督分类和监督分类两种方法进行影像分类，并用混淆矩阵对分类结果进行精度评价，要输出土地利用分类专题图，专题图要有图名、图例、指北针、比例尺、网格线等；4、实验报告结果图要附有非监督分类专题图和监督分类专题图（要求彩打），并要求附有混淆矩阵精度评价结果。
实习时间与地点：2019 年 6 月 20 日 数据描述：已获取数据 实验原理、步骤、结果与分析：
实验原理 ：
非监督分类是以不同影像地物在特征空间中类别特征的差别为依据的一种无先验（已知）类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法。根据待分类样本特征参数的统计特征，建立决策规则来进行分类。而不需事先知道类别特征。把各样本的空间分布按其相似性分割或合并成一群集，每一群集代表的地物类别，需经实地调查或与已知类型的地物加以 比 较 才 能 确 定。
是 模 式 识 别 的 一 种 方 法。
监 督 分 类（supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。
步骤 ：
1非监督法分类 1）从 ENVI 主菜单中,选择 Classification>Unsupervised>K-Means。选择文件
jz.img，单击Ok。弹出K-means Parameters对话框，在K-means Parameters对话框中，输入Number of Classes（分类数）6，Chang Threshold（像元变化的阀值）5.00，Maximum Iteration（最大迭代数）6，距离均值的最大标准差，最大距离误差等基本参数（根据实际图像和先验知识更改参数的设置）。
2）输入输出文件名kmeans.img，点击Ok。
3）查看K-均值（K-Means）分类影像：
A．打开kmeans.img文件,在可用波段列表中, 点击 Gray Scale 单选按钮,再点击列表顶部的波段名，并在 Display 下拉式菜单按钮中 , 选择New Display, 然后点击Load Band。
B．从主影像jz.img显示窗口菜单中,选择 Tools>Link>Link Displays, 然后在对话框中,点击 OK, 来连接这两幅影像。
C．使用鼠标左键,在影像上点击并拖动动态叠加显示区域, 将 K-Means 分类结果同原始的彩色合成影像进行比较。
D．当处理完成后,选择 Tools>Link>Unlink Display, 关闭连接和动态叠加。
如果需要，尝试改变类别数、阈值（thresholds）、最大迭代次数、标准差和最大距离误差（maximum distance error），并判断它们对分类结果所产生的影响。
1.2 ISOData(重复自组织数据分析技术)ISOData 非监督分类法将计算数据空间中均匀分布的类均值，然后用最小距离规则将剩余的像元进行迭代聚合。每次迭代都重新计算均值，且根据所得的新均值，对像元进行再分类。这一处理过程持续到每一类的像元数变化少于所选的像元变化阙值或者达到了迭代的最大次数。具体操作步骤如下：
1）从 ENVI 主菜单中，选择 Classincation>Unsupervised>isodata。选择文件 jz.img，单击 Ok。弹出 Isodata Parameters 对话框，在 ISODATA Parameters 对话框中，输入 Number of Classes（分类数），Min（最少分类数）5、Max（最大分类数）10，Maximum Iteration（最大迭代数）6，Chang Threshold（像元变化的阀值）5.00，Minimum ＃Pixel in Class（每类中的最小像元数）1，Maximum Class Stdv（最大类标准差）1.00，Minimum Class Distance（最小类间距）5.00，Maximum ＃Merge Pairs（最大合并数）2，距均值的最大标准差，最大距离误差等 10 个基本参数（根据实际图像和先验知识更改参数的设置），如下图。
2）输入输出文件名 isodata.img，点击 Ok。
3）查看 ISOData 分类影像：
A．打开 isodata.img 文件，在可用波段列表中,点击 Gray Scale 单选按钮,再点击列表顶部的波段名,并从 Display #1 下拉式菜单按钮中,选择 New display, 然后点击 Load Band。
B．从主影像 jz.img 显示窗口菜单中,选择 Tools>Link>Link Displays,点击 OK,将 ISOData 分类影像同原始的彩色影像连接起来。
C．使用鼠标左键,在影像上点击并拖动动态叠加显示区域,将 ISOData 分类结果同原始的彩色合成影像进行比较。按住鼠标左键的同时,再点击鼠标右键,触发第三幅影像的动态叠加显示。将 ISOData 分类结果同 K-Means 分类结果进行比较。
D．选择 File>Cancel, 关闭这两幅影像的显示窗口。
如果需要，尝试改变类别数、阈值（thresholds）、最大迭代次数、标准差、最大距离误差（maximum distance error）以及类像素特征值，并判断它们对分类结果所产生的影响。
2 2..监督分类法（Supervised Classification）及操作步骤 监督法分类需要用户选择作为分类基础的训练样区。
我们将使用各种监督分类法，并对它们进行比较，确定单个具体像素是否有资格作为某类的一部分。ENVI 提供了多种不同的监督分类法，其中包括了平行六面体法（Parallelepiped）、最小距离法（Minimum Distance）、马氏距离法（Mahalanobis Distance）、最大似然法（Maximum Likelihood）、波谱角法（Spectral Angle Mapper）、二值编码法
（Binary Encoding）以及神经网络法（Neural Net）。
要运行监督分类法，从 ENVI 主菜单中，选择 Classification →Supervised → [method]。在这里，[method]是下拉菜单中所列的某种监督分类法（Parallelepiped，Minimum Distance，Mahalanobis Distance，Maximum Likelihood，Spectral Angle Mapper，Binary Encoding 或者 Neural Net）。
本次实验中我所使用的是最大似然分类法（MLC）操作步骤如下：
2 2.1 训练样本的选择和优化 在影像数据中选择Overlay中的ROI（Region Of Interest）在图像窗口（Image 或scroll或Zoom）上用左键画出感兴趣区，单击鼠标右键确定选择形状（此时可以拖动感兴趣区域，用Ctrl＋鼠标左键可以删除），再次单击右键确定此训练区（此时若要删除训练区，需要点击ROI Tool窗口中的Delete控键，此操作将删除所有该类型的感兴趣区域）。ROI Tool 窗口中将会显示选择区域的颜色和相关信息，其中，感兴趣区域名称（ROI Name）和色彩可以修改。可就某一类训练区选择多个感兴趣区域。
该类训练区的选择完成后，点击ROI Tool窗口的New Region控键，再进行另一类训练样本的选择，其颜色将自动改变（也可根据需要自行设置）。按以上操作完成所有训练区的选择。
上述步骤中选择的某类训练样本，可能混入了其他类型的样本，为了提高图像分类精度，需要对训练样本进行提纯。
N维可视化分析器（N—Dimensional Visualizer）即是对选择的训练区像元进行提纯。当某些像元始终聚集在一起运动时，这些就是所需的最纯像元；若在运动时，像元分成了两个部分，则说明选择了两类地物的训练区，需把此训练区像元分开处理。让训练区像元在n维空间内自由转动（可以控制转动速度Speed），当转到各数据团尽可能分散，可以区分各类型训练区像元的位置时，停止转动，进行样本提纯操作。即：
（1）在n-D Visualizer窗口中用鼠标选择某类训练区---先点击右键选new class---在选择纯化的训练区内用左键画出纯像元区，未确认状态下可用‘ctrol+左键’删除，点击右键确定（可进行多次选择）---再次单击右键>>Export Class，提纯后的训练区将出现在ROI Tool窗口中，确定后的改动，需到ROI Tool窗口，用delete。
（2）进行下一个类型训练区的提纯时，首先要在n-D Visualizer窗口中单击右键>>New Class，下面的操作如前。如此，完成所有训练区的提纯。
ROI Tools窗口：① 对优化后的原类别样本‘Hide’看效果，② 可删除旧类别样本，以优化后的替代，③ 编辑色彩，以达到较好视觉效果。
在该过程中，数据团离得越远，分类的效果越好。
（3）训练区的保存：ROI Tool: File>>Save ROIs… 2.2 最大似然法分类
最大似然分类假定每个波段每一类统计呈均匀分布，并计算给定像元属于一特定类别的可能性。除非选择一个可能性阈值，否则所有像元都将参与分类。每一个像元被归到可能性最大的那一类里。具体操作步骤如下：
ENVI: Classification >> supervised >>Maximum likelihood >> Classification Input File 选择待分类的图像 >> Maximum likelihood Parameters 选择所有ROI。
在Maximum Likelihood Parameters 对话框中设置一般分类参数：
在 “Set Probability Threshold” 文本框里，如不使用阈值，点击“None”按钮。
要对所有的类别使用同一个阈值：点击“Single Value”按钮，在“Probability Threshold”文本框中输入一个0到1之间的值。似然度小于该值的像元不被分类。
可以“预览”分类结果，对结果满意即可对结果输出。
输入保存输出结果的文件名；点击OK。使用影像动态链接功能，将这个分类影像同原彩色合成影像以及先前生成的非监督法分类影像进行比较。
3.分类后处理 我们需要对分类后的影像进行后处理，评价其分类的精度，或者将类概括出来，并导入到地图影像和矢量 GIS中。ENVI 提供了一系列的工具，来满足这些需要。
分类精度评价：ENVI:Classification>>Post Classification>>Confusion Matrix：通过分类结果图与地表真实感兴趣区（Ground Truth ROIs）相比较来计算混淆矩阵。评价结果记录了总体精度、准确度、Kappa系数、混淆矩阵、commission 误差（每类中额外像元占的百分比）和冗长误差（类左边的像元占的百分比）等等。当用地表真实图像（Ground Truth Image）计算混淆矩阵时，还可以输出每类图像中没有被正确分类的那些像元。
混淆矩阵（Confusion Matrix）：
ENVI 计算混淆矩阵的功能允许对两幅分类影像（分类影像和真实影像），或者对分类影像和感兴趣区进行比较。地面真实影像（truth image）可以是另一幅分类影像，或者是根据地面真实测量生成的影像。
1）选择 Classification>Post Classification>Confusion Matrix>[method]，其中[method]为Using Ground Truth Image，或者 Using Ground Truth ROIs。
2）对于 Using Ground Truth Image 选项，我们可以将另一幅分类影像作为地面真实影像，如将平行六面体（Parallelepiped）分类影像和波谱角填图（SAM）分类影像进行比较。
本次实验我们使用的是Using Ground Truth ROIs 3）单击Using Ground Truth ROIs，选择分类后图像，利用已有的验证样本数据对其进行分析。
4.专题图制作 4.1 图形的整饰（1）图面大小（边界）设置Image: overlay>>annotation 出现 Annotation 对话框---Option>>Set Display Border---出现‘Display Border’对话框，输入左（80）、右（180）、上（150）、下（120）的图像边框宽
度，设置边框颜色（白）---‘OK’，滚动窗口（Scroll）出现带白色边框的图。
（2）注记Image: overlay>>annotation(标题；图例；比例尺；南北指针)（1）添加注记：Image: overlay>>annotation。注记可以被放置在主图像窗口、滚动窗口或缩放窗口。通过从各自的 Options 菜单中选择 Annotation，每种图表，包括 X、Y、Z 剖面图或表面图，可以被注记。当出现 #n Annotation 对话框时（其中 “#n” 指正被注记的那个显示），选择 Object > >所需要的注记对象。
a）文本注记（Text）：Object>>text，选择注记的属性（如font、size、color等），在文本框中输入待添加文本，用鼠标在图像中点击注记位置，按右键确定。
b）图例注记（map key）：Object>>map key可以直接将各类的图例加载上去，Image：Tools—color mapping-class color mapping可进行颜色、名称等编辑。Object>>Map Key>>Edit Map Key Items可改变图例顺序：通过利用Add Item和Delete Item来调整顺序。
c）比例尺注记（Scale Bar）：Object>>Scale bar d）其他注记略 e）注记的选择或编辑：Object>>Selection/Edit 圈定---出现‘◇’待编辑状态 注：每一种注记添加到图像中后，单击鼠标右键进行确定。所有注记对象都有一个小的彩色菱形 “handle”，它被用来决定位置。
（2）保存注记文件：
Annotation: File > Save Annotation.出现对话框输出文件名，或点击 “Choose”，然后当出现 ENVI 文件选择对话框时后，输入一个文件名，后缀名为.ann M ML CL 法 监督 分类图
4.2 图形输出 1.分类结果图像输出：Image: File>>Save Image As >>Image File（or Postscript File）‘Output Display’---Type：Jpeg---输出名 2.分类结果的矢量输出：ENVI: Classification >> Post Classification >> Classification to Vector：将选择的类变换为矢量多边形进行输出
