高分辨率遥感影像分类实验报告..docVIP

高分辨率遥感影像分类实验报告 班级： 姓名： 学号： 指导老师： 地球科学与环境工程学院 二〇一四年六月 目 录 1实验方法——面向对象方法 1 2实验内容 1 2.1 影像预处理 1 2.1.1影像数据融合 1 2.1.2 影像增强处理 2 2.2 创建工程 2 2.3 分割处理 3 2.4 分类 4 2.4.1 水体 4 2.4.2陆地 5 2.4.3 植被 6 2.4.4 裸土 7 2.4.5 建筑物 8 2.4.6 道路 9 2.4.7 阴影 10 2.4.8 总体分类图 12 3 结语 13 1实验方法——面向对象方法 面向对象方法是一个模拟人类大脑认知的过程，将图像分割为不同均质的对象，充分利用对象所包含的信息，将知识库转换为规则特征，从而提取影像信息。因为分析的是对象而不是像元，因此我们可以利用对象丰富的语义信息，结合各种地学概念，如面积、距离、光谱、尺度、纹理等进行分析。 面向对象的遥感影像分析方法与传统的面向像元的影像分析方法不同。首先需要使用一定方法对遥感影像进行分割，在提取分割单元（图像分割后所得到的内部属性相对一致或均质程度较高的图像区域）的各种特征后，在特征空间中进行对象识别和标识，从而最终完成信息的分类与提取。 2实验内容 2.1 影像预处理 2.1.1影像数据融合 实验数据为QuickBird影像，包括4个多光谱波段以及一个全色波段。QuickBird影像星下点分辨率：全色为 0.61m，多光谱为 2.44m。对于面向对象影像分类来说，越高的高空间分辨率越好但在对对象进行分类时，光谱信息同样重要因此，可将高分辨率的全色影像和多光谱影像进行数据融合 使用ERDAS进行数据融合：Interpreter→spatialenchancement→resolution merge 图 1 全色影像与多光谱影像融合 影像增强处理 影像分割算法是在亮度值的基础上建立起来的，其中包括一致性和不连续性。影像分割过程中，灰度差异较小但分属不同地物类型的相邻像元，分割后易被合并为一个对象，造成目标错提、漏提。为此须对原始影像进行预处理，增大提取目标与背景的反差，以取得更好的分割效果。 采用ERDAS对遥感影像进行影像增强处理，采用直方图均衡化处理：Interpreter→radiometricenhancement→histogram equalization 图 2 直方图均衡化增强影像 创建工程，加载入增强后的影像，为了方便计算，裁剪部分影像。 图 3影像加载和裁剪 分割处理 在process tree中右键选择Appentnew，新建一个分割处理，点击ok。然后选中分割右键选择insert child，第一个child 选择基于像素分割，第二个基于image object分割，并以第一个child为基础，扩大分割尺度，可以明显看出分割破碎度减小。 图 4 新建分割处理 图 5 基于pixel分割 图 6 基于分割 分类 采集水体信息：classification→sample→sample editor，然后在空白区域选择select features todisplayobject features→layervalue→mean双击，点击分割图中一块，显示4个波段的均值信息。 创建NDVI函数：feature view→object features→customized→create new arithmetic。 图 7 样本采集器编辑 图 8创建NDVI函数 在process tree中新建一个水体，并插入child，选择assigned classify阈值分类，设置水体分类阈值NDVI-0.5，NIR10。 图 9 水体分类阈值设置 图 10 水体分类结果 依据图10，可明显看出西南交大犀浦校区内的水体为蓝色部分 2.4.2陆地 陆地分类阈值设置NDVI-0.5，NIR10获取陆地分类。 图 11 陆地分类阈值设置NIR10)和结果 依据图1，可明显看出西南交大犀浦校区内的 2.4.3 植被 植被分类阈值设置（mean）：B180，NIR30，-0.15NDVI1。 图 12 植被分类设置 图 13 植被分类结果 依据图1，可明显看出西南交大犀浦校区内的 2.4.4 裸土 裸图分类阈值设置：160B240，160G240，50NIR120，150R210，-2NDVI-0.1。 图 14裸土分类阈值设置1 图 15裸土分类阈值设置2 图 16 裸土分类结果 依据图1，可明显看出西南交大犀浦校区内