1、基于ENVI軟件的遙感信息處理實驗報告一、 遙感數據預處理：輻射亮度與表觀反射率的計算1.實驗目的將傳感器記錄的數字量化值（DN）轉換成絕對輻射亮度值（輻射率）與地表（表觀）反射率等物理量有關的相對值的處理過程。2.實驗原理l DN值轉為輻射亮度公式：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，是一個整數值，值大小與傳感器的輻射分辨率、地物發射率、大氣透過率和散射率等有關）； Unit Conversion Coefficient-定標系數（表1-1所示）；Aster數據定標系

2、數（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-太陽天頂角(z=90-太陽高度角)； Julian Day-成像日期； ESUNi-第i個波段的增益（表1-2所示）；Aster數據各個波段增益（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.數據來源本次實驗所使用數據為2001年宜昌地區遙感影像，該數據為Aster1-9波段，30米分辨率，投影為WGS-84，UL緯度為30.82418333，UL經度為111.21726944。4.實現過程（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進行組合加載顯示。（2）使用Band Math對原始數據各個波段進行計算，實現DN值轉為輻射亮度envi主菜單選擇Basic ToolsBand MathEnter an expression，輸入表達式，即將各個波段的DN值轉為輻射亮度的公式依次輸入并作用于各個相應的波段，選擇FileSave File AsENVI Standard（注意調整波段順序），輸出數據即為將DN值轉換為輻射亮度后的影像。 （3）使用Band Math對原始數據各個

6、波段進行計算，實現DN值轉為表觀反射率envi主菜單選擇Basic ToolsBand MathEnter an expression，輸入表達式，即將各個波段的DN值轉為表觀反射率的公式依次輸入并作用于各個相應的波段，選擇FileSave File AsENVI Standard（注意調整波段順序），輸出數據即為將DN值轉換為表觀反射率后的影像。 二、地圖投影的轉換1.實驗目的把UTM投影影像轉換成高斯克呂格投影和阿爾勃斯投影的影像；任選五個坐標點對，做高斯克呂格投影的正反算，并與ENVI軟件比較計算精度。2.實驗原理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、個圓錐面與地球橢球旋轉軸重合的套在橢球上，按等積條件把地球橢球上的經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：參考橢球體 KRASOVSKY，X軸偏量 0.0000000000，Y軸偏量 0.0000000000，第一標準緯線：25°00N，第二標準緯線：47°00N，中 央 經 線 ：105°00E，0 0.000 /* 起始經線，坐 標 原 點： 0°00，半球參數：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。它是假設一個橢圓柱面與地球

8、橢球體面橫切于某一條經線上，按照等角條件將中央經線東、西各3°或1.5°經線范圍內的經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，將中央經線投影為直線，其長度沒有變形，與球面實際長度相等，其余經線為向極點收斂的弧線，距中央經線愈遠，變形愈大。 赤道線投影后是直線，但有長度變形。除赤道外的其余緯線，投影后為凸向赤道的曲線，并以赤道為對稱軸。經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線上沒有變形，而中央經線上長度比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度之間按經度分為60個帶,每帶6度.從西經180度起算。高斯克呂格投影正算公式： 對于克氏橢球： 其中：，分別為高斯平面縱坐標與橫坐標； 為子午線弧長； ，稱作第二偏心率； ，稱作極曲率半徑； 為中央子午線經度。（注意：算出的橫坐標應加上500公里，再在前冠以帶號，才是常見的橫坐標形式。）高斯克呂格投影反算公式： 其中： 為底點緯度，以度為單位； ；（注意：其余符號同正算公式，只是以底點緯度代替大地緯度。）3. 數據來源本次實驗所使用數據為envi軟件自帶影像，該數據為LandSatTM1-5，7波段，30米分辨率，投影為NAD-27，UL緯度為44.28246944，UL經

10、度為-107.82238611。4.實現過程（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進行組合加載顯示。（2）將UTM投影轉換為高斯克呂格投影和Albers投影envi主菜單中選擇MapConvert Map Projection，進入Convert Map Projection Parameters面板。選擇Change Projection，進入Customized Map Projettion Definiti

11、on面板，然后新建一個高斯克呂格投影，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，具體參數值如下圖所示。同樣在Customized Map Projettion Definition面板上，也可新建一個Albers投影，從而將UTM投影轉換為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這些參數與高斯克呂格投影的異同，具體參數值如下圖所示。（3）輸出投影轉換結果。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坐標點對（表2-1），利用高斯克呂格投影正算公式計算出New X，New Y坐標（表2-2），對X與New X，Y與New Y進行比較，計算它們之間的誤差大小（表2-3），其中所有計算過程由MATLAB軟件完成。高

13、斯克呂格投影影像采樣的坐標點對（表2-1）Lat（緯度）Lon（經度）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算的采樣坐標點對（2-2）Lat（緯度）Lon（經度）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坐標點對（表2-1），利用高斯克呂格投影正算公式計算出New Lat，New Lon坐標（表2-4），對Lat與New Lat，Lon與New Lon進行比較，計算它們之間的誤差大小（表2-5），其中所有計算過程也由MATLAB軟件完成。高斯克呂格投影反算公式計算的采樣坐標點對（

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、監督分類1.實驗目的使用學習樣本和驗證樣本兩套數據，對遙感影像分別采用最小距離法、最大似然法、神經網絡法進行監督分類，并對混淆矩陣，總體分類精度，Kappa系數等進行分析，最后對各分類結果制圖。2. 實驗原理監督分類：又稱訓練分類法，用被確認類別的樣本像元去識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查，對遙感圖像上某些樣區中圖像地物的類別屬性有了先驗知識，對每一種類別選取一定數量的訓練樣本，計算機計算每種訓練樣區的統計或其他信息，同時用這些種子類別對判斷函數進行訓練，使其符合于對各

20、種子類別分類的要求，隨后用訓練好的判決函數去對其他待分數據進行分類，使每個像元和訓練樣本作比較，按不同的規則將其劃分到與其最相似的樣本類，以此完成對整個圖像的分類。最小距離分類法：最小距離法是一種基于距離準則的監督分類方法。最小距離分類首先要根據各已知類別的訓練區計算各個類別中心的距離，即類別的均值向量，然后對一個待分類樣本（像元)計算其到各個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。對一個n個特征，k個類別的分類，設各個類別的均值向量為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對像元進行分類：；i=1,2,，k。若，則，其中：T表示轉置；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，用統計方法根據最大似然比貝葉斯判決準則法建立非線性判別函數集，假定各類分布函數為正態分布，并選擇訓練區，計算各待分類樣區的歸屬概率，而進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Bayes準則對遙感影像進行分類的，亦稱基于最小錯誤概率的Bayes分類法。 貝葉斯定理：假設B1,B2互斥且構成一個完全事件，A伴隨它們出現，已知它們分別發生的先驗概率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)，可導出貝葉斯定理公式：。設有s個類別，用1、2、s來表示，每個類別發生的概率（先驗概率）分別為P(1)、P(2)、P(s)；設有未知類別的樣本X，其類條件概率分別為P(X|1) 、 P(X|2) 、 P(X|s)；則根據貝葉斯定理可以得到樣本X出現的后驗概率為：，此時，以樣本X出現的后驗概率作為判別函數來確定樣本X的所屬類別，其分類準則為：如果。通過簡化，可以得到直接的分類準則：。這樣，就可以通過觀測樣本X，把先驗概率P(i)轉化為后驗概率P(i|X)，并以后驗概率最大的原則確定樣本X的所屬類別。人工神經網絡分類法：首先通過已知類別樣本對網絡進行訓練，獲得正確的

23、連接權值，即學習過程；然后在該組權值下對未知樣本進行預測識別。學習功能是神經網絡的最重要特點，神經網絡的學習是要通過訓練樣本確定網絡中的各權值，以保證樣本的正確分類或識別。以前饋神經網絡為例，其學習算法可表達為對權值的修正：，其中是對從輸入神經元到輸出神經元的連接權值的修正量；是控制學習速度的系數。前饋神經網絡的一個著名學習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整權值。算法分為兩個階段：第一階段（正向過程）輸入信息從輸入層經隱層逐層計算各單元的輸出值；第二階段（反向傳播過程）輸出誤差逐層向后計算出隱層各單元的誤差，并用此誤差修正前層權

24、值。正向計算：；定義誤差函數（均方誤差）：，其中為輸出層的計算值，為訓練樣本的實際值。顯然，誤差E是各權值的函數，因此正確的權值應是使E極小化的權值。算法原理是在誤差曲面中尋找最小值。3. 數據來源本次實驗所使用數據為2001年宜昌地區影像，該數據為Aster1-9波段，30米分辨率，投影為WGS-84，UL緯度為30.82418333，UL經度為111.21726944。4. 實現過程（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進行組合加載顯示。（2）在ma

25、pinfo軟件中，使用SQL查詢語句獲取宜昌市主城區數據并將該數據在mapinfo中轉出并保存為.MIF格式的矢量數據。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，對不同的地物分別進行采樣。（4）Envi主菜單Basic ToolsMaskingBuild Mask，進入Mask Definition面板，選擇OptionsImport EVFs，選中Query.MIF文件做掩膜，輸出結果如

26、下圖所示。（5） 在Envi主菜單Classification-SupervisedMinnimum Distance(最小距離分類法)，進入Classification Input File面板，需要注意的是點擊Select Mask Band按鈕，選擇上一步輸出的掩膜文件，然后進行分類。（6）在envi主菜單ClassificationPost ClassificationConfusion MatrixUsing Ground TrutROIS，出現Classification Input File面板，選擇上一步分類后的數據結果，進入Match Classes Paramters，將驗

27、證樣本點與訓練樣本點同類別進行配對。（7）使用最小距離分類法對宜昌市主城區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)植被黃柏河居民點裸地長江上游長江下游Total0000000植被790000079 黃柏河060400064 居民點003900039裸地000360238 長江上游000081081 長江下游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），后續操作步驟同最小距離法分類法，使用最大似然分類法對宜昌市主城區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)植被黃柏河居民點裸地長江上游長江下游Total000

29、0000植被790000079 黃柏河060000064 居民點004300039裸地0000038 長江上游000081081 長江下游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（神經網絡法），使用神經網絡分類法對宜昌市主城區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)植被黃柏河居民點裸地長江上游長江下游Total0000000植被790000079 黃柏河060000064 居民點004300039裸地0000038 長江上游000081181 長江下游0007194100 Total796043438195401（12）使用神經網絡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1. 實驗目的幾何變形分系統性和非系統性兩大類。系統性一般由傳感器本身引起，有規律可循和可預測性，非系統性幾何變形是不