基于ENVI下的土地利用信息提取(二)
5. 处理流程
5.1 TM数据的获取与预处理
由于需求方所提供的TM遥感数据已经经过几何校正、辐射校正等预处理工作,故不需要再对其进行处理。国内的TM数据可在中国科学院遥感与数字地球研究所的门户网站上下载(http://cs.rsgs.ac.cn/cs_cn/cshome.asp),该网站提供海量共享数据免费下载,下载的数据基本经过了预处理等操作。
5.2 非监督分类
非监督分类是计算机根据遥感影像的光谱差异,自动将遥感影像分为特定的类别的一种分类方法,其相比于非监督分类的优点在于实现了计算机的自动解译,无需人工确定类别来选取感兴区域(ROI),该分类结果在本次试验中起到一定的辅助作用。ENVI非监督分类的方式包括ISODATA和K-Means两种,具体分类原理便不再作介绍,下面便是利用ISODATA方法来分类的步骤。
在主菜单上选择Classification→Unsupervised→ISOData,在Classification Input File对话框中,选择待分类的TM图像文件,单机OK按钮,打开ISODATA Parameters对话框(图02),下面设置ISODATA Parameters对话框的参数。
(1)类别数量范围(Number of Classes:Min,Max):一般输入最小数量不能小于最终分类数量,最大数量为最终分类数量的2-3倍。Min:10,Max:20。
图02 ISODATA分类器参数设置 |
(2)最大迭代次数(Maximum Iterations):15。迭代次数越大,得到的结果越精确,运算时间也越长。
(3)变换阈值(Change Threshold):5。当每一类的变化像元数小于阈值时,结束迭代过程。这个值越小得到的结果越精确,运算量也越大。
(4)Minimum # Pixel in Class:键入形成一类所需要的最小像元数。如果某一类中的像元数小于最小的像元数,该类将被删除,其中的像元被归并到距离最近的类中。
(5)最大分类标准差(Maximum Class Stdev): 1。以像素值为单位,如果某一类的标准差比该阈值大,该类将被拆分成两类。
(6)类别均值之间的最小距离(Minimum Class Distance):5。以像素值为单位,如果类均值之间的距离小于输入的最小值,则类别将被合并。
(7)合并类别最大值(Maximum # Merge Pairs):2。
(8)距离类别均值的最大标准差(Maximum Stdev From Mean),这个为可选项。筛选小于这个像元标准差的像元参与分类。
(9)允许最大距离误差(Maximum Distance Error),这个为可选项。筛选小于这个最大距离的误差参与分类。
(10)选择输入路径及文件名,单机OK按钮,执行非监督分类。分类结果将以文件的形式保存。以下是结果展示(图03)。
图03 非监督分类结果
5.3 计算NDVI
归一化植被指数(Normalized Difference Vegetation Index,NDVI)计算,可以将多光谱数据变换成一个单独的图像波段,用于显示植被分布,较高的NDVI值预示着包含较多的绿色植被。水田的含水量相对较高,其NDVI值略低于其他的植被,故NDVI能有效的将水田信息从中分离,由于水体中的植被较少,其光谱特征表现为强吸收,在对水体的NDVI值进行统计中发现其值大都低于0.1,故水体信息也易提取。如下是利用ENVI计算NDVI的过程。
(1)打开TM图像。
图04 NDVI计算对话框 |
图05 NDVI计算结果 |
(2)在主菜单中,选择Transforms→NDVI。在NDVI Calculations Input File对话框中,选择TM图像,单击OK按钮。
(3)在NDVI Calculation Parameters对话框中(图04),单击“Input File Type”下拉菜单,选择Landsat TM。用于计算NDVI的波段将被自动导入到“Red”和“Near IR”文本框中,手动输入所需要的波段。
(4)在“Output Data Type”下拉菜单选择输出字节型(Byte)或浮点型(Floating Point)。如果选择字节型输出,键入最小NDVI值,该值将被拉伸为0;键入最大NDVI值,该值将被拉伸为255,获得的NDVI将被拉伸为0-255范围内。如果选择浮点型,NDVI数值范围保持为-1-1。
(5)选择输出文件路径及文件名,单击OK按钮。图05是NDVI计算的结果。
基于ENVI下的土地利用信息提取(二)相关推荐
- 基于高分辨率影像城市绿地信息提取_基于ENVI的高分辨率遥感影像城市绿地信息提取研究_陈阳pdf.doc...
基于ENVI的高分辨率遥感影像城市绿地信息提取研究_陈阳pdf 第卷第期测绘工程,244 Vol.24No.4年月,20154Engineering of Surveying and MappingA ...
- 基于ENVI的遥感影像解译——以Landsat8数据为例(上)
遥感影像解译是一种指从图像获取信息的基本过程.即根据各专业(部门)的要求,运用解译标志和实践经验与知识,从遥感影像上识别目标,定性.定量地提取出目标的分布.结构.功能等有关信息,并把它们表示在地理底图 ...
- ENVI下的秸秆焚烧实时遥感监测方案及实现
ENVI下的秸秆焚烧实时遥感监测方案及实现 前言 前言 每年夏收与秋收后,部分城市始终笼罩着浓浓的烟雾.这些烟雾不是来自重工业污染,也不是化工产品爆炸,而是来自秸秆焚烧.秸秆焚烧已经成为影响这些城市空 ...
- 基于ENVI与ERDAS的Hyperion高光谱经验比值法、一阶微分法叶绿素及地表参数反演
基于ENVI与ERDAS的Hyperion高光谱经验比值法.一阶微分法叶绿素及地表参数反演 1 前期准备与本文理论部分 1.1 几句闲谈 1.2 背景知识 1.2.1 Hyperion数据介绍 1.2 ...
- ENVI下植被指数模型详解
[转载]ENVI下植被指数模型详解 (2013-09-06 08:41:35) 原文地址:ENVI下植被指数模型详解作者:ENVI-IDL中国 植被指数(VI)是两个或多个波长范围内的地物反射率组合运 ...
- 基于ENVI与ERDAS的Landsat 7 ETM+单窗算法地表温度(LST)反演
基于ENVI与ERDAS的Landsat 7 ETM+单窗算法地表温度(LST)反演 1 原理部分与前期操作准备 1.1 图像预处理 1.2 植被指数反演 1.3 单窗算法原理 2 实际操作部分 2. ...
- 语义分割:基于openCV和深度学习(二)
语义分割:基于openCV和深度学习(二) Semantic segmentation in images with OpenCV 开始吧-打开segment.py归档并插入以下代码: Semanti ...
- 深度 | 智慧•城市,基于国际视野下的思考
来源:智慧城市决策参考 智慧城市的兴起,得益于ICT技术的迅猛发展.经过这些年国内外诸多城市的探索和实践,智慧城市已经从最初的营销概念,逐渐发展成为一种支持城市发展的新理念.然而在实际应用中,智慧城市 ...
- 在OpenCV环境下写的灰度图像二维傅里叶换,幅值计算,频谱平移和将数值归一化到0到255区间的四个函数
图像处理开发需求.图像处理接私活挣零花钱,请加微信/QQ 2487872782 图像处理开发资料.图像处理技术交流请加QQ群,群号 271891601 灰度图像的二维傅里叶变换(cv_gray_fft ...
最新文章
- 只会高中数学运算就能发现算法?Google开源的AutoML-Zero有多厉害
- 小程序之点击跳转到对应内容
- STM32 基础系列教程 36 - Lwip_dns
- 富满电子鸿蒙系统,电子行业周报:HARMONYOS+2.0助力AIOT生态体系发展
- 在ie8下ext显示的问题
- LeetCode(集合)队列和栈的相互实现 golang
- CVPR 2019 行人检测新思路:高级语义特征检测取得精度新突破
- python 描述符类_python的黑魔法--描述符
- Akka增加消息的灵活性《eleven》译
- 如何在Linux操作系统查看文件创建时间
- 转:基于Spark的电影推荐系统(包含爬虫项目、web网站、后台管理系统以及spark推荐系统)
- java-php-python-ssm无人智慧药柜系统设计计算机毕业设计
- 麻了,别再为难软件测试员了
- pdf和图像文字识别提取工具
- 怎么在小程序中使用彩色图标iconfont
- PAT-L2-027(名人堂与代金券)(结构体排序)
- QQ群非管理员@所有人的方法
- 59.Mongoose
- python面试题大全 以及 vue面试题(必看!!!)
- Orin平台GMSL camera CHANSEL_NOMATCH问题分析