1ENVI基本影像处理绪论.ppt

2.5 ENVI中的影像融合、镶嵌、裁剪——融合练习四 数据源 分辨率相差20倍 WordView与Alos数据融合 处理过程 用ENVI Zoom或ENVI EX下Pan Sharping方法融合 输出 融合结果 2.5 ENVI中的影像融合、镶嵌、裁剪——镶嵌 基于像素镶嵌和基于地理坐标镶嵌 自动颜色平衡，边缘直方图匹配 接边线、接边羽化 虚拟镶嵌 运算速度快 占用非常少的虚拟内存空间 2.5 ENVI中的影像融合、镶嵌、裁剪——镶嵌练习 数据源 两幅已经校正好的TM 30米多光谱影像（“4-影像镶嵌”文件夹中） 处理过程 用注记工具勾画两影像接边线，用羽化和颜色校正等使两幅影像镶嵌在一起。 输出 镶嵌结果 2.5 ENVI中的影像融合、镶嵌、裁剪——裁剪 空间裁减 基于感兴趣区（ROI）的裁减 基于矢量/栅格数据文件的裁剪 自定义裁剪 波谱裁剪 2.5 ENVI中的影像融合、镶嵌、裁剪——裁剪练习 数据源 一幅TM影像、影像区域的Shapefile矢量文件（“5-影像裁剪”文件夹中） 处理过程 用ROI工具在TM影像上绘制不规则的多边形感兴趣区域，后利用这个感兴趣区域裁剪TM影像 利用Shapefile矢量文件裁剪TM影像 输出 裁剪结果 3.影像信息基本提取方法 3.1 影像信息提取技术概述 3.2 影像增强处理 3.3 监督分类 3.4 非监督分类 3.1 影像信息提取技术概述 遥感影像通过亮度值或像元值的高低差异（反映地物的光谱信息）及空间变化（反映地物的空间信息）来表示不同地物的差异，这是区分不同影像地物的物理基础。 遥感影像分类就是利用计算机通过对遥感影像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别，然后获得遥感影像中与实际地物的对应信息，从而实现遥感影像的分类。 3.1 影像信息提取技术概述—分类技术的发展 人工解译 基于光谱计算机自动分类 基于专家知识的决策树分类 面向对象特征自动提取 地物识别与地表反演 变化检测 地形信息提取 3.2 图像增强处理 图像变换 主成分（PCA） 独立主成分 最小噪声分离(MNF) 颜色空间变换（HSV,HLS） 穗帽变换 波段运算 图像拉伸 去相关、饱和度、彩色 直方图（匹配、拉伸） 滤波 卷积 形态学、纹理、自适应、自定义 频率域 局部增强 智能数字化工具 智能数字化工具 提高数字化的效率 增强ENVI矢量的功能 计算提取的线状地物的长度 过头去除以及两线相交 ENVI中基于光谱分类方法 非监督分类 ISODATA K-Means 监督分类 基于传统统计分析分类器 平行六面体 最小距离 马氏距离 最大似然 基于人工智能分类器 神经网络 基于模式识别分类器 支持向量机 模糊分类 类别定义/特征判别 影像分类 分类器选择 样本选择 分类后处理 结果验证 平行六面体 最小距离 马氏距离 最大似然 波谱角 二进制编码 光谱信息散度 神经网络 支持向量机分类 模糊分类 3.3 监督分类 3.2 监督分类——练习 数据源 以Landsat TM为数据源（“6-监督与非监督分类”文件夹内）。 处理过程 选择样本,后选择一种分类器进行分类。 分类后处理 类后处理 Majority/Minority 分析 Clump Sieve 精度分析 生成随机样本 混淆矩阵 结果 分类结果 3.4 非监督分类 非监督分类：也称为聚类分析或点群分类。在多光谱图像中搜寻、定义其自然相似光谱集群的过程。 分类器选择 影像分类 ISODATA K-means 其他 类别定义/类别合并 分类后处理 结果验证 影像分析 3.4 非监督分类——练习 数据源 以Landsat TM为数据源（“6-监督与非监督分类”文件夹内） 处理过程 分类器选择ISODATA或者K-mean对TM进行分类。 分类后处理 类别定义 类后处理 Majority/Minority 分析、Clump、Sieve 重新组合类别 精度分析 生成随机样本 混淆矩阵 结果 分类结果 4.制图与三维可视化 4.1 ENVI的快速制图 4.2 三维可视化 4.1 ENVI的快速制图—QuickMap 随意选择边界颜色 设置所有格网线属性 颜色、样式、字体等 整饰和必要的标注作为图像显示 自动标注 地图综合 4.2 三维场景构建与3D 曲面飞行 快速利用影像及DEM构建三维场景 叠其他数据，如矢量 用户自定义背景 可对DEM和影像进行重采样，提高浏览速度 放大时逐步增强细节 设置飞行路线，可将飞行录制成视频 这是遥感图像处理的一般流程，主要分为6个过程。大多数的遥感平台都是按照这个流程来设计或者是具有这六个过程的功能。 * ENVI/IDL的体系结构比较简单，他有两个产品