数字图像处理第一二次实验报告.docVIP

中国地质大学(武汉） 模式识别实验报告 姓名： 班级： 学号： 指导老师：马丽 遥感图像处理 实验内容： 一 学习使用ENVI 使用ENVI打开遥感图像（任选3个波段合成假彩色图像，保存写入报告） 会查看图像的头文件（保存或者copy至报告） 会看地物的光谱曲线（保存或者copy至报告） 进行数据信息统计（保存或者copy至报告） 设置ROI，对每类地物自己添加标记数据，并保存为ROI文件和图像文件 （CMap贴到报告中）。 使用自己设置的ROI进行图像分类（ENVI中的两种有监督分类算法）（分类算法名称和分类结果写入报告） 最小距离（Minimum?Distance）：利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。 马氏距离（Mahalanobis?Distance）：计算输入图像到各训练样本的马氏距离（一种有效的计 算两个未知样本集的相似度的方法），最终统计马氏距离最小的，即为此类别。 二 MATLAB处理遥感数据（提交代码和结果） 用MATLAB读入遥感数据（zy3和DC两个数据） 8. 用MATLAB读入遥感图像中ROI中的数据（包括数据和标签） 9. 把图像数据m*n*L（其中m表示行数，n表示列数，L表示波段数），重新排列为N *L的二维矩阵（其中N=m*n ），其中N表示所有的数据点数量m*n。（提示，用reshape函数，可以help查看这个函数的用法） 10. 计算每一类数据的均值（平均光谱），并把所有类别的平均光谱画出来(plot)（类似下面的效果）。 11. 画出zy3数据中“农作物类别”的数据点（自己ROI标记的这个类别的点）在每个波段的直方图（matlab函数：nbins=50; hist(Xi,nbins)，其中Xi表示这类数据在第i波段的数值）。计算出这个类别数据的协方差矩阵，并画出（figure, imagesc(C), colorbar）。 % 读遥感数据，以及读入带标签的数据 clear all % read the data zy3sample1 Img = multibandread(zy3sample1,[400,400,4],float,0,bsq,n,{Band,Direct,[1:4]});%将高光谱数据读入 GT = multibandread(123,[400,400,1],uint8,0,bsq,n,{Band,Direct,[1:1]});%将ground truth读入（也就是带标签的CMap或说ROI信息读入） test_class=1:4; C=length(test_class); NbRow=400; NbCol=400; NbDim=4; dataname=zy3; % 第一种方式读入带标签数据 [X,Y]=ExtractDataFromROI(Img, GT); % 或者自己写程序，根据Img和GT来读带标签数据。 X=[];Y=[]; for i=1:NbRow for j=1:NbCol if GT(i,j)~=0 %% 表明是带标签的数据 data=Img(i,j,:); data=reshape(data,1,NbDim); X=[X;data]; Y=[Y;GT(i,j)]; end end end % 计算平均光谱 img1=reshape(Img,NbRow*NbCol,NbDim); T=1:5; s=zeros(4,4); c=length(find(Y==1)); T(2)=c; for i=3:5 T(i)=T(i-1)+length(find(Y==(i-1))); end for j=1:4 for m=1:4 s(m,j)=sum(X(T(m):T(m+1),j))/(T(m+1)-T(m)); end end figure(5); plot(s); %画直方图和求协方差矩阵 nbins=50; figure(1); hist(X(T(1):T(2),1),nbins); figure(2); hist(X(T(1):T(2),2),nbins); figure(3); hist(X(T(1):T(2),3),nbins); figure(4); hist(X(T(1):T(2),4),n