Erdas基础知识.pptVIP

直方图匹配是对图像查找表进行数学变换，使一幅图像的直方图与另一幅图像类似，它经常作为相邻图像拼接或应用多时相遥感图像进行动态变化研究的预处理工作，通过直方图匹配可以部分消除由于太阳高度角或大气影响造成的相邻图像的效果差异。 Interpreter?Radiometric Enhancement?Histogram Match 如mosaic1.img和mosaic2.img 它是对图像进行线性或非线性取反，产生一幅与输入图像亮度相反的图像，原来亮的变暗，原来暗的变亮。 它的目的是降低多波段图像或全色图像的模糊度。 它是利用自适应滤波方法去除图像中的噪声，该技术在沿着边缘或平坦区域去除噪声的同时，可以很好地保持图像中的一些微小细节。 它是基于多波段图像对每个像元的亮度值进行变换，达到图像增强的目的。包括 主成分分析（Principal Components) 主成分逆变换（Inverse Principal Components) 去相关拉伸（Drcorrelation Stretch) 缨帽变换（Tasseled Cap) RGB to HIS HIS to RGB 指数（Indices) 是一种常用的数据压缩方法，它可将具有相关性的多波段数据压缩到完全独立的较少的几个波段上，使图像更易于解译。 Interpreter?Spectral Enhencement?PCA:例lanier.img 它是将主成分变换获得的图像重新恢复到RGB空间，应用时，输入的图像必须是由主成分变换得到的图像，而且必须有当时的特征矩阵参与变换。 Interpreter?Spectral Enhencement?IPC 它是对图像的主成分进行对比度拉伸处理，而不是对原始图像进行拉伸。 Interpreter?Spectral Enhencement?DS 它主要是在植被研究中将原始图像进行旋转，优化图像数据显示结果。 该变换的基本思想是：多波段（N波段）图像可以看作是N维空间，每一个像元都是N维空间中的一个点，其位置取决于像元在各个波段上的数值。 Interpreter?Spectral Enhencement?TC:例lanier.img和custom_matrix 它是将遥感图像从红（R）、绿（G）、蓝（B）三种色彩组成的彩色空间转换成以亮度（I）、色度（H）、饱和度（S）作为定位参数的彩色空间，以便使图像的颜色与人眼看到的更为接近。 Interpreter?Spectral Enhencement?RGB to HIS:例dmtm.img 与上述色彩变换对应进行。 将遥感图像不同波段的灰度值进行各种组合运算，计算矿物及植被的常用比率和指数，如植被指数（NDVI）等。 NDVI=（IR-VR）/（IR+VR） Interpreter?Spectral Enhencement?Indices 坡度分析（Slope) 坡向（aspect)分析 地形校正（Topographic Normalize) 这些操作都必须用到DEM（Digital Elevation Model).如示例中的indem.img文件，文件的值表示各相应位置的高程值，用灰度变化来表示高度变化。 常用来作图像分类后的优化处理。 众数：可清除一些细碎的栅格斑； 总和：类型值之和。 平均：类型值加权平均 InterpreterGIS analysisNeiborhood 2 4 3 1 1 4 2 3 3 将两个专题图，按所定义的权重因子进行相加或相减、或相除，生成一个新的专题图。 (A-B)/(A+B)=C InterpreterGIS analysisIndex: 例(inslope.img*2+insoil.img*1) 将两个专题叠合生成一个新的专题图。 InterpreterGIS analysisOverlay:例(inlandc.img和input.img)，取max函数 无监分类和有监分类方法： 无监分类运用ISODATA(Iterative Self-Organizing Data Analysis Technique),完全按照像元的光谱特性进行统计分类，常 用于对分类地区不了解的情况。原始图像 的所有波段都 参与分类运算，分类结果往往是各类像元数大致相等。由于人为干预少，自动化程度高。 初始分类； 专题判别； 同类合并； 色彩确定； 分类后处理； 色彩重定义； 栅格矢量转换； 统计分析。 要定义支持假设的条件和变量，建立不同地类与光谱值的对应关系，比无监分类更多地要人为控制，常用于对该研究区域比较了解的情况 。 显示图像； 启动特征编辑器； 训练样地的建立与修改； 训练样地的评价；好，则进行下一步；不好则重建立训练样地。 进行有监分类； 分类图的后处理；