基于ERDAS IMAGINE的南京市区植被覆盖的信息提取

PAGE本科生毕业论文（设计）题目:基于ERDASIMAGINE的南京市区植被覆盖的信息提取姓名:学院:专业:班级:学号:导教师:职称:目录摘要 1关键词 1Abstract 1Keywords 1引言 11研究概述 21．1课题研究内容与主要方法 21．2实验方案 21．3技术路线 32遥感图像的处理与实现 42．1几何校正 42．1．1基本原理 42．1．2基本步骤 42．1．3基本方法 42．1．4实施方案 52．1．5几何精校正模型 52．1．6在软件上的实现过程： 62．1．7软件进行几何校正的优点： 92．2图像增强 92．2．1自然色彩变换 92．2．2建立解译标志 112．3植被指数NDVI的提取 112．3．1植被指数 112．3．2NDVI的提取 122．4监督分类 142．4．1分类的介绍 142．4．2在软件上的处理 152．5面积的提取 193结论 20致谢 20参考文献： 21PAGE1基于ERDASIMAGINE的南京市区植被覆盖的信息提取摘要：卫星遥感技术是一项应用广泛的高科技，是当代高新技术的一个重要组成部分，也是衡量一个国家科技发展水平的重要尺度。随着遥感技术的日益发展，对所获取的海量数据的处理要求也越来越高。因此，本文以ERDASIMAGINE系统为操作平台，结合南京市区的ETM+遥感图像并进行了大量的实地考察，对遥感图像的几何精校正，图像融合和监督分类等处理过程做了详细的介绍。并按照上述过程在软件平台上进行了成功的处理，获得了几何精校正后的遥感图像，监督分类模板等，提取了单一化植被指数和南京市的植被覆盖面积。关键词：遥感；几何校正；图像增强；植被归一化指数；监督分类；ThestudyofvegetationscoverageinformationextractedintheNanjingareabasedontheERDASIMAGINEStudentmajoringinElectronicsandInformationScienceandTechnologyDuYangTutorShenMingxiaAbstract：Thesatelliteremotesensingtechnologywhichisusedinawideregionisanimportantpartofthemoderninnovativeandhightechnologyandanimportantcriterionwhichmeasuresthedevelopmentofacountry.Withthedevelopmentofthistechnologyever-changing,theneedofprocessinglargeamountsofinformationwhicharegotisexpected.Sothispaperpaysattentiontothedetailsofprecisegeometricalcorrection,integration,supervisionandclassificationoftheremotesensingimagesintheERDASIMAGINEsystem,combiningETMandremotesensingimageinNanjingarea,aswellastheon-the-spotinvestigationstimeandtimeagain.Alltheprocessesmentionedabovewerefinishedsuccessfullyonthesoftwareplatform,includingtheimagesafterprecisegeometricalcorrection,thesupervisionandclassificationplatformandsoonaswellastheextractionofsimplifiedvegetationsindexandthecoverageofvegetationsinNanjingarea.Keywords:Remotesensing；geometriccorrection；ImageEnhancement；NDVI；UnsupervisedClassification引言遥感是以航空摄影技术为基础，在本世纪60年代初发展起来的一门新兴技术。开始为航空遥感，自1972年美国发射了第一颗陆地卫星后，标志着航天遥感时代的开始。经过几十年的发展，目前遥感技术已广泛应用于资源环境、水文、气象，地质地理等领域，成为一门实用的，先进的空间探测技术。遥感是利用遥感器从空中来探测地面物体性质的，它根据不同物体对波谱产生不同响应的原理，识别地面上各类地物，具有遥远感知事物的意思。也就是利用地面上空的飞机、飞船、卫星等飞行物上的遥感器收集地面数据资料，并从中获取信息，经记录、传送、分析和判读来识别地物。面对新的世纪、新的形势，世界各国政府都在认真思考和积极部署新的经济与社会发展战略。尽管各国在历史文化、现实国情和发展水平方面存在着种种差异，但在关注和重视科技进步上却是完全一致的。这是因为，我们面对的是一个以科技创新为主导的世纪，是以科技实力和创新能力决定兴衰的国际格局。一个在科学技术上无所作为的国家，将不可避免地在经济、社会和文化发展上受到极大制约。卫星遥感技术集中了空间、电子、光学、计算机通信和地学等学科的最新成就，是当代高新技术的一个重要组成部分。我国卫星遥感技术的发展和应用已经走过了多年艰苦探索与攀登的道路。如今，我们欣喜地看到卫星遥感应用技术已经起步并正在走向成熟和辉煌。众所周知，近十年来全球空间对地观测技术的发展和应用已经表明，卫星遥感技术是一项应用广泛的高科技，是衡量一个国家科技发展水平的重要尺度。现在不论是西方发达国家还是亚太地区的发展中国家，都十分重视发展这项技术，无论在政策、资金，还是在人力、物力上都给予卫星遥感以特别的重视和倾斜，寄希望于卫星遥感技术能够给国家经济建设的飞跃提供强大的推动力和可靠的战略决策依据。这种希望给卫星遥感技术的发展带来新的机遇。面对这种形势，我国卫星遥感技术如何发展，如何使卫星遥感技术真正成为实用化、产业化的技术，直接为国民经济建设做好先行，是值得我们认真思考而且必须做出正确回答的问题，同样它也是当前业界人士关注的热门焦点。随着遥感技术的迅速发展，遥感技术无论在光谱分辨率、空间分辨率、时间分辨率等方面都有极大的进步，已经形成高光谱、高空间分辨率、全天时、全天候、实时/准实时的对地观测能力。这些先进的航天遥感技术为监测全球变化、区域环境变化等提供了大量的宏观、现实资料，帮助造福人类及其安居环境。这些技术的综合观测能力也为农业资源调查提供了新的手段，特别是遥感在地表资源环境监测、农作物估产、灾害监测、全球变化等等许多方面具有显而易见的优势，并且它正处于飞速发展中。本课题就是利用遥感软件RERDASIMGINE将南京市区的植被覆盖的地理信息提取，并得到所研究区农作物的生物质含量，为职能部门提供宏观决策的科学依据。1研究概述1．1课题研究内容与主要方法本课题的研究内容是通过利用ERDASIMAGINE11对ETM+遥感图像的处理，对研究区的植物进行分类，提取出各种植物的面积，并计算研究区的植物的生物质含量。研究的主要方法是：1.利用所研究区的遥感数据，对遥感数据进行预处理（包括遥感图像的预处理、增强处理）；2.利用设计的分类器对处理好的图像进行分类，从而获得研究区的每种植物的种植面积；3.用上面获得的数据计算出研究区的生物质含量。1．2实验方案（1）对遥感图像进行预处理，包括辐射校正、几何变形改正，消除条带和噪音等。（2）对图片进行增强，如对存在的噪声信号进行去除（例如：云、雾等），同时选择合适的波段进行解译；（3）分析图面、根据实地调查、专题图文字资料分析，建立解译标志；（4）利用监督分类法进行分类。监督分类是一种由已知样本来外推未知区域类别的方法，由于利用了人类的先验知识，因此分类精度较高。在监督分类中，首先从图像数据中选择能代表各类别的样区，再对选择的样本依据所选用的分类器进行统计分析处理，提取出各类别的数据特征，并以此为依据建立适用的判别准则；然后使用判别准则逐个判定各像元点的类别归属；最后输出分类结果；（5）将各地物面积提取出，并分类进行计算，然后得到所需的全部面积；（6）结合实地考察进行精度分析。1．3技术路线首先将遥感图像结合已经精密矫正过的电子地图，进行几何校正，在得到经过校正的遥感图像后对其进行图像增强处理，随后可根据具体资料标出地物，进而可提取植被指数NDVI，或在标出地物后进行监督性分类，将不同的地物分类，获得它们的面积资料。输入图像几何矫正监督分类标出地物图像增强输入图像几何矫正监督分类标出地物图像增强处理计算面积面积输出NDVI具体资料电子地图辐射融合提取地物信息图一技术路线Figure1Technicalroute1．4采用的软件处理处理平台结合遥感图像的处理步骤，决定采用遥感图像处理软件ERDASIMGINE。ERDASIMAGINE是美国ERDAS公司开发的遥感图像处理系统。在总体设计上,ERDASIMAGINE为不同应用层的用户以模块化方式提供相应的功能。它以IMAGINEEssentials、IMAGINEAdvantage、IMAGINEProfessional及其丰富的专业化扩展模块为用户提供了初、高、专等多档产品,使产品模块的组合具有极大的灵活性。ERDASIMAGINE具有非常友好、方便的多窗口管理功能,提供了图形化模型构造工具,用户可以对IMAGINE本身应用的功能进行客户化的编辑,满足自己专业的独特需求。ERDAS系统不但提供了数据转换、图像增强和图像解译等常规的图像处理功能,还增加了许多功能。譬如在传统多光谱分类方法基础之上(最大似然、最大最小距离、模糊分类等分类器),ERDAS提供了专家工程师及专家分类器工具,为高光谱、高分辨率图像的快速高精度分类提供了可能[2]。2遥感图像的处理与实现2．1几何校正遥感影像的应用主要解决两个问题,一个是定性,即回答是什么;一个是定位,即回答在何处,数量有多少。所以几何精校正是图像预处理的主要内容。在以往的工作中,人们发现几何精校正是一项繁杂的工作,操作过程冗长,效率低,精度难以达到要求。在资源环境动态监测中,迅速定位、精确定量是重要的,因而基于目前我国的技术设备水平,在微机上实现快速定位具有重要的实用价值。对于行扫描成像的TM卫星遥感图像,很多资源与环境方面的应用可能不考虑地形起伏的影响,多采用多项式来模拟变形,建立起原始图像畸变的数学模型,将图像空间的原始影像映射到校正空间。2．1．1基本原理对于ETM+影像,遥感数据的几何精校正是在系统校正的基础上,利用地面控制点(GroundControlPoint,简称GCP)的大地测量参数,修正系统校正模型,进而形成精确模型,并对原始影像进行处理,最终生成图像产品的过程:系统校正是利用卫星下行的星历数据、卫星轨道和姿态数据、卫星传感器参数、及预处理系统中所规定的地球模型和地图投影参数,模拟成像时卫星的状态及其视域,并产生与输出图像网格对应的重定位方程,即系统校正模型,以此为依据对影像数据进行处理的过程。在上述过程中,星历数据的偏差,以及预处理系统对卫星轨道和姿态参数的细化过程的人为假设,使得经系统校正的TM影像仍存在着少量的内部误差和较大的定位误差。几何精校正的关键是地面控制点(GCP)的引入。其主导思想是利用地面控制点的大地测量参数和控制点在图像上的坐标及系统模型对该点坐标的预测值之间的关系,建立有系统模型与大地测量坐标系之间的联系——几何精校正模型,以此为依据对原始影像数据进行处理。在具体实现时,精校正模型的形成过程是地面控制点不断被引入、系统模型不断被精细化的过程。在这个过程中,由于星历数据的偏差和卫星轨道及姿态参数细化时的不确定性所造成的误差得以纠正,从而使几何精校正产品具有较高的几何精度[1]。2．1．2基本步骤ETM+影像几何精校正可归纳为以下四个步骤,即:(1)建立原始图像与校正后图像的坐标系。对于校正后的图像要确立坐标原点(起始行和列)、像元的大小以及图像的大小(行数和列数)。(2)确定GCP,即在原始畸变图像空间与标准空间寻找控制点对。(3)选择畸变数学模型,并利用GCP数据求出畸变模型的未知参数,然后利用此畸变模型对原始畸变图像进行几何精校正。(4)几何精校正的精度分析。GCP选择不精确、GCP数目过少、GCP分布不合理以及畸变数学模型均不能很好地反映几何畸变过程,会造成几何精校正的精度下降,因此,必须通过精度分析,找出精度下降的原因,并针对此进行改进,然后再重新进行几何精校正这一过程直到满足精度要求为止。2．1．3基本方法几何精校正通常的方法有多项式纠正法、共线方程纠正法、DELAUNEY三角形法等。以下分别进行讨论。多项式纠正法：多项式纠正法是实践中经常使用的一种方法,因为它的原理比较直观,并且计算较为简单,特别是对地面相对平坦的情况,具有足够好的纠正精度。该法的基本思想是回避成像的空间几何过程,而直接对图像变形的本身进行数字模拟。它认为遥感图像的整体变形可以看作是平移、缩放、旋转、仿射、偏扭、弯曲以及更高次的基本变形的综合作用结果,因而纠正前后图像相应点之间的坐标关系中可用一个适应的多项式来表达。该法对各种类型传感器的纠正都是普遍适用的,缺点:高阶多项式容易造成图像产生不应有的变形。共线方程纠正法：与多项式纠正法不同,该法是建立在图像坐标与地面坐标严格变换关系的基础之上的,是对成像空间几何形态的直接描述。因而从理论上来说,该法比多项式纠正法严密。特别是该法在纠正过程中还引入了地面高程的信息,因此在地形起伏较大情况下,它比多项式法更能显出纠正精度上的优越性。缺点:需要相应地区的DEM。DELAUNEY三角形法：目前,地理数据误差纠正中通常采用的是最小二乘法。在大多数情况下,由于最小二乘法本身的局限性,导致由控制点建立起来的映射不可能将源控制点完全精确地纠正到目标控制点的位置上,而在实际应用中有时又要求纠正要实现源控制点精确地纠正到目标控制点上,此外,当源数据的变形具有很强的局部性特征,一般的全局坐标变换很难达到良好的纠正效果和精度,因此需要进行分块误差纠正。其原理是,先由控制点集合将数据区域划分为三角形格网,每个格网单元中的数据作为一个数据块,每个格网单元建立该单元自己的纠正变换,该变换由单元的顶点计算而来,单元内的数据按照单元自己的变换进行纠正,从而使单元内的数据纠正只与作为单元顶点的控制点有关,实现了数据纠正的局部化。当单元是三角形时,采用仿射变换模型。优点:在保持相应精度的同时,速度快。缺点:需要较多均匀分布的控制点,块边界误差大。综上，在本课题中宜采用多项式纠正法对南京市的ETM+遥感图像进行几何精校正[3]。2．1．4实施方案选择纠正坐标系纠正坐标系:Albers等面积割圆锥投影首先利用ERDASIMAGING的自定义坐标系功能,建立AlbersOfNANJING自定义坐标系,参数如下:投影类型:Albers 中央经线:120°0′0″E坐标原点:0°0′0″第一标准纬线:24°00′00″第二标准纬线:36°00′00″纬向偏移:0°经向偏移:0°参考椭球:Krasosky2．1．5几何精校正模型本项工作采用二次完全多项式,即n=2,选取了m(m至少是6)个地面控制点,且满足m>(n+1)(n+2)/2。原始影像位置以(x,y)表示,x为行号,y为列号,校正影像位置以(X,Y)表示,采用左手坐标系。校正变换公式可表示为:（1）其中:,(i=0,1,2,3,4,5)为变换多项式的系数,用最小二乘法原理,可以求解出系数。因采用的是间接法进行影像校正,所以采用下式来建立校正模型公式:（2）第i点误差方程形式为:（3）对于m个控制点,可组成误差方程：（4）其中设各个地面控制点的精度相同,则权矩阵为单位阵。依据最小二乘原理,应该为最小,得到法方程:（5）由此得到多项式系数为:其中N=(n+1)×(n+2)/2为必需的控制点数,(m-N)为多余观测数[4]。优点是:(1)输出图像更平滑,没有最临近法可能出现的“锯齿”效应;(2)比最临近法具有更高的空间位置精确性;(3)这种方法常用于图像的网格大小改变的时候。缺点是:由于像元被平均,所以双线性内插有低频、卷积滤波的效果。边缘被平滑,一些数据文件值的极值会丢失。2．1．6在软件上的实现过程：该系统的图像预处理模块进行遥感图像配准。步骤为：(1)显示图像文件。在ERDAS图标面中双击Viewer，在此模块里打开参考图像；点击Datapreparation模块，在它下面的ImageGeometricCorrection子模块中，点击FromImageFile图标，选择要配准的图像，打开偏移图像。（2)启动几何校正模块SetGeometricModel选择多项式几何校正模型Polynomial，在下面的对话框里有个PolynomialOrder，选择2就可以，然后单击Apply应用按钮，关闭几何校正模块。如图2：图2几何校正模块Figure2SetGeometricModel(3)启动控制点工具。在GCPToolsReferenceSetup对话框中选择采点模式，即选择ExistingViewer单选按钮；单击OK按钮，打开ViewerSelectionInstruction指示器；在显示作为参考图像的Viewer中单击，打开ReferenceMapInformation提示框，单击OK按钮，进入控制点采集状态。(4)采集地面控制点。在参考图像内点击一个点，然后转到偏移的图像内找与它相似的点，选够6个点后，在GCPTool界面里将出现误差参数，由此可以看到所选择的地面控制点是否准确。这里需要注意的是这6个控制点的选择应尽量均匀分布，尽量在全图范围里找。而后，每采集一个输入GCP，系统就自动产生一个参考GCP，通过移动参考GCP可以逐步优化校正模型。如图3：图3地面采集点工具Figure3GCPTool(5)采集地面检查点。以上所采用的GCP的类型均为ControlPoint，用于控制计算，建立转换模型及多项式方程。而这步所要采集的GCP的类型均是CheckPoint（检查点），用于检验所建立的转换方程的精度和实用性。如果采集的控制点的误差比较小的话，也可以不采集地面检查点[5]。(6)计算转换模型。在GeoCorrectionTools对话框中单击DisplayModelProperties图标，打开PolynomialModelProperties（多项式模型参数）对话框，在多项式模型参数对话框中查阅模型参数，并记录转换模型。(7)图像重采样。在GeoCorrectionTools对话框中单击ImageResample图标，打开Resample（图像重采样）对话框，在Resample对话框中，定义重采样参数。本文定义的重采样参数为双线性插值法。如图4：图4几何校重采样Figure4GeoCorrectionsResample(8)保存图像配准模型。在GeoCorrectionTools对话框中单击Exit按钮，退出图像配准过程。(9)检验配准结果。基本方法是，同时在两个窗口中打开两幅图像，其中一幅是配准后的图像，一幅是当时的参考图像，通过窗口地理连接功能及查询光标功能进行目视定性检验。至此配准工作完成。校正后图像如图5：图5几何校正后图像Figure5GeoCorrectedimagine2．1．7软件进行几何校正的优点：采用ERDAS软件进行几何精校正的优点：上述几何精校正的全过程在REDASIMAGING8.7中能迅速实现。ERDASIMAGING将上述过程形成模块,使得几何精校正的操作过程简单化了。ERDASIMAGING8.4强大的模块化功能,使复杂的几何精校正过程只需轻轻点击几个按钮,而不必知道几何精校正模型和重采样模型即可实现。ERDASIMAGING8.7是一种方便快捷的遥感图像处理软件[6][7]。2．2图像增强图像增强是图像处理和计算机视觉中的一个非常重要的领域，其主要目的是使处理后的图像对某种特定应用来说，比原图像更适用，处理的结果使图像更适合于人的视觉特性或机器的识别系统，以期达到最好的显示效果。2．2．1自然色彩变换在这一步骤中我采用了自然色彩变换。变换过程中关键是３个输入波段光谱范围的确定。这３个波段依次是近红外，红，绿。在ERDAS上步骤为：（1）单击Main|ImagineInterpreter|SpectralEnhancement|NatureColor命令，打开NatureColor对话框。如图6：图6自然色彩对话框Figure6NatureColordialogbox（２）在NatureColor对话框中，需要设置输入文件，输出文件，输入光谱范围，输出数据类型，文件坐标类型，处理范围等，确定后单击OK。得到结果如图7：图7自然色彩图像Figure7NatureColorimagine2．2．2建立解译标志用遥感图像处理软件根据融合后的影像上各种地物的形状，材料及实地调查核实，建立解译标志表示地物类型，分析判读依据：河流：在图像表现为黑色条带状，极易辨别树林：树林主要沿路与沟渠分布，其单个树冠轮廓形状较清晰，并有树影，色调明亮道路：蓝白色或蓝色，连续平行线延伸竹林：多分布于居民住房的周围，连片分布，比树林的树冠轮廓大，内部呈现不均匀颗粒状纹理，色调偏暗，需参考辅助资料耕地：连片浅绿、绿、蓝、深蓝色调，各个地块内部纹理均一，大多形状规则草地：色调均一，形状规则，有片状纹理特征，多分布于单位办公区，企业厂房院内园地：内部纹理呈球冠状或小圆颗粒状，需参考辅助资料青瓦顶房：属农村宅基地，蓝黑色调，形状近似长方形或规则多边形，需参考辅助资料石棉瓦顶房：属农村宅基地，亮蓝色调，形状近似长方形或规则多边形，需参考辅助资料水泥顶房：属农村宅基地，浅蓝色调，形状近似长方形或规则多边形，需参考辅助资料沟渠：黑色的狭长带状，沿道路和耕地田埂分布滩涂：位于江边池塘：规则四边形，呈深黑色的，多分布于河流边空地：农村房屋间的空地[8][9]2．3植被指数NDVI的提取2．3．1植被指数植被指数是遥感监测地面植物生长和分布的一种方法。由于不同绿色植被对不同波长光的吸收率不同,光线照射在植物上时,近红外波段的光大部分被植物反射,而可见光波段的光则大部分被植物吸收,通过对近红外和红波段反射率的线性或非线性组合,可以消除地物光谱产生的影响,得到的特征指数称为植被指数。植被指数经过近20年的发展,目前有几十种,但常用的植被指数有:归一化植被指数NDVI(NormalizedDifferenceVegetationIndex)、比值植被指数RVI(RatioVegetationIndex)、差值植被指数DVI(DifferenceVegetationIndex)、土壤调节植被指数SAVI(theSoilAdjustedVegetationIndex)、修正型土壤植被指数MSAVI(ModifiedSoilAdjustedVegetationIndex)等。在遥感应用领域,植被指数已广泛用来定性和定量评价植被覆盖及其生长活力。植被指数有助于增强遥感影像的解译力,并已作为一种遥感手段广泛应用于土地利用覆盖探测、植被覆盖密度评价、作物识别和作物预报等方面。植被指数提取的方法很多,最为常用的一种方法是通过遥感影像处理软件对遥感影像不同波段进行处理,从而得到各类植被指数。本课题主要进行的是归一化植被指数（NDVI）的提取。NDVI是用于检测植被生长状态、植被覆盖度和消除部分辐射误差等；其取值为：-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。对于同一幅图像，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度；NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、枯叶、粗超度等，且与植被覆盖有关。是目前应用最广泛的植被指数。归一化植被指数NDVI定义是：（其中NIR代表近红外波段,Red代表红波段）要计算NDVI,就是在遥感处理软件中,计算近红外波段与红波段之差,再除以两个波段之和。利用遥感影像处理软件提取植被指数流程一般为:(1)使用遥感处理软件打开遥感图像。(2)依据植被指数公式,对图像不同波段进行波段计算。(3)生成植被指数影像文件。在植被指数的提取过程中易出现下列问题：（1）在计算归一化植被指数NDVI时,此时若采用NDVI公式直接进行波段计算,如果NIR+RED(近红外波段+红波段)的值为零时,对这些点的计算就会产生结果溢出的现象。此类情况在干旱区植被覆盖度较低的遥感影像处理中较为常见。（2）生成NDVI植被指数影像图时,如果不进行适当处理,在对生成的植被指数影像文件分析判读时,就会与实测数据产生很大的误差。特别要注意的是,在计算植被覆盖面积、生物量估算、图像分类等过程中,卫星影像中的这些点就有可能被忽略,计算结果的精度就无法保证[10]。2．3．2NDVI的提取ERDASIMAGINE中的Modeler是一个面向目标的图形模型语言,用户可据此设计出高级的空间分析模型,实现复杂的分析和处理功能,整个过程只需用其提供的工具栏在窗口中绘出模型的流程图、指定流程图的意义、所用参数等,即可完成模型的设计,无需进行具体而复杂的编程过程。ERDASIMAGINE为用户提供了高层次的设计工具和手段,同时可使用户将更多的精力集中在专业领域的研究。利用ERDAS遥感软件的图像处理中的条件判断功能,对影像各运算波段中的值采取逻辑判断处理,即对植被指数波段运算公式中分母值为零的情况特殊处理,以避免运算结果产生溢出的情况。在ERDASIMAGINE的Modeler的波段运算中,采用以下语句:EITHER<arg1>IF(<test>)OR<arg2>OTHERWISE此语句的语法描述是:如果测试条件<test>成立,则返回<arg1>的值.如果条件<test>不成立,则返回<arg2>的值。现以提取归一化植被指数(NDVI)为例,在ERDAS中提取植被指数处理过程如下:(1)打开模块编辑器(ModelerMaker)进行图像模块编辑。(2)根据模块,点击模块工具栏绘制流程图。(3)在功能框中分别计算出NIR-Red和NIR+Red,这即是计算出近红外光与红光之差和近红外光与红光之和，并将两个运算结果分别保存在两个内存影像文件中。在设置后如下图8：图8模型编辑器Figure8ModelerMaker(4)通过ERDAS的功能定义(FunctionDefinition)中的条件选项(Conditional)中的Either条件判断语句对合并计算的功能框进行条件判断处理:EITHER0IF($n14_memory==0.0)OR($n15_memory/$n14_memory)OTHERWISE(其中,$n15_memory:近红外波段+红外波段生成的内存影像文件;$n14_memory:近红外波段-红外波段生成的内存影像文件)，此语句执行的功能为:如果近红外波段+红外波段的值为零,则生成的图像文件此点的值为零;否则(近红外波段+红外波段的值不为零),进行$n15_memory/$n14_memory。如图9：图9功能定义Figure9FunctionDefinition(5)将运算结果输出成NDVI影像磁盘文件。至此,遥感影像NDVI值的提取就已完成[11]。提取的NDVI如图10：图10NDVI图像Figure10NDVIImagine2．4监督分类2．4．1分类的介绍多光谱遥感图像分类是基于不同类型地表覆盖在各个波段的光谱反射特性差异,通过对各类地物的光谱特征分析来选择特征参数,计算各个像元不同波段的灰度值的统计特征,将相似的像元进行聚类,再划分到各个子空间中去,从而实现分类。目前所用遥感图像分类方法主要有非监督分类和监督分类。非监督分类（UnsupervisedClassification）是在没有先验类别知识作为样本的条件下,根据图像本身像元间的统计特征及自然点群的分布情况来划分地物类别的分类处理。使用该方法时，原始图像的所有波段都参与分类运算，分类的结果往往是各类象元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高[12]。监督分类(SupervisedClassification)又称为训练区分类,是基于统计方法对遥感图像分类的,也是目前应用较多、算法较为成熟的分类方法。它利用对地面样区的实况调查资料,从已知训练样区得出实际地物的统计资料,然后再用这种统计资料作为图像分类的判别依据,并依一定的判别准则对有图像像元进行判别处理,使得具有相似特征并满足一定识别规则的像元归并为一类,如此完成对整幅图像的处理。其中的监督分类模块具有最小距离法、最大似然法、马氏距离法3种判别规则。通常在针对TM/ETM,SPOT等遥感数据进行分类时,采用最大似然法为判别规则。遥感图像分类就是基于图像像元的数据文件值,将像元归并成有限几种类型、等级或数据集的过程。常规图像分类主要有非监督分类与监督分类2种方法。监督分类比非监督分类更多地可由用户来控制,在ERDASIMAGINE监督分类过程中,首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板,然后基于模板使计算机系统自动识别具有相同特征的像元。对分类结果进行评价后再对模板修改,多次反复后建立一个比较准确的模板,并在此基础上最终进行分类。模板产生后,用模板编辑器(SignatureEditor)来观看每个模板的内容,对其进行评价,测试确定模板数据是否真正代表每一类别将要分类的要素,在分析模板之后,可能需要对这些模板进行合并、删除,去掉冗余波段或加上新的数据波段,或进行其它提高分类效果的操作。许多情况下,必须经过多次训练才能生成所希望的模板。这些操作就是分类模板的评价过程,分类模板评价是ERDASIMAGINE监督分类中必不可少且非常重要的一个过程,所建立的分类模板质量的高低直接影响着监督分类的结果。此次分类采用的图像是遥感数据是南京地区2001年7月17日的ETM+影像,轨道号为120/38,共8个波段,其中全色波段1个,多光谱波段7个。全色波段空间分辨率为15m,多光谱波段空间分辨率为30m(除TM6空间分辨率为60m外)。从影像中选取有山体植被阴影和水体的区域作为研究对象,影像平均云量小于1%。南京市区有山有水、有缓坡又有陡坡,由于不同地形部位的影响,太阳辐射到达地面后发生再分配,因而在图像上形成了阴阳向背、色调深浅不一的差异,造成植被光谱特征差异很大。如果采用常规的监督分类法,训练样本的选取不仅工作量大而且很难获取所有样本,从而影响分类精度[20]。本研究采用了非监督分类与监督分类相结合的改进方法。首先,利用融合后的ETM+图像进行非监督分类,获得初始模板;然后通过实地调查、并以原始图像、土地利用图及其它相关数据为参考,确定模板中每一类别的专题意义,删除不能正确反映地

物光谱特征的样本,增补遗漏样本,并对同一类样本进行合并。经反复调整,使模板能够准确地反映地物光谱信息,最后以调整好的模板为基础进行监督分类,并对分类结果进行精度评价[13]。2．4．2在软件上的处理软件ERDASIMAGINE使用ISODATA算法（基于最小光谱距离公式）来进行非监督性分类。聚类过程始于任意聚类平均值或一个已有分类模板的平均值；聚类每重复一次，聚类的平均值就更新一次，新聚类的均值再用于下次聚类循环。ISODATA实用程序不断重复，直到最大循环数已达到设定阈值，或者两次聚类结果相比达到要求百分比的象元类别已经不发生变化。ERDASIMAGINE的监督分类是基于分类模板（ClassificationSignature）来进行的，而分类模板的生成、管理、评价和编辑等功能是由分类模板编辑器（SignatureEditor）来负责的，毫无疑问，分类模板编辑器是进行监督分类一个不可缺少的组件。在分类模板编辑器中生成分类模板的基础是原图像和其他空间图像。鉴于研究地区的特点，首先进行非监督性分类，以获得初始的模板，再进行监督性分类[19]。（1）在ERDAS图标面板工具条中单击Dataprep图标打开DataPreparation对话框，在对话框中单击UnsupervisedClassification按钮，打开UnsupervisedClassification对话框。（2）在对话框中进行设置，设置内容包括：输入/输出文件，生成分类模板，确定聚类参数，确定初始分类数，确定处理参数，确定循环次数和循环阈值等等[14]。设置后的对话框如下图10：图11非监督性分类Figure11UnsupervisedClassification(3)点击OK按钮，执行非监督性分类。获得的模板如下图12：图12模板编辑器Figure12SignatureEditor其次，在已获得的分类模板上进行监督性分类[15]。打开SignatureEditor，打开通过非监督分类得到unclass.sig。调整分类属性字段。在ViewSignatureColumns窗口中调整字段选项，可突出作用比较大的字段。结合实地考察的地物情况在遥感图像上应用AOI绘图工具修改分类模板并应用加载，合并，命名，建立新的分类模板。鉴于课题只需要提取出南京市的植被覆盖，所以对分类的处理只要进行对应的处理。获得的相应模板如下图13：图13获得的模板Figure13AcquiredSignature执行监督性分类。在SupervisedClassification对话框中定义原始文件，输出分类文件，分类模板文件，分类规则等选项后点击OK按钮。对话框如下图14：图14监督性分类Figure14SupervisedClassification分类后的图片如下图15：图15监督性分类图片Figure15SupervisedClassificationImagine其中绿色面积是植被的覆盖[16]。评价分类结果执行了监督性分类后，需要对分类效果进行评价（EvaluateClassification），ERDAS系统提供了多种分类评价方法包括分类叠加（ClassificationOverlay）、定义阈值（Thresholding）、分类重编码（AccuracyAssessment）等。下面著重进行阈值处理的介绍。阈值处理方法可以确定哪些象元最可能没有被正确分类，从而对监督分类的初步结果进行优化。用户可以对每个类别设置一个距离阈值，将可能不属于它的象元（在距离文件中的值大于设定阈值的象元）筛选出去，筛选出的象元在分类图像中将被赋予另一个分类值。具体步骤如下：显示分类图像并启动阈值处理。在ERDAS中打开Threshold窗口。确定分类图像和距离图像。在OpenFiles对话框中确定分类图像和距离图像。视图选择和直方图的计算。选择类别并确定阈值。在选定类别的DistanceHistogram中拖动HistogramX轴上的箭头到想设置为阈值的位置，Threshold窗口中的Chi-square值自动变化，表明该类别阈值设定完成。因为本论文是为了提取南京市的植被覆盖，而在考察与论证后发现在湖水分类层中有和植被层有重叠，所以需要调整湖水层阈值[17]，调整过程如下图16:图16阈值处理Figure16Threshold在将阈值调整后，显示阈值处理图像，其中绿色部分是南京市区的植被覆盖区域.如下图17：图17阈值处理后图片Figure17ThresholdedImagine保存阈值处理。2．5面积的提取在阈值处理的图像工具板上执行色彩聚类统计命令，并在生成的聚类面板上将图像分类的面积提取出来[18]，如下图18：图18面积提取Figure18areaextraction读图，可从上图得出植被的覆盖面积为9555.78公顷。3结论已经解决的问题:(1)在遥感图像进行了几何精校正和图像增强,完成了遥感图像的与处理。(2)对预处理后的图像进行了监督分类和NDVI的提取，完成了对于南京市植被覆盖的面积的提取，并对监督分类进行了阈值处理的调节。由于本人知识基础和时间的限制，在研究中有一些方面还有待深入和完善。今后的研究作如下设想:(1)在监督性分类时，划分出更多的地物进行识别，丰富信息的采集。(2)所分析的地物当中有一部分的地物属于“同谱异物或同物异谱”现象，存在明显的误差，需要进行实地考察和分析。(3)采用多种评估方法对监督性分类的效果进行评估，尽量减少人为误差对结果的影响。致谢感谢沈老师的大力帮助和已经毕业的张俊峰学长所做的指导。正是他们的帮助使我解决了一个又一个的难题，并养成了踏踏实实的工作习惯。再次感谢他们，并感谢母校四年的培养。参考文献：[1]刘志丽，陈曦.基于ERDASIMAGING软件的TM影像几何精校正方法初探[J].干旱区地理，2001，（4）：353-358.[2]杨金香,程学丰.基于ERDASIMAGINE操作平台的遥感图像处理[J].测绘与空间地理信息，2006，(2)：107-110.[3]党安荣,王晓栋,等.ERDASINMAGINE遥感图像处理方法[M].北京:清华大学出版社,2003.[4]辛海强,等.ERDASINMAGINE软件在森林分类工作中的应用[J].测绘科学,2003,28(2).[5]戴昌达,姜小光,等.遥感图像应用处理与分析[M].北京:清华大学出版社,2004.[6]李崇贵，李春干.森林资源监测Spot5遥感图像几何精校正方法研究[J].北京林业大学学2004，（5）：22-25.[7]李春干,谭必增.红树林资源调查的遥感图象处理方法研究[J].中南林业调查规划.2003,(2):24-27.[8]张京红,刘安麟,李登科,邓凤东,卓静.ERDASIMAGINE监督分类模板评价的研究[J].陕西气象.2004,(3):37-39.[9]陆宇红,马林波,韩嘉福.遥感影像的融合SPOT全色波段和多光谱影像的融合[J].测绘与空间地理信息.2004,(6):10-12.[10]李登科,张京红,戴进.遥感图像处理系统ERDASIMAGINE及其应用[J].陕西气象.2002,(2):20-22.[11]刘礼,于强.分层分类与监督分类相结合的遥感分类法研究[J].林业调查规划.2007,(4):37-39.[1