《envi图像预处理》课件

ENVI图像预处理本课程介绍了ENVI中图像预处理的基本步骤和常用方法，包括图像校正、几何校正、辐射校正、大气校正等。课程大纲数字图像基础知识光谱特性分析几何校正概述云雾去除综述数字图像基础知识像素图像由许多被称为像素的微小点组成。每个像素存储着关于该点颜色和亮度的信息。灰度级灰度级表示每个像素的亮度程度，通常用0到255的数值来表示，0为黑色，255为白色。色彩空间色彩空间描述了图像中颜色的表示方式，常见的色彩空间包括RGB、CMYK和HSV等。分辨率图像的分辨率是指图像中像素的数量，分辨率越高，图像越清晰，细节越丰富。光谱特性分析波长与反射率不同物质对不同波长的光反射率不同，形成独特的“光谱指纹”。光谱曲线通过绘制反射率随波长的变化曲线，可以识别物质类型。人眼感知人眼只能感知可见光范围的光谱信息，而遥感可以捕捉更广泛的光谱信息。常见光谱校正方法1大气校正消除大气散射和吸收的影响，恢复地表真实反射率。2几何校正将图像与地理坐标系进行配准，确保图像的空间一致性。3辐射校正将图像的灰度值转换为物理量，如反射率或辐射亮度。几何校正概述传感器误差传感器自身误差导致图像几何畸变，例如透镜畸变、扫描方向误差等。地球曲率地球表面为球形，导致影像边缘产生弯曲，需要进行投影转换。地形起伏地形起伏导致影像不同区域存在高度差，需要进行正射校正。图像拼接技术几何校正拼接前，需要对影像进行几何校正，保证影像之间几何一致性。重叠区域影像之间需要有重叠区域，以便进行拼接匹配。拼接算法常用的拼接算法包括图像配准、缝合、平滑等。影像融合方法介绍全色影像具有高空间分辨率，但缺乏光谱信息。多光谱影像具有丰富的光谱信息，但空间分辨率较低。融合影像将两种影像的信息结合，兼具高空间分辨率和丰富光谱信息。云雾去除综述云雾会遮挡地表信息，影响遥感图像分析。多种云雾去除方法可用于恢复地表信息。选择合适的云雾去除方法取决于影像特征。土地覆盖分类流程1分类精度评价评估分类结果的准确性2分类结果分析解释分类结果，识别土地覆盖变化3分类方法选择选择合适的分类算法4数据预处理图像校正、增强、去噪5影像数据准备获取遥感影像数据分类精度评价总体精度正确分类的样本数占总样本数的比例，反映模型整体的分类准确性。Kappa系数衡量分类结果与随机分类结果的差异，越大表示模型分类能力越强。制图精度指每个类别被正确分类的比例，反映模型对特定类别的分类准确性。变化检测应用1土地覆盖变化监测森林砍伐、城市扩张、农业用地变化。2灾害监测评估洪水、地震、火灾等灾害的影响，并进行灾后重建。3资源管理追踪水资源变化、土壤侵蚀状况、矿产资源开采等。栅格数据处理数据预处理包括几何校正、辐射校正等，确保数据的空间一致性和准确性。数据分析基于栅格数据的分析方法，如空间统计、遥感指数计算等。数据可视化将处理后的栅格数据转化为地图、图表等可视化形式，方便理解和解读。集成多源数据互补优势不同数据源拥有独特的特征和信息，例如遥感数据可以提供空间覆盖，而地面数据则可以提供详细的属性信息。提升精度融合多源数据可以克服单一数据源的局限性，增强分析结果的可靠性和精度。扩展应用集成数据可以解决复杂问题，例如识别土地利用变化、监测环境污染等。ENVI软件基本操作安装与启动ENVI软件的安装过程简单明了，可参考官方文档进行操作，启动软件后即可进入主界面。界面概述ENVI软件拥有直观的界面，主要包括菜单栏、工具栏、数据视图窗口等，用户可根据需要进行操作。基本功能ENVI软件提供丰富的图像处理功能，包括数据导入、显示、分析、处理等，用户可根据需求选择合适的功能。ENVI图像预处理功能辐射校正将图像像素值转换为真实物理值，消除传感器和大气影响几何校正对图像进行地理定位，使图像像素与地理坐标系一致图像拼接将多幅图像拼接成一幅完整的图像，消除图像之间的缝隙图像增强改善图像视觉效果，提高图像信息的清晰度波段组合与显示1多光谱影像包含多个波段，每个波段对应特定光谱范围。2波段组合将不同波段数据按特定顺序组合，形成彩色图像。3颜色映射将不同波段值映射到不同的颜色，增强图像视觉效果。直方图处理图像灰度分布直方图显示每个灰度值的像素数量，揭示图像的整体亮度和对比度。图像增强通过调整直方图，可以增强图像对比度，使图像细节更清晰。色彩平衡直方图均衡化可以使图像的灰度值分布更均匀，从而改善图像的视觉效果。图像滤波技术高斯模糊减少噪声，平滑图像。中值滤波去除椒盐噪声，保留边缘特征。锐化滤波增强图像细节，提高清晰度。几何校正实操1影像预处理校正前，需对影像进行预处理，例如去噪、辐射校正等，以提高校正精度。2控制点选择选择地面控制点(GCP)或参考点(RP)，准确标定影像与地面坐标系之间的对应关系。3模型选择根据影像类型和精度要求，选择合适的几何校正模型，例如多项式变换或仿射变换。4校正参数计算利用选定的控制点或参考点，计算校正参数，以建立影像与地面坐标系的转换关系。5校正影像生成根据计算出的校正参数，生成几何校正后的影像，使其符合预定的空间参考系统。图像拼接实践1数据准备准备不同时相或不同位置的图像数据2几何校正确保图像具有相同的坐标系和几何精度3拼接处理使用ENVI的Mosaic工具进行图像拼接4质量评估检查拼接结果的质量，例如拼接缝是否存在错位或颜色不一致融合算法比对加权平均法简单易行，但结果易受噪声影响。主成分分析法可以有效减少数据冗余，但对高光谱影像效果较好。IHS变换法在保留高分辨率影像细节的同时，引入低分辨率影像的光谱信息。小波变换法可以有效提高融合影像的空间分辨率和光谱信息。云雾去除实例ENVI提供多种云雾去除方法，例如基于图像特征的去除方法，基于物理模型的去除方法，以及结合机器学习的去除方法等。具体方法的选择需要根据实际情况进行判断，例如影像类型，云雾覆盖程度，以及数据质量等。ENVI提供了友好的操作界面，方便用户快速上手和进行云雾去除处理，提升遥感影像数据的质量和可利用性。分类方法选择监督分类需要先对训练样本进行人工标注，建立类别特征库。无监督分类根据像素值特征自动聚类，无需先验信息。面向对象分类基于图像分割，对每个分割区域进行分类。精度评估实操1混淆矩阵计算分类结果的准确率、精确率和召回率2Kappa系数衡量分类结果的一致性3误差分析识别分类错误的原因并进行改进变化检测流程数据准备获取两期或多期影像数据，并进行预处理，包括几何校正、辐射校正等。图像配准将不同时期的影像数据进行配准，以保证它们在空间上的一致性。变化检测算法选择合适的变化检测算法，例如图像差值法、比值法、变化向量分析法等。变化提取根据变化检测结果，提取出变化区域，并进行分析和解释。多光谱影像处理遥感数据获取多光谱影像数据通常由卫星或飞机传感器获取，提供不同波段的光谱信息。植被指数计算利用多光谱影像，可以计算植被指数，如NDVI，评估植被覆盖度和健康状况。土地覆盖分类多光谱数据能够区分不同地物的反射特征，实现土地覆盖分类，识别不同土地类型。NDVI指数计算NDVI归一化植被指数公式(NIR-RED)/(NIR+RED)范围-1到1用途评估植被覆盖度、生物量、健康状况SAVI指数提取0.5土壤调整SAVI指数修正了土壤背景的影响，有效提高了植被信息的提取精度。1.0最大值SAVI指数的取值范围在0到1之间，值越大代表植被覆盖度越高。植被指数应用1监测植被覆盖度植被指数可以用于评估植被覆盖程度，了解植被生长状况，并监测其变化趋势。2评估植被健康状况通过