【導(dǎo)讀】構(gòu)的學(xué)位或證書(shū)而使用過(guò)的材料。與我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均已。在論文中作了明確的說(shuō)明并表示了謝意。遙感是采集地球數(shù)據(jù)及其變化信息的一種重要手段。隨著傳感器技術(shù)、飛行器技。極其廣泛的應(yīng)用。正如許多遙感工作者所指出的，人們所面臨的問(wèn)題主要不在于遙感。圖像獲取，而如何通過(guò)圖像處理，從原始圖像中提取有用信息，才是問(wèn)題的關(guān)鍵。是基于此，本文對(duì)遙感圖像數(shù)字處理進(jìn)行了討論?？梢赃M(jìn)行全面的星載及機(jī)載遙感圖像處理。它提供了一種強(qiáng)大的、革命性的、用戶友。好的環(huán)境在各種計(jì)算平臺(tái)上顯示和處理任意大小的遙感圖像。等高空間分辨率衛(wèi)星影像和MODIS等高光譜衛(wèi)星影像。本文第二章簡(jiǎn)要介紹了遙感圖像數(shù)字處理一些基本理論。包括數(shù)字圖像表示形式。及存儲(chǔ)，圖像糾正，融合，分類(lèi)等。在第四章詳細(xì)論述了通過(guò)ENVI軟件進(jìn)行圖像糾正，圖像融合，圖像分類(lèi)操作，具體描述了操作原理和操作流程，并給出了處理結(jié)果。

　　

【正文】 原始圖像，（ 2）頻率域圖像，（ 3）進(jìn)行濾波處理后的圖像。 第二節(jié) 圖像分類(lèi) 進(jìn)行圖像變換和圖像濾波后，圖像變得平滑，接著進(jìn)行分類(lèi)處理。采用監(jiān)督分類(lèi)。將圖像分為四類(lèi)，即植被，裸露地表（道路，操場(chǎng)等） ,建筑，水域。先選取代表這四類(lèi)地物的 ROI，然后利用所選取的 ROI進(jìn)行分類(lèi)。分類(lèi)方法采用最大似然法。分類(lèi)結(jié)果如下圖所示： 圖 54 分類(lèi)后圖像。中國(guó)地質(zhì)大學(xué)校園，局部。 由上圖可知，使用最大似然法分類(lèi)具有一定精度，例如在 bareland類(lèi)中，運(yùn)動(dòng)場(chǎng)和公 路的特征很明顯。對(duì)照原圖可以發(fā)現(xiàn)，該分類(lèi)對(duì)建筑物的分類(lèi)效果也較好。但是仔細(xì)觀察，仍能發(fā)現(xiàn)許多不足。比如對(duì)水體的分類(lèi)，可以發(fā)現(xiàn)由部分建筑被錯(cuò)分為水體，而又有水體被分到了建造中。如下圖所示。 基于 23 圖 55 分類(lèi)前后圖像對(duì)照。 從圖中可以看出，左圖中的池塘分類(lèi)后面積明顯縮小，被分成了建筑類(lèi)。對(duì)這種現(xiàn)象，經(jīng)過(guò)仔細(xì)思考，通過(guò)查看原圖中被錯(cuò)分區(qū)域圖像的光譜信息，發(fā)現(xiàn)圖像上淺水區(qū)域的光譜特征與某些建筑屋頂?shù)墓庾V特征類(lèi)似。因?yàn)樵疾噬珗D像特征與真實(shí)地表類(lèi)似，可以推斷波段組合應(yīng)該為藍(lán)、綠、紅或紅外波段組合并分別賦予藍(lán)、綠、紅 三色。實(shí)際測(cè)得的綠色植物的光譜圖與從圖像上獲取的光譜圖如下所示： 圖 56 綠色植物光譜圖。（ 1）為山谷中橡樹(shù)在 ~ m波段的光譜圖。（ 2）為從圖像上獲取的紅綠藍(lán)三個(gè)波段的光譜圖?？梢钥闯鏊麄冎g的圖像走向是一致的。 而水體與水泥屋頂?shù)姆瓷洳ㄗV圖為： （ 1） （ 2） 圖 57 （ 1）：正常情況下水體與水泥屋頂?shù)姆瓷洳ㄗV。（ 2）原始圖像中深水，基于 24 淺水和屋頂?shù)墓庾V對(duì)照?qǐng)D。圖中 3分別為紅、綠、藍(lán)波段?？v軸為該 點(diǎn)像素?cái)?shù)字值。該圖與理論值有所區(qū)別。 由圖（ 1）可知，水體與水泥屋頂?shù)姆瓷洳ㄗV在正常情況下有較大區(qū)別。而從原始圖像上的到的這兩類(lèi)地物的反射波譜為： 從圖（ 2）中可以看出，某些屋頂?shù)墓庾V圖（ roof1， roof2）與深水區(qū)的光譜圖（ water，water02）有些類(lèi)似，而淺水區(qū)的光譜圖 (shallow water， shallow water02)與某些屋頂（ roof3）的光譜也有所類(lèi)似。我推測(cè)這幅遙感圖像是雨后不久拍攝的，某些屋頂仍有積水，所以顯示了與水相似的光譜特征。但由于無(wú)法的到圖像的具體拍攝日期，因此不 能證實(shí)這種推測(cè)。這樣給圖像自動(dòng)分類(lèi)帶來(lái)了困難。用其他分類(lèi)方法同樣不能消除分類(lèi)錯(cuò)誤。 由上述可知，有必要采用另外的方法進(jìn)行分類(lèi)處理，以得到更精確的分類(lèi)結(jié)果。 通過(guò)對(duì)比原始圖像中紅、綠、藍(lán)三波段圖像可知，在紅波段，水體的反射率很低，而在藍(lán)波段裸露地表則有很高的反射率。于是可以考慮用紅波段圖像進(jìn)行水體分類(lèi)，用藍(lán)波段圖像進(jìn)行裸露地表的分類(lèi)。具體實(shí)現(xiàn)方法如下： 1．使用非監(jiān)督分類(lèi)法分別對(duì)藍(lán)紅波段圖像進(jìn)行分類(lèi)。通過(guò)分類(lèi)發(fā)現(xiàn)，在紅波段的分類(lèi)后圖像中，水體和建筑被分成了一類(lèi)。藍(lán)波段對(duì)空地實(shí)現(xiàn)了較好的分類(lèi)。 2．通過(guò)分類(lèi)后處 理操作，將分類(lèi)后圖像轉(zhuǎn)化為矢量格式。在操作中選擇“每類(lèi)一個(gè)矢量層”的形式，對(duì)分類(lèi)后的紅波段圖像而言，只需要轉(zhuǎn)換水體和建筑類(lèi)即可。藍(lán)波段圖像則轉(zhuǎn)換空地類(lèi)。 3．對(duì)轉(zhuǎn)化后的矢量進(jìn)行操作。通過(guò)對(duì)中國(guó)地質(zhì)大小校園土地利用分析知，校園類(lèi)主要水體有四處：荷花池、游泳池以及東區(qū)兩個(gè)小湖。而對(duì)照原始圖像發(fā)現(xiàn)，荷花池在圖像中沒(méi)有得到體現(xiàn)，在荷花池所在區(qū)域顯示綠色植物的光譜特征（池中被荷葉所覆蓋）。游泳池由于水太淺，在分類(lèi)后圖像中也不明顯。小湖的分類(lèi)效果較好。分類(lèi)后還有許多小斑點(diǎn)被分到了水體和建筑類(lèi)?？梢酝ㄟ^(guò)矢量查詢(xún)的方式實(shí)現(xiàn) 建筑和水體之間的分類(lèi)。查看水體和建筑層的屬性數(shù)據(jù)，可以知道東區(qū)小湖中較小一塊的面積為 2282 m2，同時(shí)也可以估計(jì)建筑的最小面積（約為 150 m2）。因此可以通過(guò)查詢(xún)操作中的圖塊面積實(shí)現(xiàn)分類(lèi)。面積大于 2282 m2為水體，在 150 m2與 2282 m2之間的為建筑，小于 150 m2為錯(cuò)分斑點(diǎn)，舍去。裸露地塊仍按藍(lán)波段的分類(lèi)。在校園輪廓圖中，去掉上面三類(lèi)，剩余的部分為植被類(lèi)。再對(duì)錯(cuò)分類(lèi)別進(jìn)行編輯，即可得到較好的分類(lèi)結(jié)果。 分類(lèi)后圖像如下所示： 基于 25 圖 58 中國(guó)地質(zhì)大學(xué)土地利用分類(lèi)圖。 第三節(jié) 分類(lèi)后處理 分 類(lèi)后處理是圖像處理過(guò)程中的非常重要的環(huán)節(jié)。通過(guò)對(duì)圖像分類(lèi)后處理，可以評(píng)定分類(lèi)精度，對(duì)某些錯(cuò)誤分類(lèi)進(jìn)行糾正。遙感圖像的分類(lèi)僅僅以光譜信息為基礎(chǔ)，而相同的地物由于各種因素的影響，也許具有幾種完全不同的光譜信息，這樣就很可能發(fā)生分類(lèi)錯(cuò)誤。 基于 26 矢量分析及 GIS處理 矢量分析的操作在第二節(jié)中已有所論述，在進(jìn)行土地利用分類(lèi)的過(guò)程中，矢量分析的作用體現(xiàn)在分類(lèi)操作上。在本次分類(lèi)操作中，無(wú)論是通過(guò)監(jiān)督分類(lèi)還是非監(jiān)督分類(lèi)，分類(lèi)后建筑和水體都沒(méi)有被區(qū)分開(kāi)。考慮到中國(guó)地質(zhì)大學(xué)只有四處明顯的水體，荷花池、游泳池以及東區(qū)兩個(gè) 小湖，因此水體可以通過(guò)矢量查詢(xún)來(lái)分類(lèi)。通過(guò)查詢(xún)水體的最小面積和最大面積，然后查詢(xún)位于這兩個(gè)值之間的矢量，就可以將水體從原始類(lèi)別中區(qū)分出來(lái)。同樣可以大致確定建筑物的最大面積和最小面積，從而通過(guò)矢量的屬性查詢(xún)來(lái)大致確定建筑物這一類(lèi)別。其查詢(xún)操作如下所示： （ 1） （ 3） （ 2） 圖 59 矢量查詢(xún)示例。（ 1）為原始矢量，（ 2）為查詢(xún)結(jié)果，（ 3）為查詢(xún)窗口。在圖中以白色斜線填充部分顯示面積在 10002021m2之 間的建筑。 分類(lèi)結(jié)果評(píng)價(jià) 分類(lèi)后，可以得出每種地面覆蓋類(lèi)型所占的面積。在 ENVI中，通過(guò)分類(lèi)后處理中的類(lèi)別統(tǒng)計(jì)可以給出柵格圖像每種類(lèi)別的面積。本次分類(lèi)通過(guò)矢量處理完成，分類(lèi)后每種類(lèi)別的每一圖塊的面積可以通過(guò)查詢(xún)其屬性數(shù)據(jù)獲得?？梢詫傩詳?shù)據(jù)輸入EXCEL文檔中，然后對(duì)面積求和。即可得到該類(lèi)地面覆蓋的總面積。每類(lèi)地面覆蓋所占面積及其在校園總面積中所占比例如下表所示。 基于 27 表 51 每種地面覆蓋類(lèi)型所占面積及比例 從表中可以看出，植被面積占了 %，超過(guò)校園總面積的一半，說(shuō)明學(xué)校綠化工作做得很好。運(yùn)動(dòng)場(chǎng)及道路（包括魯磨路的一段）占了 %，我們學(xué)校的運(yùn)動(dòng)場(chǎng)地比較充裕，但由于西區(qū)小操場(chǎng)為土場(chǎng)，實(shí)際上沒(méi)有得到利用，因此同學(xué)們的活動(dòng)范圍還是比較有限，經(jīng)常出現(xiàn)比賽場(chǎng)地不夠用的情況。建議將小操場(chǎng)改造以滿足師生的需求。 地圖合成 地圖合成操作可用 ENVI 的 QuickMap 功能生成，在操作中需要注意圖像比例，字體大小及格網(wǎng)大小。圖像邊界范圍也需要引起重視。在 ENVI中，文字及符號(hào)的位置確定后，雖然可以重新編輯處理，但這種處理很麻煩。因?yàn)槿绻麍D像邊界不合理，Quickmap 可能會(huì)將許多符號(hào)及文字混排在一起，這樣，后處理工作幾乎無(wú)法進(jìn)行。為了達(dá)到滿意效果，也可以手動(dòng)進(jìn)行地圖合成操作。在主圖像窗口中的 Overlay菜單中進(jìn)行標(biāo)注、格網(wǎng)、矢量覆蓋等所需操作。下面是通過(guò)處理得到的中國(guó)地質(zhì)大學(xué)校園圖。 類(lèi)別 面積（ m2） 比例 植被 539360 % 水域 24058 % 運(yùn)動(dòng)場(chǎng)及道路 324621 % 建筑 100941 % 和 計(jì) 988980 % 基于 28 圖 510 中國(guó)地質(zhì)大學(xué)校園圖。 該圖通過(guò)地圖合成操作完成，在原始 遙感圖像上加上格網(wǎng)、矢量、文字標(biāo)注、圖片、比例尺等而成。因?yàn)榈貓D合成的目的不在于對(duì)土地利用的分析，因此圖像上只添加了有助于識(shí)別地圖的矢量。 基于 29 第六章 總結(jié) 本論文的寫(xiě)作使我受益匪淺。在論文準(zhǔn)備過(guò)程中，我系統(tǒng)地學(xué)習(xí)了遙感圖像處理方面的專(zhuān)業(yè)知識(shí)。閱讀了《遙感圖像與解譯》等經(jīng)典書(shū)籍。通過(guò)學(xué)習(xí)，對(duì)遙感理論有了較深入的理解。然后通過(guò)學(xué)習(xí) ENVI軟件，進(jìn)行數(shù)字圖像處理的實(shí)際操作，將理論用于實(shí)踐，學(xué)到很多新的東西。 雖然用了較長(zhǎng)時(shí)間為論文寫(xiě)作做準(zhǔn)備，由于以前很少處理遙感圖像，因此軟件學(xué)習(xí)過(guò)程中還是遇到不少困難 。首先是數(shù)據(jù)缺乏。最初是只有軟件和該軟件自帶的少量數(shù)據(jù)，這樣有很多軟件的功能無(wú)法使用。后來(lái)通過(guò)上網(wǎng)瀏覽與 ENVI相關(guān)的論壇，找到 RSI公司的 ftp，通過(guò)登錄該 ftp（ ENVI自帶教程 (ENVI Tutorials)相關(guān)的遙感圖像。然后跟著教程學(xué)習(xí)軟件，這樣學(xué)習(xí)效率就高些。第二個(gè)困難是無(wú)法判斷處理結(jié)果的好壞。例如分類(lèi)處理，監(jiān)督分類(lèi)有最大似然法，最小距離法，馬氏距離法等，這幾種分類(lèi)方法處理的結(jié)果有所區(qū)別，究竟那種方法更切合實(shí)際，僅憑肉眼很難區(qū)別，當(dāng)然可以通過(guò)分類(lèi)后 處理來(lái)計(jì)算類(lèi)別之間的獨(dú)立性等。如果有較好的處理結(jié)果來(lái)對(duì)照的話，效果會(huì)好一些。第三是學(xué)習(xí)資料缺乏。 ENVI軟件雖說(shuō)操作簡(jiǎn)單，界面友好，比較容易學(xué)習(xí)。但 ENVI在中國(guó)還不是很普及，學(xué)習(xí)資料不多。現(xiàn)在可用的中文資料只有遙感所的《 ENVI用戶指南》，這本指南是《 ENVI User’s Guild》的中譯本?！?ENVI用戶指南》有助于對(duì) ENVI有大致的了解，在具體操作方面介紹的不是很詳細(xì)。在學(xué)習(xí)過(guò)程中，我主要參照《 ENVI Tutorials》，它不僅提供了必要的理論知識(shí)，還給出了詳盡的操作說(shuō)明，對(duì)初學(xué)者很有幫助。 通過(guò)老師的幫助及自己的努力，克服了很多困難。在學(xué)習(xí)中獲得了 不少 樂(lè)趣。 由于能力所限，論文只涉及到遙感圖像處理的一部分，因?yàn)閷?duì)有些內(nèi)容不是很有把握，因此一些圖像處理過(guò)程如高光譜，雷達(dá)圖像處理，三維分析等沒(méi)有討論。 遙感是一門(mén)綜合課程，與地學(xué)，圖像處理密切相關(guān)，要想在遙感專(zhuān)業(yè)學(xué)有所成，必須對(duì)相關(guān)專(zhuān)業(yè)有深入了解。這正是我目前所缺乏的。希望通過(guò)以后的學(xué)習(xí)彌補(bǔ)這方面的不足。 基于 30 致謝 本文在黃海軍老師的悉心指導(dǎo)下順利完成的。非常感謝黃老師為我提供了論文題目和論文寫(xiě)作的必要資料。在寫(xiě)作中黃老師給了我很多幫 助，為我的論文提出的非常中肯的修改意見(jiàn)，使本文質(zhì)量有了較大提高。 感謝班主任吳老師四年來(lái)對(duì)我在學(xué)習(xí)和生活方面的幫助。 感謝測(cè)繪教研室所有老師。 感謝所有的同學(xué)，你們給了我很多值得回憶的東西。 感謝萬(wàn)保峰和孫步陽(yáng)同學(xué)，本論文的寫(xiě)作從準(zhǔn)備階段到寫(xiě)作完成都是在他們的電腦上進(jìn)行的。沒(méi)有他們的慷慨的幫助，本文是無(wú)法完成的。 在論文寫(xiě)作中，陳亮同學(xué)和我進(jìn)行了多方面的交流，對(duì)我 在 軟件學(xué)習(xí)及論文寫(xiě)作方面 有很大幫助。在此表示感謝。 基于 31 參考文獻(xiàn) （ 1） 孫家抦，遙感原理與應(yīng)用，武漢，武 漢大學(xué)出版社， 2021 （ 2） Lillesand 等，遙感與圖像解譯：第四版，彭望綠等譯，北京：電子工業(yè)出版社， 2021 （ 3） 梅安 新 ，遙感導(dǎo)論，北京：高等教育出版社， 2021 （ 4） 戴昌達(dá)等，遙感圖像應(yīng)用處理分析，北京：清華大學(xué)出版社， 2021 （ 5） ENVI 用戶指南 中國(guó)科學(xué)院遙感所譯， 2021 （ 6） ENVI Tutorials ,Research System Inc.， 2021 （ 7） ENVI User’s Guild, Research System Inc.， 2021 （ 8） John A Richard， Xiuping Jia， Remote Sensing Digital Image Analysis:An Introduction， Springer， 1999 （ 9） T M Lillesaaaand ＲＷ Ｋ iefer 遙感與圖像判讀，黎勇奇等譯，北京：高等教育出版社， 1986 （ 10） 陳述彭，趙英 時(shí) ，遙感地學(xué)分析，北京：測(cè)繪出版社， 1990 （ 11） 張京紅，景毅剛，遙感圖像處理系統(tǒng) ENVI及其在 MODIS數(shù)據(jù)處理中的應(yīng)用，西安，陜西氣象， 2021年第 1期 （ 12） 尤建紅等，面向數(shù)字城 市的遙感信息獲取，北京，國(guó)土資源遙感， 2021，1 （ 13） 符勇等，遙感影像上現(xiàn)狀目標(biāo)自動(dòng)提取研究狀況與思考，大地測(cè)量與地球動(dòng)力學(xué)， 2021， 22（ 2） （ 14） Reeves G； el at， Manual of Remote Sensing， Falls Church， VA， American Society of Photogrammetry， 1975 （ 15） Sun J B， The Digital Mapping Produced with Satellite Image of the Zhongshan Station Area in Antarctica， Antarctica Research， 1994， 5（ 1）