遥感数据及其处理

一、遥感数据及其特征

滇东北地区铅锌矿遥感地质调查工作共分为三个层次，其中1∶5万层次及1∶25万层次使用美国陆地卫星(Landsat-7)ETM+数据作为基础数据，1∶1万层次使用美国快鸟(QuickBird)卫星数据作为基础数据。

(一)ETM+数据

ETM+数据是美国1999年4月所发射的陆地7号卫星携带的增强型主题成像仪(ETM+)对地球表面所采集的数据，其基本参数、设计波段的特征及设计用途见表3-1。

表3-1Landsat-7卫星参数及数据特征

长期对Landsat系列卫星数据在地质方面的应用研究表明，Landsat卫星数据各个波段都能提供地质构造、地形地貌信息。其中，5、6、7波段信息量更为丰富，1、2、3、4波段能够区分岩石中的铁、锰矿物和含铁、锰矿物的相对含量，尤其是4波段对于三价铁的矿物比较敏感，可以借此区分岩性，5波段对绿帘石族特征谱带敏感，7波段识别碳酸盐岩、绿片岩、绢云片岩和粘土岩及粘土矿物聚集带的效果较好，6波段对于识别地热异常、岩石和构造的含水性及鉴别地质构造有一定的用途。另外，Landsat-7还增加了一个15m分辨率的全色波段，从视觉效果上直接提高了对地物的识别，见表3-2。

表3-2 Landsat-7ETM+数据特征及在地质上的用途简表

图3-1 滇东北地区ETM数据分布示意图

本次工作范围占有ETM数据129-041及129-042两景，时相均为2001年12月23日。工作范围在两景数据中的位置如图3-1。数据元数据情况见表3-3。

表3-3 129-041，129-042卫星数据元数据特征

续表

(二)快鸟(Quick Bird)卫星数据

快鸟(Quick Bird)是美国Digital Globel(Earth Watch)公司2001年10月发射的高分辨率卫星，其空间最高分辨率为61cm，可制作比例尺在1∶1万左右的影像。卫星参数及数据特征见表3-4。

表3-4 Quick Bird卫星参数及数据特征

快鸟卫星数据的波段设置，与ETM数据具有一定的对应性，1、2、3、4波段波长范围完全一致，只是在全色波段快鸟数据比ETM数据的波长范围略窄一些。

大比例尺遥感地质调查工作主要布设于彝良毛坪地区，购置快鸟数据80km2，范围为X:3038000—3046000，Y:35392000—35402000。属于现拍数据，数据采集时间为2004年5月8日，其元数据特征见表3-5。

表3-5 毛坪地区快鸟卫星数据元数据特征

二、遥感数据处理

(一)数据处理软件

遥感图像处理主要使用加拿大专业遥感图像处理软件PCIGeomatica80及美国著名专业遥感图像处理软件ENVI35。

(二)数据处理流程

遥感数据处理的主要流程包括数据组织(即数据种类选择、范围确认、时相选择、订购等)、数据镶嵌(单景数据不存在此过程)、几何校正、图像生成、图像增强、图像整饰等过程，见图3-2。

图3-2 数据处理流程图

(三)数据处理

1数据镶嵌

所谓镶嵌，就是将相邻两景图像拼接、形成大图像的过程。在图像镶嵌过程中如果使用不同时相的数据，由于数据成像的季节、太阳高度角不同，导致同名像元点在不同的数据上可能表现为不同的灰阶;当使用相同时相数据时，由于地面站后期人为分景、单独处理，也会导致同名像元点在不同的数据上有可能表现为不同的灰阶，同一地物在不同数据上表现出不同特征。因此说，图像的镶嵌过程是一个数据重叠范围内的配准过程。

滇东北地区1∶5万工作区涉及129-041及129-042两景数据，数据镶嵌是在PCIGeomatica遥感图像处理平台的GCPworks模块中完成的。镶嵌过程中侧重于重叠数据范围内同名点的选择及镶嵌线的选择。一般每两景图像上下镶嵌选择10～15个GCP。在镶嵌线的选择上，避免一条直线，根据镶嵌区的地貌特征尽量使镶嵌线通过色差较大的地方，避免人为造成线性体。然后利用PCI提供的ColourMatching功能对镶嵌区内的图像色彩进行匹配，使镶嵌后图像的色彩在镶嵌线两侧柔和过渡，达到无缝的效果。

2几何校正

(1)几何校正方法

由于卫星姿态与轨道、地球运动和形状、遥感器本身的性能和扫描镜的不规则、探测器的配置、检测器采样延迟、数模转换的误差等等原因，均会导致原始遥感图像的严重几何变形，不能直接使用。一般而言，卫星地面站会根据卫星轨道的各种参数将图像进行粗略的校正，但往往由于遥感器的位置及姿态的测量值不高，其粗校正后的图像仍存在不小的几何变形。用户需要利用地面控制点和多项式纠正模型做进一步的几何纠正。只有按照一定的投影模式对原始图像进行几何精校正后的图像，才能使图像上每个像元具有相应的准确的地理坐标，只有进行几何精校正后的图像才能制作成能与其他图件配合使用的“地图(map)”。几何纠正的步骤有以下3步:

1)地面控制点(GCP)的选择。地面控制点的选择一般有两种方法，实地测量和在相同比例尺或更大比例尺地形图上采点。地面控制点选择的原则是，选择在图像上显示清晰、实地不(或很少)随时间变化的定位识别标志，如道路交叉点、河流交汇处等。另外，控制点要在校正范围内均匀分布，并保证一定的数量。

2)多项式模型纠正。多项式模型纠正就是在图像像元坐标(x，y)与地形图上相应点的地理坐标(X，Y)之间通过适当的坐标多项式模型(坐标变换函数)建立一种关系，从而通过像元的重新定位把图像拟合到地形图上。多项式校正模型的数学表达式为:

滇东北铅锌银矿床遥感地质与成矿预测

式中:aij，bij为多项式系数;N为多项式次数，取决于图像的变形程度、控制点的数量和地形位移的大小。

3)重采样。由于经过了多项式校正，重新定位后的像元在原图像中分布是不均匀的，因此需要对原图像按一定的规则重新采样，进行亮度值的插值计算，建立新的图像矩阵。常用的重采样方法有最临近法、双线性内插法、三次卷积内插法。3种方法在地物边缘增强、地物连贯性、计算速度等方面各有利弊。其中三次卷积内插法对边缘有所增强，并具有均衡化和清晰化的效果，但计算量大。

(2)1∶5万工作范围图像几何校正

1∶5万工作范围图像校正使用相应范围的1∶5万地形图60幅。校正点的选择是在60幅地形图上均匀选择GCP203点，校正模型选择了二次多项式拟合，重采样方法使用三次卷积内插法。校正后的图像投影方式为高斯投影、6°分带，中央经线为105°，椭球体采用克拉索夫斯基1954椭球体，与地形图保持一致。

(3)1∶1万工作范围图像几何校正

由于缺少相同比例尺地形图，收集到的地形资料只有区内1∶5万地形图和极少部分1∶2000地形图，因此校正点的采集采用地形图采点与野外实地测点相结合的方法完成。共采集GCP33个。校正模型选择了二次多项式拟合，重采样方法使用三次卷积内插法。校正后的图像投影方式为高斯投影、3°分带，中央经线为105°，椭球体采用克拉索夫斯基1954椭球体。

3彩色合成

彩色合成的目的是将单色波段每像元的28(即256)色空间扩展到224(即16777216)色空间，增强目标地物的可视性，提高目视解译效果。通过色彩丰富、信息携带量大的基础彩色图像，解译人员才能充分识别图像的信息，进行地质解译。

为达到最佳的彩色合成效果，参加合成的波段选择常遵循以下原则:

1)参加合成的单波段有较大的方差，即波段本身具有较大的信息量。

2)参加合成的各波段间相关系数较小，避免信息的重复和冗余。

3)参加合成的三波段图像的均值要相近，避免合成图像产生严重偏色。

4)为突出目标地物，要选择目标物体显示较为突出的波段。

彩色合成图像为3个波段，赋予红、绿、蓝三原色的合成图像。

1∶5万工作范围基础图像制作选择了波段7、4、2合成方案，1∶25万工作范围基础图像选择了波段4、5、3合成方案，1∶1万工作区基础图像选择了波段3、2、1合成方案。选择依据将在“数据特征”一节中进行分析。

4图像增强

图像增强的目的是为了突出相关的主题信息，提高图像的视觉效果，使解译分析者能更容易地识别图像内容，从而从图像中提取更有用的信息。图像增强的方法很多，从其作用的空间来看可以分为光谱增强和空间增强。这两种增强类型在整个图像处理和信息提取过程中都很常用。对于基础图像的增强一般采用光谱增强，从像元的对比度及波段间的亮度等方面改善图像的视觉效果，基本不改变目标地物的形状、大小等特征。

项目工作中的3种基础图像在生成后均采用光谱增强。根据图像各波段的直方图分布，分析整幅图像中像元间对比度的差异大小，确定光谱增强的具体手段。其中1∶5万范围的波段7、4、2合成图像面积大，地物种类多，信息丰富，增强过程中要求各种信息的充分显示，因此使用直方图均衡化的方法，理论上使图像中的各种亮度值均衡分布。1∶25万范围的波段4、5、3合成图像，图像范围相对较小，又由于地形切割较深，造成图像上山体阴影所占面积较大，而西南角地区比较平坦，反射率较高，像元亮度大，因此选择线性拉伸的方法进行增强。1∶1万范围的快鸟卫星波段3、2、1数据合成影像中，红尖山—姜家湾—花苗寨一带植被覆盖较多，造成影像上大面积绿色，使用线性拉伸的方法可以保证原始图像的对比度不再有大改变。

图3-3 毛坪地区图像不同拉伸方法效果对比图

拉伸方法应用效果以毛坪地区1∶1万影像为例，见图3-3。由图中可以看出，不拉伸的图像显然色彩层次太少，使用均方根拉伸的图像总体上提高了图形的亮度，压抑了像元间对比度的扩展，同时亮度高的地区彩色层次减少;直方图均衡化的图像提高了像元间的对比度，在原图像的暗色地区使色彩层次增加，但高亮色地区由于像元频率的增高而使色彩层次减少;线性拉伸不同程度地克服了以上几种拉伸的弊端，使图像色彩趋于丰富，层次趋于明显，便于解译者的解译。

在解译过程中为突出某种特征地物也可采用其他的增强手段，这里不再赘述。

5图像融合

为了提高图像清晰度，同时充分发挥多波段数据的特点，需要将高分辨率的全色波段与参加彩色合成的多光谱波段进行融合处理。融合后的图像可以发挥多光谱图像与高分辨率图像各自的优势，弥补不足，改善遥感图像目标识别的准确率，提高遥感图像的综合分析精度。

融合方法大致可以分为彩色相关技术和数学方法两大类。彩色相关技术包括彩色合成、彩色空间变换等，有利于保持分辨率和色彩特征，如IHS变换法。常用的融合方法有IHS变换法、PCA变换法、HPF变换法与小波变换法等。

鉴于工作目的，为了提高地面分辨率和保持低分辨率图像的光谱信息，工作中选择了IHS变换方法，即将标准的RGB图像分离为空间信息的明度、波谱信息的色别及饱和度，而后用高分辨率图像代替明度再进行反变换的融合方法。融合后的图像既具有较高的分辨率，又具有与原图像相同的色度与饱和度。其具体过程如图3-4。

项目工作中所采用的ETM数据7个30m多光谱波段与15mPAN波段源于同一传感器，快鸟数据的4个24m多光谱波段与其06mPAN波段也源于同一传感器，因此数据融合过程中不存在数据配准问题，只对低分辨率波段进行重采样，并对参加融合的各波段进行直方图匹配，再进行IHS变换和RGB变换。其中低分辨率波段的重采样使用的方法为三次卷积内插法。融合前后图像特征如图3-5所示。

图3-4 IHS变换融合流程图

图3-5 融合前、后图像特征对比示意图

(四)图像处理精度评价

镶嵌校正过程中的精度评价常常使用RMS误差(均方根)来衡量，RMS是GCP的输入位置和逆转换之间的距离;它是在用转换矩阵对一个GCP做转换时所期望输出的坐标与实际输出的坐标之间的偏差。

滇东北铅锌银矿床遥感地质与成矿预测

式中:Ri为GCPi的RMS误差，XRi为GCPi的X残差，YRi为GCPi的Y残差。

整幅图像的总RMS误差:

滇东北铅锌银矿床遥感地质与成矿预测

式中:T为总RMS误差。

11∶5万镶嵌精度

数据镶嵌的误差大小对几何校正有很大影响，大的误差将人为增大图像的畸变。工作中1∶5万工作范围需要129-041与129-042两景数据上下镶嵌，按照《1/25万遥感地质调查技术规定》(DD2001—01)对镶嵌配准精度的规定同比计算，预设镶嵌误差T≤040。镶嵌过程中共采集镶嵌GCP13个，纠正模型1次，误差见表3-6。

表3-6 1∶5万图像镶嵌误差

由表3-6中可以看出，T=0311，小于预设值040，能够满足无缝镶嵌的要求。

2校正精度

(1)1∶5万图像校正精度

校正精度按照《1/25万遥感地质调查技术规定》(DD2001—01)对图像校正精度及校正点数目的同比计算，预设校正误差T≤080。校正过程中在60幅1∶5万地形图上基本均匀地选择203点，经误差调整选择有效校正GCP190个，校正多项式模型选择二次多项式，其误差见表3-7，由表中可以看出，T=0794，小于预设值080，能够达到规范要求。

表3-7 1∶5万图像校正误差

(2)1∶1万图像校正精度

由于工作区只收集到1∶5万地形图和占很小部分的1∶2000地形地质图，且1∶5万地形图年代比较久远，因此在几何校正过程中误差较大。由于图像细节清晰，不影响使用与定位。

3融合精度

低分辨率数据与高分辨率数据融合的目的是为了提高分辨率，为此，图像融合前后清晰程度的改变成为融合精度评价的主要指标。图像的清晰度是指地物的边界或影线两侧附近灰度有明显差异，即灰度变化率大小，它反映图像微小细节反差变化的速率，即图像多维方向上密度变化的速率，可用g来表示，一般来说融合前后g的变化越大则融合后图像的清晰度越高。

滇东北铅锌银矿床遥感地质与成矿预测

ETM30m多光谱波段与15m全色波段融合前后的值及快鸟数据24m多光谱数据与06m全色波段融合前后的g值对比见表3-8。由表中可以看出，融合后密度变化速率比原来提高几十到上百倍，表明图像融合后精度有很大提高。

表3-8 融合精度对照

三、工作区遥感数据

(一)1∶5万工作范围ETM数据特征

1∶5万工作范围图像行列数为9233(列)×12423(行)(插值为15m)，总像元数为114701559点，由于左上角数据缺少使1140点为无效像素。

数据基本统计特征如表3-9至表3-11，各波段直方图见图3-6。

表3-9 1∶5万范围ETM数据基本统计特征

表3-10 1∶5万范围ETM数据波段间协方差矩阵

表3-11 1∶5万范围ETM数据波段间相关系数矩阵

从以上统计参数来看，8个波段的均值除60m分辨率的波段6和15m分辨率的PAN波段外，其他6个波段相差不大。8个波段的标准差从大到小排列为S5＞S7＞S4＞S3＞S6＞S8＞S2＞S1，表明波段5的像元亮度值离散程度最大，波段1最小。对于波段间的相关系数而言(由于6波段与8波段分辨率的不同而不考虑)，R12、R23、R25、R35、R45、R57、R37、R27均比较大，数值在080以上，而R13、R24、R34、R47相对较小，数值在07～08之间，相关系数最小的为R14、R15、R17，数值在05～06之间，相关系数大小也表征了波段间信息冗余的多少。1∶5万工作范围的彩色合成方案就是根据以上的统计数据结合彩色合成波段选择的其他原则而确定的。

直方图是图像范围内每个亮度值(DN)的像元数量的统计分布，能够直观反映原始图像的质量信息，如亮度值分布范围、亮度值分布规律，也可直接大致判读出图像的中值等参数。从8个波段的直方图可以看出波段4、5、7的直方图呈双峰表现，主峰在50～60出现，而在10～15之间又出现一个表现很窄的次峰，这是由于图像上的阴影及水体的像元亮度值所产生的，由此大致可以计算出阴影及水体在图像中所占的面积，以波段5为例计算出所占比例为6%左右。其他各波段的直方图比较接近正态分布。

协方差矩阵反映各个波段各自亮度值取值的分散程度，同时又能反映不同波段间的相关密切程度，它是单波段图像统计表与相关系数矩阵的合成，同时又能反向分裂。

图3-6 1∶5万范围ETM各波段图像直方图

(二)1∶25万工作范围ETM数据特征

1∶25万工作范围行列数为3000(列)×1860(行)，总像元数为5580000点，插值后分辨率为15m。数据基本统计特征如表3-12至表3-14，各波段直方图如图3-7。

表3-12 1∶25万范围ETM数据基本统计特征

表3-13 1∶25万范围ETM数据波段间协方差矩阵

表3-14 1∶25万范围ETM数据波段间相关系数矩阵

图3-7 1∶25万范围ETM各波段图像直方图

从以上统计参数来看，8个波段的均值除60m分辨率的波段6为110表现较大，15m分辨率的PAN波段为29表现较小外，其他1、4、5三个波段数值相差不多，在50左右，2、3、7三个波段也相差不大，在37左右。8个波段的标准差从大到小排列为S5＞S4＞S7＞S3＞S8＞S6＞S2＞S1，表明波段5的像元亮度值离散程度最大，波段1最小。对于波段间的相关系数而言(由于6波段与8波段分辨率的不同而不考虑)，R57、R23、R73表现最大，数值在09以上，R12、R13、R25、R27、R35、R45次之，数值在08～09之间，而R24、R34、R47相对较小，数值在07～08之间，相关系数最小的为R14、R15、R17，数值在05～06之间，相关系数大小也表征了波段间信息冗余的多少。1∶25万工作范围的彩色合成方案就是根据以上的统计数据结合彩色合成波段选择的其他原则而决定的。

8个波段的直方图形态大致与1∶5万范围一致，表现意义相同，不再赘述。

(三)1∶1万工作范围QB数据特征

1∶1万工作范围采用高分辨率的QB数据，其多光谱波段只有4个，分辨率为24m，工作范围图像行列数为4168(列)×3407(行)，总像元数为14200376点。多光谱数据基本统计特征如表3-15、表3-16，各波段直方图如图3-8。

表3-15 1∶1万范围QB数据基本统计特征

表3-16 1∶1万范围QB数据波段间相关系数矩阵

从以上统计可以看出，QB数据4个波段中1、2、3波段的相关系数均较大(R12=R23=096，R13=089)，只有近红外波段与其他波段的相关系数很小(R14=029，R24=037，R34=020)，同时可以看出近红外波段的中值与标准差也与其他波段相差很大，这是由于工作区内大面积植被所引起的。众所周知，绿色植物的叶绿素对可见光红波段(06～07μm)有强吸收，而叶内组织对近红外波段(07～11μm)有高反射，因此大面积植被将会直接改变相关波段的像元亮度值的分布。在基础图像彩色合成波段选择中，依据各项原则结合统计参数，选择波段1、2、3参与合成，为使合成后图像接近真彩色，合成方案为3(R)+2(G)+1(B)。

图3-8 1∶1万范围QB各波段图像直方图

四、遥感信息增强与提取

为了突出地质目标，增强微弱岩石蚀变信息，在图像处理过程中的不同阶段使用了多种信息增强技术方法，主要有地表三维技术、比值运算、KL变换、空间滤波、彩色变换技术等(表3-17)。

表3-17 工作中采用的主要信息增强方法技术及用途

(一)地表三维技术

地表三维技术是利用DEM(数字高程模型)将地图上的二维平面空间按高程的差异制作成一种地形上连续起伏变化的曲面，从而更真实地反映地表地貌的自然景观，突出显示特殊岩性的特殊地貌特征。

毛坪地区地表三维影像的制作利用了1∶5万DEM与QB3、2、1彩色合成图像;1∶5万DEM来源于1∶5万地形图，通过等高线数字化—高程赋值—DEM生成等过程实现。地表三维影像的制作主要有DEM与影像的配准及配准后的DEM与影像的复合两个过程。

图3-9是毛坪地区地表三维景观局部，其中视点为(103°54'27″，27°27'26″)，视向45°，视角60°，视域60°。

图3-9 毛坪地区快鸟遥感影像地表三维景观(局部)

从毛坪地区地表三维影像可以看出左侧发育柱状节理的玄武岩及右侧二叠系灰岩地貌景观。

(二)图像比值运算

比值运算是将两个波段中不同亮度的地物成辐射状投射到一个曲线上，从而可非线性地夸大不同地物间的反差，它能够压抑影像上由于地形坡度和方向而引起的辐射量变化，减小环境条件的影响，提供任何单波段都不具有的独特信息。其运算公式为:

滇东北铅锌银矿床遥感地质与成矿预测

式中:DNm(x，y)，DNn(x，y)分别是像元(x，y)在m和n波段上的亮度值;Rmn(x，y)为输出的比值。工作中比值运算主要运用于以下两方面。

1计算植被覆盖度

植被覆盖度(f)是指某一时间某一地区内植被冠层的垂直投影面积与区域总面积之比。遥感地质解译主要是利用地表物体的光谱反射特性的差异，提取与地质工作有关的信息，工作的特点主要针对地表岩石、构造等，当地表植被覆盖时，对这些信息的解译将造成阻碍。因此，了解工作区的植被覆盖度能客观评价该区遥感地质解译的可解译程度。

研究表明绿色植物在可见光红波段(06～07μm)有强的吸收(叶绿素引起)，在近红外波段(07～11μm)有高的反射和透射(叶内组织引起)。因此，在这两个波段使用比值运算可以充分表达它们反射率之间的差异，制作植被为高亮显示的植被信息图，并直接在图像上以像元数目比值求解植被覆盖度。

2提取矿化蚀变信息

ETM的不同波段在地质上有不同的应用，这主要取决于各种与矿有关的蚀变矿物在不同波段存在波谱特征上的差异。图3-26是典型蚀变矿物的反射波谱曲线，从图中可看出，通常所讲的泥化蚀变矿物(即含有OH-、CO2-3)在22μm附近有明显吸收带，并与TM7波长范围相吻合。而在波段5的波长范围(155～175μm)内少有矿物的吸收谱带，多数都表现出高反射的特点，未蚀变矿物在波段5范围均没有明显的波谱特征，表现在TM5与TM7两个波段的相对亮度值的相对差异。因此，常常可使用波段5/7比值来突出含羟基和CO2-3类的蚀变矿物特征。另外，由图中可以看出三价铁矿物在波段1具有强的吸收，而在波段3具有相对强的反射;二价铁矿物在波段4具有强的吸收，而在波段5相对具有反射特征，因此也常用波段5/4、3/1比值来突出铁类矿物蚀变特征。比值后的图像上欲突出的蚀变特征常以高亮值显示而被提取出来。

(三)KL变换

KL变换又称为主成分分析，是在统计特征基础上的多维(如多波段)正交线性变换。多波段图像通过这种变换后产生一组新的组分图像，把原来多个波段中的信息进行集中和重组，并使新组分图像之间互不相关。其运算公式为:

滇东北铅锌银矿床遥感地质与成矿预测

其中，X为原图像p个波段的像元值向量，Y为变换后的q个组分的像元值向量，q≤

，T为变换矩阵。

KL变换要求Y的分量Yj与Yk相互独立，且若有j＜k，则Yj的方差小于Yk的方差，所以必须有:

滇东北铅锌银矿床遥感地质与成矿预测

又因为:

所以:

即把矩阵D(X)变为对角矩阵Λ，对角线元素λ1、λ2…λp是D(X)的特征值，也分别是Y1、Y2…Yp的方差。

KL变换后的新组分图像中，一般第一组分具有大量的信息，但它包含了地形、植被等因素，对地质体的区分而言就成为干扰因素;其他组分虽然具有小的方差，包含的信息量少，但它可能正好突出了区分某些地质体的信息。因此，当需要对诸多信息进行综合时，往往使用KL变换后的第一组分，当要求某种特征信息时就选择相关的其他主组分。如图3-10，在B7单波段上玄武岩和火山碎屑岩界线显示隐约(或不显示)，而在KL变换(参与波段B1、B2、B3、B4、B5、B6、B7)后的PC3上，界线显示明显。

图3-10 KL变换前后岩性边界对比影像

此外，KL变换也是提取与铁化和泥化有关蚀变的遥感信息的重要方法。通过对KL变换后的特征矩阵进行分析，选择富集特征信息的主组分，对蚀变信息的提取又很大的帮助。在后面信息提取过程中已经使用。

(四)空间信息增强

空间信息增强是指通过改变图像空间特征或频率来增强图像上信息的手段，即改变图像的“粗糙”或“平滑”程度来增强特征信息的方法。工作中使用了方向滤波和平均值滤波。

1方向滤波

方向滤波是梯度法边缘增强的一种，它通过指定的8个方向的滤波模块对图像按方向进行边缘增强。工作中主要使用在线性体的解译和统计中，滤波后的图像突出显示了某个方向的线性体特征，同时对与该方向正交的线性体进行模糊。如图3-11所示，7波段的图像在分别使用 个方向模板滤波后，分别突出显示了45°方向和135°方向的线性体。

图3-11 方向滤波前后图像对比

2平滑滤波

当需要去除图像上的噪声时，往往使用平滑滤波或低通滤波，加强图像中的低频成分，减弱图像的高频成分，使图像由“粗糙”变得“光滑”。均值滤波就是一种典型的平滑滤波方法，即用局部范围内临域像元亮度均值代替中心原像元亮度值。工作中平滑滤波主要使用在遥感蚀变信息提取后，信息噪声的去除。如图3-12所示，提取的锈水河铅锌矿异常在平滑滤波后，杂乱细小的信息斑点被去除，信息成“块”成“带”出现，方便了对异常分布的分析。

图3-12 平滑滤波前后PCT分级效果对比

(五)彩色变换技术

彩色变换技术是指将彩色图像在不同的彩色坐标系统之间的变换，主要应用在不同遥感器的数据或不同性质的数据融合后彩色合成图像的产生。在图像融合上常使用IHS变换，其简式如下:

滇东北铅锌银矿床遥感地质与成矿预测

变换后RGB混色系统分离为代表空间信息的明度(I)和代表波谱信息的色别(H)、饱和度(S)。从公式可以看出，明度(I)是3个波段的平均亮度，融合时使用直方图匹配后的高分辨率波段代替I，与原来的H、S一起进行IHS变换的反变换，重新变换到RGB空间，这样图像既保证了高分辨率数据的参与，提高地面分辨能力，又保持了原来多光谱波段的光谱特征。其融合效果参见图3-5。

另外，项目工作中较常用的是RGB彩色合成，当图像的饱和度缺乏时，也通过IHS变换的方法，专门对变换后的饱和度分量(S)进行调整，反变换后的图像可解译性会明显提高。

决策树

（1）做好准备工作，你需要用到哪些判别准则，准备好相应数据，比如ndvi指数，高程数据、坡度数据、各个波段等等

（2）有一定的已知区，即样本，有多少个类，每类的样本要是野外采集的，或从其他可靠资料获取的。

（3）水到渠成，建立决策树判别规则。

面向对象也差不多，准备数据是最要紧的，剩下的建模相对简单，毕竟是向导式的 *** 作，计算机让你干啥你干啥就行了。

如果基础较差，建议你到esri社区论坛看看。祝成功！

一、实验目的

学习运用ENVI软件的相关功能从TM 多波段遥感影像数据中提取地表植被遥感信息——归一化植被指数NDVI、比值植被指数RV I和增强植被指数EVI的实际 *** 作，以及对植被指数计算器的使用，加深对定量遥感植被信息类型及获取方式的了解。

二、实验内容

①归一化植被指数NDVI提取；②比值植被指数RVI提取；③增强植被指数EVI提取；④植被指数计算器 *** 作。

三、实验要求

①掌握植被指数概念及意义；②了解归一化植被指数（NDVI）、比值植被指数（RVI）和增强植被指数（EVI）的计算公式及意义；③利用植被指数计算器对桂林市Landsat-5 TM 遥感影像进行植被指数计算。编写实验报告。

四、技术条件

①微型计算机：②桂林市Lands ta-5 TM 遥感影像；③ENVI软件；④ACDSee软件（ver40以上）。

五、实验步骤

植被指数（Vegetation Indices，简称VI），是一种通过多波段遥感数据组合运算获得的，能够定量反映地面植被综合信息分布状况的数字参数。按照不同的数学物理模型设计，有多种植被指数算法，因而有不同的植被指数。它们各有其应用侧重面。本次实验只做三种用得较为普遍的植被指数，即归一化植被指数NDVI、比值植被指数RVI和增强植被指数EVI。这三种植被指数的公式已在“遥感地质学”课程中讲过，在此不赘述。在学习和使用植被指数时必须有一些基本的认识。

（1）健康的绿色植被在NIR 和R的反射差异比较大（图23-1），原因在于R对于绿色植物来说是强吸收的，NIR则是高反射、高透射的；

图23-1 植被光谱特征

（2）建立植被指数的目的是有效地综合各有关的光谱信号，增强植被信息，减少非植被信息；

（3）植被指数有明显的地域性和时效性，受植被本身、环境、大气等条件的影响。

所有的植被指数要求从高精度的多光谱或者高光谱反射率数据中计算，未经大气校正的辐射亮度或者量纲为一的DN值数据不适合计算植被指数。本次实验选择桂林市Landsat-5 TM遥感影像，对比较常用的几种植被指数进行计算，具体 *** 作步骤如下。

1辐射校正

对桂林市Landsat-5 TM 遥感影像进行辐射校正，辐射校正方法参考本书“实验十九遥感图像辐射校正”。

2归一化植被指数（NDVI）

归一化植被指数（Normalized Difference Vegetation Index，简写为NDVI），增加在近红外波段范围绿叶的散射与红色波段范围叶绿素吸收的差异，在植被茂密时灵敏度会降低，常用于检测植被生长状态、植被覆盖度等，计算公式为

NDVI=（NIR-R）/（NIR+R）（23-1）

式中：NIR为近红外波段的反射率；R为红光波段的反射率。NDVI值的范围是－1～1，负值表示地面覆盖有云、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，一般绿色植被区的范围为02～08。

对于Landsat-5 TM 遥感影像TM3 062～069μm为红波段，TM4 076～096μm为近红外波段。

3比值植被指数（RVI）

比值植被指数（Ratio Vegetation Index，简写为RVI），在近红外波段范围绿叶的散射与红色波段范围叶绿素吸收的比值，在植被茂密时灵敏度会降低，其计算公式为

RVI=NIR/R （23-2）

RVl值的范围是0～30，绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。一般绿色植被区的范围为2～8。

对于Landsat-5 TM 遥感影像TM3 0,62～0,69μm 为红波段，TM4 076～096μm 为近红外波段。

4增强植被指数（EVI）

增强植被指数（Enhanced Vegetation Index，简写为EVI），通过加入蓝波段以增强植被信号，解决土壤背景和大气气溶胶散射对茂密植被的影响，常用于植被茂密区域，计算公式为

遥感地质学实验教程

EVI值的范围是－1～1，一般绿色植物区的范围为02～08。

对于Landsat-5 TM 遥感影像TM3 062～069μm 为红波段，TM 4 076～096μm 为近红外波段，TM1 045～052μm 为蓝波段。

5植被指数计算器

ENVI提供植被指数计算器，它可以根据输入图像的波段情况，选择能够计算的植被指数，并提供生物物理学交叉检验功能，能够提高植被指数的计算精度。

输入的图像必须包含中心波长信息，必须经过辐射校正。由于阴影区没有足够光能量，阴影区域的植被指数往往不准确。对于经过FLAASH 大气校正的桂林市Landsat-5 TM 遥感数据，植被指数计算器的 *** 作如下：

（1）在ENVI主菜单栏中选择“Spectral>Vegetation Analysis>Veget ation Index Calcularot”，在数据输入对话框中选择经过了FLAASH大气校正的桂林市Landsat-5 TM 遥感数据，点击OK按钮，打开“Vegetation Indices Parameters”对话框（图23-2）。

图23-2 植被指数参数设置对话框

（2）在“Vegetation Indices Parameters”对话框中，“Select Vegetation Indices”列表中显示这个数据能够计算的所有植被指数，可以根据实际需要进行选择。

（3）生物物理学交叉检验功能（Biophysical Cross Checking）：默认为“On”，如果要将计算得到的植被指数用于植被分析工具，则选择“Off”。

（4）选择输出路径及文件名，单击OK按钮，执行植被指数计算。

6结果记录

利用植被指数计算器对桂林市Landsat-5 TM 遥感影像进行植被指数计算，比较几种植被指数模型对植被信息提取效果，用W ORD文档记录，取名为《不同植被指数模型对植被提取效果比较》，存入自己的工作文件夹。

六、实验报告

（1）简述实验过程。

（2）回答问题：①辐射校正在植被指数计算中有何作用？不进行辐射校正就进行植被指数计算可以吗？为什么？②根据归一化植被指数NDVI、比值植被指数RVI和增强植被指数EVI的数学模型，并结合其图像，分析这三种遥感植被信息的差异与特点。

实验报告格式见附录一。

一、实验目的

采用ENVI软件的缨帽变换功能，从Landsat-5 TM 遥感影像数据中提取陆地表面的亮度（反映地表干燥程度和平整程度）、绿度（反映地表植被发育程度）和湿度（反映地表潮湿、含水程度）三种环境信息。该三种遥感陆表环境信息对区域环评具有辅助指示意义。

二、实验内容

运用ENVI软件的缨帽变换功能，分别从桂林市陆地卫星Landsat-5 TM遥感数据中提取三种陆地表面环境信息：①亮度信息；②绿度信息；③湿度信息。

三、实验要求

①预习缨帽变换的原理；②了解亮度信息、绿度信息和湿度信息这三种遥感环境信息的含义；③掌握运用缨帽变换提取这三种遥感环境信息的ENVI基本 *** 作；④编写实验报告。

四、技术条件

①微型计算机；②桂林市Landsat-5 TM 遥感影像；③ENVI软件；④ACDSee软件（ver40以上）。

五、实验步骤

（一）理论准备

缨帽变换是R JKauth和GS Thomas通过分析陆地卫星M SS图像反映农作物和植被生长过程的数据结构后提出的一种经验性的多波段图像的正交线性变换，又称K-T变换。1984年，Crist和Cicone提出了TM数据在K-T变换时的变换矩阵C:

遥感地质学实验教程

在此矩阵中，主要是针对TM的1～5波段和第7波段，低分辨率的热红外波段（第6波段）不予考虑。缨帽变换的计算公式如下：

Y = CX （24-1）

其中，X=（x1,x2，…，x6）是TM的第1～5波段和第7波段，Y=（y1,y2，…，y 6）。

第一分量y1为亮度，是TM 的6个波段的加权和，反映了地物总体的反射值，对应遥感地物的干燥度；

第二分量y2为绿度，从变换矩阵C 的第二行系数看，波段较长的红外波段5和7有很明显的抵消，剩下的4与1,2,3波段刚好是近红外与可见光部分的差值，反映了绿色生物量的特征：

第三分量y3与土壤特征及湿度有关，这个分量反映了可见光至近红外波段（TM1～4）与波长较长的红外波段TM5和TM7的差值，而TM5和TM7两波段对土壤湿度和植被最为敏感，主要反映出湿度特征。

使用缨帽变换可以对Landsat MSS、Landsat-5 TM、Landsat-7 ETM＋数据进行变换。以下是对桂林市Landsat-5的TM影像数据进行变换的具体 *** 作步骤。

（二）缨帽变换 *** 作

打开经过辐射校正的桂林市Landsat-5 TM1～7波段的遥感影像数据文件（辐射校正方法参考实验十九），对这7个波段数据进行“捆绑”处理，具体步骤如下：

（1）打开7个波段数据，在主菜单“File”的下拉菜单中，打开“Save As”，在右拉菜单中，选“ENVI Standard”， *** 作如图24-1所示。

图24-1 执行“File/Save File As/ENVI Standard” *** 作

（2）执行完步骤（1）后，出现“New File Builder”窗口，如图24-2所示，从中选择“Memory”，再点击“import File…”按钮，出现生成新输出文件窗口，其中右框里为形成的捆绑图像的相关参数，左框里为捆绑图像文件名。用鼠标点捆绑图像文件名，该文件名背景返蓝色，灾点击OK按钮，如图24-3所示。

图24-2 选择“Memory”，输出图像到存储器（Available Bands List）

图24-3 在生成新文件输出窗口显示形成的捆绑图像文件参数

（3）屏幕回到“Available Bands List”显示波段列表窗口，与图24-1打开的“Available Bands List”窗口相比，在此窗口中，原先输入的原始波段数据移动到窗口下方，而在窗口上方出现一组新的波段数据，这就是经捆绑的7 个波段的图像数据，如图24-4所示

（4）执行缨帽变换：在总菜单中，打开变换“Transform”的下拉菜单，如图24-5所示，用鼠标选其最下部的“Tasseld Cap”（缨帽变换）命令，出现缨帽变换输入文件窗口（Taslsed Cap Transform Input File），如图24-6 所示。鼠标选位于其左框最上方的存储器名，按OK按钮，执行完对捆绑6个波段图像的缨帽变换处理，出现缨帽变换参数（Tasslcd Cap Transform Paramaters）窗口，如图24-7所示。

图24-4 窗口上方为经过捆绑的6个波段的图像数据

（5）在图24-7的缨帽变换参数框中，选择存储器Memory，鼠标点击OK按钮，输出缨帽变换结果到存储器，出现“Available Bands List ”波段列表窗口，如图24-8所示。其中从上到下分别是：Brightness是缨帽变换的亮度分量，主要反映地表的起伏平整信息；Greenness是缨帽变换的绿度分量，主要反映地表的植被覆盖疏密厚薄信息：Wetness是缨帽变换的湿度分量，主要反映地表含水程度信息。而Fourth、Fifth和Sixth分别是缨帽变换的第四、第五和第六分量，通常在陆表生态环境遥感分析中不采用。

图24-5 在变换“Transform”的下拉菜单中，选择缨帽变换命令“Taslsed Cap”，执行缨帽变换

图24-6 缨帽变换输入文件窗口

图24-7 将缨帽变换结果存入存储器 *** 作窗口

图24-8 在“Available Bands List”波段列表窗口中显示的缨帽变换的6个分量排列

（6）显示缨帽变换结果图像：在“Available Bands List”波段列表窗口中，用打开单波段图像相同的 *** 作，分别将Brighness、Greenness和Wetness图像打开，分别得到这三个陆表生态环境参数的图像，如图24-9所示。理论上，三幅图像是对地表平整状态、植被覆盖状态和干湿状态信息的反演结果，因此可以为影像区的环境评价提供参考。

图24-9 桂林市Ladnsta-5 TM 数据缨帽变换（从左至右依次为亮度、绿度及湿度信息）

六、实验报告

简述实验过程。

回答问题：①为何在进行缨帽变换前要做辐射校正？②利用缨帽变换从TM 数据中提取地表的亮度、绿度和湿度信息的依据是什么？③对获得的桂林市TM 亮度、绿度和湿度信息专题图进行分析，解释其揭示反映出哪些地表环境问题？

实验报告格式见附录一。

以上就是关于遥感数据及其处理全部的内容，包括:遥感数据及其处理、我用决策树法和面向对象法进行土地利用遥感信息提取，想要用到ENVI和Eco...,我想知道具体实现步骤。、实验二十三 遥感图像植被指数提取等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！