目录
一、前言
二、数据下载
第一步 访问 站
第二步 登录账户
第三步 点击高级检索， 下载数据
三、软件下载及安装
四、辐射定标
第一步 打开数据
第二步 辐射定标
五、计算区域平均高程
第一步 打开全球DEM
第二步 计算研究区高程
六、大气校正
第一步 打开工具
第二步 设置各种参数
第三步 查看处理结果
七、Landsat8影像介绍
八、监督分类
第一步：类别定义/特征判别
第二步：样本选择
第四步：影像分类
第五步：分类后处理
第六步：精度验证
九、非监督分类
十、NDVI提取
一、前言
本系列文章会介绍在ENVI软件对Landsat-8数据进行辐射定标、大气校正、几何校正、投影转换、图像裁剪与镶嵌、提取NDVI、估算植被覆盖度等操作，内容会逐步利用业余时间添加，暂时只有部分内容，敬请期待，如有不当的地方，欢迎大家批评指正。
先来了解几个概念。
- DN值（Digital Number ）
遥感影像像元亮度值，记录地物的灰度值，无单位，是一个整数值，值大小与传感器的辐射分辨率、地物发射率、大气透过率和散射率等相关。反映地物的辐射率radiance
- 地表反射率
地面反射辐射量与入射辐射量之比，表征地面对太阳辐射的吸收和反射能力。反射率越大，地面吸收太阳辐射越少；反射率越小，地面吸收太阳辐射越多，表示：surface albedo
-
表观反射率
表观反射率就是指大气层顶的反射率，辐射定标的结果之一，大气层顶表观反射率，简称表观反射率，又称视反射率。英文表示为：apparent reflectance
- 行星反射率
太阳辐射被漫射和散射至宇宙
-
辐射校正
Radiometric correction 一切与辐射相关的误差的校正。目的是消除干扰，得到真实反射率的数据。 干扰主要有：传感器本身、大气、太阳高度角、地形等。包括：辐射定标，大气纠正，地形对辐射的影响
- 辐射定标
辐射定标是用户需要计算地物的光谱反射率或光谱辐射亮度时，或者需要对不同时间、不同传感器获取的图像进行比较时，都必须将图像的亮度灰度值转换为绝对的辐射亮度，这个过程就是辐射定标。
- 大气校正
大气校正是指传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映，其中包含了由大气吸收，尤其是散射作用造成的辐射量误差。大气校正就是消除这些由大气影响所造成的辐射误差，反演地物真实的表面反射率的过程。
-
监督分类
监督分类是在分类前人们已对遥感影像样本区中的类别属性有了先验知识，进而可利用这些样本类别的特征作为依据建立和训练分类器（亦即建立判别函数），进而完成整幅影像的类型划分，将每个像元归并到相对应的一个类别中去。换句话说，监督分类就是根据地表覆盖分类体系、方案进行遥感影像的对比分析，据此建立影像分类判别规则，最后完成整景影像的分类；
- 可分性度量
主要涉及J—M距离和变换分散度，都是一种特征空间距离度量方法，是指影像特征矢量与各个类中心的距离，变换分散度是TDivercd=[1-exp(-Divercd/8)],J—M距离J=2*(1-e-B)；
- 最大似然分类法
在两类或多类判决中，假定各类分布函数为正态分布，并选择训练区，用统计方法根据最大似然比贝叶斯判决准则法建立非线性判别函数集，计算各待分类样区的归属概率，而进行分类的一种图像分类方法。
- 混淆矩阵
从随机点位上获取地面参考验证信息，并与遥感分类图进行逐像元比较，然后将结果归纳到混淆矩阵，进而完成混淆矩阵分析。类别精度：被正确分类的类别像元数占该类别训练样本像元数的百分比，包括生产者精度（制图精度）和用户精度，其中制图精度对应漏分误差是指指示需要进行类别补充和训练样本的采集，用户精度对应错分误差是指指示训练样本集存在混合现象，需要进行更加精细的训练样本采集以保证各个类别样本光谱特征上的纯洁性；
Kappa系数：
- 分类后处理——主要/次要分析
输入一个变换核，用变换核中占主要 / 次要地位的像元的类别代替中心像元的类别。
- 分类后处理——类别集群
运用形态学算子将临近的类似分类区域合并集群。首先，将被选的类别用一个膨胀操作集群在一起，然后用参数对话框中指定了大小的变换核对分类图像进行侵蚀操作。
- 分类后处理——类别筛选
观察周围的4个或8个像元，判断一个像元是否与周围的像元同组。如果一类中被分组的像元数少于输入的值，这些像元将被从该类中删除。删除像元后，剩下黑像元（未分类的像元）。
-
非监督分类
二、数据下载
第一步 访问 站
注册账 ，2021年4月21日前后我用QQ没注册成功过，建议大家用平台自带注册功能注册账 。
第二步 登录账户
第三步 点击高级检索， 下载数据
- 选择数据集
- 通过行政区选择空间位置
- 选择时间范围
- 点击检索搜索数据，点击可下载的按钮下载即可
三、软件下载及安装
此处省略…..，我用的软件是ENVI5.3SP1
四、辐射定标
第一步 打开数据
方式一：直接通过file->open,选择xxx_MTL.txt的文件
方式二：通过file->open as->optical sensors->landsat->geotiff with metadata,选择xxx_MTL.txt的文件
第二步 辐射定标
辐射定标是实现遥感信息定量化的基本前提，通常提供给用户的遥感数据都是数字图像，每个像元只有一个像元值（DN, Digital Number的缩写）该值为其覆盖范围内所有地物辐射能量的积分值或平均值。利用像元值只能进行同景图像内部的相对比较，然而全球资源和环境变化研究需要遥感技术能够提供多时域、多区域、多种传感器且相互之间具有可比性的遥感数据。可以通过辐射定标，将图像像元值转换为对应像元的辐射率或者反射率等物理量。
1）在ENVI的Toobox中，选择Radiometric Correction>Radiometric Calibration，选择多光谱数据（MultiSpectral多光谱数据（1~7波段）、Panchromatic 全色波段数据（8波段）、Cirrus卷云波段数据（9波段）、Thermal热红外数据（10，11波段）、Quality质量波段数据（12波段））。
2）设置参数
Calibration Type定标的类型：radiance(辐射率)、reflectance(反射率)、brightness temperatures（亮度温度）
对于Landsat 8数据：
多光谱数据、全色波段数据、Cirrus卷云波段数据可以进行辐射率定标和反射率定标
热红外数据可以进行辐射率定标和亮度温度定标
Output Interleave输出格式；Output Data Type输出数据类型；Scale Factor比例因子，可通过点击Apply FLAASH Settings得到相应的参数。
关于输出的格式：BSQ在图像显示速度上更快，而BIL、BIP在图像处理上又明显优于BSQ格式；另外像FLAASH大气校正是基于像元处理的，BSQ是不满足的，另外像图像融合以及图像的分类等都是基于像元进行处理的
处理多光谱数据
处理的操作如下，点击ok时下面会有一个进度条，坐等结束，此过程中失败了两次，第三次成功了，也不知道什么原因引起的：尽量不要出现中文路径
创建新窗口通过统一低于比较影像变化
五、计算区域平均高程
此方法是后面才学到的，下面的大气校正未采用此方法获取高程
第一步 打开全球DEM
选择File->Open World Data->Elevation，打开ENVI自带的全球900mDEM数据，如下图所示，提示坐标系不一致，需要重新投影
第二步 计算研究区高程
打开工具箱中的Statistics->Compute Statistics，在输入文件对话框中选择GMTED2010.jp2数据，再单击Stats Subset，单击File，选择需要统计高程信息对应的影像区域，然后OK
六、大气校正
遥感所利用的各种辐射能均要与地球大气层发生相互作用:或散射、或吸收，从而使能量衰减，并使光谱分布发生变化。大气的衰减作用对不同的波长的光是有选择性的，因而大气对不同波段的图像的影响是不同的。另外，太阳-目标-遥感器之间的几何关系不同，则所穿越的大气路径长度不同，使图像中不同地区地物的像元灰度值所受大气影响程度不同，且同一地物的像元灰度值在不同获取时间所受大气影响程度也不同。
即使遥感系统工作正常，获取的数据仍然带有辐射误差。两种最重要的环境衰减是1)由大气散射和吸收引起的大气衰减；2）地形衰减。然而，在所有的遥感应用中都进行大气校正可能没有必要。是否进行大气校正，取决于问题本身、可以得到的遥感数据的类型的历史与当前实测大气信息的数据和遥感数据中提取生物物理信息所要求的精度。
有时候可以完全忽略遥感数据的大气影响。例如，对某些分类和变化检测而言，大气校正并不是必须的。理论分析和经验结果都只是有取自某个时间或空间的训练数据需要进行时空拓展时，影像分类和各种变化检测才需要进行大气校正。例如，用最大似然法对单时相遥感数据进行分类，通常就不需要大气校正。只要影像中的用于分类的训练数据具有相对一致的尺度，大气校正与否就对分类精度几乎没有影响。
有时必须对遥感数据进行大气校正。例如，从水体或植被中提取生物物理变量(如：水体中的叶绿素a、悬浮泥沙、温度；植被中生物量、叶面积指数、叶绿素、树冠郁闭百分比)时，就必须对遥感数据进行大气校正。如果数据未经校正，就可能会丢失这些重要成分的反射率(或出射率)的微小差别信息。此外，如果需要将某景影像中提取的生物物理量(如：生物量)与另一景不同时相影像中提取的同一生物量相比较，就必须对遥感数据进行大气校正。
Flaash大气校正：使用MODTRAN 4+辐射传输模型的代码，基于像素级的校正，校正由于漫反射引起的连带效应，包含卷云和不透明云层的分类图，可调整由于漫反射引起的连带效应，包含卷云和不透明云层的分类图，可调整由于人为抑止而导致的波谱平滑。Flaash可对Landsat，SPOT,AVHRR,ASTER,MODIS,MERIS,AATSR,IRS等多光谱、高光谱数据、航空影像及自定义格式的高光谱影像进行快速大气校正分析。能有效消除大气和光照等因素对地物反射的影响，获得地物较为准确的反射率和辐射率、地表温度等真实物理模型参数。
下面介绍多光谱数据FLAASH大气校正
第一步 打开工具，加载数据
- 选择Toolbox/Radiometric Correction/Atmospheric Correction Module/FLAASH Atmospheric Correction，打开FLAASH大气校正工具。
- 文件输入与输出信息项目
点击Input Radiance Image按钮，选择上一步准备好的辐射亮度值数据lzfsdb.dat。
-
在Radiance Scale Factors对话框中选择Use single scale factor for all bands（Single scale factor：1）
第二步 设置各种参数
-
点击Output Reflectance File按钮设置输出路径和文件名；Output Directory for FLAASH Files： 设置其他文件输出目录；
- 传感器基本参数设置
中心点经纬度 Scene Center Location：图像有地理坐标则自动获取,无则需要手动获取。
选择传感器类型 Sensor Type： Landsat-8 OLI， 其对应的传感器高度以及影像数据的分辨率自动读取；
获取该影像区域的平均地面高程 Ground Elevation，前面计算区域平均高程有提到过，我这里实验做得稍微早点，是通过查询兰州的高程获得的，或许对结果有影响，大概1500m，即1.5km
影像成像时间（格林威治时间）：在 layer manager 中的数据图层中右键选择 ViewMetadata，浏览 time 字段获取成像时间（也可以从文件“*_MTL.txt”中找到，具体名称：DATE_ACQUIRED 和 SCENE_CENTER_TIME），这个一般时间会自动获取
-
大气模型参数选择 Atmospheric Model： Mid-Latitude Summer（根据成像时间和纬度信息依据下表规则选择）
- 气溶胶模型 Aerosol Model： Urban；
- 气溶胶反演方法 Aerosol Retrieval： 2-band（K-T）（ 初始能见度 Initial Visibility 只有在气溶胶反演方法为 None 时候， 以及 K-T 方法在没有找到黑暗像元的情况下）
- 其他参数按照默认设置即可
- 多光谱数据参数设置 Multispectral Settings
K-T 反演选择默认模式：Defaults->Over-Land Retrieval standard（600:2100）
- 高级设置 Advanced Settings
- 开始apply，此过程比较漫长，需要耐心等待
第三步 查看处理结果
- 处理结果浏览 选择 Display>Profiles>Spectral 查看典型地物波谱曲线， 如植被、水体等，并与原始文件比较
记录一些常规操作
多个大气矫正结果镶嵌
Seamless Mosaic
参考：【ENVI入门系列】09.图像镶嵌 – ENVI-IDL技术殿堂 – 博客园 (cnblogs.com)
掩膜提取
build mask
apply Mask
按范围提取
subset data from rois
七、Landsat8影像介绍
Landsat TM （ETM+）7个波段可以组合很多RGB方案用于不同地物的解译。
Landsat 8只是在一些空间波谱范围内进行了细微的调整，除了增加了Band 1 Coastal和Band 9 Cirrus外，与Landsat 7相比，Landsat 8将热红外波段拆分为两个，在Landsat 7中，热红外波段的空间分辨率为60m（重采样后为30m）,Landsat 8的对应两个波段的空间分辨率降低为100，但是却细化了光谱信息。这种以空间分辨率为代价增强光谱信息的做法，也体现出了遥感领域的守恒。
Landsat8卫星包含OLI（Operational Land Imager 陆地成像仪）和TIRS（Thermal Infrared Sensor 热红外传感器）两种传感器。OLI包括了ETM+的所有波段，为了避免大气吸收部分特征，OLI对波段进行了重新调整，比较大的调整：
1、OLI Band5(0.845–0.885 μm)，排除了0.825μm处水汽吸收特征；
2、OLI全色波段Band8波段范围较窄，这种方式可以在全色图像上更好区分植被和无植被特征；
3、新增两个波段：海蓝波段 (band 1; 0.433–0.453 μm) 主要应用海岸带观测；短波红外波段，又称卷云波段(band 9; 1.360–1.390 μm) 包含水汽强吸收特征，可用于云检测；
4、近红外band5和短波红外band9与MODIS对应的波段更加接近。
表1是国外公布的OLI波段合成的简单说明。表2是前人在长期工作中总结的Landsat TM（ETM+）不同波段合成对地物增强的效果。对比表3，可以将表1和表2的组合方案结合使用。
表1：OLI波段合成
|
R、G、B |
别名 |
主要用途 |
备注 |
|
4 、3 、2（Red、Green、Blue） |
自然色（Natural Color） |
自然真彩色 |
接近地物真实色彩，图像平淡，色调灰暗 |
|
7、 6 、4（SWIR2、SWIR1、Red） |
假彩色（False Color (urban)) |
城市 |
用于城市监测 |
|
5、 4 、3（NIR、Red、Green） |
红外彩色（Color Infrared (vegetation)） |
标准假彩色图像，植被 |
用于植被相关的监测，植被显示为红色、越健康越亮，地物色彩鲜明，有利于植被（红色）分类，水体识别 |
|
6 、5 、2（SWIR1、NIR、Blue） |
农业（Agriculture） |
农业 |
用于农作物监测，农作物显示为高亮绿、裸地为品红，植被类型丰富，便于植被分类 |
|
7 、6、 5（SWIR2、SWIR1、NIR） |
大气渗透（Atmospheric Penetration） |
穿透大气层 |
对大气层穿透能力较强，例如图像中红色方框内云的影响明显减少 |
|
5、 6、 2（NIR、SWIR1、Blue） |
健康植被（Healthy Vegetation） |
健康植被 |
|
|
5 、6、 4（NIR、SWIR1、Red） |
陆地/水体（Land/Water） |
陆地/水 |
有效区分陆地和水体，水体边界清晰，利于海岸识别；植被有较好显示，但不便于区分具体植被类别 |
|
7、 5 、3（SWIR2、NIR、Green） |
大气去除（Natural With Atmospheric Removal） |
移除大气影响的自然表面 |
具有良好的大气透射 |
|
7 、5 、4（SWIR2、NIR、Red） |
短波红外（Shortwave Infrared） |
短波红外 |
|
|
6、 5 、4（SWIR1、NIR、Red） |
植被分析（Vegetation Analysis） |
植被分析 |
|
| 6、3、2（SWIR1、Green、Blue） | 突出裸露地表的一些景观 | ||
| 5、7、1（NIR、SWIR2、Coastal） | 有效监测植被和水体 |
表2：Landsat TM波段合成总结说明
|
R、G、B |
类型 |
特点 |
|
3、2、1 |
真假彩色图像 |
用于各种地类识别。图像平淡、色调灰暗、彩色不饱和、信息量相对减少。 |
|
4、3、2 |
标准假彩色图像 |
它的地物图像丰富，鲜明、层次好，用于植被分类、水体识别，植被显示红色。 |
|
7、4、3 |
模拟真彩色图像 |
用于居民地、水体识别 |
|
7、5、4 |
非标准假彩色图像 |
画面偏蓝色，用于特殊的地质构造调查。 |
|
5、4、1 |
非标准假彩色图像 |
植物类型较丰富，用于研究植物分类。 |
|
4、5、3 |
非标准假彩色图像 |
（1）利用了一个红波段、两个红外波段，因此凡是与水有关的地物在图像中都会比较清楚；（2）强调显示水体，特别是水体边界很清晰，益于区分河渠与道路；（3）由于采用的都是红波段或红外波段，对其它地物的清晰显示不够，但对海岸及其滩涂的调查比较适合；（4）具备标准假彩色图像的某些点，但色彩不会很饱和，图像看上去不够明亮；（5）水浇地与旱地的区分容易。居民地的外围边界虽不十分清晰，但内部的街区结构特征清楚；（6）植物会有较好的显示，但是植物类型的细分会有困难。 |
|
3、4、5 |
非标准接近于真色的假彩色图像 |
对水系、居民点及其市容街道和公园水体、林地的图像判读是比较有利的。 |
表3： OLI陆地成像仪和ETM+对照表
|
OLI陆地成像仪 |
ETM+ |
||||
|
序 |
波段(μm) |
空间分辨率 (m) |
序 |
波段(μm) |
空间分辨率 (m) |
|
1 |
0.433–0.453 |
30 |
|||
|
2 |
0.450–0.515 |
30 |
1 |
0.450–0.515 |
30 |
|
3 |
0.525–0.600 |
30 |
2 |
0.525–0.605 |
30 |
|
4 |
0.630–0.680 |
30 |
3 |
0.630–0.690 |
30 |
|
5 |
0.845–0.885 |
30 |
4 |
0.775–0.900 |
30 |
|
声明：本站部分文章及图片源自用户投稿，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！
渗透测试的本质与沉思
上一篇
2023年1月4日
Windows开发环境常用软件推荐
下一篇
2023年1月4日
|
|||||