《遥感原理与应用》实习报告.doc

植被指数和变化检测 影像融合 《遥感原理与应用》实习报告 班级： 小组成员： 【摘要】 通过为期一周的实习，笔者思考研究了计算RVI、ND、DVI等植被指数，基于像素光谱的变化检测，均值滤波、中值滤波、高斯平滑等图像增强以及利用不同算子进行边缘检测的算法原理与程序实现。通过自主选择实验参数、确定实验方案、设计程序，解决过程中的问题，直至得出正确的结果和结论，激发了创新思维，提高了创新能力和实践能力。本文就以上所列算法进行了阐述和展示。 植物叶面在可见光红光波段（R）有很强的吸收特性，在近红外波段（NIR) 有很强的反射特性，这是植被遥感监测的物理基础，通过这两个波段测 值的不同组合可得到不同的植被指数。比值植被指数RVI=NIR/R，绿 色健康植被覆盖地区的RVI远大于1，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）RVI在1附近。归一化植被指 NDVI=(NIR-R)/(NIR+R)-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。差值环境植被指数 DVI=NIR-R，正值表示植被覆盖，随覆盖度增大而增大。调整土壤亮 度植被指数SAVI=((NIR-R)/(NIR+R+L))(1+L)，L是根据实际情况确定 的土壤调节系数，取值范围0~1。L=0时，表示土壤背景的影响为零， 即植被覆盖度非常高，土壤背景的影响为零，这种情况只有在被树冠浓 密的高大树木覆盖的地方才会出现。 （二）基于像素光谱的变化检测 变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征与过程，先获得两幅通用地点不同时间图像的差异图像，再对差异图像进行处理，将像素点分成变化和无变化两类。小组选择了差值法做变化检测。对于设置阈值最后生成二值图像的做法，我们小组并不是很认同，就如同植被检测时也要考虑植被的茂密程度一样，变化检测的目的不应局限于“是否发生变化”，所以我们组未添加阈值。 （三）非加权融合 对于一张高分辨率遥感影像与一张多光谱遥感影像，在经过重采样之后按照0.5，0.5的权值进行分配，将两张影像融合起来。 （四）加权融合 目前，数据融合理论己广泛应用于状态估计领域，其中加权融合算法 又是较为成熟的一种，许多研究结果己经证明该算法的最优性、无偏 性、均方误差最小等特性。加权融合算法的关键在于权系数的确定， 基于像元的加权融合对两幅图像Ii,Ij按下式进行： Iij=A（Pi*Ii+Pj*Ij）+B （1） 其中：A，B为常数；Pi，Pj为两个图像的权，其值由下式决定： Pi=（1-|rij|）?0.5 Pj=1-Pi ri,j为两幅图像的相关系数：（计算公式同式（2）） 在对SPOT全色图像与其多光谱图像的融合时，由于多光谱中的绿、 红波段与全色波段相关性较强，而与红外波段相关性较小，可以采用 全色波段图像与多光谱波段图像的相关系数来融合。其过程如下： 分别计算全色波段与多光谱波段图像的相关系数； （2） 其中： 全色波段与多光谱波段（j=1，2，3）图像的相关系数；PKL 为全色波段（K，L）的像素灰度值； 为全色波段图像灰度平均值； SkLj为第j波段图像在（K，L）处的像素灰度值； 为第j波段图像灰度平均值。 之后用全色波段图像和多光谱波段图像按下式组合。 其中：Gj就是SPOT全色图像与多光谱图像的其中一个波段融合以后 的图像。 这种算法的优点在于简单易行,基本体现出了TM的多光谱信息及SPOT的高分辨率信息。 （五）基于HIS变换的影像融合 HIS变换将图像常用的RGB彩色空间变换到HIS空间。HIS空间用亮度I，色调H，饱和度S表示。基于HIS变换的影像融合只在亮度通道上进行，色调和饱和度保持不变。再进行HIS到RGB的逆变换，得到新图像。 将高分辨率影像的亮度信息给予多光谱的影像，使获得的影像同时具有高分辨率与色彩信息。 RGB to HIS HSI to RGB 当H在[0,120]之间 当H在[120,240]之间 当H在[240,360]之间 算法设计 文件的打开和读取 分波段打开图像，首先获取屏幕及图像的大小 分配内存 利用GDAL库中的GetRasterBand（n）；读入第n波段的影像数据 利用GDAL库中的RasterIO将该波段的像素的灰度值传给数组 处理完成后用CClientDC类，用3个波段的值作为RGB在屏幕中绘制出来 16位到8位的处理。自己自行编