文档介绍：中国地质大学(武汉)
模式识别实验报告

姓名:
班级:
学号:
指导老师:马丽
遥感图像处理
实验内容:
一学****使用ENVI
使用ENVI打开遥感图像(任选3个波段合成假彩***像,保存写入报告)
会查看图像的头文件(保存或者copy至报告)
会看地物的光谱曲线(保存或者copy至报告)
进行数据信息统计(保存或者copy至报告)
设置ROI,对每类地物自己添加标记数据,并保存为ROI文件和图像文件(CMap贴到报告中)。
使用自己设置的ROI进行图像分类(ENVI中的两种有监督分类算法)(分类算法名称和分类结果写入报告)
最小距离(Minimum Distance):利用训练样本数据计算出每一类的均值向量和标准差向量,然后以均值向量作为该类在特征空间中的中心位置,计算输入图像中每个像元到各类中心的距离,到哪一类中心的距离最小,该像元就归入到哪一类。
马氏距离(Mahalanobis Distance):计算输入图像到各训练样本的马氏距离(一种有效的计
算两个未知样本集的相似度的方法),最终统计马氏距离最小的,即为此类别。
二 MATLAB处理遥感数据(提交代码和结果)
用MATLAB读入遥感数据(zy3和DC两个数据)
8. 用MATLAB读入遥感图像中ROI中的数据(包括数据和标签)
9. 把图像数据m*n*L(其中m表示行数,n表示列数,L表示波段数),重新排列为N *L的二维矩阵(其中N=m*n ),其中N表示所有的数据点数量m*n。(提示,用reshape函数,可以help查看这个函数的用法)
10. 计算每一类数据的均值(平均光谱),并把所有类别的平均光谱画出来(plot)(类似下面的效果)。
11. 画出zy3数据中“农作物类别”的数据点(自己ROI标记的这个类别的点)在每个波段的直方图(matlab函数:nbins=50; hist(Xi,nbins),其中Xi表示这类数据在第i波段的数值)。计算出这个类别数据的协方差矩阵,并画出(figure, imagesc(C), colorbar)。
% 读遥感数据,以及读入带标签的数据
clear all
% read the data zy3sample1
Img = multibandread('zy3sample1',[400,400,4],'float',0,'bsq','n',{'Band','Direct',[1:4]});%将高光谱数据读入
GT = multibandread('123',[400,400,1],'uint8',0,'bsq','n',{'Band','Direct',[1:1]});%将ground truth读入(也就是带标签的CMap或说ROI信息读入)
test_class=1:4;
C=length(test_class);
NbRow=400;
NbCol=400;
NbDim=4;
dataname='zy3';

% 第一种方式读入带标签数据
[X,Y]=ExtractDataFromROI(Img, GT);
% 或者自己写程序,根据Img和GT来读带标签数据。
X=[];Y=[];
for i=1:NbRow
for j=1:NbCol
if GT(i,j)~=0 %% 表明是带标签的数据
data=Img(i,j,:);
data=reshape(data,1,NbDim);
X=[X;data];
Y=[Y;GT(i,j)];
end
end
end
% 计算平均光谱
img1=reshape(Img,NbRow*NbCol,NbDim);
T=1:5;
s=zeros(4,4);
c=length(find(Y==1));
T(2)=c;
for i=3:5
T(i)=T(i-1)+length(find(Y==(i-1)));
end
for j=1:4
for m=1:4
s(m,j)=sum(X(T(m):T(m+1),j))/(T(m+1)-T(m));
end
end
figure(5);
plot(s);
%画直方图和求协方差矩阵
nbins=50;
figure(1);
hist(X(T(1):T(2),1),nbins);
figure(2);
hist(X(T(1):T(2),2),nbins);
figure(3);
hist(X(T(1):T(2),3),nbins);
figure(4);
hist(X(T(1):T(2),4),nbins);
C=cov(X);
figure(6);
im