多波段 “均值标准距”的计算
核心算法
基本流程
1、多波段均值影像:
erdas model/function/statistical/MEAN ( <arg1> , <arg2> , <arg3> , ... )
2、多波段标准差影像:
erdas model/function/statistical/SD ( <arg1> , <arg2> , <arg3> , ... )
3、水体样本点在多波段均值/标准差影像上的像元值:
arcgis/arctool/…/“Extract Multi Values to Points”
4、生成多波段均值标准距影像:
erdas model/function/conditional/ EITHER <arg1> IF ( <test> ) OR <arg2> OTHERWISE
(Note:单波段均值标准距影像的生成方法与此相同)
具体操作
1.组合波段
首先将遥感图像的几个波段使用ERDAS -->Raster–>Spectral–>Layer Stack,将遥感图像所有波段组合,便于选择特定波段来寻找特征地物。
2.绘制采样点
在Arcgis中导入生成的遥感影像图,首先使用绘图工具绘制一个采样点,再使用图形转要素从而生成点要素,这样避免了坐标系不一致的问题。打开编辑器开始编辑,绘制采样点,填写名称字段下的值,保存编辑。然后添加一个采样人字段(Text类型),填写对应属性。然后将其他成员所绘制的采样点进行拼接,使用Arcgis --> ArcToolbox -->Data Management tools -->General -->Append 来拼接属性表。
3.挑选特征波段
由于研究的特征地物为耕地,属于植被类型,经查阅参考文献后,选取最能凸显植被特征三个指数,分别为NDVI,红波段与近红外波段。
4.输出NDVI图像
首先生成NDVI图像,在ERDAS中制作模型,输入之前合成的全波段影像,将图像转换为浮点型,然后选取红波段和近红波段对应的序号进行函数运算,输出浮点型遥感影像,核心算法与模型如下。
图中算式为 ( n 3 m e m o r y ( 5 ) − n3_memory(5)- n3memory(5)−n3_memory(4)) / ( n 3 m e m o r y ( 5 ) + n3_memory(5)+ n3memory(5)+n3_memory(4))
5.特征波段组合并输出均值与标准差影像
将NDVI图像和红波段近红外波段三者进行组合,接下来输出该图像的均值影像与标准差影像,由于涉及到除法运算,将输出格式设置为浮点型。模型以及核心算法如下,
标准差图像生成同理可得
6.给采样点赋值并计算其均值与标准距
使用Arcgis/arctool/…/“Extract Multi Values to Points”来得到样本点在均值影像和标准差影像上的像元值,然后利用统计工具得到采样点的均值和标准差并记录,输出结果如下(注意,sd计算取值为标准差影像的平均值)
7.生成均值标准距影像
在ERDAS中制作模型生成均值标准距的影像,导入均值影像和标准差影像,根据算法设计函数,为了避免异常像元的影响,需要添加一个条件判断语句,并将异常像元设置为负值。输出图像格式选择浮点型,并且忽略负值。最终生成的影像如下。
8.与其他特征地物影像对比
使用建筑的均值标准距影像图并使用卷帘式(swipe)对比,对比效果图如下。
总结
生成的均值标准距影像中,目标地物的颜色最深,像元值最小,使得目标地物得以与其他地物进行区分
注意:如果函数表达式中有除法运算,输出图像尽量选择浮点型进行输出,否则可能出现类型转化的错误导致输出图像错误。同时也可添加条件筛选语句避免错误像元干扰。