多波段 “均值标准距”的计算

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 ($n{3}_{m}emory(5)-$n3_memory(4)) / ($n{3}_{m}emory(5)+$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。