7. Выбираем из главного меню ENVI 4.4 классификацию без обучения
ISODATA и K-Means.
Выбираем файл и задаем параметры классификации.
Параметры ISODATA Параметры K-Means
12. Выбираем вид классификации, задаем параметры, имя выходного
файла и нажимаем ОК. Для предварительной оценки результатов
классификации, используем функцию Preview.
Parallelepiped
18. По результатам классификации создаем векторный слой,
соответствующий водным объектам. Для этого в главном меню выбираем
Vector->Classification to Vector. В появившемся окне указываем файл с
результатом классификации и нажимаем ОК.
19. Выбираем класс, переводимый в векторную форму и задаем имя выходного
файла. В окне Available Vector List выделяем векторный слой с результатом
классификации, нажимаем Load Selected. Выбираем окно с растровым
изображением, на которое накладываем сформированный векторный слой.
20. В окне Vector Parameters выбираем Options->Vector Information и нажимаем
Apply. Открываем окно с изображением и активируем выведенный
векторный слой для определения его площади.
22. Вычисляем вегетационный индекс NDVI. Для этого в главном меню ENVI
выбираем Transform->NDVI. В качестве файла указываем созданный на
предыдущем занятии мультиспектральный снимок Landsat 7 ETM+.
23. Таблица соответствия типов объектов и значений NDVI
Отражение в Отражение в
красной инфракрасной
Тип объекта Значение NDVI
области области
спектра спектра
Густая
0.1 0.5 0.7
растительность
Разряженная
0.1 0.3 0.5
растительность
Открытая почва 0.25 0.3 0.025
Облака 0.25 0.25 0
Снег и лед 0.375 0.35 -0.05
Вода 0.02 0.01 -0.25
Искусственные
материалы
0.3 0.1 -0.5
(бетон,
асфальт)
24. С помощью инструмента Cursor Location/Value определяем значение
NDVI на заданном участке. Используя таблицу соответствия типов
объектов и значений NDVI, определяем участки не покрытые лесом.
25. Открываем снимки со спутников SPOT 5 и ALOS. Находим на них тот же
участок. Для уменьшения времени обработки вырезаем из снимков
начального и конечного состояний интересующие нас фрагменты
изображения. Для этого используем инструмент Basic Tools->Subset Data via
ROIs
27. Приводим изображение начального состояния к проекции изображения
конечного состояния. Для этого в главном меню ENVI выбираем Map-
>Convert Map Projection
28. Производим привязку изображения начального состояния к изображению
конечного состояния.
В главном меню ENVI выбираем Map->Registration->Select GCPs Image to
Image. В появившемся окне в качестве Base Image выбираем
изображение конечного состояния, в качестве Warp Image – изображение
начального. Выбирая различные точки на изображениях, добиваемся
того, чтобы ошибка привязки (RMS Error) была меньше 1.
29. Изображение Изображение Изображение
начального состояния начального состояния, начального
приведенное к состояния,
проекции изображения привязанное к
конечного состояния изображению
конечного состояния
32. Для выполнения процедуры поиска изменений, выберем в главном
меню ENVI Basic Tools->Change Detection->Compute Difference Map.
В качестве изображения начального состояния (Initial State) укажем
обработанное изображение со спутника SPOT 5, а в качестве
изображения конечного состояния (Final State) – изображение со
спутника ALOS.
33. Для того, чтобы изменить правило поиска изменений, выберем Define
Class Threshold. При определении изменений на основе разности в
яркости пикселей, в качестве порогов задаем значения, соответствующие
разнице значений пикселей лесного покрова и вырубленных участков.
34. Переводим результаты работы алгоритма в векторную форму и
накладываем на изображения начального и конечного состояний.
Проверяем правильность работы алгоритма. При необходимости
изменяем правило работы алгоритма.
Карта изменений Изображение Изображение
начального состояния с конечного состояния с
наложенной на него наложенной на него
векторной картой векторной картой
изменений изменений