Добавил:
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:

ГИС лабы / ГИС 5

.docx
Скачиваний:
10
Добавлен:
15.03.2019
Размер:
1.66 Mб
Скачать

Министерство образования и науки Российской Федерации

Федеральное государственное бюджетное образовательное учреждение высшего образования

Российский государственный гидрометеорологический университет

(РГГМУ)

Кафедра ЭФА

Отчет по лабораторной работе

по дисциплине «Геоинформационные системы»

«Исследование методов автоматизированной классификации спутниковых изображений с обучением в ГИС IDRISI-Kilimanjaro»

Выполнил: ст. гр. ПМ-Б15-1-3

Скачков И.В.

Проверил: доцент каф. ЭФА

Сероухова О.С.

Санкт-Петербург 2018

Задача работы: Провести классификацию снимка image.rst тремя методами автоматизированной классификации с обучением: MINDIST (метод минимального расстояния до среднего), MAXLIKE (метод максимального правдоподобия) и PIPED (метод параллелепипеда).

Рис 1. Применения модуля Digitize для оцифровки полигонов.

Рис 2. Искомое изображения с полученными полигонами.

Рис 3. Применение модуля MAKESIG для обозначения всех площадок на снимках.

Рис 4. Модуль для создания гистограммы.

Рис 5. Гистограмма для созданных обучающих выборок.

Рис 6. Модуль для оценки качества обучающих выборок.

Рис 7. Сравнение сигнатур.

Рис 8. Модуль MINDIST для метода минимального расстояния до среднего (без нормирования).

Рис 9. Полученное изображения для модуля MINDIST (Raw).

Рис 10. Модуль MINDIST для метода минимального расстояния до среднего (с нормированием).

Рис 11. Полученное изображения для модуля MINDIST (Normalized).

Рис 12. Модуль MAXLIKE для классификации спутниковых изображений методом максимального правдоподобия.

Рис 13. Полученное изображение при помощи команды MAXLIKE.

Рис 14. Модуль PIPED для метода классификации по параллелепипеду.

Рис 15. Полученное изображение с помощью команды PIPED.

Рис 16. Модуль команды OVERLAY для сравнения результатов классификация с эталонным изображением landcov.

Рис 17. Сравнение landcov с изображением для метода минимального расстояния до среднего (с нормированием).

Рис 18. Сравнение landcov с изображением для метода минимального расстояния до среднего (без нормирования).

Рис 19. Сравнение landcov c изображением для метода классификации спутниковых изображений методом максимального правдоподобия.

Рис 20. Сравнение landcov c изображением для метода классификации по параллелепипеду.

Рис 21. Полученная гистограмма по разности изображений landcov и normska.

Рис 22. Полученная гистограмма по разности изображений landcov и maxska.

Рис 22. Полученная гистограмма по разности изображений landcov и rawska.

Рис 23. Полученная гистограмма по разности изображений landcov и pipedska.

Рис 24. Модуль RECLASS для получения участков изображения для метода минимального расстояния до среднего (с нормированием).

.

Рис 25. Полученное изображение.

Рис 26. Модуль RECLASS для получения участков изображения.

Рис 27. Полученное изображение.

Рис 28. Применение модуля OVERLAY для сложения двух получившихся изображений.

Рис 29. Получившиеся изображение в новой палитре.

Рис 30. Модуль AREA для вычисления площади участков.

Рис 31. Получившиеся значения участков.

Вывод: Результат метода минимального расстояния до среднего (с нормированием) получился самым наилучшим, так как при сравнении с эталонной картой landcov на получившийся гистограмме количество нулей наибольшее(22500), в то время как на других гистограммах количество нулей составляет меньшее значение - (17000) для остальных методов. Значения участков воды с помощью модуля AREA (не найденных-252 пикселей, лишних-5 пикселей, 454 пикселей-найденых).

Соседние файлы в папке ГИС лабы