VS2010+GDAL+openCV的遥感图像K均值算法的实现和植被指数的计算

3.3植被指数计算

图5 依次为NDVI， RVI， DVI和SAVI

由图5的第1,2,4图得知，不同的植被指数均能在不同方面显示植被的分布情况以及植被覆盖度的大小。图中绿色越亮的区域植被覆盖度越高，绿色越暗的区域植被覆盖度越低，灰度区域没有植被覆盖。图5的第3幅图显示的灰度图表明：灰度值越大即越亮的区域植被覆盖度越高，越暗的区域植被覆盖度越低，超过某一个阈值之后，没有植被覆盖。同时，设置显示绿色的不同阈值也将得到不同覆盖度的植被分布情况。

另外，对一幅4波段，16位的影像进行植被指数的计算，结果如图：

9

图6单通道（4）影像，多通道（4,1,3）影像，NDVI，RVI，DVI，SAVI结果

4 讨论和总结

由为期一周的编程实习，我们学习到了很多知识。首先就是加深理解了第一周使用ERDAS软件进行实习的过程，巩固了《遥感原理与应用》教材上的理论知识，更进一步了解了有关植物植被指数方面的知识，如何计算不同的植被指数，植被指数的可视化以及分析过程和K均值聚类的过程，初步学会使用GDAL库和openCV库等强大的处理工具处理遥感影像。在实习过程中提升了我们编程的能力，使我们养成不断发现问题、解决问题的习惯，能够使用不同的途径解决一些基本问题的能力等。在实习过程中，有所感悟的是，首先要明确编程的任务，要落实每天编程的小任务，万万不能拖拉，本末倒置等，要注重算法的健壮性，保证程序在任何情况下都能正常运行。

对实习的建议：我们实习的目的是为了更好的理解和和掌握对处理遥感图像的算法过程的理解，如对图像进行色彩空间变换、形态学处理、变化检测、基于多项式几何纠正、影像镶嵌、影像融合、各种聚类算法以及小波变换等，限于时间，建议指导老师能够帮助我们建立读取、显示、保存图像的框架结构，使我们更加集中精力在图像处理的算法上面。同时，实习每每放在期末复习月，可以适当降低一点难度，使我们有更多的时间去复习等。

10

参考文献

[1] 魏飞明.基于对象信息的遥感影像分类研究.成都：电子科技大学，2008. [2] 孙家抦.遥感原理与应用（第三版）.武汉：武汉大学出版社，2013.6

11