《资源环境信息技术实验指南(2013-2014第2学期).docx》由会员分享，可在线阅读，更多相关《资源环境信息技术实验指南(2013-2014第2学期).docx（34页珍藏版）》请在三一文库上搜索。
1、.资源环境信息技术实验指南-使用ENVI软件平台1. 界面系统介绍22. 文件的存取与显示23. 图像预处理34. 影像分析5影像统计分析5图像增强 (Image:Enhance)5专题信息提取65. 定义感兴趣区(ROI)及分类6监督分类（Supervised Classification）6非监督分类（Unsupervised Classification）86. 分类后处理（Post Classification）97.制图输出10图形的整饰10图形输出108.图像存取的举例说明11ENVI（The Environment for Visualizing Images）Version 4
2、.6.2 ,由美国系统研究公司（Research System INC.）开发。1. 界面系统介绍1. 主菜单： 菜单项，File、Basic Tool、Classification、Tranform、Spectral实习所涉及的（粗略介绍）2. Help 工具的使用3. 主菜单设置（preferences）：内存设置2. 文件的存取与显示1 图像显示由一组三个不同的图像 窗口组成：主图像窗口、滚动窗口、缩放窗口。1） 主图像Image窗口：（400*400） 100显示（全分辨率显示）scroll的方框，可交互式分析、查询信息。主图像窗口内的功能菜单：在主图像窗口内点击鼠标右键，切换隐藏子菜
3、单的开启和关闭。该 "Functions" 菜单控制所有的ENVI交互显示功能，这包括：图像链接和动态覆盖；空间和波谱剖面图；对比度拉伸；彩色制图；诸如ROI的限定、光标位置和值、散点图和表面图等交互特征；诸如注记、网格、图像等值线和矢量层等的覆盖（叠置）；动画以及显示特征。2） 滚动Scroll窗口：全局，重采样(降低分辨率)显示一幅图像。只有要显示的图像比主图像窗口能显示的图像大时，才会出现滚动窗口。滚动窗口位置和大小最初在 envi.cfg 文件中被设置并且可以被修改。3） 缩放Zoom窗口：（200*200）显示image的方框。缩放系数（用户自定义）出现在窗口标题
4、栏的括号中。2 图像的头文件资料的获取和编辑ENVI：File>>Edit ENVI Header，选择相应的文件。从 Header Info 对话框里，你可以点击 Edit Attributes 下拉菜单中的选项，调用编辑特定文件头参数的独立对话框。这些参数包括波段名、波长、地图信息等。3 图像的存取File > Open Image File. 当你打开任何文件，可用波段列表（ABL）自动地出现。ABL列出该图像文件的所有波段，并允许你显示灰阶和彩色图像、启动新的显示窗口、打开新文件、关闭文件，以及设置显示边框。要选择当前活动显示，请按以下步骤：从ABL（Availabl
5、e Bands List）内，点击 “Display #X” 按钮菜单（其中 “X” 是与显示窗口标题栏内数字相对应的数字），再从列表中选择所需要的显示。要开始一个新的显示，从按钮菜单选择 “New Display”。点击 “Load Band” 或 “Load RGB” ，以把选定的波段导入选定的显示。4 灰度图像和彩色图像的显示ENVI：File>>Open Image>>Available Bands List（ABL）中选择Gray Scale或RGB Color模式5剖面和波谱图（Profiles and Spectral Plots）Image:>&g
6、t;Tools>>Profiles。ENVI 允许抽取水平的（X）、垂直的（Y）、波谱的（对每个像元为 Z ）以及任意的剖面图。剖面图显示在单独的图表窗口，并且X、Y 和 Z 剖面图可以同时是激活的。鼠标用来移动一个十字准线并交互地选择剖面图。图表窗口内 Options 菜单下的 Auto Scale Y-Axis非常有用。遥感影像预处理 据预处理是遥感应用的第一步，也是非常重要的一步。目前的技术也非常成熟，大多数的商业化软件都具备这方面的功能。预处理的大致流程在各个行业中有点差异，而且注重点也各有不同。本节包括以下内容： l数据预处理一般流程介绍
7、0; l预处理常见名词解释 lENVI中的数据预处理1、 数据预处理一般流程 数据预处理的过程包括几何精校正、配准、图像镶嵌与裁剪、去云及阴影处理和光谱归一化几个环节，具体流程图如图所示。图1数据预处理一般流程各个行业应用会有所不同，比如在精细农业方面，在大气校正方面要求会高点，因为它需要反演；在测绘方面，对几何校正的精度要求会很高。2、数据预处理的各个流程介绍 （一）几何精校正与影像配准 引起影像几何变形一般分为两大类：系统性和非系统性。系统性一般有传感器本身引起的，有规律可循和可预测性，可以用传感器模型来校正；非系统性几何变形
8、是不规律的，它可以是传感器平台本身的高度、姿态等不稳定，也可以是地球曲率及空气折射的变化以及地形的变化等。 在做几何校正前，先要知道几个概念： 地理编码：把图像矫正到一种统一标准的坐标系。 地理参照：借助一组控制点，对一幅图像进行地理坐标的校正。 图像配准：同一区域里一幅图像（基准图像）对另一幅图像校准 影像几何精校正，一般步骤如下，（1） GCP（地面控制点）的选取这是几何校正中最重要的一步。可以从地形图（DRG）为参考进行控制选点，也可以野外GPS测量获得，或者从校正好的影像中获取。选取得控制点有以下特征：1、GCP在图像上有明显的、清晰的点位标志，如道路交叉点、河流交叉点等；2、地面控制
9、点上的地物不随时间而变化。GCP均匀分布在整幅影像内，且要有一定的数量保证，不同纠正模型对控制点个数的需求不相同。卫星提供的辅助数据可建立严密的物理模型，该模型只需9个控制点即可；对于有理多项式模型，一般每景要求不少于30个控制点，困难地区适当增加点位；几何多项式模型将根据地形情况确定，它要求控制点个数多于上述几种模型，通常每景要求在30-50个左右，尤其对于山区应适当增加控制点。（2） 建立几何校正模型地面点确定之后，要在图像与图像或地图上分别读出各个控制点在图像上的像元坐标（x，y）及其参考图像或地图上的坐标（X，Y），这叫需要选择一个合理的坐标变换函数式（即数据校正模型），然后用公式计算
10、每个地面控制点的均方根误差（RMS） 根据公式计算出每个控制点几何校正的精度，计算出累积的总体均方差误差，也叫残余误差，一般控制在一个像元之内，即RMS<1。（3） 图像重采样重新定位后的像元在原图像中分布是不均匀的,即输出图像像元点在输入图像中的行列号不是或不全是正数关系。因此需要根据输出图像上的各像元在输入图像中的位置，对原始图像按一定规则重新采样，进行亮度值的插值计算，建立新的图像矩阵。常用的内插方法包括： 1、最邻近法是将最邻近的像元值赋予新像元。该方法的优点是输出图像仍然保持原来的像元值，简单，处理速度快。但这种方法最大可产生半个像元的位置偏移，可能造成输出图像中某些地物的不连
11、贯。 2、双线性内插法是使用邻近4个点的像元值，按照其距内插点的距离赋予不同的权重，进行线性内插。该方法具有平均化的滤波效果，边缘受到平滑作用，而产生一个比较连贯的输出图像，其缺点是破坏了原来的像元值。 3、三次卷积内插法较为复杂，它使用内插点周围的16个像元值，用三次卷积函数进行内插。这种方法对边缘有所增强，并具有均衡化和清晰化的效果，当它仍然破坏了原来的像元值，且计算量大。 一般认为最邻近法有利于保持原始图像中的灰级，但对图像中的几何结构损坏较大。后两种方法虽然对像元值有所近似，但也在很大程度上保留图像原有的几何结构，如道路网、水系、地物边界等。（三）大气校正遥感图像在获取过程中，受到如大
12、气吸收与散射、传感器定标、地形等因素的影响，且它们会随时间的不同而有所差异。因此，在多时相遥感图像中，除了地物的变化会引起图像中辐射值的变化外，不变的地物在不同时相图像中的辐射值也会有差异。利用多时相遥感图像的光谱信息来检测地物变化状况的动态监测，其重要前提是要消除不变地物的辐射值差异。辐射校正是消除非地物变化所造成的图像辐射值改变的有效方法，按照校正后的结果可以分为2种，绝对辐射校正方法和相对辐射校正方法。绝对辐射校正方法是将遥感图像的DN(Digital Number)值转换为真实地表反射率的方法，它需要获取影像过境时的地表测量数据，并考虑地形起伏等因素来校正大气和传感器的影响，因此这类方
13、法一般都很复杂，目前大多数遥感图像都无法满足上述条件。相对辐射校正是将一图像作为参考（或基准）图像，调整另一图像的DN值，使得两时相影像上同名的地物具有相同的DN值，这个过程也叫多时相遥感图像的光谱归一化。这样我们就可以通过分析不同时相遥感图像上的辐射值差异来实现变化监测。因此，相对辐射校正就是要使相对稳定的同名地物的辐射值在不同时相遥感图像上一致，从而完成地物动态变化的遥感动态监测。3、ENVI中的数据预处理介绍 （一）几何精校正与影像配准（1）选择几何校正模型ENVI中支持有大多数商业化卫星的几何校正模型，如QuickBird、Ikonos、Spot1-5、P6、WorldView-1等，
14、一般的校正模型包括二次多项式、仿射变换和局部三角网。图2 几何校正模型控制点选择方式可以是从影像上，也可以从矢量数据或者野外实测等。图3 控制点选择方式选择控制点也非常的方便，包含了误差的结算。图4 控制点选择重采样方式包含了三种方法。图5 重采样方式（二）数字图像镶嵌与裁剪 l镶嵌 ENVI支持有地理参照和没有地理参照影像数据的镶嵌，能够自动对镶嵌影像进行颜色平衡，并提供了多种影像增强和直方图匹配工具，可以最大限度地消除镶嵌影像间的色调和颜色差异多种色彩平衡方法 图6 颜色校正设置多种接边线编辑方式。图7 接边线镶嵌l裁减 在ENVI中做裁减的方法非常的多，提供多种方法
15、进行图像的空间裁剪获得子区，包括：手动输入行列数、从图像中交互选择区域、输入地理坐标范围、和另外图像文件的交集、使用滚动窗口中的图像和通过感兴趣区域。图8 影像的裁剪（三）大气校正ENVI的大气校正模块为FLAASH。详细情况参见帖子：ENVI中的大气校正模块（FLAASH）的使用说明。3. 图像预处理1 图像的切割（取子区）ENVI：Basic Tools>> Resize Data >> Resize Data Input File对话框（如下图）。选择需要切割的原始图像；选择Spatial Subset或Spectral Subset方式；若设置空间切割方式（Sp
16、atial Subset>>select Spatial Subset）点击 “Image”；出现Subset by Image对话框，Subset的尺寸用2种形式，移动图像上的方框或直接填写samples/lines（列/行）值；若设置波段范围（Spectral Subset>>File Spectral Subset），选择波段；若要根据已选择的感兴趣区域进行切割，可用ENVI：Basic Tools>>Subset Data via ROIs。若要使用与上次输入的空间大小相同的文件的空间子集，点击 “Previous” 按钮。注：Resize Data
17、还可以进行图像重采样（如下），若仅仅进行子区的选择，则不要调整Output File Dimensions。* 图像左上角为原点(1.1 - 列.行)。“Masking”-把一个空间掩膜应用到图像的某个部分，包括统计、分类、分离（unmixing）、匹配滤波、连续删除（continuum removal）和波谱特征拟合（spectral feature fitting）。移动方框 可直接填写S/L2 图像的重采样ENVI：Basic Tools>> Resize Data >> Resize DataInput File对话框选择需要采样的原始图像OK>>R
18、esize Data Parameters调整 Output File Dimensions的像元数；选择采用方法 >> 文件输出实验一练习内容：数据源：1、 已经做过几何校正的SPOT4全色10米分辨率影像（ “数据/几何校正”文件夹bldr_sp.img） 2、 待校正的Landsat5 TM 30米分辨率影像（“ 数据/几何校正”文件夹bldr_tm.img） 处理过程：用SPOT4影像作为基准影像，选择控制点来校正TM影像。 输出：校正结果 步骤：1、打开影像数据：同时打开bldr_sp.img与bldr_tm.img，分别显示在不同的display窗口。2、主菜单MapR
19、egistrationSelect GCPs: Image to Image 弹出image to image registration 窗口，选择Base Image（基准影像）-Display#No.对应bldr_sp.img与Warp Image（待校正影像）-Display#No.对应bldr_tm.img。3、确定Base and Warp Image后，弹出Ground Control Points selection（控制点选取）窗口，在这两幅影像上选取同名点，确定后Add Point(添加点)，若选取点的显示颜色不喜欢可在窗口菜单OptionsSet Point Colors设
20、置Point Color，依此选取控制点并添加到点列表，可通过Show List显示查看全部选取的点信息4、存储GCP点文件.pts5、可自动产生控制点，窗口菜单的OptionsAutomatically Generate Tie Points，弹出Warp Image Band Matching 窗口，选择band5，弹出Automatic Tie Points Parameters窗口，生成控制点，检验生成的控制点，剔除误差大的点（影像边界点误差非常大，必须剔除，根据自己的需求来定误差精度），生成的点误差大除了删除还可以进行微调（update）。6、在Ground Control Poin
21、ts Selection窗口OptionsWarp File（as Image to Map）要求基准影像必须有地理坐标。选择几何校正模型（Method）：有放射变换（RST），多项式（Polynomial）和局部三角网(Triangulation)，一般选择多项式。输出结果。7、验证校正结果：点击原图右键出现菜单有Link Display(基于像素的link，两幅图像像素一样选这个)和Geographic Link（基于地理坐标的link，两幅图像像素不一样选这个），我们选择Geographic link。连接后找出明显的标志地物检验校正结果。练习作业：完成影像的精校正，报告内容包括此次练习
22、内容，关键步骤的图表截图，结果图的显示对比，小结。上机练习图像融合是一个对多遥感器的图像数据和其他信息的处理过程。它着重于把那些在空间或时间上冗余或互补的多源数据，按一定的规则（或算法）进行运算处理，获得任何单一数据更精确、更丰富的信息，生成一幅具有新的空间、波谱、时间特征的合成图像，不仅仅是数据间的简单复合，而强调信息的优化，以突出有用的专题信息，消除或抑制无关的信息，改善目标识别的图像环境，从而增加解译的可靠性，可减少模糊性（多义性、不完全性、不确定性和误差）、改善分类、扩大应用范围和效果。图像融合可以在3个不同层次上进行，一是像元，二是特征，三是决策层。基于像元的融合，是直接在采集的原始
23、数据层上进行融合。基于特征，是先从初始图像中提取特征信息，比如范围，形状，纹理，领域等等，然后对这些特征信息进行分析与融合处理。三决策层是在图像理解和图像识别基础上的融合，是高层次的融合，直接面对应用，为决策支持服务。融合的具体目标在于提高图像空间分辨率（图像锐化）、改善图像几何精度、增强特征显示能力、改善分类精度、提高变化检测能力、替代或修补图像数据的缺陷等等。图像锐化是作为提高图像空间分辨率的一种手段，最典型的应用就是高分辨率全色图像与低分辨率多光谱图像数据的融合。影像融合为什么要做融合，由于传感器接收地物反射太阳光的能量，形成波段，也就是大气窗口，可见光一般分红，绿，蓝，还可以细分为红，
24、橙，黄，绿，蓝，靛，紫。假设获取单一蓝色波段，波段窄，能量就很小，自然图像分辨率低，所以多光谱影像的分辨率偏低，比如说，快鸟影像的多光谱分辨率为2.4m，全色波段，波段范围很宽很长，包含可见光波段和近红外波段，所以获取的能量很多，空间分辨率就会很高，但就一个缺点，就有一个波段，黑白的影像。但我们在实际应用当中呢，我既想要彩色的，又想要分辨率高的，该怎么办呢，传感器不能满足我们的要求，那么就用数学的方法来处理，就是用融合。就是用低分辨率影像跟高分辨率影像进行融合，得到彩色的又分辨率很高的影像。 ·影像融合就是将低分辨率的多光谱影像与高分辨率的单波段影像重采样生成一幅高分辨率多光谱影像的
25、遥感图像处理技术，使得处理后的影像既有较高的空间分辨率，又具有多光谱特征。涉及到的融合方法有：HSV变换，颜色归一化（Brovey算法），主成分分析（主要是保留了主要信息，如果信息多，相关信息大，饱和度低一些），CN Spectral Sharpening（主要用于高光谱影像），高保真的Gram-Schmidtm,Pansharping（利用低分辨率影像生成一个高分辨率影像，方法有求低分辨率多光谱的平均值等）,小波融合，前面2种为彩色变换（彩色变化饱和度比较高，比较艳丽些），步骤：1， 输入校正后的数据TM-30m.img（30m分辨率），以及高分辨单率单波段影像bldr_sp.img（10m
26、分辨率）。2， 选择主菜单TransformImage SharpeningPC Spectral Shrapening （主成分分析）。弹出Select Low Spatial Resolution Multi Band Input File窗口(输入低分辨率多光谱影像，这里是选择TM-30m.img)，ok后，弹出Select High Spatial Resolution Input File窗口(输入高分辨率影像，这里是选择SPOT4的bldr_sp.img)，ok。3， 选择重采样方法为Bilinear,以及文件输出路径，给文件名。4， 点击Ok按钮输出结果，并查看结果。影像镶嵌影像
27、镶嵌指在一定数学基础控制下，把多景相邻遥感影像拼接成一个大范围的影像的过程。就是当研究区超出单幅遥感图像所覆盖的范围时，通常需要将两幅或多幅图像拼接起来形成一幅或一系列覆盖全区的较大的图像。1） 交互方式将没有地理坐标（no-georeferenced）的影像拼接在一起。（Pixel Based）2） 自动的将有地理坐标的影像拼接。(Georeferenced)在进行图像的镶嵌时，需要确定一幅参考影像，参考图像将作为输出镶嵌图像的基准，决定镶嵌图像的对比度匹配、以及输出图像的像元大小和数据类型等。镶嵌得两幅或多幅图像选择相同或相近的成像时间，使得图像的色调保持一致。但接边色调相差太大时，可以利
28、用直方图均衡、色彩平滑等使得接边尽量一致，但用于变化信息提取时，相邻影像的色调不允许平滑，避免信息变异。步骤：1， 单击主菜单FileOpen Image File,将两幅影像打开（mosaic1_equal.dat和mosaic_2.dat）。2， 单击主菜单FileMapMosaickingGeoreferenced，打开镶嵌功能，弹出Map Based Mosaic面板。3， 加载Mosaic影像，在Map Based Mosaic面板上，单击ImportImport Files,将两幅影像加载。这里简单的镶嵌就是直接输出Mosaic 的菜单FileApply 弹出Mosaic Para
29、meters窗口，设置重采样方法，输出结果。查看结果。4， 设置影像重叠顺序，Mosaic功能面板上的图像列表中，列表中文件列表靠下的在图像预览中是在上层，可以选择此文件列表，单击右键在快捷菜单选择Lower Image to Bottom 或者Lower Image Position 调整图像文件顺序。5， 在Mosaic窗口，单击右键选择Edit Entry，弹出Entry：窗口。Entry中的设置（自己的经验）Data Value to Ignore:设为零，这样图像背景是透明的，Feathering Distance：这个值可以根据实际需求进行设置，Cutline Feathering
30、：选择已经够建好的羽化线（它的作用就是如果两幅镶嵌的图像重叠太多可以剪掉一部分，并根据剪切线进行羽化处理），Color Balancing（色彩均衡化处理）。选择Mosaic Display 为RGB显示，波段合成为5、4、3，同样将另外一幅影像也显示为RGB：543，可以发现两幅影像的颜色不一致，mosaic1_equal.dat这幅影像饱和度高些，以其为参考影像。回到Mosaic功能窗口中，右键单击mosaic1_equal.dat影像选择Edit Entry，在出现的对话框中，把Color Balancing 选择为Fixed，以这幅影像为基准；同样的方法设置Mosaic_2.dat的C
31、olor Balancing为Adjust，调整这幅影像的颜色。6， 输出结果：回到Mosaic功能面板中，单击FileApply,输出路径，点击OK输出。注意：因为不同影像的拍摄时间不同，因此存在色彩上的差别，实验中在ENVI中做到理想的色彩匹配是很困难的，可以在Photoshop中的进行直方图均衡化处理，用到的功能有“图像”“调整”里的“色阶”、“色彩平衡”、“亮度/对比度”进行调节。影像裁剪图像裁剪的目的是将研究之外的区域去除，常用的是按照行政区划边界或自然区划边界进行图像的分幅裁剪。在ENVI的图像裁剪过程，可分为规则裁剪和不规则裁剪。规则分幅裁剪：指裁剪图像的边界范围是一个矩形，这个
32、矩形范围获取途径包括：行列号，左上角和右上角两点坐标，图像文件，ROI/矢量文件。步骤：1， 在主菜单中，选择FileOpen Image File, 打开裁剪图像can_tmr.img。2， 在主菜单中，选择FileSave File as ENVI Standard,弹出New File Builder 窗口。3， 在New File Builder 窗口中，单击Import File按钮，弹出Create New File Input File对话框。4， 在Create New File Input File对话框中，选中Select Input File 列表中的裁剪图。单击Spat
33、ial Subset 按钮。5， 在Select Spatial Subset 面板中，单击Image按钮，弹出Subset by Image 对话框。6， 在Subset by Image对话框中，可以通过输入行列数确定裁剪尺寸，按住鼠标左键拖动图像中的红色矩形框确定裁剪区域；或者直接用鼠标左键按钮红色边框拖动来确定裁剪尺寸以及位置。单击ok。7， 在Select Spatial Subset 面板中可以看到裁剪区域信息，单击ok。8， 在Create New File Input File 对话框中，可以通过Spectral Subset按钮选择输出的波段子集，单击ok。9， 选择输出路径
34、及文件名，单击ok，完成规则裁剪过程。不规则分幅裁剪：指裁剪图像的外边界范围是一个任意多边形，通过事先生成一个完整的闭合多边形区域，可以是一个手工绘制的ROI（感兴趣区域）多边形，也可以是ENVI支持的矢量文件，针对不同的情况采用不同裁剪过程。一， 手动绘制感兴趣区1， 打开图像can_tmr.img 并显示在Display中。2， 在Image视窗中单击OverlayRegion of Interest. 在ROI ToolFileROI_TypePolygon, 绘制窗口选择 Image，绘制一个多边形，右键结束。根据需求可以绘制若干个多边形。二， 矢量数据生成感兴趣区1， 选择主菜单Fi
35、leOpen Vector File, 打开裁剪图像所在区域的Shapefile 矢量文件 region.shp。2， 在打开的Import Vector File Parameters 面板中，选择Memory，其他参数按照默认，单击ok。3， 在打开的Available Vector List 面板中，选择FileExport Layer to ROI,在弹出的对话框中选择裁剪图像，单击ok。4， 在Export EVF Layer to ROI 选择对话框中，选择将所有矢量要素转成一个ROI （Convert all record of an EVF layer to one ROI）,
36、单击ok。5， 选择主菜单Basic ToolsSubset data via ROIs，选择裁剪图像。6， 在Spatial Subset via ROI parameters中，选择由矢量生成的ROI，在“Mask pixels outside of ROI？”项中选择yes， Mask Background Value 为 0。7， 选择输出路径及文件名，单击ok裁剪图像。图像增强数据：0112024.img （RGB543组合显示）1， 建立一个多波段文件主成分分析，TransformàPrincipal ComponentsàForward PC Rotation
37、àCompute New Statistics and Rotate ,弹出Forward PC parameters 窗口。*输出统计文件，如果要做逆变换必须要输出统计文件。单击Ok，开始做分析，做好后弹出Select Output PC Bands（各波段特征值信息量）ok，弹出*前面3个波段包括了主要的特征值查看各波段信息，RGB组合。2， NDVI 植被指数TransformàNDVI生成NDVI3,Basic ToolsàLayer Stacking 。在Layer Stacking Parameters 面板中，单击Import File按钮，在Lay
38、er Stacking Input File 选择框中选择TM影像文件。单击Import File按钮，在Layer Stacking Input File 选择框中选择主成分分析结果，单击Spectral Subset按钮，只选择第1主成份分量PC1。单击Import File按钮，在Layer Stacking Input File 选择框中选择NDVI。选择Inclusive(并集)输出路径和文件名。Resampling选择Bilinear，单击OK输出结果。生成包含NDVI和PC1的8个波段文件。如何判断由哪几个波段来合成RGB文件，通常通过彩色合成和视觉感官判断为主观判断准则。本练习
39、目标是增强植被覆盖信息，波段组合最终效果是要植被信息从背景信息中凸显出来，所以，森林信息和背景信息之间的高反差才是我们要达到的目的。因此，以信息量来判断最佳波段组合，组合的3个波段的标准差之和最大，还有组合波段间相关系数之和最小为依据。现对PC1，NDVI,TM1,TM2,TM3,TM4,TM5,TM7,进行波段间的相关性分析。主菜单> Basic ToolsàStatisticsàCompute Statistics, 选择在第一步中合成多波段文件作为统计文件。*TM1-3波段具有很高的相关系数在Compute Statistics Parameters面板中，选择
40、Covariance(协方差)，Histogram, ok,输出Statistics Results*TM5，TM7波段相关性较高*TM4波段比较独立因此，拟选择TM1，TM4，TM7在波段列表中，选择RGB Color，分别选择PC1，NDVI，TM1合成RGB显示。选择PC1，NDVI，TM7合成RGB显示，分别查看结果。经过假彩色合成，颜色反差拉大，有利于选择样本。ENVI中的分类工具1 非监督分类在ENVI中，通过主面板Classificationunsupervised，有两种方法供选择，ISODATA和K-Mean。图 ISODATA非监督分类ENVI还有类别定义工具和分类重编码工
41、具，图影像与分类结果的叠加图 分类重编码与类别定义2 监督分类ENVI中包括了监督分类的各个步骤中的所有工具，首先是样本的选择，通过感兴趣区域收集器（ROI）获取，主面板BasicRegion Of Interest。包括的功能非常的全，如样本收集、样本精度验证等，样本收集可以从普通的影像上收集，也可以在散点图上选择。样本收集完了后，就可以进行监督分类了。ENVI有多种分类器：包括平行六面体、最小距离、马氏距离、最大似然，基于神经网络的，基于模式识别，包括支持向量机、模糊分类等，针对高光谱有波谱角（SAM），光谱信息散度，二进制编码。分类后处理包括的很多的过程，都是些可选项，包括更改类别颜色、
42、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。分类结果进行评价，确定分类的精度和可靠性。有两种方式用于精度验证：一是混淆矩阵，二是ROC曲线。3基于专家知识的决策树分类器基于专家知识的决策树分类是基于遥感影像数据及其他空间数据，通过专家经验总结、简单的数学统计和归纳方法等，获得分类规则并进行遥感分类。分类规则易于理解，分类过程也符合人的认知过程。基于专家知识的专家分类可以充分利用其他数据，如DEM、行政区划图、道路网、土地利用图、林相图等作为分类的辅助数据。图 专家分类器基于知识的专家分类可以充分利用其他数据，如DEM、行政区划图、道路网、土地利用图、林相图等作为分类的辅助数据。图EN
43、VI的专家知识分类器4基于面向对象的分类模块面向对象的技术集合临近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据，利用空间，纹理，和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。ENVI中的监督分类练习以Landsat TM5 数据Can_tmr.img为数据源监督分类：又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各
44、种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。遥感影像的监督分类一般包括以下6个步骤，如图1所示：图1 监督分类步骤步骤：1，类别定义/特征判别 根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。 本练习是以ENVI自带Landsat tm5 数据Can_tmr.img为数据源，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。2，
45、样本选择 对每一类别选取一定数目的样本，在ENVI中是通过感兴趣区（ROIs），来确定，也可以将矢量文件转化为ROIs文件来获得，或者利用终端像元收集器（Endmember Collection）获得。练习中使用ROIs方法，打开分类图像，在Display->Overlay->Region of Interest，默认ROIs为多边形，按照默认设置在影像上定义训练样本。如图2所示，设置好颜色和类别名称（支持中文名称）。 图2 训练样本的选择 选好样本，我们要验证样本的精度怎么样，在ROI Tool面板中，选择Option->Compute ROI Separability,计
46、算样本的可分离性。如图3所示，表示各个样本类型之间的可分离性，用Jeffries-Matusita, Transformed Divergence 参数表示，这两个参数的值在02.0 之间，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，需要重新选择样本；小于1，考虑将两类样本合成一类样本。图3 样本可分离性计算报表3、分类器选择 根据分类的复杂度、精度需求等确定哪一种分类器。目前监督分类可分为基于传统统计分析学的，包括平行六面体、最小距离、马氏距离、最大似然，基于神经网络的，基于模式识别，包括支持向量机、模糊分类等，针对高光谱有波谱角（SAM），光谱信息散度，二进制编码。下面是几
47、种分类器的简单描述。 平行六面体 根据训练样本的亮度值形成一个n 维的平行六面体数据空间，其他像元的光谱值如果落在平行六面体任何一个训练样本所对应的区域，就被划分其对应的类别中。 最小距离 利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类。 马氏距离 计算输入图像到各训练样本的协方差距离 （一种有效的计算两个未知样本集的相似度的方法），最终技术协方差距离最小的，即为此类别。 最大似然 假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。 神经网络 指用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程。 支持向量机 支持向量机分类 （Support Vector Machine 或SVM）是一种建立在统计学习理论 （Statistical Learning Theory 或SLT）基础上的机器学习方法。SVM