ENVI实验教程Word文件下载.docx

ENVI实验教程Word文件下载.docx

《ENVI实验教程Word文件下载.docx》由会员分享，可在线阅读，更多相关《ENVI实验教程Word文件下载.docx（13页珍藏版）》请在冰豆网上搜索。

Transform菜单中主要是一些图像变换工具，图像的锐化，噪声处理，主成分变换，归一化植被指数，缨帽变换等。

Filter中是一些滤波工具，卷积和形态学滤波，纹理滤波，频率域滤波等等。

Spectral菜单下是一些波谱工具，波谱处理与分析资源工具，波谱分割，最小噪声变换，N维可视化分析制图方法，植被分析，植被抑制，波谱运算，波谱重采样等，还有很多，本次设计涉及甚少，这里暂不详细介绍。

Map工具中是一些图像配准，镶嵌，坐标定位，投影等制图工具。

Vector是矢量工具，可以将各种图像转化为矢量图，将各种文件转换为DXF文件。

Topographic是地形工具，主要是打开一些地形文件，DEM数字高程模型提取，转换等。

Radar是雷达工具，是关于雷达文件的操作，进行滤波，校正等操作。

Window菜单栏是显示管理，一些窗口的启动，可用的文件列表，窗口的信息的显示，窗口的关闭和最大化。

Help窗口是在使用ENVI过程中遇到困难时给予帮助，还有一些关于ENVI的介绍。

1.主菜单设置（preferences）：

内存设置

2.图像预处理

1．图像的切割（取子区）

ENVI：

BasicTools>

>

ResizeData>

ResizeDataInputFile对话框（如下图）。

①选择需要切割的原始图像；

②选择SpatialSubset或SpectralSubset方式；

③若设置空间切割方式（SpatialSubset>

selectSpatialSubset）点击“Image”；

④出现SubsetbyImage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；

③’若设置波段范围（SpectralSubset>

FileSpectralSubset），选择波段；

若要根据已选择的感兴趣区域进行切割，可用ENVI：

SubsetDataviaROIs。

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：

ResizeData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OutputFileDimensions。

*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（continuumremoval）和波谱特征拟合（spectralfeaturefitting）。

2．

图像的重采样

ResizeData

InputFile对话框选择需要采样的原始图像—OK

ResizeDataParameters——调整OutputFile

Dimensions的像元数；

选择采用方法>

文件

输出

.影像分析

影像统计分析

1.统计特征分析ENVI：

Statistics>

ComputerStatistics

CalculateStatisticsParameters对话框---选择统计类型（Basic、Histogram、Covariance）

由对各波段的统计值分析可知协方差和相关系数是两个基本的统计量，其值越高，表明两个波段图像间的协变性越强。

对于单个波段可以看出，为更好地实现图像的合成，需选用方差较大的波段，这样图像对比差异大，信息量丰富，能更好的反应地物信息，3波段最大，需选用，2,6波段较小，图像合成时，就图像压缩而言，不予考虑，7波段是热红外波段，只剩1,4,5波段，再由波段间的相关性观察统计值，由于相关性越大，说明两个波段的信息重合率越大，应选用相关性较小的波段，这样可以尽可能大的反映信息量，发现1和5波段相关性较强，选取一个即可，这样三个波段通过统计值给确定下来，这是常用的方法，由于本次分类为了更好地突出植被，水体，城乡信息，本次设计选用了4,3,2,波段分别赋予红绿蓝合成的标准假彩色图像。

2.主成分分析（ENVI:

Transform>

principlecompents）

Transforms>

PrincipalComponents>

ForwardPCRotation>

ComputeNewStatisticsandRotate.----选择输入文件---选择输出PC波段数---“SelectSubsetfromEigenvalues”---出现PCEigenValues绘图窗口（每个节点是PC各分量的特征值，可进一步计算PC各分量的方差百分比）

在遥感分类中，常常利用主成分分析算法消除波段之间的相关性，并进行特征选取，主成分分析还可以用来对图像进行压缩和信息融合，从以上结果可以看出，把第1,2,3主成分图像进行彩色合成，可以获得信息量非常丰富的彩色图像。

4.定义感兴趣区（ROI）及分类

监督分类（SupervisedClassification）

监督分类：

按照分类以前自定义的样本进行分类。

1.训练样本的选择和优化

1）训练样本的提取（ROI区的选择）

ENVI:

BasicTools>

RegionOfInterest>

ROItool调出感兴趣区工具窗口进行样本选择（注意：

必须事先打开一幅图像），可以进行样本编辑（名称，颜色，填充方式等），样本选择越精确，分类结果越好。

感兴趣区工具窗口的打开方式还有：

Image：

Overlay>

RegionofInterest，或者直接在图像窗口上点击鼠标右键，再选择ROITool。

根据前面的背景资料和预处理结果选择分类图像，建立各类地物的训练区。

各类地物的解译标志，即地物的明显特征是最重要的选择标准。

根据其在影像上表现出的色调、纹理等特征，通过目视解译方法用鼠标在工作区影像图上选择其训练区，并使训练区的分布尽量均匀。

在实际的工作中，由于存在“同物异谱”的情况，因此对于同一种类型可能有多种不同的特征。

为此，我们可以对同一地物选择多个训练区，分类后再合并。

感兴趣工具窗口见下图。

提取训练样本的具体操作如下：

（1）确定ROI的提取类型（ROIToolL:

ROI_Type>

Polygon,Polyline,Point,Rectangel,Ellipse）和待操作窗口（主图像窗口、滚动窗口或缩放窗口）。

（2）在图像窗口上画出感兴趣区，单击鼠标右键确定选择形状（此时可以拖动感兴趣区域，用Ctrl＋鼠标左键可以删除），再次单击右键确定此训练区（此时若要删除训练区，需要点击ROITool窗口中的Delete控键，此操作将删除所有该类型的感兴趣区域）。

ROITool窗口中将会显示选择区域的颜色和相关信息，其中，感兴趣区域名称（ROIName）和色彩可以修改。

可就某一类训练区选择多个感兴趣区域。

（3）该类训练区的选择完成后，点击ROITool窗口的NewRegion控键，再进行另一类训练样本的选择，其颜色将自动改变。

按以上操作完成所有训练区的选择

2）训练样本的优化和提纯ROI

上述步骤中选择的某类训练样本，可能混入了其他类型的样本，为了提高图像分类精度，需要对训练样本进行提纯。

N维可视化分析器（N—DimensionalVisualizer）即是对选择的训练区像元进行提纯。

当某些像元始终聚集在一起运动时，这些就是所需的最纯像元；

若在运动时，像元分成了两个部分，则说明选择了两类地物的训练区，需把此训练区像元分开处理。

ROITool:

File>

ExportROIston-DVisualizer>

n-DControl;

n-DVisualizer

让训练区像元在n维空间内自由转动（可以控制转动速度Speed），当转到最能区分各类型训练区像元的位置时，停止转动，进行样本提纯操作。

即：

（1）在n-DVisualizer窗口中用鼠标选择某类训练区的纯像元并点击鼠标右键确定（可进行多次选择），再次单击右键>

ExportClass，提纯后的训练区将出现在ROITool窗口中。

（2）进行下一个类型训练区的提纯时，首先要在n-DVisualizer窗口中单击右键>

NewClass，下面的操作如前。

如此，完成所有训练区的提纯。

（3）训练区的保存：

SaveROIs…

2.选择分类方式

分类方式包括平行六面体法、最短距离法、马氏距离法、最大似然法、波谱角分类以及二进制编码法等，选择合适的分类方式。

1）最大似然法（MaximumLikeloodClassification）

Classification>

supervised>

Maximumlikelihood>

ClassificationInputFile选择分类的图像>

MaximumlikelihoodParameters选择训练样本，设置说明

最大似然分类假定每个波段每一类统计呈均匀分布，并计算给定像元属于一特定类别的可能性。

除非选择一个可能性阈值，所有像元都将参与分类。

每一个像元被归到可能性最大的那一类里。

在MaximumLikelihoodParameters对话框中设置一般分类参数，在“SetProbabilityThreshold”文本框里，键入一个阈值（0~1）。

选项参数被用来控制像元准确分类的可能性。

如果像元的可能性低于所有类的阈值，则它被归为“无类别”，在此，我们一般选择默认值。

2）波谱角分类法（SpectralAngleMapper—SAM）

SpectralAngleMapper>

SpectralAngleMapperParameters选择训练样本，设置说明

波谱角分类法是以物理学为基础的一种分类法，通过比较终端光谱向量和每个像元的矢量在N维空间中的角度，将像元分配到相应的区间中去，角度值越小，分类越精确。

输入由上步提纯得到的像元数据，选择适宜的参数[MaximumAngle（radians）]值，小于此值的像元将不参加分类，经多次实验。

默认值是0.1（弧度）

3.分类

引入影像—>

确定分类范围和波段—>

选择训练样本—>

给定阈值—>

确定存储路径和文件名—OK。

下图为最大似然法分类对话框。

非监督分类

非监督分类：

仅仅用统计方法对数据集中的像元进行分类，不需要样本。

方法：

（1）IsoData:

ENVI:

Classification>

unsupervised>

IsoData>

IsoDataParameters对话框：

参数设置说明

在ISODATAParameters对话框中，输入NumberofClasses（分类数），Min（最少分类数）8、Max（最大分类数）15，MaximumIteration（最大迭代数）10，ChangThreshold（像元变化的阀值）5.00，Minimum＃PixelinClass（每类中的最小像元数）1，MaximumClassStdv（最大标准差）3.00，MinimumClassDistance（最小类间距）4.00，Maximum＃MergePairs（最大合并数）2等8个基本参数（根据实际图像和先验知识更改参数的设置）

分类结果如右图

2）K-Means:

K-Means>

K-MeansParameters参数设置说明

5.分类后处理（PostClassification）

1.分类统计：

Classification>

PostClassification>

ClassStatistics：

包括每一类的点数、最小值、最大值、平均值以及类的每个波段的标准差等。

其中每一类的最小值、最大值、平均值以及标准差可以以图的方式进行显示。

可以显示出每一类的直方图，并且计算其协方差矩阵、相关矩阵、特征值和特征矢量等。

2.两个分类结果的比较：

ConfusionMatrix：

分类结果的精度，显示在一个混淆矩阵里。

通过用分类结果与地表真实图像（GroundTruthImage）或地表真实感兴趣区（GroundTruthROIs）相比较来计算混淆矩阵。

分类结果记录了总体精度、准确度、Kappa系数、混淆矩阵、commission误差（每类中额外像元占的百分比）和冗长误差（类左边的像元占的百分比）等等。

当用地表真实图像计算混淆矩阵时，还可以输出每类图像中没有被正确分类的那些像元。

3.类别集群：

ClumpClasses细小块的合并，将一些碎块进行合并（平滑处理）。

未被选上用于聚块（clumping）的类，在输出图像上无变化。

4.类别筛选：

SieveClasses通过用斑点分组消除这些隔离的被分类的像元。

该功能菜单将删除分类中的孤岛像元，并用黑像元表示，可以用成块分类功能代替黑像元。

由于有很多黑像元，这里需要对它进行分块处理，在postclassification菜单栏下有majority/minorityanalysis选项中可以将黑像元处理掉，运用majority可以消除细小目标，在纤细处分离目标，平滑较大目标边界时不明显改变其面积的作用，只对unclassification进行功能处理，得到效果比较如下：

5.类的合并：

ENVI:

CombineClasses：

将分过的类进行选择性的合并，可以合并为一类或几类。

6.类的叠合：

OverlayClass：

用一幅彩色合成影像或灰阶影像生成一幅影像地图，并且类的颜色叠置在一起，输出一幅3波段的RGB图像。

7.修改类的颜色：

Image:

Tools>

ColorMapping>

classcolormapping：

当一个分类后的图像被导入一个显示窗口时，每类自动呈现出不同的颜色。

每类的颜色与监督分类中选择的感兴趣区的颜色或非监督分类中预先选择的每类颜色相对应。

未分类区域在图像中呈黑色，可以改变每类的颜色。

6.制图输出

图形的整饰

1.经纬网格线Image:

overlay>

Gridlines（经纬网和像元网）,若图像没有被配准到地图坐标，将不会显示出经纬网。

可以通过：

GridLineParameters:

Options>

…来设置网格线的属性及图像边界。

设图面大小---Annotation---Options>

DisplayBorders---输入左、上、右和低部图像边框所需要的边框宽度（按像元）

2.注记Image:

annotation（标题；

图例；

比例尺；

南北指针）

（1）添加注记：

annotation。

注记可以被放置在主图像窗口、滚动窗口或缩放窗口。

通过从各自的Options菜单中选择Annotation，每种图表，包括X、Y、Z剖面图或表面图，可以被注记。

当出现#nAnnotation对话框时（其中“#n”指正被注记的那个显示），选择Object>

>

所需要的注记对象。

✧文本注记（Text）：

Object>

text，选择注记的属性（如font、size等），在文本框中输入待添加文本，用鼠标在图像中点击注记位置，按右键确定。

✧图例注记（mapkey）：

mapkey可以直接将各类的图例加载上去，并且可以进行颜色、名称等编辑。

✧比例尺注记（ScaleBar）：

Scalebar

✧偏差图注记（Declination）：

Declination，Declination选项允许你在图像上放置一个磁偏角图表。

磁偏角图表包括指向真北（TrueNorth，用星号显示）、坐标北（GridNorth，GN）和磁北（MagneticNorth，MN）的箭头的任意组合。

✧覆盖分类结果：

classification

✧边界设置（SetDisplayBorder）：

Option>

SetDisplayBorder

✧其他注记略

✧若要对注记进行选择或编辑：

Selection/Edit

每一种注记添加到图像中后，单击鼠标右键进行确定。

所有注记对象都有一个小的彩色菱形“handle”，它被用来决定位置。

（2）保存注记文件：

1.选择Annotation:

File>

SaveAnnotation.2.当出现新的对话框时，在文本框中键入输出文件名，或点击“Choose”，然后当出现ENVI文件选择对话框时后，输入一个文件名。

3.选择“OK”，把注记保存到一个输出文件。

●图形输出

1．分类结果图像输出：

SaveImageAs>

ImageFile（有多种格式可供选择）orPostscriptFile

2．分类结果的矢量输出：

PostClassification>

ClassificationtoVector：

将选择的类变换为矢量多边形进行输出。

输出图像名不能与其他文件名相同。

实习心得总结：

通过本次课程实习，让我对遥感这门课程有了更加清晰的认识，初步了解遥感的各项机理，通过对ENVI软件的不断熟悉和操作，让我学到很多，ENVI作为对遥感学习的初步入门软件，熟练地掌握是必须具备的技能，在学习中，我遇到了很多困难，看到很多未知的，不解的知识，还有自己原先掌握的知识的困惑，很庆幸，我能够向老师求教咨询，和同学交流体会，去图书馆，上网查询，让我体会到学习的乐趣，总结了一套自己对未知软件的学习方法，相信随着对遥感越来越多的接触，我会学到更多，相信这次实习在我将来求知的路上会起到不小的促进作用。