envi培训文档(编辑修改稿)

envi培训文档(编辑修改稿)内容摘要：

m窗口进行画线，定义范围，注意选择线的粗细和颜色（ 画线注意：一定要将线的头尾画到影像的边缘，左键开始，右键结束，右键确定 ）；  添加标记： Annotation： Rectangle 窗口 — Object— Symbol— 选择符号 — 更改颜色和大小 — 将标记加在不要的影像一边；  画好线、添加完标记以后，进行存储： Annotation： Rectangle 窗口 — File— Save Annotation— 确定路 径和文件名，保存为： *.ann文件；  Import— Import Files— 引入要镶嵌的影像；  分别选择影像 — 右键点击 — Edit Entry， Cutline Feathering— Select Cutline Annotation File引入 *.ann文件，给定 Cutline羽化值， OK。 4）匀光： envidata\avmosic\； Entry— Color Balancing— 分别确定基准影像和调整影像 — Ok。 七、彩色空间变换及影像融合 1)自动融合：如果影像没有地理坐标，需要对像元大小进行调节，影像进行重采样，融合的影像 地理位置相同，行列数相同。 Transform－ Image Sharping－ HSV HSV（ hue, saturation, and value：色调，饱和度，数值） HLS（ hue, Lightness, saturation： 色调，亮度，饱和度） envidata\lontmsp\lon_sopt； lnt_tm， ； ： TM影像的行列数为 1007 560；SPOT影像的行列数为 2820 1569；两影像的范围一致，像元需要调节的系数为 2820/1007＝ ； 1569/560＝。 2)手动融合： 融合前需调整为分辨率一致，尺寸一致。 A、 选择多光谱波段组合，调色，突出地物反差，存储； B、 高分辨率全色波段增强（滤波等），存储；（本步骤可选） C、多光谱影像和多分辨率全色波段需要调整为统一空间分辨率，且裁为尺寸大小一致；（用Basic Tools— ResizeData可实现空间重采样和取子区） D、 对多光谱影像进行彩色空间变换；（ Transform－ Color Transforms－ RGB to HSV（ USGS Munsell）） E、将高分辨率全色波段与彩色空间变换后的 V 波段进行直方图匹配，并存为 V 波段的数据类型；（本步比较关键，否则融合之后的结果较原始多光谱色调会有很大差异） （ 1） 分别将高分辨率全色波段和 V 波段的直方图打开（ Image 窗口： Enhance－ Interactive Stretching） （ 2） 在高分辨率全色波段影像的直方图窗口中，选择 Options－ Histogram Parameters，分别将 Histogram Min和 Histogram Max的值改为 V波段影像的对应值。 回车确认。 （ 3） 在高分辨率全色波段影像的直方图窗口中，将 Stretch_type选为 Arbitrary,以便于用指定的直方图曲线来拉伸。 （ 4） 用鼠标将 V 波段影像直方图的输入拖动至在高分辨率全色波段影像的直方图的输出窗口中，然后按“ apply” 应用。 （ 5） 在高分辨率全色波段影像的直方图窗口中，选择 File— Export Stretch，将“ Output Data Type” 改为“ Floating Type” ，然后给定文件名存储。 F、 彩色空间变换的反变 换。 （ Transform－ Color Transforms－ HSV to RGB（ USGS Munsell）），用 H、 S和经过 E步骤处理的高分辨率全色波段影像进行反变换即可。 G、 对融合后的影像进行色调（如需要） 八、 定义感兴趣区及分类 主窗口 — Classification：监督分类，非监督分类，决策树分类。 2） 监督分类： 按照分类以前自定义的样本进行分类。  样本选择：主影像窗口 — Tools— Region Of Interest— ROI Tool 调出感兴趣区工具窗口进行样本选择，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。  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。  引入影像 — 确定分类范围和波段 — 选择样本 — 给定阈值 — 确定存储路径和文件名 — OK。 平行六面体法： 用一条简单的判定规则对多波谱数据进行分类。 判定边界在图像数据空间中，形成了一个 N维平行六面体。 平行六面体的维数由来自每一种选择的分类的平均值的标准差的阈值确定。 如果像元值位于 N个被分类波段的低阈值与高阈值之间，则它归属于这一类。 如果像元 值落在多个类里，那么 ENVI将这一像元归到最后一个匹配的类里。 没有落在平行六面体的任何一类里的区域被称为无类别的。 最短距离法： 用到每一个终端单元的均值矢量，计算每一个未知像元到每一类均值矢量的欧几里德距离。 所有像元都被归为最近的一类，除非限定了标准差和距离的极限（这时，会出现一些像元因不满足选择的标准，而成为“无类别”）。 马氏距离法： 是一个方向灵敏的距离分类器，分类时用到了统计。 它与最大似然分类有些类似，但是假定所有类的协方差相等，所以是一种较快的方法。 所有像元都被归到最临近的 ROI类，除非用户限定了一 个距离阈值（这时，如果一些像元不在阈值内，就会被划为无类别）。 最大似然法： 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。 波谱角分类： （ SAM）是一个基于自身的波谱分类，它是用 n维角度将像元与参照波谱匹配。 这一算法是通过计算波谱 间的角度（将它们处理为具有维数等于波段数的空间矢量），判定两个波谱间的类似度。 这一技术用于校准反射数据时，对照明和反照率的影响相对不灵敏。 SAM 用到的终端单元波谱可以来自 ASCII文件、波谱库或直接从图像中抽取（作为 ROI平均波谱）。 SAM 将终端单元波谱矢量和每一个像元矢量放在 n维空间比较角度。 较小的角度代表与参照波谱匹配紧密。 远离指定的弧度阈值最大角度的像元被认为无法分类。 二进制编码法： 将数据和终端单元波谱编码为 0和 1（基于波段是低于波谱平均值，还是高于波谱平均值）。 “异或”逻辑函数用于对每一种编码 的参照波谱和编码的数据波谱进行比较，生成一幅分类图像。 所有像元被分类到与其匹配波段最多的终端单元一类里，除非指定了一个最小匹配阈值（这时，如果一些像元不符合标准，它们将不参与分类）。 样本提纯技术： Spectral— n Dimensional Visualizer N维散度可视分析，是 ENVI比较有特色的功能，可以使样本更加纯净，提高分类精度。 3） 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。  Isodata（独立数据）非监督分类计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像 元迭代聚集。 每次迭代重新计算均值，且用这一新的均值对像元进行再分类。 重复分类是分割、融合和删除基于输入的阈值参数的。 除非限定了标准差和距离的阈值（这时，如果一些像元不满足选择的标准，就无法参与分类），所有像元都被归到与其最临近的一类里。 这一过程持续到每一类的像元数变化少于选择的像元变化阈值或已经到了迭代的最多次数。 （ 2） IsoData法：也称为迭代自组织数据分析算法。 它与 K_Means算法有两点不同：第一，它不是每调整一个样本的类别就重新计算一次各类样本的均值，前者称为逐个样本修正法，后者称为成批样本修正 法；第二， ISODATA算法不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动地进行类别的“合并”和分裂，从而得到类数比较合理的聚类结果。  KMeans（ K均值）非监督分类计算数据空间上均匀分布的最初类均值，然后用最短距离技术重复地把像元聚集到最近的类里。 每次迭代重新计算均值，且用这一新的均值对像元进行再分类。 除非限定了标准差和距离的阈值（这时，如果一些像元不满足选择的标准，就无法参与分类），所有像元都被归到与其最临近的一类里。 这一过程持续到每一类的像元数变化少于选择的像元变化阈值或已经到了迭 代的最多次数。 （ 1） K_Means法：其准则是使每一聚类中，多模式点到该类别的中心的距离的平方和最小。 其基本思想是，通过迭代，逐次移动各类的中心，直至得到最好的聚类结果为止。 4） 决策树分类：基于知识的分类，可以同时应用影像和 DEM信 息进行分类。 envidata\decision\；  {NDVI} ge 将植被和非植被区分开来；  {slope} lt 20 将坡上的植被和坡下的植被区分开来；  {aspect} lt 20 or {aspect} gt 340 将阴坡和阳坡区分开来；  b4 lt 20 因为第四波 段（ b4）对水体比较敏感，所以应用 b4， 将非植被中的水体区分开来；  b1 eq 0 由于边缘的值均为 0，小于 20，所以被分入水体类，应用 b1，将边缘和水体区分开来。 NDVI（ Normalized Difference Vegetation Index）归一化植被指数：是一个普遍应用的植被指数，将多波谱数据变换成唯一的图像波段显示植被分布。 NDVI 值指示着像元中绿色植被的数量，较高的 NDVI值预示着较多的绿色植被。 NDVI 变 换可以用于 AVHRR、 Landsat MSS、 Landsat TM、 SPOT 或 AVIRIS 数据，也可以输入其他数据类型的波段来使用。 5） 分类后处理： Classification— Post Classification  分类统计： Classification— Post Classification— Class Statistics： 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。