基于envi的地物分类
ENVI监督分类操作步骤简单示例
ENVI监督分类操作步骤简单示例
1.打开TM8
波段组合6、4、3
2.确定影像中心经纬度，同时打开google earth，确定影像在google中的对应位置
影像中心经纬度为：
33。
0’6” N; 98。
9’44” E
3.结合分类任务、影像信息以及google，确定图像总类别数
重点分：地表水、草地、林地
（1）初步判断影像中地表水可分为三类：1冰川、2湖泊、3河流
河流
冰川
湖泊（2）还分布有深绿色的4林地
林地
（3）草地往往分布在平坦的区域，比如河流周边等，颜色为浅绿色的5草地
草地
（4）根据纹理可以判断影像中有很多山脉，且是裸露的山脉（类似6山脉）
山脉
（5）河谷平原中还分布有7建筑物
建筑物
（6）在图像中还有许多未知地类，但是肯定不属于目标地物（林地、草地、地表水）的类别，建议单独分为一类，比如：云（颜色偏白色）等
8其他
初步判定，影像至少可以分为8类地物：
1冰川、2湖泊、3河流、4林地、5草地、6山脉、7建筑物、8其他
4.开始选择ROI
原则：每类均匀分类、数量足够
建议在ZOOM窗口下选ROI
考虑到建筑物的光谱信息与山脉以及其他较为接近，且在图像中分布极少，因此调整分类类别为：
1冰川、2湖泊、3河流、4林地、5草地、6山脉、7其他5.选择SVM分类（或最大似然分类）模型，进行分类。
基于ENVI的长沙市土地利用类型分析
基于ENVI的长沙市土地利用类型分析长沙市是湖南省的省会城市，也是湖南省重要的经济、政治、文化中心之一、作为一个发展迅速的城市，土地利用的类型和结构对城市的发展和规划至关重要。
本文将基于ENVI软件对长沙市的土地利用类型进行分析。
首先，我们需要获取长沙市的遥感影像数据。
遥感影像是通过卫星或飞机获取的地表覆盖信息，可以提供高分辨率的图像数据帮助我们分析土地利用类型。
选择适当的遥感影像可以提供详细的土地利用类型信息。
接下来，我们需要对遥感影像进行预处理。
预处理的目的是减少噪声、增强图像的对比度、去除大气和地貌影响等。
常用的预处理步骤包括大气校正、几何校正和辐射校正等。
在预处理完成后，我们可以进行图像分类和土地利用分类了。
图像分类是将遥感影像中的像元分成不同的类别，而土地利用分类则是将这些类别归类为特定的土地利用类型。
ENVI软件提供了多种分类算法，如最大似然法、支持向量机、随机森林等，可以根据需要选择适当的算法。
进行图像分类之前，我们需要确定分类的目标和类别。
长沙市的土地利用类型包括城市建设用地、农用地、林地、水域等。
我们可以将这些类别作为目标进行分类。
在进行图像分类时，我们可以使用人工标注和自动分类的方式。
人工标注是将一部分样本像素手动标注为特定类别，然后使用分类算法进行分类。
自动分类则是通过训练模型自动识别并分类。
一般情况下，人工标注和自动分类相结合可以得到更准确的结果。
分类完成后，我们可以对结果进行评估和精度验证。
评估的目的是检查分类结果的准确性和一致性。
常用的评估指标包括准确性、精度、综合判定系数等。
通过与实地调查数据对比，可以验证分类结果的精度。
最后，我们可以对分类结果进行可视化和分析。
通过将分类结果叠加到地图上，可以直观地显示长沙市的土地利用类型分布情况。
我们还可以使用空间统计方法对土地利用类型进行分析，比如计算各类别的面积、周长和相对位置等。
通过以上步骤，我们可以基于ENVI软件对长沙市的土地利用类型进行分析。
应用ENVI软件目视解译TM影像土地利用分类
应用ENVI软件目视解译TM影像土地利用分类一、本文概述随着遥感技术的不断发展，高分辨率卫星影像的获取与处理已经成为土地利用/覆盖分类研究的重要手段。
其中，TM（Thematic Mapper）影像，作为一种经典的中分辨率遥感数据源，具有广泛的应用前景。
然而，如何有效地从TM影像中提取土地利用信息，尤其是通过目视解译的方法，一直是遥感应用领域的研究热点。
本文旨在探讨利用ENVI软件对TM影像进行目视解译的方法，并对土地利用分类的过程进行详细阐述。
文章首先介绍了TM影像的特点及其在土地利用分类中的适用性，然后重点阐述了ENVI软件在目视解译过程中的优势和应用流程。
通过实例分析，本文展示了如何利用ENVI软件对TM影像进行预处理、特征提取、分类决策以及后处理，从而实现高精度的土地利用分类。
本文的研究不仅有助于提升TM影像在土地利用分类中的应用效果，同时也为其他遥感影像的目视解译提供了有益的参考。
通过本文的阐述，读者可以更好地理解ENVI软件在遥感影像处理中的重要作用，掌握土地利用分类的基本方法和技巧，为相关领域的实践和研究提供有力支持。
二、理论基础与技术方法土地利用分类是对地球表面土地利用类型进行划分和识别的过程，它是地理信息系统（GIS）和遥感（RS）技术的重要应用领域。
TM（Thematic Mapper）影像是由美国陆地卫星（Landsat）提供的多波段扫描影像，因其具有较高的空间分辨率和丰富的光谱信息，在土地利用分类中被广泛应用。
目视解译是一种基于专家知识和经验的影像解译方法，它通过人工观察和分析影像的纹理、色彩、形状等特征，结合地物的光谱特性，实现对地物类型的识别。
目视解译在土地利用分类中具有直观、准确和灵活等优点，尤其在处理复杂地物类型和细节信息时表现出色。
在ENVI软件中，目视解译可以充分利用其强大的图像处理和分析功能，如波段组合、色彩增强、空间滤波等，提高解译的精度和效率。
同时，ENVI软件还提供了丰富的地物分类工具和模型，如监督分类、非监督分类等，可以辅助用户进行自动化的土地利用分类。
envi土地利用分类步骤
envi土地利用分类步骤土地利用分类是将土地按照不同的功能类型进行划分和分类。
土地利用分类的目的是为了更好地管理和保护土地资源，并合理地规划和利用土地资源，以满足社会经济发展的需要。
以下是土地利用分类的基本步骤：1.收集土地利用相关信息：首先需要收集土地利用相关的数据和资料，包括土地利用现状、土地利用规划和政策文件、土地性质和土地所有者等信息。
2.制定土地利用分类标准：根据不同地区的自然环境、经济条件和社会需求等因素，制定适合的土地利用分类标准。
土地利用分类标准一般包括土地利用功能类型、土地利用等级和土地利用变化趋势等指标。
3.划定土地利用分类范围：根据土地利用分类标准，对土地利用进行划分和分类。
土地利用分类范围可以根据地理位置、土地利用功能、土地利用等级和土地利用变化趋势等因素来确定。
4.进行土地利用调查：根据土地利用分类范围，进行实地调查和采集相关数据。
调查内容包括土地利用类型、土地利用方式、土地利用面积、土地利用强度和土地利用变化等情况。
5.制定土地利用分类图：根据土地利用调查结果，制定土地利用分类图。
土地利用分类图是以图形方式反映土地利用的空间分布和组成的地理信息图。
6.进行土地利用评价：根据土地利用分类图，对土地利用的质量和效益进行评价。
土地利用评价可以从经济、社会和生态等多个角度进行，评价指标可以包括土地利用效益、土地可持续利用性和土地质量等方面。
7.制定土地利用规划：根据土地利用评价结果，制定土地利用规划。
土地利用规划是在合理利用土地资源的基础上，按照不同的功能类型进行土地利用规划，以推动土地资源的优化配置和高效利用。
8.实施土地利用规划：根据土地利用规划，制定相应的政策措施和管理措施，推动土地利用规划的实施。
实施过程中需要加强监督和管理，确保规划文件的落地和执行效果的达到。
9.定期评估和调整土地利用：定期评估和调整土地利用规划的实施效果，根据实际情况对土地利用规划进行调整和优化，以适应社会经济发展和土地资源变化的需要。
ENVI分类流程
ENVI分类流程ENVI是一种强大的遥感图像处理和分析软件，用于从航空或卫星遥感数据中提取地物信息和进行环境分析。
ENVI涵盖了广泛的功能，包括遥感图像预处理、分类和监督分类等。
本文将详细介绍ENVI分类流程。
1.数据预处理：在进行分类之前，应该对遥感图像数据进行预处理，以减少数据中的噪声和对比度差异。
ENVI提供了各种图像预处理工具，如辐射校正、大气校正、几何校正和平均滤波等。
这些预处理步骤有助于改善图像质量，并为后续的分类准备工作奠定基础。
2.区域定义：3.光谱统计：在进行分类之前，需要对图像数据中的不同光谱进行统计分析。
ENVI 提供了光谱统计工具，可以从图像中选择感兴趣的区域，并计算选定区域的光谱统计数据，如平均值、方差和标准差等。
这些统计数据对于分类算法的选择和参数设置起着重要的作用。
4.特征选择：根据前一步骤中计算得到的光谱统计数据，可以选择合适的特征用于分类。
ENVI提供了一系列的特征选择工具，可以根据不同的统计指标和算法选择特征。
特征选择的目的是减少特征的维度，提高分类的准确性和效率。
5.分类算法选择：ENVI提供了多种分类算法，如最大似然法、支持向量机、随机森林和人工神经网络等。
在选择分类算法时，需要考虑图像数据的特征和分类的目标。
不同的算法有不同的特点和适用范围。
一些算法适用于特定类型的图像数据，而其他算法则适用于各种类型的数据。
根据需要选择合适的分类算法。
6.分类参数设置：在使用分类算法之前，需要设置一些参数，如类别数、邻域大小和迭代次数等。
这些参数的设置取决于分类的目标和图像数据的特征。
ENVI提供了参数设置界面，可以通过调整参数值来优化分类结果。
7.监督分类：ENVI提供了监督分类工具，可以使用已知的样本数据来训练分类器。
监督分类需要已经标记好的样本数据，其中包含了不同类别的像素。
根据样本数据，分类器可以学习不同类别的特征，并将未知像素分类为相应的类别。
ENVI提供了几种监督分类算法，如最大似然法和支持向量机等。
最新ENVI 监督分类步骤
E N V I监督分类步骤ENVI监督分类监督分类用于在数据集中根据用户定义的训练样本类别聚集像元。
训练样本类别是像元的集合或单一波谱。
在分类过程中，可以选择它们作为代表区域或分类素材。
监督分类的步骤：类别定义/特征判别——样本选择——分类器选择——影像分类——分类后处理——结果验证数据：以Landsat TM为数据源，影像can_tmr.img处理过程：一、样本选择：打开影像can_tmr.img后543波段显示，目视判断一下这个影像中地物大概分几类，可定义偏暗红色的为裸地，鲜绿色的为耕地，深绿色的为林地，白色的为沙地，沙地与林地之间的绿色的为草地，黑色的为阴影与水体定义为其他。
在主影像窗口菜单中点overlay----region of interests, ROI tool窗口就打开了，window 的方式点击zoom窗口，先定义一类ROI：裸地在缩放窗口中画裸地，画的图斑尽量小，分布尽量均匀。
划完裸地后，点击new region，定义新的种类，沙地、林地、草地、其他的定义和画法都同裸地一样。
得到如下结果：二、验证样本：在ROI tool对话框菜单点击options—compute ROI separability 计算ROI 可分离性，这是一种定量的方式来验证样本的方法。
还有一种定性的来验证样本的方法是N维可视化方法。
选择要进行可分离性计算的文件为影像can_tmr.img，点击OK点击把六组样本都选择，点击OK。
出现如下报告：红笔圈画区域数字代表两类样本的相近性，数字越大代表越不相近，两类样本越不好区分。
后面每一栏>1.8最好，所以我们需要修改林地和草地。
激活草地（表格中草地前面带星号），点击Goto，进行逐一删除后重新画样本。
下图是我修改后进行计算ROI可分离性后的结果，每项都>1.8，合格。
三、影像分类：选好“训练场地”---样本后，我们就要把选好的样本适用于全图进行分类。
ENVI下土地利用类型转换(变化)矩阵(转)
ENVI下土地利用类型转换（变化）矩阵（转）土地利用类型转换矩阵可以从两幅栅格图中计算得到，也可以从两个矢量文件中计算获得。
下面介绍在ENVI下从两幅分类结果的栅格图中计算土地利用类型转换矩阵。
1、准备数据两个时相的土地利用分类结果，它是单波段、专题类型的伪彩色图像（ENVI Classification）。
2、计算转换矩阵打开两个土地利用分类结果。
（1）在主菜单中，选择Basic Tools →Change Detection →Change Detection Statistics。
（2）分别在Initial State对话框和final state对话框中选择前一时相和后一时相的土地利用结果。
（3）在Define Equivalent Classes对话框中（图1），如果两个土地利用分类名称一致，系统自动将Initial State Class和Final State Class对应，否则手动选择，单击Add Pair按钮选择。
（4）选择对应的地物类型之后，单击OK按钮，出现图2对话框。
选择生成图表表示单位（Report Type）：像素（Pixels）、百分比（Percent）和面积（Area）。
选择Output Classification Mask Images?为YES，输出掩膜图像，选择输入路径及文件名。
（5）单击OK，执行土地利用类型转换矩阵计算过程。
图1 Define Equivalent Classes对话框图2 选择数据参数3、查看结果（1）如图3为得到的土地利用类型转换矩阵结果。
横字段表示前一时间段（Initial State）的土地利用类别，纵字段为后一时间段（Final State）的土地利用类别。
横字段和纵字段交叉处表示变化值，如有2520900平方米林地用地变化为草地。
图3 土地利用类型转换矩阵（2）还可以为每一个地类生成一个变换掩膜图像，图4所示为其中一个地类的掩膜图像。
envi土地覆盖分类方法
envi土地覆盖分类方法嘿，咱今天就来说说 envi 土地覆盖分类方法。
你知道吗，这就像是给大地的各种“外衣”贴标签呢！想象一下，大地就像一个巨大的舞台，上面有着各种各样的“角色”，也就是不同的土地覆盖类型。
而 envi 土地覆盖分类方法呢，就是我们用来分辨这些“角色”的神奇工具。
它就像是一个超级侦探，能从复杂的表象中找出关键线索。
比如说，森林是一片郁郁葱葱的绿色，那它就是一个独特的“角色”；草原呢，是那一望无际的平坦绿地；而城市则是高楼大厦林立、道路纵横交错的景象。
我们通过 envi 土地覆盖分类方法，可以把这些不同的景象准确地区分开来。
这可不是一件简单的事儿啊！就好像你要在一群穿着相似衣服的人当中，准确地找出你的朋友一样。
这种方法为啥这么重要呢？那可关系大了去了！它能帮助我们更好地了解土地的利用情况，知道哪里是森林，哪里是农田，哪里是城市扩张的区域。
这对于环境保护、资源管理、城市规划等等，那可都是至关重要的呀！比如说，我们知道了森林的分布，就能更好地保护它们，让那些可爱的小动物们有个安稳的家呀！要是不知道，稀里糊涂地就把森林给破坏了，那得多糟糕呀！而且呀，这 envi 土地覆盖分类方法还在不断发展和进步呢！就像我们人一样，要不断学习新知识，变得更厉害。
它的精度越来越高，能分辨的类型也越来越多。
咱再想想，要是没有这个方法，那我们对大地的了解不就像盲人摸象一样，只知道个局部，不知道整体是啥样儿吗？那可不行呀！所以说呀，envi 土地覆盖分类方法可真是个宝贝！它让我们能更清楚地看到大地的“真面目”，为我们保护地球、合理利用资源提供了有力的支持。
咱可得好好珍惜和利用这个神奇的方法，让我们的大地变得更加美丽和宜居呀！这就是我对 envi 土地覆盖分类方法的看法，你觉得呢？。
envi土地利用分类步骤
envi土地利用分类步骤土地利用分类是对土地资源的合理利用进行分类、划分的过程，主要目的是为了保护土地资源，优化土地利用结构，实现可持续发展。
下面将详细介绍土地利用分类的步骤。
第一步：收集土地利用信息收集土地利用信息是进行土地利用分类的第一步，通过获取相关数据来了解土地利用状况，包括不同地区的土地类型、土地所有权、土地利用方式等等。
这可以通过研究相关文献、查阅统计数据、实地考察等方式来进行。
第二步：制定土地利用分类指标体系在进行土地利用分类之前，需要制定相应的指标体系作为分类的依据。
指标体系一般包括土地类型、土地利用强度、土地生态功能等多个指标。
这些指标可以根据实际情况进行调整和修改，以适应不同地区的土地利用分类需求。
第三步：划分土地利用功能区土地利用功能区是对土地利用分类的基本单元，根据土地利用目标和特点，将土地划分为不同的功能区。
根据不同的目标和特点，功能区可以包括农田、林地、草地、水域、城市建设用地等。
划分功能区时，要考虑土地的自然条件、社会经济因素和生态环境需求等。
第四步：进行土地利用类型划分在不同的功能区内，根据土地的具体用途和利用方式，进一步划分土地利用类型。
例如，农田可以划分为水稻田、小麦田、果园等；城市建设用地可以划分为工业区、商业区、住宅区等。
划分土地利用类型是为了更具体地了解土地利用状况，为后续的土地规划、管理和保护提供基础数据。
第五步：评估土地利用效益评估土地利用效益是对土地利用分类的一个重要环节，通过评估土地利用的经济、社会和环境效益，为土地利用决策提供科学依据。
评估土地利用效益可以采用多种方法，包括经济评价、生态评价、社会评价等。
评估结果可以用于指导土地利用调整、优化土地利用结构的决策。
第六步：制定土地利用规划在完成土地利用分类之后，根据不同的土地利用类型和功能区的特点和需求，制定相应的土地利用规划。
土地利用规划是对土地利用进行合理规划和布局的过程，旨在实现土地资源的最优配置和可持续利用。
envi阈值法提取地物类型
envi阈值法提取地物类型
在ENVI中，阈值法是一种常用的提取地物类型的方法。
以下是基本步骤：
1. 数据准备：首先，需要准备要进行地物提取的遥感影像数据。
2. 设置阈值：根据地物类型的特征，设置合适的阈值范围。
例如，如果想要提取水体，可以根据水体在影像中的亮度或反射率特征，设置一个较低的阈值，以及一个较高的阈值。
3. 选择工具：在ENVI中选择适当的工具进行阈值处理。
例如，“Multiband Threshold”或“Singleband Threshold”。
4. 执行提取：将阈值设置完成后，执行提取操作。
根据所选择的工具和数据类型，这一步可能会自动完成，或者需要手动进行。
5. 后处理：提取完成后，可能需要进行一些后处理操作，例如去除噪声、平滑边缘等。
6. 结果输出：最后，将提取的地物类型结果输出为矢量格式（如Shapefile 或GeoTIFF），以便在其他GIS软件中进行进一步的分析和应用。
需要注意的是，阈值法的提取效果取决于阈值的选择和地物的特征。
对于复杂的地物类型，可能需要结合其他方法和技术来进行准确提取。
同时，对于不同的遥感影像和数据源，可能还需要进行预处理（如辐射定标、大气校正
等）和图像增强（如对比度增强、色彩拉伸等）等步骤，以提高提取的精度和效果。
envi土地利用分类基本原理
envi土地利用分类基本原理
Envi土地利用分类基本原理是指在使用ENVI软件进行土地利用分类时，根据土地利用的特征和属性，将土地分为不同的类别。
其基本原理包括以下几点：
1. 根据遥感图像特征选择分类方法：根据遥感图像的特征，选择合适的分类方法。
如，监督分类适用于有足够代表性样本的情况下，而无监督分类则适用于样本数量较少或未知的情况下。
2. 确定分类系统：根据土地利用类型及其特征，确定分类系统。
分类系统应具有可比性、科学性和实用性，以便进行数据分析和比较。
3. 选择分类指标：根据分类系统，选择合适的分类指标。
分类指标应包括土地的形态、地貌、土地利用方式、植被覆盖等特征。
4. 定义分类规则：根据分类指标，定义分类规则。
分类规则应具有明确性、可重复性和实用性，以便进行数据处理和分类。
5. 土地利用分类精度评估：对土地利用分类结果进行精度评估，以检查分类规则的合理性和分类方法的准确性。
综上所述，ENVI土地利用分类基本原理包括根据遥感图像特征选择分类方法、确定分类系统、选择分类指标、定义分类规则和进行分类精度评估。
这些原理是进行土地利用分类的基础，也是保证土地利用分类结果准确性和实用性的关键。
- 1 -。
应用ENVI软件目视解译TM影像土地利用分类
应用ENVI软件目视解译TM影像土地利用分类目前,遥感数据被广泛用于土地利用和土地覆盖研究。
计算机识别分类是遥感技术应用的一个重要组成部分,是实现遥感技术用于资源环境的调查的重要途径之一。
利用遥感图像解译编制土地利用类型图是一种经济实用的方法,它将为分析自然条件,摸清土地资源的数量与质量并进行合理利用提供科学依据。
本文结合实际项目,就如何借助于ENVI与ArcGIS平台,通过目视解译TM影像进行土地分类展开讨论,归纳总结其作业过程,旨在为类似项目提供参考。
本高。
综合比较后,决定利用近年代植被丰富期的遥感数据,通过目视解译的方法,建立解译标志,从而获取土地利用现状样本知识解译项目区土地利用现状分类;然后通过已识别的土地利用类型测算各类土地面积。
其作业流程见图1。
2 数据选型本项目原计划采购2007年7-8月份(新疆地区耕地覆盖最为密集)的spot4-20m分辨率多光谱数据。
但查询存档数据后发现该数据只覆盖到部分项目区,缺失部分过多,采用编程获取经济代价过高。
*****是美国陆地探测卫星系统。
TM在*****5上面装备的ThematicMapper(TM)设备在红外波段有8个波段的感应器,覆盖了从红外到可见光的不同波长范围,其覆盖面广,数据存档全面。
为满足项目的时像新、地表覆盖全面等要求,本项目采用的影像资料是*****5卫星的TM影像数字产品,成像时间为2007年9月,其影像质量较好,并配合使用1B5万地形图,用于提取行政特区界线及典型地物点。
1 项目概况为了满足某流域区水利工程基础设施规划及实施工作的需要,必须在水利工程布置前期获取区域土地利用现状分布图。
项目区域涉及地域面积3.4万平方公里,属平原区。
经查找项目区只有1997年的土地利用现状资料,数据过陈旧,不利于合理、准确地开展规划工作,而外业调绘周期长、成3 遥感影像数据预处理遥感影像数据预处理的主要目的是消除图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,从而改进特征识别和提取的可靠性。
ENVI地物识别流程
高光谱1、遥感数据定标：遥感数据本质上是地物波谱。
为了保证样本于地物关系的一致性，首先对遥感数据进行反射率定标。
将影像的灰度值转化为反射率或辐射率图像。
2、采用MNF方法实现信息重组：基于对高光谱遥感图像信息提取开发出来的MNF分析是在主成分分析基础上经过进一步改进，由美国著名科学家Boardman 和Kruse于1994年发明的一种图位空间变换方法。
基于对高光谱遥感图像信息提取开发出的MNF分析首先把噪声成分从图像信息中分离出去，这样也同时减少了对超大数据量的处理要求。
MNF分析的第一步是以噪声成分的协方差矩阵为基础，对图像数据作去相关和重定标处理，这样使得噪声成分具有单一方差，且没有带到带的相关性；第二步对经上述处理后的新数据作一次标准的主成分分析。
最后，通过对比特征值与相应的结果图像可以把结果图像分成大特征值和主要成分图像，小特征值和噪声成分为主的图像两部分。
3、利用PPI（纯净像元指数）进行样本提纯纯净像元指数法对图像中的像素点进行反复迭代，找出图像中相对纯净的像元（作为图像波谱终端单元），选择MNF结果的前三个主成分作为分析数据，结果图像中最亮的像元是最纯净的像元，把它们定义为感兴趣区（ROI）。
4、利用N-D散度法进行样本重组为了提高样本的精度，ENVI提供N维散度法来进一步提纯样本。
N维散度法不仅利用了最新的可视化技术使用户可以在真实N维样本空间中进行样本分离，而且可以使样本精度大大提高，减少了由于肉眼识别造成的误差。
我们将选出的ROI进行n维散度分析，允许散点在n维空间适时旋转，散点的运动使得用户能同时使用图像的所有波段做波谱分析，技术人员的视觉技术和散点的几何形状被同时使用来定位图像的波谱终端单元，这些波谱终端单元可以用于波谱角分类、混合像元分解、匹配滤波和光谱特征拟合等。
5、分类并进行地物识别由于传统统计分离法没用考虑地物波谱特征和混合像元问题，往往造成分类中的混分和漏分，同时也无法反映地物分类的真实性。
envi阈值法提取地物类型
envi阈值法提取地物类型环境敏感度评价是一种用来评估地表覆盖变化对环境敏感性的方法。
其中，ENVI阈值法是一种常用的地物类型提取方法。
本文将介绍ENVI阈值法的原理和步骤，并且通过实例演示其在地物类型提取中的应用。
ENVI阈值法是基于像元的分类方法，它通过将图像中的像元灰度值与预先设定的阈值进行比较，从而将像元划分为不同的地物类型。
其主要步骤包括：图像预处理、阈值设定和像元分类。
下面将详细介绍这些步骤。
首先，图像预处理是ENVI阈值法的前提步骤。
图像预处理的目的是去除噪声、增强地物特征，并提高像元的可区分性。
常用的图像预处理方法包括辐射校正、大气校正、直方图均衡化等。
其次，阈值设定是ENVI阈值法的关键步骤。
阈值的选择直接影响地物类型的提取效果。
阈值的设定需要根据图像的特点和研究目的来进行。
常用的阈值选择方法包括直方图法、最大类间方差法、自适应阈值法等。
最后，像元分类是ENVI阈值法的最终步骤。
在此步骤中，根据预先设定的阈值，将图像中的像元划分为不同的地物类型。
通常情况下，像元可以分为水体、植被、建筑等不同的地物类型。
在像元分类过程中，可以根据实际需要进行后处理，如去除孤立的像元、填补空洞等。
以下是一个具体的实例，以说明ENVI阈值法在地物类型提取中的应用。
假设我们有一幅遥感图像，我们的任务是提取其中的水体和植被。
首先，我们对图像进行预处理，包括辐射校正、大气校正等。
然后，我们根据图像的特点和研究目的，选择合适的阈值。
在本例中，我们选择自适应阈值法来设定阈值。
最后，根据设定的阈值，我们将图像中的像元划分为水体和植被。
在像元分类的过程中，我们可以通过后处理，如去除孤立的像元、填补空洞等，来进一步提高分类的准确性。
总结起来，ENVI阈值法是一种常用的地物类型提取方法。
它通过将图像中的像元灰度值与预先设定的阈值进行比较，将像元划分为不同的地物类型。
ENVI阈值法的步骤包括图像预处理、阈值设定和像元分类。
envi5.6最小距离法分类
envi5.6最小距离法分类随着数字影像技术的不断发展和应用，遥感影像数据在地质勘探、环境监测、城市规划等领域得到了广泛的应用。
在遥感影像分类中，最小距离法是一种简单而有效的分类方法。
本文将对envi5.6最小距离法分类进行介绍和分析。
一、最小距离法概述最小距离法是一种基于样本点的分类方法，其基本思想是将待分类像元与已知类别的样本点进行比较，按照某种度量标准计算它们之间的相似度，然后将像元归入与其距离最近的样本点所对应的类别中。
最小距离法的主要优点是计算简单，易于理解和实现。
它不仅适用于单波段影像数据，也可以在多波段或高维数据上进行分类，因此得到了广泛的应用。
二、envi5.6最小距离法分类的基本原理envi5.6是一款常用的遥感影像处理软件，其最小距离法分类工具是其自带的影像分类功能之一。
在envi5.6中，最小距离法分类的基本原理是利用待分类像元与已知类别的样本点之间的欧氏距离来判断待分类像元所属的类别。
欧氏距离的计算公式为：D=sqrt[(x1-y1)^2+(x2-y2)^2+...+(xn-yn)^2]其中D表示欧氏距离，x1、x2、...、xn表示待分类像元的特征值，y1、y2、...、yn表示已知类别的样本点的特征值。
根据欧氏距离的计算结果，将待分类像元划分给与其距离最近的样本点所对应的类别。
三、envi5.6最小距禁法分类的操作步骤在envi5.6中进行最小距离法分类的操作步骤如下：1. 打开envi5.6软件，加载需要分类的遥感影像数据；2. 确定影像数据的类别数量，并在影像上选择代表每个类别的样本点；3. 确定分类所需的波段组合或特征值，并进行相应的数据预处理和特征提取；4. 在envi5.6中调用最小距离法分类工具，设置分类参数和样本点，运行分类算法；5. 完成分类后，对分类结果进行验证和调整，得到最终的分类图像。
四、envi5.6最小距离法分类的优缺点分析envi5.6最小距禁法分类作为一种简单而有效的分类方法，具有以下优点：1. 计算简单、易于理解和实现；2. 不受数据维度和波段数量的限制，适用于多种不同类型的遥感影像数据；3. 可以结合其他遥感数据处理和分析方法，提高分类的精度和稳定性。
ENVI常规数据处理方法
ENVI常规数据处理方法ENVI是一种广泛使用的遥感图像处理软件，可用于处理和分析来自卫星、飞机和无人机的遥感数据。
它提供了许多常规数据处理方法，可以帮助用户从原始遥感图像中提取有用的信息。
以下是一些常见的ENVI数据处理方法：1.图像增强：ENVI提供了各种图像增强技术，如直方图均衡、直方图匹配和滤波器等。
这些方法可以提高图像的对比度和清晰度，使信息更易于观察和分析。
2.波段算术：ENVI允许用户应用波段算术来处理遥感图像。
用户可以使用加法、减法、乘法和除法等操作来组合或转换波段，以增强特定的目标和特征。
3.地物分类：ENVI提供了各种地物分类方法，如最大似然分类、支持向量机和随机森林等。
这些方法可以根据图像的光谱特征将像素分类为不同的地物类别，例如植被、水体和建筑物。
4. 物理参数提取：ENVI可以通过光谱反射率分析来提取从遥感图像中得到的物理参数。
用户可以使用ENVI Spectral Indices工具来计算不同的指标，如NDVI（归一化植被指数）和EVI（增强型植被指数），以评估土壤湿度、植被生长和植被健康状况等。
5.变化检测：ENVI可以用于检测遥感图像之间的变化。
用户可以使用像素差异、比例差异或图像差异方法来比较两个或多个时间点的图像，以便检测地表的变化，如植被覆盖变化、土地利用变化和自然灾害后的损失等。
6.高程提取：ENVI提供了用于高程提取的工具，如视差法和立体匹配。
这些工具可用于从多个角度或视角的遥感图像中提取地表的三维信息，以获得地形高程模型（DEM）或数字高程模型（DSM）。
7.影像拼接：ENVI允许用户将多个遥感图像进行拼接，以创建更大范围的图像。
用户可以使用自动拼接工具来对齐和融合图像，以创建完整的场景。
8.视觉化和数据可视化：ENVI提供了各种视觉化和数据可视化方法，以帮助用户更好地理解和解读遥感数据。
用户可以使用ENVI中的伪彩色合成、分光成像和数据直方图等工具来可视化和分析图像数据。
基于ENVI 5.X用地分类的掩膜制作方法及步骤
前 的 一 大 难 题 ，因 此 提 高 技 术 创 新 能 力 ，充分利用现
有的技术，从分类的核心技术着手，才能有所突破。
参考文献：
丨1】 梅 安 新 ，彭 望 碌 .遥 感导论[MJ北 京 ：高 等 教 育 出 版 社 ,2 0 0 1 .
[2 ]
杨 树 文 ，董 玉 森 ，罗 小 波 ，等.遥感数字图像处理与分析一
首 先 在 ENVI 5.1中 打 开 L7-1999.t i f 文 件 ，在 ENVI 工具箱中选择 Raster Management—►Masking—>• Build Mask，弹出 Build Mask Input File 对 话 框 ，选 择 L7-1999.tif，单击 OK 按 钮 ，弹出 Mask Definition 对 话 框 中 点 击 Options—^Import ROLs, 在 弹 出 Mask Definition Import ROLs 对 话 框 中 单 击 Select All Items弹 出 图 4 对话框“林 地 ”“居民点”，选 择 “居民 点 ”单 击 0 K 按 钮 ，单 击 Choose选择输出文件路径 和文件名单击0 K ，掩膜创建成功，如 图 5 所 示 ：
打开 File 主 菜 单 一> New —► 弹出 Region of In terest (ROL)Tool 对 话 框 ，在 对话框 中单击 New R0 I 图标新建R0 I , 输 人 ROIName和 ROIColor颜 色 ， 默 认 R0 I 绘 制 类 型 为 P〇lyg〇n(多 边 形 ），也可以绘 制 Rectangle (矩 形 ） 、 Ellipse (椭 圆 ） 、Polyline ( 线 ）和 Point(点）。在遥感影像上辨别居民点区域并单击鼠
envi土地覆盖分类的分类器类型
环境土地覆盖分类的分类器类型近年来，随着地球资源的快速消耗和生态环境的不断恶化，环境保护问题备受关注。
土地覆盖分类是环境科学领域中的重要研究内容之一，它对环境管理、资源利用规划、生态环境保护等方面具有重要意义。
而土地覆盖分类器的研究也成为了近年来环境科学研究的热点之一。
本文将详细介绍环境土地覆盖分类的分类器类型，希望对相关研究工作者和学习者能有所启发和帮助。
1. 监督分类器监督分类器是根据已知类别的训练样本来训练分类器，再根据训练得到的模型对未知类别的样本进行分类。
监督分类器常用的算法包括最近邻算法（KNN）、支持向量机（SVM）、决策树（DT）、随机森林（RF）等。
这些算法在土地覆盖分类领域的应用广泛，可以提高土地覆盖分类的准确性和稳定性。
2. 无监督分类器无监督分类器是一种不需要已知类别信息的分类方法，它通过对样本数据的特征进行聚类，将相似的样本归为一类。
常见的无监督分类器包括K均值聚类、高斯混合模型等。
无监督分类器在土地覆盖分类中的应用会受到数据特征的影响，需要通过实际数据的测试和验证来确定分类的准确性和可行性。
3. 深度学习分类器深度学习分类器是近年来兴起的一种基于神经网络的分类方法，其通过对数据的特征进行多层次的学习和表征，从而实现对复杂数据的高效分类。
深度学习分类器具有很强的自适应能力和泛化能力，可以应对土地覆盖数据中的复杂特征和多样性。
但深度学习分类器也需要大量的数据和计算资源来进行训练和优化，因此在实际应用中需要考虑到其计算成本和时间成本。
4. 组合分类器组合分类器是将多种不同的分类器组合在一起，以提高分类的准确性和稳定性。
常见的组合分类器包括Bagging、Boosting等方法。
组合分类器在土地覆盖分类中的应用可以综合各种分类器的优势，克服各种分类器的局限性，从而提高土地覆盖分类的整体性能。
总结来看，环境土地覆盖分类的分类器类型多种多样，每种分类器都有其适用的场景和局限性。
在实际应用中，需要根据具体的问题和数据特征选择合适的分类器类型并进行优化。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一、非监督分类
仅凭遥感影像地物的光谱特征的分布规律，即自然聚类性， 迚行“盲目”的分类；其类别的属性是通过分类结束后目 视判读或实地调查确定的。
1.K-均值聚类法 2.IsoData聚类算法
1.K-均值聚类法
K-均值算法的聚类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。 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。
分类后处理
1.合并：在主菜单中Classification—post classification—Sieve Classes
• 2.生成混淆矩阵：主 菜单中， Classification—post classification— confusion Matrix— Using Ground Truth ROIS.将所有类别都选 上。
参数值＜1.8需重新选择，＞1.9说明样本之 间分离性好
6.Roitools对话框中单击saveRois保存
7.选取的训练区保存以后，迚行分类。主菜 单—Classification—supervised-------maximum likelihood（最大似然法）
在弹出的对话框中选待分类的图像：
保存混淆矩阵
在分类中遇到的问题：
1. 类别数的确定:目视判读?经验指导? 2. 样本训练区的选择:有代表性的多训练区选取,如丌同的植 被区域选取. 3. 训练样本间的可区分度指标(这一点在erdas实习中没有 涉及,在实习中,七类分别为长江、汉江、湖泊、水田等， 但在envi的样点选取中这些类别之间的可区分度均小于 1.8，意味着这些类别之间丌可区分需要迚行删除或者合 并，因此涉及到了类别数的确定问题和分类精度问题以 及分类的精确度问题） 4. 两类的边界线上的样点分类的丌确定性
参数设置：
在原图窗口点Overlay→Classification→改 变类别颜色、名称并合并后得到如下结果
• 1.植被
2.道路（？？？）
3.居民区+植被稀疏地面→居民地（？？！）
数据分析如K-均值
• 由上可见，非监督分类的类别界限还是比较粗糙的。而且 自主调节的范围有限，于是又尝试了监督法分类。
二、监督法分类
确定每个类别的样区
学习或训练
确定判别函数和相应的判别规则
计算未知类别的样本观测值的函数值
按规则进行像元的所属判别
1.打开将要分类的影像File—open image file 选择相应的波段，在Available Band 中以 RGB打开，为真彩色，即地物的真实颜色。
2.在待分类影像上选样本。主菜单:Basic Tool——Region of interest——ROI Tool， 迚行取采样点。在弹出的对话框中选 Polygon.
主菜单→Classification→Unsupervised→KMeans
设置参数。如类别数、最大迭代次数
原图：
K-Means分类后：
在原图窗口点Overlay→classification
合并类别：
பைடு நூலகம்
改变颜色、名称、合并类别之后的K-Means：
获取分类信息：
在envi主菜单里，点Classification→Post Classification→Class Statistics
用最大似然法迚行监督分类，主菜单栏Classification — Supervised—Maximum Likelihood 迚入选择参数的对话框。 →Select all Item →阈值Probability Threshold一般在0~1之间。 • 丌需输出真实值。 • 因为还要分类后处理，储存至memory.
输出项选择
• 缺点:这种算法的结果受到所选聚类中心的数目和其初始位 置以及模式分布的几何性质和读入次序等因素的影响，并 且在迭代过程中又没有调整类数的措施，因此可能产生丌 同的初始分类得到丌同的结果。
2.IsoData聚类
• 可以自动地迚行类别的“合并”和“分裂”，从而得到类 数比较合理的聚类结果。
3.按照自己的需求选完训练区后保存ROI.
4.选择好个地物的样本后在ROI对话框中 Options——Compute ROI Separability 中 检查把丌同地物的差异情况，如大于1.8为合 格,若小于可对该样本迚行GO TO 修改，或 Delete ROI处理。
5.在ROI Separability Calculation中双击 Select All Items选择所有Roi用于分离性计 算