基于envi的地物分类

合集下载

envi遥感图像处理之分类

ENVI遥感图像处理之计算机分类

一、非监督分类

１、K—均值分类算法

步骤:1）打开待分类得遥感影像数据

２)依次打开：EＮVI主菜单栏—〉Cｌaｓsifiｃatiｏn—>Unsuperｖｉsed—>K—Means即进入K均值分类数据文件选择对话框

3）选择待分类得数据文件

选好数据以后，点击OK键，进入K-Means参数设置对话框，进行有关参数得设置，包括分类得类数、分类终止得条件、类均值左右允许误差、最大距离误差以及文件得输出等参数得设置

5）建立光谱类与地物类之间得联系：在新窗口中显示分类结果图：

然后，打开显示窗口菜单栏Tools菜单—＞Color Maｐpｉng—〉Ｃlass ＣolｏｒMａppｉｎg…进入分类结果得属性设置对话框，在这里,可以进行类别得名称，显示得颜色等，建立了光谱类与地物类之间得联系。

设置完成以后，点击菜单栏Opｔiｏnｓ-〉Saｖe Chang ｅs 即完成光谱类与地物类联系得确立

类得合并问题：如果分出得类中，有一些需要进行合并，可按以下步骤进行:选择ENＶI主菜单Classfaction-〉Post Clａｓsｆictｉon—>biｎe Classｅs，进入待

合并分类结果数据得选择对话框

点击OＫ键,进入合并参数设置

对话框，在左边选择要合并得

类，在右边选择合并后得类,点击

Add bination键即完成一组合

并得设置，如此反复，对其她需

合并得类进行此项操作，点击

OK，出现输出文件对话框,选择

输出方式，即完成了类得合并得

操作.

至此,K—均值分类得方法结束。

2、

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

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。

envi遥感图像监督分类与非监督分类

envi遥感图像监督分类

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,如下图所示：

详细操作步骤

第一步：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。

启动ENVI5.1,打开待分类数据：can_tmr.img。以R：TM Band 5，G：TM Band 4，B：TM Band 3波段组合显示。

通过目视可分辨六类地物:林地、草地/灌木、耕地、裸地、沙地、其他六类。

第二步：样本选择

（1）在图层管理器Layer Manager中，can_tmr.img图层上右键,选择”New Region Of Interest"，打开Region of Interest (ROI）Tool面板,下面学习利用选择样本。

1）在Region of Interest （ROI) Tool面板上，设置以下参数：

envi监督分类

Envi监督分类

简介

Envi（ENvironment for Visualizing Images）是一种用于大规模遥感图像分析的软件环境。它提供了一系列功能强大的工具和算法，用于监督分类、特征提取、变化监测等遥感数据处理任务。Envi监督分类是其主要功能之一，可以帮助用户实现高精度的地物分类和识别。

监督分类的基本原理

监督分类是指利用一组已标记的样本数据来训练分类器，并将该分类器应用于未标记的数据集。Envi监督分类涉及多种分类算法，如支持向量机（SVM）、随机森林（Random Forest）、神经网络（Neural Network）等。这些算法可以根据样本数据的特征和类别信息建立数学模型，从而对未知数据进行分类。

Envi监督分类的步骤

Envi监督分类主要包括数据准备、样本选择、分类器训练和分类结果评估等步骤。下面将逐一介绍这些步骤的具体操作。

数据准备

首先，用户需要准备用于分类的遥感图像数据。Envi支持多种格式的遥感图像文件，如TIFF、JPEG等。用户可以直接将图像文件导入到Envi中，也可以通过Envi的图像处理功能对图像进行预处理，如选择感兴趣区域、裁剪、去噪等。

样本选择

样本是监督分类的基础，它是已标记的数据点，每个数据点都包括一组特征和其对应的类别。在Envi中，用户可以使用绘制工具手动选择样本，也可以通过导入外部样本数据文件来自动选择样本。在选择样本时，用户应尽量保证样本的代表性和多样性，以提高分类器的泛化能力。

分类器训练

样本选择完成后，用户可以利用Envi提供的分类算法对样本数据进行训练，生成分类器模型。用户可以选择不同的算法和参数来训练分类器，以达到最佳的分类效果。在训练过程中，Envi会将样本数据划分为训练集和验证集，并根据验证集的分类精度调整模型参数，避免过拟合或欠拟合。

envi马氏距离分类

envi马氏距离分类是指在遥感数据分类中，利用马氏距离作为判别标准进行分类的方法。环境映射指标（Environmental Mapping Indices，EMIs）是一种用来描述遥感图像类别间差异的指标。将EMIs应用于马氏距离分类中，可以有效地区分不

同类别之间的差异，从而实现遥感图像的分类。

具体而言，马氏距离是一种用来衡量样本之间的相似性的指标，它考虑了各个变量之间的相关性。在马氏距离分类中，首先需要计算每个样本点与各个类别均值之间的马氏距离，然后将样本分配到与其马氏距离最小的类别中。

对遥感数据进行马氏距离分类时，需要借助于环境映射指标进行特征提取。环境映射指标是根据遥感图像数据的光谱、空间和时相特征等信息计算得到的，用来描述地物类别间的差异。这些指标可以通过特定的算法和模型来计算，例如利用主成分分析（PCA）等方法。

通过将环境映射指标与马氏距离相结合，可以获得更准确的遥感图像分类结果。这种方法可以有效地解决遥感图像分类中存在的样本重叠、类别不平衡等问题，提高分类的精度和鲁棒性。

总之，envi马氏距离分类是一种利用环境映射指标和马氏距离相结合的遥感图像分类方法，可以提高分类的准确性和鲁棒性，广泛应用于遥感图像分类和地物识别等领域。

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

ENVI--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。

envi高分三影像解译

摘要：

一、引言

二、ENVI高分三影像解译原理

1.高分卫星概述

2.三影像解译技术介绍

3.ENVI软件简介

三、ENVI高分三影像解译具体操作步骤

1.数据准备

2.影像预处理

3.特征提取与分析

4.分类与解译

5.结果后处理与分析

四、应用案例分享

1.土地利用分类

2.城市规划与基础设施监测

3.生态环境监测

五、总结与展望

正文：

一、引言

随着遥感技术的不断发展，高分卫星影像数据在我国遥感应用领域得到了

广泛的应用。其中，ENVI软件作为一款功能强大的遥感图像处理与分析软件，为广大用户提供了便利。本文将重点介绍ENVI在高分三影像解译方面的应用，以提高大家对遥感影像解译技术的认识和操作能力。

二、ENVI高分三影像解译原理

1.高分卫星概述

高分卫星是指具有高分辨率、高光谱分辨率和高时间分辨率的卫星。在我国，高分卫星主要有光学成像卫星、雷达卫星和热红外卫星等类型。它们可以获取地表详细的纹理、颜色和光谱信息，为三影像解译提供了丰富的数据来源。

2.三影像解译技术介绍

三影像解译技术是指利用高分辨率遥感影像（光学、雷达、热红外等）进行地物分类、目标识别和信息提取的技术。通过对三种类型的遥感影像进行融合与分析，可以有效提高地物解译的准确性和实用性。

3.ENVI软件简介

ENVI（Environment for Visualization and Interpretation）是一款由美国Exelis Visual Information Solutions公司开发的遥感图像处理与分析软件。它具有强大的遥感数据处理、地物解译、数据分析和可视化等功能，广泛应用于土地利用、生态环境、城市规划等领域。

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。

基于ENVI软件的遥感图像识别技术研究

遥感图像识别技术是遥感领域中的重要研究方向，应用范围广泛，可以在农业、环保、城市规划、林业等多个领域中发挥重要作用。在遥感图像的识别中，ENVI

软件是一种常见的应用软件，本文将阐述基于ENVI软件的遥感图像识别技术研究。

一、遥感图像识别技术概述

遥感图像识别技术是对遥感图像进行处理和分析，提取出图像中的有用信息，

实现目标物体与区域的识别、分类和判别。遥感图像识别技术通常分为图像的预处理和后处理两个步骤。

图像预处理主要包括影像校正、噪声抑制、增强和特征提取等。图像后处理主

要包括分割、分类和识别等。其中分类是识别的前置工作，通过对图像进行分类可以得到各个类别的概率分布，为后续识别提供基础。

二、ENVI软件介绍

ENVI是一款遥感图像处理和分析软件，主要用于各种遥感图像的处理、分析

和应用。ENVI可以实现对不同波段的图像进行处理和分析，提取出有用的信息，

支持多种数据格式的导入和输出。目前ENVI最新版本为ENVI5.5，已经形成了完

整的遥感图像处理和分析工具体系。

三、ENVI软件在遥感图像识别中的应用研究

ENVI软件有非常广泛的应用领域，特别是在遥感图像识别领域。以下是ENVI 软件在遥感图像识别中的应用研究。

1、基于利用改进的支持向量机和ENVI软件的高分遥感图像分类

高分辨率遥感图像是遥感图像识别的重要数据来源。高分遥感图像分类是一项

有挑战性的任务，若分类准确率提高1%，对于遥感图像的应用来说，是一项突破。

此项研究设计了一种基于改进支持向量机分类器和ENVI软件的高分辨率遥感图像分类方法，尝试解决分类器的性能问题，达到更高的精度。研究结果表明，所提出的算法可显著提高遥感图像的分类准确性，并在未分类数据上取得了较好的泛化能力。

基于ENVI的遥感图像监督分类方法比较研究

一、本文概述

随着遥感技术的快速发展，遥感图像已成为地理空间信息获取和提取的重要数据来源。在遥感图像处理中，图像分类是一个关键环节，对于理解地表覆盖、环境监测、城市规划等领域具有重要意义。监督分类作为遥感图像分类中的一种重要方法，通过利用已知类别的训练样本对图像进行分类，能够实现较高的分类精度。然而，不同的监督分类方法在处理遥感图像时可能存在差异，因此，对基于ENVI的遥感图像监督分类方法进行比较研究具有重要的理论和实践价值。

本文旨在探讨基于ENVI的遥感图像监督分类方法，包括最大似然分类、支持向量机分类、决策树分类和随机森林分类等。通过对这些方法的原理、特点及其在遥感图像分类中的应用进行比较分析，本文旨在揭示各种方法的优势和局限性，为实际应用中选择合适的分类方法提供指导。

本文首先介绍了遥感图像监督分类的基本原理和分类流程，然后详细阐述了ENVI软件中常用的监督分类方法，包括它们的理论基础、实现步骤以及参数设置。在此基础上，本文通过实验对比分析不同分类方法在遥感图像上的表现，以评估它们的分类精度和稳定性。本文总结了各种方法的优缺点，并探讨了未来遥感图像监督分类方法的发

展趋势。

通过本文的研究，可以为遥感图像分类领域的学者和实践者提供有益的参考，推动遥感图像分类技术的不断发展和完善。

二、遥感图像预处理

在进行遥感图像的监督分类之前，预处理是一个必不可少的步骤。预处理的主要目的是消除或降低图像中的噪声和干扰，增强图像的信息内容，为后续的分类提供高质量的数据。

ENVI高光谱分析

ENVI高光谱分析是一种用于图像处理和数据分析的软件平台，主要

用于处理和分析在大气、地球表面和水体等领域获取的高光谱数据。高光

谱数据是指在较窄波段范围内获取的光谱信息，通常包含数百个波段。ENVI高光谱分析利用这些波段信息，可以提供更详细、更精确的数据结果，有助于理解地球表面的复杂变化和环境过程。

1.数据预处理：ENVI高光谱分析可以对高光谱数据进行预处理，包

括大气校正、辐射校正、几何纠正等。这些预处理步骤可以消除由于大气、仪器和环境等因素引起的杂乱噪声，并提高数据的质量和可靠性。

2.特征提取：ENVI高光谱分析可以通过使用不同的数学和统计算法，从高光谱数据中提取目标的特征信息。这些特征可以用于分类、目标检测、遥感变化检测等应用。

3.数据可视化：ENVI高光谱分析可将高光谱数据以多种方式进行可

视化，包括光谱曲线、散点图、等高线、伪彩色图等。这些可视化方法有

助于用户直观地理解数据的内在规律和潜在关系。

4.数学建模和分析：ENVI高光谱分析提供了多种数学建模和分析工具，包括主成分分析、线性回归、非线性回归、聚类分析等。这些工具可

以帮助用户识别数据中的模式和趋势，从而进行进一步的数据分析和解释。

5.地物分类：ENVI高光谱分析可进行高光谱图像的地物分类，包括

监督分类和非监督分类。监督分类需要用户提供一些参考样本，用于训练

分类器；非监督分类则通过统计分析和像元聚类等方法，自动划分不同地

物类型。

6.数据挖掘：ENVI高光谱分析可以挖掘高光谱数据中的隐藏信息和趋势，帮助用户发现新的知识和洞见。数据挖掘算法包括关联规则挖掘、聚类分析、分类分析等。

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；

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。

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）。

ENVI监督分类制图操作

THANKS
感谢观看
通过遥感图像监督分类，可以快速获取地物类型的分布和变化信息，为决策提供科学依据。
与非监督分类相比，监督分类具有更高的分类精度和可靠性，能够更好地满足实际应用的需求。
02
ENVI软件概述
ENVI软件简介
ENVI（Environmental Workbench）是一款由美国Harris公司开发的遥感图像处理软件，广泛应用于环境监测、自然资源管理、城市规划等领域。
分类结果
分类结果预览
在ENVI软件中预览分类结果，检查是否存在明显的分类错误。
分类结果导出
将分类结果导出为 GeoTIFF、Shapefile等格式，便于后续分析和应用。
精度评价
通过混淆矩阵、Kappa系数等方法，对分类结果进行精度评价，以便于改进后续分类操作。
05
监督分类制图结果分析
研究深化：未来的研究将更加深入地探讨监督分类制图的理论和技术方法。例如，针对不同的遥感数据和地物类型，研究更加有效的样本选择和分类器选择方法；针对复杂地物类型和混合像元问题，研究更加精细化的分类方法和算法；同时，加强监督分类制图与其他领域的交叉研究，如地理信息系统、全球定位系统等，以促进遥感技术的综合应用和发展。
分类精度评价
分类精度评价
01
通过比较分类结果与实际数据，计算分类精度、混淆矩阵、