遥感影像分类envi
遥感ENVI实验报告
遥感ENVI实验报告一、实验目的本实验的目的是学习和掌握ENVI（Environment for Visualizing Images）软件在遥感图像处理方面的应用。
通过本次实验，我们将了解遥感图像的基本概念和原理，并学习使用ENVI软件进行图像预处理、分类和地物提取。
二、实验要求1.学习ENVI软件的基本操作和功能；2.能够对遥感图像进行预处理，如辐射校正和大气校正；3.能够对遥感图像进行分类，如最大似然分类和支持向量机分类；4.能够进行地物提取，如植被指数计算和特征提取。
三、实验步骤和结果1.图像预处理首先，我们导入了一幅Landsat 8卫星遥感图像，并进行了辐射校正和大气校正。
辐射校正是将图像中的DN（数字化值）转换为辐射度值，以便进行后续的大气校正和分类。
大气校正是根据大气传输模型对图像进行校正，以消除大气影响。
经过预处理后，我们得到了一幅处理后的图像。
2.图像分类接下来，我们使用ENVI软件进行了图像分类。
我们采用了最大似然分类和支持向量机分类两种方法进行分类。
最大似然分类是一种统计分类方法，通过最大化每类像素的似然度来划分不同类别，得到分类结果。
支持向量机分类是一种基于机器学习的分类方法，通过训练样本来构建分类模型，并用于对图像中的未分类像素进行分类。
3.地物提取最后，我们对图像进行了地物提取。
我们计算了该图像的植被指数，并使用阈值法将植被像素提取出来。
植被指数是通过计算不同波段之间的光谱差异来反映植被覆盖程度的指标。
我们还对植被像素进行了形状和纹理特征的提取，以获取更具有区分度的特征。
实验结果显示，经过图像预处理和分类，我们得到了一幅分类结果图。
通过该图像，我们可以清楚地看到不同地物类别的分布情况。
同时，通过地物提取，我们成功提取出了图像中的植被像素，并获得了植被的形状和纹理特征。
四、实验总结通过本次实验，我们学习和掌握了ENVI软件在遥感图像处理方面的应用。
我们了解了遥感图像的基本概念和原理，并学会了使用ENVI软件进行图像预处理、分类和地物提取。
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4)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6)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、ISODAＴA算法基本操作与K—均值分类相似。
1）进行分类数据文件得选择(依次打开:EＮVI主菜单栏—＞Clａｓsifｉｃation—>Unsupeｒｖised—＞IsoＤaｔa即进入ISODATA算法分类数据文件选择对话框，选择待分类得数据文件）2）进行分类得相关参数得设置(点击ＯK键以后，进入参数设置对话框，可以进行分类得最大最小类数、迭代次数等参数得设置）3）如此，光谱类得划分到此结束。
envi遥感影像精度检验步骤
envi遥感影像精度检验步骤
以下是使用ENVI进行遥感影像精度检验的步骤：
1.加载图像：在ENVI中加载需要进行精度检验的遥感影像。
2.创建训练样本集：根据实际需要，使用ROI工具创建训练样本集。
训练样
本集应该包含真实的地物信息，用于后续的分类精度评估。
3.分类：在ENVI中进行图像分类，得到分类结果。
常用的分类方法包括监督
分类、非监督分类等。
4.精度评估：使用ENVI中的混淆矩阵工具，对分类结果进行精度评估。
混淆
矩阵可以显示分类结果中的各类地物正确和错误的分类情况。
5.分析精度：根据混淆矩阵的分析结果，可以得出分类精度、总体精度、
Kappa系数等精度指标，进而评估分类结果的可靠性。
6.优化分类：根据精度评估结果，对分类过程进行优化，例如调整分类参数、
改进训练样本集等，以提高分类精度。
7.应用改进后的分类方法：将优化后的分类方法应用到实际遥感影像中进行
分类，并对分类结果进行精度评估，确认是否达到了精度要求。
通过以上步骤，可以对遥感影像的分类结果进行准确的精度评估，为后续的数据处理和应用提供可靠的基础。
需要注意的是，以上步骤只是其中的一部分流程，具体的操作方法和参数设置可能因遥感影像的数据特点和实际需求而有所不同。
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：ROI Name：林地ROI Color：2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本,一个多边形绘制结束后,双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择；3）同样方法，在图像别的区域绘制其他样本,样本尽量均匀分布在整个图像上;4）这样就为林地选好了训练样本。
遥感影像分类精度评价
遥感影像分类精度评价在ENVI中，选择主菜单->Classification->Post Classification->Confusion Matrix->Using Ground Truth ROIs。
将分类结果和ROI输入，软件会根据区域自动匹配，如不正确可以手动更改。
点击ok后选择报表的表示方法（像素和百分比），就可以得到精度报表。
对分类结果进行评价，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，比较常用的为混淆矩阵，ROC曲线可以用图形的方式表达分类精度，比较形象。
对一帧遥感影像进行专题分类后需要进行分类精度的评价，而进行评价精度的因子有混淆矩阵、总体分类精度、Kappa系数、错分误差、漏分误差、每一类的制图精度和拥护精度。
1、混淆矩阵（Confusion Matrix）: 主要用于比较分类结果和地表真实信息，可以把分类结果的精度显示在一个混淆矩阵里面。
混淆矩阵是通过将每个地表真实像元的位置和分类与分类图象中的相应位置和分类像比较计算的。
混淆矩阵的每一列代表了一个地表真实分类，每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量，有像元数和百分比表示两种。
2、总体分类精度（Overall Accuracy）: 等于被正确分类的像元总和除以总像元数，地表真实图像或地表真实感兴趣区限定了像元的真实分类。
被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。
像元总数等于所有地表真实分类中的像元总和。
3、Kappa系数：是另外一种计算分类精度的方法。
它是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线（Xkk）的和，再减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到的。
基于ENVI的遥感影像监督分类方法的研究
基于ENVI的遥感影像监督分类方法的研究作者：童威来源：《科技创新与应用》2019年第23期摘; 要：随着遥感技术的发展和遥感图像采集方式的多样性，对遥感图像处理技术的要求更高。
文章介绍了三种常见的监督分类算法：支持向量机、最大似然法、BP神经网络;并利用上述三种算法对南泥湾地区同一幅SuperView-1遥感影像进行了分类，获得分类解果并评估准确性;然后对三种算法进行了比较，分析三种算法的优缺点，得出支持向量机分类精度最低，最大似然法次之，神经网络最高;最后得出结论，BP神经网络是一种较为优良的遥感影像分类算法。
关键词：监督分类;支持向量机;最大似然法;BP神经网络;遥感影像中图分类号：P237 文献标志码：A 文章编号：2095-2945（2019）23-0006-04Abstract： With the development of remote sensing technology and the diversity of remote sensing image acquisition methods， there is higher demand for remote sensing image processing technology. This paper introduces three common supervised classification algorithms： support vector machine， maximum likelihood method and BP neural network. The same SuperView-1 remote sensing image in Nanniwan area is classified by using the above three algorithms， and the classification results are obtained and the accuracy is evaluated. Then， the three algorithms are compared， and the advantages and disadvantages of the three algorithms are analyzed. It is concluded that the classification accuracy of support vector machine is the lowest， the maximum likelihood method is the second， and the neural network is the highest. Finally， it is concluded that BP neural network is an excellent remote sensing image classification algorithm.Keywords： supervised classification; support vector machine; maximum likelihood method; BP neural network; remote sensing image引言隨着遥感技术的迅速发展，遥感图像采集方法也越来越多样化，其应用也越来越广泛。
遥感影像分类envi
遥感课程教学实验之二:遥感影像分类实验二遥感影像的分类遥感影像的监督分类实验目的理解计算机图像分类的基本原理以及监督分类的过程，学会利用遥感图像处理软件对遥感图像进行分类的方法。
*实验内容1、遥感图像分类原理。
2、遥感图像监督分类。
3、最大似然法分类•实验条件电脑、ENVI4.5软件。
厦门市TM遥感影像。
*实验步骤1、启动ENVI软件，从文件菜单打开多波段影像文件，从可用波段列表中装载彩色或假色影像，显示遥感影像。
2、从主图像窗口的工具Tools → RegiOn Of Interest → Rol Tools;3、在自动打开的ROI Tools窗口中，设定ROI_TyPe为Polygon ”（多边形），选定样本采集的窗口类型，用Zoo m（缩放窗口）进行采集。
ENVl4、在选定的窗口如Zoom用鼠标左键画出样本区域，在结束处击鼠标右键二次，样本区域被红色充填，同时Rol Tools窗口中显示采集样本的信息。
采集新的样本点击NeW RegiOn”，重新上述步骤进行多个地物样本采集。
BrUr- 1∙≡t> BAE βtj UD ∙"⅛∙⅛> ≡⅛,5、从ENV主菜单中，选CIaSSifiCation > SUPerViSed > MaXimUm Likelihood ;或在端元像元采集对话框Endmember Collection 中选择Algorithm >MaximumLikelihood 进行最大似然法分类。
6、在出现CIaSSifiCation InPUt File 对话框中，选择输入影像文件，出现MaXimUmLikelihood ParameterS 对话框。
7、输入常规的分类参数。
设定一个基于似然度的阈值(Set PrPbabiIity ThreShold ):如不使用阈值，点击None”按钮。
要对所有的类别使用同一个阈值，点击Si ngle Value "按钮，在PrObabiIityThreShold ”文本框中，输入一个0到1之间的值。
ENVI中掩膜掩膜操作及影像分类教程
ENVI中掩膜掩膜操作及影像分类教程一、ENVI中的掩膜操作1.矢量掩膜矢量掩膜是指利用矢量图层作为掩膜对遥感影像进行遮罩。
在ENVI 中，可以将矢量图层导入后，选择“File -> Open -> Raster”命令，导入需要进行掩膜的遥感影像。
然后在“Raster Manager”对话框中，选中要进行掩膜的影像，并选择“Processing -> Mask -> BY Vector”命令。
在弹出的“Mask Parameters”对话框中，选择要使用的矢量图层，并设定输出掩膜后的文件名和路径。
2.栅格掩膜栅格掩膜是指利用另一个栅格影像作为掩膜对目标遥感影像进行遮罩。
在ENVI中，可以选择“File -> Open -> Raster”命令，导入需要进行掩膜的遥感影像。
然后在“Raster Manager”对话框中，选中要进行掩膜的影像，并选择“Processing -> Mask -> BY Raster”命令。
在弹出的“Mask Parameters”对话框中，选择要使用的栅格图层，并设定输出掩膜后的文件名和路径。
二、ENVI中的影像分类1.颜色转换在ENVI中进行影像分类前，需要对遥感影像进行颜色转换，将影像的不同波段转换为RGB彩色图像，以便于观察和分析。
在ENVI中，可以选择“Display -> Color”命令，打开“Display Color Table”对话框，选择要显示的波段，并设置彩色表。
2.基于统计的分类方法基于统计的分类方法是根据各像元的统计特征进行分类的方法，常见的方法有最大似然法、最小距离法、支持向量机等。
在ENVI中，可以选择“Classification -> Supervised -> Maximum Likelihood”命令，打开“Maximum Likelihood Classification”对话框，根据实际需求设置各项参数，并进行分类。
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：ROI Name：林地ROI Color：2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择；3）同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上；4）这样就为林地选好了训练样本。
利用ENVI软件处理遥感影像(精)
科技信息1.ENVI 软件简介ENVI 全称是 The Environment for Visualizing Images , 是美国 ITT VIS (ITT Visual Information Solutions 公司的旗舰产品, 是由遥感领域的科学家采用交互式数据语言 IDL(InteractiveData Language 开发的一套功能强大的遥感影像处理软件。
它是快速、便捷、准确地从影像中提取信息的首屈一指的软件工具。
目前, 众多的影像分析师和科学家选择 ENVI 软件从遥感影像中提取信息。
ENVI 软件已经广泛应用于科研、环境保护、气象、石油矿产勘探、农业、林业、医学、国防安全、地球科学、公用设施管理、遥感工程、水利、海洋、勘察测绘和城市规划等领域。
2. 影像校正由于遥感器本身的内部结构、外部因素 (卫星的姿态、轨道、地球的运动和形状等等原因都可能引起影像的几何变形, 这叫几何失真。
为了纠正这些影像变形, 所以要对影像进行几何纠正。
而进行几何纠正通常是利用影像配准来实现的, 也就是在同一区域里利用基准影像 (或者地图对另一幅影像的校准, 以使两幅影像中的同名像元配准。
由此也可以清楚地看到影像配准的目的,就是使得我们能够获得比较准确的影像中的每一个像元所对应的地面的位置,这样在进行定性遥感中才能使得影像之间具有可比性,在定量遥感中才能使得我们能够确定具体目标。
在影像校正过程中, 首先是要选择所谓的地面控制点 (GCP , 这也是影像校正最关键、工作量最大的一步。
原则上 GCP 点的分布要求均匀, 并且数量要多, 这样校正的可靠性才比较高。
选择的 GCP 点一定是要在影像上容易辨识的, 地面上最好可以实测, 具有较固定的特征, 不会随时间的变化而变化的点。
本文实际采用某区域遥感得到的 SPOT 影像和 TM 影像,分别为 SPOTA 、TMA 、 SPOTB 、 TM B , 以所要分析的影像为例, 是选用 SPOT 影像为基准, 校正TM 影像, 分别打开 SPOT 影像和 TM 影像, 采用 ENVI 软件中的 Image to Image 校正功能。
ENVI中几种监督分类方法精度比较
ENVI中几种监督分类方法精度比较遥感图像的监督分类常用方法目前可以分为：平行六面体法，马氏距离法，最大似然法，神经网络法以及支持向量机法等。
文章将就以上所述的五种常用的监督分类方法在ENVI中分别对汶川县威州镇同一Landsat8 OLI数据进行土地覆盖与利用状况分类.比较各种方法的分类精度，并对之所产生的差异的原因进行浅析，进而对实际的生产以及应用做出借鉴。
标签：监督分类；平行六面体；神经网络；支持向量机；分类精度Abstract：The common methods of supervised classification of remote sensing images can be divided into：parallelepiped classifier method，Mahalanobis distance method，maximum likelihood method，neural network method and support vector machine method. In this paper，the land cover and utilization of the same Landsat8 OLI data in Weizhou Town，Wenchuan County are classified by the five common supervised classification methods mentioned above in ENVI. Comparing the classification accuracy of various methods，we made an analysis of the causes of the differences，and then identify their actual production and application.Keywords：supervised classification；parallelepiped；neural network；support vector machine；classification accuracy1 概述遥感图像的分类主要是利用计算机将遥感图像中的光谱和空间信息进行分析，提出不同地物之间的特征及边界，并利用一定的算法的各个像元划归到互不重叠的各个子空间之中。
基于ENVI的遥感图像监督分类方法比较研究
［ 作者简介］ 闫琰 （９ ５ ） 女 ， １ ８一 ， 汉族 ， 安徽淮南人 ， 在读硕土研究 生， 研究方 向为数字城市 与矿山空间信 息技术 。
入） 否则 即不被 激 活 。神 经 网 络可 以视 为 简化 了 的 人 脑 神经 系 统 的数 学模 型 。 ４ 支 持 向量 机 （ ｕ ｐｒ Ｖ ｃ ｒＭ ｃｉ ） 类 法 ： ） Ｓ ｐｏｔ ｅｔ ａｈ ｅ 分 ｏ ｎ 是 由 Ｖｐｉ提 出的， 构 风险理论 、 次优 化理论 、 ａｎｋ 结 －
监 督 分类 。
个神经元有多路输入 ， 接收来 自其它神经元 的信息 ， 并将反馈信 息经 由一条路 线传递 给另 一 个神 经冗 一
一
个神经元与多个神经元以突触相连 ， 进入突触 的信
的加权 之 和 即为 所 有 权 重 输 入 的 总 效 果 。若 该 和 值
非监督分类方法是在没有先验类别 （ 训练场地 ） 作为样本 的条件下 ， 即事先不知道类别特 征 ， 主要根
利用训练样本数据计算 出每一类 的均 值ｒ量 和标 准 口 】
差 向量 ， 然后 以均值 向量作 为该 类法 特 征 空 问 巾的 ｌ ｌ
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 ， 像 元 就 归 入 剑 哪 该
一
类。
物的对应信 息 ， 从而实 现遥感 图像 的分类 。 目前 随着各种新理论新方法 的相继涌现 ， 遥感 图像存在多 种分类方法 ， 以本文主要是选取几种常用 的分类方 所
法 用 实验 结 果表 明分 类
通常遥感图像 的分类 方法可分为非监督 分类和
据 像 元 间相 似 度 的大 小进 行 归类 合 并 （ 相 似度 大 的 将 像 元 归 为一 类 ） 的方 法 。其 常用 方 法有 ： 级集 群 法 、 分 动 态 聚类 法 。
测绘技术中的遥感影像处理工具推荐
测绘技术中的遥感影像处理工具推荐遥感影像处理工具在测绘技术中发挥着非常重要的作用，它们能够帮助测绘工程师更加高效地处理和分析大量的遥感影像数据。
在现代测绘技术的快速发展中，一些优秀的遥感影像处理工具逐渐被广泛应用，并取得了令人瞩目的成果。
下面将介绍几款值得推荐的遥感影像处理工具。
首先推荐的是ENVI（Environment for Visualizing Images）软件，它是目前最为流行和广泛使用的遥感影像处理工具之一。
ENVI拥有强大的图像显示和处理功能，可以对多种空间、光谱和时间分辨率的遥感数据进行处理。
该软件提供了丰富的图像分析功能，包括图像分类、特征提取、变化检测等，能够满足不同场景下的需求。
此外，ENVI还支持与其他软件的数据交互，如ArcGIS和Google Earth，方便用户进行数据共享和整合。
第二款值得推荐的是Erdas Imagine软件。
Erdas Imagine是一款功能强大、可扩展性广的遥感数据处理与分析软件。
它具有先进的遥感数据处理算法和强大的数据分析工具，可以用于图像分类、变化检测、特征提取等工作。
Erdas Imagine支持各种遥感数据格式，包括多光谱、高光谱、雷达等，同时还提供了丰富的地理信息系统（GIS）功能，使用户能够将遥感影像数据与其他地理数据进行整合和分析。
除了ENVI和Erdas Imagine，还有一款被广泛应用的遥感影像处理工具是PCI Geomatics。
PCI Geomatics是一款专业的遥感软件套件，其核心组件包括Geomatica和 GXL。
Geomatica具有强大的遥感图像处理和分析能力，支持图像分类、特征提取、变化检测等应用。
而GXL则是用于大规模地图制图和空间分析的工具，可以处理海量的遥感图像数据，并进行高精度的地理参考和图像配准。
最后一款推荐的遥感影像处理工具是OpenCV（Open Source Computer Vision Library）。
利用envi进行tm影像监督分类详细操作步骤2篇
利用envi进行tm影像监督分类详细操作步骤2篇第一篇：Envi（Environment for Visualizing Images）是一款功能强大的遥感图像分析软件，可以用于遥感图像的处理、分析和可视化。
本篇文章将详细介绍如何利用Envi进行TM影像的监督分类。
步骤一：导入TM影像1. 打开Envi软件，在菜单栏上选择“File”-“Open”，然后选择要导入的TM影像文件。
2. 在弹出的对话框中，选择正确的影像文件格式，并指定正确的数据投影等参数，确认后点击“OK”按钮。
3. 导入的TM影像将在Envi主界面上显示出来。
步骤二：创建训练样本1. 在Envi主界面上，点击工具栏上的“ROI（Region of Interest）”按钮，打开ROI工具。
2. 在左侧窗口中选择“Polygon”工具，然后在右侧窗口中点击鼠标左键逐个画出训练样本的区域。
每个训练样本的区域应包含一个类别的特征，例如植被、水体等。
3. 重复上述步骤，逐个创建所有类别的训练样本。
步骤三：进行分类设置和训练1. 在Envi主界面上选择“Supervised Classification”菜单，然后选择“Maximum Likelihood Classifier”选项。
2. 在弹出的对话框中，点击“Add New Class”按钮，然后为每个类别输入名称并选择对应的训练样本。
确保每个类别都有足够的样本进行训练，以提高分类的准确性。
3. 点击“OK”按钮开始进行分类训练。
训练过程可能会花费一些时间，取决于图像的大小和复杂度。
步骤四：进行影像分类1. 训练完成后，Envi会自动对整个TM影像进行分类，并生成分类结果。
2. 在Envi主界面上选择“Display”菜单，然后选择“LayerM anager”选项。
3. 在弹出的对话框中，选择分类结果图层并点击“Add”按钮，然后点击“OK”。
4. 分类结果将显示在Envi主界面上，可以根据需要进行调整和编辑。
envi5.6中的分类方法
Envi5.6中的分类方法引言E n vi是一款功能强大的遥感影像处理软件，其分类功能可以高效准确地将遥感影像数据分到不同的类别中。
本文将介绍En vi5.6中的分类方法，包括像元分类、目标分类和像素转标签。
像元分类像元分类是将遥感影像中的每个像元分配到特定的类别中的过程。
在E n vi5.6中，根据像元的光谱信息和统计学特征，可以使用各种算法进行像元分类。
支持向量机（S V M）支持向量机是一种常用的分类算法，它基于特征空间中的超平面来实现分类。
在E nv i5.6中，可以使用支持向量机算法对遥感影像进行像元分类，通过训练样本和测试样本的光谱信息，得到分类结果。
随机森林（R a n d o m F o r e s t）随机森林是一种基于决策树的集成学习方法，它能够充分利用多个决策树的优势进行分类。
在En vi5.6中，可以使用随机森林算法对遥感影像进行像元分类，通过构建多个决策树来得到更准确的分类结果。
目标分类目标分类是将遥感影像中的连通区域（目标）分配到特定的类别中的过程。
在En vi5.6中，可以使用各种算法进行目标分类，例如基于形状和纹理特征的目标分类算法。
形状特征形状特征是指目标在图像上的几何形状信息，例如目标的面积、周长、圆度等。
在E nv i5.6中，可以通过计算目标的形状特征，并结合训练样本和测试样本的光谱信息，对遥感影像进行目标分类。
纹理特征纹理特征是指目标表面上的纹理分布信息，例如目标的纹理熵、对比度、均匀性等。
在En v i5.6中，可以通过提取目标的纹理特征，并结合训练样本和测试样本的光谱信息，对遥感影像进行目标分类。
像素转标签像素转标签是将遥感影像中的每个像素值转换为特定的标签值的过程，用于将连续的遥感影像数据转化为离散的分类结果。
在En vi5.6中，可以使用各种阈值分割方法进行像素转标签。
基于单一阈值的分割基于单一阈值的分割是将遥感影像中的像素根据其灰度值和一个固定的阈值进行分类的方法。
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。
遥感图像处理系统ENVI功能简介
遥感图像处理系统ENVIENVI(The Enviroment for Visualizing Images)是美国著名的遥感科学家用交互式数据语言IDL(Interactive Data Language)开发的一套功能强大的遥感图像处理软件，能够有效地从遥感影像中提取各种目标信息，可用于地物监测和目标识别；IDL也使得ENVI具有其它同类软件无可比拟的可扩展性，全模块化的设计使得软件易于使用，操作方便灵活，界面友好，广泛地应用于地质、环境、林业、农业、军事、自然资源勘探、海洋资源管理等多个领域，并在2000、2001、2002年连续三年获得美国权威机构NIMA遥感软件测评第一。
1、ENVI功能体系ENVI包含齐全的遥感影像处理功能，包括数据输入／输出、常规处理、几何校正、大气校正及定标、全色数据分析、多光谱分析、高光谱分析、雷达分析、地形地貌分析、矢量分析、神经网络分析、区域分析、GPS联接、正射影像图生成、三维景观生成、制图等；这些功能连同丰富的可供二次开发调用的函数库，组成了非常全面的图像处理系统。
1.1数据输入/输出1972年美国发射了第一颗地球资源技术卫星ERTS-1。
从那时起，一些国家和国际组织相继发射各种资源卫星、气象卫星、海洋卫星以及监测环境灾害的卫星，包括我国发射的风云系列卫星和中巴地球资源一号卫星(CBERS-1)，构成了对地观测网，多平台、多层面、多种传感器、多时相、多光谱、多角度和多种空间分辨率的遥感影像数据，以惊人的数量快速涌来。
把同一地区各类影像的有用信息聚合在一起，将有利于增强多种数据分析和环境动态监测能力，改善遥感信息提取的及时性和可靠性，有效地提高数据的使用率,为大规模的遥感应用研究提供一个良好的基础，使花费大量经费获得的遥感数据得到充分利用。
(1) ENVI能够输入的数据ENVI能处理多种卫星获取的不同传感器、不同波段和不同空间分辨率的数据，包括美国Landsat系列卫星、小卫星IKONOS和环境遥感卫星TERRA，法国SPOT卫星，我国的风云系列卫星和CBERS-1获取的数据，ENVI还准备处理未来更多传感器收集到的数据。
基于ENVI的遥感图像分类方法比较研究
基于ENVI的遥感图像分类方法研究比较（聊城大学环境与规划学院GIS专业2010级4班学号:2010203***）摘要基于监督分类方法在遥感图像分类中已经普遍应用，本文将介绍了几种ENVI 提供的常用的监督分类方法和ENVI EX提供的面向对象的分类方法。
对同一遥感图像运用这几种方法进行分类，并对分类结果进行对比，从而分析这几种方法分类精度之间的差异。
关键词遥感图像分类平行六面体最小距离法最大似然法面向对象第一章绪论1.1、研究的背景和意义随着遥感技术的发展，遥感已逐步成为采集地球数据及其变化信息的重要技术手段和重要的信息来源，并在世界范围内以及我国的许多政府部门、科研单位和公司得到广泛的应用。
由于不同领域遥感图像的应用对遥感图像处理提出了不同的要求，所以图像处理中重要的环节——图像分类也就显得尤为重要。
遥感图像通过亮度值或像元值的高低差异( 反映地物的光谱信息) 及空间变化( 反映地物的空间信息) 来表示不同地物的差异。
这是区分不同图像地物的物理基础。
遥感图像分类就是利用计算机通过对遥感图像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别，然后获得遥感图像中与实际地物的对应信息，从而实现遥感图像的分类。
目前随着各种新理论新方法的相继涌现，遥感图像存在多种分类方法，所以本文主要是选取几种常用的监督分类方法和ENVI EX提供的面向对象分类方法用实验结果表明它们之间存在的差异。
1.2、研究方法(1)、本文从遥感图像解译的基本原理出发，阐述了ENVI软件在遥感图像解译中使用的原理，并对其提供的方法进行了详细的解读。
(2)、详细叙述了ENVI EX提供的Feature Extraction工具即面向对象分类方法的使用。
(3)、根据得到的分类结果，采用混淆矩阵和kappa系数对分类结果进行精度评价。
从中得出一些结论，并对ENVI软件在遥感图像分类方法中提出可行性建议。
遥感软件ENVI使用方法
实验报告一、实验内容：1.遥感影像读入与裁剪；2.遥感影像融合；3.遥感影像非监督分类；4.分类结果转成矢量（shapefile）二、实验内容实验一1.将实验所需数据复制到新建的C盘test文件2.打开ENVI Classic——file——preferences修改前三个选项，都改为C盘test3点击file——open image file——enter data filenames选中这九个图像文件4.弹出对话框并选B50——loadband，出图5返回菜单，点击basic tools——layer stacking——import file选中B10—B706.点击spatial subset——Image，框选一个范围，并修改下面两个数字7.逐步点击ok，到layer stacking parameters——reorder files 进行从小到大排序8.点击ok，选中chose——test将文件命名为stack_b1-6162-7.img9.点击RGB Color，如图依次选择B50，B40，B3010. 点击display——New Display——load RGB，出图11. 回到主菜单，点选Transform——Image Sharpening——HSV——display212.在主菜单上点击Basic Tools——rezise Data——点选B80进行如下操作13.将文件保存为b8.img14.在RGB Color进行B50，B40，B30排序15.产生display3，出图16.点击Transform——Image sharpening——HSV，选择display217.依次确定后跳出如下对话框，将图片命名为hsv_543.img保存18.完成后生成新的display219.图片点右键——Geographic Link全部点选on20.实验一结束，关闭所有图片实验二1．在主菜单点击Classification——Unsupervised——ISODATA，选择stack_b1-6162-7.img2.弹出如下对话框，第三个数字改为5，保存文件名为iso.img3.生成新的display4．点击主菜单上Classification——post Classification——Majority\Minority analysis，如图选择iso.img,5.弹出如下对话框之后，点选所有class，将kernel size数值调为76.将文件保存，并命名为iso_maj77.img7.生成新的display8.在图片上单击右键——Geographic Link全部点选on9.继续在主菜单点击Classification——post Classification—— Classification to vector，选择iso_maj77.img10.选择所有class，output一栏选择single layer，保存文件，命名为iso_maj77toevf.evf11.计算机进行分析，分析完成后出现如下对话框12.选择RTV，对弹出对话框进行如下选择13.在生成图片的菜单上选择file——export active layer to shapefile，选择命名为iso_maj77toshp.shp保存。
遥感影像处理软件的选择与操作指南
遥感影像处理软件的选择与操作指南引言：遥感影像处理软件的选择对于遥感数据的获取和分析具有重要意义。
本文将介绍几种常用的遥感影像处理软件，并提供一份操作指南，以帮助读者选择适合自己需求并熟练操作的软件。
一、遥感影像处理软件的选择1. ENVI（Environment for Visualizing Images）ENVI是一款功能强大的遥感影像处理软件，它提供了丰富的遥感图像处理和分析工具。
ENVI支持多种数据格式，包括卫星影像、航拍影像等，能够进行图像增强、分类、变换等操作。
ENVI还提供了Python编程接口，方便用户根据自己的需求进行定制化开发。
2. ERDAS IMAGINEERDAS IMAGINE是另一款广泛使用的遥感影像处理软件，具有强大的遥感数据处理能力。
它支持多种常用的遥感数据格式，并提供了丰富的图像处理和分析工具。
ERDAS IMAGINE还具有良好的多样性，可以进行3D可视化、地图制作等操作，适用于各种遥感应用领域。
3. ArcGISArcGIS是一套综合性的地理信息系统软件，其中包含了用于遥感图像处理的功能模块。
ArcGIS支持多种数据格式，包括遥感图像、矢量数据等，它提供了强大的地图制作、数据分析和空间分析功能，适用于对地理环境进行综合分析和决策支持的应用场景。
4. QGIS（Quantum GIS）QGIS是一款免费开源的地理信息系统软件，它也具备一定的遥感图像处理功能。
QGIS支持多种数据格式，并提供了丰富的数据处理和分析工具。
虽然QGIS在遥感影像处理方面功能相对较弱，但对于初学者来说，它是一个很好的入门选择。
二、操作指南1. 数据导入无论使用哪种软件，首先需要将遥感数据导入软件中。
通常可以通过“打开”或“导入”按钮选择要处理的数据文件，然后软件会自动将数据加载到工作界面中。
对于大规模的数据集，一些软件还提供了批量导入功能，可以一次性导入多个数据文件。
2. 图像预处理在进行进一步的数据分析之前，通常需要对遥感图像进行一些预处理。
- 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)。
遥感课程教学实验之二：
遥感影像分类
实验二遥感影像的分类遥感影像的监督分类
•实验目的
理解计算机图像分类的基本原理以及监督分类的过程，学会利用遥感图像处理软ENVI
件对遥感图像进行分类的方法。
•实验内容
1、遥感图像分类原理。
2、遥感图像监督分类。
3、最大似然法分类
•实验条件
电脑、ENVI4.5软件。
厦门市TM遥感影像。
•实验步骤
1、启动ENVI软件，从文件菜单打开多波段影像文件，从可用波段列表中装载彩色或假色
影像，显示遥感影像。
2、从主图像窗口的工具Tools →Region of Interest →ROI Tools;
3、在自动打开的ROI Tools窗口中，设定ROI_Type 为“Polygon”（多边形），选定样本采
集的窗口类型，用Zoom（缩放窗口）进行采集。
4、在选定的窗口如Zoom用鼠标左键画出样本区域，在结束处击鼠标右键二次，样本区域
被红色充填，同时ROI Tools窗口中显示采集样本的信息。
采集新的样本点击“New Region”，重新上述步骤进行多个地物样本采集。
5、从ENVI主菜单中，选 Classification > Supervised > Maximum Likelihood；或在端元
像元采集对话框 Endmember Collection中选择 Algorithm >MaximumLikelihood 进行最大似然法分类。
6、在出现Classification Input File 对话框中，选择输入影像文件，出现 Maximum
Likelihood Parameters 对话框。
7、输入常规的分类参数。
设定一个基于似然度的阈值（Set Prpbability Threshold）：如不使用阈值，点击“None”
按钮。
要对所有的类别使用同一个阈值，点击“Single Value”按钮，在“Probability Threshold”文本框中，输入一个0 到1 之间的值。
似然度小于该值的像元不被分入该类。
要为每一类别设置不同的阈值：
●在类别列表中，点击想要设置不同阈值的类别。
●点击“Multiple Values”来选择它。
●点击“Assign Multiple Values”按钮。
●在出现的对话框中，点击一个类别选中它，然后在对话框底部的文本框中输入阈值。
为每
个类别重复该步骤。
最后给定输出结果的保存方式：文件或内存，当影像较大时建设保存到文件中，以免因内存不够而出错运算错误。
点击“OK”计算机开始自动分类运算。
8、在可用波段列表中显示分类图像。
•实验总结
遥感图像分类包括监督分类（Supervised）与非监督分类两大类，它是遥感影像的计算机解译的重要内容。
Supervised 分类根据训练样本类别（training classes）对图像分类，监督分类技术包括：平行六面体、最小距离、马氏距离、最大似然、波谱角（SAM）以及二进制编码。
Unsupervised 分类不需要何训练样本，用统计方法对数据集中的像元进行聚类，常用非监督分类技术包括Isodata 和K-Means。
实验介绍最大似然法分类（Maximum
Likelihood）
遥感影像分类是影像分析的一个重要内容，它是利用计算机通过对影像中不同地物的空间信息和光谱信息进行分析，选择特征，并将特征空间划分为互不重叠的子空间，然后将影像中的各个像元划归到子空间去。
而遥感影像的监督分类的主要方法是最大似然判别法，也称为贝叶斯分类，是基于图像统计的监督分类法，也是典型的和应用最广的监督分类方法。
它建立在贝叶斯准则的基础上，偏重于集群分布的统计特性。
监督分类原理：是假定训练样本数据在光谱空间的分布是服从高斯正态分布规律的，做出样本的概率密度等值线，确定分类，然后通过计算标本（像元）属于各组（类）的概率，将标本归属于概率最大的一组。
是在已知类别的训练场地上提取各类别训练样本，通过选择特征变量，确定判别函数或判别式把影像中的各个像点划归到各个给定类的分类。
遥感影像的非监督分类
•实验目的
理解遥感图像非监督分类的原理与过程，学会利用遥感图像处理软ENVI件对遥感图像进行非监督分类的方法
•实验内容
1、遥感图像非监督分类。
2、K-mean 与Isodata分类方法
•实验条件
电脑、ENVI4.5软件。
厦门市TM遥感影像。
•实验步骤
----启动ENVI软件，从文件菜单打开多波段影像文件，从可用波段列表中装载彩色或假色影像，显示遥感影像。
•
（1）K-Means 分类
1．打开遥感影像，进行标准文件选择，根据需要，选取输入文件的任意子集和掩模。
2．选择Classification --> Unsupervised --> K-Means。
3．在出现的K-Means Parameters 对话框中设置参数。
该对话框中的可选项包括：设定所分类别数（Number Class）；像元变化阈值( Change Threshold )
（0~100%）；用于分类的最多迭代次数( Maximum Iteretion )
4．要选择输出到磁盘文件或内存，选择“File”或“Memory”，点击“OK”，开始进行K-Means 分类。
分类原理：K-Means 非监督分类计算数据空间上均匀分布的初始类别均值，然后用最短距离技术对像元进行叠代，把它们聚集到最近的类中。
每次迭代重新计算了类别均值，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，他们就不参与分类），所有像元都被归并到与其最临近的类别中。
这一过程持续到每一类的变化像元数少于所选的像元变化阈值或已经到了迭代的最多次数。
（2）Isodata 分类
●打开一幅遥感影像。
●选择Classification --> Unsupervised-- > Isodata。
●在显示的ISODATA Parameters 对话框中设置参数。
可用选项包括：类别数量
的范围限定（最小值和最大值）（Number Class：Max,Min）；像元变化阈值
(Change Threshold)（0~100%），当每一类的变化像元数小于阈值时，用变
化阈值来结束迭代过程。
被用来对数据进行分类的最多迭代次数( Maximum
Iteretion )，当达到阈值或迭代达到了最大次数时，分也将结束类。
●选择输出“File”或“Memory”。
点击“OK”，开始进行Isodata分类。
分类原理：Isodata 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。
每次迭代都将重新计算均值和聚类中心，并用这一新的均值对像元进行再分类，反复迭代分类，根据限定的标准差和距离的阈值，像元都被归并到与其最临近的一
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。
•工具条上的overly-->classfication-->选择相应的遥感影像图-->ok
•在出现的显示框内将地物名称与颜色配到一起。
点击主工具条上classification-->post classification-->comebine classes。
然后再选择相应的遥感影像图点击ok-->进行配准。
•点击工具条上classification--> post classification-->assign class colors-->在出现的显示框中点击ok，得图如下
•实验总结：
遥感图像分类包括监督分类（Supervised）与非监督分类两大类，它是遥感影像的计算机解译的重要内容。
Supervised 分类根据训练样本类别（training classes）对图像
分类，监督分类技术包括：平行六面体、最小距离、马氏距离、最大似然、波谱角（SAM）以及二进制编码。
Unsupervised 分类不需要何训练样本，用统计方法对数据集中的像元进行聚类，常用非监督分类技术包括Isodata 和K-Means。
实验介绍最大似然法分类
（Maximum Likelihood）
遥感影像分类是影像分析的一个重要内容，它是利用计算机通过对影像中不同地物的空间信息和光谱信息进行分析，选择特征，并将特征空间划分为互不重叠的子空间，然后
将影像中的各个像元划归到子空间去。
非监督分类原理：它是事先无法知道类别的先验知识，在没有类别先验知识的情况下将所有样本划为若干类别的方法。
它的基本思想是事先不知道类别的先验知识，仅根据地物的光谱特征的相关性或相似性来进行分类，再根据实地调查数据比较后确定其类别属性。