envi遥感图像处理之分类
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。
遥感影像处理知识
1.几何校正：几何校正是利用地面控制点和几何校正数学模型来矫正非系统因素产生的误差，同时也是将图像投影到平面上，使其符合地图投影系统的过程。
2.图像镶嵌：指在一定的数学基础控制下，把多景相邻遥感影像拼接成一个大范围、无缝的图像的过程。
3.图像裁剪：图像裁剪的目的是将研究之外的区域去除。
常用方法是按照行政区划边界或自然区划边界进行图像裁剪。
在基础数据生产中，还经常要进行标准分幅裁剪。
按照ENVI 的图像裁剪过程，可分为规则裁剪和不规则裁剪。
4.图像分类：遥感图像分类也称为遥感图像计算机信息提取技术，是通过模式识别理论，分析图像中反映同类地物的光谱、空间相似性和异类地物的差异，进而将遥感图像自动分成若干地物类别。
5.正射校正：正射校正是对图像空间和几何畸变进行校正生成多中心投影平面正射图像的处理过程。
6.面向对象图像分类技术：是集合邻近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨率的全色和多光谱数据的空间、纹理和光谱信息来分割和分类，以高精度的分类结果或者矢量输出。
7.DEM：数字高程模型是用一组有序数值阵列形式表示地面高程的一种实体地面模型。
8.立体像对：从两个不同位置对同一地区所摄取的一对相片。
9.遥感动态监测：从不同时间或在不同条件获取同一地区的遥感图像中，识别和量化地表变化的类型、空间分布情况和变化量，这一过程就是遥感动态监测过程。
10.高光谱分辨率遥感：是用很窄而连续的波谱通道对地物持续遥感成像的技术。
在可见光到短波红外波段，其波谱分辨率高达纳米数量级，通常具有波段多的特点，波谱通道多达数十甚至数百个，而且各波谱通道间往往是连续的，因此高光谱遥感又通常被称为"成像波谱遥感"。
11.端元波谱：端元波谱作为高光谱分类、地物识别和混合像元分解等过程中的参考波谱，与监督分类中的分类样本具有类似的作用，直接影响波谱识别与混合像元分解结果的精度。
12.可视域分析：可视域分析工具利用DEM数据，可以从一个或多个观察源来确定可见的地表范围，观测源可以是一个单点,线或多边形13.三维可视化：ENVI的三维可视化功能可以将DEM数据以网格结构、规则格网或点的形式显示出来或者将一幅图像叠加到DEM数据上。
envi自己总结操作分类后处理
envi自己总结操作分类后处理分类后处理（Post Classification）1. 分类统计：ENVI: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、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：ENVI:Classification>>Post Classification>>Confusion Matrix：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（Ground Truth Image）或地表真实感兴趣区（Ground Truth ROIs）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：ENVI: Classification>>Post Classification>>Clump Classes细小块的合并，将一些碎块进行合并（平滑处理）。
注：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：ENVI: Classification>>Post Classification>> Sieve Classes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。
注：在“Group Min Threshold” 文本框里，输入一个类组需要包含的最少像元数（4或8）。
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）打开待分类的遥感影像数据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）选择待分类的数据文件4）选好数据以后，点击OK键，进入K-Means参数设置对话框，进行有关参数的设置，包括分类的类数、分类终止的条件、类均值左右允许误差、最大距离误差以及文件的输出等参数的设置5）建立光谱类和地物类之间的联系：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 Color Mapping…进入分类结果的属性设置对话框，在这里，可以进行类别的名称，显示的颜色等，建立了光谱类和地物类之间的联系。
设置完成以后，点击菜单栏Options—>Save Changes 即完成光谱类与地物类联系的确立6）类的合并问题：如果分出的类中，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—>Combine Classes，进入待合并分类结果数据的选择对话框点击OK键，进入合并参数设置对话框，在左边选择要合并的类，在右边选择合并后的类，点击Add Combination 键即完成一组合并的设置，如此反复，对其他需合并的类进行此项操作，点击OK，出现输出文件对话框，选择输出方式，即完成了类的合并的操作。
至此，K—均值分类的方法结束。
2、ISODATA算法基本操作与K—均值分类相似。
1）进行分类数据文件的选择（依次打开：ENVI主菜单栏—>Classification—>Unsupervised —>IsoData即进入ISODA TA算法分类数据文件选择对话框，选择待分类的数据文件）2）进行分类的相关参数的设置（点击OK键以后，进入参数设置对话框，可以进行分类的最大最小类数、迭代次数等参数的设置）3）如此，光谱类的划分到此结束。
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。
遥感图像分类后处理
，点击OK；
3） 在Majority/Minority Parameters面板中，点击Select All Items选中所有的类别，
Choose按钮设置输出路径，点击
执行操作。
1 Majority/Minority Parameters面板参数设置
4）查看结果如图所示，可以看到原始分类结果的碎斑归为了背景类别中，更加平滑。
ENVI 5.x：Toolbox/Statistics/View Statistics File
ENVI Classic：Classification > Post Classification > View Statistics File
（6）如下图所示为显示统计结果的窗口，统计结果以图形和列表形式表示。从Select
OK；
4）在Raster to Vector Parameters面板中设置矢量输出参数。这里选择林地和沙地两
OK即可。
注：Output可选Single Layer和One Layer per Class两种情况。如果选择Single
，则所有的类别均输出到一个evf矢量文件中；如果选择One Layer per Class，则
首先将被选的分类用一个膨胀操作合并到一块，然后用变换核对分类图像进行腐蚀
下面介绍详细操作流程：
1）打开分类结果——分类后处理数据\can_tmr_class.dat"；
2）打开聚类处理工具，路径为Toolbox /Classification/Post Classification/Clump
4个或8个像元，判定一个像元
如果一类中被分析的像元数少于输入的阈值，这些像元就会被从该
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。
ENVI(图像裁切、图像增强、分类等)
ENVI（The Environment for Visualizing Images）,由美国系统研究公司（Research System INC.）开发。
一. 界面系统介绍1. 主菜单：菜单项，File、Basic Tool、Classification、Tranform、Spectral实习所涉及的（粗略介绍）2. Help 工具的使用3. 主菜单设置（preferences）：内存设置二. 文件的存取与显示1．图像显示由一组三个不同的图像窗口组成：主图像窗口、滚动窗口、缩放窗口。
1）主图像Image窗口：（400*400）100％显示（全分辨率显示）scroll的方框，可交互式分析、查询信息。
主图像窗口内的功能菜单：在主图像窗口内点击鼠标右键，切换隐藏子菜单的开启和关闭。
该"Functions" 菜单控制所有的ENVI交互显示功能，这包括：图像链接和动态覆盖；空间和波谱剖面图；对比度拉伸；彩色制图；诸如ROI的限定、光标位置和值、散点图和表面图等交互特征；诸如注记、网格、图像等值线和矢量层等的覆盖（叠置）；动画以及显示特征。
2）滚动Scroll窗口：全局，重采样(降低分辨率)显示一幅图像。
只有要显示的图像比主图像窗口能显示的图象大时，才会出现滚动窗口。
滚动窗口位置和大小最初在envi.cfg 文件中被设置并且可以被修改。
3）缩放Zoom窗口：（200*200）显示image的方框。
缩放系数（用户自定义）出现在窗口标题栏的括号中。
2．图像的头文件资料的获取和编辑ENVI：File>>Edit ENVI Header，选择相应的文件。
从Header Info 对话框里，你可以点击Edit Attributes 下拉菜单中的选项，调用编辑特定文件头参数的独立对话框。
这些参数包括波段名、波长、地图信息等。
3．图像的存取File > Open Image File. 当你打开任何文件，可用波段列表（ABL）自动地出现。
ENVI图像分类实验
3、分类精度评价
实验数据：
融合后的SPOT5影像（SPOT5_FusionImage）及其对应的DEM数据，影像和DEM经过了精确配准。其中，融合后的SPOT5影像有3个波段，R、G、B分别对应NIR（近红外）、R（红波段）、G（绿波段）。
实验方法与步骤：
一、
监督分类：又称训练分类法，用样本像元去识别其他未知类别像元的过程。
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。单击滑轮键是取消操作。），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ROI Tool窗口中的Delete控键，此操作将删除所有该类型的感兴趣区域）。
ROI Tool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（ROI Name）和色彩可以修改。可就某一类训练区选择多个感兴趣区域。
（2）.选择要进行分类的影像（SPOT5_FusionImage）。
（3）.设置分类参数，选择训练样本（Select All Items）：
图12
Data scale factor：数据比例系数。这个比例系数是一个比值系数，用于将整型反射率或辐射率数据转化为浮点型数据。例如：如果反射率数据在范围0-10000之间缩放，则设定的比例系数就为10000。对于没有定标的整型数据，将比例系数设为该仪器所能测量的最大值2n-1，n为仪器的bit容量，例如：对于8-bit仪器，设定的比例系数为255，对于10-bit仪器（如NOAA 12 AVHRR），设定的比例系数为1023，对于11-bit仪器（如IKONOS），设定的比例系数为2047。
实验三
实验目的：
通过上机操作，了解遥感图像分类的几种常用的分类方法与过程，熟悉ENVI软件中图像分类的方法与分类后处理的过程。
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 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 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。
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。
ENVI遥感图像监督分类
ENVI遥感图像监督分类一、监督分类即训练分类法，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。
二、过程（如下图所示）图1 监督分类步骤三、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—精度验证。
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：图2 设置样本参数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。
ENVI监督分类步骤
ENVI监督分类步骤ENVI是一种广泛使用的遥感图像分析软件，用于处理和分析多光谱、高光谱和雷达数据。
其中一个功能是进行监督分类，它是通过已标记的训练样本来训练分类器，然后使用分类器对未知像素进行分类。
下面是进行ENVI监督分类的步骤：1.数据准备：在进行监督分类之前，首先需要准备好遥感图像数据。
这包括获取遥感图像数据并导入到ENVI软件中。
确保数据是正确的，包括地理校正和辐射校正。
这些步骤将确保图像数据的准确性和一致性。
2.创建训练样本：在监督分类过程中，需要创建一些训练样本，这些样本用于训练分类器。
训练样本是经过标记的像素，表示各个类别的特征。
在ENVI中，可以使用“ROI工具”手动创建训练样本。
通过选择一个感兴趣区域，并为其分配一个特定的类别，可以创建一个训练样本。
3.设置训练参数：在进行监督分类之前，需要设置一些训练参数。
这些参数包括分类器类型（如像素或对象级别），分类器方法（如最大似然估计或支持向量机）以及其他相关参数，如类别权重和执行群集。
4.训练分类器：一旦训练样本和参数准备好，就可以开始训练分类器了。
在ENVI中，可以使用“Train Iso Cluster”或“Train Support Vector Machine”等工具对训练样本进行分类器训练。
该过程将使用训练样本中的特征来训练分类器，并生成一个能够对未知数据进行分类的模型。
5.分类预测：在分类器训练后，可以使用该模型对未知数据进行分类预测。
在ENVI中，可以使用“Predict Classification”工具来对整个图像或一部分图像进行分类。
该工具将应用训练得到的模型，并基于像素的特征将其分类为相应的类别。
6.评估分类结果：一旦分类预测完成，就可以评估分类结果了。
在ENVI中，可以使用“Confusion Matrix”工具来计算分类的准确性、精度和召回率。
该工具将根据已知的分类结果和分类预测结果来计算这些指标。
7.优化分类结果：如果分类结果不满意，可以考虑对分类器进行优化。
envi图像处理基本操作
使用ENVI进行图像处理主要介绍利用envi进行图像处理的基本操作，主要分为图像合成、图像裁减、图像校正、图像镶嵌、图像融合、图像增强。
分辨率：空间分辨率、波谱分辨率、时间分辨率、辐射分辨率。
咱们平时所说的分辨率是指？怎么理解？1、图像合成对于多光谱影像，当我们要得到彩色影像时，需要进行图像合成，产生一个与自然界颜色一致的真彩色（假彩色）图像。
对于不同类型的影像需要不同的波段进行合成，如中巴CCD影像共5个波段，一般选择2、4、3进行合成。
（为什么不选择其他波段？重影/不是真彩色）。
SOPT5影像共7个波段，一般选择7、4、3三个波段。
操作过程以中巴资源卫星影像为例中巴资源卫星影像共有五个波段，选择2、4、3三个波段对R、G、B赋值进行赋值。
在ENVI中的操作如下：（1）file→open image file→打开2、3、4三个波段，选择RGB，分别将2、4、3赋予RGB。
（2）在#1窗口file---〉save image as-→image file。
（3）在主菜单中将合成的文件存为tiff格式（file-→save file as-→tiff/geotiff）即可得到我们需要的彩色图像。
2、图像裁减有时如果处理较大的图像比较困难，需要我们进行裁减，以方便处理。
如在上海出差时使用的P6、SOPT5，图幅太大不能直接校正需要裁减。
裁减图像，首先制作AOI文件再根据AOI进行裁减。
一般分为两种：指定范围裁减、不指定范围裁减。
不指定范围裁减在ENVI中的操作如下：（1）首先将感兴趣区存为AOI文件file→open image file打开原图像→选择IMAGE窗口菜单overlay→region of interesting选择划定感兴趣区的窗口如scroll，从ROI_Type菜单选择ROI的类型如Rectangle，在窗口中选出需要选择的区域。
在ROI窗口file→Save ROIs将感兴趣区存为ROI文件。
基于ENVI的遥感图像监督分类方法比较研究
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。
辐射定标：辐射定标是将遥感图像的像素值转换为实际的物理量，如反射率、亮度温度等。
这个过程是基于遥感器的物理模型和测量参数来完成的。
辐射定标能够消除传感器响应的非线性效应，确保图像数据在定量分析和比较时的准确性。
大气校正：由于大气吸收和散射的影响，遥感图像上可能会出现亮度失真和色彩偏移。
大气校正的目的是消除这些影响，恢复地物的真实反射率。
遥感图像分类
遥感图像分类遥感图像的分类就是通过对遥感图像中地物的光谱信息和空间信息进行分析，选择特征，将图像中每个象元按照某种规则或算法划分为不同的类别，然后获得遥感图像与实际地物的对应信息，从而实现遥感图像的分类。
一般的分类方法可分为两类：监督分类和非监督分类。
将多源数据应用于图像分类中，发展成基于专家知识的决策树分类。
一、监督分类监督分类（supervised）,又称训练分类法，即用被确认的样本象元去识别其他未知象元的过程。
已经被确认类别的样本象元是指那些位于训练区的象元。
在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，计算机计算每种训练样区的统计或其他信息，每个象元和训练样本作比较，按照不同规则将其划分到其最相似的样本类。
监督分类的算法主要有：平行算法、最小距离法、最大似然法等。
这里采用最大似然法作为监督分类的算法。
原理：最大似然法假设遥感图像的每个波段数据都是正态分布。
其基本思想是：地物类数据在空间中构成特定的点群；每一类的每一维数据都在自己的数轴上成正态分布，该类的多维数据就构成了一个多维正态分布；各类多维正态分布模型各有其分布特征。
根据各类已有的数据，可以构造出各类的多维正态分布模型，在此基础上，对于任何一个像素，可反过来求出它属于各类的概率，取最大概率对应的类为分类结果。
步奏：第一步：分析图像①打开图像，将图像以5、4、3波段合成RGB显示在#1中。
②通过目视分析，可以定义6类样本：水体、建筑、耕地、草地、荒地、其他。
第二步：选择训练样本①在主图像窗口选择Overlay-----Region of Interest，打开ROI Tool对话框。
②在ROI Tool对话框中设置相关样本的名称、颜色等。
③选择ROI_Type—Polygon，在window中选择image，在图像上绘制训练区。
④重复②、③步奏，最终完成以下结果：第三步：评价训练样本①在ROI Tool对话框中，选择Options——Compute ROI Separability，打开目标图像。
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。
第二章图像分类原理2.1、遥感图像分类方法目前遥感图像分类方法种类繁多，并且每种方法都有其自身的特点，但也不可避免的有一些缺陷。
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监督分类制图操作
案例二：农业用地监督分类制图
总结词
农业用地监督分类制图是利用 ENVI软件对农业用地进行分类和 制图的过程。
详细描述
通过遥感影像数据，提取农业用 地的信息，包括耕地、林地、草 地等，进行分类和制图，为农业 管理和资源调查提供基础数据。
案例三：自然保护区植被类型监督分类制图
总结词
自然保护区植被类型监督分类制图是利用ENVI软件对自然保护区内的植被类型进 行分类和制图的过程。
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。
最大似然概率分类
最大似然概率分类是一种常用的监督分类方法，其基本思想是假设各类别的概 率分布函数为正态分布，然后根据训练样本计算出各类别的均值和方差，最后 对待分类图像进行概率计算，将其归入概率最大的类别。
监督分类流程
特征提取
对待分类图像进行特征提取， 提取出与分类相关的特征值。
分类
将待分类图像的特征值输入到 训练好的分类器中，得到分类 结果。
详细描述
通过遥感影像数据，提取自然保护区内的植被信息，包括森林、草地、灌丛等， 进行分类和制图，为自然保护区管理和生态保护提供基础数据。
07
总结与展望
总结
操作流程
监督分类制图是遥感图像处理中的重 要步骤，其操作流程包括数据预处理 、选择训练样本、训练分类器、分类 后处理等步骤。通过这些步骤，可以 有效地将遥感图像中的不同地物进行 分类，并生成专题地图。
最新ENVI遥感软件应用--第七章 分类.ppt课件
3）分类统计
Class statistics工具可以基于分类结果计算任何相关 输入文件的统计信息。基本统计包括：类别中的像 元数、最小值、最大值、平均值、类中每个波段的 标准差等，记录每类的直方图，计算协方差矩阵、 相关矩阵、特征值、特征向量，显示所有分类的总 结记录。
➢选择输入文件—先前生成的规则影像（也可以是未分 类的任意空间子集）
➢输入不同的阈值，进行分类。（阈值要以百分号形式 输入）
➢Classify by：规则影像来自最短距离或波谱角分类器用 最小值分类，若来自最大似然法，用最大值分类。 （1）直方图绘制 可以绘制规则波段的直方图，有助于设定阈值：点击该 类的“hist”按钮，将会出现显示所选波段直方图的图表 窗口。
1）规则影像：envi在最终分类结果生成以前生成的 中间影像。其像元值会被用来生成分类影像。这些 可选择性生成的影像允许用户对分类的结果进行评 估，如果需要还可以根据指定的阈值，重新进行分 类。这些灰阶规则影像每一个都对应于分类中所用 的某一个感兴趣区或某个端元波谱。
在不同分类方法所生成的规则影像中，像元值代 表了不同的信息：
ENVI遥感软件应用--第七章 分 类.
一、遥感影像分类
目的：介绍如何完成常规的遥感影像分类操作 处理，比较监督和非监督分类后影像，并对分 类后结果进行处理，包括聚合（clump）、筛选 （sieve）、并类（combine）、精度评估等。
主要分类方法：监督、非监督、决策树、ROI
1. 非监督分类：(unsupervised classification)根据 事先指定的某一准则，而进行计算机自动判别 归类，无须人为干预，分类后需确定地面类别。
- 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)。
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）打开待分类的遥感影像数据
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）选择待分类的数据文件
4）选好数据以后，点击OK键，进入K-Means参数设置对话框，进行有关参数的设置，包括分类的类数、分类终止的条件、类均值左右允许误差、最大距离误差以及文件的输出等参数的设置
5）建立光谱类和地物类之间的联系：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 Color Mapping…进入分类结果的属性设置对话框，在这里，可以进行类别的名称，显示的颜色等，建立了光谱类和地物类之间的联系。
设置完成以后，点击菜单栏Options—>Save Changes 即完成光谱类与地物类联系的确立6）类的合并问题：如果分出的类中，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—>Combine Classes，进入待合并分类结果数据的选择对话框
点击OK键，进入合并参数设置对话框，在左边选择要合并的类，在右边选择合并后的类，点击Add Combination 键即完成一组合并的设置，如此反复，对其他需合并的类进行此项操作，点击OK，出现输出文件对话框，选择输出方式，即完成了类的合并的操作。
至此，K—均值分类的方法结束。
2、ISODATA算法
基本操作与K—均值分类相似。
1）进行分类数据文件的选择（依次打开：ENVI主菜单栏—>Classification—>Unsupervised —>IsoData即进入ISODA TA算法分类数据文件选择对话框，选择待分类的数据文件）2）进行分类的相关参数的设置（点击OK键以后，进入参数设置对话框，可以进行分类的
最大最小类数、迭代次数等
参数的设置）
3）如此，光谱类的划分到此结束。
4）参看K—均值分类的第5—6步，进行光谱类与地物类联系的建立以及类的合并等操作至此，使用ISODA TA算法进行分类完成。
二、监督分类
本实验说明以最大似然法为例，进行监督分类的讲解说明。
步骤：1）打开待分类的遥感影像数据文件
2）进行训练样本的选取：在窗口中打开一张影像，选择主窗口菜单栏Tools键—>Region Of Interest—>ROI Tools…（或是在主窗口上单击右键，在弹出的快捷菜单栏中选择ROI Tools…）进入训练样本选取对话框。
3）进行训练样本的选取，New Region 可以建立新的样本区，在ROI Name栏中双击，键入类的地物名，在Color栏中双击，可以输入类的颜色，ROI_Type菜单下可以进行样本类型的设置，在主窗口按鼠标左键即可进行样本区选择，以双击右键结束样本区的选取。
选取完毕以后，选择File菜单—>Save ROIs，对数据进行保存。
4）进行最大似然法的分类：在ENVI主菜单栏中Classfication—>Supervised—>Maximum Likelihood，进入分类文件的选取对话框，选择相应的待分类文件。
然后进入训练样本选取对话框，进行训练样本的选取及分类结果的存储等方面的设置。
5）单击OK键，即开始进行分类。
6）参看K—均值分类的第5—6步，进行类的相关设置及类的合并等操作
至此，使用最大似然法进行分类完成。
监督分类的方法还有：1）平行六面体法2）最小距离法3）最大似然法4）波谱角法5）马氏距离法6）二值编码法7）神经网络法等分类的方法，基本的操作都是进行样本的训练和分类的相关设置，在这里就不再赘述了。
三、两类分类方法的比较
这里使用K—均值分类法和最大似然法进行了分类比较
从总体上看，两种分类的方法存在较大的差异，这是由于两种分类在相关参数的选取时都存在较大的主观性，在K—均值分类的算法中，类数的选取对结果有显著影响，在最大似然法分类中，样本选取的数量，样本的质量以及样本的代表性等对分类的结果都会产生很大的影响，这就需要进行相关参数的调节，来使得分类效果达到最佳。