混合像元分解及其应用(ENVI操作文本)
一基于PPI的端元提取
借助纯净像元指数（PPI）和n维可视化工具用于端元波谱收集。
第一步、获取纯净像元
这个步骤是在MNF变换的结果上计算纯净像元指数（PPI），之后选择阈值范围从PPI图像上获得感兴趣区，感兴趣区包含的像元就是比较纯净的像元。
（1）打开高光谱数据。
（2）在ENVI主菜单中，选择Spectral ->MNF Rotation- > Forward MNF -> Estimate Noise Statistics From Dat a。在标准ENVI文件选择对话框中，选择高光谱图像文件。
（3）打开Forward MNF Transform Parameters面板，选择MNF输出路径及文件名，单击OK执行MNF变换。
（4）在波段列表中输出MNF影像及特征曲线值。从图中可以看出，大约20个波段以后的MNF的特征值很小
（5）MNF变换后，在ENVI主菜单中，选择 Spectral-> Pixel Purity Index->[FAST] New Output Band。在打开的Pixel Purity Index Input File对话框中，选择MNF变换结果，单击Spectral Subset按钮，选择前面10个波段（MNF后面波段基本为噪声），单击OK。
（6）在Display窗口中显示PPI结果。选择Overlay->Region of Interest，在ROI Tool 面板中，选择Options->Band Threshold to ROI，选择PPI图像作为输入波段，单击OK，打开Band Threshold to ROI 面板（图14.19）。 Min Thresh Value：10，Max Thresh Value：空（PPI图像最大值），其他默认设置，单击OK计算感兴趣区，得到的感兴趣区显示在Display窗口中。
第二步、构建n维可视化窗口
（1）在ENVI主菜单中，选择Spectral ->n-Dimensional Visualizer，在n-D Visualizer Input File 对话框中选择MNF变换结果，单击OK。
（2）在n-D Controls面板中，选择1、2、3、4、5波段，构建5维的散点图。
第三步：选择端元波谱
（1）在n-D Controls面板中，设置适当的速度（Speed），单击Start按钮，在n-D Visualizer 窗口中的点云随机旋转，当在n-D Visualizer窗口中的点云有部分聚集在一块时，单击Stop按钮。
（2）在n-D Visualizer窗口中，用鼠标左键勾画“白点”集中区域，选择的点被标示颜色。
（3）在n-D Controls面板中，选择Class->Items 1:20->White（用于删除点），单击Start按钮，当看到有部分选择的点云分散时候，单击Stop按钮，在n-D Visualizer窗口中选择分散的点，自动会将选择的点删除。借助<-，->，New按钮可以一帧帧从不同视角浏览以辅助删除分散点。
（4）在n-D Visualizer窗口中，单击右键选择New Class快捷菜单，重复（1）~（3）选择其他“白点”集中区域。
第四步、输出端元波谱
（1）在n-D Controls面板中，选择Options->Mean All，在Input File Associated with n-D Scatter Plot对话框中选择原图像，单击OK。
（2）获取的平均波谱曲线绘制在n_D Mean绘图窗口中。
（3）识别每条波谱曲线对应的地物类型。
（4）在n_D Mean绘图窗口中，选择File->Save Plot As->Spectral Library（或者ASCII），将端元波谱保存为波谱库文件或者文本文件。
二丰度解混
（以线性光谱解混为例）
（1）Spectral ->Mapping Method-> spectral angle mapper 打开要分类的图像
（2）在端元选择器中打开光谱库 Import->form Spectral Library File
（3）选择所有端元
（4）Apply后，填写保存路径即可
三利用端元进行分类
（以光谱角填图（spectral angle mapper）为例）（1）Spectral ->Mapping Method->Liner spectral unmixing 打开要分类的图像
（2）在端元选择器中打开光谱库 Import->form Spectral Library File
（3）选择所有端元
（4）Apply后，填写参数设置，如图所示：
（5）结果图
常见混合像元分解方法简介二
端元就相当于一个像素里的亚像元，只包含一种地物的光谱信息，根据多光谱或高光谱的高光谱分辨率可以提取出来。 端元只包含一种地物信息，一般的像元都为混合像元，包括多种地物，在进行混合像元分解的时候，可以对一个像元中包括的几种端元进行定量描述，求得每个像元中几种端元在这个像元中的面积百分比，即端元的丰度。 混合像元分解 (2011-06-10 14:46:57) 转载▼ 分类：ENVI/IDL学习 标签： 杂谈 混合像元是指在一个像元内存在有不同类型的地物，主要出现在地类的边界处。混合像元的存在是影响识别分类精度的主要因素之一,特别是对线状地类和细小地物的分类识别影响较为突出，在土地利用遥感动态监测工作中,经常遇到混合像元的难题，解决这一问题的关键在于通过一定方法找出组成混合像元的各种典型地物的比例。 线性混合像元分解 由于线性模型是应用最广泛，也是研究最多的算法，下面重点介绍基于线性模型的混合像元分解算法。一般而言，混合像元分解算法包括数据降维、端元选取和反演三个步骤。 １.数据降维 尽管数据降维不是混合像元分解算法的一个必需步骤，但由于大多数算法都将其作为一个流程，我们也将其当作一个步骤。常用的降维算法有主成分分析（Principle Component Analysis，PCA）、最大噪声比变换（Maximum Noise Fraction，MNF）和奇异值分解（Singular Value Decomposition，SVD）。 (1) 主成分分析：遥感图像各波段之间经常是高度相关的，因此所有的波段参加分析是不必要的。PCA就是一种去除波段之间相关性的变换。PCA通过对原数据进行线性变换，获得新的一组变量，即主成分。其中前几个主成分包含了原数据主要方差，同时各个主成分之间是不相关的。 (2) 最大噪声比变换：最大噪声比变换（Maximum Noise Fraction，MNF）[24]由Green等（1989）提出，该变换通过引入噪声协方差矩阵以实现对噪声比率的估计。首先，通过一定方式（比如对图像进行高通滤波）获取噪声的协方差矩阵，然后将噪声协方差矩阵对角化和标准化，即可获得对图像的变换矩阵，该变换实现了噪声的去相关和标准化，即变换后的图像包含的噪声在各个波段上方差都为1，并且互不相关。最后对变换后的图像再做主成分变换，从而实现了MNF变换，此时得到的图像的主成分的解释方差量对应于该主成分的信噪比大小。 (3) 奇异值分解：奇异值分解（Singular Value Decomposition, SVD）也是遥感图像处理中常用的变换，与PCA类似，SVD能够找出包含原始数据大部分方差的特征方向，不同的是，SVD特别适合于波段间高度相关的数据，而PCA在这种情况下很有可能会失败[25]。
端元法
【遥感专题系列】定量/高光谱遥感之——混合像元分解(2013-09-09 09:55:23) 转载▼ 分类：遥感技术 标签： 混合像元分解 端元波谱提取 杂谈 当具有不同波谱属性的物质出现在同一个像素内时，就会出现混合像元。混合像元不完全属于某一种地物，为了能让分类更加精确，同时使遥感定量化更加深入，需要将混合像元分解成一种地物占像元的百分含量（丰度），即混合像元分解，也叫亚像元分解。混合像元分解是遥感技术向定量化深入发展的重要技术。 本文主要介绍以下内容： ?基本概念 ?端元波谱提取 ?混合像元分解 ?基于MNF的MTMF混合像元分解 1.基本概念 ?混合像元 地球自然表面几乎不是由均一物质所组成的。当具有不同波谱属性的物质出现在同一个像素内时，就会出现波谱混合现象，既混合像元（Mixed Pixel）。Singer和McCord（1979）发现如果混合像元的尺度很大（宏观），那么混合像元将存在线性关系。对于微观的混合，混合像元通常表现为非线性关系（Nash and Conel，1974；Singer，1981）。 ?混合像元形成原因 从理论上讲，混合像元的形成主要有以下原因： 1) 单一成分物质的光谱、几何结构、及在像元中的分布； 2) 大气传输过程中的混合效应； 3) 传感器本身的混合效应； 其中：2)和3)为非线性效应，2)可以通过大气校正进行修正；3)可以通过仪器的校准、定标加以部分克服；1)部分是线性效应，也是本文讨论的内容。 ?混合像元分解 混合像元分解技术假设：在一个给定的地理场景里，地表由少数的几种地物（端元）组成，并且这些地物具有相对稳定的光谱特征，因此，遥感图像的像元反射率可以表示为端元的光谱特征和这个像元面积比例（丰度）的函数。这个函数就是混合像元分解模型。 近年来，研究人员提出了许多有效的分解模型，主要有：线性混合光谱模型、模糊监督分类模型、神经网络模型等。其中比较常用的是线性模型，即线性混合光谱模型。 ?线性混合光谱模型
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。
常见混合像元分解方法
常见混合像元分解方法 常见的混合像元分解方法，主要包括线性波谱分离(Linear Spectral Unmixing )、匹配滤波(MF )、混合调谐匹配滤波(MTMF）、最小能量约束(CEM）、自适应一致估计（ACE）、正交子空间投影(OSP)等。 下面分别对几种分类方法原理一一说明。 1线性波段预测(Linear Band Prediction) 线性波段预测法（LS-Fit）使用一个最小方框（least squares）拟合技术来进行线性波段预测，它可以用于在数据集中找出异常波谱响应区。LS-Fit先计算出输入数据的协方差，用它对所选的波段进行预测模拟，预测值作为预测波段线性组的一个增加值。还计算实际波段和模拟波段之间的残差，并输出为一幅图像，残差大的像元（无论正负）表示出现了不可预测的特征（比如一个吸收波段）。 2线性波谱分离(Linear Spectral Unmixing ) Linear Spectral Unmixing可以根据物质的波谱特征，获取多光谱或高光谱图像中物质的丰度信息，即混合像元分解过程。假设图像中每个像元的反射率为像元中每种物质的反射率或者端元波谱的线性组合。例如：像元中的25%为物质A，25%为物质B，50%为物质C，则该像元的波谱就是三种物质波谱的一个加权平均值，等于0.25A+0.25B+0.5C，线性波谱分离解决了像元中每个端元波谱的权重问题。 线性波谱分离结果是一系列端元波谱的灰度图像（丰度图像），图像的像元值表示端元波谱在这个像元波谱中占的比重。比如端元波谱A的丰度图像中一个像元值为0.45，则表示这个像元中端元波谱A占了45%。丰度图像中也可能出现负值和大于1的值，这可能是选择的端元波谱没有明显的特征，或者在分析中缺少一种或者多种端元波谱。
《ENVI》实训指导
《ENVI》实训指导书 ENVI快速入门 一、软件概况介绍： ENVI（The Environment for Visualizing Images）遥感影像处理软件是由美国著名的遥感科学家用IDL开发的一套功能齐全的遥感影像处理软件，它是处理、分析并显示多光谱数据、高光谱数据和雷达数据的高级工具。曾获2000、2001年美国权威机构NIMA遥感软件测评第一。 ENVI的应用领域包括：地质、林业、农业、模式识别、军事、自然资源勘探、海洋资源管理、环境和土地利用管理等。 二、ENVI的安装 1、ENVI永久许可 1)ENVI浮动license：服务器版，多个用户可以同时访问一个服务器，服务器需要安装license，客户端不需要安装license，但是需要进行设置。 2)ENVI加密狗：加密狗也需要license安装，但是有灵活、不依赖网卡的特点。 3)ENVI网卡加密：利用网卡号的唯一性进行加密，如果更换机器时，需要将原来的网卡拔下重新安装在新机器上。 2、ENVI临时许可 三、目录结构介绍 一般情况下ENVI安装在RSI文件夹下，完全版本包括IDL60、License等文件夹，ENVI的所有文件及文件夹保存在IDL60\products\ENVI40下。 ?Bin：相应的ENVI运行目录。 ?Data：数据目录，保存一矢量文件夹（一些矢量数据）和一些例子数据（有 些数据有头文件，有些数据没有头文件）。 ?Flt_func：ENVI常规传感器的光谱库文件。例如：aster、modis、spot、tm 等。 ?Help：ENVI的帮助文档。 ?Lib：IDL生成的可编译的程序，用于二次开发。 ?Map_proj：影像的投影信息，文本格式，客户可以进行定制。 ?Menu：ENVI菜单文件，可以进行中、英文菜单互换。并不是所有的英文菜单 都已经汉化，汉化工作我们正在做，以后会陆续推出。 ?Save：应用IDL可视化语言编译好的、可执行的ENVI程序。 ?Save_add：客户自主开发的、可执行程序。 ?Spec_lib：波谱库，不同地区可以有不同的波谱库，用户可以自定义。 四、中文菜单和英文菜单的互换 1、文件互换 在RSI\IDL60\products\envi40\menu目录下，display.men、 display_shortcut.men、envi.men三个文件是ENVI的菜单文件，可以将其（中文或英文）菜单文件备份后，将另外（英文或中文）菜单文件考入此目录下
混合像元分解及其应用(ENVI操作文本)讲解
一基于PPI的端元提取 借助纯净像元指数（PPI）和n维可视化工具用于端元波谱收集。 第一步、获取纯净像元 这个步骤是在MNF变换的结果上计算纯净像元指数（PPI），之后选择阈值范围从PPI图像上获得感兴趣区，感兴趣区包含的像元就是比较纯净的像元。 （1）打开高光谱数据。 （2）在ENVI主菜单中，选择Spectral ->MNF Rotation- > Forward MNF -> Estimate Noise Statistics From Dat a。在标准ENVI文件选择对话框中，选择高光谱图像文件。
（3）打开Forward MNF Transform Parameters面板，选择MNF输出路径及文件名，单击OK执行MNF变换。
（4）在波段列表中输出MNF影像及特征曲线值。从图中可以看出，大约20个波段以后的MNF的特征值很小 （5）MNF变换后，在ENVI主菜单中，选择 Spectral-> Pixel Purity Index->[FAST] New Output Band。在打开的Pixel Purity Index Input File对话框中，选择MNF变换结果，单击Spectral Subset按钮，选择前面10个波段（MNF后面波段基本为噪声），单击OK。
（6）在Display窗口中显示PPI结果。选择Overlay->Region of Interest，在ROI Tool 面板中，选择Options->Band Threshold to ROI，选择PPI图像作为输入波段，单击OK，打开Band Threshold to ROI 面板（图14.19）。 Min Thresh Value：10，Max Thresh Value：空（PPI图像最大值），其他默认设置，单击OK计算感兴趣区，得到的感兴趣区显示在Display窗口中。 第二步、构建n维可视化窗口 （1）在ENVI主菜单中，选择Spectral ->n-Dimensional Visualizer，在n-D Visualizer Input File 对话框中选择MNF变换结果，单击OK。 （2）在n-D Controls面板中，选择1、2、3、4、5波段，构建5维的散点图。 第三步：选择端元波谱 （1）在n-D Controls面板中，设置适当的速度（Speed），单击Start按钮，在n-D Visualizer 窗口中的点云随机旋转，当在n-D Visualizer窗口中的点云有部分聚集在一块时，单击Stop按钮。 （2）在n-D Visualizer窗口中，用鼠标左键勾画“白点”集中区域，选择的点被标示颜色。 （3）在n-D Controls面板中，选择Class->Items 1:20->White（用于删除点），单击Start按钮，当看到有部分选择的点云分散时候，单击Stop按钮，在n-D Visualizer窗口中选择分散的点，自动会将选择的点删除。借助<-，->，New按钮可以一帧帧从不同视角浏览以辅助删除分散点。 （4）在n-D Visualizer窗口中，单击右键选择New Class快捷菜单，重复（1）~（3）选择其他“白点”集中区域。
envi操作(1)
ENVI的一些操作 2009-07-27 11:06:51| 分类：ENVI应用| 标签：|字号大中小订阅 2、矢量图层编辑 1）在Vector Parameters对话框中，点击刚创建的新矢量层，然后选择Mode →Edit Existing Vectors。 2）在主影像窗口中，点击在上一节中所生成的某个多边形。 a) 该多边形就会高亮显示出来，并且多边形的节点会标记成钻石形。当矢量被选定，就可以进行如下的修改： 3）单击鼠标右键，在弹出的快捷菜单中选择Delete Selected Vector，删除整个多边形。4）单击节点，并拖曳到新的位置来移动节点。 5）单击鼠标右键，选择Accept Changes保存修改并重新绘制多边形。 6）通过点击鼠标中键或在右击显示的快捷菜单中选择Clear Selection，退出修改，不进行任何变动。 7）要在多边形中添加或删除节点，可以在右击显示的快捷菜单中按如下步骤进行选择： i. 要添加一个节点，右击并选择Add Node，然后将该节点拖曳到一个新的位置。 ii. 要删除节点，单击节点，然后从快捷菜单中选择Delete Node。 iii. 要改变每次添加的节点数，右击选择Number of Nodes to Add。在对话框中，输入节点的数目。 iv. 要删除一系列的节点，用右键点击该范围内的第一个点，然后选择Mark Node。再用右键点击该范围的最后一个点，再次选择Mark Node。最后，右击选择Delete Marked Nodes即可。 8）结束这一部分，从ENVI主菜单中选择Window →Available Vectors List，然后在显示的可用波段中选择新创建的矢量层，并点击Remove Selected来删除它们。注意不要删除vectors.shp矢量层，后面还会用到的。 3、屏幕数字化 1）从Vector Parameters对话框中选择File →Create New Layer来创建一个新的矢量层。在New Vector Layer Parameters对话框中，输入新矢量层的名字。点击Memory单选按钮，并点击OK。 2）在Vector Parameters对话框中，点击新生成的矢量层的名字，就会初始化新生成的.dbf 文件。 3）选择Mode →Add New Vectors。 4）在本专题中将创建多边形矢量，选择Mode →Polygon。 5）在影像显示窗口中（如果在Vector Parameters对话框中选择了Window单选按钮，则也可以在滚动窗口或缩放窗口中进行），按以下的步骤用鼠标来定义一个新的多边形区域：6）点击鼠标左键，绘制多边形的各线段。 7）点击鼠标中键，来擦除刚绘制的线段。 8）点击鼠标右键，固定多边形的形状。再次点击鼠标右键，从弹出的快捷菜单中选择Accept New Polygon接受新建的多边形。 9）以影像中区域的轮廓为参考，绘制一些多边形。 10）在Vector Parameters对话框中选择Edit →Add Attributes，给新创建的多边形添加属性。在Attribute Initialization对话框中，在Name字段输入Field_ID，点击Type
混合像元分解
注：由于计算量较大，所以将图像分成三块进行处理，另外此步骤在ENVI Classic里面完成 一：纯像元提取（PPI） 1、MNF变换 选择Spectral→MNF Rotation→Forward MNF→Estimate Noise Statistics from Data 在弹出的窗口中选择13-4-26a.img文件，点击ok 在弹出的窗口中设定保存路径，文件命名为13-4-26amnf，点击ok
2、PPI计算 选择Spectral→Pixel Purity Index→[FAST]New Output Band 在弹出的窗口中选择13-4-26amnf文件，点击ok 在弹出的窗口中设置输出文件，13-4-26appi，点击ok，这一步要等很久。。。 将获取的纯像元变为ROI：Basic Tools→Region of Interest→Band Threshold to ROI，选择13-4-26appi文件，点击ok 弹出的窗口中： 3、构建n维窗口，选择端元波谱
选择Spectral→n-Dimensional Visualizer→Visualize with New Data 在弹出窗口中选择13-4-26amnf文件，点击ok，选中1-5波段 （1）在n-D Controls面板中，设置适当的速度（Speed），单击Start按钮，在n-D Visualizer 窗口中的点云随机旋转，当在n-D Visualizer窗口中的点云有部分聚集在一块时，单击Stop 按钮。借助<-，->，New按钮可以一帧帧从不同视角浏览以辅助删除分散点。 （2）在n-D Controls面板中，选择Class->Items 1:20->red，可选择标志颜色 （3）在n-D Visualizer窗口中，用鼠标左键勾画“白点”集中区域，右键结束
常见混合像元分解方法简介
常见混合像元分解方法 (2011-04-20 20:35:42) 转载▼ 分类：遥感技术 标签： 混合像元 亚像元分解方法 线性波谱分离 教育 常见的混合像元分解方法，主要包括线性波谱分离(Linear Spectral Unmixing )、匹配滤波(MF )、混合调谐匹配滤波(MTMF）、最小能量约束(CEM）、自适应一致估计（ACE）、正交子空间投影(OSP)等。 下面分别对几种分类方法原理一一说明。 (1)线性波段预测(Linear Band Prediction) 线性波段预测法（LS-Fit）使用一个最小方框（least squares）拟合技术来进行线性波段预测，它可以用于在数据集中找出异常波谱响应区。LS-Fit先计算出输入数据的协方差，用它对所选的波段进行预测模拟，预测值作为预测波段线性组的一个增加值。还计算实际波段和模拟波段之间的残差，并输出为一幅图像，残差大的像元（无论正负）表示出现了不可预测的特征（比如一个吸收波段）。 (2)线性波谱分离(Linear Spectral Unmixing ) Linear Spectral Unmixing可以根据物质的波谱特征，获取多光谱或高光谱图像中物质的丰度信息，即混合像元分解过程。假设图像中每个像元的反射率为像元中每种物质的反射率或者端元波谱的线性组合。例如：像元中的25%为物质A，25%为物质B，50%为物质C，则该像元的波谱就是三种物质波谱的一个加权平均值，等于0.25A+0.25B+0.5C，线性波谱分离解决了像元中每个端元波谱的权重问题。 线性波谱分离结果是一系列端元波谱的灰度图像（丰度图像），图像的像元值表示端元波谱在这个像元波谱中占的比重。比如端元波谱A的丰度图像中一个像元值为0.45，则表示这个像元中端元波谱A占了45%。丰度图像中也可能出现负值和大于1的值，这可能是选择的端元波谱没有明显的特征，或者在分析中缺少一种或者多种端元波谱。 (3)匹配滤波(Matched Filtering ) 使用匹配滤波（MF）工具使用局部分离获取端元波谱的丰度。该方法将已知端元波谱的响应最大化，并抑制了未知背景合成的响应，最后“匹配”已知波谱。该方法无需对图像中所有端元波谱进行了解，就可以快速探测出特定要素。这项技术可以找到一些稀有物质的“假阳性(false positives)”。 匹配滤波工具的结果是端元波谱比较每个像素的MF匹配图像。浮点型结果提供了像元与端元波谱相对匹配程度，近似混合像元的丰度，1.0 表示完全匹配。
ENVI操作流程
1.Sobel滤波变换 图像滤波可以从图像中提取空间尺度信息，突出图像的空间信息，压抑其他无关信息，或者去除图像某些信息。所以，为了增强园区线性影像，使用空间滤波变换也是不错的选择。 ①打开ENVI，主菜单选择Filter。 ②选择Sobel滤波 ③选择要进行滤波变换的文件 选择完毕，点OK， Sobel滤波完成后的效果如图
2.运用ENVI面向对象空间特征提取工具（Feature Extraction Module）实现分类 第一步：发现对象 ①启动ENVI ZOOM，在主菜单中打开Processing中的Feature Extraction选项。 ②选择经过sobel滤波变换的文件，点击OK完成。
③影响分割：参照现实环境，利用边界分割规则对图像进行切割。可以选择Preview对切割 后的图像边界进行实时查看，以确定合适的切割尺度。 分割图像预览 ④斑块合并。此步骤主要解决图像过度分割的问题。可以将小的斑块合并到更大尺度的斑块 中。
合并图像预览 ⑤亮度阈值合并。此步骤选择No Thresholding(default)不进行亮度值设定。 ⑥选择属性计算项。选择波段比值（Band Ratio）选项，进行波段比值运算。如把红色波段赋给B1，把近红外波段赋给B2，那么计算出来的波段比值就可以用来提取NDVI，因为绿 色的植被会有一个较高的NDVI值。
点击NEXT进入下一步骤。 第二步：提取特征。 a．①选择样本进行分类（监督分类）。Classify by selecting examples：监督分类模式。 上选择训练区域。
混合像元分解笔记
光谱混合分析（SMA） 1.光谱分析法：利用光谱学的原理和实验方法以确定物质的结构和化学成分的分析方法。 特点：（1）分析速度较快 （2）操作简便 （3）不需要纯样品 （4）可同时测定多种元素或化合物，省去复杂的分离操作 （5）选择性好。可测定化学性质相近的元素和化合物 （6）灵敏度高 （7）样品损坏少 ※随着新技术的采用，定量分析的线性范围变宽，使高低含量不同的元素可以同时测定，还可以进行微区分析。 局限性：光谱定量分析建立在相对比较的基础上，必须有一套标准样品的组成和结构状态应与被分析的样品一致。 2.高光谱遥感：指利用很多很窄的电磁波波段获得观测目标的相关信息。（即高光谱分辨率） 特点：波段数目多，波段宽度窄，波段分布连续，光谱分辨率高，图谱合一。→地物识别、分类具有优势，适用于混合像元分析。 高光谱遥感影像分析→集中于对光谱维信息的提取和定量分析。（1）影像立方体 X，Y：普通影像的长和宽 Z：由波长长短顺序叠加形成的。（上短下长）
图：单个像元沿Z轴的不同亮度值形成了一条连续的光谱曲线。（X 波长，Y亮度）→描述每个像元所代表的地物光谱特征。 （2）光谱数据库： ①自然条件下，仪器实测的各种地物光谱数据。 ②人为控制下，测得的矿物，植物矿片等光谱数据。 每条光谱记录都对应有其测量的仪器，气象条件，周围环境等详细信息。 （3）光谱匹配：将地物光谱与实验室测量的参考光谱进行匹配，或将地物光谱与参考光谱数据库进行比较，求得它们之间的相似性或差异性，以达到识别地物的目的。 3.混合光谱分析 纯像元：仅包含一种土地覆盖类型。记录的是该土地覆盖类型的光谱响应特征或光谱信号。 混合像元：包含不止一种土地覆盖类型。记录的是不同土地覆盖类型光谱响应特征的综合。 （1）线性混合：指传感器无法分辨的多种小地物光谱的线性合成。只要这些不同小地块的光谱能互不干扰地到达传感器，就可用线性方法通过像元亮度值估算不同地块比例→（各地块分布紧密的区域） 包括：物理学描述，代数学描述，几何学描述。（公式略） （2）非线性混合：指地表不同地物的光谱在到达传感器之前，即在大气传输过程中，就已经合成的情况。→（各地块分布分散的区域）包括：Hapke 混合光谱模型，KUBELK-MUNK（K-M)混合光谱模型，
ENVI使用手册
第一章：ENVI 概述 如何使用本手册 本手册包括若干章节；每章描述ENVI 提供的一系列处理程序。多数章节遵循ENVI 的菜单结构。例如，第4 章的标题为“Basic Tools”，它描述的功能可以在ENVI 的Basic Tools下拉菜单下找到。5 个附录分别针对：ENVI基本功能、文件格式、波谱库、地图投影以及描述ENVI 该版本的新特征。该介绍性章节包括与ENVI 图形用户界面（GUI）的交互，使用ENVI 窗口，及其它介绍性材料。新的ENVI 用户使用前务必认真阅读本手册，以及附带的ENVI 教程。 对于章节中的每个主题，功能描述之后给出了实现它的一步步向导。向导中描述了参数，通常还附有建议和例子。大多数功能（除了交互的功能）从ENVI 的下拉主菜单启动。出现包含接受用户输入参数的对话框。许多参数包含系统默认值并且有一些是可选的。当功能运行时，出现一个处理状态窗口。 运行功能的一步步向导被编号并且用粗体显示。鼠标控制菜单选项与用斜体字印刷的下拉菜单一同出现。子菜单用“>” 连接。每个步骤内的选项用项目符号显示。按钮名用引号标明，对话框标题以大写字母开头。一些对话框内部有下拉菜单。每个下拉菜单下的选项通常在以该下拉菜单名为标题的一节中描述。 例如，这些是如何对一个文件进行中值滤波的向导： 1. 从ENVI 主菜单，选择Filters > Convolutions > Median 。 将出现一个文件选择对话框, 允许你交互地改变目录并选定需要的输入文件。 2. 通过点击文件名，再点击“OK” 或“Open”，来选择所需要的文件。 若有必要，使用任意空间和/或波谱的构造子集（subsetting）。 3. 当出现Convolution Parameters 对话框，在“Size” 文本框中，输入所需要的滤波器大小。 4. 选择输出到“File” 或“Memory”，若需要，键入一个输出文件名。 5. 点击“OK”，开始处理。
envi常用操作步骤
使用该工具可以对影像的镶嵌做到更精细的控制，包括镶嵌匀色、接边线功能和镶嵌预览等功能。下面以6景TM5影像为例介绍这个工具。 在Toolbox中启动/Mosaicking/Seamless Mosaic ENVI5.1版本提供了全新的影像无缝镶嵌工具Seamless Mosaic，所有功能集成在一个流程化的界面，可以： 控制图层的叠放顺序 设置忽略值、显示或隐藏图层或轮廓线、重新计算有效的轮廓线、选择重采样方法和输出范围、可指定输出波段和背景值 可进行颜色校正、羽化/调和 提供高级的自动生成接边线功能、也可手动编辑接边线 提供镶嵌结果的预览 使用该工具可以对影像的镶嵌做到更精细的控制，包括镶嵌匀色、接边线功能和镶嵌预览等功能。下面以6景TM5影像为例介绍这个工具。 在Toolbox中启动/Mosaicking/Seamless Mosaic。 1 数据加载 （1）点击左上的加号（如图）添加需要镶嵌的影像数据。 图1 加载数据 （2）添加进来之后可以看到数据的位置和重叠关系和影像轮廓线。
图2 图像轮廓线 （3）勾选Show Preview，可以预览镶嵌效果。在Data Ignore Value一览输入透明值，这里输入0。如下图为0值透明的效果。 图3 设置透明值 2 匀色处理 提供的匀色方法是直方图匹配。 （1）在Corlor Correction选项中，勾选Histogram Matching： Overlap Area Only：重叠区直方图匹配
Entire Scene：整景影像直方图匹配 （2）在Main选项中，Color Matching Action中右键设置参考（Reference）和校正（Adjust），根据预览效果确定参考图像。 图4 直方图匹配方法匀色效果 3 接边线与羽化 接边线包括自动和手动绘制两种方法，也可以结合起来使用。 （1）选择下拉菜单Seamlines->Auto Generate Seamlines，自动绘制接边线，如下图所示，自动裁剪掉ＴＭ边缘“锯齿”。 （2）自动生成的接边线比较规整，可以明显看到由于颜色不同而显露的接边线。下拉菜单Seamlines-> Start editing seamlines，编辑接边线，可以在接边处绘制多边形，之后自动将绘制的多边形作为新的接边线。
envi图像处理基本操作
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。 （2）裁减：在菜单Basic Tools Subset Data via ROIs，在选择窗口select the input file 选择需要裁减的原始图象，Restore ROIs选择ROI。输出文件即可得到感兴趣区范围的图像。 指定范围裁减在ENVI中的操作如下： 如果给定一个范围根据此范围进行裁减，首先将给定的文件转化为shp等envi能够视别的格式打开，然后将此范围保存为ROI文件，再根据此ROI文件进行裁减。 指定范围裁减在ENVI中的操作如下： （1）假如给定一个SHP文件cut_region，首先在ENVI中打开原始图像同时在file Open Vector File打开cut_region。 单击OK导入，显示（load）到图像窗口。 在主菜单Basic Tool region of interest save ROIs to file,逐个范围保存为ROI文件。
ENVI操作
ENVI图像拼接、栅格转矢量、图像裁剪、图像融合 ENVI图像拼接 在ENVI主菜单中选择Map—Mosaicing—Georeferenced，在Mosaic对话框中点击Import —Import File，选择需要拼接的两幅图像，然后进行图像拼接。然后对图片点击右键，选中Edit Entry，在Edit Entry对话框中，设置Data Value to Ignor：0，忽略0值，设置Feathering Distance为10，羽化半径为10个像素，点击OK确定。 点击file-apply，保存即可 ENVI栅格转矢量 1）要将感兴趣区转换成矢量多边形，在ROI Tool对话框中选择File → Export ROIs to EVF，打开Export Region to EVF对话框。 2）高亮显示区域的名字来选择其中某个区域。选择All points as one record单选按钮选项，在Layer Name文本框中输入层的名字，点击Memory，然后点击OK转换第一个感兴趣区。 i.重复上面的步骤，转换第二个感兴趣区。 ii.矢量层的名字都会在可用矢量列表中列出。 3）在可用矢量列表中，点击Select All Layers，然后点击Load Selected按钮。 4）在Load Vector对话框中，选择New Vector Window打开一个新的矢量显示窗口。 i. 这些矢量将以多边形的方式加载到Vector Window #1对话框中。 5）在Vector Window #1对话框中，选择Edit → Add Attributes给多边形添加属性信息。6）按照本专题辅导209页所描述的内容来添加属性信息。 i.这样就可以同其它矢量数据一同使用查询和GIS分析功能了。通过在Vector Window Parameters对话框中，选择File → Export Active Layer to Shapefile，将这些矢量导出成shape文件。 6、等值点/等值线插值成栅格影像 1）在ENVI主菜单中，选择Topographic >Convert Contours to DEM，或Vector > Convert Contours to DEM。 2）在文件选择对话框中，选择包含地形等高线的EVF文件和高程属性。 3）将出现Convert Elevation Contours to Raster DEM对话框。 4）在“Elevation Attribute Column”标签旁的下拉菜单中，选择包含等高线高程的属性。 5）如果需要，输入有效高程范围（与高程属性单位相同），高程处于有效范围外的矢量在构建DEM时将被忽略。 6）键入输出像元尺寸和数据类型。
envi操作(2)
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。 2 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。 2 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。 2 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。 2 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。
《ENVI》实验指导(精)
《ENVI》实验指导书 ENVI快速入门 一、软件概况介绍: ENVI(The Environment for Visualizing Images遥感影像处理软件是由美国著名的遥感科学家用IDL开发的一套功能齐全的遥感影像处理软件,它是处理、分析并显示多光谱数据、高光谱数据和雷达数据的高级工具。曾获2000、2001年美国权威机构NIMA遥感软件测评第一。 ENVI的应用领域包括:地质、林业、农业、模式识别、军事、自然资源勘探、海洋资源管理、环境和土地利用管理等。 二、ENVI的安装 1、ENVI永久许可 1ENVI浮动license:服务器版,多个用户可以同时访问一个服务器,服务器需要安装license,客户端不需要安装license,但是需要进行设置。 2ENVI加密狗:加密狗也需要license安装,但是有灵活、不依赖网卡的特点。 3ENVI网卡加密:利用网卡号的唯一性进行加密,如果更换机器时,需要将原来的网卡拔下重新安装在新机器上。 2、ENVI临时许可 三、目录结构介绍 一般情况下ENVI安装在RSI文件夹下,完全版本包括IDL60、License等文件夹,ENVI的所有文件及文件夹保存在IDL60\products\ENVI40下。 ?Bin:相应的ENVI运行目录。
?Data:数据目录,保存一矢量文件夹(一些矢量数据和一些例子数据(有 些数据有头文件,有些数据没有头文件。 ?Flt_func:ENVI常规传感器的光谱库文件。例如:aster、modis、spot、tm 等。 ?Help:ENVI的帮助文档。 ?Lib:IDL生成的可编译的程序,用于二次开发。 ?Map_proj:影像的投影信息,文本格式,客户可以进行定制。 ?Menu:ENVI菜单文件,可以进行中、英文菜单互换。并不是所有的英文菜单 都已经汉化,汉化工作我们正在做,以后会陆续推出。 ?Save:应用IDL可视化语言编译好的、可执行的ENVI程序。 ?Save_add:客户自主开发的、可执行程序。 ?Spec_lib:波谱库,不同地区可以有不同的波谱库,用户可以自定义。 四、中文菜单和英文菜单的互换 1、文件互换 在RSI\IDL60\products\envi40\menu目录下,display.men、 display_shortcut.men、envi.men三个文件是ENVI的菜单文件,可以将其(中文或英文菜单文件备份后,将另外(英文或中文菜单文件考入此目录下 即可完成中文菜单和英文菜单的互换。 2、设置