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？。
- 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