31.ENVI 最小距离分类阈值
envi 固定阈值法分类
envi 固定阈值法分类摘要：一、引言二、envi 软件介绍三、固定阈值法分类原理四、envi 固定阈值法分类操作步骤五、分类结果及分析六、总结正文：一、引言随着遥感技术的快速发展，图像分类成为了遥感图像处理的重要环节。
在众多图像分类方法中，基于像元值的固定阈值法因操作简单、结果直观而受到广泛关注。
本文以环境影像(envi) 软件为例，介绍固定阈值法在遥感图像分类中的应用。
二、envi 软件介绍envi 是一款专业的遥感图像处理软件，广泛应用于遥感图像的获取、处理、分析和应用等领域。
其强大的功能和丰富的工具为遥感图像分类提供了便利。
三、固定阈值法分类原理固定阈值法是一种基于像元值的分类方法，主要通过设置阈值将图像中的各个像元划分到不同的地物类别。
这种方法的原理简单，易于实现，但分类结果受阈值选取的影响较大。
四、envi 固定阈值法分类操作步骤在envi 软件中，固定阈值法分类的操作步骤如下：1.打开遥感图像，选择“图像”>“显示”>“波段叠加”，将多波段图像叠加显示。
2.选择“图像”>“处理”>“分类”，打开“波段分类”对话框。
3.在“波段分类”对话框中，设置“分类方法”为“像元值”，选择需要分类的波段。
4.设置“阈值类型”为“固定阈值”，并输入各个地物类别的阈值。
5.选择“输出路径”和“文件名”，点击“确定”按钮，开始分类。
6.分类完成后，选择“图像”>“显示”>“分类结果”，查看分类结果。
五、分类结果及分析在envi 软件中，固定阈值法分类的结果可以直观地显示在图像上。
通过观察分类结果，可以分析分类效果，如分类精度、地物类别分割情况等。
同时，可以针对分类结果进行进一步的处理，如合并地物类别、修改阈值等。
六、总结总之，在遥感图像分类中，envi 软件提供了丰富的工具和方法。
固定阈值法作为一种简单易行的分类方法，在某些情况下可以获得较好的分类效果。
然而，受阈值选取的影响，固定阈值法可能无法适用于所有场景。
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。
envi马氏距离分类
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 固定阈值法分类
envi 固定阈值法分类
摘要：
1.介绍envidata 包
2.固定阈值法的基本原理
3.使用固定阈值法进行分类的步骤
4.固定阈值法的优缺点
5.结论
正文：
一、介绍envidata 包
envidata 是一个用于环境变量数据处理和分析的R 语言包。
它提供了一系列功能，包括数据导入、数据处理、数据可视化和模型建立等，可以帮助用户更好地理解和分析环境变量数据。
在envidata 包中，有一个名为“envifix”的功能，可以用于环境变量的分类。
二、固定阈值法的基本原理
固定阈值法是一种基于环境变量的分类方法，其基本原理是将所有的环境变量转换为对应的类别，然后根据这些类别进行分类。
在envidata 包中，这个过程主要通过“envifix”函数来完成。
三、使用固定阈值法进行分类的步骤
使用固定阈值法进行分类的步骤可以分为以下几个步骤：
1.导入数据：首先，需要使用“read.env”函数导入环境变量数据。
2.数据处理：使用“envifix”函数将环境变量转换为对应的类别。
3.建立模型：使用“train”函数建立分类模型。
4.模型评估：使用“test”函数评估模型的准确性。
四、固定阈值法的优缺点
固定阈值法有着操作简单、易于理解的优点，但也存在一些缺点，例如对于连续变量的处理不够灵活，对于类别的划分过于固定等。
五、结论
总的来说，固定阈值法是一种简单易行的环境变量分类方法，适用于那些对于分类精度要求不高，且数据类型主要是离散变量的情况。
ENVI中监督分类方法及参数说明
ENVI中监督分类方法及参数说明ENVI 中监督分类方法及参数说明(2011-10-10 09:56:27)标签：转载分类：ENVI/IDL学习原文地址：ENVI中监督分类方法及参数说明作者：ENVIIDL根据分类的复杂度、精度需求等选择一种分类器。
在主菜单->Classification-> Supervised->分类器类型（如表 6.1），此外还包括应用于高光谱数据的波谱角（Spectral Angle Mapper Classification）、光谱信息散度（Spectral Information Divergence Classification）和二进制编码（Binary Encoding Classification）分类方法。
表6.1 六种监督分类器说明分类器说明平行六面体（Parallelpiped）根据训练样本的亮度值形成一个n维的平行六面体数据空间，其他像元的光谱值如果落在平行六面体任何一个训练样本所对应的区域，就被划分其对应的类别中。
平行六面体的尺度是由标准差阈值所确定的，而该标准差阈值则是根据所选类的均值求出。
最小距离（Minimum Distance）利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中心位置，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，该像元就归入到哪一类。
马氏距离（Mahalanobis Distance）计算输入图像到各训练样本的马氏距离（一种有效的计算两个未知样本集的相似度的方法），最终统计马氏距离最小的，即为此类别。
最大似然（Likelihood Classification）假设每一个波段的每一类统计都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中。
神经网络（Neural Net Classification）指用计算机模拟人脑的结构，用许多小的处理单元模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程应用于图像分类。
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，广泛地使用于地质、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,为大规模的遥感使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。
ENVI中监督分类方法及参数说明
ENVI中监督分类⽅法及参数说明ENVI 中监督分类⽅法及参数说明(2011-10-10 09:56:27)标签：转载分类：ENVI/IDL学习原⽂地址：ENVI中监督分类⽅法及参数说明作者：ENVIIDL根据分类的复杂度、精度需求等选择⼀种分类器。
在主菜单->Classification-> Supervised->分类器类型（如表 6.1），此外还包括应⽤于⾼光谱数据的波谱⾓（Spectral Angle Mapper Classification）、光谱信息散度（Spectral Information Divergence Classification）和⼆进制编码（Binary Encoding Classification）分类⽅法。
分类器说明平⾏六⾯体（Parallelpiped）根据训练样本的亮度值形成⼀个n维的平⾏六⾯体数据空间，其他像元的光谱值如果落在平⾏六⾯体任何⼀个训练样本所对应的区域，就被划分其对应的类别中。
平⾏六⾯体的尺度是由标准差阈值所确定的，⽽该标准差阈值则是根据所选类的均值求出。
最⼩距离（Minimum Distance）利⽤训练样本数据计算出每⼀类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中的中⼼位置，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，该像元就归⼊到哪⼀类。
马⽒距离（Mahalanobis Distance）计算输⼊图像到各训练样本的马⽒距离（⼀种有效的计算两个未知样本集的相似度的⽅法），最终统计马⽒距离最⼩的，即为此类别。
最⼤似然（Likelihood Classification）假设每⼀个波段的每⼀类统计都呈正态分布，计算给定像元属于某⼀训练样本的似然度，像元最终被归并到似然度最⼤的⼀类当中。
神经⽹络（Neural Net Classification）指⽤计算机模拟⼈脑的结构，⽤许多⼩的处理单元模拟⽣物的神经元，⽤算法实现⼈脑的识别、记忆、思考过程应⽤于图像分类。
- 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)。
徐老师：
您好！
我周六日休息了所以今天才看到您的邮件，抱歉没有及时答复您。
您的问题:
我不明白，如果您的row total不是理解成相加的含义，改如何理解？我想知道它是由哪些数值得到的100％?
我支持您的观点，row total是应该理解成相加的含义，但是这个地方横向相加确实不得100,也不可能都是100，具体什么原因我找了好久也没有找出来，我确实不是很清楚，我需要向美国ITT公司确认一下，非常抱歉。
最小距离分类的时候要设定两个阈值，这两个阈值是必须设定的，那么范围是否在0～255之间？书上写的以DN值的方式输入一个值是否是这个意思？
您知道，您选择了一类感兴趣区，就有了这类感兴趣区影像DN值在各波段的均值，最小距离分类时，影像中每一个像素归为哪一类就是由像元DN值与该均值的距离来确定的。
如果您不设定任何阈值也是可以的（选择NONE），系统将默认将所有的像元全部按最小距离分类。
如果要对所有的类别使用同一个阈值（选择Single Value），在“Max stdev from Mean”文本框中您可以输入一个标准差。
这个标准差是可以按照像元DN值和类别在各波段的均值来计算的，并不是DN值，范围也不是在0~255之间。
或者在“Max Distance Error”文本框中输入一个值。
这个值就是待分类像元与类别在各波段的均值之间的欧式距离，也不是DN 值，范围也不是在0~255之间，同样是需要计算的。
如果在“Set Max Stdev From Mean”和“Set Max Distance Error”文本框中都设定了阈值，分类就用两者中较小的一个来判定哪些像元将被分类。
一般来说最小距离法误差还是比较大的，这个方法在实际应用中不是很好，建议使用其他方法，如最大似然法、支持向量机分类法等。
best wishes!
仰满荣(Miss Yang )。