ENVI的监督分类操作步骤
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。
ENVI监督分类步骤
ENVI监督分类步骤监督分类是一种机器学习技术，用于将输入数据分为不同的类别。
此技术广泛应用于各种领域，如自然语言处理、计算机视觉和数据挖掘等。
以下是监督分类的步骤：1.收集和准备数据：在监督分类之前，需要收集与问题相关的数据集。
这些数据可以是结构化的，如表格数据，也可以是非结构化的，如文本或图像数据。
然后，需要对数据进行清洗和预处理，以确保数据的质量和一致性。
2.选择特征：特征是用于描述数据的属性或要素。
在监督分类中，需要选择合适的特征，以便能够准确地区分不同的类别。
特征选择的目标是减少特征空间的维度，同时保留最有信息量的特征。
3.划分数据集：将数据集划分为训练集和测试集是非常重要的步骤。
训练集用于训练分类模型，而测试集用于评估模型的性能。
通常，数据集的大部分数据被用于训练，而较小的部分用于测试，以确保模型的泛化能力。
4.选择合适的分类算法：监督分类有多种算法可供选择，如逻辑回归、支持向量机、决策树和随机森林等。
选择合适的算法取决于问题的特点、数据的类型和规模以及计算资源的可用性等因素。
5.训练模型：在监督分类中，需要使用训练集对选择的分类算法进行训练。
训练过程包括通过调整模型的参数来最大程度地减少预测误差。
训练时间的长短取决于数据集的规模和复杂性，以及使用的算法的效率。
6.评估模型性能：使用测试集来评估训练好的模型的性能是非常重要的。
可以使用各种指标来度量模型的性能，如准确率、精确率、召回率和F1分数等。
这些指标可以帮助理解模型在不同类别上的表现，并为模型的改进提供方向。
7.优化和改进模型：如果模型的性能不理想，可以通过优化和改进模型来提高性能。
这可以包括调整模型的超参数、增加更多的训练数据、采用集成学习方法或应用特征工程等。
8.部署和应用模型：一旦模型经过训练和验证，并且达到了理想的性能水平，就可以将其部署到实际应用中。
在应用中，可以使用模型来进行分类预测，对新的未知数据进行分类。
监督分类是一个迭代的过程，往往需要多次尝试和调整，以得到最好的模型性能。
ENVI软件基础知识以及监督分类详细步骤
ENVI软件基础知识以及监督分类详细步骤一、ENVI软件基础知识：1. 遥感数据格式：ENVI软件支持处理多种遥感数据格式，包括常见的影像格式（如TIFF、JPEG、GeoTIFF）、高光谱遥感数据格式（如ENVI HDR、RST、HDF）以及雷达数据格式等。
2.遥感数据预处理：ENVI软件能够对遥感数据进行预处理，包括辐射校正、大气校正、几何校正等，以消除图像中的噪声、改正光谱形状，使数据更适合进行各种分析和应用。
3.遥感数据显示和可视化：ENVI软件提供多种数据显示和可视化方法，包括灰度显示、伪彩色显示、颜色合成、直方图等，以直观地展示遥感数据的信息。
4.遥感数据分析和处理：ENVI软件提供多种遥感数据分析和处理方法，包括光谱分析、空间分析、特征提取、分类、变化检测等，以获取遥感数据背后的信息。
5.遥感数据输出和应用：ENVI软件能够输出处理结果为常见的图像格式，方便进行后续的分析和应用。
二、监督分类的详细步骤：1.数据准备：首先需要准备监督分类所需的遥感数据集。
该数据集应包含所要分类的不同类别的样本数据，以及待分类的遥感影像数据。
样本数据应包含不同类别的典型样本，以训练分类器。
2.样本选择：从待分类的遥感影像数据中选择具有代表性的样本，包括不同类别的样本。
样本应遵循典型性、复杂性和可区分性的原则，以提高分类结果的准确性。
3.特征提取：从遥感影像数据中提取适当的特征用于分类器的训练和分类。
常用的特征包括光谱特征、纹理特征、形状特征等。
4.样本标记：对选择的样本进行标记，将其与相应的类别关联起来，以便进行监督分类的训练。
5.分类器选择：选择适合当前任务的分类器，常用的分类器包括最大似然分类器、支持向量机分类器、随机森林分类器等。
6.分类器训练：使用标记的样本数据对分类器进行训练，以建立分类模型。
7.分类器验证：使用未标记的样本数据对训练好的分类器进行验证，评估分类器的准确性和精确性。
8.影像分类：使用训练好的分类器对待分类的遥感影像数据进行分类，将其划分为不同的类别。
【VIP专享】ENVI4.5监督分类图文并茂超详细操作步骤
单击file—Open Image File打开图像，我的是TM7波段图像，加载5、4、3波段。
根据lay 选样本，OverLay—Region Of Interesting森林灌木、草地裸地耕地沙地其他（如水体、阴影之类的）选样本在Zoon放大窗口里选，这样可以选的更精确一些。
左键下点，右键结束因光谱值有差异，不在同一片地方选样本再在另一片地方选一下样本：正常情况下是通过别的方式选样本，如：野外调查或波峰影像上选样本，本次因条件限制就直接在图上选了。
选的差不多了，就选第二种灌木、草地样本，点的New Region按钮，选法一样，直至六类都选完：样本选完后验证样本对不对，静不精确点的Options后出现的下来菜单，选倒数第二个Compute ROI Separability点击后出现上面的对话框，选择我所要分类的图像，单击“OK”。
出现下面的对话框：，点击Select All Iterm选择全部的可分离性的样本，然后点击“OK”，出来下表：在这个表里，凡是最后的那个数值大于1.8的就说明符合要求，由此看出第一个是不符合要求的，应该是选的时候有问题（估计主要问题是灌木没有选好），按要求有问题就应该重新选，不过灌木和森林容易混淆，不容易选对，就不再重新选样本了。
只列出修改方法：在上面的对话框里选择森林，然后点击Goto，浏览每一个样本，将不好的样本删掉，再重新选一遍，然后再重新计算，直到达到要求为止。
上面是定量的评价，还有一个是定性的看：单击File，然后点击Export ROIs to Visualizer会出现，然后点击“OK”，出现，也是一样全选，点击“OK”出现n-D可视化对话框，，然后点击1、2、3、4、5、6，全选后，，单击Start，会出现一动态变化的样本聚类情况，在此只截一张图定性的看样本是否选的好，就看那个样本集中的程度，越高代表样本越好。
下面就可以分类了：点击主菜单的Classification—Supervised—Maximum Likelihood（最大似然发），出现，单击OK，出现此对话框设置如下：按着Shift全选样本，给输出分类文件命名并选择存储位置，然后点击OK输出，可用波段列表里会多出一个如图，在其上右键然后单击Load Band to New Display在新窗口加载分类图像如下：对分类图的后后处理（改名字、改颜色、分类后处理）：单击Overlay—Classification叠加分类图选择分类文件点OK，勾选样本前面的On可以叠加相应的分类，如：改名字：选择每一个分类，然后去掉后面的像素数，修改完毕点OK，然后单击Edit，选择第二个即将选择的类别并到其他类别里面去，出现下面的对话框，选Zoom，在On前面勾选即被归并的类别，点击颜色即要归并入的类别，然后在Zoom里左键画线，单击第一次一次右键闭合选择某一区域，再单击一次右键及可把此区域分错类别才分类并入另一类别里如：错分成林地的草地变回成了草地。
ENVI的监督分类操作步骤
老师要求提交：1.可能性矩阵2.精度评价报告3.分类结果图具体流程：1．打开影像，考试时的影像是老师给的高分辨率影像。
以已有的QuickBird影像为例：File---Open Image File ，在Available Band 中以RGB打开，为真彩色，即地物的真实颜色。
2.选择监督分类样本（感兴趣区域）：在影像的工具栏中选择，Overlay---Region of interest在打开的#1 ROI Tool 工具栏中，以多边形的方式选择感兴趣区：ROI-Type----Polygon 在zoom窗口中进行选择选择类别，植被，水体，裸地，房屋。
查看分离程度，继续在ROI Tool 工具栏中，选择Option—compute ROI separability ，选择影像ok.,相关度大于1.8的说明分类较好。
保存文件。
2.用最大似然法进行监督分类，主菜单栏中，Classification —Supervised—Maximum Likelihood，进入选择参数的对话框。
Select all Item阈值Probability Threshold一般在0~1之间。
不需输出真实值。
因为还要分类后处理，储存至memory.3.分类后处理，①分类合并，在主菜单中Classification—post classification—Sieve Classes选择刚才分类好的，memory影像，改变Group Min Threshold数值，由2改到8.即改变每类别最小像元值，由于我只选了四个类别数，应该做完后不会有类别的合并。
保存文件，即要求交的分类结果图。
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。
保存混淆矩阵大致是这样，可能还不完整。
ENVI的监督分类操作步骤
老师要求提交：1.可能性矩阵2.精度评价报告3.分类结果图具体流程：1．打开影像，考试时的影像是老师给的高分辨率影像。
以已有的QuickBird影像为例：File---Open Image File ，在Available Band 中以RGB打开，为真彩色，即地物的真实颜色。
2.选择监督分类样本（感兴趣区域）：在影像的工具栏中选择，Overlay---Region of interest在打开的#1 ROI Tool 工具栏中，以多边形的方式选择感兴趣区：ROI-Type----Polygon 在zoom窗口中进行选择选择类别，植被，水体，裸地，房屋。
查看分离程度，继续在ROI Tool 工具栏中，选择Option—compute ROI separability ，选择影像ok.,相关度大于1.8的说明分类较好。
保存文件。
2.用最大似然法进行监督分类，主菜单栏中，Classification —Supervised—Maximum Likelihood，进入选择参数的对话框。
Select all Item阈值Probability Threshold一般在0~1之间。
不需输出真实值。
因为还要分类后处理，储存至memory.3.分类后处理，①分类合并，在主菜单中Classification—post classification—Sieve Classes选择刚才分类好的，memory影像，改变Group Min Threshold数值，由2改到8.即改变每类别最小像元值，由于我只选了四个类别数，应该做完后不会有类别的合并。
保存文件，即要求交的分类结果图。
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。
保存混淆矩阵大致是这样，可能还不完整。
妹妹，你就这样悄无声息地消失在茫茫的人海，消失在我日夜的想念中。
envi监督分类
Envi监督分类简介Envi（ENvironment for Visualizing Images）是一种用于大规模遥感图像分析的软件环境。
它提供了一系列功能强大的工具和算法，用于监督分类、特征提取、变化监测等遥感数据处理任务。
Envi监督分类是其主要功能之一，可以帮助用户实现高精度的地物分类和识别。
监督分类的基本原理监督分类是指利用一组已标记的样本数据来训练分类器，并将该分类器应用于未标记的数据集。
Envi监督分类涉及多种分类算法，如支持向量机（SVM）、随机森林（Random Forest）、神经网络（Neural Network）等。
这些算法可以根据样本数据的特征和类别信息建立数学模型，从而对未知数据进行分类。
Envi监督分类的步骤Envi监督分类主要包括数据准备、样本选择、分类器训练和分类结果评估等步骤。
下面将逐一介绍这些步骤的具体操作。
数据准备首先，用户需要准备用于分类的遥感图像数据。
Envi支持多种格式的遥感图像文件，如TIFF、JPEG等。
用户可以直接将图像文件导入到Envi中，也可以通过Envi的图像处理功能对图像进行预处理，如选择感兴趣区域、裁剪、去噪等。
样本选择样本是监督分类的基础，它是已标记的数据点，每个数据点都包括一组特征和其对应的类别。
在Envi中，用户可以使用绘制工具手动选择样本，也可以通过导入外部样本数据文件来自动选择样本。
在选择样本时，用户应尽量保证样本的代表性和多样性，以提高分类器的泛化能力。
分类器训练样本选择完成后，用户可以利用Envi提供的分类算法对样本数据进行训练，生成分类器模型。
用户可以选择不同的算法和参数来训练分类器，以达到最佳的分类效果。
在训练过程中，Envi会将样本数据划分为训练集和验证集，并根据验证集的分类精度调整模型参数，避免过拟合或欠拟合。
分类结果评估分类器训练完成后，用户可以将其应用于未标记的数据集，获得分类结果。
Envi提供了多种评估方法和指标，包括混淆矩阵、精确度、召回率等，用于评估分类结果的准确性和稳定性。
ENVI软件基础知识以及监督 分类详细步骤
Rotation Parameters对话框：
由于主成分图像有6个波段，我选取了有代表性的前三个波段显示如下：
PC1:
PC2:
PC3:
检验主成分与原始数据之间的定量关系：
下面我们来检验各主成分到底与原始的6个波段数据之间到底是什么定量关系，我想这对我们解释各主成分的含义时很有用。我们得知主成分变换的系数矩阵是原始数据协方差矩阵的特征向量矩阵的一个转置，我们先通过统计计算得到特征向量矩阵如下（方法参照前面所述），注意数据源选择原始数据liubo07082972.img：
主成分分析（PCA）用多波段数据的一个线性变换，变换数据到一个新的坐标系统，以使数据的差异达到最大。这一技术对于增强信息含量、隔离噪声、减少数据维数非常有用。由于多波段数据经常是高度相关的，主成分变换寻找一个原点在数据均值的新的坐标系统，通过坐标轴的旋转来使数据的方差达到最大，从而生成互不相关的输出波段。主成分（PC）波段是原始波谱波段的线性合成，它们之间是互不相关的。可以计算输出主成分波段。第一主成分包含最大的数据方差百分比，第二主成分包含第二大的方差，以此类推，最后的主成分波段由于包含很小的方差（大多数由原始波谱的噪声引起），因此显示为噪声。由于数据的不相关，主成分波段可以生成更多种颜色的彩色合成图像。
该对话框参数设置如下：
在“Stats X/Y Resize Factor”文本框键入小于1的调整系数，对计算统计值的数据进行二次抽样。键入一个小于1的调整系数，以提高统计计算的速度。例如，在统计计算时，用一个0.1的调整系数将只用到十分之一的像元。若需要，键入一个输出统计文件名。点击按钮，选择基本“Covariance Matrix”或“Correlation Matrix”。
- 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)。
老师要求提交：
1.可能性矩阵
2.精度评价报告
3.分类结果图
具体流程：
1．打开影像，考试时的影像是老师给的高分辨率影像。
以已有的QuickBird影像为例：File---Open Image File ，在Available Band 中以RGB打开，为真彩色，即地物的真实颜色。
2.选择监督分类样本（感兴趣区域）：
在影像的工具栏中选择，Overlay---Region of interest
在打开的#1 ROI Tool 工具栏中，以多边形的方式选择感兴趣区：ROI-Type----Polygon 在zoom窗口中进行选择
选择类别，植被，水体，裸地，房屋。
查看分离程度，继续在ROI Tool 工具栏中，选择Option—compute ROI separability ，选择影像ok.,
相关度大于1.8的说明分类较好。
保存文件。
2.用最大似然法进行监督分类，主菜单栏中，Classification —Supervised—Maximum Likelihood，进入选择参数的对话框。
Select all Item
阈值Probability Threshold一般在0~1之间。
不需输出真实值。
因为还要分类后处理，储存至memory.
3.分类后处理，
①分类合并，在主菜单中Classification—post classification—Sieve Classes
选择刚才分类好的，memory影像，改变Group Min Threshold数值，由2改到8.即改变每类别最小像元值，由于我只选了四个类别数，应该做完后不会有类别的合并。
保存文件，即要求交的分类结果图。
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。
保存混淆矩阵。