混合像元分解及其应用(ENVI操作文本)讲解
ENVI操作的介绍
ENVI操作的介绍ENVI的应用(2009-05-07 15:38:47)转载标签：电脑像元监督分类分类：论文制作直方图波谱杂谈ENVI（The Environment for Visualizing Images）Version 4.1 ,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。
混合像元分解法操作步骤
混合像元分解法操作步骤1.数据准备-获取多光谱图像数据，可以使用航空或卫星遥感数据。
- 准备高分辨率的真实地物标记（Ground Truth），用于评估分解结果的准确性。
2.选择变量-选择用于混合像元分解的变量，一般是多光谱图像的波段数据。
-可以利用统计学方法、专家知识或试错法来选择最适合的变量。
3.确定光谱参考-选择用于确定混合像元分解的光谱参考数据。
-光谱参考可以是单一的像素或像元组合。
-光谱参考应该具有代表性，并且包含不同地物的特征光谱。
4.混合像元分解-使用混合像元分解模型来计算每个像素的混合成分比例。
-混合像元分解模型通常假设图像中的每个像素是由多个地物的混合成分组成，并输出每个地物的比例。
- 常用的混合像元分解模型包括Spectral Mixture Analysis（SMA）和Linear Spectral Mixture Analysis（LSMA）等。
5.分解结果评估-使用真实地物标记来评估混合像元分解的准确性。
-可以使用混合像元分解的结果与真实地物标记进行对比，计算混淆矩阵或其他评估指标。
-可以根据评估结果来调整或优化混合像元分解模型的参数。
6.结果解释-根据混合像元分解得到的地物比例，进行图像分类、植被指数计算等应用。
-可以通过阈值或其他分类方法将分解得到的比例转化为具体的地物类别。
-可以根据混合像元分解的结果进行地物变化检测、遥感图像解译等分析。
7.结果可视化-可以使用各种图像处理软件将混合像元分解的结果可视化。
-可以使用颜色编码、图形绘制等方法将混合像元分解的结果与原始图像进行对比。
-可以生成分类图像或指数图像等用于进一步分析或展示的结果。
总之，混合像元分解法是一种通过对多光谱图像像素进行分解来获取地物混合成分比例的方法。
它具有广泛的应用前景，并可以通过合理的参数选择和模型优化来提高分解结果的精度和准确性。
envi混合像元分解步骤
envi混合像元分解步骤
哎呀，envi 混合像元分解呀，这可真是个有意思的事儿呢！咱就一步步来瞧瞧。
首先呢，你得准备好你的数据呀，就像厨师要准备好食材一样。
这些数据就是你的宝贝，要好好对待它们哟！
然后呀，要选择合适的算法，这就好比是选择做菜的方法，不同的算法就像是不同的烹饪技巧，能做出不同风味的成果呢！
接下来，就是开始分解啦！这就好像是把一个大拼图一点点拆开，找出每一块的位置。
在这个过程中呀，你得细心再细心，可不能马虎哟！
分解的时候呢，要注意观察各种特征呀，就像观察菜肴的颜色、形状、味道一样。
每一个细节都可能影响最终的结果呢。
这中间可能会遇到一些小麻烦，就像做菜时不小心盐放多了或者火大了。
但别着急，咱慢慢调整，总能找到最合适的方法。
分解完了之后呢，还得检查检查，看看是不是都分解对了。
这就好比是尝尝菜做的好不好吃，要是味道不对，就得重新调整呀。
你想想看，这 envi 混合像元分解不就像是一场奇妙的冒险嘛！每一步都充满了挑战和惊喜。
咱得有耐心，有毅力，才能把这个任务完成得漂漂亮亮的呀！
在这个过程中，可别嫌麻烦，就跟学骑自行车似的，一开始可能会摔倒，但多练习几次就会啦！而且等你掌握了这个技能，那感觉可太棒啦！就好像你学会了做一道超级美味的菜，能在别人面前好好炫耀一番呢！
总之呀，envi 混合像元分解虽然有点复杂，但只要咱一步一个脚印地去做，就一定能成功的。
加油吧！让我们在这个奇妙的世界里探索出更多的精彩！。
python 混合像元分解方法 -回复
python 混合像元分解方法-回复什么是混合像元分解方法？混合像元分解方法（Mixture Pixel Decomposition）是一种用于解析遥感图像中复杂地物的探测和提取的技术。
遥感图像包含了不同地物的混合像元，即一个像素内存在多种地物的信号。
混合像元分解方法可以将混合像元分离为不同的地物成分，从而获得每个地物的光谱信息，进一步实现对地物进行分类和定量分析。
混合像元分解方法的原理混合像元分解方法通过数学模型对混合像元进行分解，其中最常用的数学模型是线性模型。
假设一个像元包含K 个地物成分，那么混合像元可以表示为K 个地物的线性组合。
即：I = ∑( f * ρ)其中，I 是观测到的混合像元，f 是混合像元中每个地物的系数，表示该地物在混合像元中的比例，ρ是对应地物的光谱响应曲线。
通过对I 进行解析，可以求解出每个地物的成分系数f。
常见的混合像元分解方法1. N-FINDR：N-FINDR 法（Normalized Maximum Likelihood Feature Discrimination）是一种经典的混合像元分解方法。
它通过最大似然估计寻找最优的像元组合，将混合像元分解为基础地物。
N-FINDR 法常用于无监督的遥感图像分类。
2. SISMA：SISMA 法（Spectral Information Subtraction Maximum Likelihood Algorithm）是一种监督的混合像元分解方法。
它引入了监督样本，通过最大似然估计计算每个地物的成分系数。
SISMA 法可以有效地提高分类精度和抑制混合像元效应。
3. VCA：VCA 法（Vertex Component Analysis）是一种基于顶点的混合像元分解方法。
它通过在N 混合像元图中选择顶点，进行解析，找到与顶点最接近的纯地物光谱，从而实现混合像元的分解。
VCA 法适用于对大尺度遥感图像进行定量分析。
混合像元分解方法的应用混合像元分解方法广泛应用于遥感图像解析、地物分类、环境监测等领域。
ENVI操作
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。
混合像元分解提取植被
混合像元分解提取植被
混合像元分解是一种常用的遥感图像处理方法，它可以将遥感图像中的每个像元分解为不同的成分，从而提取出图像中的各种信息。
其中，植被是遥感图像中常见的一种成分，因此混合像元分解可以被用来提取植被信息。
混合像元分解的基本原理是将遥感图像中的每个像元分解为不同的成分，这些成分包括植被、土壤、水体等。
其中，植被成分可以通过NDVI指数来计算得到。
NDVI指数是一种反映植被覆盖度的指数，它的计算公式为：
NDVI = (NIR - RED) / (NIR + RED)
其中，NIR代表近红外波段的反射率，RED代表红色波段的反射率。
通过计算NDVI指数，可以得到遥感图像中每个像元的植被覆盖度。
除了NDVI指数，混合像元分解还可以使用其他的方法来提取植被信息。
例如，基于像元的分类方法可以将遥感图像中的每个像元分为不同的类别，其中包括植被、土壤、水体等。
通过对每个类别进行统计分析，可以得到遥感图像中植被的分布情况。
混合像元分解可以被广泛应用于植被监测、土地利用、环境保护等领域。
例如，在植被监测中，可以通过混合像元分解来提取植被信息，从而得到植被的分布情况、生长状态等信息。
在土地利用中，可以通过混合像元分解来分析土地利用类型的分布情况，从而为土
地规划和管理提供参考。
在环境保护中，可以通过混合像元分解来监测水体和土壤的污染情况，从而及时采取措施进行治理。
混合像元分解是一种非常有用的遥感图像处理方法，可以被用来提取植被信息以及其他各种信息。
在实际应用中，需要根据具体的需求选择合适的方法和参数，以得到准确的结果。
04 混合像元分解截取
混合光谱
光谱混合模型
光谱混合模型的数学表达式
假设：在一个给定的场景里，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，那么，遥感图像像元的反 射率可以表示为端元光谱和它们的面积百分比（丰度）的函数：
S f (x1 , x 2 ,..., x n , f1 , f 2 ,..., f n ) subject to: fi 1, fi 0, i 1,..., n
Y (y1 , y 2 ,..., y n ) G ( g1 , g 2 ,..., g n )T
29 混合像元分解新探索
上述最优化问题可以写为 T minimize 1- YG y S
subject to:
i
i
gi
1, gi 0, i 1,...n
由于 yS 1，YG 1 有
D S, XF PXFj (ln PXFj ln PSj ) PSj (ln PSj ln PXFj )
j 1 i 1
b
b
其中PXFj ( XF ) j / ( XF ) j , PSj S j / S j
j 1 i 1
b
b
混合像元分解新探索
由于光照、地形、阴影、大气等的影响，地物组分
BSMA (Song,2005)、MDA (Ju,2003)
19
端元内光谱差异问题
MESMA
Fraction image showing NPV(nophotosyntheticvegetation), GV(green vegetation) and soil fractions as red, green, and blue, respectively.
混合像元分解和其应用ENVI操作讲解
混合像元分解和其应用ENVI操作讲解混合像元分解的过程可以通过光谱混合分析法（SMA）来实现。
SMA假设观测到的光谱是由一个像元中每个地物类别的光谱能量线性组合得到的。
为了进行混合像元分解，需要预先获取每个地物类别的光谱特征。
常见的方法是通过野外调查、实地采样或其他遥感图像分类结果来获取这些特征。
在ENVI软件中，实施混合像元分解可以通过以下步骤完成：1.打开ENVI软件并加载需要进行混合像元分解的遥感图像。
2. 选择"Raster"菜单中的"Spectral"，然后选择"Spectral Indices"子菜单。
在弹出窗口中，选择需要进行混合像元分解的图像。
3. 在"Spectral Indices"窗口中，可以选择多种混合像元分解算法。
常见的算法有Jeffries-Matusita Distance、SMA、Parallel Factor Analysis (PARAFAC)等。
选择适合自己需求的算法并点击"OK"进行计算。
4.完成计算后，ENVI将在新窗口中显示出分解后的图像。
每个地物类别将以不同的颜色表示。
5.可以通过调整图像的对比度、亮度等参数，以及使用ENVI软件中的其他图像分析工具来进一步分析和提取分解后的地物类别。
1.土地利用和土地覆盖分类：混合像元分解可以提取出每个像元中不同地物类别的能量贡献，帮助识别和分类土地利用和土地覆盖类型。
这对于土地规划、农业生产、环境保护等有很大的指导作用。
2.环境监测：混合像元分解可以提取出不同地物类别在像元中的分布比例，从而可以监测和分析环境中不同地物的变化。
例如，可以通过监测城市中不同地物类别的分布变化来评估城市扩张对生态环境的影响。
3.自然资源管理：混合像元分解可以提取出影像中的不同地物信息，例如森林、水体、草地等，从而帮助管理和保护自然资源。
- 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。