实验三ENVI图像分类实验指导
实验目的：
通过上机操作，了解遥感图像分类的几种常用的分类方法与过程，熟悉ENVI软件中图像分类的方法与分类后处理的过程。
实验内容：
1、分类：
●遥感影像的像元分类方法可以归纳为三类：监督分类——根据类别的先验知识确定
判别函数和相应的判别准则，先选定一定数量的已知类别的样本训练区，由训练区
的特征值确定判别函数中的待定参数，然后将未知类别的样本的观测值代入判别函
数，在依据判别准则对该样本的所属类别做出判定，从而实现所用地区的分类。
●非监督分类——没有先验知识，直接把样本划分为若干个类别的方法就是非监督分
类，或者称作聚类。它是根据相似性对样本进行合并或分离的。常用的非监督分类
方法主要有两种：K-均值算法（K-means）和迭代自组数据分析算法（ISODA TA）。
●决策树分类——决策树分类器是一个典型的多级分类器，它由一系列二叉决策树构
成，用于将像元归属到相应的类别。每个决策树依据一个表达式将图像中的像元分
为两类。每一个新生成的类别又可以根据其他的表达式继续向下分类。
2、分类后处理
3、分类精度评价
实验数据：
融合后的SPOT5影像（SPOT5_FusionImage）及其对应的DEM数据，影像和DEM经过了精确配准。其中，融合后的SPOT5影像有3个波段，R、G、B分别对应NIR（近红外）、R （红波段）、G（绿波段）。
实验方法与步骤：
一、监督分类
监督分类：又称训练分类法，用样本像元去识别其他未知类别像元的过程。
它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。
遥感影像的监督分类一般包括以下6个步骤：
（1）类别定义：根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；（2）特征判别：对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理；
（3）样本选择：为了建立分类函数，需要对每一类别选取一定数目的样本；
（4）分类器选择：根据分类的复杂度、精度需求等确定哪一种分类器；
（5）影像分类：利用选择的分类器对影像数据进行分类，有的时候还需要进行分类后处理；（6）结果验证：对分类结果进行评价，确定分类的精度和可靠性。
图1监督分类一般流程
1、样本（ROI）的选择与优化
什么是ROI？ROI就是Region Of Interest（感兴趣区域），通过ROI工具，可以在遥感影像上选出任意形状的区域作为ROI。
ROI的作用：定义类别、进行样本的选择。
注意：在某影像上画出的感兴趣区域只属于该图像，而不属于其他图像（分类前的图像和分类后的图像可以共享ROI区域），即使这两幅图像的地理坐标系一致，因为ROI区域没有附带坐标信息。让ROI附带上地理坐标信息的最好方法是把ROI区域转换为矢量格式数据（.evf）。
注意：在绘制ROI区域时要求力求准确，绝不可以大概绘制。只有做到准确，才能够获得精确的分类结果。
1）训练样本的提取（ROI区的选择）
（1）.显示要进行分类的SPOT5_FusionImage影像。
（2）.在Image窗口（主图像窗口）中右键选择RIO tool 打开感兴趣区选择工具。另外，ROI tool的打开方式还有ENVI: Basic Tools >> Region Of Interest>> ROI tool，或者在Image窗口的菜单栏中选择Overlay>>Region of Interest。
图2
图 3
ROI tool可以进行样本选择，可以进行样本编辑（名称，颜色，填充方式等）。选择样
本时，样本选择越精确，分类结果越好。
（3）.建立4个分类类别：植被、水体、建设用地、裸地，并分别为它们选择感兴趣区（即样本）。每个类别至少选择4个感兴趣区。并修改样本的颜色。
图4
提取训练样本（ROI）的具体操作如下：
●在图像窗口上画出感兴趣区，单击鼠标右键确定选择形状（此时可以拖动感兴趣区
域，用Ctrl＋鼠标左键可以删除。单击滑轮键是取消操作。），再次单击右键确定此
训练区（此时若要删除训练区，需要点击ROI Tool窗口中的Delete控键，此操作
将删除所有该类型的感兴趣区域）。
●ROI Tool 窗口中将会显示选择区域的颜色和相关信息，其中，感兴趣区域名称（ROI
Name）和色彩可以修改。可就某一类训练区选择多个感兴趣区域。
●该类训练区的选择完成后，点击ROI Tool窗口的New Region控键，再进行另一类
训练样本的选择，其颜色将自动改变。按以上操作完成所有训练区的选择。（4）.保存训练样本，命名为TrainingSamples.roi。
图5
图6
（5）.用同样的方法采集测试样本。保存，命名为TestSamples.roi，用作最后的精度评价（注意：不要和训练样本重复）。
2）训练样本的优化（不要求）
上述步骤中选择的某类训练样本，可能混入了其他类型的样本，为了提高图像分类精度，需要对训练样本进行提纯。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。
2、进行监督分类
样本收集完之后，就可以进行监督分类了。ENVI有9种监督分类器：包括平行六面体、最小距离、马氏距离、最大似然，针对高光谱有波谱角（SAM），光谱信息散度，二进制编码，神经网络分类，支持向量机分类等：
图7 ENVI的监督分类器
（1）.平行六面体法
（Parall elepiped）
平行六面体用一条简单的判定尺度对多光谱数据进行分类。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类别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，则将它归属到这一类。
如果像元值位于多个类别中，ENVI将把该像元归并到最后一个匹配的类别中。没有落在平行六面体任何一类中的区域被称为无类别的。
分类步骤（其他分类方法类似）：
（1）.选择Classification > Supervised > Parallelepiped。
（2）.选择要进行分类的影像（SPOT5_FusionImage）。
图8
（3）.设置分类参数，选择训练样本（Select All Items）：
图9
注：在不同分类方法所生成的规则影像中，像元值代表了不同的信息。例如：
（4）.点击OK，保存分类结果。
（5）.打开分类结果图像和未分类图像，Link displays，检查分类结果。
（6）.重复以上过程，设置不同的阈值，比较分类结果。
（2）.最小距离法
（Minimum
Distance）
最小距离法通过计算每个未知像元到每类样本的欧几里德距离来决定像元归属，所有像元都将被归为距离最近的一类。
（1）.选择Classification > Supervised > Minimum Distance。
（2）.选择要进行分类的影像（SPOT5_FusionImage）。
（3）.设置分类参数，选择训练样本（Select All Items）：
图10
注：标准差和最大距离误差如果不设定，即用默认值，则所有像元都被归为最近的一类；若设定了标准差和最大距离误差，则会出现一些像元因不满足选择的标准，而成为“无类别”。阈值是根据输入数据的范围而定的，一般都通过研究规则图像的直方图来设定合适的阈值。
（4）.点击OK，保存分类结果。
（5）.打开分类结果图像和未分类图像，Link displays，检查分类结果。
（6）.重复以上过程，设置不同的阈值，比较分类结果。
（3）.马氏距离法
（Mahalanobis
Distance）
马氏距离分类是一个应用了每个类别统计信息的方向灵敏的距离分类器。它与最大似然分类相似，但是假定所有类别的协方差是相等的，所以是一种较快的分类方法。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），所有像元都将被归到最邻近的类。
（1）.选择Classification > Supervised > Mahalanobis Distance。
（2）.选择要进行分类的影像（SPOT5_FusionImage）。
（3）.设置分类参数，选择训练样本（Select All Items）：
图11
（4）.点击OK，保存分类结果。
（5）.打开分类结果图像和未分类图像，Link displays，检查分类结果。
（6）.重复以上过程，设置不同的阈值，比较分类结果。
（4）.最大似然法
（Maximum
Likelihood）
最大似然分类假定每个波段的每一类统计都呈正态分布，并计算给定像元属于某一特定类别的似然度。除非选择一个似然度阈值，所有像元都将被分类。每一个像元被归并到似然度最大的那一类中。
（1）.选择Classification > Supervised > maximum lilkelihood。
（2）.选择要进行分类的影像（SPOT5_FusionImage）。
（3）.设置分类参数，选择训练样本（Select All Items）：
图12
Data scale factor：数据比例系数。这个比例系数是一个比值系数，用于将整型反射率或辐射率数据转化为浮点型数据。例如：如果反射率数据在范围0-10000之间缩放，则设定的比例系数就为10000。对于没有定标的整型数据，将比例系数设为该仪器所能测量的最大值2n-1，n为仪器的bit容量，例如：对于8-bit仪器，设定的比例系数为255，对于10-bit 仪器（如NOAA 12 A VHRR），设定的比例系数为1023，对于11-bit仪器（如IKONOS），设定的比例系数为2047。
在最大似然分类中，规则图像（每类一幅图像）包含一个满足修正了的Chi Squared概率分布的最大似然判别函数。规则图像的值越高，说明像元属于该类的可能性越大。最后的分类结果就是将每个像元都归到可能性最大的类中。
（4）.点击OK，保存分类结果。
（5）.打开分类结果图像和未分类图像，Link displays，检查分类结果。
（6）.重复以上过程，设置不同的阈值，比较分类结果。
（5）.波谱角分类
（Spectral Angle
Mapper）
波谱角分类（SAM）是一个基于自身的波谱分类，它是在n维空间将像元与参照波谱进行匹配。这一算法是通过计算波谱间的角度（将它们作为具有维数等于波段数特征的空间矢量进行处理），判定两个波谱间的相似度。
SAM把端元波谱矢量和像元矢量放在n维空间中进行角度比较。较小的角度代表像元与参照波谱匹配紧密。大于指定的最大弧度阈值的像元不被分入该类。
（1）.选择Classification > Supervised > Spectral Angle Mapper。
（2）.选择要进行分类的影像（SPOT5_FusionImage）。
（3）.选择端元波谱：
端元波谱可以从ASCII文件、波谱库、ROI均值或统计文件中输入。在此选择中ROI 输入：
图13
选择ROI：
图 14
（4）. 设置分类参数：
图15
（5）.点击OK，保存分类结果。
（6）.打开分类结果图像和未分类图像，Link displays，检查分类结果。
（7）.重复以上过程，设置不同的阈值，比较分类结果。
（6）.二进制编码
（Binary Encoding）
二进制编码分类技术根据波段是低于波谱平均值，还是高于波谱平均值，将数据和端元波谱编码为0和1。使用“异或”逻辑函数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。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）所有像元被分类到与其匹配波段最多的端元一类中。
（1）.选择Classification > Supervised > Binary Encoding。
（2）.选择要进行分类的影像（SPOT5_FusionImage）。
（3）.设置分类参数，选择训练样本（Select All Items）：
图16
（4）.点击OK，保存分类结果。
（5）.打开分类结果图像和未分类图像，Link displays，检查分类结果。
重复以上过程，设置不同的阈值，比较分类结果。
（7）.神经网络分类
（Neural Net）
使用Neural Net选项可以应用一个分层的正向（feed-forward）神经元网络分类。该技术在进行监督学习时使用标准的后向传播技术（backpropagation）。用户可以选择所用的隐藏层的数量，也可以在对数和双曲线活化（activation）函数之间选择所需函数。由于调整节点中的权重可以使输出节点活化与所需的输出结果间的差异达到最小化，因此神经元网络技术利用该方法对发生的事件进行学习。在学习过程中，误差在网络中后向传播，同时使用递归法调整权重。也可以使用神经元网络来进行一个非线性分类。
（1）.选择Classification > Supervised > Neural Net。
（2）.选择要进行分类的影像（SPOT5_FusionImage）。
（3）.设置分类参数，选择训练样本（Select All Items）：
图17
（4）.点击OK，保存分类结果。
（5）.打开分类结果图像和未分类图像，Link displays，检查分类结果。
（8）.支持向量机分类
（Support Vector
Machines）
支持向量机(Support vector machine，SVM)的理论基础就是统计学习理论。
SVM是数据挖掘中的一个新方法，能非常成功地处理回归问题(时间序列分析)和模式识别(分类问题、判别分析)等诸多问题，并可推广于预测和综合评价等领域，因此可应用于理科、工科和管理等多种学科。
SVM在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。
（1）.选择Classification > Supervised > Support Vector Machines。
（2）.选择要进行分类的影像（SPOT5_FusionImage）。
（3）.设置分类参数，选择训练样本（Select All Items）：
图18
（4）.点击OK，保存分类结果。
（5）.打开分类结果图像和未分类图像，Link displays，检查分类结果。
二、非监督分类
非监督分类也称为聚类分析或点群分类。在多光谱图像中搜寻、定义其自然相似光谱集群的过程。它不必对影像地物获取先验知识，仅依靠影像上不同类地物光谱(或纹理) 信息进行特征提取，再统计特征的差别来达到分类的目的，最后对已分出的各个类别的实际属性进行确认。目前比较常见也较为成熟的非监督分类方法是ISODATA、K-means等。
遥感影像的非监督分类一般包括以下6个步骤：
图19 非监督分类流程
影像分析：分析影像，大体上判断主要地物的类别数量。
分类器选择：选择一个合适的分类方法。
影像分类：设置好分类器的参数对影像进行分类。
类别定义：一般需要多设置几个类别，之后重新判别与合并非监督分类的结果。
分类重编码：对定义好类别的重新定义类别ID。
结果验证：对分类结果进行评价，确定分类的精度和可靠性。
在ENVI中，通过主菜单>Classification>unsupervised，有两种方法供选择：ISODATA和K-Mean。
图20
1、ISODATA方法（迭代自组织数据分析技术）：
（1）.选择Classification > Unsupervised > ISODATA。
（2）.选择要进行分类的影像（SPOT5_FusionImage）。
（3）.设置分类参数：
图21
●Minimum #Pixel in class：如果某一类中的像元数小于该值，则该类将被删除，其中
的像元被归并到距离最近的类中。
●Maximum Class Stdv：最大分类标准差（DN值方式）。如果某一类的标准差比该阈
值大，该类将被拆分成两类。
●Minimum Class Distance：类均值之间的最小距离。
●Maximum #Merge Pairs：合并成对的最多数。
如果类均值之间的距离小于Maximum Class Stdv，则类别将被合并。被合并的成对
类别数的最大值由“Maximum # Merge Pairs”文本框中输入的参数设定。
●如果这些可选参数的数值都已经输入，分类就用两者中较小的一个，来判定将参与
分类的像元。如果两个参数都没有输入，则所有像元都将被分类。
（6）.点击OK，保存分类结果。
（7）.打开分类结果图像和未分类图像，Link displays，检查分类结果。重复以上过程，设置不同的参数，并分析它们对分类结果的影响。
（8）.如果分类效果较好，就可以定义分类类别：
[1].打开原始影像，与分类结果进行叠加分析，确定分类类别。在Overlay中选择
Classification：
图22 [2].选择分类结果：
实验四遥感图像分类 一、背景知识 图像分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。常规计算机图像分类主要有两种方法：非监督分类与监督分类，本实验将依次介绍这两种分类方法。 非监督分类运用ISODATA（Iterative Self-Organizing Data Analysis Technique)算法，完全按照像元的光谱特性进行统计分类，常常用于对分类区没有什么了解的情况。使用该方法时，原始图像的所有波段都参于分类运算，分类结果往往是各类像元数大体等比例。由于人为干预较少，非监督分类过程的自动化程度较高。非监督分类一般要经过以下几个步骤：初始分类、专题判别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换、统计分析。 监督分类比非监督分类更多地要用户来控制，常用于对研究区域比较了解的情况。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的像元建立模板，然后基于该模板使计算机系统自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模板(训练样本)分类特征统计、栅格矢量转换、评价模板、确定初步分类图、检验分类结果、分类后处理。由于基本的非监督分类属于IMAGINE Essentials级产品功能，但在IMAGINE Professional级产品中有一定的功能扩展，非监督分类命令分别出现在Data Preparation菜单和Classification菜单中，而监督分类命令仅出现在Classification菜单中。 二、实验目的 理解并掌握图像分类的原理，学会图像分类的常用方法：人工分类（目视解译）、计算机分类（监督分类、非监督分类）。能够针对不同情况，区别使用监督分类、非监督分类。理解计算机分类的常用算法实现过程。熟练掌握遥感图像分类精度评价方法、评价指标、评价原理，并能对分类结果进行后期处理。 三、实验内容（6课时） 1.非监督分类（Unsupervised Classification)； 2.监督分类（Supervised Classification)； 3.分类精度评价（evaluate classification）； 4.分类后处理（Post-Classification Process）； 四、实验准备 实验数据： 非监督分类文件：germtm.img 监督分类文件：tm_860516.img 监督模板文件：tm_860516.sig 五、实验步骤、方法 1、非监督分类（Unsupervised Classification)
遥感课程教学实验之二： 遥感影像分类 实验二遥感影像的分类遥感影像的监督分类 ?实验目的
理解计算机图像分类的基本原理以及监督分类的过程，学会利用遥感图像处理软ENVI 件对遥感图像进行分类的方法。 ?实验内容 1、遥感图像分类原理。 2、遥感图像监督分类。 3、最大似然法分类 ?实验条件 电脑、ENVI4.5软件。厦门市TM遥感影像。 ?实验步骤 1、启动ENVI软件，从文件菜单打开多波段影像文件，从可用波段列表中装载彩色或假色 影像，显示遥感影像。 2、从主图像窗口的工具Tools →Region of Interest →ROI Tools; 3、在自动打开的ROI Tools窗口中，设定ROI_Type 为“Polygon”（多边形），选定样本采 集的窗口类型，用Zoom（缩放窗口）进行采集。。
4、在选定的窗口如Zoom用鼠标左键画出样本区域，在结束处击鼠标右键二次，样本区域 被红色充填，同时ROI Tools窗口中显示采集样本的信息。采集新的样本点击“New Region”，重新上述步骤进行多个地物样本采集。。 5、从ENVI主菜单中，选 Classification > Supervised > Maximum Likelihood；或在端元 像元采集对话框 Endmember Collection中选择 Algorithm >MaximumLikelihood 进行最大似然法分类。
6、在出现Classification Input File 对话框中，选择输入影像文件，出现 Maximum Likelihood Parameters 对话框。 7、输入常规的分类参数。 设定一个基于似然度的阈值（Set Prpbability Threshold）：如不使用阈值，点击“None” 按钮。要对所有的类别使用同一个阈值，点击“Single Value”按钮，在“Probability Threshold”文本框中，输入一个0 到1 之间的值。似然度小于该值的像元不被分入该类。 要为每一类别设置不同的阈值： ●在类别列表中，点击想要设置不同阈值的类别。 ●点击“Multiple Values”来选择它。 ●点击“Assign Multiple Values”按钮。 ●在出现的对话框中，点击一个类别选中它，然后在对话框底部的文本框中输入阈值。为每 个类别重复该步骤。 最后给定输出结果的保存方式：文件或内存，当影像较大时建设保存到文件中，以免因内存不够而出错运算错误。 点击“OK”计算机开始自动分类运算。 8、在可用波段列表中显示分类图像。 ?实验总结
实验名称：影像融合 一、 实验内容 1. 对TM 影像和SPOT 影像进行HSV 数据融合。 2. 查阅相关资料用envi 软件实现一种数据融合的方法，如Brovey 、PCA 等。 3. 利用均值、标准差、特征值等参数对上述两种方法的融合效果进行评价。 二、 实验所用的仪器设备，包括所用到的数据 电脑一台，Window7操作系统，遥感影像处理软件（ENVI4.3)英国伦敦的TM 影像数据lon_tm 和SPOT 影像数据lon_spot 。 三、 实验原理 1. 定义：图像（影像）融合是指将多余遥感影像按照一定的算法，在规定的地理坐标系中，生成新的图像的过程。 2. 目的： (1) 提高图像空间分辨率 (2) 改善分类 (3) 多时相图像融合用于变化检测 3. 基本原理 (1) HSV 变换法： HSV （hue, saturation, and value ：色调，饱和度，亮度值）。首先将多光谱图像经HSV 变换得到H 、S 、V 三个分量。然后将高分辨率的全色图像代替V 分量，保持H 、S 分量不变。最后再进行HSV 变换得到具有高空间分辨率的多光谱图像。 (2) Brovey 变换法: 对彩色图像和高分辨率数据进行数学合成，从而使图像锐化。彩色图像中的每一个波段都乘以高分辨率数据与彩色波段总和的比值。函数自动地用最近邻、双线性或三次卷积技术将3个彩色波段重采样到高分辨率像元尺寸。输出的RGB 图像的像元将与高分辨率数据的像元大小相同。 4. 评价指标 (1) 均值与标准差 ∑==n i i x n μ1 1 （公式1） () 2 1 2∑=-=n i i μx σ （公式2） 上述两个式子中，n 表示图像总的像素的个数，xi 为第i 像素的灰度值。 (2) 特征值 设 A 是n 阶方阵，如果存在数m 和非零n 维列向量 x ，使得 Ax=mx 成立，则称 m
实验四遥感图像的非监督分类与监督分类 一、实验目的 1．非监督分类是对数据集中的像元依据统计数字，光谱类似度和光谱距离进行分类，在没有用户定义的条件下练习使用，在ENVI环境下的非监督分类技术有两种：迭代自组织 数据分析技术（ISodata）和K均值算法（K-Means）； 2．分类过程中应注意：1）怎样确定一个最优的波段组合，从而达到最佳的分类精度，基于OIF和相关系数，协方差矩阵以及经验的使用来完成对最适合的组合的选取，分类 效果的关键即在于此；2）K-Means的基本原理；3）Isodata的基本原理；4）分类结束 后，被分类后的图像是一个新的图像，被分类类码秘填充，从而可以获得数据提取信息， 统计不同类码数量，转化为实际面积，在得到后的图像上，可对不同目标的形态指标进 行分析。 3．对训练区中的像元进行分类； 4．用训练数据集估计查看监督分类后的统计参数； 5．用不同方法进行监督分类，如最小距离法、马氏距离法和最大似然法。 二、实验设备与材料 1、软件 ENVI 4.7软件 2、所需材料 TM数据 三、实验步骤 1.选择最优的波段组合 ENVI主工具栏中File →Open image file →选择hbtmref.img打开→在Basic Tools中选择Statistics →Compute statistics选定原图，在Spectral subset中可选项全部选定→OK →OK →全选→保存→OK，则各类统计数字均可查； OIF计算，选择分类波段： 1，2；2，3；1，3波段标准差分别为2.665727；3.473308；4.574609，和为10.713644。Correlation Matrix 中1和2波段的相关系数0.964308，加上2和3波段的相关系数0.980166，再加上1和3波段的相关系数0.945880，最终等于2.890354。用标准差相加的结果10.713644比上相关系数之和2.890354等于3.70668922。可以选择其他不同波段的数据进行同上运算，比值结果最大的为最优波段，此次选择结果为3,4,6波段。 2.K-Means法进行非监督分类 1）Classification →Unsupervised →K-Means，点击hbtmref.img →点击Spectral subset →选3,4,6三个波段→OK，回到上级菜单→OK，在Number of classes 中输15即分为15类，Change Iterations中输6，即最大迭化量为6次， Maximum Stdev From Mean中为空，选择保存位置→OK；在原界面中选定 保存结果后New display →Load Band，双击查看Cursor Location/V alue，发 现Data已由原来的坐标形式转换为类码；在K-Means窗口工具栏中点击 Tools →Spatial Pixel Editor →可将类码转换成相应的地物类型，要求进行 大量的野外调查，确定同一类码所代表的地物是什么
杭州师范大学《遥感原理与应用》实验报告 题目：遥感图像的监督分类与处理实验姓名：赵文彪 学号： 2014212425 班级：地信141 学院：理学院
1实验目的 运用envi软件对自己家乡的遥感影像经行分类和分类后操作。 2概述 分类方法：监督分类和非监督分类 监督分类——从遥感数据中找到能够代表已知地面覆盖类型的均质样本区域（训练样区），然后用这些已知区域的光谱特征（包括均值、标准差、协方差矩阵和相关矩阵等）来训练分类算法，完成影像剩余部分的地面覆盖制图（将训练样区外的每个像元划分到具有最大相似性的类别中）。 非监督分类——依据一些统计判别准则将具有相似光谱特征的像元组分分为特定的光谱类；然后，再对这些光谱类进行标识并合并成信息类。 光谱特征空间 同名地物点在丌同波段图像中亮度的观测量将构成一个多维的随机向量X，称为光谱特征向量。而这些向量在直角坐标系中分布的情况为光谱特征空间。 同类地物在光谱特征空间中不可能是一个点，而是形成一个相对聚集的点群。丌同地物的点群在特征空间内一般具有不同的分布。 特征点集群的分布情况： 理想情况：至少在一个子空间中可以相互区分 典型情况：任一子空间都有相互重叠，总的特征空间可以区分 一般情况：任一子空间都存在重叠现象 监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。在分类乊前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决凼数迚行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决凼数去对其他待分数据迚行分类。使每个像元和训练样本做比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。 3实验步骤 3.1遥感影像图的剪切 用envi打开下载的遥感影像图，剪切出一个地貌信息丰富的区域（因为一景遥感影像太大，分类时间较长，故而采用剪切的方法，剪切一个地貌丰富的遥感影像图。既便于分类也使得分类种数不至于减小的太多） 以下为剪切出来的遥感影像
Photoshop平面图像处理实验报告 一、实验项目 安徽大学宣传画 二、实验目的 （1）使用Photoshop基本工具实现宣传画制作； （2）利用所学知识使得构图美观，各图层间融合度高，辨识度高； （3）尽可能多的使用不同的方法完成制作； （4）学会使用一些常用工具的快捷键，例如“Alt+滚轮”可改变图像大小，“Ctrl+T”可对对象使用“自由变换”等； （5）习惯在新建图层上进行操作，习惯对需要进行较大改动的图层进行备份； （6）在图像放大的基础上进行精确抠图； （7）对图层边界进行模糊处理，提高融合度； （8）学会对绘制图形及文字添加效果，使其立体化（更加真实），或是（多彩化）更加绚丽； （9）学会对设计的图像进行分解与重组，例如球体就是由一层底色加效果、以及白色高光层组合而成； （10）要注意整体构图中的光影效果，使整体井然有序，而不是杂乱无章； （12）学会合理利用滤镜中的各种效果，设计出最为合适的组合； （13）不要忽视重叠图层的“叠加效果”，合理利用可提升叠加图层的融合度； （14）习惯给图层取名，方便修改。 三、实验步骤
（1）新建文件，打开图片（安徽大学校门）文件，使用移动工具拖曳至新建文件中。 （2）为使得校门朝向满足构图设计，使用“编辑——变换——水平翻转”功能，将其实现左右水平翻转。
（3）利用“磁性套索工具”将大门主体部分选出，再使用“选择——反选”功能，选出该图层中不需要的部分，利用“编辑——清除”使其被清除。 （4）使用“橡皮”工具，调整合适的笔锋、不透明度及流量大小对剩余主体部分多余的边角、门内的空隙进行擦除。 使用“编辑——自由变换”调整大小，移动到设计位置。
摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程
envi遥感图像监督分类 监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。 遥感影像的监督分类一般包括以下6个步骤，如下图所示： 详细操作步骤 第一步：类别定义/特征判别 根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。
启动ENVI5.1，打开待分类数据：can_tmr.img。以R:TM Band 5，G: TM Band 4，B：TM Band 3波段组合显示。 通过目视可分辨六类地物：林地、草地/灌木、耕地、裸地、沙地、其他六类。 第二步：样本选择 （1）在图层管理器Layer Manager中，can_tmr.img图层上右键，选择"New Region Of Interest"，打开Region of Interest (ROI) Tool面板，下面学习利用选择样本。 1）在Region of Interest (ROI) Tool面板上，设置以下参数： ROI Name：林地 ROI Color： 2）默认ROIs绘制类型为多边形，在影像上辨别林地区域并单击鼠标左键开始绘制多边形样本，一个多边形绘制结束后，双击鼠标左键或者点击鼠标右键，选择Complete and Accept Polygon，完成一个多边形样本的选择； 3）同样方法，在图像别的区域绘制其他样本，样本尽量均匀分布在整个图像上； 4）这样就为林地选好了训练样本。 注：1、如果要对某个样本进行编辑，可将鼠标移到样本上点击右键，选择Edit record是修改样本，点击Delete record是删除样本。 2、一个样本ROI里面可以包含n个多边形或者其他形状的记录（record）。 3、如果不小心关闭了Region of Interest (ROI) Tool面板，可在图层管理器Layer Manager上的某一类样本（感兴趣区）双击鼠标。 （2）在图像上右键选择New ROI，或者在Region of Interest (ROI) Tool面板上，选择工具。重复"林地"样本选择的方法，分别为草地/灌木、耕地、裸地、沙地、其他5类选择样本； （3）如下图为选好好的样本。
成都信息工程大学遥感图像处理上机报告
1. 实验项目名称 遥感图像光谱增强处理 2. 实验目的 主成分分析：为了去除波段之间多余信息、将多波段的图像信息压缩到比原波段更有效的少数几个转换波段。 主成分逆变换：将主成分变换的图像重新恢复到RGB 彩色空间。缨帽变换：根据多光谱遥感中土壤、植被等信息在多维光谱空间中信息分布结构对图像 做的经验性线性正交变换。图像融合：将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术 等，最大限度的提取各自信道中的有利信息，最后综合成高质量的图像，以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率，利于监测。 3. 实验原理 主成分分析法是一种降维的统计方法，它借助于一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的p 个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统，再通过构造适当的价值函数，进一步把低维系统转化成一维系统。 缨帽变换又称KT 变换。是一种经验性的多波段图像的线性变换,是Kauth 和Thomas(1976) 在研究MSS 图像反映农作物和植被的生长过程时提出的。在研究过程中他们发现MSS 四个波段组成的四维空间中,植被的光谱数据点呈规律性分布,像缨帽状,因此将这种变换命名为缨帽变换。 图像融合就是通过一种特定算法将两幅或多幅图像合成为一幅新图像。该技术有基本的体系，主要包括的内容有：图像预处理，图像融合算法，图像融合评价，融合结果。图像融合系统的层次划分为：像素层融合、特征层融合、决策层融合，目前绝大多数融合算法研究都集中在这一层次上。 4. 数据来源
遥感图像分类后处理 一、实验目的与要求 监督分类和决策树分类等分类方法得到的一般是初步结果，难于达到最终的应用目的。 因此，需要对初步的分类结果进行一些处理，才能得到满足需求的分类结果，这些处理过程就通常称为分类后处理。常用分类后处理通常包括：更改分类颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等操作。 本课程将以几种常见的分类后处理操作为例，学习分类后处理工具。 二、实验内容与方法 1.实验内容 1.小斑块去除 ●Majority和Minority分析 ●聚类处理（Clump） ●过滤处理（Sieve） 2.分类统计 3.分类叠加 4.分类结果转矢量 5.ENVI Classic分类后处理 ●浏览结果 ●局部修改 ●更改类别颜色 6.精度评价 1.实验方法 在ENVI 5.x中，分类后处理的工具主要位于Toolbox/Classification/Post Classification/；
三、实验设备与材料 1.实验设备 装有ENVI 5.1的计算机 2.实验材料 以ENVI自带数据"can_tmr.img"的分类结果"can_tmr_class.dat"为例。数据位于"...\13数据\"。其他数据描述： ?can_tmr.img ——原始数据 ?can_tmr_验证.roi ——精度评价时用到的验证ROI 四、实验步骤 1.小斑块去除 应用监督分类或者非监督分类以及决策树分类，分类结果中不可避免地会产生一些面 积很小的图斑。无论从专题制图的角度，还是从实际应用的角度，都有必要对这些小图斑进行剔除或重新分类，目前常用的方法有Majority/Minority分析、聚类处理（clump）和过滤处理（Sieve）。 1)Majority和Minority分析 Majority/Minority分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该 类中，定义一个变换核尺寸，主要分析（Majority Analysis）用变换核中占主要地位（像元数最多）的像元类别代替中心像元的类别。如果使用次要分析（Minority Analysis），将用变换核中占次要地位的像元的类别代替中心像元的类别。 下面介绍详细操作流程： （1）打开分类结果——"\12.分类后处理\数据\can_tmr_class.dat"； （2）打开Majority/Minority分析工具，路径为Toolbox /Classification/Post Classification/Majority/Minority Analysis，在弹出对话框中选择"can_tmr_class.dat"，点击OK； （3）在Majority/Minority Parameters面板中，点击Select All Items选中所有的类别，其他参数按照默认即可，如下图所示。然后点击Choose按钮设置输出路径，点击OK执行操作。
实验五：监督分类与非监督分类 一、实验目的 采用监督分类对多光谱遥感图像进行分类，并对分类后的数据进行处理，处理方法包括：聚合（clump）处理、筛选（sieve）处理、并类（combine）处理，以及精度评估。监督法分类需要用户选择作为分类基础的训练样区。分析下面处理的分类结果，或者采用每个分类法默认的分类参数，生成自己的类，然后对分类结果进行比较。我们将使用各种监督分类法，并对它们进行比较，确定单个具体像素是否有资格作为某类的一部分。 二、实验数据与原理 美国科罗拉多州（Colorado）Canon市的Landsat TM 影像数据，其中包括can_tmr.img、can_tmr.hdr、can_km.img、can_km.hdr、can_iso.img、can_iso.hdr、classes.roi、can_pcls.img、can_pcls.hdr 、can_bin.img、can_bin.hdr 、can_sam.img、can_sam.hdr 、can_rul.img 、can_rul.hdr、can_sv.img、can_sv.hdr、can_clmp.img、can_clmp.hdr。 ENVI 提供了多种不同的监督分类法，其中包括了平行六面体（Parallelepiped）、最小距离法（Minimum Distance）、马氏距离法（Mahalanobis Distance）、最大似然法（Maximum Likelihood）、波谱角法（Spectral Angle Mapper）、二值编码法（Binary Encoding）以及神经网络法（Neural Net）。 三、实验过程： 1、打开TM图像，File →Open Image File，选择ljs-can_tmr.img文件，在可用波段列表中，选择RGB Color 单选按钮，然后使用鼠标左键，顺次点击波段4、波段3 和波段2。点击Load RGB 按钮，把该影像加载到一个新的显示窗口中。 2、查看光标值：
精心整理 一、实验名称 遥感图像的监督分类与非监督分类 二、实验目的 理解遥感图像监督分类及非监督分类的原理；掌握用ENVI对影像进行监督分类和非监督分类的方法，初步掌握图像分类后的相关操作；了解整个实验的过程以及实验过程中要注意的事项。 三、 四、 五、 1. 1.1打开并显示影像文件，选择合适的波段组合加载影像 打开并显示TM影像文件，从ENVI 主菜单中，选择File →Open Image File选择影像，为了更好地区分不同地物以及方便训练样本的选取，选择5、4、3波段进行相关操作，点击Load Band 在主窗口加载影像。 1.2使用感兴趣区（ROI）工具来选择训练样区 1）主影像窗口菜单栏中，选择 Overlay >Region of Interest。出现ROI Tool对话框， 2）根据不同的地物光谱特征，在图像上画出包含该类地物的若干多边形区域，建立相应的感兴趣区域，输入对应的地物名称，更改感兴趣区对应的显示色彩。
由于该地区为山西省北部，地物相对单一，故分为以下几类：裸地、草地、灌木林、农田、水体、人类活动区、云层，阴影。 1.3选择分类方法进行分类 1）主菜单中，选择Classification>Supervised，在对应的选项菜单中选择分类方法，对影像进行分类。 以最小距离法（Minimum Distance）为例进行说明。选择Minimum Distance选项，出现Classification Input File对话框，在该对话框中选择待分类图像。 2）在出现的Minimum Distance Parameters对话框中，select Ttems选择训练样本，定义相关参数，选择 点击 2. 1 2 3. 。 1 选择Mode :polygon delete from class将错误点剔除。 2）主菜单classification->Post classification->sieve classes打开sieve parameters对话框，选择训练样本，及最小剔除像素，选择输出位置，完成操作。图为采用八联通域将像素小于5的点删除。 3.3混淆矩阵精度验证 1）选取验证样本，与监督分类操作类似，选择不同的感兴趣区域，保存ROI,作为选择训练样本。 2）进行精度验证，主菜单classification->Post classification->Using Ground Truth ROI，选择分类图像。
实验报告 课程名称：系部名称：测绘工程学院专业班级：遥感科学与技术 11-1班学生姓名：学号： 指导教师：田静 实验报告1 实验报告 2 篇二：envi上机报告 《遥感软件应用与开发》 实验指导书、作业 系部名称：测绘工程学院 专业班级：遥感科学与技术11-1班 学生姓名： 学号： 指导教师：田静 测绘工程学院 目录 《遥感软件应用与开发》课程实验指导书???????????错误！未定义书签。 实验一：envi软件安装与基本功能操作?????????????3 实验二：影像的地理坐标定位和校正??????????????19 实验三：图像融合、图像镶嵌、图像裁剪 ???????????25 实验四：图像分类 ?????????????????????31 实验报告： ???????????????????????37 实验报告1： ????????????????????????38 实验报告2： ????????????????????????41 实验报告3： ????????????????????????44 实验报告4： ????????????????????????47 实验一：envi软件安装与基本功能操作 一、实验目的 熟悉遥感数据图像处理软件envi的安装过程，了解envi基本信息、基本概念及其主要 特性。对envi操作界面有一个基本的熟悉，对各菜单功能有一个初步了解，为后面的实验作 好准备。 二、实验学时 2学时 三、实验类型 实践 四、实验原理及内容 （1）遥感图像处理软件envi界面总体介绍 （2）envi软件能识别的图像类型介绍 （3）各种图像文件的打开 重点： envi能识别的文件类型 学生可自行阅读帮助文件学习。 五、实验步骤 1．envi的安装 2．遥感图像处理软件envi界面介绍
实验遥感图像监督分类 实验目的： 通过实习操作，掌握遥感图像监督分类的基本方法和步骤，深刻理解遥感图像监督分类的意义。 实验内容： 监督分类就是基于图像像元的数据文件值，将像元归并成有限几种类型、等级或数据集的过程。在监督分类过程中，首先选择可以识别或者借助其它信息可以断定其类型的象元建立模板，然后基于该模板使计算机自动识别具有相同特性的像元。对分类结果进行评价后再对模板进行修改，多次反复建立一个比较准确的模板，并在此基础上最终进行分类。 实验步骤： 第一步：定义分类模板 ERDAS IMAGINE 的监督分类是基于分类模板来进行的，而分类模板的生成、管理、评价和编辑等功能是由分类模板编辑器来负责的。 在分类模板编辑器中生成分类模板的基础是原图像和（或）其特征空间图像。因此，显示这两种图像的窗口也是进行监督分类的重要组件 1、显示需要分类的图像 在窗口中显示图像germtm.img。 具体步骤是单击ERDAS面板中的Viewer图标，打开一个窗口View#1，然后执行File/Open/Raster Layer，打开Select Layer to Add对话框，在对话框中找到germtm.img，在Select Layer to Add对话框点击Raster Options选项卡，设置Red 值为4,Green值为5，Blue值为3，选中Fit to Frame（图5－1）。
图5－1 设置图像显示参数 点击OK，打开图像（图5－2）。 图5－2 打开图像 2、打开分类模板编辑器 两种方式可以打开分类面板编辑器：（1）在ERDAS图标面板中单击Main/Image Classfication/Classfication/Signature Editor命令，打开Signature Editor 窗口（图5－3）;（2）在ERDAS图标面板工具条，单击Classifier图标/Classfication/Signature Editor命令，打开Signature Editor窗口（图5－3）。
一、实验名称 遥感图像光谱增强处理 二、实验目的 对图像进行主成分分析、主成分变换以及主成分百分比计算；观察图像在不同色彩空间之间相互转换的结果异同，对图像进行融合，用MODEL MAKER 建模方式进行图像处理。 通过以上操作初步掌握图像光谱增强处理过程，进一步理解影像光谱增强中不同增强方法的原理及其增强效果的差异。 三、实验原理 光谱增强是基于多光谱数据对波段进行变换达到图像增强处理，采用一系列技术去改善图象的视觉效果，或将图象转换成一种更适合于人或机器进行分析处理的形式。有选择地突出某些对人或机器分析有意义的信息，抑制无用信息，提高图象的使用价值。 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。对于增强信息含量、隔离噪声、减少数据维数非常有用。 使用Color Transforms 工具可以将3-波段红、绿、蓝图像变换到一个特定的彩色空间，并且能从所选彩色空间变换回RGB。两次变换之间，通过对比度拉伸，可以生成一个色彩增强的彩色合成图像。 图像融合是将多幅影像组合到单一合成影像的处理过程。它一般使用高空间分辨率的全色影像或单一波段的雷达影像来增强多光谱影像的空间分辨率。 四、数据来源 本次实验所用数据来自于国际数据服务平台；landsat4-5波段30米分辨率TM第三波段影像，投影为WGS-84，影像主要为山西省大同市恒山地区，中心纬度：38.90407 中心经度：113.11840。
五、实验过程 1.主成分分析 1）打开并显示TM影像文件，从ENVI 主菜单中，选择File →Open Image File选择影像，点击Load Band 在主窗口加载影像。 2）主菜单选择Transforms—>Principal Components—>Forward PC Rotation —>Compute New Statistics and Rotate。在弹出的Principal Components Input File 对话框中，选择图像。 3)在Forward PC Rotation Parameters对话框中在输入统计系数，选择计算矩阵（选择协方差矩阵），输出统计文件及路线，统计波段数等相关参数的设置，单击Ok。
实验五遥感图像的非监督分类 一、实验目的 1．非监督分类是对数据集中的像元依据统计数字，光谱类似度和光谱距离进行分类，在没有用户定义的条件下练习使用，在ENVI环境下的非监督分类技术有两种：迭代自组织 数据分析技术（ISodata）和K均值算法（K-Means）； 2．分类过程中应注意：1）怎样确定一个最优的波段组合，从而达到最佳的分类精度，基于OIF和相关系数，协方差矩阵以及经验的使用来完成对最适合的组合的选取，分类 效果的关键即在于此；2）K-Means的基本原理；3）Isodata的基本原理；4）分类结束 后，被分类后的图像是一个新的图像，被分类类码秘填充，从而可以获得数据提取信息， 统计不同类码数量，转化为实际面积，在得到后的图像上，可对不同目标的形态指标进 行分析。 二、实验设备与材料 1、软件 ENVI 4.7软件 2、所需材料 TM数据 三、实验步骤 1.选择最优的波段组合 ENVI主工具栏中File →Open image file →选择hbtmref.img打开→在Basic Tools中选择Statistics →Compute statistics选定原图，在Spectral subset中可选项全部选定→OK →OK →全选→保存→OK，则各类统计数字均可查； OIF计算，选择分类波段： 1，2；2，3；1，3波段标准差分别为2.665727；3.473308；4.574609，和为10.713644。Correlation Matrix 中1和2波段的相关系数0.964308，加上2和3波段的相关系数0.980166，再加上1和3波段的相关系数0.945880，最终等于2.890354。用标准差相加的结果10.713644比上相关系数之和2.890354等于3.70668922。可以选择其他不同波段的数据进行同上运算，比值结果最大的为最优波段，此次选择结果为3,4,6波段。 2.K-Means法进行非监督分类 1）Classification →Unsupervised →K-Means，点击hbtmref.img →点击Spectral subset →选3,4,6三个波段→OK，回到上级菜单→OK，在Number of classes中输15即分为15类，Change Iterations中输6，即最大迭化量为6次，Maximum Stdev From Mean中为空，选择保存位置→OK；在原界面中选定保存结果后New display →Load Band，双击查看Cursor Location/Value，发现Data已由原来的坐标形式转换为类码；在K-Means窗口工具栏中点击Tools →Spatial Pixel Editor →可将类码转换成相应的地物类型，要求进行大量的野外调查，确定同一类码所代表的地物是什么 2）合并类的操作：Classification →Post classification →Combine classes →K-Means →OK； 在Select Input Class中选Class 8，Select Output Class中选Class 10（即把第8类和第10类合并）→点Add combination →OK →Memory →OK；在原界面中选择保存结果→New Display →Load Band；在Load 后的Display中点击Tools →Link →Geographic link，则Display（当前）和Display #2（前一个）变为on，表示2者合并→OK，可查看变化结果。
envi彩色增强实验报告 【篇一：envi图像增强实验：】 envi图像增强及变换实验指导书： 一、打开.img文件 1． 2．从 windows 任务栏选择：start programs envi 3.2 envi 3.2 。当程序成功地载入和运行时，出现 eniv 主菜单。选择 file open image file. 当出现 enter data filename 对话框，点击文件名，再点击“ok” 或“open” 以打开选择的文件。如：can.img，此时会显示available bands list窗口. 二、显示单波段的灰白影像和多波段的彩色影像显示一幅灰阶图象 3． 4． 5．从 available bands list 内，选择“gray scale” 切换按钮。点 击需要的波段名，它将显示在一个标签为“selected band:” 的小文 本框中。在窗口底部点击“load band”，来导入波段到显示，并出 现一个图像窗口和相 应的缩放/滚动窗口。 显示一幅彩色合成图象 1. 从 available bands list 内，选择“rgb color” 切换按钮。 2. 在序列中点击所需要显示的红、绿和蓝波段名（或在每个r、g 或 b 波段使用切换按钮）。 3. 一旦波段名导入到标签为“r:”、“g:”、“b:” 的文本框中，点击“load rgb” 来显示彩色合成图像。envi 用 2% 的系统默认线性拉伸 值来显示所有图像。 三、图像增强： 在灰阶影像和彩色影像上分别利用主窗口的菜单enhance选项下的linear、linear0-255、linear2％、gaussian、equalization、 square root 各种增强方式的效果，以及熟练掌握并理解interactive stretching操作和意义。 四、图像变换： band ratios (波段比)
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）