下载文档原格式
envi多尺度分割步骤Envi多尺度分割步骤：一、数据预处理在进行多尺度分割之前，首先需要进行数据预处理。
数据预处理的目的是对原始数据进行清洗和转换，使其适用于后续的分割算法。
数据预处理的步骤包括数据获取、数据校正、数据筛选和数据格式转换等。
其中，数据获取是指从各种来源获取原始数据，如卫星遥感数据或地面观测数据等。
数据校正是指对原始数据进行校正，消除由于传感器特性或环境因素引起的噪声和偏差。
数据筛选是指对原始数据进行筛选，选择出具有代表性和可靠性的数据进行分割。
数据格式转换是指将原始数据转换为适用于分割算法的输入格式。
二、多尺度分割算法多尺度分割算法是基于图像的不同尺度特征进行分割的一种方法。
这种方法能够有效地提取出图像中的细节信息，并将图像分割为不同的区域。
多尺度分割算法的步骤包括图像金字塔构建、尺度空间分割和分割结果融合等。
1. 图像金字塔构建图像金字塔是一种用于多尺度图像处理的数据结构。
它通过对原始图像进行不同尺度的平滑和采样，构建了一系列的图像，从而提供了多尺度的图像表示。
图像金字塔的构建可以采用高斯金字塔或拉普拉斯金字塔等方法。
2. 尺度空间分割尺度空间分割是指在不同尺度下对图像进行分割。
在每个尺度上，可以使用不同的分割算法对图像进行分割，得到不同尺度下的分割结果。
常用的尺度空间分割方法包括基于边缘的分割、基于区域的分割和基于混合模型的分割等。
3. 分割结果融合在得到不同尺度下的分割结果后，需要将这些结果进行融合，得到最终的分割结果。
分割结果融合可以采用像素级的融合或基于区域的融合等方法。
像素级的融合是指将不同尺度下的像素进行组合，得到最终的像素分类结果。
基于区域的融合是指将不同尺度下的区域进行组合，得到最终的区域分类结果。
三、结果评估多尺度分割的最终结果需要进行评估，以验证其准确性和可靠性。
结果评估的指标包括精度、召回率和F1值等。
精度是指分割结果中正确分类的像素数占总像素数的比例。
ENVI中destripe的原理和应用1. 前言在遥感图像处理中，destripe（去条纹）是一种常用的技术，用于去除图像中出现的条纹噪声。
ENVI（Environment for Visualizing Images）是一种常用的遥感图像处理软件，其中包含了destripe算法。
本文将介绍ENVI中destripe的原理和应用。
2. destripe算法原理destripe算法的核心思想是通过对图像中的条纹进行建模和修复，从而达到去除条纹的效果。
具体步骤如下： 1. 预处理：首先，需要对原始图像进行预处理，如去除高斯噪声、平滑图像等，以提高算法的准确性。
2. 条纹检测：使用ENVI中的条纹检测算法，对图像中的条纹进行检测和定位。
3. 条纹建模：通过对检测到的条纹进行建模，提取条纹的频率、相位和幅度等特征信息。
4. 条纹修复：基于建模结果，通过对图像进行频域滤波或空域滤波等操作，修复图像中的条纹。
5. 后处理：修复后的图像可能会产生一些不连续或边缘模糊等问题，需要进行后处理，以提高图像的质量。
3. destripe的应用destripe技术在遥感图像处理中具有广泛的应用，下面列举了几个常见的应用场景：3.1 卫星图像处理卫星图像通常由于传感器问题、大气干扰等原因，会出现较为明显的条纹噪声。
通过应用ENVI中的destripe算法，可以有效地去除图像中的条纹，提高图像质量，方便后续的遥感分析和应用。
3.2 地表变化监测在地表变化监测中，如城市扩展、农田变化等，遥感图像的时间序列通常会产生条纹噪声。
利用destripe算法可以去除这些条纹噪声，使得地表变化更加明显，便于对地表变化进行分析和研究。
3.3 水下图像矫正水下图像常常受到水体折射、光线散射等因素的影响，导致图像中出现明显的条纹。
应用ENVI中的destripe算法可以去除这些条纹，提高水下图像的质量，便于海洋生态研究和水下目标检测等应用。
本小节包括以下内容：✍✍✍✍✍数据预处理一般流程介绍✍✍✍✍✍预处理常见名词解释✍✍✍✍✍ENVI中的数据预处理1、数据预处理一般流程? ???数据预处理的过程包括几何精校正、配准、图像镶嵌与裁剪、去云及阴影处理和光谱归一化几个环节，具体流程图如图所示。
图? ? 引起影像几何变形一般分为两大类：系统性和非系统性。
系统性一般有传感器本身引起的，有规律可循和可预测性，可以用传感器模型来校正；非系统性几何变形是不规律的，它可以是传感器平台本身的高度、姿态等不稳定，也可以是地球曲率及空气折射的变化以及地形的变化等。
? ? 在做几何校正前，先要知道几个概念：? ?? ???地理编码：把图像矫正到一种统一标准的坐标系。
? ?? ???地理参照：借助一组控制点，对一幅图像进行地理坐标的校正。
? ?? ???图像配准：同一区域里一幅图像（基准图像）对另一幅图像校准? ? 影像几何精校正，一般步骤如下，（1）GCP（地面控制点）的选取? ? 这是几何校正中最重要的一步。
可以从地形图（DRG）为参考进行控制选点，也可以野外GPS 测量获得，或者从校正好的影像中获取。
选取得控制点有以下特征：? ? 1、GCP在图像上有明显的、清晰的点位标志，如道路交叉点、河流交叉点等；? ? 2、地面控制点上的地物不随时间而变化。
GCP均匀分布在整幅影像内，且要有一定的数量保证，不同纠正模型对控制点个数的需求不相同。
卫星提供的辅助数据可建立严密的物理模型，该模型只需9个控制点即可；对于有理多项式模型，一般每景要求不少于30个控制点，困难地区适当增加点位；几何多项式模型将根据地形情况确定，它要求控制点个数多于上述几种模型，通常每景要求在30-50个左右，尤其对于山区应适当增加控制点。
（2）建立几何校正模型? ? 地面点确定之后，要在图像与图像或地图上分别读出各个控制点在图像上的像元坐标（x，y）及其参考图像或地图上的坐标（X，Y），这叫需要选择一个合理的坐标变换函数式（即数据校正模型），然后用公式计算每个地面控制点的均方根误差（RMS）? ?? ?根据公式计算出每个控制点几何校正的精度，计算出累积的总体均方差误差，也叫残余误差，（3? ?插。
ENVI高光谱数据处理流程1.数据预处理数据预处理是高光谱数据处理流程中的第一步，其主要目的是去除数据中的噪声并增加图像质量。
常用的预处理方法包括：大气校正、大气校正之后的辐射校正、大气校正之后的大气校正等。
-大气校正：高光谱数据中的大气散射会引入许多噪声。
大气校正的目的是根据大气散射的物理原理，通过对高光谱数据进行光谱校正和辐射校正，去除大气散射带来的干扰。
-辐射校正：高光谱数据中的辐射能量受到地面温度、雨水和云等因素的影响，导致数据中存在辐射偏差。
辐射校正的目的是根据卫星的辐射源数据和大地辐射能量的关系，对高光谱数据进行校正，消除辐射偏差。
-大气校正之后的大气校正：在进行大气校正之后，仍然可能存在一些小范围的大气散射。
大气校正之后的大气校正的目的是再次进行大气散射校正，进一步提高图像质量。
2.特征提取特征提取是高光谱数据处理流程中的核心步骤，其主要目的是从高光谱数据中提取出对地物分类和解译有用的特征信息。
-光谱特征提取：光谱特征提取是指根据高光谱数据中不同波段的辐射能量变化，提取出反映地物光谱特性的特征参数。
常用的光谱特征包括：光谱曲线的均值、方差、斜率等。
-空间特征提取：空间特征提取是指从高光谱数据的空间分布中提取出反映地物空间特性的特征参数。
常用的空间特征包括：纹理特征、形状特征、边缘特征等。
3.分类与监督解译分类与监督解译是高光谱数据处理流程中的关键步骤，其主要目的是将预处理和特征提取之后得到的数据进行分类和解译。
-监督分类：监督分类是指通过已知的训练样本数据，建立分类模型，并将该模型应用于未知的高光谱数据，将数据分成不同的类别。
常用的监督分类方法有：最大似然分类、支持向量机分类、随机森林分类等。
-非监督分类：非监督分类是指利用高光谱数据本身的统计特性，将数据按照统计特性对其进行分类。
常用的非监督分类方法有：K-均值聚类、多元高斯聚类等。
4.地物解译与验证地物解译与验证是高光谱数据处理流程中的最后一步，其主要目的是对分类结果进行解译和验证，以评估分类的准确性。
envi高光谱数据处理流程
envi高光谱数据处理流程是一种非常常用的数据处理方法，主要应用于高光谱遥感数据处理。
其主要流程包括：数据预处理、光谱反射率计算、特征提取与分类等几个步骤。
1、数据预处理：数据预处理包括数据校正、波长校准及大气校正等过程。
其中，数据校正主要是将数据进行去背景、去噪、去影响等处理。
波长校准是将采集到的数据进行波长校准，保证数据的准确性。
大气校正是将采集的数据进行大气校正，降低大气对数据的影响。
2、光谱反射率计算：光谱反射率计算是将采集到的数据进行转换，得到地表反射率信息。
这个过程主要通过将采集到的数据进行比对处理，计算出地表反射率。
3、特征提取：特征提取是将采集到的数据进行特征分析，得到地物分类信息。
这个过程主要通过对采集到的数据进行分析，计算出每个波段的特征，然后根据这些特征进行分类。
4、分类：分类是将采集到的数据进行分类，识别出地表不同的类别。
这个过程主要通过将采集到的数据进行分析，然后根据不同的特征进行分类，最终得到地表不同的类别。
总之，envi高光谱数据处理流程是一个比较全面、细致的数据处理方法，可以有效地对高光谱遥感数据进行处理，得到准确的地表信息。
- 1 -。
envi城市绿地提取步骤Envi城市绿地提取步骤一、引言城市绿地对于改善城市环境、提高居民生活质量具有重要作用。
为了有效提取城市绿地信息，需要进行一系列步骤。
本文将介绍Envi 软件在城市绿地提取中的具体步骤。
二、数据准备在进行城市绿地提取之前，首先需要准备相关的数据。
这包括高分辨率的遥感影像数据、数字地图数据以及地面真实样本数据等。
这些数据将用于训练和验证绿地提取模型。
三、预处理在进行绿地提取之前，需要对原始遥感影像数据进行预处理。
这包括去除大气、辐射定标、几何校正等步骤，以保证数据的准确性和一致性。
四、特征选择在进行绿地提取时，需要选择合适的特征用于建立绿地提取模型。
常用的特征包括光谱信息、纹理信息、形态信息等。
通过对不同特征的分析和比较，选择最能反映绿地特征的特征进行提取。
五、训练模型选择好特征后，需要使用地面真实样本数据对绿地提取模型进行训练。
这可以通过监督分类算法实现，例如支持向量机、随机森林等。
利用训练样本数据，模型可以学习到绿地和非绿地的特征，并建立相应的分类规则。
六、模型验证在训练完成后，需要使用验证数据对绿地提取模型进行验证。
这可以通过计算模型的精度、召回率、F1值等指标来评估模型的性能。
如果模型的表现不佳，则需要调整模型参数或重新选择特征进行训练。
七、绿地提取在完成模型验证后，可以使用该模型对整个城市遥感影像进行绿地提取。
将遥感影像数据输入到模型中，模型将根据之前学习到的分类规则将绿地区域和非绿地区域进行分类。
八、后处理在进行绿地提取后，可能会出现一些误分类的情况。
为了提高绿地提取的准确性，需要进行后处理。
常用的后处理方法包括形态学处理、空间过滤等。
这些方法可以去除噪声、填补空洞，使提取结果更加准确。
九、结果评估在完成绿地提取后，需要对提取结果进行评估。
这可以通过与实地调查结果进行对比来实现。
如果提取结果与实地调查结果一致，则说明绿地提取工作较为准确可靠。
十、总结本文介绍了Envi城市绿地提取的具体步骤，包括数据准备、预处理、特征选择、模型训练、模型验证、绿地提取、后处理和结果评估等。
envi无人机多光谱影像处理流程
处理遥感数据是一项复杂的任务，特别是在处理无人机多光谱影像方面。
下面是一个基本的无人机多光谱影像处理流程：
1. 数据采集：使用多光谱传感器的无人机进行数据采集。
无人机根据预先设置的飞行线路和参数进行飞行，在规定的区域内获取多光谱影像。
2. 数据预处理：对采集的多光谱影像进行预处理，包括去除散焦、轨迹畸变校正、几何校正、辐射校正等。
这些预处理步骤能够帮助提高影像质量和准确度。
3. 数据分割：将多光谱影像分割成不同的地物类别，如植被、水体、建筑等。
常用的分割方法包括阈值分割、区域生长法等。
4. 特征提取：从各个地物类别中提取特征，用于后续的分类和分析。
常见的特征包括纹理特征、形状特征、频谱特征等。
5. 分类：使用机器学习或深度学习算法对特征进行分类，将不同的地物类别分类出来。
常用的分类算法有支持向量机（SVM）、随机森林（Random Forest）、卷积神经网络（Convolutional Neural Network）等。
6. 土地利用/土地覆盖分析：根据分类结果进行土地利用/土地
覆盖分析，估计不同类别的面积和分布情况。
这可以帮助决策者对土地资源进行合理规划和管理。
7. 结果展示：将处理后的数据结果进行可视化展示，以便于用户对结果进行分析和理解。
可以生成各种图表、地图等形式的结果。
需要注意的是，以上流程只是一个基本框架，具体的处理流程还会受到数据的特点和处理目标的影响，需要根据具体情况进行调整和完善。
哨兵一号处理步骤
以下是使用 ENVI 软件对哨兵一号数据进行预处理的一般步骤：
1. 数据导入：将哨兵一号数据导入到 ENVI 软件中，可以使用 ENVI 的数据导入功能来加载数据。
2. 大气校正：哨兵一号数据中可能存在大气干扰，需要进行大气校正来消除这种影响。
可以使用 ENVI 中的大气校正工具来进行处理，常见的大气校正方法包括 DOS（Dark Object Subtraction）和 ACORN（Atmospheric Correction Now）等。
3. 辐射定标：完成大气校正后，需要对数据进行辐射定标，将其转换为辐射度或反射率值。
这可以通过 ENVI 中的辐射定标工具来实现。
4. 几何校正：如果需要进行几何校正，可以使用 ENVI 中的几何校正工具来校正图像的位置和形状变化，以确保像素之间的准确对应。
5. 去噪和增强：根据需求，可以对图像进行去噪和增强处理，以提高图像质量和可视化效果。
ENVI 提供了各种滤波和增强工具供选择。
6. 制作合成影像：如果需要将多个哨兵一号数据合成为单个影像，可以使用 ENVI 中的合成影像工具来实现。
需要注意的是，具体的处理步骤可能因数据的不同而有所差异，你可以根据实际情况进行调整。
ENVI5.3下高分二号（GF2）数据预处理以一景2015年1月23日获取的GF2-PMS1数据为例介绍在ENVI5.3下GF2数据预处理的详细操作步骤。
GF2数据预处理基本流程如下：图：GF2数据预处理流程说明：1. 针对不同的应用，有不同的处理流程，上图中列出了两种常用的预处理流程。
流程一主要针对高精度的定量遥感应用，也就是对大气校正精度要求比较高应用，比如：植被参数定量反演等；流程二主要针对定性遥感或者对大气校正精度要求比较低的遥感应用，比如：土地利用类型分类等。
本文介绍的主要是流程二的详细操作步骤，流程一的实现可参考日志：ENVI5.2下高分二号数据FLAASH大气校正；另外，中国资源卫星应用中心网站已经公布了最新的GF2数据绝对辐射定标系数和两个传感器的波谱响应函数，大家可以下载使用。
2. 本例中所有操作都是在ENVI5.3版本下进行的，除NNDiffuse Pan Sharpening 图像融合（ENVI5.2新增，ENVI5.1中可以使用G-S融合方法）外，其他操作在ENVI5.1/5.2下同样可以完成。
1. 数据打开启动ENVI5.3，在菜单栏中，选择File > Open，弹出Open对话框，找到GF2数据文件夹所在位置，选中扩展名为.tiff的两个文件，点击打开。
图2 打开GF2多光谱和全色数据在左侧图层管理Layer Manager面板中，选择多光谱或全色数据图层，右键View Metadata查看其元数据信息，可以看到ENVI很好地识别了数据的RPC 信息。
图3 ENVI自动识别GF2数据RPC信息2. 正射校正有了RPC信息之后，下面我们就可以基于这些RPC信息分别对多光谱和全色数据进行正射校正。
这里我们以多光谱数据正射校正为例，全色数据正射校正操作完全相同。
在Toolbox中，选择Geometric Correction > Orthorectification > RPC Orthorectification Workflow，打开正射校正流程化工具。
安装软件：
1、拷贝如下数据：
将原始影像里面的后缀_cuted_***去掉
2、影像转TIF，操作如下
打开ENVI——辅助工具——批量转tif
点击OK后，选择原始影像里面不是HDR类型的数据
点击打开，选择要保存文件夹
导出原始-tif文件夹里为
3、批量值域变换，操作如下
打开ENVI——辅助工具——批量值域变换
点击OK后，原始-tif-值域文件夹
4、再批量tif，操作如下
打开ENVI——辅助工具——批量转tif
具体如2.
5、批量掩膜工具，操作如下：
打开ENVI——辅助工具——批量掩膜工具
点击OK，文件夹原始-tif-值变-tif-掩膜，数据如下。
-
6、林灌草批量掩膜，操作如下：
注：此处结果可能不在输出文件下，将结果拷贝到掩膜后文件夹里。
成果如下
掩膜前后对比如下：。
envi二值化处理步骤引言：二值化是一种常用的图像处理技术，用于将灰度图像转换为二值图像。
在遥感图像处理中，二值化可以用于目标检测、图像分割等任务。
本文将介绍envi软件中的二值化处理步骤，包括图像预处理、阈值选择和二值化操作。
一、图像预处理在进行二值化处理之前，首先需要对图像进行预处理，以提高二值化的效果。
envi提供了多种图像预处理方法，如直方图均衡化、滤波等。
根据实际需求选择合适的预处理方法。
1. 直方图均衡化直方图均衡化是一种常用的图像增强方法，可以提高图像的对比度。
在envi中，可以通过菜单栏中的"图像"-"直方图"-"直方图均衡化"来进行直方图均衡化操作。
2. 图像滤波图像滤波可以去除图像中的噪声，提高图像的质量。
envi提供了多种滤波方法，如均值滤波、中值滤波等。
可以通过菜单栏中的"图像"-"滤波"来选择合适的滤波方法进行操作。
二、阈值选择阈值选择是二值化处理的关键步骤，它决定了图像中哪些像素值被认为是目标，哪些像素值被认为是背景。
envi提供了多种阈值选择方法，如手动选择、自动选择等。
1. 手动选择阈值手动选择阈值是一种简单直观的方法，可以根据图像的特点进行阈值选择。
在envi中，可以通过菜单栏中的"图像"-"直方图"-"手动选择阈值"来进行手动选择阈值的操作。
2. 自动选择阈值自动选择阈值是一种基于计算的方法，可以根据图像的统计特征选择合适的阈值。
envi提供了多种自动选择阈值的方法，如基于最大类间方差、基于迭代法等。
可以通过菜单栏中的"图像"-"直方图"-"自动选择阈值"来选择合适的自动选择阈值方法进行操作。
三、二值化操作阈值选择完成后，就可以进行二值化操作了。
ENVI高光谱数据处理流程ENVI（Environment for Visualizing Images）是一款功能强大的遥感数据处理软件，用于高光谱数据的处理和分析。
它提供了许多功能模块，可以进行数据导入、预处理、特征提取、分类和可视化等操作。
下面是ENVI高光谱数据处理流程的详细介绍。
1.数据导入首先，我们需要将高光谱数据导入ENVI软件。
ENVI支持导入多种高光谱数据格式，如Hyperion、AVIRIS等。
可以通过ENVI的文件菜单选择导入数据或者使用ENVI API导入数据。
2.数据预处理在数据导入之后，我们需要对高光谱数据进行预处理，以减少噪声和增强图像的质量。
ENVI提供了多种数据预处理方法，包括大气校正、大气校正和去除噪声。
可以根据数据的需求选择适当的预处理方法。
3.特征提取特征提取是高光谱数据分析的关键步骤。
在这一步骤中，我们可以利用ENVI提供的各种特征提取算法来提取数据中的有用信息。
ENVI提供了许多特征提取算法，包括主成分分析（PCA）、线性判别分析（LDA）、最大似然分类（MLC）等。
4.分类分类是高光谱数据处理的一个重要环节。
ENVI提供了多种分类算法，用于将数据分成不同的类别。
可以使用ENVI的分类工具对特征提取后的数据进行分类，根据分类结果进行应用。
5.可视化可视化是高光谱数据处理的最后一步。
ENVI提供了丰富的可视化工具，可以对数据进行可视化和可视化分析。
可以通过ENVI的图像菜单选择适当的可视化工具，并根据需要生成图像。
以上是ENVI高光谱数据处理的基本流程。
当然，根据具体的应用和需求，还可以根据需要选择其他的处理方法和工具。
此外，ENVI还支持自定义算法和脚本编程，以满足更高级的数据处理需求。
总结起来，ENVI高光谱数据处理流程包括数据导入、数据预处理、特征提取、分类和可视化等步骤。
通过这些步骤，我们可以对高光谱数据进行全面的处理和分析，从而获取有用的信息并进行进一步的应用。
ENVI高分辨率遥感影像数据预处理杨 龙（三门峡职业技术学院建筑工程学院，河南 三门峡 472000）摘要：近年来，遥感卫星影像的快速发展为社会的进步提供了坚实的技术支撑，伴随着影像分辨率越来越高，相关行业信息获取的方式也在发生着巨大的变化。
借助高分辨率遥感影像，我们在环境监测水利、农业、林业等多个领域更加全面、具体、系统地掌握了大量数据信息，为行业的发展开辟了新的工作模式。
文章就我国高分辨率遥感影像在ENVI中的预处理过程做一简单介绍，希望对从事相关工作的同行有一定的借鉴意义。
关键词：高分辨率；遥感影像；数据处理中图分类号：P237 文献标志码：A 文章编号：1008-7257(2020)01-0097-04收稿日期：2019-06-25作者简介：杨龙（1986—） 男，陕西宝鸡人，三门峡职业技术学院建筑工程学院讲师，研究方向：工程测量。
空间信息技术产业是国家战略性新兴产业。
当前，我国卫星事业已进入全面、高速发展时期，加快发展以卫星信息技术应用为主的空间信息技术产业是经济社会发展的需要。
高分辨率对地观测系统重大专项是《国家中长期科学和技术发展规划纲要（2006-2020年）》确定的16个重大专项之一，属军民融合型[1]项目。
该项目的实施将为城市资源环境、城乡规划、旅游管理、现代农业、防灾减灾、公共安全等重要领域提供及时精确的决策支持和信息服务。
遥感卫星影像简单地讲是利用遥感卫星所携带的“相机”对地表进行“拍照”，然后从“照片”中提取相关的信息。
不过，实际上高分辨率遥感卫星的成像过程是十分复杂的，需要经历太空辐射、大气层影响、传感器接收等一系列复杂的过程，而过程中的每一个环节都要受到大气、太阳高度角、传感器、地球自转、地形等因素的干扰，导致卫星传感器接收到的数据信息与地表真实信息不一致，出现偏差，这些偏差会严重影响我们对遥感影像数据的提取和判读。
所以，为了获得准确的信息，我们要对接收到的卫星遥感影像数据进行一定的处理，减少甚至消除不利因素对遥感影像的影响。
ENVI高光谱分析ENVI高光谱分析是一种用于图像处理和数据分析的软件平台，主要用于处理和分析在大气、地球表面和水体等领域获取的高光谱数据。
高光谱数据是指在较窄波段范围内获取的光谱信息，通常包含数百个波段。
ENVI高光谱分析利用这些波段信息，可以提供更详细、更精确的数据结果，有助于理解地球表面的复杂变化和环境过程。
1.数据预处理：ENVI高光谱分析可以对高光谱数据进行预处理，包括大气校正、辐射校正、几何纠正等。
这些预处理步骤可以消除由于大气、仪器和环境等因素引起的杂乱噪声，并提高数据的质量和可靠性。
2.特征提取：ENVI高光谱分析可以通过使用不同的数学和统计算法，从高光谱数据中提取目标的特征信息。
这些特征可以用于分类、目标检测、遥感变化检测等应用。
3.数据可视化：ENVI高光谱分析可将高光谱数据以多种方式进行可视化，包括光谱曲线、散点图、等高线、伪彩色图等。
这些可视化方法有助于用户直观地理解数据的内在规律和潜在关系。
4.数学建模和分析：ENVI高光谱分析提供了多种数学建模和分析工具，包括主成分分析、线性回归、非线性回归、聚类分析等。
这些工具可以帮助用户识别数据中的模式和趋势，从而进行进一步的数据分析和解释。
5.地物分类：ENVI高光谱分析可进行高光谱图像的地物分类，包括监督分类和非监督分类。
监督分类需要用户提供一些参考样本，用于训练分类器；非监督分类则通过统计分析和像元聚类等方法，自动划分不同地物类型。
6.数据挖掘：ENVI高光谱分析可以挖掘高光谱数据中的隐藏信息和趋势，帮助用户发现新的知识和洞见。
数据挖掘算法包括关联规则挖掘、聚类分析、分类分析等。
ENVI高光谱分析在许多领域具有广泛的应用，包括地球科学、环境监测、农业、气象、地质勘探等。
例如，在农业领域，ENVI高光谱分析可以帮助农民分析土壤和植被的光谱特征，以优化施肥、灌溉和作物管理等决策。
在环境监测领域，ENVI高光谱分析可以检测和监测大气污染、水体污染、土壤侵蚀等环境问题。
ENVI对SAR数据的预处理过程详细版合成孔径雷达（Synthetic Aperture Radar，简称SAR）是一种主动遥感技术，通过发射雷达脉冲，并接收其回波来获取地面的图像信息。
ENVI是一种常用的遥感数据处理软件，可以用来对SAR数据进行预处理、图像增强和地物提取等操作。
下面将详细介绍ENVI对SAR数据的预处理过程。
SAR数据预处理主要包括数据读取、辐射定标、多视同相运算、滤波和几何校正等步骤。
首先，打开ENVI软件，加载SAR数据。
在ENVI中，可以选择File -> Open菜单，然后选择SAR数据文件进行载入。
接下来，进行辐射定标，将原始SAR数据转换为幅度或强度图像。
SAR数据的辐射定标是将回波强度转换为真实物理值的过程。
辐射定标的目的是根据接收到的雷达回波信号的强度，恢复出地物散射系数的物理量级。
ENVI提供了多种辐射定标方法，可以根据数据的特点选择合适的方法进行定标。
接下来，进行多视同相运算。
SAR数据在地形起伏影响下会出现像素间的相位差，导致地物在图像中出现模糊。
多视同相运算是通过多个视角拍摄的SAR图像之间的相位差来消除地形影响，获得更清晰的图像。
ENVI提供了多视同相运算的功能，在菜单中选择SAR -> SAR Geocode ->Multi-look进行设置和运算。
然后，进行滤波处理。
滤波是为了去除图像中的噪声和干扰，提高图像质量。
常用的滤波方法有均值滤波、中值滤波、高斯滤波等。
ENVI提供了多种滤波方法，在菜单中选择SAR -> Speckle Reduction可以对SAR图像进行滤波处理。
最后，进行几何校正。
几何校正是将SAR图像与地理坐标系统对齐，使其与其他地理信息数据进行叠加和分析。
ENVI提供了几何校正的功能，在菜单中选择SAR -> SAR Geocode -> Geocoding进行设置和处理。
在进行SAR数据预处理时，还需要注意一些事项。
本小节包括以下内容：∙ ∙ ●数据预处理一般流程介绍∙ ∙ ●预处理常见名词解释∙ ∙ ●ENVI中的数据预处理1、数据预处理一般流程数据预处理的过程包括几何精校正、配准、图像镶嵌与裁剪、去云及阴影处理和光谱归一化几个环节，具体流程图如图所示。
图1数据预处理一般流程各个行业应用会有所不同，比如在精细农业方面，在大气校正方面要求会高点，因为它需要反演；在测绘方面，对几何校正的精度要求会很高。
2、数据预处理的各个流程介绍（一）几何精校正与影像配准引起影像几何变形一般分为两大类：系统性和非系统性。
系统性一般有传感器本身引起的，有规律可循和可预测性，可以用传感器模型来校正；非系统性几何变形是不规律的，它可以是传感器平台本身的高度、姿态等不稳定，也可以是地球曲率及空气折射的变化以及地形的变化等。
在做几何校正前，先要知道几个概念：地理编码：把图像矫正到一种统一标准的坐标系。
地理参照：借助一组控制点，对一幅图像进行地理坐标的校正。
图像配准：同一区域里一幅图像（基准图像）对另一幅图像校准影像几何精校正，一般步骤如下，（1）GCP（地面控制点）的选取这是几何校正中最重要的一步。
可以从地形图（DRG）为参考进行控制选点，也可以野外GPS测量获得，或者从校正好的影像中获取。
选取得控制点有以下特征：1、GCP在图像上有明显的、清晰的点位标志，如道路交叉点、河流交叉点等；2、地面控制点上的地物不随时间而变化。
GCP均匀分布在整幅影像内，且要有一定的数量保证，不同纠正模型对控制点个数的需求不相同。
卫星提供的辅助数据可建立严密的物理模型，该模型只需9个控制点即可；对于有理多项式模型，一般每景要求不少于30个控制点，困难地区适当增加点位；几何多项式模型将根据地形情况确定，它要求控制点个数多于上述几种模型，通常每景要求在30-50个左右，尤其对于山区应适当增加控制点。
（2）建立几何校正模型地面点确定之后，要在图像与图像或地图上分别读出各个控制点在图像上的像元坐标（x，y）及其参考图像或地图上的坐标（X，Y），这叫需要选择一个合理的坐标变换函数式（即数据校正模型），然后用公式计算每个地面控制点的均方根误差（RMS）根据公式计算出每个控制点几何校正的精度，计算出累积的总体均方差误差，也叫残余误差，一般控制在一个像元之内，即RMS<1。
（3）图像重采样重新定位后的像元在原图像中分布是不均匀的,即输出图像像元点在输入图像中的行列号不是或不全是正数关系。
因此需要根据输出图像上的各像元在输入图像中的位置，对原始图像按一定规则重新采样，进行亮度值的插值计算，建立新的图像矩阵。
常用的内插方法包括：1、最邻近法是将最邻近的像元值赋予新像元。
该方法的优点是输出图像仍然保持原来的像元值，简单，处理速度快。
但这种方法最大可产生半个像元的位置偏移，可能造成输出图像中某些地物的不连贯。
2、双线性内插法是使用邻近4个点的像元值，按照其距内插点的距离赋予不同的权重，进行线性内插。
该方法具有平均化的滤波效果，边缘受到平滑作用，而产生一个比较连贯的输出图像，其缺点是破坏了原来的像元值。
3、三次卷积内插法较为复杂，它使用内插点周围的16个像元值，用三次卷积函数进行内插。
这种方法对边缘有所增强，并具有均衡化和清晰化的效果，当它仍然破坏了原来的像元值，且计算量大。
一般认为最邻近法有利于保持原始图像中的灰级，但对图像中的几何结构损坏较大。
后两种方法虽然对像元值有所近似，但也在很大程度上保留图像原有的几何结构，如道路网、水系、地物边界等。
（二）数字图像镶嵌与裁剪镶嵌当研究区超出单幅遥感图像所覆盖的范围时，通常需要将两幅或多幅图像拼接起来形成一幅或一系列覆盖全区的较大的图像。
在进行图像的镶嵌时，需要确定一幅参考影像，参考图像将作为输出镶嵌图像的基准，决定镶嵌图像的对比度匹配、以及输出图像的像元大小和数据类型等。
镶嵌得两幅或多幅图像选择相同或相近的成像时间，使得图像的色调保持一致。
但接边色调相差太大时，可以利用直方图均衡、色彩平滑等使得接边尽量一致，但用于变化信息提取时，相邻影像的色调不允许平滑，避免信息变异。
裁剪图像裁剪的目的是将研究之外的区域去除，常用的是按照行政区划边界或自然区划边界进行图像的分幅裁剪。
它的过程可分为两步：矢量栅格化和掩膜计算（Mask）。
矢量栅格化是将面状矢量数据转化成二值栅格图像文件，文件像元大小与被裁剪图像一致；把二值图像中的裁剪区域的值设为1，区域外取0值，与被裁剪图像做交集运算，计算所得图像就是图像裁剪结果。
（三）大气校正遥感图像在获取过程中，受到如大气吸收与散射、传感器定标、地形等因素的影响，且它们会随时间的不同而有所差异。
因此，在多时相遥感图像中，除了地物的变化会引起图像中辐射值的变化外，不变的地物在不同时相图像中的辐射值也会有差异。
利用多时相遥感图像的光谱信息来检测地物变化状况的动态监测，其重要前提是要消除不变地物的辐射值差异。
辐射校正是消除非地物变化所造成的图像辐射值改变的有效方法，按照校正后的结果可以分为2种，绝对辐射校正方法和相对辐射校正方法。
绝对辐射校正方法是将遥感图像的DN(Digital Number)值转换为真实地表反射率的方法，它需要获取影像过境时的地表测量数据，并考虑地形起伏等因素来校正大气和传感器的影响，因此这类方法一般都很复杂，目前大多数遥感图像都无法满足上述条件。
相对辐射校正是将一图像作为参考（或基准）图像，调整另一图像的DN值，使得两时相影像上同名的地物具有相同的DN值，这个过程也叫多时相遥感图像的光谱归一化。
这样我们就可以通过分析不同时相遥感图像上的辐射值差异来实现变化监测。
因此，相对辐射校正就是要使相对稳定的同名地物的辐射值在不同时相遥感图像上一致，从而完成地物动态变化的遥感动态监测。
3、ENVI中的数据预处理介绍（一）几何精校正与影像配准（1）选择几何校正模型ENVI中支持有大多数商业化卫星的几何校正模型，如QuickBird、Ikonos、Spot1-5、P6、WorldView-1等，一般的校正模型包括二次多项式、仿射变换和局部三角网。
图2 几何校正模型控制点选择方式可以是从影像上，也可以从矢量数据或者野外实测等。
图3 控制点选择方式选择控制点也非常的方便，包含了误差的结算。
图4 控制点选择重采样方式包含了三种方法。
图5 重采样方式（二）数字图像镶嵌与裁剪镶嵌ENVI支持有地理参照和没有地理参照影像数据的镶嵌，能够自动对镶嵌影像进行颜色平衡，并提供了多种影像增强和直方图匹配工具，可以最大限度地消除镶嵌影像间的色调和颜色差异多种色彩平衡方法图6 颜色校正设置多种接边线编辑方式。
图7 接边线镶嵌裁减在ENVI中做裁减的方法非常的多，提供多种方法进行图像的空间裁剪获得子区，包括：手动输入行列数、从图像中交互选择区域、输入地理坐标范围、和另外图像文件的交集、使用滚动窗口中的图像和通过感兴趣区域。
图8 影像的裁剪（三）大气校正ENVI的大气校正模块为FLAASH。
详细情况参见帖子：ENVI中的大气校正模块（FLAASH）的使用说明。
遥感的最终成果之一就是从遥感影像上获取信息，遥感分类是获取信息的重要手段。
同时遥感分类也是目前遥感技术中的热点研究方向，每年都有新的分类方法推出。
本小节主要内容：∙ ∙●遥感分类基本概念∙ ∙●常见遥感分类方法ENVI中的分类工具1、遥感分类遥感影像通过亮度值或像元值的高低差异（反映地物的光谱信息）及空间变化（反映地物的空间信息）来表示不同地物的差异，这是区分不同影像地物的物理基础。
遥感影像分类就是利用计算机通过对遥感影像中各类地物的光谱信息和空间信息进行分析，选择特征，将图像中每个像元按照某种规则或算法划分为不同的类别，然后获得遥感影像中与实际地物的对应信息，从而实现遥感影像的分类。
不同的地物具有不同的波谱特征，同类的地物具有相似的波谱特征，由不同探测波段组成的多波段数字图像是地物特征的量化，遥感影像分类正是基于影像中所反映的同类地物的光谱相似性和异类地物的光谱差异性的基础上进行的，根据影像的特征向量，建立判别函数，最终实现将遥感影像自动分成若干地物类型。
遥感影像分类由于遥感影像的数据量大和成像复杂等特点，使得遥感影像具有一些特点和原则。
遥感影像分类比起一般的数字影像分类具有自身的特点，概况来讲遥感影像分类的特点有如下几点：（1）数据量大。
遥感影像通常具有较多的光谱波段，每个像元在不同波段具有不同的波谱特征，所以遥感影像分类是处理多波段的运算。
（2）复杂性。
虽然大多数的地物符合“同类地物具备相同的波谱特征，不同地物具有不同的波谱特征”的原则，但是大多数情况下，研究的同类地物会具有不同的光谱特征，即“同物异谱”，而相同的光谱特征表示了不同的地物，即“异物同谱”。
（3）需要预处理。
在对遥感影像分类前，往往需要做一定的预处理，原始影像的特征波段间往往存在比较强的相关性，同时由于处理多波段遥感数据的计算量大的原因，在分类前采用特征判别，决定一定的预处理方法，不但可以减少计算量，同时为可以处理多波段数据提供一种方式。
遥感影像分类方法可以归纳为两类：监督分类与非监督分类。
2、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是ISODATA、链状方法等。
遥感影像的非监督分类一般包括以下6个步骤：图1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。
3、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：（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。
