内容发布更新时间 : 2024/12/26 0:59:09星期一 下面是文章的全部内容请认真阅读。
1. 图像的切割分析增强信息提取 2. (取子区)
ENVI:Basic Tools>> Resize Data >> Resize Data Input File对话框(如下图)。 ①选择需要切割的原始图像;②选择Spatial Subset或Spectral Subset方式;③若设置空间切割方式(Spatial Subset>>select Spatial Subset)点击 “Image”;④出现Subset by Image对话框,Subset的尺寸用2种形式,移动图像上的方框或直接填写samples/lines(列/行)值;③?若设置波段范围(Spectral Subset>>File Spectral Subset),选择波段;若要根据已选择的感兴趣区域进行切割,可用ENVI:Basic Tools>>Subset Data via ROIs。若要使用与上次输入的空间大小相同的文件的空间子集,点击 “Previous” 按钮。 注:Resize Data还可以进行图像重采样(如下),若仅仅进行子区的选择,则不要调整Output File Dimensions。* 图像左上角为原点(1.1 --- 列.行)。 “Masking”---把一个空间掩膜应用到图像的某个部分,包括统计、分类、分离(unmixing)、匹配滤波、连续删除(continuum removal)和波谱特征拟合(spectral feature fitting)。 2. 图像的重采样
ENVI:Basic Tools>> Resize Data >> Resize Data Input File对话框选择需要采样的原始图像—OK >>Resize Data Parameters——调整 Output File Dimensions的像元数;选择采用方法 >> 文件 输出
四. 影像分析 影像统计分析
1. 统计特征分析ENVI:Basic Tools>> Statistics >> Computer Statistics
Calculate Statistics Parameters对话框---选择统计类型(Basic、Histogram、Covariance)
2. 主成分分析(ENVI: Transform>>principle compents)
Transforms > Principal Components > Forward PC Rotation > Compute New Statistics and Rotate.---- 选择输入文件--- 选择输出 PC 波段数---“Select Subset from Eigenvalues”---出现 PC EigenValues 绘图窗口(每个节点是PC各分量的特征值,可进一步计算PC各分量的方差百分比)。
3. 相关分析 ENVI:Basic Tools>> Statistics >> Computer Statistics 五.图像增强 (Image:Enhance) 1. 直方图调整
(1) 直方图匹配(Image: Enhance>>Histogram Matching)
至少显示两幅图像,从想更改直方图的图像(如“Display#1—PC1”)中,选择Enhance>>Histogram Matching---?Match To?选择想匹配直方图的图像“Display#2--V” ---“OK”,保存直方图匹配后的PC1?。
查看两图像(PC1?与V)直方图:点右键Interactive Stretching或 选择 Functions > Interactive Stretching显示直方图;若需?图像替代?则要求两直方图输入值相同,—可根据两直方图输入值的关系,通过?Band Math?使两直方图数值相同(PC1?变为PC1??)---保存PC1??,可为下一步PC1??图像替代V,进行HSV-RGB反变换作准备。
(2) 直方图的交互式拉伸(Image: Enhance>>Interactive Stretching )
ENVI 用 2% 的系统默认线性拉伸值来显示所有图像(两边均舍去信息量的2%),经过这样处理后合成的假彩色图像层次分明、地物差异大,各类地物易于判别。
注:多在Scroll窗口对全局调整,分别调整R、G、B,使彩色更丰富(一般R、G敏感,B线性即可)。 2. 彩色变换(ENVI: Transform>>Color Transform)包括?HSV-色调、饱和度、数值?变换,?HLS--色调、亮度、饱和度?变换等。 3. MNF变换
最小噪声分离(Minimum Noise Fraction,MNF)变换是同主分量变换相似的一种方法,它被用来分离数据中的噪声,确定数据内在的维数,减少随后处理的计算量(Green 等人,1988;Boardman和Kruse,1994)。 六.专题信息提取
1. 波段运算获取不同专题信息 ENVI: Basic Tools>>band math 例:Newband=band5-band4 具体操作是:
打开Band Math对话框(如右图),在Enter an expression中键入:b5-b4,点击OK后将会出现Variables to Bands Pairings对话框。从可利用波段列表中,分别选择b5和b4代表的波段,并键入待输出的文件名,点击OK即可。
2. NDVI的提取:> NDVI(vegetation Index)
NDVI(Normalized Difference Vegetation Index)归一化植被指数:是一个普遍应用的植被指数,将多波谱数据变换成唯一的图像波段显示植被分布。NDVI 值指示着像元中绿色植被的数量,较高的NDVI值预示着较多的绿色植被。NDVI 变换可以用于 AVHRR、Landsat MSS、Landsat TM、SPOT 或 AVIRIS 数据,也可以输入其他数据类型的波段来使用。 3. 缨帽变换ENVI: Transform>>Tasseled Cap 5. 定义感兴趣区(ROI)及分类
监督分类(Supervised Classification)
监督分类:按照分类以前自定义的样本进行分类。 1. 训练样本的选择和优化
1)训练样本的提取(ROI区的选择)
ENVI: Basic Tools >> Region Of Interest>> ROI tool调出感兴趣区工具窗口进行样本选择(注意:必须事先打开一幅图像),可以进行样本编辑(名称,颜色,填充方式等),样本选择越精确,分类结果越好。感兴趣区工具窗口的打开方式还有:Image:Overlay>>Region of Interest,或者直接在图像窗口上点击鼠标右键,再选择ROI Tool。
根据前面的背景资料和预处理结果选择分类图像,建立各类地物的训练区。各类地物的解译标志,即地物的明显特征是最重要的选择标准。根据其在影像上表现出的色调、纹理等特征,通过目视解译方法用鼠标在工作区影像图上选择其训练区,并使训练区的分布尽量均匀。在实际的工作中,由于存在“同物异谱”的情况,因此对于同一种类型可能有多种不同的特征。为此,我们可以对同一地物选择多个训练区,分类后再合并。 感兴趣工具窗口见下图。
提取训练样本的具体操作如下: (1)确定ROI的提取类型(ROI>Polygon, Polyline, Point, Rectangel, Ellipse)和待操作窗口(主图像窗口、滚动窗口或缩放窗口)。
(2)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),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。
(3)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。
2)训练样本的优化和提纯ROI
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。N维可视化分析器(N — Dimensional Visualizer)即是对选择的训练区像元进行提纯。当某些像元始终聚集在一起运动时,这些就是所需的最纯像元;若在运动时,像元分成了两个部分,则说明选择了两类地物的训练区,需把此训练区像元分开处理。 ROI>Export ROIs to n-D Visualizer >> n-D Control; n-D Visualizer 让训练区像元在n维空间内自由转动(可以控制转动速度Speed),当转到最能区分各类型训练区像元的位置时,停止转动,进行样本提纯操作。即: (1)在n-D Visualizer窗口中用鼠标选择某类训练区的纯像元并点击鼠标右键确定(可进行多次选择),再次单击右键>>Export Class,提纯后的训练区将出现在ROI Tool窗口中。
(2)进行下一个类型训练区的提纯时,首先要在n-D Visualizer窗口中单击右键>>New Class,下面的操作如前。如此,完成所有训练区的提纯。 (3)训练区的保存:ROI>Save ROIs… 2. 选择分类方式
分类方式包括平行六面体法、最短距离法、马氏距离法、最大似然法、波谱角分类以及二进制编码法等,选择合适的分类方式。 1) 最大似然法(Maximum Likelood Classification)
ENVI: Classification >> supervised >>Maximum likelihood >> Classification Input File 选择分类的图像 >> Maximum likelihood Parameters 选择训练样本,设置说明
最大似然分类假定每个波段每一类统计呈均匀分布,并计算给定像元属于一特定类别的可能性。除非选择一个可能性阈值,所有像元都将参与分类。每一个像元被归到可能性最大的那一类里。
在Maximum Likelihood Parameters 对话框中设置一般分类参数,在 “Set Probability Threshold” 文本框里,键入一个阈值(0~1)。选项参数被用来控制像元准确分类的可能性。如果像元的可能性低于所有类的阈值,则它被归为“无类别”,在此,我们一般选择默认值。
2) 波谱角分类法(Spectral Angle Mapper — SAM)
ENVI: Classification >> supervised >> Spectral Angle Mapper >> Classification Input File 选择分类的图像 >> Spectral Angle Mapper Parameters 选择训练