《ENVI培训教程》PPT课件

ENVI培训教程,北京星图环宇科技王志成zcwan1422006.1.7,主要内容,ENVI功能简介数据显示和基本操作影像地理坐标地位和配准基于影像自带几何信息的地理坐标定位正射纠正影像镶嵌影像融合矢量叠合和分析专题制图地形工具和三维飞行高光谱分析,ENVI功能简介,ENVI的安装ENVI的启动ENVI的菜单系统,数据显示和基本操作,数据打开数据显示鼠标按键的使用影像剖面信息感兴趣区域影像标注叠加方里网交互式拉伸,影像地理坐标定位和配准,查看影像的坐标信息影像到影像的配准GCP的选择自动匹配点的选取配准参数的设置影像到地图的配准#1envidatabldr_reg,基于影像自带几何信息的地理坐标定位,构建GLT（几何查找表）几何信息查找表文件包含了行和列的对应信息，这样就将输出影像中的每一个像素同输入影像联系起来。如果GLT值是正值，那么就会进行精确的像素匹配。如果GLT值是负值，无法进行精确的像素匹配，只能使用最临近的像素进行匹配。通过GLT纠正影像通过IGM（输入几何信息数据文件）纠正影像输入的几何信息文件(IGM)包含了在指定地图投影下，未校正过的输入影像的每一个像素的X和Y的地图坐标。,正射纠正,使用ENVI进行正射校正的步骤进行内定向(InteriorOrientation，仅对航空相片)：内定向建立相机参数和航空像片之间的关系。它将使用航片间的条状控制点、相机框标和相机的焦距，来进行内定向。进行外定向：把航片或者卫片上的地物点同实际已知的地面位置和高程联系起来。通过选取地面控制点，输入相应的地理坐标，来进行外定向。使用数字高程模型进行正射校正：这一步将对航片和卫片进行真正的正射校正。校正过程中将使用定向文件、卫星位置参数、以及共线方程。基于RPC模型ENVI能够对QuickBird、OrbView-3、SPOT、IKONOS数据进行基于RPC模型的纠正。RPC纠正不需要DEM，（尽管使用DEM文件能够进行更精确的校正），也不需要地面控制点。,影像镶嵌,基于像元的镶嵌基于地理坐标的镶嵌羽化色彩平衡1#avmosaic,影像融合,手动融合自动融合#1lontmsp,矢量叠合和分析,矢量数据的显示支持的矢量格式，转换为ENVI的内部矢量格式evf格式可用矢量列表鼠标按键的操作矢量数据的属性查询矢量属性查看、属性的查询矢量的编辑,专题制图,快速制图模板允许用户设定地图比例、输出页的大小以及方位，能够选择影像的空间子集进行制图，还可以方便地添加基本地图要素如地图公里网、比例尺、地图标题、标识、地图投影信息和其它基本地图注记。此外ENVI快速制图输出中的自定义注记功能允许插入图例、三北方向图表、箭头、影像或绘制图、附加的文本等要素。自定义标注文字和符号注记、形状注记、地图比例尺注记、图例注记、色标注记、嵌入式影像注记,影像分类,非监督分类监督分类决策树分类分类后处理,非监督分类K均值（K-Means）分类非监督法分类使用统计手段，把N维数据归类到它们本身具有的波谱类中。K均值非监督分类器使用了聚类分析方法，它需要用户在数据中选定所需的分类个数，随机地查找聚类簇的中心位置，然后迭代地重新配置它们，直到达到最优化的波谱分类IsoData(迭代自组织数据分析技术)IsoData非监督分类法将计算数据空间中均匀分布的类均值，然后用最小距离规则将剩余的像元进行迭代聚合。每次迭代都重新计算均值，且根据所得的新均值，对像元进行再分类。这一处理过程持续到每一类的像元数变化少于所选的像元变化阈值或者达到了迭代的最大次数。,监督分类平行六面体法平行六面体使用一条简单的判定规则对多光谱数据进行分类。判定边界在影像数据空间中是否形成了一个N维的平行六面体。平行六面体的尺度是由标准差阈值所确定的，而该标准差阈值则是根据每种所选类的均值求出。最小距离法最小距离分类使用了每个感兴趣区的均值矢量，来计算每一个未知像元到每一类均值矢量的欧氏距离。除非用户指定了标准差和距离的阈值，否则所有像元都将分类到感兴趣区中最接近的那一类。,最大似然法最大似然分类假定每个波段中每类的统计都呈正态分布，并将计算出给定像元属于特定类别的概率，除非选择一个概率阈值，否则所有像元都将参与分类。每一像元都将被归到概率最大的那一类中。马氏距离法马氏距离分类是一个方向敏感的距离分类器，它分类时将使用到统计信息，它与最大似然分类有些类似，但是它假定了所有类的协方差都相等，所以它是一个较快的分类方法。除非用户指定了距离的阈值，否则所有像元都将分类到感兴趣区中最接近的那一类。,二值编码法二值编码分类技术将根据波段值落在波谱均值的下方或者上方的情况，把数据波谱和端元波谱编码为0或者1。“异或”逻辑函数被用来将每一种编码后的参考波谱同编码后的数据波谱进行比较，生成一幅分类影像。波谱角法波谱角填图分类法（SAM)是一个基于物理的波谱分类法，它是用N维角度将像元与参考波谱进行匹配。该算法将波谱看作是空间的矢量，矢量的维数就等于波段的个数，通过计算波谱间的角度，来判断两个波谱间的相似度。,规则影像ENVI生成的影像，其像元值会被用于生成分类影像。这些可选择行生成的影像允许进行用户对分类的结果进行评估，如果需要还可用根据指定的阈值，重新进行分类。这些灰阶规则影像，每一个对应于分类中所用的某个感兴趣区或者某个端元波谱。,决策树分类专家知识分类决策树能够基于数据集中可用的属性特征进行搭建。,分类后处理分类统计混淆矩阵聚合和筛选操作（ClumpandSieve）聚合和筛选处理提供了综合分类影像的手段。通常先对分类影像进行筛选处理，根据设定的大小阈值，移除孤立的像元，然后再进行聚合处理，把相邻的相似类合并为一类，使已存在的类更具有空间一致性。将分类转为矢量,地形工具和三维飞行,地形建模用来获取地貌的测量值，这些测量值包括坡度、坡向、阴影地貌影像、轮廓曲率、平面曲率、纵向曲率、横向曲率、最小曲率、最大曲率以及均方根(RMS)误差。地形特征参数用来产生额外的地形特征参数(山峰、山脊、平原、位面、河道或沟谷)，这些地形特征参数有助于描绘地形。三维飞行,高光谱分析,最小噪声变换(MNF)最小噪音分离(MNF)变换用于确定影像数据内在的维数，隔离数据中的噪声，减少随后处理计算的需求。MNF本质上含有两次叠置处理的主成分变换。第一次变换基于对噪声协方差矩阵的估计，用于分离和重新调节数据中的噪声。第一步产生的变换数据中噪声具有单位方差，且波段间不相关。第二步将对白化的噪声数据进行标准主成分变换。为了进行进一步的波谱处理，通过分析最终特征值和其相关影像来判定数据内在的维数。数据空间分为两部分：一部分与大的特征值和相对应的特征影像相关，其余部分与接近一致的特征值以及主要含有噪声的影像联系在一起。,高光谱分析,像元纯净指数(PPI)纯净像元指数是一种在多波谱和高光谱影像中寻找波谱最纯净的像元的方法。通过，波谱最纯净的像元与混合的端元相对应。像元纯净指数通过迭代将N维散点图映射为一个随机单位向量来计算。每次映射的纯净像元被记录下来，并且每个像元被标记为纯净像元的总次数