【文章內(nèi)容簡(jiǎn)介】 m窗口進(jìn)行畫(huà)線，定義范圍，注意選擇線的粗細(xì)和顏色（ 畫(huà)線注意：一定要將線的頭尾畫(huà)到影像的邊緣，左鍵開(kāi)始，右鍵結(jié)束，右鍵確定 ）； ? 添加標(biāo)記： Annotation： Rectangle 窗口 — Object— Symbol— 選擇符號(hào) — 更改顏色和大小 — 將標(biāo)記加在不要的影像一邊； ? 畫(huà)好線、添加完標(biāo)記以后，進(jìn)行存儲(chǔ)： Annotation： Rectangle 窗口 — File— Save Annotation— 確定路 徑和文件名，保存為： *.ann文件； ? Import— Import Files— 引入要鑲嵌的影像； ? 分別選擇影像 — 右鍵點(diǎn)擊 — Edit Entry， Cutline Feathering— Select Cutline Annotation File引入 *.ann文件，給定 Cutline羽化值， OK。 4）勻光： envidata\avmosic\； Entry— Color Balancing— 分別確定基準(zhǔn)影像和調(diào)整影像 — Ok。 七、彩色空間變換及影像融合 1)自動(dòng)融合：如果影像沒(méi)有地理坐標(biāo)，需要對(duì)像元大小進(jìn)行調(diào)節(jié)，影像進(jìn)行重采樣，融合的影像 地理位置相同，行列數(shù)相同。 Transform－ Image Sharping－ HSV HSV（ hue, saturation, and value：色調(diào)，飽和度，數(shù)值） HLS（ hue, Lightness, saturation： 色調(diào)，亮度，飽和度） envidata\lontmsp\lon_sopt； lnt_tm， ； ： TM影像的行列數(shù)為 1007 560；SPOT影像的行列數(shù)為 2820 1569；兩影像的范圍一致，像元需要調(diào)節(jié)的系數(shù)為 2820/1007＝ ； 1569/560＝ 。 2)手動(dòng)融合： 融合前需調(diào)整為分辨率一致，尺寸一致。 A、 選擇多光譜波段組合，調(diào)色，突出地物反差，存儲(chǔ)； B、 高分辨率全色波段增強(qiáng)（濾波等），存儲(chǔ)；（本步驟可選） C、多光譜影像和多分辨率全色波段需要調(diào)整為統(tǒng)一空間分辨率，且裁為尺寸大小一致；（用Basic Tools— ResizeData可實(shí)現(xiàn)空間重采樣和取子區(qū)） D、 對(duì)多光譜影像進(jìn)行彩色空間變換；（ Transform－ Color Transforms－ RGB to HSV（ USGS Munsell）） E、將高分辨率全色波段與彩色空間變換后的 V 波段進(jìn)行直方圖匹配，并存為 V 波段的數(shù)據(jù)類型；（本步比較關(guān)鍵，否則融合之后的結(jié)果較原始多光譜色調(diào)會(huì)有很大差異） （ 1） 分別將高分辨率全色波段和 V 波段的直方圖打開(kāi)（ Image 窗口： Enhance－ Interactive Stretching） （ 2） 在高分辨率全色波段影像的直方圖窗口中，選擇 Options－ Histogram Parameters，分別將 Histogram Min和 Histogram Max的值改為 V波段影像的對(duì)應(yīng)值?；剀?chē)確認(rèn)。 （ 3） 在高分辨率全色波段影像的直方圖窗口中，將 Stretch_type選為 Arbitrary,以便于用指定的直方圖曲線來(lái)拉伸。 （ 4） 用鼠標(biāo)將 V 波段影像直方圖的輸入拖動(dòng)至在高分辨率全色波段影像的直方圖的輸出窗口中，然后按“ apply” 應(yīng)用。 （ 5） 在高分辨率全色波段影像的直方圖窗口中，選擇 File— Export Stretch，將“ Output Data Type” 改為“ Floating Type” ，然后給定文件名存儲(chǔ)。 F、 彩色空間變換的反變 換。（ Transform－ Color Transforms－ HSV to RGB（ USGS Munsell）），用 H、 S和經(jīng)過(guò) E步驟處理的高分辨率全色波段影像進(jìn)行反變換即可。 G、 對(duì)融合后的影像進(jìn)行色調(diào)（如需要） 八、 定義感興趣區(qū)及分類 主窗口 — Classification：監(jiān)督分類，非監(jiān)督分類，決策樹(shù)分類。 2） 監(jiān)督分類： 按照分類以前自定義的樣本進(jìn)行分類。 ? 樣本選擇：主影像窗口 — Tools— Region Of Interest— ROI Tool 調(diào)出感興趣區(qū)工具窗口進(jìn)行樣本選擇，可以進(jìn)行樣本編輯（名稱 ，顏色，填充方式等），樣本選擇越精確，分類結(jié)果越好。 ? 選擇分類方式：分類方式包括平行六面體法、最短距離法、馬氏距離法、最大似然法、波譜角分類以及二進(jìn)制編碼法等，選擇合適的分類方式。 ? 引入影像 — 確定分類范圍和波段 — 選擇樣本 — 給定閾值 — 確定存儲(chǔ)路徑和文件名 — OK。 平行六面體法： 用一條簡(jiǎn)單的判定規(guī)則對(duì)多波譜數(shù)據(jù)進(jìn)行分類。判定邊界在圖像數(shù)據(jù)空間中，形成了一個(gè) N維平行六面體。平行六面體的維數(shù)由來(lái)自每一種選擇的分類的平均值的標(biāo)準(zhǔn)差的閾值確定。如果像元值位于 N個(gè)被分類波段的低閾值與高閾值之間，則它歸屬于這一類。如果像元 值落在多個(gè)類里，那么 ENVI將這一像元?dú)w到最后一個(gè)匹配的類里。沒(méi)有落在平行六面體的任何一類里的區(qū)域被稱為無(wú)類別的。 最短距離法： 用到每一個(gè)終端單元的均值矢量，計(jì)算每一個(gè)未知像元到每一類均值矢量的歐幾里德距離。所有像元都被歸為最近的一類，除非限定了標(biāo)準(zhǔn)差和距離的極限（這時(shí)，會(huì)出現(xiàn)一些像元因不滿足選擇的標(biāo)準(zhǔn)，而成為“無(wú)類別”）。 馬氏距離法： 是一個(gè)方向靈敏的距離分類器，分類時(shí)用到了統(tǒng)計(jì)。它與最大似然分類有些類似，但是假定所有類的協(xié)方差相等，所以是一種較快的方法。所有像元都被歸到最臨近的 ROI類，除非用戶限定了一 個(gè)距離閾值（這時(shí)，如果一些像元不在閾值內(nèi)，就會(huì)被劃為無(wú)類別）。 最大似然法： 假定每個(gè)波段每一類統(tǒng)計(jì)呈均勻分布，并計(jì)算給定像元屬于一特定類別的可能性。除非選擇一個(gè)可能性閾值，所有像元都將參與分類。每一個(gè)像元被歸到可能性最大的那一類里。 波譜角分類： （ SAM）是一個(gè)基于自身的波譜分類，它是用 n維角度將像元與參照波譜匹配。這一算法是通過(guò)計(jì)算波譜 間的角度（將它們處理為具有維數(shù)等于波段數(shù)的空間矢量），判定兩個(gè)波譜間的類似度。這一技術(shù)用于校準(zhǔn)反射數(shù)據(jù)時(shí)，對(duì)照明和反照率的影響相對(duì)不靈敏。SAM 用到的終端單元波譜可以來(lái)自 ASCII文件、波譜庫(kù)或直接從圖像中抽取（作為 ROI平均波譜）。 SAM 將終端單元波譜矢量和每一個(gè)像元矢量放在 n維空間比較角度。較小的角度代表與參照波譜匹配緊密。遠(yuǎn)離指定的弧度閾值最大角度的像元被認(rèn)為無(wú)法分類。 二進(jìn)制編碼法： 將數(shù)據(jù)和終端單元波譜編碼為 0和 1（基于波段是低于波譜平均值，還是高于波譜平均值）?！爱惢颉边壿嫼瘮?shù)用于對(duì)每一種編碼 的參照波譜和編碼的數(shù)據(jù)波譜進(jìn)行比較，生成一幅分類圖像。所有像元被分類到與其匹配波段最多的終端單元一類里，除非指定了一個(gè)最小匹配閾值（這時(shí)，如果一些像元不符合標(biāo)準(zhǔn)，它們將不參與分類）。 樣本提純技術(shù)： Spectral— n Dimensional Visualizer N維散度可視分析，是 ENVI比較有特色的功能，可以使樣本更加純凈，提高分類精度。 3） 非監(jiān)督分類： 僅僅用統(tǒng)計(jì)方法對(duì)數(shù)據(jù)集中的像元進(jìn)行分類，不需要樣本。 ? Isodata（獨(dú)立數(shù)據(jù)）非監(jiān)督分類計(jì)算數(shù)據(jù)空間中均勻分布的類均值，然后用最小距離技術(shù)將剩余像 元迭代聚集。每次迭代重新計(jì)算均值，且用這一新的均值對(duì)像元進(jìn)行再分類。重復(fù)分類是分割、融合和刪除基于輸入的閾值參數(shù)的。除非限定了標(biāo)準(zhǔn)差和距離的閾值（這時(shí)，如果一些像元不滿足選擇的標(biāo)準(zhǔn)，就無(wú)法參與分類），所有像元都被歸到與其最臨近的一類里。這一過(guò)程持續(xù)到每一類的像元數(shù)變化少于選擇的像元變化閾值或已經(jīng)到了迭代的最多次數(shù)。 （ 2） IsoData法：也稱為迭代自組織數(shù)據(jù)分析算法。它與 K_Means算法有兩點(diǎn)不同：第一，它不是每調(diào)整一個(gè)樣本的類別就重新計(jì)算一次各類樣本的均值，前者稱為逐個(gè)樣本修正法，后者稱為成批樣本修正 法；第二， ISODATA算法不僅可以通過(guò)調(diào)整樣本所屬類別完成樣本的聚類分析，而且可以自動(dòng)地進(jìn)行類別的“合并”和分裂，從而得到類數(shù)比較合理的聚類結(jié)果。 ? KMeans（ K均值）非監(jiān)督分類計(jì)算數(shù)據(jù)空間上均勻分布的最初類均值，然后用最短距離技術(shù)重復(fù)地把像元聚集到最近的類里。每次迭代重新計(jì)算均值，且用這一新的均值對(duì)像元進(jìn)行再分類。除非限定了標(biāo)準(zhǔn)差和距離的閾值（這時(shí)，如果一些像元不滿足選擇的標(biāo)準(zhǔn)，就無(wú)法參與分類），所有像元都被歸到與其最臨近的一類里。這一過(guò)程持續(xù)到每一類的像元數(shù)變化少于選擇的像元變化閾值或已經(jīng)到了迭 代的最多次數(shù)。 （ 1） K_Means法：其準(zhǔn)則是使每一聚類中，多模式點(diǎn)到該類別的中心的距離的平方和最小。其基本思想是，通過(guò)迭代，逐次移動(dòng)各類的中心，直至得到最好的聚類結(jié)果為止。 4） 決策樹(shù)分類：基于知識(shí)的分類，可以同時(shí)應(yīng)用影像和 DEM信 息進(jìn)行分類。 envidata\decision\； ? {NDVI} ge 將植被和非植被區(qū)分開(kāi)來(lái)； ? {slope} lt 20 將坡上的植被和坡下的植被區(qū)分開(kāi)來(lái)； ? {aspect} lt 20 or {aspect} gt 340 將陰坡和陽(yáng)坡區(qū)分開(kāi)來(lái)； ? b4 lt 20 因?yàn)榈谒牟?段（ b4）對(duì)水體比較敏感，所以應(yīng)用 b4， 將非植被中的水體區(qū)分開(kāi)來(lái)； ? b1 eq 0 由于邊緣的值均為 0，小于 20，所以被分入水體類，應(yīng)用 b1，將邊緣和水體區(qū)分開(kāi)來(lái)。 NDVI（ Normalized Difference Vegetation Index）歸一化植被指數(shù)：是一個(gè)普遍應(yīng)用的植被指數(shù)，將多波譜數(shù)據(jù)變換成唯一的圖像波段顯示植被分布。 NDVI 值指示著像元中綠色植被的數(shù)量，較高的 NDVI值預(yù)示著較多的綠色植被。 NDVI 變 換可以用于 AVHRR、 Landsat MSS、 Landsat TM、 SPOT 或 AVIRIS 數(shù)據(jù)，也可以輸入其他數(shù)據(jù)類型的波段來(lái)使用。 5） 分類后處理： Classification— Post Classification ? 分類統(tǒng)計(jì)： Classification— Post Classification— Class Statistics： 包括每一類的點(diǎn)數(shù)、最小值、最大值、平均值以及類的每個(gè)波段的標(biāo)準(zhǔn)差等。其中每一類的最小值、最大值