。（2）选择未定义投影影像的Map Info图层，右键单击选择Edit Map Infromation；
（3）在Edit Map Information窗口中编辑地图信息（图2-7）；
（4）点击Change Proj按钮，在弹出的Projection Selection对话框中选择beijing54，点击OK（图2-8）。（5）点击OK完成投影定义。定义坐标后的图像投影信息如图2-9所示。
2.1.2 投影转换（1）选择主菜单Map→Convert Map Projection工具；
（2）在Convert Map Projection Input Image中选择需要转化投影的图像文件（图2-10）；
Spatial Subset：空间裁剪，参考图像裁剪；Spectral Subset：光谱分割，可有选择性的对波段进行处理。
（3）在Convert Map Projection Parameters中点击Change Proj按钮，选择投影类型；
（4）在Projection Selection对话框中选择投影类型，这里选择xi’an80（如果没有选项，参考定义坐标系统），点击OK 按钮；
（5）在Convert Map Projection Parameters中设置转换参数及输出文件和文件名等；
（6）点击OK执行投影转换操作。2.2图像几何校正
遥感图像的几何纠正是指消除影像中的几何形变，产生一幅符合某种地图投影或图形表达要求的新影像。一般常见的几何纠正有从影像到地图的纠正，以及从影像到影像的纠正，后者也称为影像的配准。遥感影像中需要改正的几何形变主要来自相机系统误差、地形起伏、地球曲率以及大气折射等。几何纠正包括两个核心环节：一是像素坐标的变换，即将影像坐标转变为地图或地面坐标；二是对坐标变换后的像素亮度值进行重采样。
2.2.1 影像到影像的几何纠正
1、打开并显示图像文件
在ENVI主菜单栏中，选择File →Open Image File，打开参考影像（这里以SPOT图像为例）和需校正影像（这里以TM图像为例）。它们将分别显示在Display窗口，如图2.12所示。
2、启动几何纠正模块（1）在ENVI主菜单中，选择Map→Registration→Select GCPs：Image to Image，弹出Image to Image Registration几何纠正模块对话框。
（2）选择显示参考影像（SPOT文件）的Display为基准图像的（Base Image），显示需校正影像（TM文件）的Display为待纠正图像（Warp Image）（如图2.13所示）。
（3）点击OK按钮，弹出Ground Control Point Selection对话框，进行地面控制点的采集，如图2.14所示。
| |
| 图2.14 地面控制点选择对话框 | 图2.13 选择基准影像与待纠正影像 |
3、采集地面控制点在图像几何纠正过程中，采集地面控制点是一项重要和繁重的工作，直接影响最后的纠正结果，在实际操作中要特别认真和具有耐心。
（1）在Ground Control Point Selection对话框中，选择Options→ Set Point Colors，设置或修改GCP在可用和不可用状态的颜色。
（2）在两个Display中移动方框位置，寻找明显的地物特征点作为输入GCP。
（3）在Zoom窗口中，点击左小下角第三个按钮，打开定位十字光标，将十字光标分别移到基准影像与待纠正影像相同地物点上。
（4）在Ground Control Point Selection上，单击Add Point按钮，将当前找到的点进行收集。如图2.15所示。
（5）利用同样的方法继续寻找其余的点，当选择控制点的数量达到3时，RMS被自动计算。Ground Control Point Selection上的Predict按钮可用，这时在基准图像显示窗口上面定位一个特征点，单击Predict按钮，纠正图像显示窗口上会自动预测区域，适当调整一下位置，点击Add Point按钮，将当前找到的点收集。随着控制点数量的增多，预测点的精度越来越精确。（6）选择Option→Auto Predict，打开自动预测功能，这时在基准图像显示窗口上面定位一个特征点时，纠正图像显示窗口上会自动预测。当选择一定数量的控制点之后（至少3个），可以利用自动找点功能。
（7）选择Option→Automatically Generate Points，选择一个匹配波段，如选择信息量多Band5，单击OK按钮。
（8）在Automatic Tie Point Method Parameter对话框中。这里设置Tie点的数量（Number of Tie points）：60；其他选择默认参数（图2.16所示），点击OK按钮。
（9）在Ground Control Points Selection上，单击Show List按钮，可以看到选择的所有控制点列表，如图2.17所示。（10）选择Image to Image GCP List上的Option→Order Points by Error，按照RMS值由高到低排序。对于RMS过高，意识直接删除，选择此行，按Delete按钮；二是在两个图像的ZOOM窗口上，将十字光标重新定位到正确的位置，点击Image to Image GCP List上的Update按钮进行微调。当RMS值小于1个像素时（根据实际情况判断最小RMS值），点的数量足够且分布均匀，完成控制点的选择。（11）选择File→Save GCPs to ASCII，将控制点保存。
4、选择纠正参数并输出结果
此处ENVI提供两种输出方式：Warp File和Warp File（as Image Map）
（1）Warp File方式
A.在Ground Control Points Selection上，选择Options→Warp File，选择需纠正图像。B.在纠正参数对话框中（图2.18所示），设置纠正参数；
相关参数说明：
重采样选择双线性（Bilinear），背景值（Back ground）为0。
Output Image Extent：默认是根据基准图像大小计算，可以进行适当调整。
C.选择输出路径和文件名，单击OK按钮。
Warp File纠正方式得到的结果影像，它的尺寸大小、投影参数和像元大小（如果基准图像有投影）都与基准图像一致。
（2）Warp File（as Image Map）方式
A.选择Options→Warp File（as Image Map），选择纠正文件（TM文件）。
B.投影参数不变，在X和Y的像元大小输入30m，按回车键，图像输出大小自动更改。
C.Output Image Extent：默认是根据基准图像大小计算，可以进行适当调整。
D.设置输出路径和文件名，单击OK按钮。
5、检验纠正结果
检验纠正结果的基本方法是：同时在两个窗口中打开图像，其中一幅是纠正后的图像，一幅是基准图像，通过视窗链接（Link Displays）及十字光标或者地理链接（Geographic Link）进行关联。
在显示纠正结果的Image窗口中，从右键快捷菜单中选择Geographic Link命令，选择需要链接的两个窗口，打开十字光标进行查看。
2.2.2 图像到地图的几何纠正
图像到地图的几何纠正纠正过程与图像到图像几何纠正基本类似。采集控制点方式更加灵活，如果控制点需要从不同途径收集或者直接从图上读取后键盘输入，可以采用这种方式，如地形图的纠正。
下面以TM图像为例介绍该种几何纠正。
1、打开并显示图像文件
在ENVI主菜单栏中，选择File →Open Image File，打开需纠正影像。
2、启动几何纠正模块
（1）在ENVI主菜单中，选择Map→Registration→Select GCPs Image to Map：Image to Map，打开几何纠正模块。如图打开了很多显示窗口，还需要选择纠正图像的显示窗口。弹出纠正参数设置选择对话框（Image to Map Registration）；
（2）在Image to Map Registration对话框中，填写纠正图像的投影参数、像元大小（X/Y Pixel Size）。
3、采集地面控制点
地面控制点通过以下几种方式采集（几种方式可以同时采用）。
（1）键盘输入
在纠正图像Display中移动方框位置，寻找明显的地物特征点作为输入GCP。
A.在Zoom窗口中，移动定位十字光标（利用键盘↓↑←→微调），将十字光标定位到地物特征点上；
B.在两个Display中移动方框位置，寻找明显的地物特征点作为输入GCP；
C.在Zoom窗口中，点击左小下角第三个按钮 ，打开定位十字光标，将十字光标移到相同地物点上；
D.在Ground Control Point Selection对话框上，将这个点的坐标x（E）、y（N）值键盘输入；
重复（1）～（3）步骤继续采集其他控制点。当采集到第4个点的时候，可以通过Predict预测功能预测图上大致位置。
（2）从栅格文件中采集
A.打开控制点采集的栅格文件，并在Display中显示；
B.在纠正图像的Display中移动方框位置，寻找明显的地物特征点作为输入GCP；
C.在栅格文件Display中，将Zoom窗口中十字光标定位到相同的地物特征点；
D.在栅格文件Display中，右键打开快捷菜单，选择Pixel Locator，单击Pixel Locator对话框上的Export按钮，系统自动将定位点坐标输入Ground Control Points Selection对话框中的x（E）、y（N）项；
E.重复（1）～（4）步骤采集其他控制点。
（3）从矢量文件中采集
A.在ENVI主菜单中，Open→Open Vector File，在文件选择对话框中，文件类型选择USGS DLG（*.ddf，*.dlg），选择矢量文件；
B.由于不是ENVI的。evf矢量格式文件，ENVI自动会对它进行格式转换。选择输出到内存（Memory），投影参数按照默认设置。
C.在Available Vector List对话框中，单击Load Selected按钮，加载到新的Vector Window中。
D.在纠正图像的Display中移动方框位置，寻找明显的地物特征点作为输入GCP。
E.在Vector Window中，找到相应的区域，按住鼠标中键拉框对矢量数据放大。
F.在放大图上找到相应的位置，单击左键出现十字光标，松开左键后单击右键调出快捷菜单，选择Export Map Location，系统自动将当前的坐标信息输入Ground Control Points Selection对话框中的x（E）、y（N）。
G.重复（4）～（6）步骤采集其他控制点。
在Ground Control Points Selection上，查看RMS值是否符合要求，单击Show List按钮，可以看到选择的所有控制点列表。如果RMS值符合精度要求，点的数量足够且分布均匀，在Ground Control Points Selection上，选择File→Save GCPs to ASCII，将控制点保持，完成控制点采集工作。
4、选择纠正参数输出结果
在Ground Control Points Selection上，选择Option→Warp File，选择纠正文件（TM文件），输出参数设置与图像到图像的几何纠正方式类似。
5、检验纠正结果
将标准矢量数据叠加在纠正结果上，或者与经过纠正的图像显示在Displays中，与纠正结果用Geographic Link命令链接查看地物特征点，检查纠正结果的精度。
2.3图像融合
遥感图像融合就是将不同类型传感器获取的同一地区的图像数据进行空间配准，然后采用一定方法将各图像的优点或互补性有机结合起来产生新图像的技术。遥感图像融合方法通常有IHS变换融合方法、PCA变换融合方法、小波变换融合方法与高通滤波(HPF) 融合方法等。其中，前三种方法最具代表性，也最常用。
2.3.1 HSV融合
在图像处理中经常应用的彩色坐标系统(或称彩色空间) 有两种。一种是由红(R )、绿(G)、蓝(B)三原色组成的彩色空间即RGB 空间。另一种是HSV颜色空间，即亮度(V)，色调(H)和饱和度(S)。HSV颜色空间中三分量V，H，S具有相对性,可分别对它们进行控制，并且能够准确定量地描述颜色特征。
在遥感图像融合中，常常需要把RGB 空间转换为HSV空间，在HSV空间复合不同分辨率的数据，即直接采用全色图像替换多光谱图像的亮度分量V，然后采用最近邻法、双线性内插法或者三次卷积法对HSV颜色空间的色调和饱和度重采样到高分辨率像元尺寸，然后通过逆变换回到RGB颜色空间形成复合图像。
操作步骤如下：
（1）在主菜单中，选择File→Open Image File，打开融合的多光谱图像与高分辨率图像；
（2）在主菜单中，选择Transform→Image Sharpening→HSV命令，打开HSV图像融合对话框，在Select Input RGB Input Bands窗口中选择RGB颜色空间图像（图2-19）；
（3）在Select Input RGB Input Bands窗口中选择RGB颜色空间图像；
（4）在High Resolution Input File窗口中选择输入的高分辨率图像（图2-20）；（5）在HSV Sharpening Parameters窗口中，设置重采样方法以及融合图像的路径和文件名（图2-21）；（6）点击OK执行HSV图像融合（图2-22）。2.3.2 PCA变换融合又称K-L变换法，先是把多光谱图像的特征空间的特征轴旋转到平行于混合集群结构轴的方向去，得到新的特征轴。实际操作是将原来的各个因素指标（这些指标中部分有相关关系）重新组合，组合后的新指标是互不相关的。在由这些新指标组成的新特征轴中，只用前几个分量图像就能完全表征原始集群的有效信息，原始图像中的大多数信息主要集中到前几个主成分中。采用高分辨率图像替换经PCA变换的第一主成分，然后通过主成分逆变换进行PCA变换的融合。
操作步骤如下：
（1）在主菜单中，选择File→Open Image File，打开融合的多光谱图像与高分辨率图像；
（2）在主菜单中，选择Transform→Image Sharpening→PC Spectral Sharpening命令进行PCA变换图像融合；
（3）在Select Low Spatial Resolution Multi Band Input File窗口中选择输入的低分辨率多光谱图像（图2-23）；
（4）在Select High Spatial Resolution Input File窗口中选择输入的高分辨率图像（图2-24）；（5）在PC Spectral Sharpen Parameters对话框中设置重采样方法与融合图像输出的路径和文件名（图2-25）；（6）点击OK完成PCA图像融合操作。2.4图像镶嵌
影像镶嵌是指在一定地数学基础控制下，把多景相邻遥感影像拼接成一个大范围的影响图的过程。
下面以两幅经过几何校正的TM 30米图像为例（文件名分别为mosaic_2和mosaic1_equal），介绍ENVI环境下图像的镶嵌过程。
操作步骤如下：
（1）选择主菜单File→Open Image File，打开要进行拼接的图像（图2-26）；
（2）单击主菜单Map→Mosaicking→Georeferenced，打开图像镶嵌窗口；(3) 在Map Based Mosaic窗口中单击Import→Import Files命令；
（4）在弹出的Mosaic Input Files对话框中选择待拼接的图像文件（图2-27）；
（5）点击OK，把图像加载到了图像镶嵌的窗口中；（6）在图层列表栏中选择需要调整重叠次序的图层，右键点击选择Raise Image to Top或者Raise Image to Position进行重叠次序的调整（图2-28）；
（7）在图层列表栏中选择需要调整重叠次序的图层，右键点击选择Edit Entry对图像镶嵌参数进行设置（图2-29）；
| |
| 图2-28 调整图像重叠次序 | 图2-29 设置图像镶嵌参数 |
相关参数说明：在Edit Entry对话框中，设置Data Value to Ignore:0，忽略0值，Feathering Distance设置羽化半径；
在Entry参数对话框中，单击Select Cutline Annotation File按钮，选择切割线的注记文件；点击按钮进行波段组合设置；
在Color Balancing中对图像进行调色处理，这里选择Adjust对图像mosaic_2.img进行调色；
（8）点击OK，结果如图2-30所示。
（9）点击File菜单下的Save template命令对图像进行虚拟镶嵌；（10）点击File菜单下的Apply命令，打开镶嵌图像保存对话框，设置输出的像元分辨率，重采样方法以及输出文件名等参数，点击OK完成图像的镶嵌和保存（图2-31）。
（11）点击OK进行图像的镶嵌（图2-32）。
| |
| 图2-31图像镶嵌输出参数设置 | 图2-32图像镶嵌结果 |
2.5图像裁剪影像裁剪的目的是将研究区以外的区域去除，经常是按照行政区划或研究区域的边界对图像进行裁剪，在基础数据生产中，还经常要做标准分副裁剪。按照ENVI的图像裁剪过程，可分为规则裁剪和不规则裁剪。
2.5.1规则裁剪
（1）在主菜单中，选择File→Open Image File，打开裁剪的图像；
不对 *****_______________________________________________________________________________________________________________________ （2）在主菜单中，选择Basic Tools→Resize Data (Sptial/Spectral)命令；
（3）在Resize Data Input File对话框中选择需要裁剪的图像（图2-33）；
Spatial Subset按钮在空间上对图像进行裁剪；Spactral Subset按钮在光谱空间上分割。
（4）点击Spatial Subset按钮，设置规则裁剪的方式（图2-34）；
A.基于图像的裁剪，点击区域（图2-35）。
| |
| 图2-34选择图像裁剪方式 | 图2-35基于图像的裁剪 |
Image：通过输入行列数确定裁剪尺寸，按住鼠标左键拖动图像的红色矩形框确定裁剪区域，或者直接用鼠标拖动红色边框来确定裁剪尺寸以及位置；B.基于地图坐标的裁剪，点击选择坐标范围（图2-36）。
Map:通过输入左上角和右下角两点坐标来确定外边界矩形区域（图像必须有地理坐标）；C.基于文件的裁剪，点击选择基准图像。
File:以另外一个图像文件范围为标准确定外边界区域；ROI/EVF：以感兴趣区域或者矢量边界为区域进行裁剪；
Scroll：根据当前放大的（meta zoomed）缩放窗口中的显示区域进行裁剪；
（5）选择输出路径及文件名，点击OK按钮，完成规则图像裁剪（图2-38）。
2.5.2不规则裁剪不规则裁剪是指裁剪图像的边界范围是一个任意多边形，通过事先确定的一个完整的闭合区域进行，这个区域可以是一个手工绘制的ROI多边形，也可以是ENVI支持的矢量数据文件。
1、基于手动绘制感兴趣区域的图像裁剪
（1）打开要裁剪的图像，并显示在Display中；
（2）在Image视图窗口中选择Overlay→Region of Interest。在ROI Tool窗口中，选择ROI_Type→Polygon；
（3）在Window一栏中选择感兴趣区域绘制窗口，这里选择Image，然后在Image窗体中绘制一个多边形区域，然后右键单击两次结束；
（4）选择主菜单Basic→subset data via ROIs，或者选择ROI Tool→File→Subset data via ROIs命令，选择裁剪图像（图2-39）；
（5）点击OK，在出现的Spatial Subset via ROI Parameters窗口中选择进行裁剪的感兴趣区域及输出文件（图2-40）。（6）单击OK，对图像进行裁剪处理（图2-41）。2、基于矢量边界生成的感兴趣区域的裁剪（1）选择主菜单File→Open Vector File，打开Shapefile矢量文件，投影参数不变，选择Output Result to为Memory，点击OK。如图2-42所示；
（2）在Available Vector List窗口中选择矢量图层，然后选择菜单File→Export Layers to ROI命令；（3）在弹出的窗口中选择用矢量边界进行裁剪的影像图层，点击OK；
（4）在Export EVF layers to ROI窗口中选择转换方法，这里以第一种为例（图2-43）；
（5）选择主菜单Basic→subset data via ROIs，或者选择ROI Tool→File→Subset data via ROIs，选择要裁剪图像，点击OK；（6）在弹出的Spatial Subset via ROI Parameters窗口中选择进行裁剪的感兴趣区域及输出文件（图2-44）。
（7）单击OK，对图像进行裁剪处理（图2-45）。2.6实例与练习：****第三章图像增强 徐老师
3.1 辐射增强处理
3.1.1 直方图均衡化
3.1.2 直方图匹配
3.1.3 反差调整
3.1.4 去条带处理
3.2 光谱增强
3.3 波段比计算
3.4 主成分分析
3.5 成分分析
3.6 最小噪声分离变换
3.7 彩色变换
3.3 空间域增强
3.2.1 卷积增强
3.2.2 边缘检测
3.2.3 纹理分析
3.4 频率域增强
3.3.1快速傅立叶变换
3.3.2 频率域滤波
3.3.3 傅立叶逆变换
3.4实例与练习：****
第四章图像分类 李飞
遥感图像分类就是利用计算机对遥感图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，然后获得客观的地物信息的过程。一般的分类方法可分为两种：监督分类与非监督分类。将多源数据应用于图像分类中，发展了基于专家知识的决策树分类。
4.1 非监督分类
非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭数据（遥感影像地物的光谱特征的分布规律），即自然聚类的特性，进行“盲目”的分类；其分类的结果只是对不同类别达到了区分，但并不能确定类别的属性。其类别的属性是通过分类结束后目视判读或实地调查确定的。主要有两方法：ISODATA分类与K-Means分类。
4.1.1 ISODATA分类
ISODATA是一种遥感图像非监督分类法。全称“迭代自组织数据分析技术”（Iterative Self-Organizing Data Analysis Technique）。ISODATA使用最小光谱距离方程产生聚类，此方法以随机的类中心作为初始类别的“种子”，依据某个判别规则进行自动迭代聚类的过程。在两次迭代的之间对上一次迭代的聚类结果进行统计分析，根据统计参数对已有类别进行取消、、合并处理，并继续进行下一次迭代，直至超过最大迭代次数或者满足分类参数（阈值），完成分类过程。操作步骤如下：
（1）在主菜单中，选择File→Open Image File，打开待分类图像；
（2）在主菜单中，选择Classification→Unsupervised→ISOData；
（3）在Classification Input File选择分类的图像文件；
（4）在ISODATA Parameters窗口中设置分类参数以及输出路径和文件名（图4-1）；
Mumber of Classes:Min，max：类别数量范围，一般输入最小数量不能小于最终分类数量，最大数量为最终分类数量的23倍；Maximum Iterations:最大迭代次数，迭代次数越大，得到的结果越精确，运算时间也越长；
Change Threshold：变换阈值，当每一类的变化像元小于阈值时，结束迭代过程；
Minimun # Pixel in Class:一类所需的最小像元数，如果某一类中的像元数小于最少像元数，则将其中的像元归并到距离最近的类型中；
Maximum Class Stdv：最大分类标准差，以像素值为单位，如果某一类的标准差比该阈值大，则将该类分成两类；
Minimum Class Distance：类别均值之间的最小距离，以像素值为单位，如果类均值之间的距离小于该值，则类别将被合并；
Maximum # Merge Pairs：最大的合并类别；
Maximum Stdev From Mean：距离类别均值的最大标准差，为可选项。筛选小于这个标准差的像元参与分类；
Maximum Distance Error：最大距离误差，为可选项。筛选小于这个最大距离误差的像元参与分类；
(5) 点击OK执行非监督分类，结果如图4-2所示。
4.1.2 K-Means分类K-均值算法也称c-均值算法，其基本思想是：通过迭代，逐次移动各类的中心，直至得到最好的聚类结果为止。
1、计算特征空间上均匀分布的最初类均值；
2、用最短距离技术重复地把像元聚集到最近的类里；
3、每次迭代重新计算了均值，且用这一新的均值对像元进行再分类。除非限定了标准差和距离的阈值（这时，如果一些像元不满足选择的标准，他们就无法参与分类），所有 像元都被归到与其最临近的一类里；
4、这一过程持续到每一类的像元数变化少于选择的像元变化 阈值或已经到了迭代的最多次数。操作步骤如下：
（1）在主菜单中，选择File→Open Image File，打开待分类图像；
（2）在主菜单中，选择Classification→Unsupervised→K-Means；
（3）在Classification Input File选择分类的图像文件；
（4）在K-Means Parameters窗口中设置分类参数以及输出的路径和文件名（图4-3）；
Number of Classes：分类数量，一般为最终分类数的23倍；Change Threshold % (0-100)：变换阈值，当每一类的变化像元数小于阈值时，结束迭代过程；
Maximum Iterations:最大迭代次数，迭代次数越大，得到的结果越精确，运算时间也越长；
Maximum Stdev From Mean：距离类别均值的最大标准差，为可选项。筛选小于这个标准差的像元参与分类；
Maximum Distance Error：最大距离误差，为可选项。筛选小于这个最大距离误差的像元参与分类。
（5）点击OK执行K-Means非监督分类，结果如图4-4所示。
4.2 监督分类监督分类 （supervised classification）又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止。常用算法有：判别分析、最大似然分析、特征分析、序贯分析和图形识别等。其一般过程如图4-5所示：
4.2.1 训练样本的选择（1）在主菜单中，选择File→Open Image File，打开分类图像；
（2）选择图像视图窗口菜单Overlay→Region of Interest命令；
（3）在Image视图窗口中选择Overlay→Region of Interest。在ROI Tool窗口中，选择ROI_Type→Polygon；
（4）在Window一栏中选择感兴趣区域绘制窗口，这里选择Image，然后在Image窗体中绘制一个多边形区域，然后右键单击两次结束,并在ROI Name中定义其类型。依次定义其他的类型，这里定义了城镇建设用地、耕地、坑塘、河流以及农村居民地等5个类型（图4-6）；
（5）选择Options→Compute ROI Separability进行训练样本可分离性计算；（6）在Select Input File for Separability窗口中选择计算训练可分离性的图像文件；
（7）在ROI Separability Calculation窗口中选择计算可分离性的类型（图4-7）；
（8）在ROI Separability Report窗口查看训练样本分离性报告，结果如图4-8所示。ENVI为每一个感兴趣区组合计算Jeffries-Matusita距离和Transformed Divergence。在窗口底部，根据可分离性值的大小，从小到大列出感兴趣区组合。这两个参数值为02.0，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，需要重选择样本；小于1，考虑将两类样本合成一类样本。4.2.2 图像分类
（1）选择主菜单Classification→Supervised→Maximum Likelihood命令；
Supervised菜单下分类器说明：
Parallelpiped：平行六面体分类器，根据训练样本的亮度值形成一个N维德平行六面体数据空间，其他像元的光谱值如果落在平行六面体任何一个训练样本所对应的区域，就被划分到其对应的类别中。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所选类的均值求出；
Minimum Distance：最小距离分类器，利用训练样本数据计算出每一类的均值向量和标准差向量，然后以均值向量作为该类在特征空间中中心位置，计算输入图像中每个像元到各类中心的距离，到哪一类中心的距离最小，该像元就归入到哪一类；
Mahalanobis Distance：马氏距离分类器，计算出入图像到各训练样本的马氏距离（一种有效的计算两个未知样本集的相似度的方法），最终统计马氏距离最小的，即为该类别；
Maximum Likelihood：假设每一个波段的每一类 都呈正态分布，计算给定像元属于某一训练样本的似然度，像元最终被归并到似然度最大的一类当中；
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考波谱匹配紧密。大于指定的最大弧度阈值的像元不被分入该类。
Binary Encoding：二进制编码分类技术根据波段是低于波谱 ，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考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）所有像元被分类到其匹配波段最多的端元一类中；
Neural Net：指用计算机模拟人脑的结构，用许多小的处理单位模拟生物的神经元，用算法实现人脑的识别、记忆、思考过程应用于图像分类；
Support Vector Machine：支持向量机分类（SVM）是一种建立在统计学习理论基础上的机器学习方法，SVM可以自动寻找那些对分类有较大区分能力的支持向量，由此构造出分类器，可以将类与类之间的间隔最大化，因而有较好的推广性和较高的分类准确率。
（2）在Classification Input File窗口中选择分类的图像文件；
（3）在Maximum Likelihood Parameters中设置最大似然法分类的参数（图4-9）；
Select Classes from Regions:选择训练样本，点击Select All Items按钮，选择全部的训练样本；Set Probability Threshold:设置似然度的阈值。Single Value,则在Probability Threshold文本框输入一个01的值，似然度小于该阈值不被分入该类。这里选择“None”；
Data Scale Factor:数据比例系数，用于将整型反射率或辐射率数据转化为浮点型数据；
Preview按钮可以在右边窗口中预览分类结果，单击Change View可以改变预览区域。
（4）选择分类结果的输出路径和文件名以及规则文件的输出路径和文件名，点击OK执行最大似然法监督分类，结果如图4-10所示。
4.2.3 结果验证使用Confusion Matrix等工具可以把分类结果的精度显示在一个混淆矩阵里。ENVI可以使用一幅地表真实图像或地表真实感兴趣区来计算混淆矩阵。每种记录结果都包括：总体分类精度、制图精度和用户精度、Kappa系数、混淆矩阵以及错分误差和漏分误差。
1、使用真实感兴趣区进行精度验证
（1）选择Classification→Post Classification→Confusion Matrix→Using Ground Truth ROIs；
（2）在Classification Input File中选择分类后的图像；
（3）在Match Classes Parameters选择相匹配的类型（图4-11）；
在Select Ground Truth ROI中选择地面真实的感兴趣区，在Select Classification Image中选择与真实的感兴趣相匹配的分类。点击Add Combination按钮将真实的感兴趣区与分类结构相匹配。如果地面真实感兴趣区中的类别与分类图像中的类别名称相同，它们将自动匹配。（4）在Confusion Matrix Parameters中设置混淆矩阵参数（图4-12）；
（5）点击OK执行显示混淆矩阵中的记录以及相关的统计（图4-13）。Overall Accuracy：总体分类精度等于被正确分类的像元总和除以总像元数。地表真实图像或者地表真实感兴趣区限定了像元的真实分类。被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。像元总数等于所有地表真实分类中的像元总和。Kappa Coefficient：Kappa系统是另外一种计算分类精度的方法。它是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线(Xkk)的和，再减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有求和的结果，在除以像元总数的平方减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果得到的。
4.2.4 分类后处理
计算机自动分类得到的初步结果需要再进行一些处理，才能得到最终的分类结果，这些处理过程通常称为分类后处理。常用分类后处理包括更改分类颜色、分类统计分析、小斑点处理（类后处理）、栅矢转换等。
1、Majority/Minority 分析
应用监督分类或者非监督分类，分类结果中不可避免地会产生一些面积很小的图版。无论从专题地图制图的角度，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。常用的方法有Majority/Minority 分析、聚类处理（Clump）和过滤处理（Sieve）。
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，定义一个核窗口，用核窗口中占主要地位的像元类别代替中心像元的类别（选择Majority），或者使用次要地位的像元的类别代替中心像元的类别（选择Minority）。
（1）选择主菜单Classification→Post Classification→Majority/Minority Analysis；
（2）在Classification Input File中选择分类后文件；
（3）在Majority/Minority Parameters中设置分类后处理的参数（图4-14）；
Select Classes：选择分类类别，单击Select All Items按钮，选择所有类别；Analysis Method：选择处理方式；
Kernel Size：核窗口大小，核窗口越大，分类图像越平滑；
Center Pixel Weight：中心像元权重；
（4）选择输出路径和文件名，单击OK执行分类后处理。
2、分类结果转化为矢量数据
（1）在主菜单上选择Classification Post Classification Classification to Vector，或者选择Vector Classification to Vector。
（2）在Raster to Vector Input Band窗口中选择分类结果，点击OK按钮（图4-15）；
（3）在Raster To Vector Parameters中设置输出参数（图4-16）；（4）选择文件输出路径和文件名，点击OK按钮执行转换过程。4.3基于专家知识的决策树分类
基于专家知识的决策树分类是基于遥感图像数据及其其他空间数据，通过对专家经验知识的总结、简单的数学统计和归纳方法等，获得分类规则并进行遥感分类。分类规则易于理解，分类过程也符合人的认知过程，最大的特点是利用多源数据。
基于专家知识的决策树分类总体上可分为四个过程：定义分类规则、构建决策树、执行决策树和评价分类结果。
1、定义分类规则
分类规则可以来自经验总结，也可以通过统计的方法从样本中获取规则，如C4.5算法、CART算法、S-PLUS算法等。
C4.5算法的基本原理是从树的根节点处的所有训练样本开始，选取一个属性来区分这些样本。对属性的每一个值产生一个分支，分支属性值的相应样本子集被移到新生成的子节点上，这个算法递归地应用于每个子节点上，直到节点的所有样本都分区到某个类中，到达决策树的叶节点的每条路径表示一个分类规则。该算法采用了信息增益比例来选择属性，克服了用信息增益选择属性时偏向选择取值多的属性不足，并且在树构造过程中或者构造完成之后进行剪枝，能够对连续属性进行离散化处理。
图：
算法中描述的属性也叫做变量，来源于多源数据中，如DEM文件可以当作变量。以LandSat TM数据和DEM数据构成多源数据获得分类规则：
Class1 （朝北缓坡植被）：NDVI>0.3，坡度小于20 ，朝北
Class2 （非朝北缓坡植被）：NDVI>0.3，坡度小于20 ，非朝北
Class3 （陡坡植被）：NDVI>0.3，坡度大于等于20
Class4 （水体）：NDVI 0.3，波段4的DN值大于0且小于20
Class5 （裸地）：NDVI 0.3，波段4的DN值大于等于20
Class6 （无数据区，背景）：NDVI 0.3，波段4的DN值等于0将定义好的分类规则转换成规则表达式为：
Class1 （朝北缓坡植被）：{NDVI} gt 0.3，{slope} lt 20，({aspect} lt 90) or ({aspect} gt 270)
Class2 （非朝北缓坡植被）：{NDVI} gt 0.3，{slope} lt 20，({aspect} gt 90) or ({aspect} lt 270)
Class3 （陡坡植被）：{NDVI} gt 0.3，{slope} gt 20
Class4 （水体）：{NDVI} le 0.3，(b4 gt 0) and (b4 eq 0)
Class5 （裸地）：{NDVI} gt 0.3，b4 ge 20
Class6 （无数据区，背景）：{NDVI} gt 0.3，b4 eq 0
2、构建决策树
ENVI中的决策树是用二叉树来表达，规则表达式生成一个单波段结果，并且包含一个二进制结果0或1.0结果被归属到“No”分支，1 结果被归属为“Yes”分支。操作步骤如下：
（1）打开影像数据以及DEM数据；
（2）在主菜单选择Classification Decision Tree Build New Decision Tree，打开ENVI Decision Tree窗口，其中默认包含一个决策树节点和两个类别（分支），如图4-17所示。
（3）点击Node 1图标，打开节点属性编辑属性（图4-18）；在Name中填写节点名称：NDVI>0.3；填写节点表达式（Expression）:{ndvi} gt 0.3。
（4）点击OK按钮，打开Variable/File Pairings对话框。点击左边列表中的{NDVI}变量，在弹出的文件选择对话框中选择TM图。如果图像文件中含有中心波长信息，ENVI将自动判断在DNVI计算中需要哪一个波段；如果图像在所选的头文件中没有包含波长信息，那么ENVI就会给出提示，以确定NDVI计算中所需的红波段和近红外波段（图4-19）。
（5）第一个节点表达式设置完成，根据NDVI>0.3成立与否划分为两部分。本例中分成植被覆盖区与无植被区；（6）继续添加第二层节点。右键单击Class1，从快捷菜单中选择Add Children，将NDVI值高的那类进一步细分成两类。ENVI将自动地在Class1下创建两个新的类（Class1和Class2）；
（7）单击为“Yes”的节点，打开Variable/File Pairings对话框。在Name中填写：Slope<20，在Expression中填写：{slope} lt 20 ；
（8）点击OK按钮，打开Variable/File Pairings对话框。点击左边列表中的{slope}变量，在弹出的文件选择对话框中选择DEM文件；
（9）重复（6）（8）步骤，根据分类规则，添加剩余的子节点，结果如图4-20所示。
单击叶节点Class #，打开Edit Class Properties窗口，设置分类的名称Name，分类值Class Value以及颜色Color；（10）选择File Save Tree保存新建的决策树文件。
3、执行决策树
（1）在ENVI Decision Tree窗口中，选择Options Execute；
（2）在弹出了Decision Tree Execution Parameters窗口中设置决策树分类的执行参数（图4-21）；
Select Base Filename and Projection：选择一个文件作为输出分类结果的基准。分类结果的地图投影，像素大小和范围都将被调整，以与该基准图像匹配；Resampling：选择重采样方法。
（3）选择分类结果的输出路径和文件名，点击OK执行决策树分类。
（4）分类结束后，在ENVI Decision Tree窗口的空间处，点击右键，选择Zoom In，在每个节点标签上会显示每个分类的像素个数以及所占总图像像素的百分比。
评价分类结果的过程与监督分类的评价方法一样，可参考前面章节，这里不再赘述。
4.4实例与练习：****
第五章高光谱图像处理与分析 徐老师
5.1 传感器定标
5.2 大气校正
5.3 地物波谱与波谱库
5.4 物质制图与识别
5.4.1
5.5实例与练习：****
第六章雷达图像处理 王春
5.1 基本功能
5.2 正射雷达图像校正
5.3利用立体SAR影像建立DEM
5.4利用雷达干涉测量方法生成DEM
5.5实例与练习：****
第七章ENVI功能扩展 李飞
ENVI是使用IDL语言编写的完整的遥感图像处理平台。在ENVI中，用户可以很方便地通过IDL语言以及ENVI提供的二次开发工具对ENVI的功能进行扩展，添加新的功能函数，甚至开发具有ENVI界面的全新系统。
7.1 菜单的定制
ENVI的菜单文件保存在ITT\\IDL71\\products\\envi47\\menu文件夹下，有三个文件：
Display.men：显示窗口菜单文件；
Display_shortcut.men：显示窗口右键快捷菜单；
Envi.men：主菜单文件。
用记事本打开envi.men文件。
每个菜单项有三部门组成：
LEVEL {BUTTON NAME} [{UVALUE} {EVENT HANDLER PROCEDURE}] [{separator}]
LEVEL 是菜单按钮的级别，从0开始的整数表示，为必选项；
{BUTTON NAME} 菜单名称，为必选项；
{UVALUE} 分定义了为菜单项所赋给的用户值。用户值在同一用户函数处理多个菜单项时非常有用，可以区别哪个菜单项被选中；
{EVENT HANDLER PROCEDURE} 事件名称，为必选项；
{separator} 菜单“横线”标示关键字。
{UVALUE} 大多数ENVI的程序中是需要的，同时要保持用户值的唯一性。但编写用户函数时，大多数情况下，用户值是不会使用的，这时候，可以将用户值设为和用户函数名一致，也可以将它设置为{not used} 等醒目的标示。具体操作步骤如下：
（1）用记事本打开envi.men文件，在文件的最后添加以下语句，如图7-1所示：
（2）启动ENVI+IDL环境（图7-2）；（3）点击按钮新建一个源文件，编写代码（图7-3）：（4）保存file_info.pro到save_add目录下；（5）重启ENVI+IDL环境，可以看到在ENVI主菜单末端新增一个菜单MyFunctions，点击Basic File Info命令；
（6）在IDL Workbench环境中出现运行，结果如图7-4所示。
7.2 波段运算ENVI波段运算工具能够调用用户编写的程序进行定制的处理。波段运算工具用来定义输入的波段或文件，并调用用户编写的函数，最后将结果输出到文件或内存中。
波段运算函数使用变量命名为b1，b2等。通过在波段运算表达式窗口中输入函数名和变量名就可以调用该波段运算函数。通过波段运算对话框为变量赋值。具体操作如下：
（1）选择主菜单Basic Tools→Band Math；
（2）在Enter an expression文本框中输入(float(b4)+float(b3))/( float(b4)-float(b3))，单击Add List按钮，将表达式加入Previous Band Math Expressions中（图7-5）；
Save：保存表达式；Restore：加载已保存的表达式。
（3）在Variables to Bands Pairings窗口中选择表达式中各个变量对应的波段以及运算结果的输出路径和文件名（图7-6）；
（4）点击OK执行波段运算。7.3 基于IDL用户函数的波段运算
ENVI提供对IDL程序的访问功能，可以使用内置的IDL函数或者用户自定义IDL函数。这些函数要求他们接受一个或多个图像阵列作为输入，并且输出一个与输入波段具有相同行列的单波段二维数组作为计算结果。自定义一个函数的基本格式为：
FUNCTION bm_func, b1, [b2, …, bn, parameters and keywords]
Processing steps
RETURN, result
END
下面以一个简单的例子说明用IDL自定义函数，并在Band Math中使用这个函数。自定义函数实现的功能是计算一个比值：(b4+b3)/(b4-b3)，并且检查分母为0的情况。
（1）用记事本编写比值的计算函数，并保存文件为bm_ratio.pro（图7-7）；
（2）将bm_ratio.pro文件拷贝到安装路径的save_add目录下，启动ENVI+IDL模式，在主菜单中，选择File Compile IDL Module，在Enter Module Filename对话框中选择bm_ratio.pro文件；（3）打开一个多波段图像文件，在ENVI主菜单中选择选择主菜单Basic Tools Band Math；在Enter an expression文本框中输入：bm_ratio (b1,b2) 或者 bm_ratio (b1,b2, /check)（图7-8） ；
（4）在Variables to Bands Pairings窗口中选择表达式中各个变量对应的波段以及运算结果的输出路径和文件名（图7-9）；（5）点击OK执行基于IDL函数的波段运算。7.4 波谱运算
ENVI Spectral Math是一种灵活的波谱处理工具，可以用数学或IDL程序对波谱曲线进行处理。波谱曲线可以来自一幅多波段图像的Z剖面、波谱库或ASCII文件。
下面以表达式(s1+s2+s3)/3为例说明Band Math工具。
（1）在主菜单中，选择File Open Image File，开打一个影像数据并在Display显示；
（2）在Display的主图像窗口中，右键点击选择Z profile（Spectrum）；
（3）在Spectral Profile窗口中，选择Options Collect Spectra；
（4）在图像视图主窗口中点击收集几个波谱曲线（图7-10）；
（5）在主菜单中选择Spectral Spectral Math，打开Spectral Math窗口，在文本框Enter an expression中输入光谱表达式（例如：(s1+s2+s3)/3）；（6）在Variable to Spectral Pairings窗口中为每个变量指定光谱值，在Variables used in expression与Available Spectra List列表中依次对应的选择（图7-11）；
（6）点击OK执行光谱运算，结果如图7-12所示。7.5 实例与练习：****第八章ENVI/IDL与ArcGIS一体化
遥感影像类似于GIS中的栅格数据，遥感和GIS很容易在数据层次上实现集成。GIS软件没有提供完善的图像处理功能，遥感软件中叶缺少空间分析与数据管理工具。遥感和GIS一体化集成，可以有以下三个层次及途径实现：
数据一体化管理与共享
平台一体化分析
系统一体化集成开发
8.1 ENVI/IDL与ArcGIS一体化集成方案
遥感与GIS不仅从数据上，还会从整个软件构架体系上真正实现融合，从而可以达到优势互补，进一步提升GIS软件的可操作性，提升空间和影像分析的工作效率，并有效节约系统成本。为了适应这种新的用户需求和未来的技术发展趋势，更好地为用户提供服务，全球最大的GIS技术提供商ESRI公司于全球遥感领域的领导者美国ITT Visual Information Solutions公司，建立了全球战略合作伙伴关系，共同开发和建设遥感与GIS一体化平台。
ENVI是由遥感领域的科学家采用IDL开发的一套功能强大的、完整的遥感图像处理软件。ArcGIS是由ESRI公司开发的、全球使用最广的GIS软件。ENVI/IDL与ArcGIS一体化集成解决方案，在真正意义上实现了遥感与GIS一体化集成。
1、数据一体化管理与企业级共享
ENVI/IDL与ArcGIS数据互操作
从2007年6月开始，ESRI公司和ITT VIS公司宣布两者的商务和技术合作计划。两个平台互相支持对方的格式，同时两者都支持一些通用的文件格式，如GeoTiff、JPEG2000等。
栅格数据集中和分布式管理
Geodatabase是按照一定的模型和规则组合起来的存储空间数据和属性数据的容器，已经成为ArcGIS的核心数据模型，它实现了多源空间数据的集中和分布式管理。它是一种天然的遥感与GIS数据一体化存储模型。根据不同的应用需求，它分为三个级别：File Based Geodatabase、Personal Geodatabase、Enterprise（SDE）Geodatabase。其中Enterprise（SDE）Geodatabase支持分布式空间数据库管理与存储。
ENVI完全支持ArcGIS Geodatabase各个级别的读写，在ENVI、ENVI Zoom、ENVI EX中，都可以通过菜单Remote Connection Manage打开相应的面板，也可以通过Save to ArcGIS Geodatabase菜单将数据保存到Geodatabase中。
基于服务的企业级共享
ENVI可以当作一个客户端，打开OGC标准的服务（WCS/WMS），这些服务可以是ArcGIS Server发布的。
其中WCS服务发布的影像数据保留了原始的数据的像元值和波段信息，因此通过WCS服务获得的影像可以做进一步的分析，跟分析本地影像效果是一样的。
2、ENVI/IDL与ArcGIS平台一体化分析
无缝链接GIS工作流
ENVI EX将影像处理和分析与GIS工作流无缝链接到一起，在ENVI EX中能实现：
轻松交换数据和图层文件：ArcGIS中的数据或图层文件（.lyr）可以通过鼠标拖拽方式放到ENVI EX上进行显示；
查看和处理ArcGIS图层：ENVI EX支持ArcGIS的图层符号化显示，即可以完全按照ArcGIS风格和样式显示图层数据；
同步查看图像处理结果：在ENVI EX下执行图像处理过程中，动态修改参数，在ENVI EX和ArcGIS可以看到相同的变化结果。
向导式 影像处理工具
ENVI EX提供GIS用户最需要的图像处理和分析功能，并以流程化、向导操作方式提供。并具有透视窗口随时预览处理结果。
成果共享
通过菜单直接将成果导入ArcMap进行制图，无需中间保存于打开过程。
3、ENVI/IDL与ArcGIS 集成开发
ENVI是一个非常开放的平台，提供一个健全的函数库，几乎涵盖ENVI平台大部分图像处理功能。同时，IDL具有很好的扩展性，能很方便地域其他开发环境（VB、VC、.NET、Java等）进行集成开发。
8.2 ENVI/IDL与ArcGIS一体化集成应用
1、ENVI环境下栅格数据集中和分布式管理
ENVI完全支持ArcGIS Geodatabase各个级别的读写，在ENVI、ENVI Zoom、ENVI EX中，都可以通过菜单Remote Connection Manage打开相应的面板，也可以通过Save to ArcGIS Geodatabase菜单将数据保存到Geodatabase中。下面通过ENVI访问ArcGIS Geodatabase空间数据来说明其集成应用，具体操作步骤如下：
（1）启动ENVI Zoom，选择主菜单File→Remote Connection Manager；
在ENVI环境下访问ArcGIS Geodatabase空间数据，必须先采用ArcCatalog 建立空间数据库。
（2）在Remote Connection Manager窗口中选择Connection→New命令；
（3）在Connection Properties对话框中选择空间数据类型Type以及空间数据库存放路径Path（图8-1）；
（4）点击OK打开空间数据库，如图8-2所示。（5）点击Open在ENVI Zoom中加载空间数据；（6）双击Toolbox工具栏中的Classfication命令；
（7）点击Next>在Classification Type中选择使用训练样本的监督分类（图8-3）；
（8）在ENVI Zoom视图窗口中画多边形定义定义训练区样本，点击按钮可编辑类别的属性；（10）点击按钮增加分类类别，并重复第（9）步操作直到定义完所有的训练样本（图8-4）。Algorithm中选择分类器，点击Next>执行下一步操作；
（11）在Cleanup中设置平滑核大小与综合的最小像元数。点击Next>执行下一步操作（图8-5）；（12）在Export Save Results中设置文件输出的位置，单击Browe按钮选择空间数据库及输出的文件名。这里选择数据的输出方式为ArcGIS Geodatabase空间数据库（图8-6）；（13）点击Finish按钮完成ENVI环境下图像数据的处理及处理结果的输出操作，结果可在ArcGIS/ArcCatalog中浏览（图8-7）。 |
| 8-7 ArcGIS/ArcCatalog中浏览输出结果 |
8.8实例与练习：****下载本文
