ENVI软件中矢量数据的处理方法与技巧

ENVI软件中矢量数据的处理方法与技巧

湘雅医学网(https://www.sodocs.net/doc/d116425192.html,) 核心期刊·推荐发表全国最受欢迎的医学期刊网更新时间：2011-03-22 14:41

ENVI软件中矢量数据的处理方法与技巧

ENVI软件中矢量数据的处理方法与技巧

矢量图层编辑

1）在VectorParameters对话框中，点击矢量层，然后选择Mode→EditExistingVectors。

2）在主影像窗口中，点击在上一节中所生成的某个多边形。

a)该多边形就会高亮显示出来，并且多边形的节点会标记成钻石形。当矢量被选定，就可以进行如下的修改：

3）单击鼠标右键，在弹出的快捷菜单中选择DeleteSelectedVector，删除整个多边形。

4）单击节点，并拖曳到新的位置来移动节点。

5）单击鼠标右键，选择AcceptChanges保存修改并重新绘制多边形。

6）通过点击鼠标中键或在右击显示的快捷菜单中选择ClearSelection，退出修改，不进行任何变动。

7）要在多边形中添加或删除节点，可以在右击显示的快捷菜单中按如下步骤进行选择：

i.要添加一个节点，右击并选择AddNode，然后将该节点拖曳到一个新的位置。

ii.要删除节点，单击节点，然后从快捷菜单中选择DeleteNode。

iii.要改变每次添加的节点数，右击选择NumberofNodestoAdd。在对话框中，输入节点的数目。

iv.要删除一系列的节点，用右键点击该范围内的第一个点，然后选择MarkNode。再用右键点击该范围的最后一个点，再次选择MarkNode。最后，右击选择DeleteMarkedNodes即可。

8）结束这一部分，从ENVI主菜单中选择Window→AvailableVectorsList，然后在显示的可用波段中选择新创建的矢量层，并点击RemoveSelected来删除它们。注意不要删除vectors.shp矢量层，后面还会用到的。

屏幕数字化

1）从VectorParameters对话框中选择File→CreateNewLayer来创建一个新的矢量层。在NewVectorLayerParameters对话框中，输入新矢量层的名字。点击Memory单选按钮，并点击OK。

2）在VectorParameters对话框中，点击新生成的矢量层的名字，就会初始化新生成的.dbf 文件。

3）选择Mode→AddNewVectors。

4）在本专题中将创建多边形矢量，选择Mode→Polygon。

5）在影像显示窗口中（如果在VectorParameters对话框中选择了Window单选按钮，则也可以在滚动窗口或缩放窗口中进行），按以下的步骤用鼠标来定义一个新的多边形区域：6）点击鼠标左键，绘制多边形的各线段。

7）点击鼠标中键，来擦除刚绘制的线段。

8）点击鼠标右键，固定多边形的形状。再次点击鼠标右键，从弹出的快捷菜单中选择AcceptNewPolygon接受新建的多边形。

9）以影像中区域的轮廓为参考，绘制一些多边形。

10）在VectorParameters对话框中选择Edit→AddAttributes，给新创建的多边形添加属性。在AttributeInitialization对话框中，在Name字段输入Field_ID，点击Type按钮菜单并选择Character。在对话框的底部，点击AddField按钮，在Name字段中输入第二个名

为FieldArea的属性，将Type改为Numeric。点击OK创建属性表。

11）按专题第一部分所描述的方法来修改属性表。在属性表字段中双击鼠标，使其可以编辑，输入一个值，并按下键盘上的Enter键。

i.为了知道属性表中每一行所对应的多边形区域，可以从VectorParameters对话框中选择Mode→CursorQuery，然后在每一行的标签上点击即可。

12）在属性表顶部的菜单中选择File→Cancel，关闭属性表。

遥感：主要植被指数类型及其应用条件

遥感：主要植被指数类型及其应用条件

主要植被指数类型及其应用条件

在遥感应用领域，植被指数已广泛用来定性和定量评价植被覆盖及其生长活力。由于植被光谱表现为植被、土壤亮度、环境影响、阴影、土壤颜色和湿度复杂混合反应，而且受大气空间—时相变化的影响，因此植被指数没有一个普遍的值，其研究经常表明不同的结果。研究结果表明，利用在轨卫星的红光和红外波段的不同组合进行植被研究非常好，这些波段在气象卫星和地球观测卫星上都普遍存在，并包含90%以上的植被信息，这些波段间的不同组合方式统被称为植被指数。植被指数有助于增强遥感影像的解译力，并已作为一种遥感手段广泛应用于土地利用覆盖探测、植被覆盖密度评价、作物识别和作物预报等方面，并在专题制图方面增强了分类能力。植被指数还可用来诊断植被一系列生物物理参量：叶面积指数（LAI）、植被覆盖率、生物量、光合有效辐射吸收系数（APAR）等；反过来又可用来分析植被生长过程：净初级生产力（NPP）和蒸散（蒸腾）等。

为了估算和监测植被覆盖，最早发展了比值植被指数（RVI）。但RVI对大气影响敏感，而且当植被覆盖不够浓密时（小于50%），它的分辨能力也很弱，只有在植被覆盖浓密的情况下效果最好。归一化差异植被指数（NDVI）对绿色植被表现敏感，它可以对农作物和半干旱地区降水量进行预测，该指数常被用来进行区域和全球的植被状态研究。对低密度植被覆盖，NDVI 对于观测和照明几何非常敏感。但在农作物生长的初始季节，将过高估计植被覆盖的百分比；在农作物生长的结束季节，将产生估计低值。继之,将各波段反射率以不同形式进行组合来消除外在的影响因素，如遥感器定标、大气、观测和照明几何条件等。这些线性组合或波段比值的指数发展满足特定的遥感应用，如作物产量、森林开发、植被管理和探测等。农业植被指数（AVI）针对作物生长阶段测量绿色植被；多时相植被指数（MTVI），将两个不同日期的数值简单相减，是为了观测两个日期植被覆盖条件的变化和作物类型的分类，并用来探测由于火灾和土地流失造成的森林覆盖变化。归一化差异绿度指数（NDGI），可用来对不同活力植被形式进行检验。归一化差异指数（NDI）建立了光谱反射率和棉花作物残余物的表面覆盖率的关系，以用来对作物残余物的制图。

近年来，随着高光谱分辨率遥感的发展以及热红外遥感技术的应用，又发展了红边植被指数、导数植被指数（DVI）、温度植被指数（Ts-VI）、生理反射植被指数（PRI）。“红边”的一般定义为叶绿素吸收红边斜率的拐点。红边位置灵敏于叶绿素a、b的浓度和植被叶细胞的结构。为获取红边位置信息，Miller等用一个倒高斯模型拟合红边斜率。导数植被指数由于它能压缩背景噪音对目标信号的影响或不理想的低频信号，被应用在目前的高光谱遥感研究中，尤其是在利用高光谱遥感提取植被化学成份信息方面得到成功的应用。近年来的经验研究表明：热红外辐射（如土面亮度温度）和植被指数在大尺度范围遥感应用中可提高土地覆盖的制图和监测精度。生理反射植被指数是针对高光谱遥感的特点，对植被生化特性的短期变化（如一天的植被的光合作用）进行探测。

植被指数按发展阶段可分为三类：第一类植被指数基于波段的线性组合（差或和）或原始波段的比值，由经验方法发展的，没有考虑大气影响、土壤亮度和土壤颜色，也没有考虑土壤、植被间的相互作用（如RVI等）。它们表现了严重的应用限制性，这是由于它们是针对特定的

遥感器（LandsatMSS）并为明确特定应用而设计的。第二类植被指数大都基于物理知识，将电磁波辐射、大气、植被覆盖和土壤背景的相互作用结合在一起考虑，并通过数学和物理及逻辑经验以及通过模拟将原植被指数不断改进而发展的（如PVI、SAVI、MSAVI、TSAVI、ARVI、GEMI、AVI、NDVI等）。它们普遍基于反射率值、遥感器定标和大气影响并形成理论方法，解决与植被指数相关的但仍末解决的一系列问题。第三类植被指数是针对高光谱遥感及热红外遥感而发展的植被指数（如DVI、Ts-VI、PRI等）。这些植被指数是近几年来基于遥感技术的发展和应用的深入而产生的新的表现形式。尽管许多新的植被指数考虑了土壤、大气等多种因素并得到发展，但是应用最广的还是NDVI，并经常用NDVI作参考来评价基于遥感影像和地面测量或模拟的新的植被指数，NDVI在植被指数中仍占有重要的位置。

土壤亮度对植被指数有相当大的影响。许多植被指数的发展就是为了控制土壤背景的影响。土壤背景和环境反射率的空间变化与土壤结构、构造、颜色和湿度有关。由于土壤背景的作用，当植被覆盖稀疏时，红波段辐射将有很大的增加，而近红外波段辐射将减小，致使比值指数和垂直指数（PVI）都不能对植被光谱行为提供合适的描述。由此，必须发展其它新的植被指数以便更合适地描述“土壤—植被—大气”系统。基于经验的方法，在忽略大气、土壤、植被间相互作用的前提下，发展了土壤亮度指数（SBI）、绿度植被指数（GVI）、黄度植被指数（YVI）等。用Landsat数据已证明SBI和GVI指数可用来评价植被和裸土的行为，GVI指数与不同植被覆盖有较大的相关性。在此基础上，又考虑到大气影响的处理，发展了调整土壤亮度指数（ASBI）和调整绿度植被指数（AGVI）。基于LandsatMSS图像而进行主成份分析，Misra等通过计算这些指数的多项因子而又发展了Misra土壤亮度指数（MSBI）、Misra绿度植被指数（MGVI）、Misra黄度植被指数（MYVI）和Misra典范植被指数（MNSI）。为动态植被发展的裸土绿度指数（GRABS）是基于GVI和SBI发展的。绿度植被和土壤亮度指数（GVSB）在农作物识别中发挥了作用。

Kauth等利用LandsatMSS的4个光谱段作为4维空间分析了裸土的光谱变化，并注意到裸土信息变化的主要部分是由它们的亮度造成的，并提出了“土壤线”或“土壤亮度矢量”的观点。Richardson等促使了土壤背景线指数（SBL）的发展，并用来辨别土壤和植被覆盖。植被越密，植被象元离土壤线距越大。在航空和卫星遥感图像分析和解译中，土壤线的概念被广泛采用。基于土壤线理论，Jackson等发展了垂直植被指数（PVI）。相对于比值植被指数，PVI表现为受土壤亮度的影响较小。Jackson发展了基于n维光谱波段并在n维空间中计算植被指数的方法。两维空间计算的PVI、四维空间计算的植被指数及六维空间计算的植被指数是n维植被指数的特殊情况。普遍地用“n”波段计算“m”个植被指数（m≤n）。实际上，相对于仅用红波段和红外波段的方法，通道数一味增加，常常并不能对植被指数有多大的贡献。

NDVI和PVI在描述植被指数和土壤背景的光谱行为上存在着矛盾的一面，因此发展了土壤调整植被指数SAVI。该指数看上去似乎由NDVI和PVI组成，其创造性在于，建立了一个可适当描述土壤—植被系统的简单模型。为了减小SAVI中的裸土影响，将植被指数发展为修改型土壤调整植被指数（MSAVI）。Major等又发展了SAVI的三个新的形式：SAVI2、SAVI3和SAVI4，这些转换形式是基于理论考虑，考虑到土壤是干燥的还是湿润的，以及太阳入射角的变化等。

转换型土壤调整植被指数（TSAVI）是SAVI的转换形式，也与土壤线有关。土壤线的参数参加该指数的运算，而且具有全球的特性。TSAVI又进行改进，通过附加一个“X”值，将土壤背景亮度的影响减小到最小值。SAVI和TSAVI表现出，在独立于遥感器类型的情况下，在描述植被覆盖和土壤背景方面有着较大的优势。对于半干旱地区的土地利用图，TSAVI已证明满足于低覆盖植被特性。由于考虑了裸土土壤线，TSAVI比NDVI对于低植被覆盖有更好的指示作用。

除了土壤亮度外，土壤颜色也是影响植被指数的一个重要因素。土壤颜色变化使土壤线加

宽，并且依赖于波长轴。由颜色形成噪音阻止了植被覆盖的探测，该噪音与由土壤特性变化而造成植被指数的增加有关。土壤颜色对于低密度植被区的反射率具有较大影响，尤其在干旱环境下对植被指数的计算影响更严重。Escadafal表明，TM2和TM3反射率值与土壤颜色饱和度有关，并发展了颜色指数。其中红色指数（RI）是土壤颜色影响植被的一个校正系数。由土壤颜色引起的变化，普遍妨碍了低植被覆盖率的探测。土壤的颜色指数用于校正使植被指数有双倍的敏感性。

利用卫星和航空遥感数据进行的空间—时相研究表明，大气对植被指数也有影响。该影响对于植被而言，在红波段增加了辐射，而在近红外波段降低了辐射，从而使植被指数减小。既然土壤对部分植被冠层的整个辐射亮度产生强烈的影响，大气对冠层反射辐射的修改也强烈地依赖于土壤的光学特性。根据Pitts等的研究，大气吸收可减小近红外信息量的20%以上。据研究估算，水汽吸收和瑞利散射的影响占植被指数的5.5%。根据Jackson研究，大气混浊限制了植被的测量并妨碍了植被胁迫的探测。如果基于植被指数有效的应用遥感数据，如土地利用清查，发展大气校正技术是很必要的。相对于NDVI，大气阻抗植被指数（ARVI）在红波段完成大气自我校正。蓝和红波段的辐射亮度差异给予一个红—蓝波段（RB），替代了NDVI的红波段。该方法减小了由于大气气溶胶引起的大气散射对红波段的影响。通过用大气辐射传输模型在各种大气条件下模拟自然表面光谱，发现ARVI与NDVI有同样的动态范围，但对大气的敏感性小于NDVI的4倍。通过对土壤线的改进，发展了土壤线大气阻抗指数（SLRA）。将SLRA 与TSAVI相结合，又形成转换型土壤大气阻抗植被指数（TSARVI），该指数减小了大气、土壤亮度和颜色对于TSAVI的影响。全球环境监测指数（GEMI）不用改变植被信息而减小大气影响，并保存了比NDVI指数相对低密度至浓密度覆盖更大的动态范围。尽管GEMI的目的是全球性地评价和管理环境而又不受大气影响，但是它受到裸土的亮度和颜色相当大的影响，对于稀疏或中密度植被覆盖不太适用。抵制大气影响中散射的角度植被指数（AVI）是针对ATSR-2应用发展的，但它也适用于具有同样波段的其它遥感器，此外遥感器定标、遥感器光谱响应、双向反射等也对植被指数产生一定的影响。

+遥感影像压缩处理技术现状分析

一、遥感图象数据压缩分析.

近年来，随着新型传感技术的发展，遥感影像的时间、空间和光谱分辨率不断提高，随着航天遥感技术的迅速发展，相应的数据规模呈几何级数增长。遥感数据量日益庞大，有限的信道容量与传输大量遥感数据的需求之间的矛盾日益突出给数据的传输和存储带来了极大的困难。数据压缩技术作为解决这一问题的有效途径，在遥感领域越来越受到重视,尤其对于遥感图象数据来说。一般说来，图象分辨率越高，相邻采样点的相关性越高，数据水分也越大。对遥感数据进行压缩，有利于节省通信信道，提高信息的传输速率；数据压缩之后有利于实现保密通讯，提高系统的整体可靠性。

一般地，图像压缩技术可分为两大类：无损压缩技术和有损(率失真)压缩技术。无损压缩利用数据的统计冗余进行压缩，可完全恢复原始数据而不引入任何失真，但压缩率受到数据统计冗余度的理论限制，一般为2:1到5:1。这类方法广泛用于文本数据、程序和特殊应用场合的图像数据(如指纹图像、医学图像等)的压缩。由于压缩比的限制，仅使用无损压缩方法不可能解决图像和数字视频的存储和传输问题。有损压缩方法利用了人类视觉对图像中的某些频率成分不敏感的特性，允许压缩过程中损失一定的信息;虽然不能完全恢复原始数据，但是所损失的部分对理解原始图像的影响较小，却换来了大得多的压缩比。有损压缩广泛应用于语音、图像和视频数据的压缩。在多媒体应用中常用的压缩方法有CM(脉冲编码调制)、预测编码、变换编码(主成分变换或K-L变换、离散余弦变换MT等)、插值和外推法(空域亚采样、时域亚采样、自适应)、统计编码(Huffman编码、算术编码、Shannon-Fano编码、行程编码等)、矢量量化和子带编码等;混合编码是近年来广泛采用的方法。新一代的数据压缩方法，如基于模

型的压缩方法、分形压缩和小波变换方法等也己经接近实用化水平。

在遥感信息处理领域，根据信息处理的阶段性，遥感图像压缩又可分为星上无损压缩、星上有损压缩和地面遥感数据压缩。为了最大限度地保持遥感传感器所获取的目标信息，星上压缩一般采用无损压缩方法。但当信息量大到无损压缩难以满足要求时，也考虑失真量较小的有损压缩，即高保真压缩方法。同时，为了适应遥感数据采样率较高的特点，星上压缩的实时性要求较高，因而要求压缩方法计算简单，硬件复杂度低。

二．目前数据压缩方法标准概述

经常使用的无损压缩方法有Shannon-Fano编码法、Huffman编码法、游程(Run-length)编码法、LZW编码法(Lempel－Ziv－Welch)和算术编码法等。

数据压缩研究中应注意的问题是，首先，编码方法必须能用计算机或VLSI硬件电路高速实现;其次，要符合当前的国际标准。

下面介绍三种流行的数据压缩国际标准。

1、JPEG－静止图像压缩标准

这是一个适用于彩色和单色多灰度或连续色调静止数字图像的压缩标准。它包括基于DPCM(差分脉冲编码调制、DCT(离散余弦变换)和Huffman编码的有损压缩算法两个部分。前者不会产生失真，但压缩此很小;后一种算法进行图像压缩是信息虽有损失但压缩比可以很大。JPEG标准实际上有三个范畴:

1)基本顺序过程BaselineSequentialprocesses)实现有损图像压缩，重建图像质量达到人眼难以观察出来的要求。采用的是8x8像素自适应DCT算法、量化及Huffman型的墒编码器。

2)基于DCT的扩展过程(ExtendedDCTBasedProcess)使用累进工作方式，采用自适应算术编码过程。

3)无失真过程(LosslesssProcess)采用预测编码及Huffman编码(或算术编码)，可保证重建图像数据与原始图像数据完全相同。

其中JPEG有以下五种方法：

(l)JPEG算法

基本JPEG算法操作可分成以下三个步骤：通过离散余弦变换(DCT)去除数据冗余;使用量化表对以DCT系数进行量化，量化表是根据人类视觉系统和压缩图像类型的特点进行优化的量化系数矩阵;对量化后的DCT系数进行编码使其熵达到最小，熵编码采用Huffman可变字长编码。(2)离散余弦变换(3)量化

(4)游程编码(5)熵编码

2、MPEG－运动图像压缩编码

MPEG(MovingPicturesExpertsGroup)标准分成两个阶段:第一个阶段(MPEG-I)是针对传输速率为lMb/s到l.5Mb/s的普通电视质量的视频信号的压缩;第二个阶段(MPEG-2)目标则是对每秒30帧的720x572分辨率的视频信号进行压缩;在扩展模式下，MPEG-2可以对分辨率达1440Xl152高清晰度电视(HDTV)的信号进行压缩。但是MPEG压缩算法复杂、计算量大，其实现一般要专门的硬件支持。

MPEG视频压缩算法中包含两种基本技术:一种是基于l6x16子块的运动补偿技术，用来减少帧序列的时域冗余;另一种是基于DCT的压缩，用于减少帧序列的空域冗余，在帧内压缩及帧间预测中均使用了DCT变换。运动补偿算法是当前视频图像压缩技术中使用最普遍的方法之一。

3、H.261－视频通信编码标准

电视电话/会议电视的建议标准H.261常称为Px64K标准，其中P是取值为1到30的可变参数=l或2时支持四分之一中间格式(QCIFuarterCmmonIntermediaFormat)的帧率较低的视频电话传输>=6时支持通用中间格式(CIF:CommonIntermediateFormat)的帧率较高的电视会议数

据传输。Px64K视频压缩算法也是一种混合编码方案。

三．遥感影像数据压缩的有效方法――小波压缩

1.针对高分辨率遥感影像，采用先进的图象压缩技术，实现对遥感影像的高保真快速压缩，以解决大规模影像的传输和存储问题。近年来，随着新型传感技术的发展，遥感影像的时间、空间和光谱分辨率不断提高，相应的数据规模呈几何级数增长，给数据的传输和存储带来了极大的困难。一般说来，图象分辨率越高，相邻采样点的相关性越高，数据水分也越大。对遥感数据进行压缩，有利于节省通信信道，提高信息的传输速率；数据压缩之后有利于实现保密通讯，提高系统的整体可靠性随着INTERNET连到千家万户，遥感图象正在逐渐成为信息传递的重要媒介。目前大多使用小波压缩处理遥感图像数据。

2小波分析基本理论及其在图像压缩中的应用

与傅里叶变换相似，小波变换是一种同时具有时—频二维分辨率的变换。其优于傅氏变换之处在于它具有时域和频域“变焦距”特性，十分有利于信号的精细分析。第一个正交小波基是Harr于1910年构造的；但Harr小波基是不连续的。到80年代，Meyer,Daubechies等人从尺度函数的角度出发构造出了连续正交小波基。1989年，Mallat等人在前人大量工作的基础上提出多尺度分析的概念和基于多尺度分析的小波基构造方法，将小波正交基的构造纳入统一的框架之中，使小波分析成为一种实用的信号分析工具。

该方法先对遥感图像进行小波分解，然后以纹理复杂程度作为区域重要性度量，通过对纹理复杂的重要区域进行标量编码来保证恢复图像的质量，通过对平坦区(即不重要区)进行矢量编码来提高压缩比。实验结果表明该方法具有压缩率较高，图像恢复质量好，速度快等优点，十分适合遥感数据的高保真压缩。

小波变换在压缩中提供了如下优点：(1)多尺度分解提供了不同尺度下图像的信息，并且变换后的能量大部分集中在低频部分，方便了我们对不同尺度下的小波系数分别设计量化编码方案，在提高图像压缩比的情况下保持好的视觉效果和较高的PSNR。(2)小波分解和重构算法是循环使用的，易于硬件实现．

JPEG的8×8分块压缩方法压缩纹理复杂的块时恢复误差较大，具有比较明显的方块效应，而基于小波变换的图像压缩方法较好地克服了方块效应的影响。通过对不同区域采用不同编码方法，可以较好地保持原图的纹理信息，并达到较高的压缩比．

3.自适应标量、矢量混合量化编码方案

基于小波分解的图像压缩方法的一个重要因素是量化方案的选择。一般说来，量化方法分为标量量化和矢量量化两种。近年来，人们开始研究将标量、矢量量化相结合的方法，以同时获取较高的压缩比、恢复质量和时间性能，这是图像压缩技术的一个重要发展方向。

标量量化的关键是去相关和编码。目前主要的去相关技术是预测方法，如DPCM预测；而编码仍以熵编码为主。标量量化的特点是可保持较高的图像恢复质量，但压缩率一般较低。目前最有效的基于小波分解的矢量量化方法有法国M.Barlaud等颂岢龅腜LVQ塔式格型矢量量化方法和美国J.M.Shapiro提出的EZW方法。这两种方法编码效率较高，但计算非常复杂，不能适用于实时性要求较高的场合。

本文提出的编码方案对图像小波细节子图划分为4×4的块，采用块内的方差作为块的纹理复杂度和重要性度量，对纹理复杂的重要块用较多的位进行编码，而对于较平坦的区域用较少的位进行编码。这实际上相当于将各块的元素组成一个矢量，对不重要的子块采用矢量编码方案，而对重要子块采用标量编码，使得各子块的恢复误差大致平衡。

本压缩方法的具体步骤如下。

(1)对图像进行3层小波分解，对LL3子图进行熵编码，对HH1不编码(解码时以0填充)。

(2)把小波分解图的其它各细节子图按4×4块划分，设定阈值0

划分为次纹理区；方差大于T2的块划分为纹理区。

(3)按各块在图中的位置进行块的类别编码。由于块的类别数为4，采用两位编码。对不同类别的块采用下述编码方案：

●对于平坦区，假设其均值为0，可认为块中所有元素均为0；

●对于次平坦区，用1位表示整个块的均值，对于块中每个元素再各用1位进行编码，即块中大于均值的元素对应码号为1，否则对应码号为0；

●对于次纹理区，用2位表示整个块的均值，对于块中每个元素再各用2位进行编码，把块中各元素值对应到0—3这4个码号上去；

●对于纹理区，用6位表示整个块的均值，用6位表示块内方差，对块中每个元素再各用5位进行编码，把块中各元素值对应到0—31这32个码号上去。

(4)对上述结果进行算术编码。

上述算法对于原图4×4块的128位数据，平坦区只用2位编码，次平坦区用19位编码，次纹理区用36位编码，纹理区用2+16×5+6+6=94位编码。

四．算法关键问题

4.1小波基的选取

多尺度分析中小波基的选择注意5个方面的因素。我们选择了4组小波基对应的二次镜面滤波器(QMF)研究它们的性质：(1)Battle和Lemarie的27-系数滤波器(简称B-L小波)；(2)I.Daubechies的4-系数滤波器(简称D-4小波)；(3)I.Daubechies的20-系数滤波器(简称D-20小波)；(4)Antonini的一组双正交小波基对应的滤波器。

(1)正交性。用正交小波基由多尺度分解得到的各子带数据分别落在相互正交的L2(R2)的子空间中，使各子带数据相关性减小。但能准确重建的、正交的、线性相位、有限冲击响应滤波器组是不存在的，此时一般放宽正交性条件为双正交。

(2)支撑集。为了得到有限长度的滤波器组h(n)，g(n)；避免滤波过程中的截断误差，要求小波基是紧支集的。

(3)对称性。对称滤波器组具有两个优点：(1)人类的视觉系统对边缘附近对称的量化误差较非对称误差更不敏感；(2)对称滤波器组具有线性相位特性，对图像边缘作对称边界扩展时，重构图像边缘部分失真较小，有利于复杂特性的分析(如序列目标检测和分类)〔9〕。

(4)规则性(Regularity)。

(5)消失矩阶数。

可见，本系统采用的双正交小波基具有良好的性能。

4.2阈值的选取

本方法的一个关键因素是3个阈值T0，T1和T2的选取。直观地说，3个阈值越大，压缩比越高，而图像恢复质量越差。另外，根据人类的视觉生理、心理特点以及实验结果，不同级别的小波分解系数所含的能量是不同的，因而在图像重构时其重要性也有差异，应区别对待。级别越高，小波系数所含能量越大，量化应越精细。在矢量编码方案中，一般采取级别高的小波子图矢量维数低就是这个道理。通过对不同级别的子图采用不同的阈值可以实现对不同级别子图的区别对待，即级别越高，阈值越小。

进一步，上述3个阈值的选取有两条途径：一是由用户根据需要交互地给出，而由系统给出一个较优的缺省值。通过对图遥感图像进行实验可以获得各阈值与压缩系统性能指标PSNR 和CR(峰值信噪比和压缩比)的关系。

另一种方法是通过对小波分解子图进行统计分析后自适应获得，由前面的讨论我们认为这是不必要的，理由有二：(1)不同阈值的选取以及同一设定对不同图像造成的压缩性能影响不太大；(2)自适应选取方法时间性能大大降低，不适合于实时性要求较高的场合。

4.3算法的实时性问题

目前小波分解已经有快速算法，并可用硬件实现，使研制基于小波分解的实时图像压缩技术成为可能，这对于星上数据压缩具有十分重要的意义。为了提高编码过程的速度，我们没有采用一般用于度量数据能量的方差指标，而代之以4×4子块的块内数据变化范围(即最大最小值之差)，从而减少了一次对块中所有元素的扫描，且避免了求方差时的乘法运算，只需作16次浮点数比较(即减法)操作，缩短了编码时间，而图像恢复质量基本没有下降。

另外，对于多波段遥感数据，我们先对它们进行K-L变换，然后对各K-L变换子图使用上述方法进行压缩，效果良好。

4.4实验结果分析

以上方法在保持较高的保真度情况下压缩比远高于无损压缩，而压缩比和PSNR值均优于JPEG方法。显然，在性能基本不变的情况下，使用变化范围的方法速度要快约40%。该方法在多波段遥感数据的高保真压缩方面也具有良好的效果。

五．图象压缩方法比较：

与现有的彩色序列图象压缩与解压算法相比，我们的算法有了很大的改进。根据遥感图像局部相关性较弱、纹理复杂丰富的特点，提出了基于小波分析理论的自适应标量、矢量混合量化压缩方法。该方法根据遥感图像小波变换后高频子图的局部块纹理强弱将这些块划分为4类，对平坦块进行高倍压缩，对纹理块进行高保真压缩，使各块的恢复误差大致平衡。其主要特点是避免了矢量编码过程中的码书训练和码书搜索，因而时间性能好，并且对单幅图像的压缩比和峰值信噪比(PSNR)优于JPEG方法。此方法与K-L变换去波段相关技术相结合，应用于多波段遥感图像压缩领域，收到了良好的效果。

遥感图像信息提取

遥感实际上是通过接收（包括主动接收和被动接收方式）探测目标物电磁辐射信息的强弱来表征的，它可以转化为图像的形式以相片或数字图像表现。多波段影像是用多波段遥感器对同一目标（或地区）一次同步摄影或扫描获得的若干幅波段不同的影像。在遥感影像处理分析过程中，可供利用的影像特征包括：光谱特征、空间特征、极化特征和时间特性。在影像要素中，除色调/彩色与物体的波谱特征有直接的关系外，其余大多与物体的空间特征有关。像元的色调/彩色或波谱特征是最基本的影像要素，如果物体之间或物体与背景之间没有色调/彩色上的差异的话，他们的鉴别就无从说起。其次的影像要素有大小、形状和纹理，它们是构成某种物体或现象的元色调/彩色在空间（即影像）上分布的产物。物体的大小与影像比例尺密切相关；物体影像的形状是物体固有的属性；而纹理则是一组影像中的色调/彩色变化重复出现的产物，一般会给人以影像粗糙或平滑的视觉印象，在区分不同物体和现象时起重要作用。第三级影像要素包括图形、高度和阴影三者，图形往往是一些人工和自然现象所特有的影像特征。

1、遥感信息提取方法分类

常用的遥感信息提取的方法有两大类：一是目视解译，二是计算机信息提取。

1.1目视解译

目视解译是指利用图像的影像特征（色调或色彩，即波谱特征）和空间特征（形状、大小、阴影、纹理、图形、位置和布局），与多种非遥感信息资料（如地形图、各种专题图）组合，运用其相关规律，进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程。早期的目视解译多是纯人工在相片上解译，后来发展为人机交互方式，并应用一系列图像处理方法进行影像的增强，提高影像的视觉效果后在计算机屏幕上解译。

1）遥感影像目视解译原则

遥感影像目视解译的原则是先“宏观”后“微观”；先“整体”后“局部”；先“已知”后“未知”；先“易”后“难”等。一般判读顺序为，在中小比例尺像片上通常首先判读水系，确定水系的位置和流向，再根据水系确定分水岭的位置，区分流域范围，然后再判读大片农田的位置、居民点的分布和交通道路。在此基础上，再进行地质、地貌等专门要素的判读。

2）遥感影像目视解译方法

（1）总体观察

观察图像特征，分析图像对判读目的任务的可判读性和各判读目标间的内在联系。观察各种直接判读标志在图像上的反映，从而可以把图像分成大类别以及其他易于识别的地面特征。

（2）对比分析

对比分析包括多波段、多时域图像、多类型图像的对比分析和各判读标志的对比分析。多波段图像对比有利于识别在某一波段图像上灰度相近但在其它波段图像上灰度差别较大的物体；多时域图像对比分析主要用于物体的变化繁衍情况监测；而多各个类型图像对比分析则包括不同成像方式、不同光源成像、不同比例尺图像等之间的对比。各种直接判读标志之间的对比分析，可以识别标志相同（如色调、形状），而另一些标识不同（纹理、结构）的物体。对比分析可以增加不同物体在图像上的差别，以达到识别目的。

（3）综合分析

综合分析主要应用间接判读标志、已有的判读资料、统计资料，对图像上表现得很不明显，或毫无表现的物体、现象进行判读。间接判读标志之间相互制约、相互依存。根据这一特点，可作更加深入细致的判读。如对已知判读为农作物的影像范围，按农作物与气候、地貌、土质的依赖关系，可以进一步区别出作物的种属；河口泥沙沉积的速度、数量与河流汇水区域的土质、地貌、植被等因素有关，长江、黄河河口泥沙沉积情况不同，正是因为流域内的自然环境不同所至。地图资料和统计资料是前人劳动的可靠结果，在判读中起着重要的参考作用，但必须结合现有图像进行综合分析，才能取得满意的结果。实地调查资料，限于某些地区或某些类别的抽样，不一定完全代表整个判读范围的全部特征。只有在综合分析的基础上，才能恰当应用、正确判读。

（4）参数分析

参数分析是在空间遥感的同时，测定遥感区域内一些典型物体（样本）的辐射特性数据、大气透过率和遥感器响应率等数据，然后对这些数据进行分析，达到区分物体的目的。大气透过率的测定可同时在空间和地面测定太阳辐射照度，按简单比值确定。仪器响应率由实验室或飞行定标获取。利用这些数据判定未知物体属性可从两个方面进行。其一，用样本在图像上的灰度与其他影像块比较，凡灰度与某样本灰度值相同者，则与该样本同属性；其二，由地面大量测定各种物体的反射特性或发射特性，然后把它们转化成灰度。然后根据遥感区域内各种物体的灰度，比较图像上的灰度，即可确定各类物体的分布范围。

1.2计算机信息提取

利用计算机进行遥感信息的自动提取则必须使用数字图像，由于地物在同一波段、同一地物在不同波段都具有不同的波谱特征，通过对某种地物在各波段的波谱曲线进行分析，根据其特点进行相应的增强处理后，可以在遥感影像上识别并提取同类目标物。早期的自动分类和图像分割主要是基于光谱特征，后来发展为结合光谱特征、纹理特征、形状特征、空间关系特征等综合因素的计算机信息提取。

1.2.1自动分类

常用的信息提取方法是遥感影像计算机自动分类。首先，对遥感影像室内预判读，然后进行野外调查，旨在建立各种类型的地物与影像特征之间的对应关系并对室内预判结果进行验证。工作转入室内后，选择训练样本并对其进行统计分析，用适当的分类器对遥感数据分类，对分类结果进行后处理，最后进行精度评价。遥感影像的分类一般是基于地物光谱特征、地物形状特征、空间关系特征等方面特征，目前大多数研究还是基于地物光谱特征。在计算机分类之前，往往要做些预处理，如校正、增强、滤波等，以突出目标物特征或消除同一类型目标的不同部位因照射条件不同、地形变化、扫描观测角的不同而造成的亮度差异等。利用遥感图像进行分类，就是对单个像元或比较匀质的像元组给出对应其特征的名称，其原理是利用图像识

别技术实现对遥感图像的自动分类。计算机用以识别和分类的主要标志是物体的光谱特性，图像上的其它信息如大小、形状、纹理等标志尚未充分利用。计算机图像分类方法，常见的有两种，即监督分类和非监督分类。监督分类，首先要从欲分类的图像区域中选定一些训练样区，在这样训练区中地物的类别是已知的，用它建立分类标准，然后计算机将按同样的标准对整个图像进行识别和分类。它是一种由已知样本，外推未知区域类别的方法；非监督分类是一种无先验（已知）类别标准的分类方法。对于待研究的对象和区域，没有已知类别或训练样本作标准，而是利用图像数据本身能在特征测量空间中聚集成群的特点，先形成各个数据集，然后再核对这些数据集所代表的物体类别。与监督分类相比，非监督分类具有下列优点：不需要对被研究的地区有事先的了解，对分类的结果与精度要求相同的条件下，在时间和成本上较为节省，但实际上，非监督分类不如监督分类的精度高，所以监督分类使用的更为广泛。

1.2.2纹理特征分析

细小地物在影像上有规律地重复出现，它反映了色调变化的频率，纹理形式很多，包括点、斑、格、垅、栅。在这些形式的基础上根据粗细、疏密、宽窄、长短、直斜和隐显等条件还可再细分为更多的类型。每种类型的地物在影像上都有本身的纹理图案，因此，可以从影像的这一特征识别地物。纹理反映的是亮度（灰度）的空间变化情况，有三个主要标志：某种局部的序列性在比该序列更大的区域内不断重复；序列由基本部分非随机排列组成；各部分大致都是均匀的统一体，在纹理区域内的任何地方都有大致相同的结构尺寸。这个序列的基本部分通常称为纹理基元。因此可以认为纹理是由基元按某种确定性的规律或统计性的规律排列组成的，前者称为确定性纹理（如人工纹理），后者呈随机性纹理（或自然纹理）。对纹理的描述可通过纹理的粗细度、平滑性、颗粒性、随机性、方向性、直线性、周期性、重复性等这些定性或定量的概念特征来表征。相应的众多纹理特征提取算法也可归纳为两大类，即结构法和统计法。结构法把纹理视为由基本纹理元按特定的排列规则构成的周期性重复模式，因此常采用基于传统的Fourier频谱分析方法以确定纹理元及其排列规律。此外结构元统计法和文法纹理分析也是常用的提取方法。结构法在提取自然景观中不规则纹理时就遇到困难，这些纹理很难通过纹理元的重复出现来表示，而且纹理元的抽取和排列规则的表达本身就是一个极其困难的问题。在遥感影像中纹理绝大部分属随机性，服从统计分布，一般采用统计法纹理分析。目前用得比较多的方法包括：共生矩阵法、分形维方法、马尔可夫随机场方法等。共生矩阵是一比较传统的纹理描述方法，它可从多个侧面描述影像纹理特征。

1.2.3图像分割

图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程，此处特性可以是像素的灰度、颜色、纹理等预先定义的目标可以对应单个区域，也可以对应多个区域。图像分割是由图像处理到图像分析的关键步骤，在图像工程中占据重要的位置。一方面，它是目标表达的基础，对特征测量有重要的影响；另一方面，因为图像分割及其基于分割的目标表达、特征抽取和参数测量的将原始图像转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。

图像分割是图像理解的基础，而在理论上图像分割又依赖图像理解，彼此是紧密关联的。图像分割在一般意义下是十分困难的问题，目前的图像分割一般作为图像的前期处理阶段，是针对分割对象的技术，是与问题相关的，如最常用到的利用阈值化处理进行的图像分割。图像分割有三种不同的途径，其一是将各象素划归到相应物体或区域的象素聚类方法即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘象素再将边缘象素连接起来构成边界形成分割。

1）阈值与图像分割

阈值是在分割时作为区分物体与背景象素的门限，大于或等于阈值的象素属于物体，而其它属于背景。这种方法对于在物体与背景之间存在明显差别（对比）的景物分割十分有效。实

际上，在任何实际应用的图像处理系统中，都要用到阈值化技术。为了有效地分割物体与背景，人们发展了各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等等。

2）梯度与图像分割

当物体与背景有明显对比度时，物体的边界处于图像梯度最高的点上，通过跟踪图像中具有最高梯度的点的方式获得物体的边界，可以实现图像分割。这种方法容易受到噪声的影响而偏离物体边界，通常需要在跟踪前对梯度图像进行平滑等处理，再采用边界搜索跟踪算法来实现。

3）边界提取与轮廓跟踪

为了获得图像的边缘人们提出了多种边缘检测方法，如Sobel,Cannyedge,LoG。在边缘图像的基础上，需要通过平滑、形态学等处理去除噪声点、毛刺、空洞等不需要的部分，再通过细化、边缘连接和跟踪等方法获得物体的轮廓边界。

4）Hough变换

对于图像中某些符合参数模型的主导特征，如直线、圆、椭圆等，可以通过对其参数进行聚类的方法，抽取相应的特征。

5）区域增长

区域增长方法是根据同一物体区域内象素的相似性质来聚集象素点的方法，从初始区域（如小邻域或甚至于每个象素）开始，将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域，直至没有可以归并的点或其它小区域为止。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。

区域增长方法是一种比较普遍的方法，在没有先验知识可以利用时，可以取得最佳的性能，可以用来分割比较复杂的图像，如自然景物。但是，区域增长方法是一种迭代的方法，空间和时间开销都比较大。

1.2.4面向对象的遥感信息提取

基于像素级别的信息提取以单个像素为单位,过于着眼于局部而忽略了附近整片图斑的几何结构情况，从而严重制约了信息提取的精度，而面向对象的遥感信息提取，综合考虑了光谱统计特征、形状、大小、纹理、相邻关系等一系列因素，因而具有更高精度的分类结果。面向对象的遥感影像分析技术进行影像的分类和信息提取的方法如下：

首先对图像数据进行影像分割，从二维化了的图像信息阵列中恢复出图像所反映的景观场景中的目标地物的空间形状及组合方式。影像的最小单元不再是单个的像素，而是一个个对象，后续的影像分析和处理也都基于对象进行。然后采用决策支持的模糊分类算法，并不简单地将每个对象简单地分到某一类，而是给出每个对象隶属于某一类的概率，便于用户根据实际情况进行调整，同时，也可以按照最大概率产生确定分类结果。在建立专家决策支持系统时，建立不同尺度的分类层次，在每一层次上分别定义对象的光谱特征、形状特征、纹理特征和相邻关系特征。其中，光谱特征包括均值、方差、灰度比值；形状特征包括面积、长度、宽度、边界长度、长宽比、形状因子、密度、主方向、对称性，位置，对于线状地物包括线长、线宽、线长宽比、曲率、曲率与长度之比等，对于面状地物包括面积、周长、紧凑度、多边形边数、各边长度的方差、各边的平均长度、最长边的长度；纹理特征包括对象方差、面积、密度、对称性、主方向的均值和方差等。通过定义多种特征并指定不同权重，建立分类标准，然后对影像分类。分类时先在大尺度上分出"父类"，再根据实际需要对感兴趣的地物在小尺度上定义特征，分出"子类"。

envi图像处理基本操作

使用ENVI进行图像处理 主要介绍利用envi进行图像处理的基本操作，主要分为图像合成、图像裁减、图像校正、图像镶嵌、图像融合、图像增强。 分辨率：空间分辨率、波谱分辨率、时间分辨率、辐射分辨率。咱们平时所说的分辨率是指？怎么理解？ 1、图像合成 对于多光谱影像，当我们要得到彩色影像时，需要进行图像合成，产生一个与自然界颜色一致的真彩色（假彩色）图像。 对于不同类型的影像需要不同的波段进行合成，如中巴CCD影像共5个波段，一般选择2、4、3进行合成。（为什么不选择其他波段？重影/不是真彩色）。SOPT5影像共7个波段，一般选择7、4、3三个波段。 操作过程以中巴资源卫星影像为例 中巴资源卫星影像共有五个波段，选择2、4、3三个波段对R、G、B赋值进行赋值。 在ENVI中的操作如下： （1）file→open image file→打开2、3、4三个波段，选择RGB，分别将2、4、3赋予RGB。（2）在#1窗口file---〉save image as-→image file。 （3）在主菜单中将合成的文件存为tiff格式（file-→save file as-→tiff/geotiff） 即可得到我们需要的彩色图像。 2、图像裁减 有时如果处理较大的图像比较困难，需要我们进行裁减，以方便处理。如在上海出差时使用的P6、SOPT5，图幅太大不能直接校正需要裁减。 裁减图像，首先制作AOI文件再根据AOI进行裁减。一般分为两种：指定范围裁减、不指定范围裁减。 不指定范围裁减在ENVI中的操作如下： （1）首先将感兴趣区存为AOI文件 file→open image file打开原图像→选择IMAGE窗口菜单overlay→region of interesting 选择划定感兴趣区的窗口如scroll，从ROI_Type菜单选择ROI的类型如Rectangle，在窗口中选出需要选择的区域。在ROI窗口file→Save ROIs将感兴趣区存为ROI文件。

《ENVI》实训指导

《ENVI》实训指导书 ENVI快速入门 一、软件概况介绍： ENVI（The Environment for Visualizing Images）遥感影像处理软件是由美国著名的遥感科学家用IDL开发的一套功能齐全的遥感影像处理软件，它是处理、分析并显示多光谱数据、高光谱数据和雷达数据的高级工具。曾获2000、2001年美国权威机构NIMA遥感软件测评第一。 ENVI的应用领域包括：地质、林业、农业、模式识别、军事、自然资源勘探、海洋资源管理、环境和土地利用管理等。 二、ENVI的安装 1、ENVI永久许可 1)ENVI浮动license：服务器版，多个用户可以同时访问一个服务器，服务器需要安装license，客户端不需要安装license，但是需要进行设置。 2)ENVI加密狗：加密狗也需要license安装，但是有灵活、不依赖网卡的特点。 3)ENVI网卡加密：利用网卡号的唯一性进行加密，如果更换机器时，需要将原来的网卡拔下重新安装在新机器上。 2、ENVI临时许可 三、目录结构介绍 一般情况下ENVI安装在RSI文件夹下，完全版本包括IDL60、License等文件夹，ENVI的所有文件及文件夹保存在IDL60\products\ENVI40下。 ?Bin：相应的ENVI运行目录。 ?Data：数据目录，保存一矢量文件夹（一些矢量数据）和一些例子数据（有 些数据有头文件，有些数据没有头文件）。 ?Flt_func：ENVI常规传感器的光谱库文件。例如：aster、modis、spot、tm 等。 ?Help：ENVI的帮助文档。 ?Lib：IDL生成的可编译的程序，用于二次开发。 ?Map_proj：影像的投影信息，文本格式，客户可以进行定制。 ?Menu：ENVI菜单文件，可以进行中、英文菜单互换。并不是所有的英文菜单 都已经汉化，汉化工作我们正在做，以后会陆续推出。 ?Save：应用IDL可视化语言编译好的、可执行的ENVI程序。 ?Save_add：客户自主开发的、可执行程序。 ?Spec_lib：波谱库，不同地区可以有不同的波谱库，用户可以自定义。 四、中文菜单和英文菜单的互换 1、文件互换 在RSI\IDL60\products\envi40\menu目录下，display.men、 display_shortcut.men、envi.men三个文件是ENVI的菜单文件，可以将其（中文或英文）菜单文件备份后，将另外（英文或中文）菜单文件考入此目录下

envi操作(1)

ENVI的一些操作 2009-07-27 11:06:51| 分类：ENVI应用| 标签：|字号大中小订阅 2、矢量图层编辑 1）在Vector Parameters对话框中，点击刚创建的新矢量层，然后选择Mode →Edit Existing Vectors。 2）在主影像窗口中，点击在上一节中所生成的某个多边形。 a) 该多边形就会高亮显示出来，并且多边形的节点会标记成钻石形。当矢量被选定，就可以进行如下的修改： 3）单击鼠标右键，在弹出的快捷菜单中选择Delete Selected Vector，删除整个多边形。4）单击节点，并拖曳到新的位置来移动节点。 5）单击鼠标右键，选择Accept Changes保存修改并重新绘制多边形。 6）通过点击鼠标中键或在右击显示的快捷菜单中选择Clear Selection，退出修改，不进行任何变动。 7）要在多边形中添加或删除节点，可以在右击显示的快捷菜单中按如下步骤进行选择： i. 要添加一个节点，右击并选择Add Node，然后将该节点拖曳到一个新的位置。 ii. 要删除节点，单击节点，然后从快捷菜单中选择Delete Node。 iii. 要改变每次添加的节点数，右击选择Number of Nodes to Add。在对话框中，输入节点的数目。 iv. 要删除一系列的节点，用右键点击该范围内的第一个点，然后选择Mark Node。再用右键点击该范围的最后一个点，再次选择Mark Node。最后，右击选择Delete Marked Nodes即可。 8）结束这一部分，从ENVI主菜单中选择Window →Available Vectors List，然后在显示的可用波段中选择新创建的矢量层，并点击Remove Selected来删除它们。注意不要删除vectors.shp矢量层，后面还会用到的。 3、屏幕数字化 1）从Vector Parameters对话框中选择File →Create New Layer来创建一个新的矢量层。在New Vector Layer Parameters对话框中，输入新矢量层的名字。点击Memory单选按钮，并点击OK。 2）在Vector Parameters对话框中，点击新生成的矢量层的名字，就会初始化新生成的.dbf 文件。 3）选择Mode →Add New Vectors。 4）在本专题中将创建多边形矢量，选择Mode →Polygon。 5）在影像显示窗口中（如果在Vector Parameters对话框中选择了Window单选按钮，则也可以在滚动窗口或缩放窗口中进行），按以下的步骤用鼠标来定义一个新的多边形区域：6）点击鼠标左键，绘制多边形的各线段。 7）点击鼠标中键，来擦除刚绘制的线段。 8）点击鼠标右键，固定多边形的形状。再次点击鼠标右键，从弹出的快捷菜单中选择Accept New Polygon接受新建的多边形。 9）以影像中区域的轮廓为参考，绘制一些多边形。 10）在Vector Parameters对话框中选择Edit →Add Attributes，给新创建的多边形添加属性。在Attribute Initialization对话框中，在Name字段输入Field_ID，点击Type

ENVI操作流程

1.Sobel滤波变换 图像滤波可以从图像中提取空间尺度信息，突出图像的空间信息，压抑其他无关信息，或者去除图像某些信息。所以，为了增强园区线性影像，使用空间滤波变换也是不错的选择。 ①打开ENVI，主菜单选择Filter。 ②选择Sobel滤波 ③选择要进行滤波变换的文件 选择完毕，点OK， Sobel滤波完成后的效果如图

2.运用ENVI面向对象空间特征提取工具（Feature Extraction Module）实现分类 第一步：发现对象 ①启动ENVI ZOOM，在主菜单中打开Processing中的Feature Extraction选项。 ②选择经过sobel滤波变换的文件，点击OK完成。

③影响分割：参照现实环境，利用边界分割规则对图像进行切割。可以选择Preview对切割 后的图像边界进行实时查看，以确定合适的切割尺度。 分割图像预览 ④斑块合并。此步骤主要解决图像过度分割的问题。可以将小的斑块合并到更大尺度的斑块 中。

合并图像预览 ⑤亮度阈值合并。此步骤选择No Thresholding(default)不进行亮度值设定。 ⑥选择属性计算项。选择波段比值（Band Ratio）选项，进行波段比值运算。如把红色波段赋给B1，把近红外波段赋给B2，那么计算出来的波段比值就可以用来提取NDVI，因为绿 色的植被会有一个较高的NDVI值。

点击NEXT进入下一步骤。 第二步：提取特征。 a．①选择样本进行分类（监督分类）。Classify by selecting examples：监督分类模式。 上选择训练区域。

ENVI使用手册

第一章：ENVI 概述 如何使用本手册 本手册包括若干章节；每章描述ENVI 提供的一系列处理程序。多数章节遵循ENVI 的菜单结构。例如，第4 章的标题为“Basic Tools”，它描述的功能可以在ENVI 的Basic Tools下拉菜单下找到。5 个附录分别针对：ENVI基本功能、文件格式、波谱库、地图投影以及描述ENVI 该版本的新特征。该介绍性章节包括与ENVI 图形用户界面（GUI）的交互，使用ENVI 窗口，及其它介绍性材料。新的ENVI 用户使用前务必认真阅读本手册，以及附带的ENVI 教程。 对于章节中的每个主题，功能描述之后给出了实现它的一步步向导。向导中描述了参数，通常还附有建议和例子。大多数功能（除了交互的功能）从ENVI 的下拉主菜单启动。出现包含接受用户输入参数的对话框。许多参数包含系统默认值并且有一些是可选的。当功能运行时，出现一个处理状态窗口。 运行功能的一步步向导被编号并且用粗体显示。鼠标控制菜单选项与用斜体字印刷的下拉菜单一同出现。子菜单用“>” 连接。每个步骤内的选项用项目符号显示。按钮名用引号标明，对话框标题以大写字母开头。一些对话框内部有下拉菜单。每个下拉菜单下的选项通常在以该下拉菜单名为标题的一节中描述。 例如，这些是如何对一个文件进行中值滤波的向导： 1. 从ENVI 主菜单，选择Filters > Convolutions > Median 。 将出现一个文件选择对话框, 允许你交互地改变目录并选定需要的输入文件。 2. 通过点击文件名，再点击“OK” 或“Open”，来选择所需要的文件。 若有必要，使用任意空间和/或波谱的构造子集（subsetting）。 3. 当出现Convolution Parameters 对话框，在“Size” 文本框中，输入所需要的滤波器大小。 4. 选择输出到“File” 或“Memory”，若需要，键入一个输出文件名。 5. 点击“OK”，开始处理。

envi常用操作步骤

使用该工具可以对影像的镶嵌做到更精细的控制，包括镶嵌匀色、接边线功能和镶嵌预览等功能。下面以6景TM5影像为例介绍这个工具。 在Toolbox中启动/Mosaicking/Seamless Mosaic ENVI5.1版本提供了全新的影像无缝镶嵌工具Seamless Mosaic，所有功能集成在一个流程化的界面，可以： 控制图层的叠放顺序 设置忽略值、显示或隐藏图层或轮廓线、重新计算有效的轮廓线、选择重采样方法和输出范围、可指定输出波段和背景值 可进行颜色校正、羽化/调和 提供高级的自动生成接边线功能、也可手动编辑接边线 提供镶嵌结果的预览 使用该工具可以对影像的镶嵌做到更精细的控制，包括镶嵌匀色、接边线功能和镶嵌预览等功能。下面以6景TM5影像为例介绍这个工具。 在Toolbox中启动/Mosaicking/Seamless Mosaic。 1 数据加载 （1）点击左上的加号（如图）添加需要镶嵌的影像数据。 图1 加载数据 （2）添加进来之后可以看到数据的位置和重叠关系和影像轮廓线。

图2 图像轮廓线 （3）勾选Show Preview，可以预览镶嵌效果。在Data Ignore Value一览输入透明值，这里输入0。如下图为0值透明的效果。 图3 设置透明值 2 匀色处理 提供的匀色方法是直方图匹配。 （1）在Corlor Correction选项中，勾选Histogram Matching： Overlap Area Only：重叠区直方图匹配

Entire Scene：整景影像直方图匹配 （2）在Main选项中，Color Matching Action中右键设置参考（Reference）和校正（Adjust），根据预览效果确定参考图像。 图4 直方图匹配方法匀色效果 3 接边线与羽化 接边线包括自动和手动绘制两种方法，也可以结合起来使用。 （1）选择下拉菜单Seamlines->Auto Generate Seamlines，自动绘制接边线，如下图所示，自动裁剪掉ＴＭ边缘“锯齿”。 （2）自动生成的接边线比较规整，可以明显看到由于颜色不同而显露的接边线。下拉菜单Seamlines-> Start editing seamlines，编辑接边线，可以在接边处绘制多边形，之后自动将绘制的多边形作为新的接边线。

envi图像处理基本操作

主要介绍利用envi进行图像处理的基本操作，主要分为图像合成、图像裁减、图像校正、图像镶嵌、图像融合、图像增强。 分辨率：空间分辨率、波谱分辨率、时间分辨率、辐射分辨率。咱们平时所说的分辨率是指？怎么理解？ 1、图像合成 对于多光谱影像，当我们要得到彩色影像时，需要进行图像合成，产生一个与自然界颜色一致的真彩色（假彩色）图像。 对于不同类型的影像需要不同的波段进行合成，如中巴CCD影像共5个波段，一般选择2、4、3进行合成。（为什么不选择其他波段？重影/不是真彩色）。SOPT5影像共7个波段，一般选择7、4、3三个波段。 操作过程以中巴资源卫星影像为例 中巴资源卫星影像共有五个波段，选择2、4、3三个波段对R、G、B赋值进行赋值。 在ENVI中的操作如下： （1）file open image file打开2、3、4三个波段，选择RGB，分别将2、4、3赋予RGB。 （2）在#1窗口file---〉save image as-image file。 （3）在主菜单中将合成的文件存为tiff格式（file-save file as-tiff/geotiff）即可得到我们需要的彩色图像。 2、图像裁减 有时如果处理较大的图像比较困难，需要我们进行裁减，以方便处理。如在上海出差时使用的P6、SOPT5，图幅太大不能直接校正需要裁减。 裁减图像，首先制作AOI文件再根据AOI进行裁减。一般分为两种：指定范围裁减、不指定范围裁减。 不指定范围裁减在ENVI中的操作如下： （1）首先将感兴趣区存为AOI文件 file open image file打开原图像选择IMAGE窗口菜单overlay region of interesting 选择划定感兴趣区的窗口如scroll，从ROI_Type菜单选择ROI的类型如Rectangle，在窗口中选出需要选择的区域。在ROI窗口file Save ROIs将感兴趣区存为ROI文件。 （2）裁减：在菜单Basic Tools Subset Data via ROIs，在选择窗口select the input file 选择需要裁减的原始图象，Restore ROIs选择ROI。输出文件即可得到感兴趣区范围的图像。 指定范围裁减在ENVI中的操作如下： 如果给定一个范围根据此范围进行裁减，首先将给定的文件转化为shp等envi能够视别的格式打开，然后将此范围保存为ROI文件，再根据此ROI文件进行裁减。 指定范围裁减在ENVI中的操作如下： （1）假如给定一个SHP文件cut_region，首先在ENVI中打开原始图像同时在file Open Vector File打开cut_region。 单击OK导入，显示（load）到图像窗口。 在主菜单Basic Tool region of interest save ROIs to file,逐个范围保存为ROI文件。

ENVI操作

ENVI图像拼接、栅格转矢量、图像裁剪、图像融合 ENVI图像拼接 在ENVI主菜单中选择Map—Mosaicing—Georeferenced，在Mosaic对话框中点击Import —Import File，选择需要拼接的两幅图像，然后进行图像拼接。然后对图片点击右键，选中Edit Entry，在Edit Entry对话框中，设置Data Value to Ignor：0，忽略0值，设置Feathering Distance为10，羽化半径为10个像素，点击OK确定。 点击file-apply，保存即可 ENVI栅格转矢量 1）要将感兴趣区转换成矢量多边形，在ROI Tool对话框中选择File → Export ROIs to EVF，打开Export Region to EVF对话框。 2）高亮显示区域的名字来选择其中某个区域。选择All points as one record单选按钮选项，在Layer Name文本框中输入层的名字，点击Memory，然后点击OK转换第一个感兴趣区。 i.重复上面的步骤，转换第二个感兴趣区。 ii.矢量层的名字都会在可用矢量列表中列出。 3）在可用矢量列表中，点击Select All Layers，然后点击Load Selected按钮。 4）在Load Vector对话框中，选择New Vector Window打开一个新的矢量显示窗口。 i. 这些矢量将以多边形的方式加载到Vector Window #1对话框中。 5）在Vector Window #1对话框中，选择Edit → Add Attributes给多边形添加属性信息。6）按照本专题辅导209页所描述的内容来添加属性信息。 i.这样就可以同其它矢量数据一同使用查询和GIS分析功能了。通过在Vector Window Parameters对话框中，选择File → Export Active Layer to Shapefile，将这些矢量导出成shape文件。 6、等值点/等值线插值成栅格影像 1）在ENVI主菜单中，选择Topographic >Convert Contours to DEM，或Vector > Convert Contours to DEM。 2）在文件选择对话框中，选择包含地形等高线的EVF文件和高程属性。 3）将出现Convert Elevation Contours to Raster DEM对话框。 4）在“Elevation Attribute Column”标签旁的下拉菜单中，选择包含等高线高程的属性。 5）如果需要，输入有效高程范围（与高程属性单位相同），高程处于有效范围外的矢量在构建DEM时将被忽略。 6）键入输出像元尺寸和数据类型。

envi操作(2)

八、定义感兴趣区及分类 主窗口—Classification：监督分类，非监督分类，决策树分类。 2）监督分类：按照分类以前自定义的样本进行分类。 2 样本选择：主影像窗口—Tools—Region Of Interest—ROI Tool 调出感兴趣区工具窗口进行样本选择，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。 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。 2 引入影像—确定分类范围和波段—选择样本—给定阈值—确定存储路径和文件名—OK。 平行六面体法：用一条简单的判定规则对多波谱数据进行分类。判定边界在图像数据空间中，形成了一个N维平行六面体。平行六面体的维数由来自每一种选择的分类的平均值的标准差的阈值确定。如果像元值位于N个被分类波段的低阈值与高阈值之间，则它归属于这一类。如果像元值落在多个类里，那么ENVI将这一像元归到最后一个匹配的类里。没有落在平行六面体的任何一类里的区域被称为无类别的。 最短距离法：用到每一个终端单元的均值矢量，计算每一个未知像元到每一类均值矢量的欧几里德距离。所有像元都被归为最近的一类，除非限定了标准差和距离的极限（这时，会出现一些像元因不满足选择的标准，而成为“无类别”）。 马氏距离法：是一个方向灵敏的距离分类器，分类时用到了统计。它与最大似然分类有些类似，但是假定所有类的协方差相等，所以是一种较快的方法。所有像元都被归到最临近的ROI类，除非用户限定了一个距离阈值（这时，如果一些像元不在阈值内，就会被划为无类别）。 最大似然法：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。 波谱角分类：（SAM）是一个基于自身的波谱分类，它是用n维角度将像元与参照波谱匹配。这一算法是通过计算波谱间的角度（将它们处理为具有维数等于波段数的空间矢量），判定两个波谱间的类似度。这一技术用于校准反射数据时，对照明和反照率的影响相对不灵敏。SAM 用到的终端单元波谱可以来自ASCII文件、波谱库或直接从图像中抽取（作为ROI 平均波谱）。SAM 将终端单元波谱矢量和每一个像元矢量放在n维空间比较角度。较小的角度代表与参照波谱匹配紧密。远离指定的弧度阈值最大角度的像元被认为无法分类。 二进制编码法：将数据和终端单元波谱编码为0和1（基于波段是低于波谱平均值，还是高于波谱平均值）。“异或”逻辑函数用于对每一种编码的参照波谱和编码的数据波谱进行比较，生成一幅分类图像。所有像元被分类到与其匹配波段最多的终端单元一类里，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）。 样本提纯技术：Spectral—n Dimensional Visualizer N维散度可视分析，是ENVI比较有特色的功能，可以使样本更加纯净，提高分类精度。 3）非监督分类：仅仅用统计方法对数据集中的像元进行分类，不需要样本。 2 Isodata（独立数据）非监督分类计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元迭代聚集。每次迭代重新计算均值，且用这一新的均值对像元进行再分类。重复分类是分割、融合和删除基于输入的阈值参数的。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，就无法参与分类），所有像元都被归到与其最临近的一类里。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。

《ENVI》实验指导(精)

《ENVI》实验指导书 ENVI快速入门 一、软件概况介绍: ENVI(The Environment for Visualizing Images遥感影像处理软件是由美国著名的遥感科学家用IDL开发的一套功能齐全的遥感影像处理软件,它是处理、分析并显示多光谱数据、高光谱数据和雷达数据的高级工具。曾获2000、2001年美国权威机构NIMA遥感软件测评第一。 ENVI的应用领域包括:地质、林业、农业、模式识别、军事、自然资源勘探、海洋资源管理、环境和土地利用管理等。 二、ENVI的安装 1、ENVI永久许可 1ENVI浮动license:服务器版,多个用户可以同时访问一个服务器,服务器需要安装license,客户端不需要安装license,但是需要进行设置。 2ENVI加密狗:加密狗也需要license安装,但是有灵活、不依赖网卡的特点。 3ENVI网卡加密:利用网卡号的唯一性进行加密,如果更换机器时,需要将原来的网卡拔下重新安装在新机器上。 2、ENVI临时许可 三、目录结构介绍 一般情况下ENVI安装在RSI文件夹下,完全版本包括IDL60、License等文件夹,ENVI的所有文件及文件夹保存在IDL60\products\ENVI40下。 ?Bin:相应的ENVI运行目录。

?Data:数据目录,保存一矢量文件夹(一些矢量数据和一些例子数据(有 些数据有头文件,有些数据没有头文件。 ?Flt_func:ENVI常规传感器的光谱库文件。例如:aster、modis、spot、tm 等。 ?Help:ENVI的帮助文档。 ?Lib:IDL生成的可编译的程序,用于二次开发。 ?Map_proj:影像的投影信息,文本格式,客户可以进行定制。 ?Menu:ENVI菜单文件,可以进行中、英文菜单互换。并不是所有的英文菜单 都已经汉化,汉化工作我们正在做,以后会陆续推出。 ?Save:应用IDL可视化语言编译好的、可执行的ENVI程序。 ?Save_add:客户自主开发的、可执行程序。 ?Spec_lib:波谱库,不同地区可以有不同的波谱库,用户可以自定义。 四、中文菜单和英文菜单的互换 1、文件互换 在RSI\IDL60\products\envi40\menu目录下,display.men、 display_shortcut.men、envi.men三个文件是ENVI的菜单文件,可以将其(中文或英文菜单文件备份后,将另外(英文或中文菜单文件考入此目录下 即可完成中文菜单和英文菜单的互换。 2、设置