简介一份遥感软件操作综合实习PPT课件面向地理信息科学、遥感科学与技术等专业本科生及初学ENVI的科研人员系统梳理遥感图像处理实习的核心操作流程。课件按三次实习组织入门部分涵盖ENVI界面组成、图像打开与显示、像素信息查看、Z Profile光谱曲线、链接显示与动态叠加等基础功能第二部分集中讲解图像增强、主成分变换和Band Math波段运算第三部分聚焦几何配准、空间重采样、矢量叠加与掩膜操作。全包共1个PPT文件压缩包大小约2.46MB内容紧凑便于课堂演示和考前复习。该课件已有99人学习浏览适合作为实习指导或自学材料按菜单路径逐步演示能帮助读者快速掌握ENVI常用操作并理解遥感预处理流程对后续独立完成遥感数据分析和应用也很有帮助。1. 遥感软件操作综合实习一份能直接照着做的课堂实操底稿做过遥感课程实习的人都懂最怕的不是原理没听懂而是老师讲完“打开ENVI做大气校正然后分类”你对着软件界面一脸茫然。这份“遥感软件操作综合实习.ppt”本质上是把一次完整实习课的流程、参数、注意事项做成了一套可翻看的步骤底稿。它解决的不是“遥感是什么”这种概念问题而是“遥感数据从打开到出成果图中间每一步具体点什么、参数填多少”的动手问题。适合正在上遥感课、准备课程设计、或者刚入职需要快速上手遥感软件操作的从业者。我按这份PPT的思路拆了一遍发现它不只是课件更像是一份带预测性排错的实验手册——很多坑它都提前标出来了这一点比大部分只放截图的PPT要实用得多。2. 遥感软件选型与数据预处理先搞清楚用哪个软件、做哪几步2.1 主流遥感软件的分工逻辑打开这份PPT它默认读者已经安装好了一款主流的遥感图像处理软件。在实际教学中最常见的组合是ENVI做主处理ArcGIS做矢量化和制图如果侧重国产化也可以选PCI或PIE。PPT并没有限定某一款而是把操作逻辑讲清楚——因为遥感软件界面虽然有差异但处理流程是高度统一的数据读取、辐射定标、大气校正、几何校正、裁剪、分类、精度评价、出图。我一般会建议第一次做实习的人优先用ENVI。原因是它的波段运算、大气校正模块如FLAASH和分类工具集成度高鼠标点击的路径和参数都有较清晰的提示。PPT里讲到的“打开文件后先检查数据信息”这一点很多人会跳过但它其实是后面所有操作不出错的前提你要知道影像的波段数量、传感器类型、获取时间、像元大小这些信息直接决定后续参数设置。2.2 辐射定标与大气校正参数表里最容易被忽略的两项实习中最容易翻车的就是预处理阶段。PPT里明确要求先做辐射定标再做大气校正。常见做法是在ENVI的Toolbox中搜索Radiometric Calibration工具选择多光谱数据在跳出面板里将Calibration Type设置为Radiance同时勾选Apply FLAASH Settings。这里有一个关键参数——Scale Factor一定要根据传感器类型来选择。对于Landsat 8/9数据辐射定标结果通常是以W·m⁻²·sr⁻¹·μm⁻¹为单位的辐亮度值但在某些版本软件中默认输出为浮点型值域在0到几十之间没问题而如果选错了单位换算系数后面植被指数算出来会非常奇怪。大气校正步骤中ENVI的FLAASH模块需要输入影像中心点经纬度、传感器高度、影像平均海拔、大气模型、气溶胶模型参数。很多人在这里卡住因为不知道大气模型怎么选。PPT给出的经验是中纬度夏季选择Mid-Latitude Summer中纬度冬季选Mid-Latitude Winter热带地区选Tropical。气溶胶模型选Rural乡村通常是最稳妥的默认值除非你的研究区有明显的城市工业污染才考虑Urban模型。这些选型逻辑PPT都写在备注里照着选基本不会错。操作完成后一定要对比校正前后影像的波谱曲线。我见过有同学校正完植被在近红外波段的反射率反而掉到0.2以下那就是参数填错了。检查的方法是打开Z Profile Spectrum工具随机取一个植被像元观察近红外约0.8μm的曲线是否明显高于红光波段。如果不对回到大气校正面板重新检查水柱含量和能见度参数。3. 从波段组合到影像裁剪让原始影像变成可分析的研究区3.1 波段组合与目视解译的视觉逻辑预处理完成后第一个正式操作是波段组合。PPT里给出了常见传感器的真彩色和假彩色组合方式Landsat 8用4、3、2做真彩色5、4、3做标准假彩色植被呈红色。这里不能只记波段号要理解背后的物理意义——可见光红绿蓝波段合成的是人眼看到的颜色而近红外波段反射率高的植被在假彩色下会显示为亮红色。做土地利用分类时用假彩色更容易区分植被和水体做建成区提取时用短波红外波段组合反而更好。实操时在ENVI里选择Display Change RGB Bands然后把波段分别指定为对应的组合。很多新手在这里会把R、G、B的波段顺序填错导致颜色和标准假彩色差很远。PPT里特别提醒了一句假彩色并不代表“更好看”而是通过增强特定地表特征的光谱差异来辅助解译。所以如果你做的是水体提取建议用近红外、短波红外、红光组合水体在这些波段上的吸收特性会被放大成很深的蓝黑色。3.2 裁剪规则裁剪与不规则裁剪的取舍影像范围通常比研究区大裁剪是为了减少计算量。PPT讲了两种裁剪方式规则裁剪用Rectangle ROI和不规则裁剪用多边形ROI或外部矢量文件。规则裁剪适用于研究区是矩形的情况比如一块标准样方不规则裁剪更接近真实研究区边界。我用ENVI的Subset Data from ROIs工具比较多步骤是先在图像窗口用ROI工具画好边界然后在Toolbox里打开Subset Data from ROIs把刚才的ROI添加进去勾选Convert ROI to vector optional这样裁剪出来的结果自带一个边界矢量文件后面在ArcGIS里制图时可以直接用。这里注意ROI画完后记得保存为.xml文件否则切换图层时ROI丢失又要重画一遍。裁剪时会有一个Spatial Subset的选项选Mask pixels outside ROI这样能保留研究区像元同时移除边界外区域。裁剪完成后输出格式一般选ENVI标准格式.dat因为后续分类和波段运算都基于这个格式如果还要在ArcGIS里用可以在Output Format里改成GeoTIFF。PPT里强调了一点裁剪前最好先查看影像的坐标系和投影信息如果原始影像是WGS84经纬度而你想在后续计算面积最好先投影到UTM或Albers等面积投影否则面积计算结果会因纬度变化而产生偏差。4. 监督分类与精度评价训练样本是关键别让分类器替你做决定4.1 训练样本勾画的四个原则监督分类是本实习的核心环节。PPT用了一整节来讲训练样本的选择这也是整个实习里最需要耐心的一步。很多同学直接随便框几个多边形就点分类结果出来的分类图破碎严重、错分明显。训练样本直接决定分类器对地物光谱特征的理解所以样本要有代表性、光谱纯净性、分布均衡性并且数量足够。具体操作是在主图像上通过Display Region of Interest进入训练样本工具然后分别对建设用地、农田、林地、水体、裸地等类别勾画ROI。每种类别建议至少画10个以上的多边形每个多边形内部的像元尽量只属于同一个地物。PPT里有一个很实用的提示同一类地物在不同区域光谱会有差异比如农田里的水稻田和旱地在近红外波段表现不同不能只画一个区域就代表所有农田。这一点容易被忽略但它决定了分类后是否能避免“椒盐噪声”。4.2 选择分类器与参数设置训练样本准备好后接下来进入监督分类。ENVI里常用的分类器有最小距离、马氏距离、支持向量机SVM和随机森林Random Forest。PPT推荐首选SVM因为它在样本数量不多时泛化能力较强。Toolbox里搜索Support Vector Machine Classification选择输入影像和训练样本ROI然后设置核函数类型。默认的Radial Basis Function径向基函数通常够用Penalty Parameter设为100Pyramid Level设置为0即全分辨率分类避免像元被金字塔层重采样。分类输出后结果是一个单波段的类别栅格。此时有一步很多人会漏掉——分类后处理。刚才SVM分类结果里经常有孤立像元或者细碎图斑需要用 Majority/Minority Analysis工具做聚类处理。PPT给的参数是Kernel Size设为3×3或5×5选择Majority这样会把3×3窗口内出现频率最高的类别赋给中心像元碎斑明显减少。处理完后再用Classification to Vector把栅格转成矢量方便后续统计面积和叠加分析。4.3 精度评价误差矩阵不达标时该查哪里精度评价是实习报告的必交内容但做起来比想象中复杂。PPT里用的是Stratified Random Sampling分层随机抽样在分类结果上随机生成验证点然后对照高分辨率影像如Google Earth历史影像判读真实类别。然后在ENVI里用Confusion Matrix Using Ground Truth ROI生成误差矩阵得到总体精度和Kappa系数。我在实际实习中发现最容易出现两类问题第一验证点数量不够一般要求每个类别至少50个像元点但PPT考虑到课堂时间建议每类取样30个左右并保证大类和小类都要覆盖第二样本点落在边界上勾选时很难判断真实类别此时尽量将点落在图斑内部。总体精度一般要求85%以上Kappa系数要大于0.8如果达不到先回头检查训练样本而不是去换分类器。很多次翻车都是因为训练样本里混入了阴影阴影在光谱上和暗色水体相似导致分类器把阴影归为水体精度差得离谱。5. 常见问题排查从文件打不开到分类结果全黑的五个典型坑5.1 文件打不开检查头文件与波段顺序现象双击影像文件ENVI提示是否添加为外部文件打开后显示单一灰度没有彩色效果。原因数据缺少正确的头文件.hdr或者波段顺序不是软件默认的BGR。解决在File Open External File里手动选择传感器类型并指定波长信息如果是Landsat数据需要把波段顺序调整为B,G,R,NIR等。另外很多下载的Landsat数据是分波段存储的需要先用Layer Stacking工具合成多波段文件再执行后续操作。5.2 大气校正结果偏暗或出现条纹现象FLAASH校正后的影像整体偏暗或者近红外波段出现明显条带。原因多半是中心点经纬度填错或者能见度参数设得过大/过小。中心点如果偏离实际影像覆盖区几十公里大气水柱反演就会失败校正结果自然异常。解决在影像元数据文件MTL.txt中复制CENTER_LAT和CENTER_LONG不要手动估算能见度参数先设为40km再根据结果微调。如果还出现条纹把Spectral Polishing的宽窄比调大一些比如设为1:5。5.3 训练样本无法添加到分类器现象画完ROI后在SVM面板里看不到这个ROI。原因ROI文件没有保存为训练数据格式或者当前ROI的类别没有设置类别ID。解决在ROI工具中右键类别名称选择Set Class Name和Set Class Value点击Save ROI保存为.xml文件然后在分类器中通过Select Training ROIs重新加载。5.4 分类结果出现大量椒盐噪声现象分类图呈细碎颗粒状类别斑块非常小看起来像随机噪点。原因输入影像未经过平滑处理或者分类时没有设置合适的像元合并阈值。解决先对预处理后的影像做一次中值滤波或高斯平滑分类后使用Majority/Minority Analysis处理Kernel Size提高到5×5同时检查样本是否包含边缘混合像元。5.5 输出图像坐标偏移现象裁剪或者分类后得到的影像与原始矢量边界对不上整体偏移几十米到几百米。原因投影信息丢失或者重采样时选择了不匹配的地理配准点。解决在输出对话框中仔细检查投影参数确保与原始影像一致如果已经从原始影像裁剪要确认“Map Info”没有被清空。最快捷的方法是直接双击输出影像的头文件对比投影信息是否和输入影像一致。6. 进阶验证与批处理技巧把课堂实习做成可持续使用的流程实习做完一遍之后大部分人就把结果丢进报告里但我建议你多花半小时做两件事一是用不一致性分析找出分类图里最容易错分的区域二是把预处理步骤固化成批处理脚本下次换一批影像能直接复用。ENVI的Band Math工具可以很方便地计算差值图像。假设你做了两期影像分类想找变化区域可以写一个表达式(b1 lt 0.2) * 0 (b1 ge 0.2 and b1 le 0.8) * 1 (b1 gt 0.8) * 2把灰度差值映射成类别再叠加到原始影像上。注意这个表达式里的lt、ge、gt是ENVI的波段运算语法写错一个字母软件就不识别。批处理方面ENVI有Build Layer Stack和Batch FLAASH工具但更实用的还是写一个简单的IDL或Python脚本。如果你对IDL不熟悉直接用ENVI的Task Manager把单景影像的预处理流程记录成Task再对多景数据循环运行。这里有一个血泪经验——批处理前一定要确认输入输出路径不要存在中文否则大部分软件会在中途报错而且报错信息还看不明白。对于精度评价结果的验证我习惯把误差矩阵导出到Excel然后顺便计算每个类别的制图精度Producers Accuracy和用户精度Users Accuracy。这两个指标能告诉你哪一个类别最不可靠。比如你发现水体的用户精度只有70%说明分类结果里有很多非水体像元被误判为水体这时候回到训练样本把水体样本与阴影样本的ROI仔细对比往往就能解决问题。从那以后我每次做遥感实习都会强制自己走一遍同样的流程先检查头文件信息再预处理画样本时必须记录每个ROI的平均光谱曲线分类后不看总体精度而是先看混淆矩阵。这份PPT对我最大的价值不是它讲了多少高深算法而是把所有操作边界和预期结果写了出来让我在动手之前就知道每一步做出来应该长什么样。希望帮到你。本文还有配套的精品资源点击获取
