ENVI怎么导出TM图像的训练样本

可以按照以下步骤在ENVI中导出TM图像的训练样本：

1. 打开ENVI软件并加载TM图像。

2. 在ENVI主菜单中选择“Classification” > “Interactive Supervised Classification”打开交互式监督分类对话框。

3. 在对话框中，选择“Training Data”选项卡。

4. 在“Training Data”选项卡中，选择“New ROI Group”按钮创建一个新的ROI组。

5. 选择“New ROI”按钮创建一个新的ROI。

6. 使用“ROI Tools”工具栏中的工具在图像上绘制ROI。您可以使用“Polygon”工具、“Rectangle”工具或“Circle”工具来创建ROI。

7. 重复步骤5-6，直到您创建了所有所需的ROI。

8. 选择“Save”按钮保存ROI组。

9. 在“Classification”对话框中，选择“Output”选项卡。

10. 在“Output”选项卡中，选择“Training Data”选项，然后选择要保存训练样本的文件夹和文件名。

11. 点击“OK”按钮导出训练样本。

注意：在选择ROI时，应选择代表不同类别的区域，并且应该尽可能避免选择包含混合像素的区域。同时，应该选择足够多的ROI来代表每个类别，以确保分类器的准确性。

相关问题

请采用ENVI自带的can_tmr.img数据集完成用马氏距离法进行TM图像监督分类，并给出分类结果评价 （用混淆矩阵），基本要求：训练样区的选择可以用其他软件 如ENVI来实现，TM用1,2,3,4,5,7这六个波段，图像格式自己定 义。数据量不作要求，结果用专题图的形式表示（用不同色斑 表示不同地物类别），用ENVI自带的例子数据，类别数量4类。 提高要求：训练样区自己选择，数据量可以任意，数据类型可 以任意（也就是波段数量可变），开发一个实用的马氏距离分 类器

首先，我们需要准备训练样本区域。可以使用ENVI软件中的ROI工具手动选择感兴趣的区域，并将其保存为ROI文件。为了方便起见，我们可以选择ENVI自带的训练样本区域数据集。

接下来，我们需要加载can_tmr.img图像，并选择要用于分类的波段（1,2,3,4,5,7）。可以使用ENVI软件中的Bands窗口来选择波段，并将其保存为新的图像文件。

然后，我们可以使用ENVI软件中的Classification工具来创建一个基于马氏距离的分类器。首先，我们需要选择一个训练样本区域，并为每个类别选择一些样本。然后，我们可以使用ENVI软件中的Classification Wizard来创建一个分类器，并将其设置为基于马氏距离的分类器。

最后，我们可以使用ENVI软件中的Classification工具来对整个图像进行分类。分类结果将以专题图的形式显示，并且不同的地物类别将用不同的颜色斑点表示。我们还可以使用混淆矩阵来评估分类结果的准确性。

如果我们想开发一个实用的马氏距离分类器，我们可以使用Python语言和NumPy库来实现。下面是一个示例代码：

import numpy as np

# 计算两个向量之间的马氏距离
def mahalanobis_distance(x, y, cov):
    x = np.array(x)
    y = np.array(y)
    cov_inv = np.linalg.inv(cov)
    diff = x - y
    dist = np.sqrt(np.dot(np.dot(diff, cov_inv), diff.T))
    return dist

# 训练一个基于马氏距离的分类器
def train_mahalanobis_classifier(X_train, y_train):
    # 计算每个类别的均值向量和协方差矩阵
    class_means = []
    class_covs = []
    for c in np.unique(y_train):
        X_c = X_train[y_train == c]
        class_mean = np.mean(X_c, axis=0)
        class_cov = np.cov(X_c.T)
        class_means.append(class_mean)
        class_covs.append(class_cov)
    
    # 返回训练好的分类器
    return class_means, class_covs

# 使用训练好的分类器对测试数据进行分类
def predict_mahalanobis_class(X_test, class_means, class_covs):
    y_pred = []
    for x in X_test:
        min_dist = np.inf
        min_class = None
        for i in range(len(class_means)):
            dist = mahalanobis_distance(x, class_means[i], class_covs[i])
            if dist < min_dist:
                min_dist = dist
                min_class = i
        y_pred.append(min_class)
    return np.array(y_pred)

这个分类器可以用于任何数据集，并且可以处理任意数量的波段。我们只需要将数据集转换为NumPy数组，并将其拆分为训练数据和测试数据即可。然后，我们可以使用训练数据训练分类器，并使用测试数据评估分类器的准确性。

假设各类别协方差矩阵相等，推导马氏距离分类器。 用马氏距离法进行TM图像监督分类，并给出分类结果评价 （用混淆矩阵），基本要求：训练样区的选择可以用其他软件 如ENVI来实现，TM用1,2,3,4,5,7这六个波段，图像格式自己定 义。数据量不作要求，结果用专题图的形式表示（用不同色斑 表示不同地物类别），用ENVI自带的例子数据，类别数量4类。 提高要求：训练样区自己选择，数据量可以任意，数据类型可 以任意（也就是波段数量可变），开发一个实用的马氏距离分 类器。请给出具体的Python代码

马氏距离分类器

假设各类别协方差矩阵相等，那么马氏距离分类器的决策规则为：

$D_i = (\mathbf{x}-\mathbf{m}_i)^T\Sigma^{-1}(\mathbf{x}-\mathbf{m}_i)$

其中，$D_i$ 表示样本 $\mathbf{x}$ 属于第 $i$ 类的马氏距离，$\mathbf{m}_i$ 表示第 $i$ 类样本的均值向量，$\Sigma$ 表示各类别协方差矩阵的平均。

最终，将样本 $\mathbf{x}$ 分类为使 $D_i$ 最小的 $i$。

TM图像监督分类

以 TM5遥感影像为例进行分类，使用 ENVI 软件选择训练样区，选择4种类别：水体、森林、农田和城镇建筑。

首先，读取影像数据并进行预处理：

import numpy as np
import spectral

# 读取影像数据
img = spectral.open_image('tm5.hdr')
data = img.load()
rows, cols, bands = img.shape

# 数据预处理
data = np.reshape(data, (rows*cols, bands))
data[np.isnan(data)] = 0
data = spectral.transforms.rescale(data, (0, 1))

接下来，选择训练样区并计算各类别的均值向量和协方差矩阵：

# 选择训练样区
train_img = spectral.open_image('train.hdr')
train_data = train_img.load()
train_rows, train_cols, train_bands = train_img.shape
train_data = np.reshape(train_data, (train_rows*train_cols, train_bands))

# 计算均值向量和协方差矩阵
mean_vectors = []
cov_matrix = np.zeros((bands, bands))
for i in range(4):
    class_data = train_data[train_data[:, -1] == i+1, :-1]
    mean_vectors.append(np.mean(class_data, axis=0))
    cov_matrix += np.cov(class_data.T)
cov_matrix /= 4

最后，使用马氏距离分类器对整个影像进行分类，并将分类结果保存为专题图：

# 马氏距离分类器
result = np.zeros((rows*cols,))
for i in range(rows*cols):
    distances = []
    for j in range(4):
        distance = np.dot(data[i]-mean_vectors[j], np.linalg.inv(cov_matrix))
        distance = np.dot(distance, (data[i]-mean_vectors[j]).T)
        distances.append(distance)
    result[i] = np.argmin(distances) + 1

# 保存专题图
result = np.reshape(result, (rows, cols))
spectral.save_rgb('result.jpg', result, (3, 2, 1))

混淆矩阵用于评价分类结果，可以使用 sklearn 库中的 confusion_matrix 方法进行计算：

from sklearn.metrics import confusion_matrix

# 计算混淆矩阵
true_labels = np.reshape(img[:,:,6], (rows*cols,))
confusion = confusion_matrix(true_labels, result)
print(confusion)

完整代码：

import numpy as np
import spectral
from sklearn.metrics import confusion_matrix

# 读取影像数据
img = spectral.open_image('tm5.hdr')
data = img.load()
rows, cols, bands = img.shape

# 数据预处理
data = np.reshape(data, (rows*cols, bands))
data[np.isnan(data)] = 0
data = spectral.transforms.rescale(data, (0, 1))

# 选择训练样区
train_img = spectral.open_image('train.hdr')
train_data = train_img.load()
train_rows, train_cols, train_bands = train_img.shape
train_data = np.reshape(train_data, (train_rows*train_cols, train_bands))

# 计算均值向量和协方差矩阵
mean_vectors = []
cov_matrix = np.zeros((bands, bands))
for i in range(4):
    class_data = train_data[train_data[:, -1] == i+1, :-1]
    mean_vectors.append(np.mean(class_data, axis=0))
    cov_matrix += np.cov(class_data.T)
cov_matrix /= 4

# 马氏距离分类器
result = np.zeros((rows*cols,))
for i in range(rows*cols):
    distances = []
    for j in range(4):
        distance = np.dot(data[i]-mean_vectors[j], np.linalg.inv(cov_matrix))
        distance = np.dot(distance, (data[i]-mean_vectors[j]).T)
        distances.append(distance)
    result[i] = np.argmin(distances) + 1

# 计算混淆矩阵
true_labels = np.reshape(img[:,:,6], (rows*cols,))
confusion = confusion_matrix(true_labels, result)
print(confusion)

# 保存专题图
result = np.reshape(result, (rows, cols))
spectral.save_rgb('result.jpg', result, (3, 2, 1))