使用ENVI进行高光谱波谱分析与地物识别实践

"这篇内容主要介绍了如何利用ENVI软件进行高光谱波谱分析和地物识别，通过实例展示了ENVI在高光谱遥感图像处理中的应用。实验数据选取了一幅校准过的AVIRIS图像，适用于地质学研究。在ENVI中，通过打开图像文件，选择2-D散点图功能，可以观察不同波段之间的相关性。对于高光谱图像中波段间的高度相关性，通常需要进行特征提取和选择来减少冗余信息。在处理高光谱数据时，MNF（最低噪声分数）变换被优先采用，因为它能有效地隔离噪声、降低计算复杂度，并揭示数据的内在维度。MNF变换包括两个阶段：首先基于噪声协方差矩阵进行变换以分离和调整噪声，然后进行标准主成分变换。通过在ENVI中执行这些操作，用户可以观察到MNF特征值曲线，了解变换效果。" 在ENVI中进行高光谱波谱分析和地物识别的过程中，首先需要打开图像文件，如AVIRIS图像，通过File>OpenImageFile选择图像并加载。然后，通过2-D散点图分析，可以选择任意两个波段观察它们之间的相关性，这有助于理解数据的分布特性。例如，选择第172和173波段，可能会发现点云分布呈现线性，表示这两个波段具有高度相关性。 高光谱图像的一个挑战是波段间的相关性可能导致数据冗余。为了解决这个问题，可以执行特征提取和选择。在多光谱图像中，可能使用主成分分析（PCA），但在高光谱数据中，MNF变换更为适用。MNF不仅降低了数据的噪声，还减少了处理的计算需求。在ENVI中，通过Transform>MNFRotation>ForwardMNF>EstimateNoiseStatistics菜单路径进行MNF变换的设置和执行。完成变换后，会得到MNF特征值曲线，这可以帮助评估变换的效果，例如，如果仅显示25个波段，可能是由于在设置中限制了输出波段的数量。 除了地质学应用，高光谱遥感也广泛应用于军事等领域。文中提到的另一幅高空间分辨率的军事图像也可以通过类似的方法进行分析，以比较不同类型的图像在分类效果上的差异。通过对高光谱图像进行深入的波谱分析和地物识别，可以提取出丰富的地表信息，这对于环境监测、资源勘查、城市规划等众多领域都具有重要意义。