ENVI构建三维光谱影像立方体的实战指南

ENVI制作三维立体影像图 1.效果图 ENVI中的图谱立方体( Build 3D Cube)工具可以把多波谱或高光谱数据,在通常显示二维图像的基础上添加一个波谱维,实现视觉上的三位效果。首先将数据的每个波段看成个层面,并采用密度分割的方法,应用个颜色表,最终合成-一幅“三维”RGB彩色合成图像立方体。用这种图谱立方体可以很直观地表达多波谱或者高光谱数据的整体。如下图: 2.制作过程 打开ENVI,在该软件中打开高光谱数据,如这里打开“indians-pines”数据。然后在工具箱中找到Spectral工具。 .. 阅读详情

1. 从二维到三维:为什么你需要一个光谱影像立方体?

如果你用过ENVI处理遥感影像,那你肯定对二维的假彩色合成图不陌生。红绿蓝三个通道一组合,地物信息就出来了。但不知道你有没有过这种感觉:盯着几十甚至上百个波段的图像,尤其是高光谱数据,总有点“盲人摸象”的味道。你只能一个个波段去看,或者选几个波段合成,但数据里那些连续、丰富的光谱信息,就像被压扁在了一张纸上,很难形成一个整体的、立体的认知。

这就是三维光谱影像立方体要解决的问题。你可以把它想象成一个“数据魔方”。魔方的一个面(X-Y平面)是我们熟悉的二维空间图像,而魔方堆叠起来的厚度(Z轴),就是一个个连续的波段。这样一来,空间信息和光谱信息就被完美地整合在了一个三维的、可视化的模型里。我刚开始接触高光谱时,总觉得数据理解起来有隔阂,直到用ENVI的 Build 3D Cube 工具生成了第一个立方体,那种“啊哈,原来数据长这样!”的顿悟感非常强烈。它不再是冰冷的数字矩阵,而是一个可以旋转、可以“切片”、可以直观感受其内部结构的实体。

这个工具特别适合两类人:一是数据分析新手,它能帮你快速建立对高光谱数据结构的直观理解,比看波段列表或统计图表直观十倍;二是需要做汇报或展示的研究者或工程师,一个可以交互操作的三维立方体,在展示数据特性、解释分类原理或突出异常区域时,比一堆静态图片有说服力得多。简单说,它把复杂的数据“变简单”了,也让你的分析成果“变酷”了。

接下来,我就手把手带你走一遍完整的构建流程,从数据准备到参数调优,再到一些我踩过坑才总结出来的实战技巧。咱们不用太复杂的理论,就聚焦在“怎么用”和“怎么用好”上。

2. 实战第一步:准备你的数据与启动工具

工欲善其事,必先利其器。在开始构建立方体之前,确保你的ENVI已经正确安装。我这里用的是ENVI 5.6版本,但Build 3D Cube是一个比较经典的工具,在多个版本中位置和功能都基本一致。

首先,你得有数据。ENVI对这个工具支持的数据格式很友好,常见的多光谱数据(比如Landsat的7个波段)、高光谱数据(比如AVIRIS、HyMap的上百个波段)都可以。我这里用一个经典的高光谱数据集“Indian Pines”来演示,这个数据在遥感圈里就像编程界的“Hello World”,很多算法测试都用它,数据也容易获取。

打开数据:

  1. 启动ENVI,点击菜单栏的 File -> Open,找到你的影像数据文件(通常是 .dat 或 .tif 等格式)。
  2. 数据加载后,会出现在 Layer Manager(图层管理器)中。你可以先像平常一样,用 Display -> New Display 打开一个新窗口,把数据拖进去,用默认的灰度或者随便选三个波段合成个彩色图看看,确认数据加载正常。这个预览步骤很重要,能帮你快速判断数据是否有异常,比如全是黑或者白的异常值。

找到“神器”入口: Build 3D Cube工具藏得不算深,但第一次找可能需要点方向。在ENVI主界面,找到并点击顶部的 Toolbox 窗口。这个工具箱是ENVI所有强大功能的集合地。然后,按照这个路径点进去:Toolbox -&g

ENVI Build 3D Cube实战:如何优化参数生成更清晰的三维影像图(避坑指南) 本文详细解析ENVI Build 3D Cube功能在生成三维立体影像图时的参数优化技巧,包括波谱缩放系数、颜色表选择、边框与光照设置等关键参数,帮助用户避开常见陷阱,生成更清晰、专业的三维影像图。 阅读详情

相关推荐

ENVI构建三维影像图谱:从多波段到立体可视化

本文详细介绍了如何使用ENVI的Build 3D Cube功能将多波段数据转化为三维立体影像图,涵盖数据准备、参数调校、实战技巧及进阶应用。通过具体案例展示其在农业、地质和环境监测中的高效应用,帮助用户实现从二维到三维的可视化飞跃。

weixin_42552716的博客 288

ENVI高光谱数据处理实战:从Build 3D Cube到三维影像图的高级技巧

本文深入探讨ENVI高光谱数据处理的高级技巧,重点介绍如何利用Build 3D Cube工具将多波段数据转化为直观的三维立体影像图。通过波段选择策略、颜色表优化和波谱缩放系数调整等专业方法,帮助用户实现从基础操作到高质量三维可视化的进阶,提升遥感数据分析的效率和表现力。

weixin_30374009的博客 403

ENVI新手必看:5分钟搞定高光谱数据的三维立体影像图(附详细步骤)

本文详细介绍了如何使用ENVI软件的Build 3D Cube功能快速生成高光谱数据的三维立体影像图。从数据加载到参数设置,再到高级技巧与常见问题排查,手把手指导新手在5分钟内完成三维可视化,适用于环境监测、地质勘探等多个领域。

weixin_30839881的博客 135

Pix4D处理农业多光谱数据保姆级教程:从无人机影像到ENVI分析的全流程避坑指南

本文提供Pix4D处理农业多光谱数据的全流程教程,涵盖从无人机影像预处理到ENVI高级分析的完整步骤。重点解析农业场景下的参数优化策略,包括点云生成、辐射校正和植被指数计算,帮助用户规避常见错误,提升数据精度与效率。

weixin_29313239的博客 478

TSG软件实战:多源异构数据(光谱、影像、钻孔)的融合导入与预处理指南

本文详细介绍了TSG软件在多源异构数据(包括光谱数据、影像数据和钻孔数据)融合导入与预处理中的实战应用。通过坐标统一、格式标准化和质量校验等核心步骤,TSG软件能够高效整合SWIR/TIR等光谱数据,提升地质勘探工作的准确性和效率。文章还提供了常见问题的排查指南和实用技巧,帮助用户更好地应对数据融合中的挑战。

weixin_30500105的博客 456

【Envi遥感图像处理】015:查看高光谱影像、光谱曲线

高光谱数据是包含光谱维度的三维数据,获取依赖高光谱成像仪器。数据格式多样,如ENVI、HDF、NetCDF等。数据特点为光谱分辨率高、信息量大、数据维度高。处理流程包括数据导入、预处理、特征提取、分类和可视化。应用领域广泛,如农业、环境监测、军事侦察和城市规划。保来发仪器提供高光谱相机等配色系统产品。

智慧空间实验室 2193

【Envi遥感图像处理】023:高光谱遥感基本光谱分析案例教程

高光谱遥感技术通过构建三维数据立方体,实现地物空间与光谱信息的同步获取("图谱合一")。其核心原理在于不同地物对电磁波的独特反射吸收特性形成特征光谱曲线,纳米级光谱分辨率能识别传统遥感无法区分的细微差异(如不同矿物)。ENVI软件提供多种标准波谱库(如USGS矿物库、植被库等)和波谱分析工具,支持通过波谱角分类等方法进行地物识别。应用流程包括:从标准库/影像中选择端元波谱,采用Spectral Angle Mapper等算法比对,最终输出识别结果图。该技术已广泛应用于地质勘探、环境监测等领域。

智慧空间实验室 363

ENVI遥感影像处理中文实战教程

遥感是通过非接触方式获取地表信息的重要技术手段,其核心原理基于电磁波与地物的相互作用。不同地物在可见光、红外、微波等波段具有独特的反射、吸收和发射特性,传感器捕获这些信号后形成遥感影像。关键参数如空间分辨率(识别最小地物)、光谱分辨率(波段细分能力)、时间分辨率(重访周期)共同决定数据的应用边界。ENVI作为专业的遥感图像处理平台,采用模块化架构,主界面包含数据管理器(Data Manager)、多视窗图像显示区、功能丰富的Toolbox工具箱。首次启动后,用户可通过。

weixin_35755823的博客 2078

高光谱3D立方体绘制[项目代码]

本文介绍了两种绘制高光谱3D立方体的方法:使用Python和ENVI。Python方法通过spectral库实现,简单几行代码即可完成,支持鼠标和键盘操作进行旋转、缩放等。ENVI方法需要先将mat格式转换为tif格式,再通过ENVI的Spectral工具生成3D立方体。文章还提供了可能遇到的问题及解决方法,如缺少wxpython或OpenGL库的解决方案。两种方法均详细说明了操作步骤和参数设置,适合遥感图像处理的研究者和开发者参考。

PCF8591实战指南:从IIC通信到STM32的ADC/DAC配置(附完整代码)

本文详细介绍了PCF8591芯片在STM32开发中的实战应用,涵盖IIC通信协议、ADC/DAC配置及完整代码实现。通过解析DATA SHEET关键参数,提供硬件连接指南、控制字节配置技巧和常见问题解决方案,帮助开发者快速掌握这款8位模数/数模转换器的使用,实现精确的模拟信号处理。

y7z8a的博客 541

暗黑地牢modfiles.txt文件生成工具

暗黑地牢modfiles.txt文件生成工具引言方法工具源码基本步骤 引言 玩过暗黑地牢mod,并手动修改了mod中文件的话,如果不同步修改modfiles.txt文件,就会引起各种问题,典型的比如马车刷不出mod英雄,商店和boss都不再出现mod饰品,怪物贴图丢失出现黑块等,要解决这个问题,就要修正mod文件夹下的modfiles.txt文件 方法 针对修改量大小,一般有几种方法: 如果修改较少,而且你还记得修改了哪几个文件,找到这几个文件,右键属性,查看大小,要用的是括号里面的字节数,然后打开mod

lttclaw_的专栏 5009

GitLab中国区注册终极解决方案:绕过+86手机验证的实战技巧(2023最新)

本文详细解析了GitLab中国区注册时绕过+86手机验证的三种实战技巧,包括开发者工具调试方案、使用国际号码的变通方案以及本地化部署替代方案。通过技术分析和实践验证,帮助开发者顺利注册GitLab账号,提升团队协作效率。

rl6adventurer的博客 1508

关于示波器测485串口波特率的使用方法总结

之前没有用过示波器,更不知道怎么来测试串口的波特率,结果遇到一客户说我们产品的波特率达不到9600,只有9100,为了验证这一说法,我们只能自己测试一下。说明:产品通过485接电脑,用串口调试助手接收都是没有问题的,用客户的设备接收就有问题。 下面说一下示波器测波特率的方法步骤: 显示高低跳变的情况: 1.先把示波器表笔的地线(夹子)夹485B,表笔夹485A。 2.往串口发送数据:如发送

lianxue1986的专栏 3万+

抖音无水印视频爬虫实战:从抓包分析到批量下载指定用户作品

抖音作为当前最受欢迎的短视频平台,拥有海量的优质内容。很多用户希望备份自己或他人的作品,但抖音官方并未提供批量下载功能,且直接下载的视频带有平台水印。本文将带领大家从零开始,通过抓包分析、设备模拟、请求签名等核心技术,实现一个完整的抖音无水印视频爬虫系统。本文仅供技术学习和个人备份使用,请勿将爬取的内容用于商业用途或侵犯他人版权,爬取频率请控制合理范围内。目录一、前言二、技术栈概览三、准备工作3.1 环境搭建3.2 抓包分析步骤3.3 关键API发现四、核心技术解密4.1 X-Gorgon签名算法。

2201_76125261的博客 848

SAP Joule 经过了超过 2.5 亿行 ABAP 代码的训练之后......

披露的统计数据,Joule 提供的这种全新系统交互方式,可将事务性任务执行速度提高 90%,访问 SAP Help Portal 内容的速度提高 95%。在 ABAP 应用开发领域,SAP 官网数据显示,Joule 经过超过 2.5 亿行 ABAP 代码的训练,有信心成为这一领域行业领先的代码助手。刚刚过去的 SAP 蓝宝石大会上,SAP 提到,从2023年第四季度以来,SAP 已经交付了 50 项基于人工智能的创新。让其生成 SAP 应用能够识别的结构化应用数据,业务用户全程无需离开 SAP 应用程序。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 804

【系统架构设计师-2023年真题】综合知识-答案及详解

要实现多任务间的协同工作,操作系统必须提供任务间的通信手段。嵌入式操作系统一般都会提供多任务间通信的方法,其中()是任务间最直接、最明显的通信方法,也是访问共享的数据结构,即不同的任务都可以访问同一地址空间。()作为一种更高级的通信方式,能够在同一处理器的各个任务间传递任意长度(理论上只受物理内存和机器字长限制)的信息。(1)A. 共享内存 B. Socket C. 消息传递 D. 信号量(2)A. 共享内存 B. Socket C. 消息传递 D. 信号量【答案】A、C关于星型拓扑结构,下列说法正确的是(

数据知道的博客 1万+

fastlio2原理详解

其核心是利用IMU的高频数据(通常100-500Hz)进行状态预测(前向传播),同时利用激光雷达扫描(通常10-100Hz)作为观测来校正状态。转换了卡尔曼增益的计算公式,将对大维度观测矩阵的求逆(点云数量级)转换为对小维度状态矩阵的求逆,从而极大提升了计算效率。:利用预测出的连续IMU状态,将一帧内每个激光点根据其时间戳反向插值,统一校正到扫描结束时刻,输出无畸变的点云。收敛后,用最终的状态将本帧点云。,根据其精确的时间戳,利用前后两个IMU位姿进行插值,计算出该点采集时刻的精确位姿,再将其全部。

Studying…… 105

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

上一篇: 若依框架服务监控页面报错NoSuchMethodError:从com.sun.jna.Memory.close()缺失到版本兼容性实战
下一篇: MATLAB画图导出PDF全攻略:从PaperPosition设置到-bestfit参数详解
devops8pract
博客等级 码龄4年 533粉丝 849原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值