sysun的专栏

（一）非监督分类方法有两种，Isodata 和K-means。1、K—均值分类算法1）打开待分类的遥感影像数据2）依次打开：ENVI主菜单栏—>Classification—>Unsupervised—>K—Means即进入K均值分类数据文件选择对话框。3）选择待分类的数据文件。4）选好数据以后，点击OK键，进入K-Means参数设置对话框，进行有关参数的设置，包括分类的类数、分类终止的条件、类均值左右允许误差、最大距离误差以及文件的输出等参数的设置。如图1、图2、

1.1标准波谱库与浏览ENVI 自带标准波谱库，存放在…\Exeils\ENVI53\resource\speclib 目录下，分别存放在 4 个文件夹中，存储为 ENVI 波谱库格式，由两个文件组成：.sli 和.hdr。 图 1 从多光谱和高光谱数据上获取的波谱曲线对比ASTER Spectral Library Version 2 ASTER 波谱库提供 2443 种地物波谱，包括人造材料、陨石、矿物、岩石、土壤、植物、水体，波长范围 0.4~15.4μm。ASTER ...

基于改进的 CASA 模型反演 NPP数据为地理空间数据云提供的 TM 影像，其具体信息如图 1 所示。该实验中所使用的 TM 数据已进行过 QUAC 快速大气校正，来消除大气和光照等因素对地物反射的影响。Landsat 主题成像仪(TM)是 Landsat4 和 Landsat5 携带的传感器，每 16 天扫描同一地区，即 16 天覆盖全球一次。 TM 影像包含 7 个波段，波段 1-5 和波段 7 的空间分辨率为 30 米，波段 6（热红外波段）的空间分辨率为 120 米软件安装将文件夹“

高光谱地物识别高光谱图像分类方法与传统的多光谱分类有本质的区别，从高光谱图像的每个像元均可以获取一条连续的波谱曲线，就可以考虑用已知的波谱曲线和图上每个像元获取的波谱曲线进行对比，理想情况下两条波谱曲线一样，就能说明这个像元是哪种物质。我们把高光谱图像分类、物质识别、探测等称为波谱识别。 ENVI 提供许多波谱分析方法，包括：二进制编码、波谱角分类、线性波段预测（LSFit）、线性波谱分离、光谱信息散度、匹配滤波、混合调谐匹配滤波（MTMF）、包络线去除、光谱特征拟合、多范围光谱特征拟合等。下...

1.使用ENVI软件中的NDVI工具计算NDVI启动ENVI，并加载经过大气校正的TM数据。2.右键点击 Toolbox→Spectral→Vegetation→NDVI，在弹出的“NDVI Calculation Input File”窗口中选择“TMQUAC”为输入文件，单击 OK。 弹出“NDVI Calculation Parameters”窗口。ENVI 软件通过头文件信息，可识别该数据为 Landsat TM 影像，并识别红波段和近红外波段的波段号。在该窗口中只需...

10.遥感图像监督分类10.1内容介绍监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求， 随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分..

9.图像裁剪9.1内容介绍图像裁剪的目的是将研究之外的区域去除。常用的方法是按照行政区划边界或者自然区划边界进行头像裁剪；在基础数据生产中个，还经常要进行标准分幅裁剪。 本课程学习在 ENVI 下进行图像的规则裁剪、利用矢量数据进行图像的不规则裁剪。9.2详细操作步骤9.2.1规则图像裁剪规则裁剪，是指裁剪图像的边界范围是一个矩形，这个矩形范围获取途径包括：行列号、左上角和右下角两点坐标、图像文件、ROI/矢量文件。规则分幅裁剪功能在很多的处理处理过程中都可以启动（Spatial...

8.图像镶嵌8.1 内容介绍图像镶嵌，指在一定数学基础控制下把多景相邻遥感图像拼接成一个大范围、无缝的图像的过程。ENVI 的图像镶嵌功能可提供交互式的方式，将有地理坐标或没有地理坐标的多幅图像合并，生成一幅单一的合成图像。ENVI 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，它可以：（1）控制图层的叠放顺序（2）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（3）输出范围、可指定输出波段和背景值（4）可.

以下文章来源于气象杂货铺 ，作者朝曦dawnSatpy[1]目前支持的卫星数据[2]有50种(MSG, Himawari 8, GOES-R, MODIS, Sentinel- 1/2/3/5, SNPP等)。本文以最近朝曦dawn[3]添加的风云4A(FY4A) AGRI L1数据为例。Notebook[4]已放在GitHub上，供大家学习。FY4A AGRI L1数据有两种类别：1.全圆盘FY4A-_AGRI--_N_DISK_1047E_L1-_FDI-_MULT_NOM_2

最近在研究深度学习视觉相关的东西，经常需要写python代码搭建深度学习模型。比如写CNN模型相关代码时，我们需要借助python图像库来读取图像并进行一系列的图像处理工作。我最常用的图像库当然是opencv，很强大很好用，但是opencv也有一些坑，不注意的话也会搞出大麻烦。近期我也在看一些别人写的代码，因为个人习惯不一样，他们在做深度学习时用于图片读取的图像库各不相同，从opencv到PIL再到skimage等等各种库都有，有些库读进来的图片存储方式也不太一样，如果不好好总结这些主流图像读写库特点的话，

GDAL是空间数据处理的开源包，支持多种数据格式的读写。遥感图像是一种带大地坐标的栅格数据，遥感图像的栅格模型包含以下两部分的内容：栅格矩阵：由正方形或者矩形栅格点组成，每个栅格点所对应的数值为该点的像元值，在遥感图像中用于表示地物属性值；遥感图像有单波段与多波段，波段表示地物属性的种类，每个波段表示地物一种属性。大地坐标：空间数据参考表示地图的投影信息；仿射矩阵能将行列坐标映射到面坐标上。GDAL读写遥感数据的代码：from osgeo import gdalimport oscl