实验6波谱沙漏矿石识别.doc

实验报告班级：遥感科学与技术 1 班 姓名：蒋相如 学号：2011043023一．实验名称波谱沙漏矿石识别二．实验目的利用 ENVI 软件进行矿石的分类与识别三．实验数据cup95_ff.int四．实验内容与分析1、 打开实验所需数据，在主图像窗口中选择：Tools > 2-D Scatter Plots，在随即弹出 的波段选择窗口中任意选择两个波段，点击 OK 构成 2-D 散点图2、 在 ENVI 主菜单下选择：Transform > MNF Rotation > Forward MNF > Estimate Noise Statistics from Data选择好保存路径，点击 OK3、 在结果窗口中把鼠标移到曲线上并点击左键，曲线上会出现一条以点击位置为交叉点 的十字，同时在窗口左下角显示当前的波段数和其特征值特征值越高说明信息量 越丰富4、打开 2D 散点图，可发现散点图明显发生了变化，经过 MNF 变换后的图像波段之间的 相关性有效地降低了，并且出现了多个拐点，这些拐点就是我们要找的端元—— Endmembers4、 如图所示，选择好八种端元进行分类在散点图窗口中选择：Options > Export All 将 选择的区域输出为 ENVI 的 ROIs，显示如下窗口： 5、 训练完成后，在 2-D 散点图窗口中选择：Options > Mean All 提取各样本区的平均波 谱曲线：6、在 ENVI 主菜单下选择：Spectral > Spectral Analyst，在弹出的窗口中选择波谱库，在 此我们选择 USGS 波谱库，点击 OK，在弹出的“Edit Identify Methods Weighting”窗口中 设 定计算参数后点击 OK，随即弹出波谱分析窗口，点击 Apply，在弹出的输入波段列表中 选择我们要鉴别的波谱。

双击列表中的第一个波段名称绘制未知波段，波谱库波谱也会同 时显示以作比较：我们可知此类地物为 margrit6、 依此方法将其余的几类逐一进行分析，确定其特征，并更改类别名称7、在 ENVI 主菜单下选择：Pixel Purity Index > [FAST]New Output Band，选择前面得到的 MNF 图像进行 PPI 处理经过 5000 次迭代后得到的 PPI 图像如下所示：越亮的像素说 明它被标记为极值的次数越多相应地也越纯；相反，暗一些的图像纯度就低在主图像窗 口中选择： Enhance > Interactive Stretching 尝试不同的交互式拉伸以理解 PPI 图像的直方 图和数据分类8、 在 ROIs Tool 对话框中选择 Options > Band Threshold to ROI 建立一个只包含拥有高 PPI 值像素的 ROI选择输入的 PPI 文件，在弹出的对话框中输入最小极限值：9、在 ENVI 主菜单中选择 Spectral > n-Dimensional Visualizer > Visualize with New Data， 在弹出的对话框中选择前面处理好的 MNF 文件，选择其前十个波段进行观察。

这里默认 使用刚才生成的只拥有高 PPI 值的 ROI如果有多个可选择的 ROIs，它会让你选择用哪 一个点击 ROI 后将弹出可以选择 1 到 10 波段的 N 维控制对话框和 N 维散点图窗口 选择前五个波段构成 n-D 散点图并选择 n-D 控制对话框中的 Options > Show Axes 选项 随后 在 n-D 控制窗口中点击 Start 进行旋转：10、在 ENVI 主菜单下选择：Classification > Supervised > Spectral Angle Mapper选择原始 图像作为待分类图像点击 OK 后弹出端元收集窗口，在此窗口中选择：Import > form ROI from Input File，选择我们刚才定义好的样本区，点击 OK，这些样本区就出现在端元 收集器中了，我们就会根据这些样本区对图像进行分类自动矿物识别自动矿物识别1、 点击 spectral---- automated spectral hourglass选择待识别数据，点击 ok 得出结果图。