企业官网建设流程全解析

简介：这份ENVI处理Landsat8影像的实验报告，面向地信、遥感专业学生及需要完成遥感实习任务的初学者，帮助读者系统掌握从影像预处理到专题信息提取的完整流程。报告以文字配图形式展开，涵盖波段组合、图像裁剪与拼接、辐射定标与反射率求算、大气校正及对比、Brovey/HSV/主成分等图像融合方法的定性与定量评价，还包含水体提取、植被覆盖度计算、温度反演（大气校正法与单窗算法）、监督与非监督分类以及土地利用变化分析，并附有实习心得体会。资源包为1个docx文档，约7.92MB，内含操作步骤截图与结果图，目录结构按实验模块清晰编排。目前已有1243人学习下载，适合作为遥感课程实习的参考范例，也可用于对照梳理ENVI各处理环节的参数设置与结果验证思路。

1. 从一份 ENVI 实验报告说起：Landsat8 全流程处理到底卡在哪

遥感实习报告这东西，写过的人都懂——步骤看着都会，真上手就翻车。我前后带过几届学生做 ENVI 的 Landsat8 影像处理，发现一个反直觉的现象：大部分人卡住的地方，根本不是 FLAASH 参数怎么填，而是前面波段顺序、中心波长、文件格式这些“看起来不重要”的环节。这份实验报告覆盖了从图像裁剪、辐射定标、大气校正，到图像融合、水体提取、植被覆盖度、温度反演、分类和土地利用变化监测的完整链路，用的数据是 2013 年和 2019 年两个时相的 Landsat8 影像。我把它拆开揉碎讲一遍，重点放在那些教程里不写、但你不注意就报错的地方。新手可以照着步骤走，熟手可以看看我在参数选择和结果评判上的判断依据。

2. 预处理三件套：裁剪、辐射定标、大气校正的实操细节

2.1 图像裁剪：从 shp 文件到 ROI 的完整链路

裁剪这一步，很多人觉得简单，但实际操作里最容易出问题的恰恰是坐标系和属性表。这份报告的做法是先在 ArcMap 里处理 shp 文件，再导入 ENVI 做裁剪。具体链路是这样的：

先在 ArcMap 中加载县级行政边界的 shp 文件，打开属性表，只保留目标县的数据行，其余全部删除。导出为新的 shapefile。这一步看着多余，但不做的话，后面在 ENVI 里加载 ROI 会带进来一堆无关区域，裁剪结果乱七八糟。

然后打开 ENVI，把波段 1 到 8 全部加载进来，用 Basic Tools 里的 Layer Stacking 做波段组合。组合完之后，通过 File 菜单的 Open Vector File 导入刚才处理好的 shp 文件。这里有个细节：导入后要点击 Load Selected，把 shp 图层加载到当前显示窗口，才能在图上看到白色的行政边界线。

接下来是关键一步——File 菜单里的 Export Active Layer to ROIS，选择第一个选项，把矢量边界转成 ROI。转换完成后，再用 Basic Tools 里的 Subset Data via ROIS，选择刚才生成的 ROI，把裁剪开关设为 YES，执行裁剪。

注意：如果 shp 文件的坐标系和影像不一致，裁剪出来的结果会偏移甚至为空。导入前先在 ArcMap 里确认两者的坐标系是否统一。

我一般会在这个环节多花两分钟检查 ROI 的范围是否和影像有交集，因为一旦坐标系不匹配，ENVI 不会报错，只会给你一张全黑的图。

2.2 辐射定标：中心波长和增益偏置的填写逻辑

辐射定标是把 DN 值转成辐射亮度或反射率的过程。这份报告用的是 Apply Gain and Offset 工具，参数来源是影像自带的 MTL.txt 头文件。

操作路径是：右键点击裁剪好的影像，选择 Edit Header，修改中心波长信息。单位要改成 Micrometers。波段顺序必须按 1 到 8 的正序排列，否则后面的波长匹配会全部错位。如果只做多光谱分析，可以在这一步就只保留 1 到 7 波段，把第 8 波段全色波段去掉。

然后在 ENVI 扩展工具里双击 Apply Gain and Offset，打开文件后根据 MTL.txt 里的 RADIANCE_MULT_BAND_x 和 RADIANCE_ADD_BAND_x 填入增益和偏置值。输出结果改成七个波段，坐标系设为 WGS-84。

这里有个容易忽略的点：MTL.txt 里的增益和偏置是针对每个波段独立给出的，填的时候要逐波段对应，不能所有波段用同一组值。我见过有人直接复制第一波段的参数填满所有波段，结果定标出来的影像辐射亮度完全不对，后面大气校正也跟着崩。

2.3 大气校正：FLAASH 参数逐项拆解

大气校正是整个流程里参数最多、最容易出错的一步。这份报告用的是 FLAASH 模型，操作前需要先把辐射定标文件的类型从 BSQ 转成 BIL，因为 FLAASH 只认 BIL 格式。

打开 Spectral 菜单下的 FLAASH，在弹出的参数对话框里逐项填写：

参数填完后，在 Multispectral Settings 对话框里，第一个框选第七波段，第二个框选第一波段，这样 FLAASH 才能正确识别波段范围。

校正完成后，报告里做了三组对比：原图与大气校正后对比、辐射定标后与大气校正后对比、三者并排对比。从 ZProfile 曲线可以看出，大气校正后的反射率曲线在蓝光波段明显抬升，这是因为去除了大气散射的影响。如果校正后曲线反而更平或者出现负值，大概率是气溶胶模型或能见度参数设错了。

3. 图像融合四种方法对比：Brovey、HSV、PC 和 Gram-Schmidt 怎么选

3.1 融合前的准备工作：第 8 波段拉伸

Landsat8 的第 8 波段是全色波段，空间分辨率 15 米，比多光谱波段的 30 米高一倍。融合的目的就是用第 8 波段的高空间分辨率去锐化多光谱影像。

但第 8 波段的反射率范围和其他波段不一致，直接融合会导致亮度异常。所以第一步是对第 8 波段做反射率拉伸，把数值范围拉到 0 到 1 之间。这一步不做的话，融合结果会整体偏亮或偏暗，目视效果很差。

3.2 四种融合方法的操作与参数

这份报告实际测试了 Brovey 变换、HSV 变换、主成分变换和 Gram-Schmidt Pan Sharpening 四种方法。每种方法的输入都是大气校正后的多光谱影像（用 5、4、3 波段合成 RGB）加上第 8 波段全色影像。

Brovey 变换的操作路径是 Transform 菜单下的 Image Sharpening 里的 Brovey。输入低分辨率 RGB 影像和高分辨率全色波段，重采样方式选最邻近法。Brovey 的原理是把 RGB 每个波段乘以全色波段与 RGB 波段总和的比值，计算简单，光谱保持较好。

HSV 变换则是先把 RGB 转到 HSV 颜色空间，用高分辨率影像替换亮度分量，再转回 RGB。操作路径类似，在 Image Sharpening 里选 HSV。重采样同样用最邻近法。HSV 的优点是纹理改善明显，但光谱信息损失较大。

主成分变换分三步：先对多光谱数据做主成分变换，然后用高分辨率波段替换第一主成分，最后做逆变换。PCA 的好处是没有波段数量限制，光谱保持也不错，但第一主成分信息高度集中，色调变化较大。

Gram-Schmidt Pan Sharpening 在 ENVI 5.3 里是推荐方法，操作路径在 Image Sharpening 下。它的原理是通过统计方法模拟一个低分辨率全色波段，再做正交化处理，光谱保真度在四种方法里最好。

3.3 定性对比：目视解译的判断依据

报告里对四种融合结果做了目视对比。结论是 Brovey 和 HSV 在空间分辨率和清晰度上改善明显，纹理特征更清晰，地物边界更容易判读。HSV 融合后的居住区边界尤其清楚，比 Brovey 更适合识别具体地物。

PC 融合的效果最差，视觉上反而更模糊，颜色变得过于鲜明，具体特征被模糊掉了。Gram-Schmidt 在光谱保真度上表现最好，但空间细节提升不如 HSV 明显。

我一般会这么判断：如果后续要做分类或定量反演，优先选 Gram-Schmidt 或 Brovey，因为光谱保真度高；如果只是做目视判读或制图，HSV 的视觉效果更好。

3.4 定量对比：均值、标准差、信息熵和平均梯度的计算

定量评价用了四个指标：均值、标准差、信息熵和平均梯度。均值和标准差直接在 ENVI 的 Basic Tools 里用 Compute Statistics 计算。信息熵和平均梯度需要先把影像导出为 ASCII 码文件，再用 MATLAB 编程计算。

导出 ASCII 的路径是 File 菜单下的 Save File As，选 ASCII 格式，小数点位数设为 0，选择对应波段导出。然后在 MATLAB 里读取像素值，按公式计算信息熵和平均梯度。

报告里给出的定量对比数据如下：

从数据看，HSV 融合后的信息熵和平均梯度最高，说明空间细节最丰富；Brovey 的均值偏低是因为反射率拉伸后的数值范围不同；PCA 的信息熵最低，和目视解译的结论一致。

注意：不同融合方法的输出数值范围不同，直接比均值意义不大，重点看信息熵和平均梯度的相对变化。

4. 专题信息提取与温度反演：水体、植被和地表温度的落地方法

4.1 水体提取：从 NDVI 到掩膜阈值确定

水体提取用的是波段运算加密度分割的思路。报告里用的是 CN 融合后的影像，在 Basic Tools 的 Band Math 里输入波段运算函数，得到不同指数的灰度图。然后在灰度图窗口的 Overlay 菜单下选 Density Slice，做密度分割，确定水体掩膜的阈值。

报告里根据 NDVI 数据确定掩膜最大值为 0.2256，把蓝色水体掩膜出来。然后用 Basic Tools 里的 Apply Mask 做图像掩膜，黑色部分就是水体。

这里有个实际遇到的问题：实验区边缘有一条河，掩膜后和背景一起变成黑色，无法区分。这是掩膜方法的固有缺陷——当水体在影像边缘时，背景值和水体值容易混淆。解决办法是先用裁剪把边缘区域去掉，或者改用 NDWI 指数做水体提取，对边缘水体的识别效果更好。

4.2 植被覆盖度：NDVI 的进一步应用

植被覆盖度的计算基于 NDVI 指数。NDVI 的计算公式是近红外波段减红光波段除以两者之和。在 ENVI 里用 Band Math 输入表达式即可得到 NDVI 灰度图。

然后根据 NDVI 值做密度分割，把植被覆盖度分成不同等级。报告里没有详细展开分级标准，但常见的做法是按 NDVI 值域划分：小于 0.1 为裸地，0.1 到 0.3 为低覆盖，0.3 到 0.5 为中覆盖，大于 0.5 为高覆盖。

实际操作中，NDVI 的阈值会因区域和季节而异，不能直接套用固定值。我一般会先看 NDVI 直方图的分布，找自然断点作为分级阈值。

4.3 温度反演：大气校正法和单窗算法的对比

温度反演用了两种方法：大气校正法和单窗算法。

大气校正法的思路是先做大气校正得到地表反射率，再通过普朗克公式反推地表温度。操作上是在 FLAASH 校正的基础上，用 Band Math 计算亮度温度，再做比辐射率校正。

单窗算法则是利用热红外波段的亮温、地表比辐射率和大气平均作用温度三个参数，通过线性公式直接计算地表温度。单窗算法的优势是需要的参数少，计算简单，但对大气参数的精度要求较高。

报告里给出了两种方法的温度反演结果图，并做了分类反演图的分析。从结果看，两种方法在城区和植被区的温度差异趋势一致，但单窗算法在高温区的反演值偏高，大气校正法在低温区更稳定。

注意：温度反演的精度受比辐射率影响很大，不同地物的比辐射率不同，统一用一个值会导致系统性偏差。

5. 分类与变化监测：ISODATA 和监督分类的实操对比

5.1 ISODATA 非监督分类：参数设置与结果解读

ISODATA 是一种非监督分类方法，不需要预先选择样本，而是根据像元的光谱特征自动聚类。在 ENVI 里的操作路径是 Classification 菜单下的 Unsupervised 里的 IsoData。

关键参数包括：分类类别数范围（最小和最大）、最大迭代次数、类别合并和分裂的阈值。报告里没有给出具体参数值，但一般做法是先把类别数范围设大一些（比如 5 到 15），迭代次数设 10 到 20 次，让算法自动收敛。

ISODATA 的结果需要人工后处理，因为自动聚类的类别和实际地物类别不是一一对应的。通常需要把多个类别合并成一个大类，或者把某个类别拆分成两个。

5.2 监督分类：样本选择与最大似然法、神经网络法对比

监督分类需要先选择训练样本。报告里的做法是在影像上选择感兴趣区作为样本，每个类别选若干个样本区域。样本选择的质量直接决定分类精度，所以样本要均匀分布、有代表性。

选完样本后，执行监督分类。报告里对比了最大似然法和神经网络法两种分类器。最大似然法基于贝叶斯定理，假设各类别的光谱分布服从正态分布，计算每个像元属于各类别的概率，取概率最大的类别。神经网络法则通过多层感知机学习样本的光谱特征，对非线性分布的适应能力更强。

从分类结果图看，最大似然法在类别边界清晰、光谱差异大的区域表现好；神经网络法在类别混叠区域的表现更稳定，但训练时间更长，参数调节更复杂。

5.3 土地利用变化监测：两期影像的对比分析

变化监测用的是 2013 年和 2019 年两期影像的分类结果。操作步骤是：先分别对两期影像做分类，然后把两期分类图叠加，统计各类别之间的转换矩阵。

报告里给出了土地变换分析的结果，但没有展开具体数据。常见的分析维度包括：建设用地增加量、耕地减少量、林地变化量等。转换矩阵可以直观看出哪些地类转成了哪些地类，比如耕地转建设用地、林地转耕地等。

变化监测的精度受两期影像分类精度的影响很大。如果某一期分类误差大，变化监测的结果就不可靠。所以做变化监测前，一定要先做分类精度评估，确保每期分类的总体精度在 85% 以上。

6. 避坑与排查：ENVI 处理 Landsat8 最常见的五个翻车点

6.1 波段顺序错乱导致后续全崩

现象：辐射定标后影像亮度异常，大气校正结果出现负值或曲线平坦。

原因：在 Layer Stacking 或 Edit Header 阶段，波段顺序没有按 1 到 8 的正序排列，导致中心波长和增益偏置对应错误。

解决：在 Edit Header 里逐波段检查中心波长值，确保第 1 波段对应约 0.44 微米，第 8 波段对应约 0.59 微米。发现错位就重新做波段组合。

6.2 FLAASH 报错“Accelerator”或内存不足

现象：FLAASH 运行到一半报错退出，提示内存不足或加速器初始化失败。

原因：FLAASH 对内存要求较高，尤其是影像较大时。另外，输入文件格式必须是 BIL，BSQ 格式会直接报错。

解决：先把辐射定标文件转成 BIL 格式；如果影像太大，先做裁剪再校正；关闭其他占用内存的程序，或者分块处理。

6.3 融合结果整体偏亮或偏暗

现象：Brovey 或 HSV 融合后的影像亮度明显异常，地物细节被淹没。

原因：第 8 波段没有做反射率拉伸，数值范围和多光谱波段不匹配。

解决：融合前先对第 8 波段做拉伸，把反射率范围拉到 0 到 1 之间。拉伸公式可以用 Band Math 实现：(b8 - min) / (max - min)。

6.4 水体掩膜后边缘河流消失

现象：水体提取结果中，影像边缘的河流和背景一起变成黑色，无法区分。

原因：掩膜方法对边缘水体的识别能力有限，背景值和水体值在边缘区域容易混淆。

解决：改用 NDWI 指数做水体提取，或者先裁剪掉边缘区域再做掩膜。也可以在掩膜后手动编辑 ROI，把边缘水体单独提取出来。

6.5 分类精度低，变化监测结果不可靠

现象：监督分类的总体精度低于 80%，变化监测的转换矩阵出现大量不合理转换。

原因：训练样本选择不均匀，或者样本数量太少，导致分类器无法准确学习各类别的光谱特征。

解决：增加样本数量，确保每个类别至少选 10 到 20 个样本区域；样本要均匀分布在整个影像范围内；分类后做混淆矩阵评估，根据精度报告调整样本。

7. 从这份报告里带走的一个习惯：先检查头文件再动手

整份实验报告走下来，最深的体会是：ENVI 处理 Landsat8 影像，80% 的翻车都发生在打开软件后的前十分钟。波段顺序、中心波长、增益偏置、文件格式——这些看起来不起眼的参数，一旦填错，后面所有步骤都是白做。

我现在的习惯是：拿到 MTL.txt 头文件后，先花五分钟把每个波段的中心波长、增益、偏置抄到一张纸上，然后在 ENVI 里逐项核对。确认无误后再开始辐射定标。这个习惯帮我省下了大量返工时间。

报告里还有一个值得借鉴的做法是定量对比。很多人做融合只做目视对比，觉得“看起来清楚了”就完事。但目视解译主观性太强，不同人看同一张图可能得出相反结论。加上信息熵和平均梯度的计算，结论才有说服力。MATLAB 代码不复杂，核心就是读取 ASCII 像素值，按公式算熵和梯度，但这一步做了，报告的质量就上了一个台阶。

温度反演部分，大气校正法和单窗算法的对比也很有价值。两种方法各有适用场景，没有绝对的好坏。如果要做长时间序列的温度分析，大气校正法的一致性更好；如果只是单期快速反演，单窗算法更省事。

最后说分类。ISODATA 适合探索性分析，不需要先验知识，但结果需要大量后处理。监督分类精度更高，但样本选择是个技术活。我一般会先用 ISODATA 跑一遍，看看影像大致能分成几类，再根据结果去选监督分类的样本，这样比盲目选样本效率高得多。

这份报告的价值在于它把 ENVI 处理 Landsat8 的完整链路都跑了一遍，而且每个环节都有结果图和对比分析。对于正在学遥感或地信的人来说，照着走一遍，比看十篇教程都管用。需要完整报告和结果图的，可以拿去参考，重点看参数设置和对比分析的思路，具体数值根据你自己的数据调整。希望帮到你。

本文还有配套的精品资源，点击获取