11
图2.6 在2D散点图上提取纯净像元 图2.7 主窗口中对应像元被标记
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：
图2.8 ROI窗口
在此为了便于区分，双击每个样本区的名称更名为其颜色的名称。 选好了样本区后还要对样本区中的点进行训练。接下来要进行的操作就是要通过链接2-D散点图和Z-剖面图察看样本区中点的光谱特征曲线，删除差别显著的点，达到训练样本区的目的。在2-D散点图窗口中选择Options > Z-Profile，在文件列表中选择反射数据BLC，随即显示一个空白波段图。在2-D散点图窗口中点击鼠标右键，在空白的2-D散点图窗口中就会出现当前的像素剖面图及其坐标值，将差别显著的点删去（用白色画样本区即可删除）。
12
图2.9 光谱特征曲线
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
图2.10 平均波谱曲线
我们现在已经得到了五类地物，但还没有确定它们的种类。在此，我们可以运用ENVI的波谱分析功能来解决。波谱分析首先需要打开一个波谱库，然后将未知波谱与波谱库中的波谱进行匹配处理，并得出一系列匹配系数，系数越大就说明与这种地物越匹配。下面就进行具体的说明。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（美国地质调查局）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。选择一个待鉴别的波谱后波谱分析窗口中就会显示这一波谱与波谱库中的波谱匹配分析的结果。
然而多次努力做出的结果都无法实现匹配，各种矿物得分都相同，努力了很久问题都没
13
有得到解决，只好进行下面的操作。
图2.11 分类结果
以上介绍的是通过2-D散点图定义样本区的方法，对于高光谱遥感来说由于其数据特点，考虑到运用n-D散点图分析效果可能会更好。此外在得到MNF处理图像以后通常还用到其它一些处理方法，下面就一一介绍。
3.2基于PPI的端元提取（N维散点图法）
像素纯度指数(PPI)是一种在多光谱和高光谱图像中寻找波谱最纯的像元的方法。波谱最纯像元与混合的端元相对应。像素纯度指数通过迭代将N-D散点图影射为一个随机单位向量。每次影射的极值像元被记录下来，并且每个像元被标记为极值的总次数也记下来。一幅“像素纯度图像”被建立，在这幅图像上，每个像素的DN值与像元被标记为极值的次数相对应。
MNF变换后，在ENVI主菜单中，选择Spectral-> Pixel Purity Index->[FAST] New Output Band。在打开的Pixel Purity Index Input File对话框中，选择MNF变换结果，单击Spectral Subset按钮，选择前面10个波段（MNF后面波段基本为噪声），单击OK。
14
图2.12 PPI处理进程中
图2.13迭代过程中的PPI曲线
图2.13 的PPI图像是前面的MNF图像经过一万次迭代得到的结果，图像上像素点的值表明了它在迭代过程中有多少次作为极值像元被记录下来。这些数值显示了每个像素周围的数据云的局部突面程度以及每个像素和数据的突起外壳的亲近程度。简言之，值越高越接近n-D散点图的数据源拐角，拥有这些值的数据，其纯度比值低的像素高。零值像素是从未被作为极值的像素。
图2.13 迭代后的PPI影像
15
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。
图2.14 输入和输出直方图的比较窗口
上图显示的是一个输入和一个输出直方图的比较窗口，在图中显示了当前的输入数据和各自拉伸的结果。两条垂直的星布线标志着当前拉伸的最小值和最大值。在窗口的底部列出了拉伸类型和直方图的来源。拖拽星布线的最大值和最小值，然后点击“Apply”，拉伸将自动执行。
下面要执行的操作是由PPI图像生成样本区。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：
图2.15 Band Threshold to ROI窗口
生成包含在迭代过程中100次以上作为极值的最纯像素的ROI。从下图中可以看出有3290个符合条件的点被提取出来，生成了红色的样本区。