遥感图像处理实操：ENVI监督分类与预处理全流程避坑指南

简介：一份面向遥感课程与ENVI入门学习者的操作实习PPT，围绕软件界面认知、图像增强与变换、波段运算和预处理三大模块展开，适合高校地理信息科学、遥感专业学生及需要快速上手ENVI的科研新手。压缩包内为单个PPT演示文稿，大小约2.46MB，内容凝练了ENVI界面组成、图像文件格式、像元信息查看、光谱曲线显示、窗口联动、主成分变换、几何配准和空间重采样等操作要点，并给出菜单路径指引，便于课堂讲解与课后自查。已有99人学习浏览，适合作为实验课辅助材料或自学引导。通过跟随幻灯片中的操作流程，读者能系统掌握从打开图像到图像配准的完整技能，减少摸索时间，提高实习效率。

1. 遥感软件操作综合实习到底在练什么：一条从数据到图件的完整流水线

很多人拿到综合实习任务时的第一反应，是打开 ENVI 到处点菜单，把工具栏里的按钮挨个试一遍。结果图也出了、报告也写了，交上去却被导师打回：“你做的只是操作演示，不是综合实习。”这个反馈点破了这类实习的本质：遥感软件操作综合实习练的不是某个工具怎么点，而是从一堆原始影像出发，经过数据准备、预处理、信息提取、精度验证，最后产出一张能讲清楚“地物是什么、分布在哪里、结果可不可信”的专题图。它让新手把生产流水线完整走一遍，顺便踩一遍文档里不会写的坑。

这篇笔记以 ENVI 为主线，覆盖数据准备、辐射定标与大气校正、波段运算、监督分类、精度验证与出图的完整链路，同时交代 ArcGIS 和 QGIS 在矢量处理、制图环节的常见分工。适合两类人：第一次做综合实习的学生，照着步骤能交出一份不被退稿的报告；带实习生或负责技术评审的工程师，可以拿里面的避坑清单当检查项。全文不追求把菜单讲全，只讲实习报告里真正会被检查的环节。

2. 软件选型与数据准备：ENVI 为主、QGIS 为辅的实习环境搭建

2.1 三款常用遥感软件的定位差异与选型理由

综合实习报告里，软件选型通常是第一章就要交代的内容。常见组合有三种：ENVI 主攻影像处理、ArcGIS 做矢量与制图、QGIS 作为免费兜底。很多同学一台电脑装了三个软件，结果每个都只会一半操作，不如按任务阶段分工。

我的建议是“一主一辅”：影像处理全部在 ENVI 里做，矢量边界用 ArcGIS 或 QGIS 整理，最后出专题图看学校环境。若实习机没装 ArcGIS，QGIS 完全能顶替制图环节。选型理由写进报告时，不要只写“用了 ENVI”，要写“影像预处理与分类需要专业光谱处理能力，ENVI 的辐射定标和 FLASH 大气校正模块最成熟；矢量与制图选用 QGIS，因为它支持与 ENVI 交换数据的格式，且跨平台”。

2.2 实习数据该怎么准备：影像、矢量边界与地面验证点

综合实习最常见的失败原因是数据没备齐就开软件。一份合格的实习数据包至少包含三样东西：原始影像、研究区边界、地面验证点。影像优先选 Landsat 8 OLI 或 Sentinel-2 的光学多光谱数据，空间分辨率 10～30 米，一个学期内实习刚好能用；边界矢量是一个 shp 文件，用来裁剪影像限定研究区；验证点是野外调查或高分辨率影像上读取的坐标点，用于分类后的精度验证，数量每类不少于 30 个。

拿到影像后不要急着解压打开，先建一个干净的目录结构。我一般按“原始数据 / 中间结果 / 成果输出”三级组织：raw放下载的压缩包和原始 tif，process放定标、校正后的中间文件，final放分类结果和专题图。文件名里带上传感器和日期，比如LC08_20231015_level1，避免实习后期出现“最终版最终改版”的混乱。这一步看似浪费时间，实际能省掉后面 80% 的找文件纠葛。

2.3 用 ENVI 完成数据打开与波段合成的三个操作细节

打开数据不要用 File → Open 直接点 tif，要用 Open As → Optical → Landsat，这样 ENVI 会按传感器类型自动读取元数据、把辐射定标需要的中心波长和增益系数带进来。Landsat 8 的 Level-1 产品通常每个波段一个 tif 文件，自动读取后会合成到一个虚拟文件里。

接下来要做波段合成。综合实习里最常见的要求是把多光谱波合成一个多波段文件，再进入后续流程。操作路径是 Basic Tools → Layer Stacking，把蓝、绿、红、近红外、短波红外按顺序放进去。这里有三个容易出错的细节：第一，输出顺序必须和你后面自定义指数公式时一致，一般记 B、G、R、NIR、SWIR-1、SWIR-2；第二，Layer Stacking 默认会按你选择的顺序排，列表里拖拽顺序就是输出波段的顺序；第三，输出数据类型保持原始 uint16，不要顺手转成 byte，否则后面辐射定标时数值范围会被截断得很难看。

# Layer Stacking 参数核对（ENVI 界面操作对应项） 输入文件: B2(Blue), B3(Green), B4(Red), B5(NIR), B6(SWIR1) 输出顺序: B2-B3-B4-B5-B6 输出格式: ENVI Standard, Interleave=BSQ 数据类型: Unsigned 16-bit

这段操作对应的界面项看起来不复杂，但 BSQ 和 BIL 的差别会直接影响后续 Band Math 是否能读对每个波段。ENVI 默认 BSQ 是按波段顺序存储，FLASH 大气校正对文件组织方式不敏感，但如果你换成 BIL 输出，某些第三方脚本读数据时会按像素交叉方式解析，导致波段错位。所以实习阶段统一用 BSQ，别为了“尝试新选项”给自己埋雷。输出前勾选生成统计信息，后面画灰度图或调拉伸时会快很多。

3. 影像预处理流程：辐射定标、大气校正与几何校正的实操顺序

3.1 为什么预处理顺序不能乱：三个校正的依赖关系

预处理三件套——辐射定标、大气校正、几何校正，顺序是定死的。辐射定标在前，把传感器记录的 DN 值转换成表观辐亮度；大气校正其次，消除大气分子和水汽对辐射信号的吸收散射；几何校正放在最后，因为前面两步都是逐像元数值运算，不涉及像素坐标的搬移，几何校正一旦做了重采样，后续再改辐射值就会造成双重误差。

这里有个实习报告常被追问的坑：如果下载的是 Landsat Level-2 地表反射率产品，辐射定标和大气校正已经在官方流程里完成了，你只需要打开后确认数据单位是反射率，直接进几何校正和信息提取就行。很多同学不管三七二十一，对 Level-2 又跑一遍 FLASH，结果反射率数据被二次校正成了奇怪的负值，后面指数计算全乱掉。动手前先看文件的 Scale Factor 和单位描述，做预处理前先分清 Level-1 和 Level-2。

3.2 辐射定标与大气校正的可复现操作参数

辐射定标用 ENVI 的 Radiometric Calibration 工具。选好前面合成的多波段文件后，关键参数有两处：Calibration Type 选 Radiance，输出单位是 W/(m²·sr·μm)；Scale Factor 注意选默认的 1.0，不要勾 0.1，否则导出的辐亮度值会系统性偏小十倍，FLASH 反演时容易报错或得到异常反射率。输出文件建议命名带_rad后缀，方便后面区分。

# ENVI Radiometric Calibration 参数设置参考 Input File: 多波段合成文件（uint16） Calibration Type: Radiance Output Data Type: Float (32-bit) Scale Factor: 1.0 Output Filename: study_area_rad.dat

大气校正常用 FLASH 模块。它的参数很多，但真正影响结果的只有五个：传感器类型选 Landsat-8 OLI；影像中心经纬度会自动带出，不要手改；传感器高度和地面平均海拔按元数据填，地面海拔可以在 Google Earth 或 DEM 里读一个平均值；气溶胶模型选 Rural，除非研究区明确在海边或工业区才换 Maritime/Urban；初始能见度填 40 km，内陆一般 30～40 km，不需要精确，FLASH 会通过暗像元反演自动修正。

参数填完，点 Multiplier 那个按钮时注意：FLASH 默认会对输出反射率乘一个 10000 的系数，很多新手不知道这一步，导致输出的地表反射率最大值是 10000 而不是 1。如果你的后续计算用反射率比值（比如 NDVI 是反射率的差值除以和），乘以 10000 不改变比值结果；但如果你要提取具体反射率值写进报告，就要记得除以 10000。我习惯在 FLASH 输出后顺手用 Band Math 做一次b1/10000，让数据回到 0～1 区间，后面所有指数公式都不需要再操心量纲。

3.3 几何校正与影像裁剪：把研究区从大影像里切出来

几何校正分两种情况：一种是你下载的影像本身自带 RPC 定位信息（Landsat、Sentinel-2 都带），直接用 RPC Orthorectification 就能消除大部分地形引起的几何偏移；另一种是历史影像或无人机影像没有 RPC，必须地面控制点。实习场景里，前者覆盖大多数，后者多出现在对比实验中。

RPC 校正的操作路径是 Raster Management → RPC Orthorectification，投影选你研究区所在的 UTM 分带。这一步输出的影像已经具备大致准确的坐标，误差一般在 1 个像元以内。如果你发现影像和底图之间仍然有明显错位，那就是控制点环节的问题：用 Geometric Correction，在影像和参考底图上挑选同名点，GCP 数量至少 12 个，且要覆盖影像四角和中心。多项式阶数不要一上来就选 Polynomial 3，控制点少的时候高阶多项式会让边缘形变得很厉害，先用 2 阶，RMS 控制在 1 个像元以内就够实习用了。

# 几何校正 GCP 分布检查要点 采集数量: 15~20 个同名点 分布要求: 四角 + 中心 + 道路交叉口等线状地物交点 RMS 控制: < 1 pixel（影像分辨率 30m 即 < 30m） 多项式阶数: 2 阶，控制点不足则降到 1 阶

裁剪是预处理最后一步，用 Basic Tools → Subset Data from ROIs。如果你有研究区 shp 边界，先在 ENVI 里打开 shp 转成 ROI；如果没有，直接在影像上画矩形 ROI 也可以。裁剪时勾选“Mask pixels outside of ROI”，这样输出文件的研究区外是无效值而不是黑色 0 值，后续分类和统计时不会把黑色背景当成一个地类。这个勾选框是实习报告里区分“随便做做”和“认真做过”的隐形标准。

4. 信息提取的核心操作：从指数计算到监督分类的完整链条

4.1 NDVI 与水体指数计算：用 Band Math 做指数提取并避开整数陷阱

预处理做完，进入信息提取环节。综合实习最常用的两个指数是 NDVI（归一化植被指数）和 MNDWI（改进型归一化水体指数），分别对应植被覆盖度和水体提取。Band Math 是 ENVI 里做这事的主要工具，表达式本身很简单，但新手翻车率极高，原因几乎都是数据类型。

Landsat 8 的近红外是 B5，红光是 B4，NDVI 的表达式是(float(b5)-b4)/(float(b5)+b4)。注意 float 转换——如果直接用整数波段相减，近红外和红光的差值大部分是负数或小整数，在整数除法下结果全是 0 或 1，完全没有中间渐变的植被梯度，出来的图像像一块黑白噪声。加上 float 后，运算变成浮点除法，NDVI 才会落在 -1 到 1 的连续区间。

# NDVI 表达式（Landsat 8 OLI） ; ENVI Band Math 输入 b1 = 近红外波段 B5 b2 = 红光波段 B4 表达式: (float(b1)-b2)/(float(b1)+b2) # MNDWI 表达式 b1 = 绿光波段 B3 b2 = 短波红外 B6 表达式: (float(b1)-b2)/(float(b1)+b2)

指数计算的参数除了波段选择，还有输出范围。Band Math 默认输出整个影像范围，如果你只想算研究区的 NDVI，可以在输入文件里选已经裁剪好的研究区文件。计算完成后，用 Quick Stats 看一下 NDVI 的直方图分布，如果平均值在 0.2～0.5 之间、最小值在 -0.5 左右，说明定标和校正环节没问题；如果你看到 NDVI 几乎全是 1 或 -1，回头检查前一步是否做了大气校正、以及波段顺序是不是 B5 和 B4 反了。

4.2 监督分类的样本选择与分类器参数设置

指数提取完成之后，实习主线通常会走向土地覆盖分类。在 ENVI 里做监督分类前，要先建立 ROI 样本集。每一类地物的训练样本不是随便画几个圈就算完，每类样本数量不低于 50 个像元，而且样本要分布均匀——比如水体的样本要覆盖不同浑浊度的水体、植被要包含密林和灌丛。一个类别只在影像一角画一个多边形，分类结果里这一类在其他区域大概率会碎成噪点。

样本画完后，用 Options → Compute ROI Separability 计算可分离性，输出一个 0～2 的数值：大于 1.9 说明样本区分度高，1.8～1.9 勉强可用，小于 1.8 就要回去补样本。这个指标是实习报告里能直接提高技术含量的证据，很多同学不知道，写着写着就让两类地物的样本分不开，后面分类精度上不去。

# 监督分类器选择建议（ENVI Classification → Supervised） 最小距离: 速度最快，适合样本正态性差的快速验证 最大似然: 假设样本正态分布，适合光谱差异大的地类 SVM: 适合样本复杂、类别光谱重叠的实操场景，实习首选

SVM 参数面板里最常改动的是 Kernel Type 和 Penalty。Liner 核适合多数地表覆盖任务，RBF 核在样本非线性可分时有优势，但训练慢。Penalty（惩罚参数）默认 100，如果分类结果出现大量细碎噪声，可以降到 50 试试；如果两类地物严重混淆，提高 Penalty 到 200~500 往往能改善支持向量的拟合。注意每次改完参数重新分类，观察结果而不是盲信默认值。

4.3 分类后处理：Majority/Minority 分析与类别合并

分类刚结束的图通常惨不忍睹，到处是椒盐噪声。这时不能直接拿去算精度，先做后处理。ENVI 的 Classification → Post Classification 提供了几样工具，实习阶段够用的是 Majority/Minority Analysis 和 Sieve Classes。

Majority/Minority 相当于中值滤波：设定一个核窗口，比如 3×3 或 5×5，窗口中心像元的类别会被替换为窗口内出现次数最多的类别。核大小不要一上来就选 7×7，那样会把细小的河流和道路抹掉。3×3 适合保留细节，5×5 适合去除噪声。Sieve Classes 是另一种思路：把面积小于设定像元数的碎斑归并到邻近最大的类别里，阈值一般设 10～30 个像元，具体看影像分辨率和你希望保留的最小图斑。

# Majority/Minority 参数参考 Kernel Size: 3×3 或 5×5 Center Pixel: Replace 或 Preserve Output Class: 与原类别一致 # Sieve 参数参考 Minimum Size: 20 pixels Dilate: 在 Sieve 后勾选，避免边缘锯齿

后处理完成后的分类图，先做一次类别合并。比如你把耕地又细分为水田和旱地，如果最终报告只需要“耕地”一个类别，就统一合并掉。合并的作用有两点：一是精度统计时类少好算、混淆矩阵清晰；二是图例简单，专题图可读性大幅提升。这步很多人忽略，觉得细分多代表工作量大，实际上分类类目太多、某些类样本不足，是精度验证时 Kappa 系数难看的主因。

5. 遥感实习操作避坑：六个最容易翻车的环节与排查思路

5.1 波段顺序错位：NDVI 算出来是“负的植被”

现象：NDVI 结果分布完全颠倒，植被区域呈现负值，水体区域却接近最高值。 原因：Landsat 8 各波段以 B1~B7 命名，但不同软件导入后，文件内部的波段排列可能不一样。如果你在 ENVI 里用 File → Open 直接打开单波段 tif，而不是用 Open As → Landsat 读取，ENVI 无法识别 B5 就是近红外，它在 Band Math 里选 b1 可能是短波红外而非 NIR。 解决：每次打开数据后，先检查 Layer Manager 里波段的中心波长描述，确认 B4=Red、B5=NIR，再写指数公式。别死记“b5 是近红外”，要时刻确认实际导入顺序。血泪结论：写完公式后顺手看一眼中间值分布，比反复对公式更有用。

5.2 FLASH 大气校正后影像整体变灰

现象：校正前的原图色彩正常，FLASH 之后影像像蒙了一层灰，动态范围被压到很低。 原因：最常见是输入文件的 Scale Factor 与增益参数不匹配。有些 Landsat Level-1 产品需要乘一个固定的增益因子才能转成辐射量，而 FLASH 输入面板里默认的 Scale Factor 是 1.0。另一个高发原因是初始能见度填了 10 km 以下或 50 km 以上，极端值会让大气剖面反演失真。 解决：先查输入产品的元数据文件，找到RADIANCE_SCALE_FACTOR，把它填进 FLASH 的 Scale Factor；能见度按研究区气候特征填 30～40 km；输出后看反射率均值是否落在预期的 0.05～0.6 区间，如果全图均值低于 0.01，说明定标系数至少差了一个量级。

5.3 样本分离度不足导致分类结果大面积混淆

现象：监督分类后，林地和灌丛两类像打翻了的调色盘，边界完全狗啃状，精度验证的 Kappa 系数不到 0.6。 原因：两类地物的光谱曲线本来就接近，而你在画样本时又都画在植被茂密的区域，光谱特征几乎没有区分度。 解决：画完样本后强制跑一次 Compute ROI Separability，任何两类的分离度低于 1.8 就必须处理。处理方式不是删掉一类，而是去样本覆盖的更多区域补充采集：比如林地样本加入阴影下的林地、稀疏林地，灌丛样本加入干旱坡面的灌丛，让各自的光谱分布范围铺开，重叠面积减小后再分类。

5.4 几何校正后影像与矢量边界偏差几个像素

现象：裁剪出来的研究区范围明明用 shp 做的 ROI，但分类结果和 Google 底图叠加时，道路对不上，偏移了 1～3 个像元。 原因：几何校正的 GCP 数量少或分布集中在一侧，或者选的参考影像本身坐标精度不够。Landsat 的 RPC 正射虽然有精度保障，但在地形起伏明显的区域，直接做 RPC 校正而不加控制点，边缘位置的偏差很容易达到 2 个像元。 解决：RPC 校正后不要直接裁剪，先叠加一个参考影像（比如影像中心区域的高分底图）做视觉检查；有偏差就补 GCP 做二次多项式校正，RMS 压到 1 个像元以内。另外，ROI 裁剪前确认 shp 与影像投影一致，如果 shp 是经纬度、影像是 UTM，ENVI 会自动投影转换，但转换参数默认不提示，如果你不确定就手动 Define Projection 把 shp 投到和影像同一坐标系。

5.5 混淆矩阵里验证点和训练样本来自同一批 ROI

现象：分类精度报表显示 Overall Accuracy 98%，Kappa 0.97，结果好得不真实，画出来的分类图却明显有错分。 原因：你用来算精度的地面真实 ROI 就是训练分类器的同一批样本。分类器本来就拟合了这些样本的分布，再用它们做验证，精度一定虚高到离谱。 解决：从项目一开始就把地面验证点单独存放在另一个 shp 文件里，训练样本和验证点严格分离。验证点数量每类至少 30 个，位置最好通过随机采样或野外调查获得，而不是凭经验看着影像撒点。如果实在没有野外点，可以用高分影像目视判读生成验证点，但报告中要写明验证方式为“基于高分辨率影像目视判读”，别写成“地面实测”换虚高精度。

5.6 导出的分类图和矢量叠不在一起

现象：分类结果明明是 TIFF，拖进 ArcGIS 或 QGIS 后和 shp 边界偏移到几十公里外。 原因：ENVI 输出时把分类结果的投影信息写丢了，或者你在 ENVI 里查看时没注意文件名后缀.dat的伴随.hdr文件被一起移动过。ENVI 标准格式的投影信息存在.hdr头文件里，导出成 TIFF 时如果未勾选 GeoTIFF 标签，坐标信息就没了。 解决：最终成果导出统一用 Raster Management → Export to GeoTIFF，并确认输出对话框里 Write Georeference Information 选项已勾选。导出后拖进 QGIS 看一眼，图层属性能读到投影参数才算完成。这个习惯能避免实习答辩前一夜所有成果图“离奇”飞走的尴尬。

6. 精度验证与批量出图：把实习成果做成能交付的技术报告

6.1 混淆矩阵与 Kappa 系数：从“会算”到“会解释”

分类完成后需要在 ENVI 里做混淆矩阵。先把验证点 shp 转成 ROI，然后执行 Classification → Post Classification → Confusion Matrix Using Ground Truth ROIs，选择分类结果文件和验证 ROI 文件，得到总体精度、用户精度、生产者精度和 Kappa 系数。

解释精度时不要只抄 Overall Accuracy 和 Kappa 两个数字。实习报告里更受认可的做法是：把混淆矩阵表粘出来，指出哪两类最容易相互错分，并解释原因——比如“建筑与裸地混淆明显，主要因为两者在可见光波段反射率接近，且部分屋顶材料与裸土光谱曲线相似”。这个解释展示的是你对地物光谱特征的理解，而不是自动化流程的操作熟练度。

初学者看到“建筑与裸地”混淆，第一反应是调整分类器参数。实际上更常用的做法是回到样本环节：单独去看裸地和建筑的样本光谱曲线，如果两者高度重合但纹理差异明显，可以考虑在分类特征里加入纹理信息（比如 GLCM 均值和方差），而不是反复调 SVM。精度验证的意义就是逼你回到前一个环节找问题，这也正是“综合”实习最想练的能力。

6.2 批量出图的脚本化技巧：QGIS Python 控制台一次导出全部专题图

实习报告通常要求出多幅图：研究区原图、NDVI 图、分类图、精度验证点分布图。手动一幅幅调整版式的工作量很大，我习惯用 QGIS Python 控制台批量出图。下面是一个最小可用的脚本，遍历指定目录下的 geotiff，逐一生成为带图例和色带的 PNG。

# QGIS Python 控制台示例：批量导出专题图 import os from qgis.core import QgsProject, QgsRasterLayer from qgis.core import QgsLayoutItemMap, QgsLayoutItemLegend from qgis.gui import QgsLayout input_dir = "/path/to/your/tif_files" output_dir = "/path/to/your/png_output" for tif in os.listdir(input_dir): if not tif.endswith(".tif"): continue # 加载栅格层 layer = QgsRasterLayer(os.path.join(input_dir, tif), tif) if not layer.isValid(): print("加载失败:", tif) continue QgsProject.instance().addMapLayer(layer) # 新建布局，A4 横向 project = QgsProject.instance() layout = QgsLayout(project) layout.initializeDefaults() map_item = QgsLayoutItemMap(layout) map_item.setRect(20, 20, 260, 160) # 位置与尺寸，单位 mm map_item.setLayers([layer]) layout.addLayoutItem(map_item) # 导出 layout_exporter = QgsLayoutExporter(layout) layout_exporter.exportToImage( os.path.join(output_dir, tif.replace(".tif", ".png")), QgsLayoutExporter.ImageExportSettings()) QgsProject.instance().removeMapLayer(layer.id())

这段脚本有几个参数你需要按实际环境改：input_dir和output_dir换成你机器上的路径；setRect(20, 20, 260, 160)控制地图在版面纸上的位置和尺寸，单位是毫米；setLayers([layer])只加载当前图层，如果你要同时显示分类图和边界线，就需要往列表里追加矢量图层。运行前先拿一张图试跑，确认输出的 PNG 尺寸和拉伸方式符合要求，再铺开跑全部。

批量出图这一年我用下来的最大感受是：遥感软件操作综合实习的收尾质量，不在处理过程用了多少高级功能，而在成果能否被一个不熟悉遥感的人看懂。图例清晰、比例尺完整、分类颜色有语义（水体用蓝色系、植被用绿色系），比任何炫技都有说服力。我自己第一次带实习时，帮学生批量导图前没检查色带，结果 NDVI 图冷色代表高植被反过来，整组报告返工重做。从那以后，每次脚本出图后我必做一件事：随机抽三张图打开肉眼检查一遍，确认颜色映射方向正确再打包提交。希望这篇笔记能帮你在实习里少走一段我走过的弯路，把你的成果从“能跑通”做到“能交付”，祝你实习顺利。

本文还有配套的精品资源，点击获取