ENVI（The Environment for Visualizing Images）是一个完整的遥感图像处理平台，应用汇集中的软件处理技术覆盖了图像数据的输入/输出、图像定标、图像增强、纠正、正射校正、镶嵌、数据融合以及各种变换、信息提取、图像分类、基于知识的决策树分类、与GIS的整合、DEM及地形信息提取、雷达数据处理、三维立体显示分析。压缩包中含有安装包及其安装教程。

气溶胶光学厚度(Aerial Optical Depth,AOD)是重要的大气参数,也是大气校正中不可缺少的变量。文中通过两种AOD反演算法的实施和比较,探讨了利用高光谱进行AOD反演的可行性和算法的适用性。通过两种方法,对四幅影像进行了气溶胶的反演,并以地基观测数据进行了对比验证。结果显示改进的V5.2算法在非浓密植被区域的精度较高,而在浓密植被区域与DDV算法精度相当,由于两种算法均依赖于波段固定的线性关系,使得两种算法在气溶胶的反演中均有误差。

通过Python对遥感影像数据进行处理，该数据中每一个像元包含有大量的参数计算值，通过阈值分类的方式，将影像区域内的像元按照不同参数数值的进行分类，形成主导因素分区。

图像分割是基于地理对象的图像分析（GEOBIA）中至关重要的基础步骤。 许多多尺度分割算法已被广泛用于高分辨率（HR）遥感图像中。 这些细分算法需要一个预设参数（称为scale参数）来控制每个对象的平均大小。 但是，由于空间变化，单一尺度参数几乎不能描述具有不同土地覆被的区域的边界。 为了克服这一局限性，本研究提出了一种用于多尺度分割的自适应参数优化方法。 为了找到最佳的物体尺度，通过计算物体内部和内部物体之间的光谱角来应用局部光谱异质性度量。 与选择全局最优尺度参数不同，本研究旨在从所有不同尺度的结果中直接搜索最优对象，并将其组合为最终的分割结果。 在实验中，使用多分辨率分割生成不同比例的分割结果，并将QuickBird-2图像用作test.data。 在四张HR测试图像上的优化结果表明，与单尺度分割结果相比，该方法具有更好的分割效果。

ENVI5.3.1使用Landsat 8影像进行预处理及分析实例操作 主成分分析直接在裁剪后的新郑市区域进行操作。 导入新郑市区域的影像subsect_xinzheng.dat，在工具箱中选择Transform——PCA Rotation——Forward PCA Rotation New Statics and Rotate工具。在弹出的对话框中选择影像数据。点击OK后出现Forward PC Parameters对话框。其中Stats X/Y Resize Factor系数用于计算统计值时的数据重采样，如果系数小于1会加 快计算速度。这里设置为默认。

用于对遥感图像进行监督分类，贝叶斯分类器， 用于对遥感图像进行监督分类， 用于对遥感图像进行监督分类， 用于对遥感图像进行监督分类， 用于对遥感图像进行监督分类

改进的影像归一化扩展工具，提供交互式界面，数据分块处理，归一化公式为result=(DN-min)/(max-min)。ENVI自带的归一化工具（Stretch Data）不能忽略背景值，当以取置信区间进行归一化时会得到错误的结果，而极值的选取又会在很大程度上影响归一化结果，此工具修正了此错误。

基于matlab 的遥感影像读取与两幅影像绘制散点图，就像envi中的2Dscatter.

以ETM 影像数据为例，采用基于支持向量机的方法对黄河中上游区域湿地信息进行提取，并将该方法与传统的最大似然分类提取方法以及面向对象的提取方法进行对比分析。结果表明：基于支持向量机方法的提取精度高达9357%，Kappa系数也超过了09，比单纯的最大似然分类方法或者面向对象的方法提取精度高得多，而且该方法操作性和实用性也很强。

基于马尔可夫随机场（MRF）的方法已广泛用于高空间分辨率（HSR）图像分类中。 但是，许多现有的基于MRF的方法更加注重像素级上下文，而较少关注超像素级上下文信息。 为了解决这个问题，本文提出了一种新颖的双层上下文MRF框架，称为BLC-MRF，用于HSR图像分类。 具体来说，将像素和超像素级别的依赖关系合并到建议的MRF模型中，以充分利用光谱空间上下文信息并保留HSR图像中的对象边界。 在BLC-MRF中，首先执行像素级MRF模型，然后级联作为超像素级MRF的输入。 在超像素级别，分别使用超像素概率估计方法和光谱直方图距离构造一元和成对电位项。 最后，进行了上下文MRF模型，并可以通过使用α-展开算法来计算最终的分类图。 BLC-MRF的好处是双重的：首先，可以在MRF框架下利用像素和超像素级别的上下文信息来保留对象边界，以提高分类性能；其次，该算法可以通过少量训练就能提供有希望的结果样品。 在三个HSR数据集上的实验结果表明，在分类性能方面，该方法优于几种最新方法。