传统的遥感影像是依据地物的波谱信息来进行分类的。这往往会产生“同物异谱， 异物同谱”的问题， 使得分类精度和效果不理想。因此本文采用基于专家知识的决策树 Ｃ４．５法， 利用地物的波谱信息、归一化植被指数、主成分分析等特征构建决策树， 与监督分类中的支持向量机法、最小距离法去比较。

ASTER1a、1b数据的大气校正方法，包括定标和大气校正的相关参数的选择，查看头文件的方法，使用的大气校正模型为flaash模型

基于IDL语言，实现获取影像头文件，批量辐射定标大气校正

ENVI深度学习V1.2操作教程 对于遥感，深度学习尝试发现图像中的空间和光谱表⽰。它通常⽤于识别特征，例如车辆、公⽤设施、道路等。训练深度学习模型以使⽤⼀组标记的像素数据为参考来识别特定特征。借助ENVI深度学习，可以在训练模型时尝试不同的参数以获得最佳解决⽅案。 从图像中提取特征的过程涉及⼏个步骤，如下图所⽰。这些步骤不⼀定是线性顺序，并且可能需要⼀个以上的迭代才能产⽣最佳结果。 TensorFlow模型是整个过程的核⼼。TensorFlow是ENVI⽤于执⾏深度学习任务的开源库。TensorFlow模型由⼀组基础的神经⽹络参数定义。必须使⽤⼀组已知特征样本的输⼊标签栅格来训练模型进⽽寻找特定特征。在TensorFlow模型从标签栅格中了解特定特征后，可以通过使⽤经过训练的模型对其他图像进⾏分类，从⽽在其他图像中寻找相似特 征。例如，可能在⽐模型训练的更⼤的图像中找到相同的特征，或者甚⾄找到具有相似空间和光谱特性的不同图像。最终结果是各种要素的分类栅格。如果只对某个特定功能感兴趣，则结果将是⼀个⼆进制分类栅格，其值为0（背景）和1（特征）。

PPI纯净像元指数 生成的结果是一副灰度的影像,DN值越大表明像元越纯. 作用及原理 纯净像元指数法对图像中的像素点进行反复迭代，可以在多光谱或者高光谱影像中寻找最” 纯”的像元.(通常基于MNF变换结果来进行) 纯净像元指数可以将N维散点图迭代映射为一个随机单位向量来计算,每次映射的极值像元被记录下来,并且被标为极值的总数也被记录下来. 按照多次映射每个像元被记录为极值像元的次数来决定该像元是否为纯净像元. 计算时需要输入的参数 进行迭代的次数 设置域值的系数(极值像元的域值) 数据二次采样(减少内存,但不能太小)

雷达数据基本处理与分析；InSAR、DInSAR处理技术；SAR时序分析、干涉叠加技术；PolSAR、Pol-InSAR处理技术

ENVI拓展工具-MCTK_5.3

[遥感数字图像处理与分析——ENVI 5.x实验教程（第2版）][杨树文 等][配套资料]

envi 快速镶嵌大量dem数据工具 Mosaic_Batch.sav，解压后按照使用说明把sav文件放到相应位置即可。

2、高光谱数据预处理 传感器定标 大气校正