一、实验概述

本实验基于ENVI软件平台，利用多光谱遥感影像，通过植被指数计算、缨帽变换和随机森林分类三个主要步骤，实现对遥感图像的自动分割与地物分类。实验目标是将图像中的不同地物类型（如植被、水体、建筑等）进行有效识别与分割，为遥感影像解译提供技术支持。

---

二、关键步骤说明

1. 植被指数计算（如NDVI）

步骤说明：
通过ENVI的波段运算功能，计算归一化植被指数（NDVI）。NDVI的计算公式为：

其中NIR为近红外波段，Red为红光波段。

• NDVI能够有效增强植被信息，突出植被与非植被区域的差异；

• 植被在近红外波段反射率高，在红光波段吸收强，因此NDVI值越高，植被覆盖度越大；

• 为后续分类提供重要的特征输入，提升模型对植被区域的识别能力。

启动 ENVI 软件后，在 Toolbox 中定位到 “Band Algebra” 模块下的 “Band Math” 工具，该工具用于通过数学表达式对影像波段进行运算。

在 Band Math 的表达式输入框中，输入归一化植被指数（NDVI）的计算公式：(float(b1)-float(b2))/(float(b1)+float(b2))，其中 b1 和 b2 分别对应多光谱影像中的近红外波段和红波段（需根据实际影像波段配置确认）。点击 “Add to List” 将表达式添加到任务列表，随后点击 “OK” 执行运算，生成 NDVI 特征图层。该图层中，植被区域会呈现高数值特征，非植被区域数值较低，从而有效突出两类区域的差异。

---

2. 缨帽变换（Tasseled Cap Transformation）

步骤说明：
对多光谱影像进行缨帽变换，生成三个主要分量：亮度、绿度和湿度。

• 缨帽变换能够将原始多波段数据转换为具有明确物理意义的特征分量；

• 亮度反映地表反射率，绿度反映植被覆盖，湿度反映土壤和植被水分；

• 通过降维和特征增强，提高地物之间的可分性，减少数据冗余，提升分类精度。

2.1预处理：由于缨帽变换需基于单波段文件进行，首先需通过 ENVI App Store 安装 “Split to Multiple Single-Band Files” 工具（支持 ENVI 5.3 及以上版本）。

在 Toolbox 中启动该工具后，选择原始多光谱影像（如 LC08 系列影像）作为输入数据，设置输出路径为指定文件夹，输出格式选择 ENVI 默认格式，同时勾选 “使用下划线替换空格” 以规范文件名。执行工具后，原始多光谱影像被拆分为海岸气溶胶、蓝、绿、红、近红外、短波红外 1、短波红外 2 等多个单波段文件（含.dat 数据文件和.hdr 头文件）。

2.2图层堆叠：在 Toolbox 中找到 “Basic Tools” 下的 “Layer Stacking” 工具，用于将拆分后的关键单波段文件（如短波红外 1、红、近红外、绿、蓝波段）整合为统一的多波段文件。在参数设置中，选择 “UTM” 投影、WGS-84 基准面，像素大小设为 30 米（与原始影像保持一致），重采样方法采用 “Nearest Neighbor”（最近邻法），并通过 “Reorder Files” 调整波段顺序，最终输出堆叠后的多波段影像文件。

2.3缨帽变换执行：在 Toolbox 中定位到 “Transform” 模块下的 “Tasseled Cap” 工具，选择堆叠后的多波段影像作为输入文件，根据原始影像类型（本实验为 Landsat 8 OLI）匹配对应参数，设置输出路径至指定文件夹，点击 “OK” 执行变换，生成包含亮度、绿度、湿度分量的特征影像，完成数据降维和特征增强。

---

3. 随机森林算法图像分割

步骤说明：
基于前两步生成的NDVI、亮度、绿度、湿度等特征图层，在ENVI中使用随机森林分类器进行监督分类。具体步骤包括：

• 选择训练样本（ROI区域）；

• 训练随机森林模型；

• 执行分类并生成分类结果图；

• 进行精度评估（如混淆矩阵）。

为什么这么做：

• 随机森林是一种集成学习算法，具有抗过拟合、处理高维数据能力强、支持多分类任务等优点；

• 能够有效融合多源特征（如光谱、纹理、指数等），提升分类的准确性和鲁棒性；

• 适用于中高分辨率遥感影像的地物自动识别与分割任务。

3.1工具安装与准备：通过 ENVI App Store 搜索并安装 “新版随机森林图像分类工具包 V5.3”，该工具包包含模型训练、图像分类及批处理三个核心功能，支持中文界面适配（ENVI 5.6 及以上版本），并新增随机抽样训练功能以缩短耗时。

3.2样本 ROI 绘制：在 ENVI 的 Layer Manager 中加载预处理后的特征影像，启动 “Region of Interest (ROI) Tool”，分别为目标地物类型（如水体、农田）创建 ROI 区域。绘制时，通过鼠标点击勾勒地物边界，完成后命名 ROI（如 “water”“farm”），系统会自动记录 ROI 内的像元信息，作为模型训练的样本数据。

3.3随机森林模型训练：在 Toolbox 中打开 “Extensions/Random Forest” 下的 “Train Random Forest Model” 工具，选择堆叠后的特征影像和绘制好的 ROI 样本作为输入数据。若样本像元数量过多（如本实验中 farm 类 535159 个像元、water 类 91539 个像元），系统会提示 “是否随机抽取部分样本用于训练”，选择 “是 (Y)” 可大幅缩短训练时间；设置决策树数量等参数后，执行工具生成.rfc 格式的模型文件，该文件包含了地物分类的核心规则。

3.4图像分类与分割：调用工具包中的 “Random Forest Classify Raster” 工具，输入待分割的影像（可与训练影像为同一幅或同类型其他影像）和训练好的.rfc 模型文件，设置输出路径后执行分类。工具将基于模型规则对影像中每个像元进行地物类型判定，最终输出分割结果影像，其中不同地物类型以不同颜色或灰度值区分，实现自动分割目标。

三、实验意义与总结

本实验通过植被指数增强、缨帽变换特征提取和随机森林分类三个环节，构建了一套完整的遥感图像分割流程。该流程不仅提升了图像中地物类型的识别精度，也体现了多特征融合在遥感分类中的重要性。

实验亮点：

• 结合物理特征（缨帽变换）与统计学习（随机森林），具有较强的可解释性与实用性；

• 适用于土地利用/覆盖分类、植被监测、城市扩展分析等实际应用场景；

• 通过ENVI可视化操作，加深了对遥感图像处理与机器学习算法的理解。