遥感新手实战指南：ENVI 5.6混合像元分解全流程详解

第一次打开ENVI软件时，面对密密麻麻的菜单和术语，很多遥感新手会感到无从下手。混合像元分解作为高光谱分析的核心技术之一，其实并没有想象中那么复杂。本文将用最直观的方式，带你从零开始完成整个流程，即使没有任何遥感基础也能轻松上手。

1. 准备工作与环境配置

在开始混合像元分解前，我们需要确保ENVI 5.6已正确安装并配置好工作环境。建议使用至少8GB内存的计算机，因为高光谱数据处理对硬件要求较高。

关键准备工作：

• 检查ENVI许可证是否有效
• 准备预处理完成的遥感影像（建议使用.geotiff或.envi格式）
• 创建专门的项目文件夹存放中间结果

提示：所有操作步骤产生的临时文件建议统一存放在一个文件夹中，便于后期管理。

ENVI 5.6界面主要分为以下几个区域：

code复制主菜单栏
工具栏
图层管理器
显示窗口
工具箱(Toolbox)

首次使用时，建议通过File > Preferences调整以下设置：

• 内存分配：建议设置为物理内存的70%
• 临时文件路径：指向SSD硬盘可提升处理速度
• 显示设置：根据显示器分辨率调整

2. 数据降维：MNF变换详解

MNF（最大噪声比变换）是混合像元分解的第一步，目的是去除噪声并降低数据维度。与PCA不同，MNF会优先保留高信噪比的成分。

2.1 MNF参数设置实操

在ENVI中执行MNF变换的具体步骤：

1. 点击Transform > MNF Rotation > Forward MNF
2. 选择输入文件（预处理后的影像）
3. 在MNF Transform Parameters对话框中：
   • 设置输出统计文件位置
   • 勾选"Output Noise Stats"
   • 保持其他参数默认

关键参数解释：

变换完成后，可以通过Tools > Color Mapping > ENVI Color Tables查看各分量，通常前3-5个波段包含大部分有效信息。

2.2 MNF结果解读技巧

MNF变换后会产生两个结果：

1. 噪声统计文件（.sta）
2. 变换后的影像数据

判断MNF效果的方法：

• 查看特征值曲线（Plot > Feature vs. Eigenvalue）
• 前几个波段应呈现明显的地物特征
• 后几个波段应主要为噪声（无明显空间模式）

注意：如果发现前几个波段也包含大量噪声，可能需要重新检查预处理步骤。

3. 端元提取：PPI与n-D可视化

端元提取是混合像元分解最关键的环节，ENVI提供了PPI和n-D可视化两种主要方法。

3.1 像元纯度指数(PPI)计算

PPI通过统计像元在多维空间中的"边缘性"来识别潜在端元，操作流程：

1. 选择Spectral > Pixel Purity Index > [FAST] New Output Band
2. 选择MNF变换结果作为输入
3. 设置关键参数：

   python复制Number of Iterations = 10,000  # 迭代次数
   Threshold Factor = 2.5         # 阈值系数
   

4. 指定输出位置并运行

参数设置经验：

• 迭代次数越多结果越稳定，但计算时间越长
• 阈值因子通常设为2-3倍噪声水平
• 对城市区域可适当提高阈值

3.2 n-D可视化端元筛选

n-D可视化工具允许在三维空间中交互式选择端元：

1. 打开Spectral > n-Dimensional Visualizer
2. 选择MNF前3个波段
3. 调整旋转速度（建议5-7）
4. 点击Start观察点云分布
5. 用鼠标圈选聚集点（潜在端元）
6. 导出选中的端元光谱（Export > Spectral Library）

常见问题解决方案：

• 点云过于分散 → 检查MNF前几个波段选择
• 无法识别明显聚集 → 尝试增加PPI迭代次数
• 端元光谱异常 → 重新选择或调整阈值

4. 混合像元分解与丰度图生成

获得端元光谱后，就可以进行最终的分解计算了。ENVI支持多种分解模型，最常用的是线性混合模型。

4.1 线性光谱分解步骤

1. 打开Toolbox > Classification > Endmember Collection
2. 导入之前提取的端元光谱
3. 选择Spectral > Linear Spectral Unmixing
4. 设置输出选项：
   • 勾选"Sum to One"约束
   • 选择输出格式（建议ENVI格式）
5. 点击OK执行分解

模型选择建议：

4.2 丰度图分析与应用

分解完成后会生成每个端元的丰度图，在ENVI中可以通过：

1. Display > New Display打开丰度图
2. Tools > Color Mapping调整显示效果
3. Tools > Region of Interest统计特定区域比例

实际应用案例：

• 城市植被覆盖估算
• 矿物分布制图
• 农作物种植面积统计

常见问题处理：

• 丰度值超出[0,1]范围 → 检查端元光谱质量
• 结果图斑驳 → 可能原始影像存在噪声
• 分类混淆 → 考虑增加端元数量

5. 进阶技巧与效率优化

掌握基础流程后，这些技巧可以进一步提升分析效率和质量。

5.1 批处理与自动化

ENVI支持通过IDL或Python编写脚本实现自动化：

python复制import envi
# 加载影像
img = envi.open('input.hdr')
# MNF变换
mnf = envi.mnf_transform(img)
# PPI计算
ppi = envi.pixel_purity_index(mnf, iter=10000)
# 保存结果
ppi.save('output_ppi.hdr')

5.2 结果验证方法

为确保分解质量，建议进行以下验证：

1. 光谱重建检查：比较原始与重建光谱
2. 实地样本验证：有条件时采集地面真实数据
3. 交叉验证：使用不同端元提取方法对比

5.3 常见错误排查

经过多次项目实践发现，MNF变换的质量对整个流程影响最大，建议在此步骤多花时间确保前几个波段确实包含了主要地物信息。另外，端元数量并非越多越好，通常3-5个最具代表性的端元就能得到不错的结果。