本文是地理学研究生使用ENVI5.6进行的一次水体识别实验，通过深度学习模块创建ROI，训练单类模型，识别水体，包括河流和细小水体，结果显示比水体指数法更准确，且能剔除云的影响。
本文详细介绍了使用ENVI5.6软件处理哨兵-2A遥感影像的步骤，重点是通过深度学习模块进行水体识别。操作流程包括打开影像数据、安装深度学习模块、使用向导工具新建感兴趣区（ROI）、绘制ROI、保存文件、训练单类别模型、构建标签栅格、加载影像数据、训练新模型、设置参数以及查看结果。最终结果表明，该方法比传统的水体指数法更准确，能够有效识别细小水体和河流，并剔除云的影响。文章鼓励读者关注和分享，促进交流与学习。
默认数据：哨兵-2A遥感影像
借助ENVI5.6软件打开需要处理的影像数据：
打开-ENVI5.6深度学习模块：（没有该模块需要重新安装该模块）
点击向导工具（按照向导流程处理数据）
新建感兴趣区，添加文件夹并命名：
左侧点击“+号”，添加ROI名称：
右侧添加所需绘制的影像底图（即加载的影像）：
点击“draw”，进行绘制感兴趣区界面：
输入roi名称，选择绘制类型（河流推荐线型，第三个）：
进行绘制（漫长的过程）：
绘制完毕或者暂停绘制，需要先保存文件，点击“save as”：
打开ENVI deep learning 向导，训练一个新模型：
依次点击“ Train a single-class model”：
点击“ build laber raster from roi”
输入影像数据1及roi数据，并保存输出位置：
点击ok，等待输出：
等待影像地图2的加载：
加载完毕后，点击第二项，训练模型（train model）：
点击新训练模型（new model）：
输入训练新模型的名称、尺寸、波段数及输出位置：
漫长的等待：
训练完毕后，输入刚刚训练的模型、需要训练的影像数据：
设置参数：（迭代次数、模糊边界等），具体参数如图：
等待
完成后，按照向导继续点击：
输入影像数据：
漫长的等待：
完成后会自动跳转网页页面，查看进度：
漫长的等待：
查看结果：
效果还是不错的，比水体指数法更准确（课程有对比实验），并且云也没有显示，剔除了云的影响。细小水体和河流也都识别出来了。
喜欢本篇文章请多多关注，您的鼓励是我最大的动力。欢迎大家互相分享交流。（aaanimals）
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
