1. 拿到一景原始影像之后先搞清楚辐射定标到底在解决什么问题很多人第一次接触遥感影像处理看到辐射定标四个字就觉得是个纯数学的活儿打开ENVI找到对应工具输入参数点运行完事。但如果你不知道这一步到底在干什么后面遇到影像数值异常、反演结果离谱的时候你连排查方向都找不到。我先把这件事说透。卫星传感器记录下来的原始数据叫做DN值Digital Number它就是一个整数没有物理量纲。你可以把它理解成传感器觉得这里有多亮的一个相对刻度。不同传感器之间的DN值没有可比性同一传感器在不同时间拍的影像DN值也可能因为增益设置不同而对不上。辐射定标要做的就是把这个相对刻度转换成有物理意义的辐射亮度值或者表观反射率。为什么这件事重要举一个实际场景。你要做两期影像的NDVI对比分析某个区域的植被变化。如果两期影像的DN值量纲不一致你算出来的NDVI差异可能完全来自传感器设置差异而不是地表真实变化。这就是辐射定标的现实意义——让不同来源、不同时间的影像站在同一个物理基准上对话。ENVI里面做辐射定标核心工具是Radiometric Calibration。它支持的传感器类型很多常见的Landsat系列、Sentinel-2、SPOT、WorldView等都有内置的定标参数。操作路径一般在Toolbox里搜索Radiometric Correction下面就能找到Radiometric Calibration。打开之后选择输入影像软件会自动识别传感器类型并加载对应的定标系数。这里有一个容易被忽略的细节定标类型的选择。ENVI通常提供三种输出选项——辐射亮度值Radiance、表观反射率Reflectance、以及亮温Brightness Temperature。选哪个取决于你的下游任务。做大气校正的话一般输出辐射亮度值因为大气校正模型需要以辐射亮度作为输入。做植被指数或者地表分类的话直接输出表观反射率更方便省去一步转换。做热红外分析的话亮温是必须的。还有一个参数是Scale Factor。ENVI默认的缩放因子是1但有些传感器比如Landsat 8的OLI的反射率数据动态范围是0到1之间的小数如果直接以浮点存储文件体积会很大。这时候可以设置一个缩放因子比如10000把反射率放大成整数存储减小文件体积。但要注意缩放之后后续处理时要记得除回来否则你的反射率值就全错了。我自己的习惯是如果只是做定性分析或者快速出图直接输出表观反射率缩放因子设10000存成16位整数文件小、读取快。如果要做定量反演老老实实输出浮点型的辐射亮度值别怕文件大精度优先。定标完成之后建议做一个简单的验证。打开定标后的影像用Cursor Location工具查看几个典型地物的像素值。比如深水体在近红外波段的反射率应该接近0浓密植被在近红外波段应该明显高于红光波段。如果这些基本特征都不对那大概率是定标参数选错了需要回头检查传感器类型和定标类型是否匹配。2. 投影转换不是换个坐标系这么简单这些坑我替你踩过了辐射定标做完接下来就是投影转换。很多人觉得投影转换就是打开ENVI的Reproject Raster工具选个目标坐标系点确定。但实际操作中这一步出的问题比辐射定标多得多而且往往更隐蔽。先说一个最基本的认知投影转换的本质是把影像从一个坐标参考系统映射到另一个坐标参考系统。这个映射不是简单的平移旋转而是涉及椭球体参数、基准面转换、投影公式计算等一系列数学操作。不同的转换路径会引入不同程度的误差有些误差在出图的时候看不出来但做面积量算或者空间叠加分析的时候就会暴露。ENVI里面做投影转换主要用两个工具Reproject Raster和Layer Stacking配合Reproject。前者适合单幅影像的投影转换后者适合多波段或者多影像的批量处理。操作路径在Toolbox的Geometry Correction下面。打开Reproject Raster之后第一个要选的参数是输出坐标系。ENVI内置了非常丰富的坐标系库从地理坐标系如WGS84到投影坐标系如UTM、高斯-克吕格都有。选哪个取决于你的研究区域和下游需求。如果研究区域跨带建议用地理坐标系如果研究区域在一个投影带内用投影坐标系做面积量算更准确。这里有一个关键参数重采样方法。ENVI提供三种选项——最近邻Nearest Neighbor、双线性Bilinear、三次卷积Cubic Convolution。这三种方法的适用场景完全不同。最近邻法是把目标像素映射回原始影像取最近的那个原始像素值。优点是保持原始像素值不变适合分类影像或者定性分析。缺点是几何精度相对较低影像可能出现锯齿。双线性法是取目标像素周围四个原始像素的加权平均结果更平滑适合连续变化的影像比如植被指数或者温度。缺点是会改变原始像素值分类影像不能用。三次卷积法取周围十六个像素做加权平滑效果最好但计算量最大而且可能产生原始数据中不存在的值。我的经验是分类影像和掩膜影像一律用最近邻绝对不能用双线性或者三次卷积否则类别边界会糊掉出现不存在的类别值。连续型数据比如NDVI、地表温度用双线性就够了三次卷积的边际收益不大但计算时间明显增加。另一个容易踩的坑是基准面转换。不同坐标系可能基于不同的基准面比如WGS84和北京54、西安80。基准面转换需要七参数或者三参数这些参数通常由测绘部门提供。如果你没有准确的转换参数ENVI会用一个默认的转换方法精度可能不够。做高精度量算的时候一定要确认基准面转换参数是否正确。还有一个实操细节输出像素大小的设置。投影转换之后像素大小可能会变化。如果不指定ENVI会根据输出坐标系自动计算一个默认值。但这个默认值不一定适合你的需求。比如原始影像在WGS84下是30米分辨率转到UTM之后如果自动计算的像素大小是28.7米那你的影像就被重采样了信息量会有损失。建议手动设置输出像素大小尽量保持和原始分辨率一致或者设置为一个整数方便后续计算。投影转换完成之后一定要做目视检查。把原始影像和转换后的影像并排打开用透明叠加或者闪烁工具对比。重点看几个方面地物位置是否对齐、影像边缘是否有异常拉伸、像素值是否在合理范围内。如果发现明显偏移大概率是基准面转换参数有问题需要重新检查。3. 从定标到投影的完整操作链路我平时是怎么一步步走下来的前面两章分别讲了辐射定标和投影转换的原理和注意事项这一章我把整个操作链路串起来给你一个可以直接照着做的流程。这个流程是我自己用了很多次之后固定下来的不一定是最优解但胜在稳定、可复现。3.1 数据准备阶段的检查清单拿到原始影像之后不要急着打开ENVI。先做几项检查。第一确认影像的元数据文件是否完整。很多传感器数据会附带一个MTL文件或者XML文件里面记录了成像时间、太阳高度角、增益偏移等关键参数。ENVI做辐射定标的时候需要读取这些参数如果元数据缺失定标结果可能不准甚至报错。第二确认影像的波段顺序和波长信息。不同传感器的波段排列不一样比如Landsat 8的OLI波段顺序是 coastal、blue、green、red、nir、swir1、swir2而有些传感器可能是反过来的。ENVI通常会自动识别但如果你用的是非常规数据源最好手动确认一下。第三检查影像的NoData值。原始影像中可能有一些填充值或者无效值比如0或者-9999。这些值在辐射定标和投影转换过程中会被当作正常像素处理导致结果异常。建议在定标之前先做一个掩膜把NoData区域标记出来后续处理时排除掉。3.2 辐射定标的具体参数设置打开Radiometric Calibration工具选择输入影像。ENVI会自动检测传感器类型如果检测正确定标系数会自动加载。如果检测失败需要手动选择传感器类型和定标文件。定标类型选Radiance还是Reflectance取决于你的下游任务。我一般做植被分析的话直接选Reflectance省事。做大气校正的话选Radiance。输出数据类型建议选Float32虽然文件大一点但精度有保障。缩放因子根据你的存储需求设置我通常设10000存成16位整数平衡精度和体积。有一个参数叫Apply FLASSH Settings这个选项是给后续大气校正预留的。如果你打算做FLAASH大气校正勾上这个选项ENVI会自动设置一些参数。如果不做大气校正不用管它。定标完成之后建议立刻做一个统计检查。用Statistics工具查看各波段的直方图确认数值分布是否合理。辐射亮度值的典型范围是0到几百表观反射率的典型范围是0到1如果缩放10000的话就是0到10000。如果数值范围明显偏离说明定标参数有问题。3.3 投影转换的完整操作与验证定标后的影像如果坐标系不是你想要的那个就需要做投影转换。打开Reproject Raster工具选择定标后的影像作为输入。输出坐标系根据你的需求选择我一般用UTM或者高斯-克吕格。重采样方法根据影像类型选择分类影像用最近邻连续数据用双线性。输出像素大小手动设置保持和原始分辨率一致。基准面转换参数如果有就填没有就用默认的但要知道默认参数的精度有限。转换完成之后做三项验证。第一目视对比原始影像和转换后影像的地物位置确认没有明显偏移。第二用Statistics工具检查像素值范围确认没有异常值。第三如果研究区域有已知的参考点比如道路交叉口或者建筑角点用Cursor Location工具读取转换后影像上的坐标和实际坐标对比计算误差。如果误差在可接受范围内说明投影转换成功。3.4 批量处理的自动化思路如果你有很多景影像需要做同样的定标和投影转换一景一景手动操作太慢了。ENVI提供了批处理工具可以把整个流程录制成一个模型或者脚本然后批量运行。具体做法是在Toolbox里找到Batch Processing打开之后把Radiometric Calibration和Reproject Raster两个工具拖进去设置好参数然后添加所有需要处理的影像文件点运行。ENVI会自动依次处理每一景影像输出到指定目录。如果批处理工具不能满足你的需求还可以用ENVI的IDL脚本或者Python API来写自定义的批处理流程。Python API的用法是先初始化ENVI然后调用envi.radiative_calibration和envi.reproject_raster函数循环处理文件列表。这种方式更灵活可以加入条件判断和异常处理。4. 那些只有踩过才知道的坑辐射定标与投影转换的常见问题排查这一章我整理了几个在实际操作中经常遇到的问题以及我的排查思路和解决方案。这些问题在官方文档里不一定能找到但实际工作中遇到的概率很高。4.1 定标后影像全黑或者全白这是最典型的问题之一。定标后影像显示全黑或者全白通常是因为显示拉伸设置不对。ENVI默认用2%线性拉伸显示影像如果定标后的像素值范围变化很大默认拉伸可能把大部分像素压到一端。解决办法很简单右键点击图层选择Change Color Table或者Stretch手动调整拉伸范围。或者用Statistics工具查看实际的像素值范围然后根据这个范围设置拉伸。如果像素值范围本身就不正常比如全是0或者全是65535那说明定标参数有问题需要检查传感器类型和定标系数是否正确。4.2 投影转换后影像出现黑边投影转换之后影像边缘出现黑色或者白色的填充区域这是正常现象。因为原始影像的矩形范围在转换到新坐标系之后可能变成一个不规则的形状外围区域没有数据就被填充了NoData值。如果你不喜欢这个黑边可以在输出设置里把背景值设为0或者NaN然后在显示的时候把NoData颜色设为透明。或者在转换之前先做一个裁剪把研究区域之外的影像裁掉减少黑边的面积。4.3 定标和投影的顺序问题有人问能不能先做投影转换再做辐射定标技术上可以但不推荐。原因是辐射定标需要读取影像的元数据包括成像时间和太阳角度。投影转换可能会修改元数据中的坐标信息但一般不会影响定标参数。不过先定标再投影的好处是定标后的影像像素值已经是物理量投影转换的重采样不会改变物理量的性质。如果先投影再定标重采样可能会引入一些像素值变化虽然影响不大但严格来说不如先定标干净。4.4 不同传感器数据的定标参数差异不同传感器的定标参数差异很大不能混用。比如Landsat 8的OLI和Landsat 7的ETM虽然都是Landsat系列但定标系数完全不同。ENVI会自动识别传感器类型并加载对应的参数但如果你用的是非常规数据源比如无人机影像或者地面光谱仪数据就需要手动输入定标系数。手动输入定标系数的时候要注意单位。有些传感器的定标系数是以辐射亮度为单位的有些是以反射率为单位的。输入之前一定要确认清楚否则定标结果会差几个数量级。4.5 投影转换的精度验证方法投影转换的精度怎么验证最直接的方法是用地面控制点GCP。如果你有研究区域内已知坐标的地面点比如道路交叉口、建筑角点可以在原始影像和转换后影像上分别找到这些点读取坐标计算偏移量。如果没有地面控制点可以用影像自带的几何校正参数做交叉验证。比如Landsat数据自带几何校正你可以把转换后的影像和原始影像做叠加看地物是否对齐。如果对齐良好说明投影转换没有引入明显误差。还有一个方法是检查影像的元数据。投影转换之后ENVI会在元数据中记录转换参数和残差。如果残差很大说明转换精度不够需要调整参数或者换一种转换方法。5. 定标与投影之后影像还能怎么用做完辐射定标和投影转换影像才算真正可用。接下来的操作取决于你的研究目标。如果是做植被分析可以计算NDVI、EVI等植被指数。如果是做水体提取可以用NDWI或者MNDWI。如果是做地表温度反演需要用热红外波段做亮温计算和比辐射率校正。我自己的习惯是定标和投影完成之后先做一个快速浏览确认影像质量没问题然后保存一个基础版的影像文件。后续所有分析都基于这个基础版避免每次都要重新做定标和投影。另外如果你要做时间序列分析建议把所有影像都定标和投影到同一个坐标系和同一个像素网格上。这样后续做变化检测或者趋势分析的时候像素是一一对应的不需要再做配准。还有一个进阶用法把定标后的辐射亮度值或者反射率值导出成CSV或者TIFF用Python或者R做统计分析。ENVI的导出功能支持多种格式导出之后可以用pandas或者numpy做更灵活的处理。最后说一个我自己的教训。有一次做项目定标和投影都做完了出图也很漂亮但后来发现忘记做大气校正了。表观反射率和地表反射率之间的差异在浓密植被区域可能不大但在水体或者裸土区域差异很明显。如果你的研究对反射率精度要求高定标之后一定要做大气校正别省这一步。
1. 拿到一景原始影像之后先搞清楚辐射定标到底在解决什么问题很多人第一次接触遥感影像处理看到辐射定标四个字就觉得是个纯数学的活儿打开ENVI找到对应工具输入参数点运行完事。但如果你不知道这一步到底在干什么后面遇到影像数值异常、反演结果离谱的时候你连排查方向都找不到。我先把这件事说透。卫星传感器记录下来的原始数据叫做DN值Digital Number它就是一个整数没有物理量纲。你可以把它理解成传感器觉得这里有多亮的一个相对刻度。不同传感器之间的DN值没有可比性同一传感器在不同时间拍的影像DN值也可能因为增益设置不同而对不上。辐射定标要做的就是把这个相对刻度转换成有物理意义的辐射亮度值或者表观反射率。为什么这件事重要举一个实际场景。你要做两期影像的NDVI对比分析某个区域的植被变化。如果两期影像的DN值量纲不一致你算出来的NDVI差异可能完全来自传感器设置差异而不是地表真实变化。这就是辐射定标的现实意义——让不同来源、不同时间的影像站在同一个物理基准上对话。ENVI里面做辐射定标核心工具是Radiometric Calibration。它支持的传感器类型很多常见的Landsat系列、Sentinel-2、SPOT、WorldView等都有内置的定标参数。操作路径一般在Toolbox里搜索Radiometric Correction下面就能找到Radiometric Calibration。打开之后选择输入影像软件会自动识别传感器类型并加载对应的定标系数。这里有一个容易被忽略的细节定标类型的选择。ENVI通常提供三种输出选项——辐射亮度值Radiance、表观反射率Reflectance、以及亮温Brightness Temperature。选哪个取决于你的下游任务。做大气校正的话一般输出辐射亮度值因为大气校正模型需要以辐射亮度作为输入。做植被指数或者地表分类的话直接输出表观反射率更方便省去一步转换。做热红外分析的话亮温是必须的。还有一个参数是Scale Factor。ENVI默认的缩放因子是1但有些传感器比如Landsat 8的OLI的反射率数据动态范围是0到1之间的小数如果直接以浮点存储文件体积会很大。这时候可以设置一个缩放因子比如10000把反射率放大成整数存储减小文件体积。但要注意缩放之后后续处理时要记得除回来否则你的反射率值就全错了。我自己的习惯是如果只是做定性分析或者快速出图直接输出表观反射率缩放因子设10000存成16位整数文件小、读取快。如果要做定量反演老老实实输出浮点型的辐射亮度值别怕文件大精度优先。定标完成之后建议做一个简单的验证。打开定标后的影像用Cursor Location工具查看几个典型地物的像素值。比如深水体在近红外波段的反射率应该接近0浓密植被在近红外波段应该明显高于红光波段。如果这些基本特征都不对那大概率是定标参数选错了需要回头检查传感器类型和定标类型是否匹配。2. 投影转换不是换个坐标系这么简单这些坑我替你踩过了辐射定标做完接下来就是投影转换。很多人觉得投影转换就是打开ENVI的Reproject Raster工具选个目标坐标系点确定。但实际操作中这一步出的问题比辐射定标多得多而且往往更隐蔽。先说一个最基本的认知投影转换的本质是把影像从一个坐标参考系统映射到另一个坐标参考系统。这个映射不是简单的平移旋转而是涉及椭球体参数、基准面转换、投影公式计算等一系列数学操作。不同的转换路径会引入不同程度的误差有些误差在出图的时候看不出来但做面积量算或者空间叠加分析的时候就会暴露。ENVI里面做投影转换主要用两个工具Reproject Raster和Layer Stacking配合Reproject。前者适合单幅影像的投影转换后者适合多波段或者多影像的批量处理。操作路径在Toolbox的Geometry Correction下面。打开Reproject Raster之后第一个要选的参数是输出坐标系。ENVI内置了非常丰富的坐标系库从地理坐标系如WGS84到投影坐标系如UTM、高斯-克吕格都有。选哪个取决于你的研究区域和下游需求。如果研究区域跨带建议用地理坐标系如果研究区域在一个投影带内用投影坐标系做面积量算更准确。这里有一个关键参数重采样方法。ENVI提供三种选项——最近邻Nearest Neighbor、双线性Bilinear、三次卷积Cubic Convolution。这三种方法的适用场景完全不同。最近邻法是把目标像素映射回原始影像取最近的那个原始像素值。优点是保持原始像素值不变适合分类影像或者定性分析。缺点是几何精度相对较低影像可能出现锯齿。双线性法是取目标像素周围四个原始像素的加权平均结果更平滑适合连续变化的影像比如植被指数或者温度。缺点是会改变原始像素值分类影像不能用。三次卷积法取周围十六个像素做加权平滑效果最好但计算量最大而且可能产生原始数据中不存在的值。我的经验是分类影像和掩膜影像一律用最近邻绝对不能用双线性或者三次卷积否则类别边界会糊掉出现不存在的类别值。连续型数据比如NDVI、地表温度用双线性就够了三次卷积的边际收益不大但计算时间明显增加。另一个容易踩的坑是基准面转换。不同坐标系可能基于不同的基准面比如WGS84和北京54、西安80。基准面转换需要七参数或者三参数这些参数通常由测绘部门提供。如果你没有准确的转换参数ENVI会用一个默认的转换方法精度可能不够。做高精度量算的时候一定要确认基准面转换参数是否正确。还有一个实操细节输出像素大小的设置。投影转换之后像素大小可能会变化。如果不指定ENVI会根据输出坐标系自动计算一个默认值。但这个默认值不一定适合你的需求。比如原始影像在WGS84下是30米分辨率转到UTM之后如果自动计算的像素大小是28.7米那你的影像就被重采样了信息量会有损失。建议手动设置输出像素大小尽量保持和原始分辨率一致或者设置为一个整数方便后续计算。投影转换完成之后一定要做目视检查。把原始影像和转换后的影像并排打开用透明叠加或者闪烁工具对比。重点看几个方面地物位置是否对齐、影像边缘是否有异常拉伸、像素值是否在合理范围内。如果发现明显偏移大概率是基准面转换参数有问题需要重新检查。3. 从定标到投影的完整操作链路我平时是怎么一步步走下来的前面两章分别讲了辐射定标和投影转换的原理和注意事项这一章我把整个操作链路串起来给你一个可以直接照着做的流程。这个流程是我自己用了很多次之后固定下来的不一定是最优解但胜在稳定、可复现。3.1 数据准备阶段的检查清单拿到原始影像之后不要急着打开ENVI。先做几项检查。第一确认影像的元数据文件是否完整。很多传感器数据会附带一个MTL文件或者XML文件里面记录了成像时间、太阳高度角、增益偏移等关键参数。ENVI做辐射定标的时候需要读取这些参数如果元数据缺失定标结果可能不准甚至报错。第二确认影像的波段顺序和波长信息。不同传感器的波段排列不一样比如Landsat 8的OLI波段顺序是 coastal、blue、green、red、nir、swir1、swir2而有些传感器可能是反过来的。ENVI通常会自动识别但如果你用的是非常规数据源最好手动确认一下。第三检查影像的NoData值。原始影像中可能有一些填充值或者无效值比如0或者-9999。这些值在辐射定标和投影转换过程中会被当作正常像素处理导致结果异常。建议在定标之前先做一个掩膜把NoData区域标记出来后续处理时排除掉。3.2 辐射定标的具体参数设置打开Radiometric Calibration工具选择输入影像。ENVI会自动检测传感器类型如果检测正确定标系数会自动加载。如果检测失败需要手动选择传感器类型和定标文件。定标类型选Radiance还是Reflectance取决于你的下游任务。我一般做植被分析的话直接选Reflectance省事。做大气校正的话选Radiance。输出数据类型建议选Float32虽然文件大一点但精度有保障。缩放因子根据你的存储需求设置我通常设10000存成16位整数平衡精度和体积。有一个参数叫Apply FLASSH Settings这个选项是给后续大气校正预留的。如果你打算做FLAASH大气校正勾上这个选项ENVI会自动设置一些参数。如果不做大气校正不用管它。定标完成之后建议立刻做一个统计检查。用Statistics工具查看各波段的直方图确认数值分布是否合理。辐射亮度值的典型范围是0到几百表观反射率的典型范围是0到1如果缩放10000的话就是0到10000。如果数值范围明显偏离说明定标参数有问题。3.3 投影转换的完整操作与验证定标后的影像如果坐标系不是你想要的那个就需要做投影转换。打开Reproject Raster工具选择定标后的影像作为输入。输出坐标系根据你的需求选择我一般用UTM或者高斯-克吕格。重采样方法根据影像类型选择分类影像用最近邻连续数据用双线性。输出像素大小手动设置保持和原始分辨率一致。基准面转换参数如果有就填没有就用默认的但要知道默认参数的精度有限。转换完成之后做三项验证。第一目视对比原始影像和转换后影像的地物位置确认没有明显偏移。第二用Statistics工具检查像素值范围确认没有异常值。第三如果研究区域有已知的参考点比如道路交叉口或者建筑角点用Cursor Location工具读取转换后影像上的坐标和实际坐标对比计算误差。如果误差在可接受范围内说明投影转换成功。3.4 批量处理的自动化思路如果你有很多景影像需要做同样的定标和投影转换一景一景手动操作太慢了。ENVI提供了批处理工具可以把整个流程录制成一个模型或者脚本然后批量运行。具体做法是在Toolbox里找到Batch Processing打开之后把Radiometric Calibration和Reproject Raster两个工具拖进去设置好参数然后添加所有需要处理的影像文件点运行。ENVI会自动依次处理每一景影像输出到指定目录。如果批处理工具不能满足你的需求还可以用ENVI的IDL脚本或者Python API来写自定义的批处理流程。Python API的用法是先初始化ENVI然后调用envi.radiative_calibration和envi.reproject_raster函数循环处理文件列表。这种方式更灵活可以加入条件判断和异常处理。4. 那些只有踩过才知道的坑辐射定标与投影转换的常见问题排查这一章我整理了几个在实际操作中经常遇到的问题以及我的排查思路和解决方案。这些问题在官方文档里不一定能找到但实际工作中遇到的概率很高。4.1 定标后影像全黑或者全白这是最典型的问题之一。定标后影像显示全黑或者全白通常是因为显示拉伸设置不对。ENVI默认用2%线性拉伸显示影像如果定标后的像素值范围变化很大默认拉伸可能把大部分像素压到一端。解决办法很简单右键点击图层选择Change Color Table或者Stretch手动调整拉伸范围。或者用Statistics工具查看实际的像素值范围然后根据这个范围设置拉伸。如果像素值范围本身就不正常比如全是0或者全是65535那说明定标参数有问题需要检查传感器类型和定标系数是否正确。4.2 投影转换后影像出现黑边投影转换之后影像边缘出现黑色或者白色的填充区域这是正常现象。因为原始影像的矩形范围在转换到新坐标系之后可能变成一个不规则的形状外围区域没有数据就被填充了NoData值。如果你不喜欢这个黑边可以在输出设置里把背景值设为0或者NaN然后在显示的时候把NoData颜色设为透明。或者在转换之前先做一个裁剪把研究区域之外的影像裁掉减少黑边的面积。4.3 定标和投影的顺序问题有人问能不能先做投影转换再做辐射定标技术上可以但不推荐。原因是辐射定标需要读取影像的元数据包括成像时间和太阳角度。投影转换可能会修改元数据中的坐标信息但一般不会影响定标参数。不过先定标再投影的好处是定标后的影像像素值已经是物理量投影转换的重采样不会改变物理量的性质。如果先投影再定标重采样可能会引入一些像素值变化虽然影响不大但严格来说不如先定标干净。4.4 不同传感器数据的定标参数差异不同传感器的定标参数差异很大不能混用。比如Landsat 8的OLI和Landsat 7的ETM虽然都是Landsat系列但定标系数完全不同。ENVI会自动识别传感器类型并加载对应的参数但如果你用的是非常规数据源比如无人机影像或者地面光谱仪数据就需要手动输入定标系数。手动输入定标系数的时候要注意单位。有些传感器的定标系数是以辐射亮度为单位的有些是以反射率为单位的。输入之前一定要确认清楚否则定标结果会差几个数量级。4.5 投影转换的精度验证方法投影转换的精度怎么验证最直接的方法是用地面控制点GCP。如果你有研究区域内已知坐标的地面点比如道路交叉口、建筑角点可以在原始影像和转换后影像上分别找到这些点读取坐标计算偏移量。如果没有地面控制点可以用影像自带的几何校正参数做交叉验证。比如Landsat数据自带几何校正你可以把转换后的影像和原始影像做叠加看地物是否对齐。如果对齐良好说明投影转换没有引入明显误差。还有一个方法是检查影像的元数据。投影转换之后ENVI会在元数据中记录转换参数和残差。如果残差很大说明转换精度不够需要调整参数或者换一种转换方法。5. 定标与投影之后影像还能怎么用做完辐射定标和投影转换影像才算真正可用。接下来的操作取决于你的研究目标。如果是做植被分析可以计算NDVI、EVI等植被指数。如果是做水体提取可以用NDWI或者MNDWI。如果是做地表温度反演需要用热红外波段做亮温计算和比辐射率校正。我自己的习惯是定标和投影完成之后先做一个快速浏览确认影像质量没问题然后保存一个基础版的影像文件。后续所有分析都基于这个基础版避免每次都要重新做定标和投影。另外如果你要做时间序列分析建议把所有影像都定标和投影到同一个坐标系和同一个像素网格上。这样后续做变化检测或者趋势分析的时候像素是一一对应的不需要再做配准。还有一个进阶用法把定标后的辐射亮度值或者反射率值导出成CSV或者TIFF用Python或者R做统计分析。ENVI的导出功能支持多种格式导出之后可以用pandas或者numpy做更灵活的处理。最后说一个我自己的教训。有一次做项目定标和投影都做完了出图也很漂亮但后来发现忘记做大气校正了。表观反射率和地表反射率之间的差异在浓密植被区域可能不大但在水体或者裸土区域差异很明显。如果你的研究对反射率精度要求高定标之后一定要做大气校正别省这一步。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
