envi纹理分析实战教程从入门到精通教你如何提取图像纹理特征并解决实际应用问题

引言：纹理分析在遥感图像处理中的重要性

纹理分析是遥感图像处理和计算机视觉领域中的核心技术之一。在ENVI（Environment for Visualizing Images）软件中，纹理分析能够帮助我们从遥感图像中提取重要的空间信息，这些信息对于土地利用分类、目标检测、环境监测等应用至关重要。

纹理是指图像中灰度值在空间上的变化模式，它反映了地物的表面特征和结构信息。与光谱信息相比，纹理信息更能反映地物的空间结构特征。例如，森林和农田虽然可能有相似的光谱特征，但它们的纹理模式却截然不同——森林通常具有粗糙、不规则的纹理，而农田则呈现规则、条带状的纹理。

在实际应用中，纹理分析能够解决以下问题：

提高土地利用/土地覆盖分类的精度
识别和提取特定地物目标（如建筑物、道路）
监测地表变化（如森林砍伐、城市扩张）
评估生态环境质量
支持地质勘探和矿产资源调查

本文将从基础概念开始，逐步深入到高级应用，通过详细的步骤说明和实际案例，帮助读者掌握ENVI中的纹理分析技术，并能够独立解决实际应用问题。

纹理分析基础概念

什么是纹理？

纹理是图像中灰度值在空间上的变化模式，它描述了像素及其邻域的灰度值分布规律。从数学角度来看，纹理可以理解为：

结构特征：纹理由基本的纹理基元（texture primitive）按照一定的规则排列而成
统计特征：纹理表现为局部区域的统计特性，如灰度均值、方差等
频域特征：纹理在频率域中表现为特定的频率分布模式

纹理分析的基本方法

在ENVI中，主要使用以下几种纹理分析方法：

1. 灰度共生矩阵（GLCM）

灰度共生矩阵是最经典的纹理分析方法，它通过计算图像中灰度值对出现的概率来描述纹理特征。GLCM考虑了像素对之间的距离和方向，能够有效捕捉纹理的方向性和周期性。

2. 灰度行程矩阵（GLRM）

GLRM通过计算连续相同灰度值的像素个数来描述纹理，特别适合分析具有方向性的线性纹理。

3. 灰度差分矩阵（GLDM）

GLDM通过计算相邻像素的灰度差来描述纹理的粗糙度。

4. 灰度区域大小矩阵（GLSZM）

GLSZM通过计算连续相同灰度值的区域大小来描述纹理。

5. 灰度游程矩阵（GLRLM）

GLRLM与GLRM类似，但计算方式略有不同。

纹理特征参数

每种纹理分析方法都会生成多个特征参数，常用的包括：

均值（Mean）：反映纹理的亮度水平
方差（Variance）：反映纹理的粗糙程度

同质性（Homogeneity）：反映纹理的规则程度

对比度（Contrast）：反映纹理的清晰度
非相似性（Dissimilarity）：反映灰度值的变化幅度
熵（Entropy）：反映纹理的随机性
能量（Energy）：反映纹理的均匀性
相关性（Correlation）：反映纹理的方向性

ENVI软件环境准备

ENVI版本选择

推荐使用ENVI 5.3及以上版本，这些版本提供了完善的纹理分析工具。ENVI Classic虽然也支持纹理分析，但操作界面较为陈旧。

数据准备

纹理分析对输入数据有一定要求：

数据格式：支持大多数遥感数据格式，如GeoTIFF、IMG、HDF等
数据类型：单波段灰度图像或多波段图像（需先进行波段选择）
空间分辨率：建议分辨率在1-30米之间，过高的分辨率可能导致噪声干扰
数据质量：图像应具有良好的辐射定标和几何校正

ENVI界面介绍

ENVI主要有两种操作界面：

ENVI 5.x界面：现代化的图形界面，操作直观
ENVI Classic界面：传统的菜单驱动界面

本文主要基于ENVI 3.3界面进行讲解，但原理同样适用于Classic界面。

ENVI纹理分析入门操作

步骤1：数据导入与预处理

首先，我们需要将遥感数据导入ENVI并进行必要的预处理。

# 伪代码示例：数据预处理流程
# 实际操作在ENVI GUI中完成，以下为流程说明

# 1. 打开ENVI软件
# 2. 点击 File -> Open
# 3. 选择遥感图像文件（如：Landsat8_OLI.tif）
# 4. 查看图像基本信息：波段数、分辨率、数据类型等

# 预处理步骤：
# 1. 辐射定标（Radiometric Calibration）
#    目的：将DN值转换为辐射亮度或反射率
#    操作：Toolbox -> Radiometric Correction -> Radiometric Calibration

# 2. 大气校正（Atmospheric Correction）
#    目的：消除大气散射和吸收影响
#    操作：Toolbox -> Radiometric Correction -> FLAASH / QUAC

# 3. 图像裁剪（Subset）
#    目的：减少计算量，聚焦感兴趣区域
#    操作：右键图像 -> Spatial Subset / Spectral Subset

步骤2：单波段选择

纹理分析通常在单波段图像上进行，因为多波段同时处理会增加计算复杂度且可能引入干扰。

操作步骤：

在Layer Manager中选择要处理的多波段图像
右键点击图像，选择”View Metadata”
查看波段信息，选择最适合纹理分析的波段
通常选择：
- 可见光波段（如红光波段）：适合地表覆盖分类
- 近红外波段：植被纹理分析
- 中红外波段：土壤和岩石纹理分析

波段选择示例：

# 波段选择策略（伪代码）
def select_band_for_texture(image, application):
    if application == "land_cover":
        return image.get_band("Red")  # 红光波段
    elif application == "vegetation":
        return image.get_band("NIR")  # 迌红外波段
    elif application == "soil":
        return image.get_band("SWIR") # 短波红外波段
    else:
        return image.get_band("Pan")  # 全色波段

步骤3：计算纹理特征

在ENVI中计算纹理特征的核心工具是”Texture”工具。

详细操作步骤：

打开纹理分析工具
- 在ENVI 5.x界面：Toolbox -> Feature Extraction -> Texture
- 在ENVI Classic界面：Transforms -> Texture -> Texture Analysis
选择输入文件
- 选择之前准备好的单波段图像
- 点击”OK”进入参数设置界面
参数设置界面详解
- Method：选择纹理分析方法（推荐GLCM）
- Kernel Size：滑动窗口大小（推荐3x3, 5x5, 7x7）
- Moving Step：移动步长（通常为1）
- Texture Measures：选择要计算的纹理特征参数
- Output Results：输出结果类型（特征图像或统计值）
选择纹理特征参数
- 建议初学者选择：均值、方差、同质性、对比度、熵
- 高级用户可根据需求选择其他参数
设置输出
- 指定输出文件名和路径
- 选择输出格式（推荐ENVI格式）

步骤4：结果可视化与分析

计算完成后，ENVI会生成多个纹理特征图像。每个图像代表一种纹理特征的空间分布。

可视化技巧：

调整显示参数：使用”Enhance”功能增强显示效果
多窗口对比：同时显示原始图像和多个纹理特征图像
直方图分析：查看纹理特征的统计分布
剖面分析：使用Profile工具查看纹理特征沿剖面的变化

纹理分析参数详解

滑动窗口大小（Kernel Size）

滑动窗口大小是影响纹理分析结果的最重要参数之一。

选择原则：

3x3窗口：适合分析细微纹理，但可能受噪声影响
5x5窗口：平衡了细节保留和噪声抑制，推荐作为起始值
7x7或更大：适合分析大尺度纹理，但会丢失细节信息

实际案例对比：

# 不同窗口大小对纹理分析结果的影响（概念性描述）

# 原始图像：城市区域（建筑物、道路、绿地混合）
# 3x3窗口结果：
#   - 优点：能清晰区分建筑物边缘和道路纹理
#   - 缺点：绿地内部纹理过于破碎，噪声明显

# 5x5窗口结果：
#   - 优点：纹理平滑且保留了主要特征，适合分类
#   - 缺点：细小建筑物边界略有模糊

# 7x7窗口结果：
#   - 优点：大面积区域纹理均匀
#   - 缺点：建筑物和道路边界严重模糊，细节丢失

# 推荐策略：
# - 城市区域：5x5或7x7
# - 农田区域：5x5
# - 森林区域：7x7或9x9
# - 水体区域：3x3或5x5

纹理特征参数选择

不同纹理特征参数对不同地物的敏感度不同：

均值（Mean）：

反映平均亮度水平
对水体、裸地、植被等不同覆盖类型有区分度
示例：水体均值低，裸地均值高

方差（Variance）：

反映纹理粗糙度
森林方差大（粗糙），农田方差小（平滑）
示例：森林方差 > 农田方差 > 水体方差

同质性（Homogeneity）：

反映纹理的规则程度
人工建筑同质性高，自然景观同质性低
示例：建筑物同质性 > 农田同质性 > 森林同质性

对比度（Contrast）：

反映灰度值变化的剧烈程度
边缘和线性特征对比度高
示例：道路对比度 > 建筑物对比度 > 空地对比度

熵（Entropy）：

反映纹理的随机性
复杂纹理熵值高，简单纹理熵值低
示例：森林熵 > 农田熵 > 水体熵

移动步长（Moving Step）

移动步长决定了滑动窗口在图像上移动的像素间隔。

步长=1：逐像素计算，结果最精细，但计算量大
步长=2：计算量减少一半，结果略有粗糙
步长>2：计算量大幅减少，但可能丢失重要信息

选择建议：

精细分析：步长=1
快速预览：步长=2
大尺度分析：步长=3-5

实战案例1：土地利用分类

案例背景

某地区需要进行土地利用分类，目标是区分耕地、林地、建设用地和水体。原始图像为Landsat 8 OLI影像，空间分辨率30米。

解决方案

1. 数据准备

# 数据预处理流程
# 输入：Landsat8_2023.tif（11个波段）
# 预处理：
#   - 辐射定标：DN -> 反射率
#   - 大气校正：FLAASH方法
#   - 波段选择：选择红光波段（Band 4）进行纹理分析

2. 纹理特征提取

参数设置：

方法：GLCM
窗口大小：5x5
步长：1
特征参数：均值、方差、同质性、对比度、熵

操作代码（ENVI Batch Processing）：

# ENVI Batch Processing脚本示例
# 注意：这是概念性脚本，实际使用需根据ENVI版本调整

; 打开图像
envi_open_file, 'Landsat8_2023.tif', r_fid=fid

; 选择红光波段
envi_file_query, fid, ns=ns, nl=nl, nb=nb
band_ids = [3]  ; Band 4（从0开始计数）

; 设置纹理分析参数
kernel_size = 5
step = 1
measures = ['mean', 'variance', 'homogeneity', 'contrast', 'entropy']

; 计算纹理特征
envi_doit, 'texture_doit', $
    fid=fid, $
    pos=band_ids, $
    kernel_size=kernel_size, $
    step=step, $
    measures=measures, $
    out_name='texture_features.dat', $
    r_fid=out_fid

; 结果可视化
envi_display, out_fid

3. 分类应用

将提取的纹理特征与原始光谱特征结合，进行监督分类。

分类流程：

创建训练样本：在原始图像和纹理特征图像上同时选择样本
选择分类器：支持向量机（SVM）或最大似然法（Maximum Likelihood）
执行分类：输入光谱+纹理特征
精度评价：使用混淆矩阵评估分类精度

预期效果：

仅使用光谱特征：总体精度约75-80%
光谱+纹理特征：总体精度提升至85-90%
特别是建设用地和耕地的区分度显著提高

结果分析

# 分类精度对比（示例数据）

# 仅使用光谱特征：
#   耕地：生产者精度 78%，用户精度 82%
#   林地：生产者精度 85%，用户精度 80%
#   建设用地：生产者精度 65%，用户精度 70%
#   水体：生产者精度 90%，用户精度 88%
#   总体精度：78.5%

# 光谱+纹理特征：
#   耕地：生产者精度 88%，用户精度 90%
#   林地：生产者精度 92%，用户精度 88%
#   建设用地：生产者精度 85%，用户精度 82%
#   水体：生产者精度 95%，用户精度 93%
#   总体精度：89.8%

实战案例2：城市建筑物提取

案例背景

某城市需要提取建筑物轮廓，用于城市规划和房产管理。原始图像为高分辨率卫星影像（0.5米分辨率）。

解决方案

1. 特征选择策略

建筑物具有以下纹理特征：

规则性：建筑物边缘清晰，纹理规则
同质性：屋顶材质均匀，同质性高
对比度：与周围环境对比明显

2. 参数优化

# 建筑物提取的参数设置建议

# 窗口大小选择：
# - 小型建筑物（<100m²）：3x3或5x5
# - 中型建筑物（100-1000m²）：5x5或7x7
# - 大型建筑物（>1000m²）：7x7或9x9

# 特征参数组合：
# 核心特征：同质性 + 对比度
# 辅助特征：均值 + 方差
# 排除特征：熵（建筑物熵值通常较低）

# 阈值分割策略：
# 同质性阈值：>0.7（建筑物）
# 对比度阈值：>0.3（边缘清晰）
# 均值阈值：根据屋顶材质调整

3. 后处理

# 后处理流程（概念性描述）

# 1. 形态学操作
#   - 开运算：去除小噪声点
#   - 闭运算：填充小孔洞

# 2. 边缘平滑
#   - 中值滤波：平滑边界
#   - 面积筛选：去除面积过小的斑块

# 3. 矢量化
#   - 将栅格结果转换为矢量面
#   - 生成SHP文件用于GIS分析

实际效果

通过纹理分析结合光谱特征，建筑物提取精度可达85%以上，显著优于仅使用光谱信息的方法（约65%）。

实战案例3：森林健康监测

案例背景

监测森林健康状况，识别受病虫害影响的区域。使用多时相遥感数据。

解决方案

1. 纹理特征变化检测

# 变化检测流程

# 时相1（健康森林）：
#   - 纹理特征：方差中等，熵值较高
#   - 均值：反映叶绿素含量

# 时相2（受病虫害）：
#   - 纹理特征：方差降低（叶片脱落），熵值降低（结构简化）
#   - 均值：降低（叶绿素减少）

# 变化量计算：
# Δ方差 = 方差_时相2 - 方差_时相1
# Δ熵 = 熵_时相2 - �熵_时相1
# Δ均值 = 均值_时相2 - 均值_时相1

2. 健康状况分级

# 健康状况分级标准（示例）

# 健康：
#   - Δ方差：-10% ~ +10%
#   - Δ熵：-10% ~ +10%
#   - Δ均值：-5% ~ +5%

# 轻度胁迫：
#   - Δ方差：-20% ~ -10%
#   - Δ熵：-20% ~ -11%
#   - Δ均值：-10% ~ -6%

# 中度胁迫：
#   - Δ方差：-35% ~ -20%
#   - Δ熵：-35% ~ -21%
#   - Δ均值：-20% ~ -11%

# 重度胁迫：
#   - Δ方差：< -35%
#   - Δ熵：< -35%
#   - Δ均值：< -20%

高级应用：多尺度纹理分析

多尺度分析原理

单一尺度的纹理分析可能无法同时捕捉不同大小的地物特征。多尺度分析通过在多个尺度上计算纹理特征，能够更全面地描述图像的纹理信息。

ENVI中的实现方法

# 多尺度纹理分析流程

# 尺度1：精细尺度（3x3窗口）
#   目标：提取小尺度特征（如道路、小建筑物）

# 尺度2：中等尺度（5x5窗口）
#   目标：提取中等尺度特征（如农田、街区）

# 尺度3：粗尺度（7x7窗口）
#   目标：提取大尺度特征（如森林、大型建筑群）

# 特征融合：
#   - 将不同尺度的纹理特征进行组合
#   - 可以使用加权平均或特征选择方法

实际应用示例

# 多尺度纹理特征提取代码（ENVI Batch Processing）

; 定义多个尺度
scales = [3, 5, 7, 9]
measures = ['mean', 'variance', 'homogeneity']

; 循环计算每个尺度
foreach scale, scales do
    envi_doit, 'texture_doit', $
        fid=fid, $
        pos=band_ids, $
        kernel_size=scale, $
        step=1, $
        measures=measures, $
        out_name='texture_scale_'+string(scale, format='(i2)')+'.dat', $
        r_fid=out_fid
endforeach

; 特征融合（示例：加权平均）
; 权重分配：精细尺度权重高，粗尺度权重低
weights = [0.4, 0.3, 0.2, 0.1]

纹理分析的局限性与解决方案

常见局限性

1. 计算效率问题

问题：大图像纹理分析计算量巨大，耗时长。 解决方案：

使用移动步长>1进行快速预览
图像分块处理
使用ENVI的批处理功能
考虑使用GPU加速（如果硬件支持）

2. 尺度依赖性

问题：纹理特征随分析尺度变化，结果不稳定。 解决方案：

多尺度分析
尺度选择标准化
使用相对纹理特征（如纹理指数）

3. 边界效应

问题：图像边界处的纹理计算不准确。 解决方案：

图像扩展（padding）
边界权重调整
结果裁剪

4. 噪声敏感性

问题：噪声会严重影响纹理分析结果。 解决方案：

预处理阶段进行去噪
使用中值滤波
选择合适的窗口大小

质量控制方法

# 纹理分析质量控制检查清单

# 1. 输入数据检查
#   - 确认数据类型和范围
#   - 检查是否存在无效值（NaN）
#   - 验证空间参考

# 2. 参数合理性检查
#   - 窗口大小与地物尺度匹配
#   - 步长选择合理
#   - 特征参数选择适当

# 3. 结果验证
#   - 目视检查：纹理图像是否符合预期
#   - 统计检查：特征值范围是否合理
#   - 应用验证：分类精度是否提升

# 4. 不确定性评估
#   - 计算纹理特征的标准差
#   - 评估不同参数的敏感性
#   - 进行交叉验证

纹理分析与其他技术的结合

1. 纹理+光谱

优势：结合空间和光谱信息，分类精度显著提升应用：土地利用分类、植被类型识别

2. 纹理+形状

优势：同时利用空间结构和几何特征应用：建筑物提取、道路检测

3. 纹理+时相

优势：捕捉空间特征的时间变化应用：变化检测、森林健康监测

4. 纹理+机器学习

优势：自动学习最优特征组合应用：深度学习中的纹理特征工程

实践练习与进阶学习

练习1：基础操作

任务：对Landsat图像进行纹理分析，区分不同地物目标：掌握基本操作流程和参数设置

练习2：参数优化

任务：针对特定地物（如建筑物）优化参数组合目标：理解参数对结果的影响

练习3：多尺度分析

任务：实现多尺度纹理特征提取和融合目标：掌握高级分析技巧

练习4：实际应用

任务：解决一个实际问题（如城市绿地提取）目标：综合应用所学知识

总结

纹理分析是遥感图像处理中的强大工具，能够有效提取图像的空间结构信息。通过本文的学习，读者应该能够：

理解纹理分析的基本原理：掌握GLCM等核心方法
熟练操作ENVI软件：独立完成纹理分析的全流程
合理选择参数：根据实际需求选择合适的窗口大小、特征参数
解决实际问题：将纹理分析应用于土地利用分类、目标提取等场景
评估和优化结果：进行质量控制和精度评价

纹理分析技术仍在不断发展，建议读者关注以下方向：

深度学习与纹理分析的结合
三维纹理分析（体纹理）
实时纹理分析技术
多源数据融合的纹理分析

通过持续实践和探索，您将能够更加灵活地运用纹理分析技术，解决各种遥感应用中的实际问题。记住，优秀的纹理分析结果不仅依赖于技术本身，更需要对研究对象的深入理解和合理的参数选择。祝您在纹理分析的学习和应用中取得成功！

envi纹理分析实战教程 从入门到精通教你如何提取图像纹理特征并解决实际应用问题

引言：纹理分析在遥感图像处理中的重要性

纹理分析基础概念

什么是纹理？

纹理分析的基本方法

1. 灰度共生矩阵（GLCM）

2. 灰度行程矩阵（GLRM）

3. 灰度差分矩阵（GLDM）

4. 灰度区域大小矩阵（GLSZM）

5. 灰度游程矩阵（GLRLM）

纹理特征参数

ENVI软件环境准备

ENVI版本选择

数据准备

ENVI界面介绍

ENVI纹理分析入门操作

步骤1：数据导入与预处理

步骤2：单波段选择

步骤3：计算纹理特征

步骤4：结果可视化与分析

纹理分析参数详解

滑动窗口大小（Kernel Size）

纹理特征参数选择

移动步长（Moving Step）

实战案例1：土地利用分类

案例背景

解决方案

1. 数据准备

2. 纹理特征提取

3. 分类应用

结果分析

实战案例2：城市建筑物提取

案例背景

解决方案

1. 特征选择策略

2. 参数优化

3. 后处理

实际效果

实战案例3：森林健康监测

案例背景

解决方案

1. 纹理特征变化检测

2. 健康状况分级

高级应用：多尺度纹理分析

多尺度分析原理

ENVI中的实现方法

实际应用示例

纹理分析的局限性与解决方案

常见局限性

1. 计算效率问题

2. 尺度依赖性

3. 边界效应

4. 噪声敏感性

质量控制方法

纹理分析与其他技术的结合

1. 纹理+光谱

2. 纹理+形状

3. 纹理+时相

4. 纹理+机器学习

实践练习与进阶学习

练习1：基础操作

练习2：参数优化

练习3：多尺度分析

练习4：实际应用

总结

envi纹理分析实战教程从入门到精通教你如何提取图像纹理特征并解决实际应用问题