envi5.6深度学习问题

Question

envi5.6
遇到很多问题
深度学习每次训练模型都出错，但是我却不知道为什么

Answer 1

【相关推荐】

• 请看👉 ：利用ENVI绘制土地利用图
• 除此之外, 这篇博客: ENVI 混合像元分解中的 五、ENVI实现混合像元分解步骤 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
  

  1.MNF变换
  （1）原理
  最小噪声分离变换（Minimum Noise Fraction Rotation，MNF Rotation）工具用于判定图像数据内在的维数（即波段数），分离数据中的噪声，减少随后处理中的计算需求量。MNF本质上是两次层叠的主成分变换。第一次变换（基于估计的噪声协方差矩阵）用于分离和重新调节数据中的噪声，这步操作使变换后的噪声数据只有最小的方差且没有波段间的相关。第二步是对噪声白化数据（Noise-whitened）的标准主成分变换。

  MNF变换具有PCA变换的性质,是一种正交变换,变换后得到的向量中的各元素互不相关,第一分量集中了大量的信息,随着维数的增加,影像质量逐渐下降,按照信噪比从大到小排列,而不像PCA变换按照方差由大到小排列,从而克服了噪声对影像质量的影响。正因为变换过程中的噪声具有单位方差,且波段间不相关,所以它比PCA变换更加优越。

  （2）作用
  作用：分离数据中的噪声，减少之后计算的需求量，即数据降维。

  （3）操作步骤
  在ENVI主菜单中，选择/Transform/MNF Rotation/Forward MNF Estimate Noise Statistics 。
  

  2.计算PPI像元纯度指数
  （1）原理
  纯像元指数(Pure Pixel Index, PPI)，将投影到大量随机向量端点次数最多的几个像元作为端元。

  像元纯度指数算法把每个像元作为一个n维向量, 所有像元就组成了一个向量空间V. 在这个向量空间中基并不唯一, 必然存在全部由位于边界位置的向量组成的基， 可以用它们的线性组合来表示所有其他的向量。这些处在边界位置的向量在投影到随机产生的单位向量上时, 出现在随机单位向量边缘的概率最大, 如果有大量的随机单位向量, 这种概率将以频率的形式表现出来。

  当图像光谱被视为n维光谱空间中的点时，端元光谱应位于数据云的边缘。光谱点被投影到每个测试向量上，并且在最小和最大投影值的阈值距离内的光谱被标记为极值(如这里的二维图所示)。
  
  （2）操作步骤
  在ENVI主菜单中，选择 Spectral-> Pixel Purity Index->[FAST] New Output Band。在打开的Pixel Purity Index Input File对话框中，选择MNF变换结果。（根据情况选择波段，单击Spectral Subset按钮，选择波段）
  
  设置Pixel Purity Index Parameters：

  • Number of Iterations：迭代次数
  • Threshold Factor：在数据单元中输入极限像素选择的阈值因子值。例如，值2将来自极端像素(包括高像素和低像素)的所有大于两个DN值的像素标记为极端。这个阈值选择投影向量两端的像素。阈值应该大约是数据中的噪声水平的两到三倍。例如，陆地卫星TM数据的噪声通常小于1 DN，因此阈值为2或3就很好。当使用MNF数据时，将噪声归一化，阈值2或3工作得很好。较大的阈值会导致PPI找到更极端的像素，但它们不太可能是纯端元。

  
  
  设置阈值，显示感兴趣区：
  
  3.构建n维可视化窗口
  （1）定义
  n维可视化工具在一个n维空间的数据集中定位、识别和聚类最纯净的像素和最极端的光谱响应(端元)。

  （2）操作步骤
  在ENVI主菜单中，选择Spectral ->n-Dimensional Visualizer，在n-D Visualizer Input File对话框中选择MNF变换结果，单击OK。
  
  选择1-2-3波段，构建3维散点图。
  

  • 设置适当的速度（Speed），单击Start按钮，在n-D Visualizer窗口中的点云随机旋转，当在n-D Visualizer窗口中的点云有部分聚集在一块时，单击Stop按钮。
  • 在n-D Visualizer窗口中，用鼠标左键勾画“白点”集中区域，选择的点被标示颜色。
  • 在n-D Controls面板中，选择Class->Items 1:20->White（用于删除点），单击Start按钮，当看到有部分选择的点云分散时候，单击Stop按钮，在n-D Visualizer窗口中选择分散的点，自动会将选择的点删除。借助<-，->，New按钮可以一帧帧从不同视角浏览以辅助删除分散点。
    
    输出端元波谱：输出Spectral Library（或者ASCII），将端元波谱保存为波谱库文件或者文本文件。
    
    4.波谱分离
    可参考：
  http://blog.sina.com.cn/s/blog_764b1e9d0101dnjz.html

（1）在Toolbox中，打开/Classification/Endmember Collection工具，在文件对话框中选择影像；

（2）在Endmember Collection面板中，选择Import >from ASCII file。将显示的端元波谱选中，点击OK；

（3）点击Apply按钮，在弹出的对话框选择输出路径，点击OK执行混合像元分解。

分解结果：

总结：
预处理后的影像经过MNF变换，达到数据降维的目的；然后计算PPI像元纯度指数，设置阈值；利用LSMM线性光谱分离模型或fcls_spectral_unmixing扩展工具进行波谱分离，最后得到不同类型的丰度图。

参考链接：
ENVI扩展工具：完全约束最小二乘法混合像元分解：http://blog.sina.com.cn/s/blog_764b1e9d0101dnjz.html

定量/高光谱遥感之——混合像元分解：
https://blog.csdn.net/lijie45655/article/details/49184529

混合像元分解中的端元波谱获取方法：
http://blog.sina.com.cn/s/blog_764b1e9d0100qtv9.html

高级光谱分析：
http://blog.sina.com.cn/s/blog_764b1e9d0102v564.html

GEE进行混合像元分解：
https://zhuanlan.zhihu.com/p/129881408

Linear Spectral Unmixing：
https://www.l3harrisgeospatial.com/docs/linearspectralunmixing.html#:~:text=Linear%20Spectral%20Unmixing%20has%20two%20constraint%20options%3A%20unconstrained,values%20and%20are%20not%20constrained%20to%20sum-to-unity%20%28one%29.

Spectral Tools References：
https://www.l3harrisgeospatial.com/docs/spectraltoolsreferences.html

Collect Endmember Spectra：
https://www.l3harrisgeospatial.com/docs/collectingendmemberspectra.html#Endmembe2

Spectral Unmixing：
https://www.sciencedirect.com/topics/earth-and-planetary-sciences/spectral-unmixing
~~共同学习，共同进步！

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^