简介：这份ENVI遥感影像处理实验报告面向地信、遥感及相关专业学生与实习人员，围绕Landsat8多光谱影像的完整处理流程展开，可用于课程实验、实习报告撰写与软件操作复盘。压缩包内仅含1个docx文档，大小约7.92MB，以图文结合方式组织实验目的、数据概况、图像裁剪、辐射定标与反射率求算、大气校正及比较、图像融合等模块，并给出Brovey、HSV、主成分变换的目视解译与定量对比结果。报告还涵盖水体提取、植被覆盖度、温度反演（大气校正法、单窗算法）、监督与非监督分类及土地利用变化分析的步骤图和结果图，文末附实习心得体会，便于读者对照理解ENVI操作逻辑与成果表达。已有1246人学习，适合需要一份较完整遥感实习范例、并希望按目录查漏补缺的初学者和进阶学习者参考。

1. 一份ENVI实习报告能省多少摸索：Landsat 8从裁剪到变化监测的全链路

前阵子有人拿着一份ENVI的Landsat 8影像处理实习报告来问：目录看着齐全，照着点却在大气校正那步卡了两天，出来的反射率曲线还是平的。这份资源的价值不在结果图多漂亮，而在于它把一条完整的遥感影像处理链路摊开了——波段组合与矢量裁剪、辐射定标、FLAASH大气校正、四种融合方法横评、水体与植被覆盖度提取、温度反演、监督与非监督分类，最后落到两期影像的土地利用变化监测，步骤、参数、结果图、定量表格都在。地信和遥感方向的学生可以拿它当操作底稿，刚接触影像预处理的从业者可以拿它对照自己漏了哪一步。下面按我复现时的顺序拆，重点讲参数怎么定、哪一步容易翻车。

2. 波段堆栈与矢量裁剪：把8个波段、1个ROI对齐到同一套坐标

2.1 波段顺序决定后面所有公式的生死

Landsat 8 OLI 的 Level-1 产品里，B1 到 B7 是多光谱，B8 是全色，B9 是卷云，B10、B11 是热红外。ENVI 的 Layer Stacking 按你导入的顺序给波段编号，Band Math 里的 b4、b5 指的就是堆栈后的第4、第5个波段。一旦顺序乱了，NDVI 会算出全负值，FLAASH 的光谱匹配也会错位，后面所有指数、分类、反演全部作废。

这份报告里把 B1 到 B8 正序堆栈，把全色波段也放进去，理由是融合那一步要用 B8 当高分辨率输入。这个做法没问题，但要注意两件事：一是堆栈时别把 B9 卷云波段混进去，它会打乱编号；二是如果确定不做全色融合，堆栈时只放 B1 到 B7，后面 Edit Header 写波长能少写一组。

这张表是我自己复现时贴在显示器边上的，因为 FLAASH 的 multispectral settings 里要手选波段范围，写错一个数字，水汽反演就会跑到别的窗口去。

2.2 矢量范围先筛属性再导出，别整包往里塞

报告里的做法是在 ArcMap 里加载行政区 shp，打开属性表，只保留目标县域那一条记录，导出成新的 shapefile。这一步看着琐碎，但不做的话，ENVI 里导 ROI 会把整张图的所有多边形一起转进去，裁剪出来的边界是一堆碎块。

属性表筛选有两个细节值得说。第一，导出时坐标系选“数据框的坐标系”还是“原数据坐标系”，取决于你后面要不要投影。Landsat 8 的 L1TP 产品是 UTM/WGS84 投影，而下载到的行政区 shp 常常是地理坐标（经纬度）。两者不在一个坐标系下，ENVI 裁剪时会弹提示，选自动投影也能跑，但基准面转换一旦选错，边界会整体偏移几百米。我一般会在 ArcGIS 里先做一次 Project，把矢量投到影像所在的 UTM 带，再导入 ENVI，这样后面所有步骤都不用再操心对齐问题。

第二个细节是属性表里字段的编码。中文县名在某些 shapefile 里会变成乱码，筛选时按 FID 或者按面积最大的那条记录选，比按名字选稳。

2.3 Layer Stacking 与 ROI 裁剪的完整操作序列

下面是我按报告步骤整理出来的执行顺序，每一步都对应一个明确的输出物，中途出问题能立刻定位在哪一环。

1. 打开 ENVI，File > Open，选中 B1 到 B8 共 8 个 TIFF。
2. Basic Tools > Layer Stacking，Import File 依次加入 B1 到 B8，确认列表顺序与波段号一致，输出文件名带_stack后缀。
3. File > Open，选 shapefile，导入时坐标系选与影像一致的那一套。
4. 在 Layer Manager 里右键矢量图层，打开属性表，确认只剩目标区域一条记录。
5. 显示堆栈影像的 RGB（常用 5-4-3），让影像出现在主视图。
6. File > Export Active Layer to ROIs，选择导出的记录，生成 ROI。
7. Basic Tools > Subset Data via ROIs，输入影像选堆栈结果，Select Input ROIs 选上一步的 ROI，Mask pixels outside of ROI设为 Yes。
8. 输出文件命名带_subset，检查统计值范围是否与原图一致。

第 7 步的Mask pixels outside of ROI是关键开关。设成 No 时，ENVI 只按外接矩形裁，边界外的像元照样保留；设成 Yes 才是真正按多边形掩膜。掩膜后的背景值默认是 0，如果后面要跑 Band Math，0 会参与运算并把指数拉偏，所以要么在 Band Math 里加判断，要么把背景设成 NaN 或 -999。这是我在处理边界水体时踩过的坑，后面第 5 章还会展开。

2.4 头文件里的波长和单位，必须手工补

原始 TIFF 被 ENVI 读进来时，头文件里没有波长信息。不补的话，Spectral Profile 的横轴是波段序号 1、2、3，FLAASH 和光谱分析都拿不到物理意义。报告里的做法是右键影像 > Edit Header > Wavelength，把 8 个中心波长按顺序填进去，单位从默认的 Nanometers 改成 Micrometers。

这里有两个容易漏的点。一是 B8 全色的波长（0.590）也要填，虽然它不参与反射率计算，但融合时 ENVI 会读这个值做重采样判断。二是填完之后要打开一次 Spectral Profile 验证，横轴显示的是 0.4 到 0.9 之间的波长值才算成功；如果还是 1 到 8，说明头文件没写进去，多半是文件被其他程序占用或者输出时选了只读目录。

3. 辐射定标与FLAASH：把DN值推到反射率的7个参数

3.1 定标公式与MTL里该抄哪几个字段

辐射定标做的是把无量纲的 DN 值转成有物理单位的辐亮度，再进一步转成大气顶层反射率。Landsat 8 Collection 1 产品在 MTL 头文件里直接给了增益和偏置，公式是：

• 辐亮度：Lλ = RADIANCE_MULT_BAND_x × DN + RADIANCE_ADD_BAND_x
• 表观反射率：ρ = (REFLECTANCE_MULT_BAND_x × DN + REFLECTANCE_ADD_BAND_x) / sin(SUN_ELEVATION)

太阳高度角从 MTL 的SUN_ELEVATION字段取，单位是度，要先转弧度再取正弦。这一步如果偷懒不除，高纬度或者冬季影像的反射率会整体偏高，和大气校正后的结果对不上。

报告里是在 ENVI 的扩展工具里用 Apply Gain and Offset 手动输入，一个一个抄 7 组乘数和加数。手动抄容易串行，我一般会先用脚本把 MTL 里的定标参数抽出来对一遍：

import re from pathlib import Path # MTL 文件名按实际产品替换，路径行号用占位符表示 mtl = Path("LC08_L1TP_PPPRRR_20200220_20200225_01_T1_MTL.txt") kv = {} for line in mtl.read_text(encoding="utf-8").splitlines(): m = re.match(r"\s*([A-Z0-9_]+)\s*=\s*(.+?)\s*$", line) if m: kv[m.group(1)] = m.group(2).strip('"') # 逐波段打印定标系数，方便和 ENVI 面板里的输入值核对 for b in range(1, 8): print( f"B{b}:", "Radiance", kv.get(f"RADIANCE_MULT_BAND_{b}"), kv.get(f"RADIANCE_ADD_BAND_{b}"), "| Reflectance", kv.get(f"REFLECTANCE_MULT_BAND_{b}"), kv.get(f"REFLECTANCE_ADD_BAND_{b}"), ) print("太阳高度角:", kv.get("SUN_ELEVATION")) print("成像时间:", kv.get("DATE_ACQUIRED"), kv.get("SCENE_CENTER_TIME"))

脚本只做一件事：把每个波段的乘数、加数、太阳高度角和成像时间打出来。参数说明上，RADIANCE_MULT_BAND_x是辐亮度乘数，量级在 1e-2 左右；REFLECTANCE_MULT_BAND_x是反射率乘数，量级在 2e-5 左右，两者差三个数量级，抄错一位结果就完全不对。SUN_ELEVATION用来做太阳高度角校正，SCENE_CENTER_TIME是后面 FLAASH 要填的成像时间，注意不是FILE_CREATION_TIME。

3.2 为什么定标之后必须转成BIL

FLAASH 是按行扫描读取数据的，BSQ 格式（波段顺序存放）在它眼里会把整幅影像按波段切开，读进来的“行”其实是同一个波段的一整块，导致校正结果出现条带或者直接报错。报告里专门写了“改变辐射定标文件类型从 BSQ 到 BIL”，这一步不是可选项。

转换有两种做法：一种是在 Basic Tools > Convert Data 里选 BSQ to BIL，另一种是 Edit Header 里直接改 Interleave 字段。前者会生成新文件，后者只改元数据、不动数据本体，FLAASH 读的时候还是按原格式解析，所以不推荐。转完之后可以用File > View Metadata确认 Interleave 一栏显示 BIL，再往下走。

3.3 FLAASH参数逐项定值，错一个整幅图作废

FLAASH 的面板参数多，但真正影响结果的只有七八个。报告里给出的取值和我复现时用的基本一致，整理成表更清楚：

Scale Factor这个参数最容易填错。Landsat 8 Collection 1 的辐亮度在 MTL 里已经按 0.1 的系数预缩放，ENVI 读进来后数值范围是 0 到 1 左右，FLAASH 需要的是真实物理量级，所以要把输入值乘 10 还原。填小了校正后的反射率整体偏低，填大了会溢出。

Atmospheric Model的选择依据是纬度和季节，不是行政区划。研究区在亚热带，夏季影像选 Mid-Latitude Summer 合理；如果换成冬季影像还选这个，水汽含量会被高估，近红外波段反射率偏低。Aerosol Model选 Urban 是因为研究区内有建成区，如果整幅图以农田林地为主，选 Rural 更合适。

3.4 校正结果怎么验：别只看图好不好看

报告里放了三组对比图，原图、定标后、校正后并排，还附了 Z-Profile 曲线。这套验证方法是对的，但判读标准要明确：

• 植被像元：红光波段（B4）反射率应该明显低于近红外（B5），典型值红光 0.03 到 0.08，近红外 0.25 到 0.45，曲线呈“红谷近红外峰”。
• 水体像元：近红外和短波红外反射率趋近于 0，可见光略高，整条曲线贴地。
• 裸土像元：从可见光到短波红外单调上升，没有明显吸收谷。

如果校正后植被的红光反而高于近红外，先查波段顺序，再查定标系数有没有串行。如果整条曲线在蓝波段异常抬高（0.2 以上），大概率是气溶胶模型选错或者能见度初值给得太小。如果曲线形状对了但整体量级偏低，回头看 Scale Factor。

4. 四种融合方法横评：Brovey、HSV、PC、Gram-Schmidt的取舍与定量打分

4.1 融合之前先统一量级，全色波段要拉伸

多光谱波段经过大气校正后，数值范围是 0 到 1 的反射率；全色波段 B8 如果只做过辐射定标，数值可能是 0 到 1 或者 0 到 10000，取决于有没有乘 Scale Factor。两者量级不一致直接融合，全色波段会几乎全黑或者全白，融合结果的空间细节根本进不来。

报告里的做法是对 B8 做反射率拉伸，把它拉到和多光谱一致的范围。常见做法有两种：用 Band Math 把 B8 乘 10000，和多光谱的 0 到 10000 对齐；或者用 Stretch Data 把 B8 线性拉伸到 0 到 1。我一般选前者，因为整数运算不引入额外的重采样误差。拉伸完用统计面板看一眼均值，B8 的均值应该和 B5 在一个数量级，差太多说明拉伸系数不对。

4.2 Brovey与HSV：参数少，但光谱代价不一样

Brovey 变换的思路是把 RGB 三个波段按比例分配给全色波段的高频信息，公式上每个彩色波段乘以“全色 / 三波段之和”。它只支持三个波段输入，所以报告里用 B5、B4、B3 合成 RGB，全色选 B8，重采样选最近邻。最近邻不产生新像元值，融合后的光谱畸变最小，这也是报告里反复强调“最邻近法效果最清晰”的原因。

HSV 变换先把 RGB 转到色度、饱和度、亮度三个通道，用全色波段替换亮度通道，再转回 RGB。色度和饱和度通道在重采样时也会损失精度，所以 HSV 的光谱保真度天然不如 Brovey，但纹理提升更明显。报告里的目视结论是 HSV 融合后居住区边界更清晰，这和 HSV 对亮度通道的强替换有关。

两种方法的共同限制是只能吃三个波段。如果要做多波段融合（比如把 7 个多光谱波段全部提升到 15 m），Brovey 和 HSV 都用不了，只能上 PC 或者 Gram-Schmidt。

4.3 主成分变换与Gram-Schmidt：多波段融合的正解

主成分变换的做法是先对多光谱做 PCA，把信息集中到第一主成分，然后用全色波段替换第一主成分，再做逆变换。替换之前必须把全色波段的均值和方差匹配到第一主成分上，否则逆变换出来的影像色调会整体偏。报告里提到 PC 融合“视觉上反而变模糊、颜色更鲜艳”，这就是匹配没做好或者第一主成分信息过于集中的典型表现。

Gram-Schmidt 是 ENVI 里光谱保真度最好的一档。它的思路是用多光谱波段模拟出一幅低分辨率全色，再和真实全色做正交化，把差异注入回多光谱。ENVI 5.x 的面板里要选传感器类型（Landsat 8 OLI），选 Low Res 还是 High Res 取决于你手里的全色波段是不是已经重采样过。报告里没展开这一档，但如果要做 7 个波段全部融合，GS 是首选。

4.4 定量评价：四个指标怎么读，怎么算

报告里裁了一块区域做定量对比，算了均值、标准差、信息熵和平均梯度。这四个指标各有指向：均值反映辐射亮度整体偏移，标准差反映对比度，信息熵反映信息量，平均梯度反映边缘清晰度。原文的数据整理如下（取 B5 红光通道为例）：

读这张表要注意两点。第一，Brovey 的均值掉到 0.2，是因为它的输出被归一化到 0 到 1，和融合前的量级不可比，只能横向比同量级的方法。第二，HSV 的信息熵和平均梯度都最高，但均值从 10.94 跳到 63.12，说明辐射亮度整体被抬升，光谱失真明显。PCA 的信息熵反而低于融合前，这和目视看到的“变模糊”一致，说明第一主成分替换时信息丢失了。

信息熵和平均梯度如果不想手算，可以用脚本读 ENVI 导出的 ASCII 或者直接读栅格：

import numpy as np from osgeo import gdal def entropy(arr, bins=256): # 按灰度直方图统计概率分布，再算香农熵 hist, _ = np.histogram(arr, bins=bins, range=(arr.min(), arr.max())) p = hist / hist.sum() p = p[p > 0] return float(-(p * np.log2(p)).sum()) def mean_gradient(arr): # 水平和垂直方向一阶差分的平均绝对值 gx = np.abs(np.diff(arr, axis=1)).mean() gy = np.abs(np.diff(arr, axis=0)).mean() return float((gx + gy) / 2) ds = gdal.Open("fusion_hsv_b5.img") band = ds.GetRasterBand(1).ReadAsArray().astype("float32") print("信息熵", round(entropy(band), 4), "平均梯度", round(mean_gradient(band), 4))

bins=256是灰度级数，8 位影像用 256 合适，如果数据是浮点反射率，要先把值域归一化或者加大 bins 数量，否则直方图过于稀疏，熵值会偏低。mean_gradient用的是简单差分，没有做高斯平滑，对噪声敏感，比较同一景影像的不同融合结果时没问题，跨影像比较要谨慎。

5. 避坑与排查：五个让结果白做的细节

5.1 元数据与量级类

坑一：FLAASH 出来灰蒙蒙，植被光谱还是平的。

现象是校正后的反射率曲线在蓝波段异常抬高，红光和近红外几乎贴在一起，目视影像像蒙了一层雾。

原因多半是 Flight Time 填成了 MTL 里的FILE_CREATION_TIME，而不是SCENE_CENTER_TIME。这两个时间差几个小时到几天，太阳天顶角和大气查找表全部对不上，水汽和气溶胶反演直接跑偏。

解决办法是从 MTL 里取DATE_ACQUIRED加SCENE_CENTER_TIME，格式是YYYY-MM-DD和HH:MM:SS，注意这个时间已经是 UTC，不要再手动加时区偏移。填完重跑一次，对比植被光谱的红谷深度，正常应该能看出明显吸收。

坑二：融合时全色波段几乎全黑，空间细节进不来。

现象是融合结果和原多光谱看不出分辨率差异，B8 的统计均值接近 0。

原因是量级没统一。大气校正后的多光谱是 0 到 1 的反射率，而 B8 如果只做了辐射定标、又乘过 Scale Factor，数值范围可能在 0 到 10000。两者相差四个数量级，Brovey 的比值计算直接把全色压成 0。

解决办法是融合前先看两个输入的统计值，把 B8 乘 10000 对齐到多光谱量级，或者把多光谱除以 10000。我习惯在文件名里标上量级，比如_refl_x10000，避免隔一天回来自己都忘了。

5.2 空间参照与掩膜类

坑三：裁剪结果是全黑，或者只有角上一小块有数据。

现象是 Subset Data via ROIs 跑完之后，打开的影像大部分像元值为 0。

原因是矢量和影像坐标系不一致。Landsat 8 L1TP 是 UTM 投影，下载的行政区 shp 常常是经纬度地理坐标，ENVI 自动投影时如果基准面或者 UTM 带号选错，多边形会落到影像范围之外。

解决办法是先在 ArcGIS 或者 QGIS 里把矢量 Project 到影像的 UTM 带，确认两者 Extent 有交集再导入 ENVI。判别方法很直接：把矢量和影像同时加载，看多边形是不是压在影像上，压不上就是坐标系问题，不用怀疑裁剪参数。

坑四：水体提取时边缘河流消失，掩膜后和背景混在一起。

现象是按报告里的阈值 0.2256 做密度分割，主体水体提出来了，但研究区边缘那条河整段变黑，和掩膜背景分不开。

原因有两个。一是阈值照抄。不同时相、不同大气校正结果的 NDWI 分布不一样，0.2256 在原始影像上合适，换一期影像可能偏高或偏低。二是掩膜背景值设成了 0，而暗水体的 NDWI 也接近 0，两者在显示上无法区分。

解决办法是用 Density Slice 看 NDWI 直方图，取双峰之间的谷底作为阈值，而不是记一个固定数字。掩膜输出时把背景值设成 -999 或者 NaN，后续统计和制图都能把背景排除掉。

5.3 评价与精度类

坑五：分类精度 0.95 以上，换一期影像就崩。

现象是监督分类的混淆矩阵 Kappa 接近 0.95，各类生产者精度都在 0.9 以上，但把同一套样本应用到另一期影像，分类结果大面积错分。

原因是训练样本和验证样本来自同一批 ROI，空间上高度重叠，空间自相关把精度抬高了。另一种情况是样本选在了两期影像都发生变化的区域，模型学到的是变化本身而不是地物特征。

解决办法是分层随机抽样，训练样本和验证样本按 7:3 分开，并且空间上不重叠。看精度不能只看总体精度，要拆开看单类的生产者精度和用户精度，哪一类低就回去补哪一类的样本。报告里的 ISODATA 非监督分类可以作为对照，如果监督分类的类别数和 ISODATA 差太多，说明样本的代表性有问题。

6. 亮温与单窗算法收尾：K值、比辐射率与阈值的三处校验

温度反演这一段，报告里给了大气校正法和单窗算法两条路。大气校正法本质是用辐射传输方程把大气影响减掉，再解算地表温度，步骤多、依赖大气参数；单窗算法只需要亮温、地表比辐射率和大气透射率三个量，落地更快，但每个量都得校验。

亮温计算用 Planck 反函数，ENVI 的 Band Math 里写成K2/alog(K1/L + 1) - 273.15。K1、K2 必须和波段对应：B10 是 774.8853 和 1321.0789，B11 是 480.8883 和 1201.1442。我见过最常见的错是拿 B10 的亮温去配 B11 的 K 值，结果温度整体偏高十几度，图上看不出来，一和历史气象数据对比就露馅。

单窗算法的三个输入里，地表比辐射率按 NDVI 分段估算，植被覆盖高的像元取 0.98 到 0.99，裸土取 0.96 到 0.97，水体取 0.99；大气透射率从 NASA 的水汽产品或者经验公式取，研究区夏季一般取 0.6 到 0.75。这两个值一旦拍脑袋定，反演结果就是玄学，所以我在报告基础上加了一步校验：挑几个已知地物（深水体、密集植被、裸地）取像元值，看反演温度是否落在这类地物的合理区间，水体夏季表面温度应该低于周边建成区 3 到 5 度。

水体提取的阈值也别照抄。NDWI 的密度分割要在直方图上找谷底，报告里给的 0.2256 只对那一期影像成立。我现在的习惯是每换一景影像，先画直方图、再定阈值、最后用掩膜把背景设成 -999，三步缺一不可。从那以后我每次做温度反演，都会先把 K 值、比辐射率、透射率三个数写在图旁边，跑完对着地物类型抽查一遍才敢出图。希望帮到你。

本文还有配套的精品资源，点击获取