一、前言
使用三维图像阵列，其中三个平面表示来自电磁频谱不同部分的图像信号，包括可见的红色和近红外 （NIR） 通道。
影像数据差异可用于区分影像的不同表面特征，这些表面特征在不同的光谱通道中具有不同的反射率。通过查找可见红色通道和近红外通道之间的差异，该示例标识了包含重要植被的区域。
二、实现步骤
步骤 1：从多光谱图像文件导入彩色红外通道
本示例在覆盖法国巴黎部分地区的 LANDSAT 专题制图器影像中查找植被。七个光谱通道（波段）以 Erdas LAN 格式存储在一个文件中。LAN 文件 包含 7 通道 512 x 512 的 Landsat 图像。128 字节标头后跟像素值，像素值按波段数递增的顺序按线 （BIL） 交错排列。像素值以小端字节顺序存储为无符号 8 位整数。
第一步是使用函数从 LAN 文件中读取频段 4、3 和 2。
通道 4、3 和 2 覆盖电磁频谱的近红外 （NIR）、可见红色和可见绿色部分。当它们分别映射到 RGB 图像的红色、绿色和蓝色平面时，结果是标准的彩色红外 （CIR） 合成。最后一个输入参数，用于指定要读取的波段和顺序，以便您可以在单个步骤中构造复合。
变量是一个 512 x 512 x 3 的类数组。这是一个RGB图像，但带有假颜色。显示图像时，红色像素值表示NIR通道，绿色值表示可见红色通道，蓝色值表示可见绿色通道。
在 CIR 图像中，水景非常暗（塞纳河），绿色植被显示为红色（公园和遮荫树）。大部分图像外观是由于健康，富含叶绿素的植被在近红外中具有高反射率。由于 NIR 通道映射到合成图像中的红色通道，因此任何植被密度较高的区域在显示中都显示为红色。一个明显的例子是左边缘的鲜红色区域，这是一个大型公园（Bois de Boulogne），位于巴黎市中心以西塞纳河的一个弯道内。
通过分析NIR和红色通道之间的差异，您可以量化植被区域与其他表面（如路面，裸露的土壤，建筑物或水）之间光谱含量的这种对比度。
第 2 步：构建近红外-红色光谱散射图
在比较NIR通道（显示为红色像素值）和可见红色通道（显示为绿色像素值）时，散点图是一个自然的起点。将这些通道从原始 CIR 复合中提取到各个变量中很方便。从一个类转换为另一个类也很有帮助，这样就可以在下面的 NDVI 计算以及散点图中使用相同的变量。
将两个通道一起作为灰度图像查看，您可以看到它们的外观有何不同。
创建一个散点图，显示每个像素一个点（在本例中为蓝十字），其 x 坐标由其在红色通道中的值确定，其 y 坐标由其在 NIR 通道中的值确定。
巴黎场景散点图的外观是温带城市地区的特征，夏季树叶中有树木。对角线附近有一组像素，其NIR和红色值几乎相等。这种“灰色边缘”包括路面和许多屋顶等特征。上方和左侧是另一组像素，其NIR值通常远高于红色值。该区域基本上包括所有绿色植被。
第 3 步：通过算法计算植被指数
从散点图中观察到，采用NIR水平与红色水平的比率将是定位包含茂密植被的像素的一种方法。但是，对于两个通道中值较小的暗像素，结果将是噪声。另请注意，对于更大的叶绿素密度，NIR和红色通道之间的差异应该更大。归一化差分植被指数 （NDVI） 的动机是第二个观测值。它采用（NIR - 红色）差异并将其归一化，以帮助平衡不均匀照明的影响，例如云或山丘的阴影。换句话说，逐像素从近红外通道的值中减去红色通道的值，然后除以它们的总和。
请注意数组算术运算符如何在一个简单的命令中计算整个 NDVI 图像。回想一下变量并有类.此选择使用的存储比类少，但与整数类不同，它还允许结果比率假定值的平滑渐变。
变量是理论最大范围为 [-2 1] 的二维类数组。在显示为灰度图像时，可以指定这些理论限制。
塞纳河在NDVI图像中显得非常黑暗。图像左边缘附近的大光源区域是前面提到的公园（布洛涅森林）。
步骤 4：定位植被 -- 阈值 NDVI 图像
为了识别最有可能包含重要植被的像素，请对 NDVI 图像应用简单的阈值。因此，所选像素的百分比为或约5%。显示逻辑（二进制）图像时，公园和其他较小的植被区域默认显示为白色。
步骤 5：链接光谱和空间内容
要链接光谱和空间内容，可以在 NIR 红色散点图上定位高于阈值的像素，使用对比度颜色（绿色）的高于阈值像素重新绘制散点图，然后使用相同的蓝绿色配色方案重新显示阈值 NDVI 图像。正如预期的那样，NDVI值高于阈值的像素显示在其余像素的左上角，并与CIR复合显示器中的较红像素相对应。创建散点图，然后显示阈值 NDVI。
