ENVI5.6.3新增机器学习工具包，该功能不需要额外的许可，只需安装ENVI深度学习2.0版本应用程序，用ENVI主模块的许可便可使用新机器学习的功能。

ENVI新机器学习工具包，可以对栅格数据进行快速分类，如异常检测、监督分类和分监督分类。也可以从一个或多个数据上选择样本，生成训练模型，并用该模型对其他图像进行分类。还可以使用ENVI Modeler构建对多个栅格数据进行分类的工作流。

运行环境

新机器学习工具包运行环境如下：

由于在特征学习和识别时进行了样本的手动选择，新机器学习工具可以用较少的数据进行模型训练。此外，新机器学习工具可以运行在没有高性能GPU配置的设备上。

功能介绍

ENVI新机器学习工具包括以下功能：

• 异常探测（Anomaly Detection）
  • 孤立森林（Isolation Forest）
  • 局部异常因子（Local Outlier Factor）
• 监督分类（Supervised）
  • 极度随机树分类（Extra Trees Classification）
  • K近邻分类（K-Neighbors Classification）
  • 线性支持向量机分类（Linear SVM Classification）
  • 朴素贝叶斯分类（Naive Bayes Classification）
  • 随机森林分类（Random Forest Classification）
  • 径向基函数支持向量机分类（RBF SVM Classification）
• 非监督分类（Unsupervised）
  • BIRCH
  • Mini Batch K-Means

每个分类工具提供易于操作界面，在一个界面即可实现数据和样本的输入、参数设置、模型训练及分类，直接得到分类结果。

图：随机森林分类工具界面

每个分类工具界面提供Open in Modeler按钮，可以一键在ENVI Modeler中打开该工具的模型，便于用户对多幅影像进行批量分类。

图：ENVI Modeler下的机器学习流程化工具

ENVI新机器学习工具包还提供以下工具，可以使用多个数据进行模型训练，可用训练好的模型对其他图像进行分类。

• 机器学习标记工具（Machine Learning Labeling Tool）

使用深度学习标记工具创建新项目时，添加了两个机器学习的选项：

• • 监督分类：按照类别标记像元，以及背景像元
  • 异常检测：标记非异常像元

图：标记工具可选择任何监督分类算法进行土地覆盖分类

• 用于Birch非监督分类的训练工具（Train Birch Tool）
• 用于Mini Batch K-Means非监督分类的训练工具（Train Mini Batch K-Means Tool）

运算性能

    ENVI新机器学习工具包，针对Intel CPU进行了优化，在Intel CPU环境可以得到很高的运行效率，不需要用到GPU。

    以下是一些机器学习分类效果图：

图：使用PlanetScope数据进行土地利用分类

图：使用机器学习非监督分类方法进行土地利用分类

图：使用高光谱数据识别不同落叶阶段的树木

图：使用异常探测进行水域中非水体信息的提取

图：异常探测工具基于WorldView3 短波红外波段数据识别燃烧区域