![دانلود و آموزش نرم افزار ENVI آموزش نرم افزار هاي مهندسي معدن،ژئوتکنيک و مکانيک سنگ جامع ترين و معتبرترين آموزش براي نرم افزار هاي مهندسي معدن و مهندسي ژئوتکنيک و انجام پروژه ها و پايان نامه هاي مرتبط http://irock.loxblog.com](data:image/jpeg;base64,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)
نرم افزار ENVI يکي از پيشرفته ترين نرم افزارهاي سنجش از دور و کار با تصاوير ماهواره اي مي باشد. کلمه Envi کوتاه شده عبارات The Environment For Visualizing Imagesمي باشد و اين نام براي سيستم نرم افزاري متحول و پيشرفته اي جهت پردازش تصاوير استفاده شده است. آنچه در ابتدا مي بايست بدانيد اين است که نرم افزار ENVI جهت انجام و اجراي برخي از نيازهاي خاص به خصوص استفاده از داده هاي ماهواره اي طراحي شده است. در اين نرم افزار مشاهده اطلاعات بصورت کامل و جامع، همچنين آناليز و پردازش تصاوير در ابعاد و اندازه هاي مختلف به نحوي کاملا کاربرپسند ارائه مي شود.
يکي از قابليت هاي مهم ENVI که آن را درميان نرم افزارهاي مشابه جهت پردازش تصاوير بي همتا نموده است اين ويژگي است که اين نرم افزار تکنيک هاي باندي(Band-Based) و فايلي (File-Based) را با توابع نرم افزاري توسعه يافته (interactive functions)ترکيب مي کند. وقتي که يک فايل اطلاعاتي داخل نرم افزار باز مي شود، باندهاي آن بصورت يک ليست بصورتي ذخيره مي شود که بتوان بوسيله کل توابع سيستم به آن دسترسي پيدا کرد.
نرم افزار ENVI براي کاربران خود قابليت هاي آناليز بي نظيري را فراهم آورده است،که از طريق اين پنجره ها قابل دستيابي است. قابليت هاي تطابق ديناميکي چند گانه ENVI به آساني امکان مقايسه بين تصاوير در نمايشگرهاي چند گانه را ميسر مي سازد ( (link displays همچنين قابليت استفاده از استخراج و پيوند همزمان پروفيلهاي طيفي-مکاني جهت پردازش اطلاعات ابر طيفي (Hyperspectral) و چند باندي (multispectral) به کاربران راه هاي جديدي جهت مشاهده اطلاعات در ابعاد وسيع و مختلف مي دهد.
سرفصل های دوره آموزشی
مبانی سنجش از دور و بازتاب طیفی وانواع سنجنده ها
نصب ومعرفی محیط نرم افزار
خواندن اطلاعات و ذخیره سازی آن به فرمت های مختلف
پیش پردازش اطلاعات شامل انجام تصحیحات هندسی رادیومتریک
موزاییک کردن برش داده ها
بارزسازی و آشکارسازی تصاویر به روشهای مختلف
ترکیبات مختلف باندهای تصویر
اخذ اطلاعات آماری از تصویر
تصحیح خطاهای اتمسفری و هندسی
موزائیک تصویر
محاسبه شاخصهای مختلف و نسبتهای باندی
طبقه بندی تصویر
طبقه بندی نظارت نشده
نمونه گیری
طبقه بندی نظارت شده
ارزیابی دقت طبقه بندی
آموزش بصورت حضوری، آنلاین و یا ارائه کامل فیلم های آموزشی صورت می گیرد (البته در فیلم های آموزشی تمرین هایی نیز در هر آموزش در نظر گرفته شده است که پس از انجام آنها از سوی داوطلب آموزش، نتایج توسط مدرس کنترل و گزارش داده می شود.
تعداد فیلم های آموزشی 65 تا می باشد که مدت زمان هر کدام به طور میانگین 45 تا 55 دقیقه است. جهت کسب اطلاعات بیشتر و سفارش یا دریافت لینک و رمز دانلود فیلم ها با شماره زیر تماس حاصل نماید.
شماره تماس جهت هماهنگی:09381295869 رامین اسماعیلی- رتبه 3 کنکور کارشناسی ارشد -دانشجوی کارشناسی ارشد دانشگاه صنعتی امیرکبیر (پلی تکنیک تهران)
لینک دانلود نرم افزار +کرک کاملا تست شده
منبع: irock.loxblog.com
دانلود
رمز فایل:irock
آشنايي با قابليتهاي نرم افزار سنجش از راه دور
کلمه Envi کوتاه شده عبارات The Environment For Visualizing Images مي باشد و اين نام براي سيستم نرم افزاري متحول و پيشرفته اي جهت پردازش تصاوير استفاده شده است. آنچه در ابتدا مي بايست بدانيد اين است که نرم افزار ENVI جهت انجام و اجراي برخي از نيازهاي خاص به خصوص استفاده از داده هاي ماهواره اي طراحي شده است. در اين نرم افزار مشاهده اطلاعات بصورت کامل و جامع، همچنين آناليز و پردازش تصاوير در ابعاد و اندازه هاي مختلف به نحوي کاملا کاربرپسند ارائه مي شود.
![دانلود و آموزش نرم افزار ENVI آموزش نرم افزار هاي مهندسي معدن،ژئوتکنيک و مکانيک سنگ جامع ترين و معتبرترين آموزش براي نرم افزار هاي مهندسي معدن و مهندسي ژئوتکنيک و انجام پروژه ها و پايان نامه هاي مرتبط http://irock.loxblog.com](http://www.fadak.us/A.database/mine/learn/L.003/Image/A.0134.2.jpg)
◄ قابليت ها و مزاياي نرم افزار ENVI
يکي از قابليت هاي مهم ENVIکه آن را درميان نرم افزارهاي مشابه جهت پردازش تصاوير بي همتا نموده است اين ويژگي است که اين نرم افزار تکنيک هاي باندي(Band-Based) و فايلي (File-Based) را با توابع نرم افزاري توسعه يافته (interactive functions)ترکيب مي کند. وقتي که يک فايل اطلاعاتي داخل نرم افزار باز مي شود، باندهاي آن بصورت يک ليست بصورتي ذخيره مي شود که بتوان بوسيله کل توابع سيستم به آن دسترسي پيدا کرد.
اگر فايلهاي گوناگون و متعدد باز شوند باندهاي مربوط به انواع مختلف اطلاعات مي توانند به عنوان يک گروه پردازش شوند ENVI اين باندها را بصورت پنجره هاي نمايش 8 يا 24 بيتي نمايش مي دهند. گروههاي پنجره هاي نمايش Envi شامل يک پنجره نمايش تصوير اصلي(main Image window)؛ يک فايل پنجره بزرگنمايي(zoom window) و يک پنجره نمايش مرورگر(scroll window) مي باشد هر کدام از اين پنجره ها قابل تغيير از نظر اندازه مي باشند.
![دانلود و آموزش نرم افزار ENVI آموزش نرم افزار هاي مهندسي معدن،ژئوتکنيک و مکانيک سنگ جامع ترين و معتبرترين آموزش براي نرم افزار هاي مهندسي معدن و مهندسي ژئوتکنيک و انجام پروژه ها و پايان نامه هاي مرتبط http://irock.loxblog.com](http://www.fadak.us/A.database/mine/learn/L.003/Image/A.0134.1.jpg)
نرم افزار ENVI براي کاربران خود قابليت هاي آناليز بي نظيري را فراهم آورده است،که از طريق اين پنجره ها قابل دستيابي است. قابليت هاي تطابق ديناميکي چند گانه ENVI به آساني امکان مقايسه بين تصاوير در نمايشگرهاي چند گانه را ميسر مي سازد ( (link displays همچنين قابليت استفاده از استخراج و پيوند همزمان پروفيلهاي طيفي-مکاني جهت پردازش اطلاعات ابر طيفي (Hyperspectral) و چند باندي (multispectral) به کاربران راه هاي جديدي جهت مشاهده اطلاعات در ابعاد وسيع و مختلف مي دهد. نرم افزار ENVI همچنين با داشتن ابزارهاي توسعه يافته وپيشرفته مشاهده و آناليز اطلاعات برداري و GIS را امکان پذيرمي سازد. قابليت هاي استانداردي همچون Contrast Streching، پلاتهاي 2 بعدي از انعکاس امواج (2- dimensional Scatter plots) تلفيق داده ها وباندها تنها تعداد کمي از توابع مهم قابل دسترس براي کاربران ENVI است.
![دانلود و آموزش نرم افزار ENVI آموزش نرم افزار هاي مهندسي معدن،ژئوتکنيک و مکانيک سنگ جامع ترين و معتبرترين آموزش براي نرم افزار هاي مهندسي معدن و مهندسي ژئوتکنيک و انجام پروژه ها و پايان نامه هاي مرتبط http://irock.loxblog.com](http://www.fadak.us/A.database/mine/learn/L.003/Image/A.0134.3.jpg)
محيط گرافيکي قدرتمند ديداري ENVI بوسيله کتابخانه جامعي از الگوريتهاي پردازشي تکميل شده است ENVI تمامي توابع پردازش تصوير اصلي بصورت يک محيط گرافيکي کاربري (Point and Click) شامل مي شود. به دليل وجود همين محيط گرافيکي فعال، استفاده از بسياري از توابع در اين نرم افزار بسيار آسانتر از ديگر نرم افزار هاي مشابه است توابع انتقال اطلاعات (Data transforms)، فيلتر کردن داده (Filtening)، طبقه بندي (Classification) و ثبت زميني (registeration) و تصحيح هندسي ابزارهاي آناليز طيفي ، ابزارهاي استفاده از اطلاعات رادار و.... ازجمله اين توابع هستند. براي نرم افزار ENVI محدوديتي از نظر باندهاي طيفي که مي خواهند مورد پردازش قرار گيرند وجود ندارند. بنابراين انواع داده هاي چند طيفي (multispectrat) و ابر طيفي(Hgperspectral) مي تواند به راحتي در ENVI مورد استفاده و پردازش قرار گيرند. همچنين اين نرم افزار داراي توابع پيشرفته جهت پردازش و آناليز انواع داده هاي رادار مي باشد.
آدرس گيري ENVI هنگامي وجود دارد که اطلاعات وارده داراي مشکلاتي چون وارد کردن اطلاعات غير استاندارد ، مشاهده نمودن و آناليز تصاوير بزرگ و فورمتهاي نا شناخته اي از اطلاعات (Plugin function ) و جهت آناليز بوسيله کاربران استفاده شود. و با پر کردن اطلاعات توسط اين کاربران اين قابليت وجود دارد که مشکل برطرف شود. نرم افزار ابزارهاي مشخص و لازم را براي پردازش تصوير تحت نظم و ترتيب خاصي داراست. همچنين اين نرم افزار با داشتن انعطاف پذيري کامل به کاربران اين اجازه را مي دهد تا با تدابير و استرا تژيهاي مختلف اطلاعات خود را آناليز و اجرا نمايند.
دادههاي چندباندي و مختلف سنجش از دور با استفاده از اين نرمافزار پتانسيل زيادي براي كاربرد در شاخه هاي مختلف زمينشناسي دارند. امروزه دورسنجي و GIS در سنگشناسي، ژئومورفولوژي، زمينشناسي ساختماني، اكتشاف كانسارها و نفت، ژئوتكنيك، اكشتاف آبهاي زيرزميني و تحقيقات زيستمحيطي استفاده مي شود. براي مطالعه در مورد كاربردهاي اين دانش در زمينشناسي و معدني مي توان به آثار محققاني مثل سيگال و گليسپاي (Seigal and Gillespie, 1980) ويليامز (Williams, 1993) دراري (Drury, 1987)، گوپتا (Gupta, 2003)، بونهام-كارتر (Bonham- Carter, 1994)، لگ ( Legg, 1995)، سابينز (1997)، جنسن (2000) و پراست (2001) مراجعه كرد. در ادامه به كاربرد سنجش از دور در اكشتاف مواد معدني پرداخته مي شود، كه در بسياري موارد از نرمافزار ENVI جهت تفسير تصاوير ماهوارهاي استفاده مي شود.
دادههاي سنجش از دور به خاطر برخورداري از وسعت منطقه تحت پوشش و پوشش هاي چندطيفي و چند زماني مي توانند در شناسايي ايالتها، كمربندها و مكانهاي كانه زايي مورد استفاده قرار گيرند. نقش سنجش از دور در اكتشاف كانسارها را مي توان به صورت زير خلاصه كرد:
1- نقشه برداري از واحدهاي سنگشناسي، چينه شناسي، خطوارههاي بزرگ و روندهاي ساختاري در طول نواحي اي كه احتمال كانسارسازي وجود دارد.
2- نقشه برداري الگوهاي ساختاري و شكستگي هاي محلي كه ممكن است تشكيل دهنده كانسارهاي خاص باشند.
3- شناسايي مناطق دگرسان شده مرتبط با توده هاي كانسار
4- تهيه اطلاعات زمين شناسي پايه با استفاده از داده هاي سنجش از دور.
◄ شناسايي واحدهاي سنگشناسي و چينه شناسي:
بسياري از كانسارها در ارتباط با سازندهاي خاص و يا واحدهاي سنگشناسي خاصي هستند. شناسايي اين واحدهاي سنگشناسي و چينه شناسي توسط داده هاي سنجش از دورر مي تواند به اكتشاف كانسارهاي موجود در آنها كمك كند. همچنين تصاوير لندست، زمين شناسان را قادر مي سازد تا ارتباط بين كانسارها و ساختارهايي خطي ناحيه اي را شناسايي كنند. در يك ايالت كانه زايي، تعدد شكستگي ها و خطواره راهنماي اكتشاف كانسار مي توانند باشند، زيرا شكستگي ها يك مجرايي براي عبور سيالات كانه زا هستند. شكستگي هاي محلي نيز در تصاوير لندست و با استفاده از روش هاي مختلف پردازش تصوير در نرم افزار ENVI مثل استفاده از فيلترهايي كه عوارض خطي را واضح مي سازند قابل تشخيص هستند. البته با وجود اينكه عوارض ساختاري نقش مهمي در تشكيل مناطق معدني دارند، همه اين ساختارها لزوما در ارتباط با كانسارسازي نيستند، به همين علت ارتباط انها با دگرساني هاي گرمابي در منطقه قدم بعدي در جهت اكشتاف مي باشد.
◄ تشخيص ساختارها :
نرمافزار ENVI با استفاده از تصاوير ماهوارهاي در مطالعه ساختارهاي زمينشناسي كاربرد زيادي دارد. شكلهاي ساختاري به اندازه دهها تا صدها كيلومتر بوسيه دادههاي ماهوارهاي مورد مطالعه قرار مي گيرند. هدف از اين مطالعات شناخت ايين ساختارها تا حد امكان و اينكه چگونه تحت تاثير عوامل مختلف و عوامل سطحي تشكيل شدهاند، است. انواع ساختارهاي زمينشناسي مثل چينخوردگيها، گنبدها، درزهها، شكستگيها و گسلها يا به طور كلي خطوارهها، دگرشيبيها و... در تصاوير ماهواره اي قابل تشخيص است كه با استفاده از نرمافزار ENVI مي توان آن ها را بارزتر نمود (گوپتا، 2003؛ پراست، 2001).
ج) اكتشاف نفت: از اين نرمافزار با استفاده از تصاوير ماهوارهاي به منظور شناسايي ساختارهاي تقديسي، گنبدها، گسلها و زونهاي شكستگي كه تشكيل تلههاي نفتي ساختاري را مي دهند، استفاده مي شود. از اين روش براي مطالعه اشكال زمينشناسي خاص، زهكشي خاك، پوشش گياهي كه مي توانند نشانه اي براي شناخت تلههاي نفتيي احتمالي باشند استفاده ميشود. گاهي نشت مواد هيدروكربني در سطح زمين كه باعث ايجاد دگررساني هاي خاص و انوماليهاي ژئوبوتاني مي شوند كه با استفاده از تصاوير چندباندي در نرمافزار ENVI به مطالعه خصوصيات طيفي اين تغييرات سطحي پرداخته مي شود. (گوپتا، 2003؛ سابينز، 1997؛ پراست، 2001).
د) اكتشاف آبهاي زيرزميني : براي اكتشاف آبهاي زيرزميني اشكال سطحي گوناگوني در تصاوير دورسنجي قابل مشاهده است. بعضي از اين اشكال مستقيما مربوطط به آبهاي زيرزميني مي شوند مثل چشمه ها، درياچهها، رطوبت سطحي خاك و پوشش گياهي نابهنجار و بعضي به طور غيرمستقيم مانند وضعييت توپوگرافي منطقه، سيستم درزهها و شكستگيهاي منطقه، تخلخل و نفوذپذيري سنگ و خاك؛ كه با استفاده از نرمافزار ENVI و با كمك تصاوير ماهوارهاي به اين مهم پرداخته مي شود. (گوپتا، 2003؛ سراف و چودهاري، 1998).
◄ استفاده از دگرساني در اکتشاف کانسارها:
در بسياري از مناطق كاني سازي شده دگرساني انجام گرفته كه گاهي وسعت منطقه دگرسان شده تا چند برابر خود توده معدني مي باشد، كه اين يك راهنما در اكتشاف كانسار مي باشد. دگرساني ها يكي از مهمترين راهنماهاي اكتشاف مواد معدني مي باشند كه در نرم افزار ENVI با استفاده از روش هاي خاصي اين مناطق شناسايي مي شوند. لذا شناسايي باندهاي جذب و بازتابش هر كاني ضروري مي نمايد.
تصاوير ماهواره لندست 7 با سنجنده ETM+ به منظور نقشه برداري از گروهي از كاني ها مثل رسها، سولفاتها، كربناتها، اكسيدها و... مناسب هستند (كافمن، 1988). با توجه به اينكه بسياري از خصوصيات طيفي سنگ ها و كاني ها در قسمت مادون قرمز حرارتي طيف الكترومغناطيسي قابل تشخيص هستند، از سنجنده هاي حرارتي مثل آستر كه مربوط به ماهواره ترا است نيز مي توان به منظور شناسايي دگرساني هاي مرتبط به كانسارسازي استفاده نمود.
روشهاي متداول پردازش تصوير مي تواند در بارزسازي مناطق دگرسان شده و واحدهاي سنگشناسي خاص به كار رود. يكي از اين روش ها نسبت باندها و تصاوير نسبت رنگي براي بالا بردن پاسخ طيفي كاني ها و كاهش پاسخ طيفي پوشش گياهي است. به عنوان مثال آبرامر و برون (1985) با استفاده از تصاوير نسبت رنگي مناطق دگرساني فيليك و پتاسيك را از مناطق پروپيليتيك و آرژيليك جدا كردند. و موارد بسيار ديگر كه مجال بيان نيست. اما مهمترين نسبت ها 1/3 لندست و 1/2 در آستر براي اكسيدهاي آهن و 7/5 از لندست براي كاني هاي رسي و... است.
با اينكه نسبت گيري باندها براي جداسازي مناطق دگرسان موفقيت اميز است ولي در بعضي مناطق پوشش گياهي به خاطر شباهت طيفي دخالت مي كند. براي رفع اين مشكل از آناليز مولفه هاي اصلي استفاده مي شود. اين روش براي جداشازي مناطق دگرسان شده بويژه براي اكتشاف كانسارهاي مس پرفيري بسيار موفقيت آميز است(رنجبر و همكاران، 2002).
◄ سنگشناسي:
با استفاده از اين نرمافزار و از روي دادههاي ماهوارهاي مي توان اطلاعاتي در مورد تركيب سنگها و كانيهايي كه روي سطح زمين هستند و به طور كامل توسط گياهان پوشيده نشدهاند، به دست آورد. كه يكي از اين روشها شناخت باندهاي جذب و به طور كلي طيف انواع سنگها و كانيهايي است كه توسط سنجندههاي مختلف به دست مي آيد. همچنين براي مطالعات ژئوبوتاني و ارتباط ان با ويژگيهاي ژئوشيميايي انواع سنگها و خاكها استفاده مي شود.
اطلاعات سنگشناسي كه بر روي تصاوير ماهوارهاي توسط نرمافزار ENVI قابل تشخيص است عبارتند از : خاستگاه زمينشناسي عمومي، هوازدگي سطحي، سيستم آبراهه اي، اشكال ساختاري، خاك، پوشش گياهي و خصوصيات طيفي و... كه مي توانند در تفكيك واحدهاي سنگشناسي خاص كمك كنند ولي در تشخيص تمام انواع واحدهاي سنگشناسي كافي نيستند. شناخت واحدهاي سنگشناسي مختلف در تصاوير سياه و سفيد، تركيبات رنگي كاذب، عكسهاي رنگي مادون قرمز، استفاده از روش تبديل HIS و روشهايي مثل نسبتگيري و تحليل مولفههاي اصلي و انواع طبقهبندي تصوير تا حدودي امكانپذي است. كه اين روشها متعاقبا توضيج داده خواهند شد.
سنگهاي رسوبي به دليل ويژگيهايي مثل لايهبندي، هوازدگي ضعيف، وجو لايههايي با رنگ و مقاومت متفاوت، تركيب و نحوه دانه بندي و اندازه دانهها باعث ايجاد خصوصيات فيزيكي متفاوت و ظهور اشكال منظم و خطي در تصاوير ماهوارهاي مي شوند. اشكال خطي در سنگهاي رسوبي در مقايسه با اشكال برگوارگي و خطوارگي در سنگهاي دگرگوني بلندتر و از نظر تعداد كمتر بوده و باعث ايجاد تيغهها و درههايي پيوستهاي ميشوند كه مشخص كننده مناطق رسوبي است (گوپتا، 2003؛ آلواش و زيلگر، 1994؛ پراست، 2001).
سنگهاي دگرگوني بوسيله چينخوردگي، برگوارگي، ناهماهنگي ساختاري، خطوارگي، مقاومت در برابر فرسايش و رنگ و سطحي غيرهموار شناخته ميشوند. سنگهاي با درجه خفيف دگرگوني ممكن است از سنگهاي رسوبي تشخيص داده نشوند.
شناخت سنگهاي آذرين به علت اينكه بسياري از تودههاي نفوذي مربوط به آنها مي توانند در ارتباط با كانسارسازي باشند، مهم است. سنگهاي آذرين معمولا بوسيله نبود لايهبندي و داشتن بافتي هموژن و يگنواخت قابل تشخيص هستند. همچنين دراراي درزهها، گسلها، دايكها در طول حاشيه ها بوده و باعث ايجاد تفاوت در پوشش گياهي و رطوبت سطحي مي شوند. سنگهاي آذرين خروجي با كمك اشكال زميني آتشفشاني مانند گدازهها مخروطها، كراترها، دايكها و دودكش هاي آتشفشاني مشخص مي شوند. سنگهاي آتشفشاني قديمي تحت تاثير هوازدگي قرار كرفتهاند و بوسيله پوشش گياهي و خاك پوشانده مي شوند كه تشخيص آنها را مشكل مي كند(گوپتا، 2003؛ پراست، 2001).
قابليت ها و مزاياي نرم افزار
نرم افزار (ENVI (Environment for Visualizing Image - محصول شرکتITT نرم افزاري ايده آل براي تجزيه و تحليل و نمايش انواع تصاوير رقومي مي باشد. اين نرم افزار بوسيله زبان برنامه نويسي IDL نوشته شده است. IDL يک زبان برنامه نويسي بسيار قدرتمند با گرايش ماتريسي و پردازش تصاوير است.در هنگام نصب نرم افزار ENVI محيط IDL هم نصب مي شود. همچنين نرم افزار داراي قابليت بالايي در توسعه و گسترش با توجه به نيازهاي کاربر دارد.شرکت توليد کننده نرم افزار با توجه به نوع و نياز کاربر پکيج هاي متفاوتي را پيشنهاد مي کند. همچنين امکان استفاده از اين نرم افزار در کليه سيستم عامل هاي مطرح دنيا فراهم شده. اين نرم افزار به عنوان يک نرم افزار صرفا سنجش از دور شناخته مي شد و در آن در گذشته استفاده از توابع GIS به شکل جدي مطرح نبود اما در ورژنهاي جديد نرم افزار به اين امر ويژه اي شده است.
◄ پارامترهاي مهم ارزيابي يک نرم افزار سنجش از دور :
● وجود الگوريتم هاي پايه نظير تصحيح هندسي ، محاسبات تصويري ، انواع طبقه بندي ها و ...
● قابليت توسعه و وجود يک محيط برنامه نويسي
● وجود توابع جانبي و پيشرفته مخصوصا توابع ويرايشي و آناليز GIS
● حجم و سرعت اجراي مناسب
● تنوع در فرمت هاي ورودي و خروجي
● راحتي کاربر
● پشتيباني از نرم افزار
● قيمت مناسب
● سيستم عامل
کلمه Envi کوتاه شده عبارات The Environment For Visualizing Imagesمي باشد و اين نام براي سيستم نرم افزاري متحول و پيشرفته اي جهت پردازش تصاوير استفاده شده است. آنچه در ابتدا مي بايست بدانيد اين است که نرم افزار ENVI جهت انجام و اجراي برخي از نيازهاي خاص به خصوص استفاده از داده هاي ماهواره اي طراحي شده است. در اين نرم افزار مشاهده اطلاعات بصورت کامل و جامع، همچنين آناليز و پردازش تصاوير در ابعاد و اندازه هاي مختلف به نحوي کاملا کاربرپسند ارائه مي شود.
◄ قابليت ها و مزاياي نرم افزار ENVI :
يکي از قابليت هاي مهم ENVI _که آن را درميان نرم افزارهاي مشابه جهت پردازش تصاوير بي همتا نموده است_ اين ويژگي است که اين نرم افزار تکنيک هاي باندي(Band-Based) و فايلي (File-Based) را با توابع نرم افزاري توسعه يافته (interactive functions)ترکيب مي کند. وقتي که يک فايل اطلاعاتي داخل نرم افزار باز مي شود، باندهاي آن بصورت يک ليست بصورتي ذخيره مي شود که بتوان بوسيله کل توابع سيستم به آن دسترسي پيدا کرد.
اگر فايلهاي گوناگون و متعدد باز شوند باندهاي مربوط به انواع مختلف اطلاعات مي توانند به عنوان يک گروه پردازش شوند ENVI اين باندها را بصورت پنجره هاي نمايش 8 يا 24 بيتي نمايش مي دهند. گروههاي پنجره هاي نمايش Envi شامل يک پنجره نمايش تصوير اصلي(main Image window)؛ يک فايل پنجره بزرگنمايي(zoom window) و يک پنجره نمايش مرورگر(scroll window) مي باشد هر کدام از اين پنجره ها قابل تغيير از نظر اندازه مي باشند.
نرم افزار ENVI براي کاربران خود قابليت هاي آناليز بي نظيري را فراهم آورده است،که از طريق اين پنجره ها قابل دستيابي است. قابليت هاي تطابق ديناميکي چند گانه ENVI به آساني امکان مقايسه بين تصاوير در نمايشگرهاي چند گانه را ميسر مي سازد ( (link displays همچنين قابليت استفاده از استخراج و پيوند همزمان پروفيلهاي طيفي-مکاني جهت پردازش اطلاعات ابر طيفي (Hyperspectral) و چند باندي (multispectral) به کاربران راه هاي جديدي جهت مشاهده اطلاعات در ابعاد وسيع و مختلف مي دهد. نرم افزار ENVI همچنين با داشتن ابزارهاي توسعه يافته وپيشرفته مشاهده و آناليز اطلاعات برداري و GIS را امکان پذيرمي سازد. قابليت هاي استانداردي همچون Contrast Streching، پلاتهاي 2 بعدي از انعکاس امواج (2- dimensional Scatter plots) تلفيق داده ها وباندها تنها تعداد کمي از توابع مهم قابل دسترس براي کاربران ENVI است.
محيط گرافيکي قدرتمند ديداري ENVI بوسيله کتابخانه جامعي از الگوريتهاي پردازشي تکميل شده است ENVI تمامي توابع پردازش تصوير اصلي بصورت يک محيط گرافيکي کاربري (Point and Click) شامل مي شود . به دليل وجود همين محيط گرافيکي فعال، استفاده از بسياري از توابع در اين نرم افزار بسيار آسانتر از ديگر نرم افزار هاي مشابه است توابع انتقال اطلاعات (Data transforms)، فيلتر کردن داده (Filtening)، طبقه بندي (Classification) و ثبت زميني (registeration) و تصحيح هندسي ابزارهاي آناليز طيفي ، ابزارهاي استفاده از اطلاعات رادار و .... ازجمله اين توابع هستند. براي نرم افزار ENVI محدوديتي از نظر باندهاي طيفي که مي خواهند مورد پردازش قرار گيرند وجود ندارند. بنابراين انواع داده هاي چند طيفي (multispectrat) و ابر طيفي(Hgperspectral) مي تواند به راحتي در ENVI مورد استفاده و پردازش قرار گيرند. همچنين اين نرم افزار داراي توابع پيشرفته جهت پردازش و آناليز انواع داده هاي رادار مي باشد.
آدرس گيري ENVI هنگامي وجود دارد که اطلاعات وارده داراي مشکلاتي چون وارد کردن اطلاعات غير استاندارد ، مشاهده نمودن و آناليز تصاوير بزرگ و فورمتهاي نا شناخته اي از اطلاعات (Plugin function ) و جهت آناليز بوسيله کاربران استفاده شود. و با پر کردن اطلاعات توسط اين کاربران اين قابليت وجود دارد که مشکل برطرف شود. نرم افزار ابزارهاي مشخص و لازم را براي پردازش تصوير تحت نظم و ترتيب خاصي داراست . همچنين اين نرم افزار با داشتن انعطاف پذيري کامل به کاربران اين اجازه را مي دهد تا با تدابير و استرا تژيهاي مختلف اطلاعات خود را آناليز و اجرا نمايند
![آموزش نرم افزار هاي مهندسي معدن،ژئوتکنيک و مکانيک سنگ جامع ترين و معتبرترين آموزش براي نرم افزار هاي مهندسي معدن و مهندسي ژئوتکنيک و انجام پروژه ها و پايان نامه هاي مرتبط http://irock.loxblog.com](http://www.fadak.us/A.database/mine/learn/L.004/Image/A.0200.01.jpg)
پس از باز كردن نرم افزار، منوي برنامه ENVI باز مي گردد . در اين قسمت روي منوي File مي رويم و اولين گزينه يعني Open Image File را كليک كرده و باز مي كنيم . در اين حالت پنجره Enter Data File name باز مي گردد . يكي از فايل ها كه با پسوند img است ( عكس است ) را باز مي كنيم . در اين حالت پنجره Available Band List باز مي گردد كه حاوي باندهاي طيفي عكس ها مي باشد . در زير پنجره ، قسمت RGB color و Gray Scale وجود دارد كه قسمت RGB color تصوير رنگي است كه تلفيقي از چند باند است و Gray Scale تنها عكس حاصل از يك باند مي باشد كه حالت بهتر RGB color مي باشد . بر روي باند مورد نظر كليك كرده و آن را انتخاب مي كنيم و بعد از انتخاب گزينه RGB color مي بينيم كه در زير پنجره سه باند به نام هاي R , G , B مربوط به RGB color باز مي گردد و در اين صورت يکي از حالات براي انتخاب اين است كه TM Band 5 را انتخاب كنيم كه باند G تيك مي خورد و سپس TM Band 4 را انتخاب مي كنيم كه باند B تيك مي خورد و سپس TM Band 3 را انتخاب مي كنيم كه باند R تيك مي خورد و حالا گزينه Load RGB در پايين پنجره را انتخاب مي كنيم كه 3 پنجره از يك عكس با يك قسمت كادرگيري شده با زوم هاي مختلف مي باشد :
+ پنجره Zoom
+ پنجره display
+ پنجره Scroll
◄ چگونگي تشخيص يك تصوير ژئورفرنس شده از ژئورفرنس نشده :
بعد از باز كردن نرم افزار ENVI بر روي گزينه File تصوير مورد نظر را انتخاب مي كنيم . پنجره زير باز مي شود . عكس هايي كه در پنجره Available Band List داراي زير مجموعه Map Info هستند عكس هايي هستند كه رجيستر يا Geo reference شده اند و عكس هايي كه فاقد زير مجموعه Map Info مي باشند ، عكس هايي رجيستر نشده هستند .
نكته : عكس هايي كه رجيستر نشده اند (Geo reference ) اگر نشانه گر(ماوس) بر روي آنها بوده و دوباره كليك كنيم پس از باز شدن پنجره Cursor location / value حاوي اطلاعات ناقص و فاقد مختصات نقاط مي باشند برخلاف عكس هاي رجيستر شده .
![آموزش نرم افزار هاي مهندسي معدن،ژئوتکنيک و مکانيک سنگ جامع ترين و معتبرترين آموزش براي نرم افزار هاي مهندسي معدن و مهندسي ژئوتکنيک و انجام پروژه ها و پايان نامه هاي مرتبط http://irock.loxblog.com](http://www.fadak.us/A.database/mine/learn/L.004/Image/A.0200.02.gif)
حال براي رجيستر نمودن عكس هاي رجيستر نشده عكس مورد نظر را باز نموده و به صورت زير عمل مي كنيم . ازمنوي اصلي برنامه گزينه Map را انتخاب مي كنيم . مطابق شكل به 2 طريق مي توان عمل كرد :
+ Select GCPs : Image to Image در اين روش براي رجيستر كردن نياز به برداشت نقطه كنترل زميني توسط كاربر نمي باشد و با استفاده از تصوير رجيستر شده اي كه از همان نقطه موجود است مي توان با انطباق اين دو تصوير بر يكديگر تصوير رجيستر نشده را رجيستر يا Geo Reference نمود .
+ Select GCPs : Image to map در اين روش براي رجيستر كردن نياز به برداشت نقطه كنترل زميني توسط كاربر مي باشد .
عمليات زير را انجام مي دهيم :
»» 1- تصوير رجيستر نشده را باز مي كنيم .
»» 2- بر روي منوي اصلي رفته و گزينه Map > Registration > Select GCPs :Image to map را انتخاب مي كنيم . در اين حالت پنجره Image to Map registration باز مي شود .
»» 3- گزينه مورد نظر را براي انتخاب سيستم تصوير دلخواه و ديتوم مورد نظر انتخاب مي نماييم و OK مي كنيم .
»» 4- پنجره Ground Control Point Selection باز مي شود .
»» 5- حال در اين قسمت نقاط كنترل زميني برداشت شده را تك تك با استفاده از دكمه Add point وارد مي كنيم .
»» 6- پس از وارد كردن نقاط براي مشاهده نتايج و ديدن بردار باقيمانده (RMS) دكمه Show list را فشار مي دهيم .
»» 7- حال بايستي مختصات نقاط GCP و نتايج را show كنيم . بدين منظور در پنجره ي Ground Control Point Selection در منوي File گزينه SaveGCPW map Image را انتخاب مي نماييم . پنجره output registration points باز مي شود و با وارد كردن يك نام براي File ذخيره سازي اطلاعات مانند "moka" اطلاعات را ذخيره مي كنيم .
»» 8- در اين حالت پس از save كردن در پنجره Ground Control Point Selection در منوي Option گزينه Warp Displayed band را انتخاب مي كنيم و پنجره Registration Parameters باز مي شود و تنظيمات را مطابق شكل انجام مي دهيم .
»» 9- حال تصوير رجيستر شده را به صورت تك باندي خواهيم داشت.
حال اگر بخواهيم تصوير رجيستر شده را به صورت چند باندي داشته باشيم در پنجره Ground Control Point Selection در منوي option گزينه warp file را انتخاب مي كنيم . پنجره Input warp Image باز مي شود و در آن تصوير مورد نظر را انتخاب نموده ، OK مي كنيم و با انتخاب نوع ذخيره سازي با باز كردن يك پنجره ي جديد به صورت چند بانده فايل ذخيره شده را باز مي كنيم . در اين صورت تصوير رجيستر شده را به صورت چند بانده و با مختصات نقاط خواهيم داشت .
◄ طبقه بندي Classification :
براي طبقه بندي classification ابتدا طبقه بندي نظارت نشده را انجام مي دهيم . بر روي گزينه isodata كليك كرده ، پنجره classification input File باز شده تنظيمات را طبق تصوير انجام مي دهيم سپس OK را مي زنيم كه پنجره Isodata power باز مي شود . تنظيمات را طبق تصوير انجام مي دهيم سپس OK را مي زنيم
يك بخش جديد در پنجره Arailabe band list ايجاد مي شود . براي نمايش آن از كليد Display استفاده مي كنيم و پنجره جديدي ساخته و باند طيفي كلاس بندي شده را در آن load مي كنيم .
براي مقايسه ابتدا يك New display را ايجاد كرده و باند طيفي مورد نظر را در آن load مي كنيم سپس يك باند طيفي ديگر را در display جديد load كرده وگزينه tools در پنجره display تصوير دوم كليك كرده گزينه Link را انتخاب و link display را مي زنيم . پنجره اي باز مي شود . تنظيمات را مطابق تصوير زير انجام مي دهيم و ok مي زنيم .
با جابجايي مربع در پنجره display خواهيم ديد كه در منطقه انتخاب شده در display 2 هم جابجا و به همان موقعيت مورد نظر در display 1 مي رسيم . با كليك روي display 2 تصوير display 1 مشاهده مي شود . چنانچه نخواهيم با كليك روي تصوير اين عمل صورت گيرد در قسمت Tools گزينه Dynamic overlay off , Link را انتخاب مي كنيم . براي نمايش بهتر تصوير display 1 در هنگام كليك كردن در منوي Tools گزينه Adjust Transparency Link را انتخاب و در پنجره باز شده ميزان شفافيت تصوير را تعيين مي كنيم . مقدار آن را بين صفر تا 100 قرار مي دهيم . سپس apply را فشار داده و پنجره را مي بنديم .
پس از طبقه بندي و load تصاوير در باندهاي مختلف بر روي تصوير طبقه بندي شده كليك مي كنيم . پنجره اي ظاهر مي شود كه پنجره Cursor location كه در آن اطلاعات زير را در مورد آن پيكسل به ما مي دهد كه شامل موقعيت نقطه ، تركيب رنگ آن ( B, G , R ) وشماره كلاس آن است .
براي به دست آوردن اطلاعات در مورد طول موج و ميزان انعكاس پيكسل هاي تصوير بر روي صفحه Display تصوير كليك راست كرده و گزينه Z profile را انتخاب مي كنيم .
پنجره spectral profile باز مي شود . سپس با كليك كردن روي هر پيكسل ميزان طول موج و انعكاس آن قابل مشاهده است .
براي مقايسه 2 باند طيفي با هم ابتدا در منو برنامه Tools Basic را انتخاب و گزينه Change Detection و بعد گزينه Compute Difference Map را كليك مي كنيم .
پنجره اي ظاهر مي شود و ما در اين مرحله باند طيفي اول را انتخاب مي كنيم .
سپس OK مي زنيم . سپس پنجره اي باز مي شود كه طيف دوم را در آن انتخاب مي كنيم و پس از آن پنجره Compute Difference Map ظاهر مي شود
تنظيمات را طبق تصوير انجام مي دهيم . سپس در پنجره Available band list يك Display جديد ايجاد كرده و باند طيفي مقايسه شده در اين پنجره را در پنجره Display جديد Load مي كنيم .
كه مقايسه بين 2 باند طيفي را نشان مي دهد . جهت مشاهده يك سري اطلاعات آماري از تصوير Load شده در منوي اصلي برنامه
گزينه > Compute Statistics Basic Tools > Statistics را انتخاب مي كنيم.
پنجره زير ظاهر مي شود.
سپس كليد OK را فشار مي دهيم . در پنجره جديد ظاهر شده تنظيمات را مطابق تصوير انجام مي دهيم .
2 پنجره , Min / Max / Mean File Statistics Reportباز مي شود . نمودار مشاهده شده طول موج و انعكاس را در تصوير نشان مي دهد .
در قسمت گزارش آمار تصوير باندهاي طيفي max , min و ميانگين و انحراف معيار را مشخص مي كند . در تصوير نمودار 2 منحني سبز رنگ است كه نمايانگر مي باشد و خط سفيد Mean است .
◄ گزينه هاي منوي Overlay :
منوي overlay براي اضافه كردن جزئيات بيشتر توسط كاربر بر روي تصوير به كار مي رود.
گزينه Annotation : براي نوشتن متن و يا نماد (symbol) و يا كشيدن اشكال گوناگون بر روي تصوير استفاده مي شود .
بعد از انتخاب گزينه Annotation پنجره Annotation text باز مي شود كه مي توان تنظيمات را به طور دلخواه انجام داد و متن مورد نظر را بر روي تصوير قرار داد .
مي توانيم به جاي نوشته از گزينه هاي ديگر در منوي object مانند poly line , polygon , ellipse , Rectangle , symbol و ... استفاده كنيم .
در منوي overlay گزينه Density slice به منظور طبقه بندي تك باندي به كار مي رود . ( طبقه بندي كه تنها با يك باند انجام مي پذيرد ) . درپنجره باز شده يكي از باندها را انتخاب مي کنيم .
پنجره Density slice باز مي شود كه شامل تنظيمات مربوط به محدوده ي دسته بندي مي باشد كه باند مربوطه را به طبقات تنظيم شده دسته بندي مي كند .
در ضمن براي تغيير رنگ طبقه بندي ها با كليك برروي گزينه Edit Range و انتخاب يكي از سيستم هاي HSV , HLS, RGB و ياجابجايي محدوده رنگ ها ، رنگ مناسب را انتخاب مي كنيم .
در منوي Overlay گزينه Grid lines به منظور شبكه بندي تصوير بر مبناي طول و عرض جغرافيايي به كار مي رود . بدين صورت كه با استفاده از پارامتر هاي Pixel Grid , Map Grid , Geographic Grid , Spacing كه فاصله Grid ها را از يكديگر تنظيم مي كند مي توان خطوط شبكه بندي شده را بر روي تصوير نمايش داد .
◄ انجام طبقه بندي نظارت شده با استفاده از نرم افزار ENVI :
ابتدا يك تصوير رجيستر نشده را باز مي كنيم . سپس در منوي اصلي به منوي Basic Tools رفته و گزينه Region of Interest را انتخاب و در آن بر روي گزينه ROI tools كليك مي كنيم .
پنجره ROI Tools باز مي شود كه در اين پنجره ابتدا گزينه Zoom را انتخاب مي کنيم ( به دليل راحتي معرفي مناطق آموزشي در تصوير Zoom شده )
نكته : براي راحتي معرفي مناطق آموزشي مي توان با توجه به وسعت عارضه مي توان از سه گزينه Polygon ( چند ضلعي ) Poly line ( خطكشي ) و Rectangle ( مستطيل ) و ellipse ( بيضي ) استفاده کرد .
حال مناطق آموزشي را با توجه به رنگ و شناختي كه از جنس عارضه داريم معرفي مي كنيم: پس از انتخاب مناطق آموزشي با استفاده از ابزار گرفته شده در بالا در پنجره Edit مي توان رنگ و نوع كلاس معرفي شده را معرفي كرد .
و اين كار را براي مابقي كلاس ها و مناطق آموزشي نيز تكرار مي كنيم .
پس از معرفي تمامي مناطق آموزشي و Save كردن مناطق از منوي اصلي برنامه ،گزينه classification > supervised را انتخاب مي كنيم و در پنجره باز شده عكس مربوطه را انتخاب نموده و ok مي كنيم . پنجره پارامتر هاي ماكزيمم شباهت باز مي شود و مطابق شكل تنظيمات را انجام مي دهيم .
در پنجره Available band list در يك پنجره جديد تصوير طبقه بندي شده را Load مي كنيم . اكنون تصوير طبقه بندي شده را خواهيم داشت و مي توان براي بهبود كيفيت تصوير از گزينه median (5x5) , Filter استفاده نمود . تصوير زير به دست مي آيد:
نكته : مي توان بعضي از مشخصات را بر روي تصوير طبقه بندي شده نمايش داد . با استفاده از گزينه Annotation و ورود به منوي object و بعد از آن گزينه ي Map key ( راهنماي تفكيك رنگ ها ) و يا Scale Bar ( مقياس نقشه ) و Declination (شمال نقشه ) را مي توان نشان داد .
:: موضوعات مرتبط:
آموزش نرم افزار ,
آموزش نرم افزار های مهندسی معدن ,
,
:: برچسبها:
crack for ENVI ,
free download for ENVI ,
ENVI ,
آموزش ,
آموزش انوی ,
آموزش ENVI ,
برنامه مهندسي معدن ,
دانلود ENVI ,
دانلود با لينک مستقيم ,
دانلود برنامه ENVI ,
دانلود مهندسي ,
دانلود نرم افزار ,
دانلود نرم افزار ENVI ,
دانلود نرم افزار زمين ,
دانلود نرم افزار معدن ,
دانلود نرم افزار معدن و زمين شناسي ,
دانلود نرم افزار مهندسي ,
دانلود نرم افزارهاي زمين شناسي ,
دانلود نسخه ويندوز ENVI ,
دانلود کرک ENVI ,
راهنماي کار با نرم افزار ENVI ,
ENVI ,
مرکز دانلود مهندسي معدن ,
مرکز دانلود مهندسی معدن ,
دانلود نرم افزار مهندسی ژئوتکنیک ,
دانلود نرم افزار مکانیک سنگ ,
سنجش از دور ,
تصاوير ماهواره اي ,
:: بازدید از این مطلب : 34051
|
امتیاز مطلب : 3
|
تعداد امتیازدهندگان : 2
|
مجموع امتیاز : 2