第6章 图像变换.pptVIP

遥感数字图像处理 林金堂 闽江学院地理科学系 第6章 图像变换 第6章 图像变换 6.1 主成分变换 6.2 缨帽变换 6.3 代数运算 6.4 彩色变换 6.1 主成分变换 主成分变换是基于变量之间的相关关系，在尽量不丢失信息前提下的一种线性变换的方法，主要用于数据压缩和信息增强。在遥感软件中，主成分变换常被称为K-L变换。 变换原理是先求出原始图像矩阵的协方差矩阵，然后由特征方程求出协方差矩阵的各特征值；将特征值按大小顺序排列，求出对应该特征值的特征向量；由该特征向量组成正交变换矩阵，将变换矩阵应用于原始图像矩阵进行线性变换，就可得到新的变换后的图像矩阵。 新图像矩阵的行向量即是变换后的各个主成分。前边几个行向量（波段）的信息代表了原始影像信息的主要成分，后边几个行向量（波段）的信息，主要是误差。 6.1 主成分变换 1.基本算法 2.基本性质 6.1 主成分变换 1.基本算法 设有向量集{X=Xi;i=1,2,...,N} ∈Rn （N为变量个数），E(X)为X的数学期望，X的协方差矩阵为C，A是C的特征向量，按其特征值由大到小的顺序排列: Yi=AXi 为主成分。其中， Y= {Yi;i=1,2,...,N} ∈Rn 6.1 主成分变换 1.基本算法 主成分变换的原理如下图所示，设原始数据为二维数据，两个波段B3、 B1之间存在相关性。具有如图所示的分布，通过投影，各数据可以表示为Y1轴上的一维点数据，从二维空间中的数据变成一维空间中的数据会产生信息损失，为了使信息损失最小，必须按照使一维数据的信息量(方差)最大的原则确定Y1轴的取向，新轴Y1称作第一主成分PC1。为了进一步汇集剩余的信息，可求出与第一轴Y1正交且尽可能多地汇集剩余信息第二轴Y2，新轴Y2称作第二主成分PC2。 6.1 主成分变换 1.基本算法 主成分变换的缺点： 1）当Xn维数n很大时，求X的协方差阵所对应的特征向量的计算量十分庞大，即使己得到变换矩阵，要实施正、逆变换计算量也很大，且没有快速算法的支持，这就限制了主成分分析算法的应用范围。 2）PCA得到的每个分量没有明确的物理意义，对于不同的数据，各分量具有不确定性。因此，从不同图像获得的主成分图像很难进行比较。 6.1 主成分变换 2.基本性质 1）总方差的不变性。变换前后总方差保持不变，变换只是把原有的方差在新的主成分上重新进行分配。 2）正交性。变换后得到的主成分之间不相关。 3）从主成分向量Yi中删除后面的(n-p)个成分只保留前p （p =n）个成分时所产生的误差满足平方误差最小的准则。换句话说，前面的p个主成分包含了总方差的大部分。 6.1 主成分变换 在遥感图像分类中，常常利用主成分分析算法来消除波段之间的相关性并进行特征选择。主成分分析还可以用来对图像进行压缩和信息融合。例如，对LANDSAT的TM的6个波段的多光谱图像(热红外波段除外)进行主成分分析，然后把得到的第1、2、3主成分图像进行彩色合成，可以获得信息量非常丰富的彩色图像。 主成分变换的流程为：主成分正变换-主成分逆变换。 6.1 主成分变换 主成分正变换 一般意义上的主成分变换指正变换。该过程通过对图像进行统计分析，在波段协方差矩阵或相关矩阵的基础上计算特征值，构造主成分。根据主成分-特征值的关系，可以选择少数的主成分作为输出结果。 下图是2001年LANDSAT 7的TM图像中的南京市玄武湖部分主成分变换的结果，使用的图像波段为1-5、7。各成分的特征值见下图。对于本图像，选择3个主成分己经包括了原始图像中的绝大多数信息（V=98.9%）。从主成分1-6的图像也可以看到，自第4主成分起，图像中出现了明显的噪音。 6.1 主成分变换 主成分正变换 6.1 主成分变换 主成分正变换 6.1 主成分变换 主成分逆变换 如果在正变换中选择的主成分数目与波段/变量数目相同，那么逆变换的结果将完全等同于原始的图像。如果选择的主成分数目少于波段数，逆变换的结果相当于压抑了图像中的噪音，但此时逆变换结果图像的各个“波段”与原始图像的波段不再具有对应性，不再具有原始图像波段的物理意义。 6.1 主成分变换 6.2 缨帽变换 缨帽变换也是一种线性变换，简称K-T变换。 缨帽变换旋转坐标空间，但旋转后的坐标轴不是指到主成分的方向，而是指到另外的方向，这些方向与地物有密切的关系，特别是与植物生长过程和土壤有关。缨帽变换既可以实现信息压缩，又可以帮助解译分析农作物特征，因此有很大的实际应用意义。目前这个变换主要用于MSS与TM两种遥感图像。 是一种经验性的多波段图像的线性变换，是Kauth和Thomas ( 1976)在研究M SS图像反映农作物和植被的生长过程时提出的。在研究过程中他们发现MSS四