主成分变换和MNF变换.pptVIP

提要 几种空间介绍 几个基本的统计概念 主成分变换 MNF变换 另外一个很重要的空间 样本空间 一个问题 几个基本统计概念 均值: 方差: 标准差: 协方差: 相关系数: 几个基本统计概念 协方差矩阵: 协方差矩阵计算的两种方法 基于光谱的 基于图象的 PCA 算法描述 PCA PCA PCA的特点 主成分是原变量的线性组合 各个主成分之间互不相关 主成分按照方差从大到小依次排列,第一主成分对应最大方差(特征值) 每个主成分的均值为0,方差为协方差矩阵对应特征值 方差大代表信息量多,方差小代表信息量少. PCA的几个例子 模拟数据(随机生成不同形状数据) 图象数据(特征值曲线,信息的认识(分布结构)信息量的认识,最大最小主成分) PCA:几个问题 PCA是正交变换么?为什么? PCA可以保持图象在特征空间的结构么?为什么? PCA会造成数据信息损失么? 协方差矩阵的性质和含义? PCA变换矩阵的含义? PCA在遥感图象处理中的问题?(噪声，演示) MNF 算法描述 MNF MNF例子 MNF与PCA比较 模拟数据演示白化效果(并且注意与下面的第四题的联系) MNF的几个问题 MNF与PCA的关系? 什么情况下用PCA好?什么情况下用MNF好?二者在什么情况下等价? MNF用什么指标衡量信号的重要性? MNF是正交变换么?他对特征空间中数据结构的保持情况如何? MNF中噪声矩阵如何估计? 先PCA再MNF图象会有变化么?先MNF再PCA呢? * * 三类基本空间 图像空间 光谱空间 特征空间 正方形内,均匀分布的散点,信息量最大的方向是什么? 相关系数矩阵: 上面的过程得到了图象协方差矩阵所有的特征值和特征向量,图象 在所有相应特征向量方向的投影就称之为主成分变换. 将上述变换矩阵作用于图象即为MNF变换. 注:MNF算子为 的特征向量矩阵 使用时，直接删除本页！ 精品课件，你值得拥有！ 精品课件，你值得拥有！ 使用时，直接删除本页！ 精品课件，你值得拥有！ 精品课件，你值得拥有！ * * *