多光谱变换详解.pptVIP

* 邱永红 * 主成分变换的具体过程 求S矩阵的特征值λ和特征向量，并且成变换矩阵T。 考虑特征方程 式中，I为单位矩阵，U为特征向量 解上述的特征方程即可求出协方差矩阵S的各个特征值 将其按 位特征向量（经归一化）Uj： 排列，求得各特征值对应的单 * 邱永红 * 若以各特征方量为列构成矩阵，即 ?????????????????????? U矩阵满足：UTU=UUT=I（单位矩阵），则U矩阵是正交矩阵。 U矩阵的转置矩阵即为所求的K-L变换的变换矩阵T。 T= * 邱永红 * 主成分变换的具体过程 逐象元进行变换 将T其代入Y=TX，则： 式中Y矩阵的行向量 ???????????????? 为第j主成分 。 经过K-L变换后，得到一组（m个）新的变量（即Y的各个行向量），它们依次被称为第一主成分、第二主成分、…第m主成分。这时若将Y矩阵的各行恢复为二维图像时，即可以得到m个主成分图像。 即 * 邱永红 * 主成分变换的应用 数据压缩 以TM影像为例，共有7个波段处理起来数据量很大。进行K－L变换后，第一，或前二或前三个主分量已包含了绝大多数的地物信息，足够分析使用，同时数据量却大大地减少了。应用中常常只取前三个主分量作假彩色合成，实现数据压缩，也可作为分类前的特征选择。 图像增强 K－L变换后的前几个主分量，信噪比大，噪声相对小，因此突出了主要信息，达到了增强图像的目的。此外将其他增强手段与之结合使用，会收到更好的效果。 * 邱永红 * 1-蓝 2-绿 3-红 4-近红外 5-近红外 7-近红外 TM * 邱永红 * 1 2 3 4 5 6 TM PC * 邱永红 * PC Eigenvalue Percent 1 402.3551 86.93% 2 30.6851 93.56% 3 23.0599 98.55% 4 2.7862 99.15% 5 2.1766 99.62% 6 1.7623 100.00% * 邱永红 * Inv PC 1 2 3 4 5 6 * 邱永红 * 真彩色：TM321 假彩色 TM432 TM741 * 邱永红 * TM PC123 缨帽变换 * 邱永红 * 缨帽变换 缨帽变换是Kauth和Thomas通过分析陆地卫星MSS图像反映农作物和植被生长过程的多时相数据，提出的一种经验性的、固定核的多波段图像的线性组合变换 ，又称K-T变换 * 邱永红 * 缨帽变换要点 K-T变换可表示为 其中x为图像象元矢量，R为变换矩阵，c为避免u中出现负值而定义的常向量。不同传感器的数据，R不同 TM数据 * 邱永红 * 缨帽变换的物理意义 MSS数据为4波段数据 变换后， u1为“亮度(Brightness)”特征，反映地物总体辐射强度，土壤亮度； u2为“绿度(Greenness)”特征，反映地面植被状况； u3为“黄度(Yellowness)”特征，反映地面黄色物质； u4无明确物理意义。 * 邱永红 * 缨帽变换的物理意义 TM数据为6波段数据 变换后， u1为“亮度(Brightness)”特征，反映地物总体辐射强度，土壤亮度； u2为“绿度(Greenness)”特征，反映地面植被状况； 为“湿度(Waterness)”特征，反映地面水体及土壤湿度、植被含水量等 ； U4…无明确物理意义。 * 邱永红 * TM数据6波段数据 * 邱永红 * 最小噪声分离变换 Minimum Noise Fraction Rotation MNF Rotation MNF变换 主成分分析与噪声 主成分分析能把多波段影像中的有用信息集中到数目尽可能少的特征影像组，并使不同波段的影像互不相关，从而达到减少数据量的效果。 主成分分析对噪声比较敏感，主成分变换后的影像并不能消除噪声的影响 MNF变换 是以信噪比为衡量标准的线性变换,即最小噪声分离变换。 该方法不但可以将目标等有效信息集中到尽可能少的低维数据中，而且可以有效地分离噪声。 * 邱永红 * MNF变换 最小噪声分离（MNF）变换，是基于主成分分析( PCA)提出的一种线性变换，是主成分变换方法的改进 主要目的是将噪声和实际数据分离。 * 邱永红 * MNF变换 MNF变换通过两次主成分变换实现 第一次用于白化噪声数据(noise whitening)，以调整数据中