04_5图像增强说课.ppt

* * 主成分变换 即主成分分析(PCA)、卡夫林－列夫变换(KL变换) ，是根据各波段之间的协方差或相关系数构建的一种正交线性变换方法 变换的目的就是把原来多波段图像中的有用信息集中到数目尽可能少的新的主成分图像中，并使这些主成分图像之间互不相关，也就是说各个主成分包含的信息内容是不重叠的，从而大大减少总的数据量并使图像信息得到增加 * * 主成分变换的性质和特点 K-L变换是一种线性变换，而且是当取Y的前p（pm）个主成分经反变换而恢复的图像X′和原图像X在均方误差最小意义上的最佳正交变换。它具有以下性质和特点 （1）由于是正交线性变换，所以变换前后的方差总和不变，变换只是把原来的方差（方差大说明信息量大）不等量的再分配到新的主成分图像中 （2）第一主成分包含了总方差的绝大部分（一般在80%以上），信息最丰富，图像对比度大，其余各主成分的方差依次减小 （3）变换后各主成分之间的相关系数为零，也就是说各主成分间的内容是不同的，是“正交”的 * * （4）是一种数据压缩和去相关技术，即把原来的多变量数据在信息损失最少的前提下，变换为尽可能少的互不相关的新的变量，以减少数据的维数，便于显示和分析。 （5）第一主成分还降低了噪声，有利于细部特征的增强和分析，适用于进行高通滤波，线性特征增强和提取以及密度分割等处理。 （6）在几何意义上相当于进行空间坐标的旋转，第一主成分取波谱空间中数据散布最大的方向；第二主成分则取与第一主成分正交且数据散布次大的方向，其余依此类推。 * * 主成分变换 矩阵 其中，m和n分别为波段数（或称变量数）和每幅图像中的像元数；矩阵中每一行矢量表示一个波段的图像 对于线性变换Y=TX，如果变换矩阵T是正交矩阵，并且它是由原始图像数据矩阵X的协方差矩阵S的特征向量所组成，则称此变换为主成分变换 * * 主成分变换的具体过程 根据原始图像数据矩阵X，求出它的协方差矩阵S。 （即为第i个波段的均值） S是一个实对称矩阵 * * 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 * * 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= * * 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 * * 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KL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 KL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。 * * 1-蓝 2-绿 3-红 4-近红外 5-近红外 7-近红外 TM * * 1 2 3 4 5 6 TM PC * * 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% * * Inv PC 1 2 3 4 5 6 * * 真彩色：TM321 假彩色 TM432 TM741 * * TM PC123 缨帽变换 * * 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 多光谱增强 Multi-spectral En