主成份分析在数字图像处理中的应用.doc

主成份分析在遥感数字图像处理中的应用 姓名：张东辉 学 院：地球科学学院 学 号：2007020079 2007年12月 主成份分析在遥感数字图像处理中的应用 1 引言 主成份分析（principle component analysis）法是研究如何通过少数几个主分量来解释多变量的方差——协方差结构，是一种有效的特征提取方法，对数字图像进行特征提取，可以大大减少计算量，又能保留所需要的特征信息。形象地说，这种方法是通过对多变量平面数据表进行最佳综合简化，对高维变量空间进行降维处理，导出少数几个主分量，既保留了原始变量信息，又能保持彼此间不相关发现数据结构，保证检测结果准确性。 2 主成份分析法（PCA）的数学原理 2.1特征值和特征向量 解AX=λX运算式中的λ及其所对应的非零向量X，λ和X分别被称为矩阵A的特征值和特征向量。改写原式为(A—λI)X=O，I是单位矩阵，我们令P(λ)=det(A-λI)=O，则P(λ)的展开式称为矩阵A的特征多项式，解出矩阵A的特征多项式，就可得到矩阵A的所有特征值。再将每一个特征值代人原式中，即可求出其相应的特征向量。 2．2 奇异值分解 对于任意一个m×n矩阵A，都可以分解为A=USV 。其中U和V分别为m×n和n×n的正交方阵，S为一个m×n的对角线矩阵。如果A是一个正定方阵，那么U和V互为转置，U的每一列，即V的每一行，是A的一个特征向量，S中相应的对角线元素，是和该特征向量对应的特征值。 2_3 主成分 主成分是将数据集映射到新的空间，如果该空间的正交基函数能够反映数据集的最大随机变化，那么这些正交基被称为该数据集的主成分。 图1.数据集的主成分 图l显示了一个二维数据集的主成分。在矢量方向PCl和PC2上，数据集的变化最大。PCl和PC2是正交向量，因此它们支撑起一个新的空间，我们可以用原数据集在这个空间的映射来表达数据。这个空间实际上是原数据集的特征空间。 3 主成份分析法在遥感数字图像处理中的应用 对于多波段图像以及由比值和差分产生的结果图像进行彩色合成时，为了达到增强的目的，需要选择适当的子集。然而通常很难直接进行合理的选择。简单的办法是依据对景物物理特性的了解，或者是进行多次试验 另外，多光谱图像的一些波段之间，常常存在高的相关性，即各分量图像上存在许多多余的信息，进行合成时应能进行删除，使得显示的结果能更有效地突出有用的信息。 基于上两方面的考虑，寻找一种有效的组合信息的方法是有必要的。 主成分变换着眼于变量之间的相互关系，尽可能不丢失信息地用几个综合性指标汇集多个变量的测量值而进行描述的方法，即将P个变量（P维）的测量值汇集于m个（m维）主成分。多波段图像之间数据存在相关性，通过主成分分析可以把现图像中所含的大部分信息用假想的少数波段表示出来——意味着信息几乎不丢失，但数据量可以减少。 主成分变换是对图像实行一个线性变换，导致多光谱空间坐标系对旋转，但这种旋转不是任意方向而是有一特定方向，为了保证这一特定方向，线性变换时每一矢量必须乘一个特殊矩阵。 3.1 相关性 每一像元点作为一个多维矢量在多光谱空间中占有一个位置，以二维光谱空间来看，如果像元点对分布完全沿着其中一个轴，那么两分量相关性等于零。对于多维空间问题，可以对各分量中两两分量对相关性分别分析，这需要引进协方差矩阵。 矩阵中对角元素就是X空间中各分量的方差，非对角元素是空间中两个分量xi和xj之间的协方差，协方差矩阵是对称矩阵。在协方差矩阵中对非对角元素即两分量对协方差可反映两个分量间对相关性，这个数值与对角元素之比越大相关性越大。如果在多光谱空间内，各分量之间均不相关，那么在X空间各矢量的协方差矩阵一定是一个对角阵。 3.2 空间变换 令多光谱空间进行旋转变换，由X空间变为Y空间，旋转是绕原点进行的。 以二维空间为例，假定所有像元在X空间对分布类似椭圆形态，x1与x2两个分量对于这些像元是高度相关的。现建立新的坐标系y1oy2,即Y空间，使同样的像元分布在Y空间内表现为y1与y2分量互不相关，也就是Y空间的协方差矩阵是对角阵。从几何意义上看， y1o轴必须穿过椭圆的长轴。这样对旋转变换在数学原理上是用矩阵A乘以每个X空间的矢量实现线性变换得到的。如图2所示： 图2.坐标旋转示意图 根据数学中矩阵对角化的原理，只要使矩阵A是X空间协方差矩阵(x的特征向量矩阵的转置矩阵，一定得到(y的对角矩阵。特征向量矩阵n×n的矩阵，由n个特征向量组成，对应于每一个对角矩阵中的(1, (2,…(n。旋转变换的变换矩阵： 只要找到矩阵A，利用Y＝AX求出每个像元对应的Y空间的每一分量，从而完成这一线性变换，即K－L变换。 3.3 K-L变换分析