主成分分析在遥感图像中的应用精选.doc

主成分分析在遥感图像中的应用 张浚哲 201021190017 资源学院 摘要：卫星遥感图像反映地物的光谱信息。一般来说，每一种地类都有其特定的光谱特征曲线，但由于自然界环境的多变性及遥感过程中所受的大气影响, 又存在异物同谱和同物异谱的现象。反映在地类数据点的空间分布上, 表现为每一地类对应于一个或多个子群, 每一群体有一定的聚类中心, 且群体具有非零半径。不同群体之间可以有交迭, 有时甚至交迭相当严重。将卫片用于实际中时, 须能正确判定各区域所对应的地物类别。由于同物异谱和异物同谱现象的存在, 这就为正确分类增加了困难。表现在分类结果上, 就是使误分率增大。我们希望寻找一种有效的技术处理方法, 使原有的分类方法更加有效。主成分分析正可满足这一要求。 关键字：主成分分析，模式识别，spss，matlab，图像分类 目录 主成分分析在遥感图像中的应用 1 一、 引言 3 二、 主成分分析 3 1、主成分分析简介 3 2、主成分分析的目的 4 3、数学过程 4 三、 遥感图像实验 6 1、实验数据来源： 6 2、分类工具 7 3、实验过程： 8 4、实验结果图如下： 11 四、 数据对比 15 1、无预处理组： 15 2、Pca预处理组： 16 3、数据分析： 16 五、 结论： 19 References: 20 引言 图像变换是指将图像从空间域转换到变换域的过程,进行图像变换的目的就是为了使图像的处理过程简化。由于遥感图像的不同波段之间往往存在着很高的相关性,从直观上看,就是不同波段的图像很相似,因而从提取有用信息的角度考虑,有相当大一部分数据是多余和重复的。主成分分析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强。 主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。在实证问题研究中，为了全面、系统地分析问题，我们必须考虑众多影响因素。这些涉及的因素一般称为指标，在多元统计分析中也称为变量。因为每个变量都在不同程度上反映了所研究问题的某些信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映的信息在一定程度上有重叠。在用统计方法研究多变量问题时，变量太多会增加计算量和增加分析问题的复杂性，人们希望在进行定量分析的过程中，涉及的变量较少，得到的信息量较多。主成分分析法是一种数学变换的方法, 它把给定的一组相关变量通过线性变换转成另一组不相关的变量，这些新的变量按照方差依次递减的顺序排列。在数学变换中保持变量的总方差不变，使第一变量具 有最大的方差，称为第一主成分，第二变量的方差次大，并且和第一变量不相关，称为第二主成分。依次类推，I个变量就有I个主成分。　 　　其中Li为p维正交化向量（Li＊Li＝1），Zi之间互不相关且按照方差由大到小排列，则称 Zi为X的第I个主成分。设X的协方差矩阵为Σ，则Σ必为半正定对称矩阵，求特征值λi（按从大到小排序）及其特征向量，可以证明，λi所对应的正交化特 征向量，即为第I个主成分Zi所对应的系数向量Li，而Zi的方差贡献率定义为λi／Σλj,通常要求提取的主成分的数量k满足 Σλk／Σλj0.85。 是希望用较少的变量去解释原来资料中的大部分变异，将我们手中许多相关性很高的变量转化成彼此相互独立或不相关的变量。通常是选出比原始变量个数少，能解 释大部分资料中的变异的几个新变量，即所谓主成分，并用以解释资料的综合性指标。由此可见，主成分分析实际上是一种降维方法。Y = TX。式中: X 为待变换图像数据矩阵, Y为变换后的数据矩阵; T为实现这一线性变换的变换矩阵。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(1)式的线性变换称为主成分分析,并且变换后的数据矩阵的每一行矢量为主成分分析的一个主成分。 主成分分析的优点是消除了波段间的相互关系,减少了各波段提供信息的交叉和冗余,有利于分析。同时,在分析过程中得到主要波段的合理权重,具有很好的客观性。主成分分析法的主要步骤如下: 根据原始图像数据矩阵X, 求出它的协方差矩阵S，以矩阵的形式表示多波段图像的原始数据如下: 矩阵X中, m, n分别为波段数和每幅图像中的像元数,矩阵中的每一行矢量表示一个波段的图像。 矩阵X的协方差矩阵S为: 式中:，（第I波段的均值） 求协方差矩阵S 的特征值λi 和特征向量Ui ,并组成变换矩阵T　求解特征方程(λI - S )U =0; 然后将特征值λi 按由小到大的顺序排列,求出对应特征值的单位特征向量Ui , 以Ui 为列构成矩阵U,U矩阵的转置矩阵,即UT 为所求的变换