遥感图像处理实验指导书8-10.docVIP

实习八 K－L变换与K－T变换 一、实验目的 1、掌握KL变换和KT变换的方法和步骤。 二、实验准备 准备知识： K－L变换基本原理 主成分分析也称为主分量分析或K—L变换。K—L变换是在统计特征基础上的多维正交线性变换，即着眼于变量之间的相互关系，用几个综合性指标汇集多个变量而进行描述的方法，不丢失信息是其特征之一。遥感图像的不同波段之间往往存在很高的相关性，从提取有用信息的角度来看，有相当大的一部分数据是重复的或多余的。主成分分析就是用假定的有限的几个主成分分量，将有用的信息集中到有限的主成分图像中，使这些主成分图像之间互不相关，从而减少总数据量并使图像信息特征增强。 它的算法如下： 首先求出原始图像数据矩阵的协方差矩阵 其中，为第个像元的亮度值向量，，为各波段像元亮度值均值所组成的均值向量，，为像元总数，为波段总数。 然后求S矩的特征值和对应的特征向量，组成变换阵。根据特征方程求出协方差矩阵的各个特征值（），将其按排列（因为就是变换后各个分量的方差，这样排列是为了让各组分按信息量由多到少排列），再求出各特征值对应的单位特征向量。以特征向量为列构成特征向量矩阵，即，若矩阵满足，即为正交阵，这样就唯一确定，的转置阵就是所求的K—L变换的系数阵，将代入：，则K—L变换的具体表达式为： 式中，为原图像的个波段的像元值向量，为变换后各个主组分的像元值向量，这里要注意的是变换后的主组分的个数可以少于或等于变换前原始的波段数，只要对系数矩阵的行向量进行取舍就行，一般后面的组分分信息量少，基本上是噪声。 值得一提的是不能完全用主成分的顺序来确定其在图像处理中的价值，其他信息量少的成分，很可能是某种地物信息的集中表示。主成分分析的结果形成数据压缩和互不相关的图像。 主成分变换是多元统计分析中的一个重要变换，是一种很重要的特征提取方法，减少计算量，可以用作分类图像的特征图像。也可以单独应用作为一种重要的信息提取方法。 这部分我将没有给出一个具体的实例，我想结合ENVI软件讲述主成分变换的定量关系，也即找出各个主成分与原始波段间的定量关系，主要是系数矩阵的解求，前面在讲主成分的原理时已讲到系数矩阵是原始波段协方差矩阵的特征向量矩阵的一个转置。 主成分分析是一种非常重要的数学方法，应用广泛，这里顺便提下在遥感动态监测中用到的与主成分分析有关的一些处理方法，同学们可以在具体项目中进行实践。 差异主成分法：　 将不同时相的对应波段的图像相减，取其绝对值，得到新的分量，对新分量进行主成分变换，分析提取动态变化信息分量，确立变化区域(像元)。实际处理时，考虑到地物变化引起的辐射亮度值差异可能为负、也可能为正，因此有正相和反相差异主成法，但其原理基本一致。 ,或前后时相的多光谱影像与全色影像组合成一个影像文件,再对其进行主成分变换。由于变换结果前几个分量上集中了两个影像的主要信息,后几个分量反映了两影像的差别信息,因此可以选取后几个分量进行波段组合以突出变化信息。 ,然后对变换结果作差值,取差值的绝对值为处理结果。虽然在对不同时相多光谱影像分别进行主成分变换时前面的主分量集中了多光谱影像的主要信息,但是所需要的变化信息不一定在前面主分量对应的差值图像中,后面分量的差值有时也能够突出反映原始影像的变化信息,因此应利用反映变化信息比较多的几个差值分量作Landsat TM data。 三、实验内容与步骤 1、正向的主成分变换 我们可以在ENVI中很方便地求出原始数据各波段的相关系数矩阵及协方差矩阵，我们以ENVI自带的DEMO数据bhtmref.img为例来说明。 1、打开bhtmref.img，在ENVI主菜单中选择Basic Tools → Statistics → Compute Statistics，选择bhtmref.img作为输入文件，计算其基本统计量，在Compute Statistics Parameters对话框中选中Covariance前的复选框，这项将计算原始数据的协方差矩阵、相关系数矩阵、特征值和特征向量等统计量： 2、单击OK按钮，将出现统计结果对话框，将下边的文本框的内容拖到相关系数阵处，即可看到各波段的相关系数矩阵，如下图所示： 正向的 PC 旋转用一个线性变换使数据差异达到最大。当你运用正向的 PC 旋转时，ENVI 允许你计算新的统计值，或基于已经存在的统计项进行旋转。输出值可以存为字节型、浮点型、整型、长整型或双精度型。你也可以基于特征值抽取PC旋转输出的部分内容，生成只有你需要的PC波段的输出。 一旦旋转完成，将会出现PC特征值图。显示出每一个输出的 PC 波段的差异量。PC 波段将显示在 Available Bands List 中。 3、在ENVI主菜单中选择Transforms( Principal Compone