遥感图像处理与信息提取-图像增强与融合.ppt

1）K-L变换原理 K-L变换实际是作了一个旋转变换，由X空间变为Y空间。在一个n维的光谱空间中，如果每个输入波段的数据都是正态分布或近似正态，将形成椭圆（2维）、椭球（3维）、或超椭球（大于三维）（以下统称为椭圆）。 3.3.3 统计分析融合 （1） K-L变换 以两个波段的数据为例，在x1Ox2坐标系中，x1和x2两个分量是高度相关的，绕原点旋转一定角度之后，得到新的坐标系y1Oy2，即Y空间，使同样的像元分布表现为y1和y2分量，这两个分量是互不相关的，从而实现了Y空间协方差矩阵∑y的对角化。 （1） K-L变换 3.3.3 统计分析融合 2）K-L变换本质 经过K－L变换之后，新的坐标轴指向特征矢量的方向，这正是数据分布的主要分量的方向。从图可以看出，对于二维空间来说，若数据分布为椭圆形态，则特征矢量正好位于椭圆的两个轴上。将特征值由大到小排列，λ1＞λ2，则φl在长半轴，φ2在短半轴。新的坐标轴将会指向椭圆的长半轴和短半轴这两个主分量的方向，对于多维空间，则有λ1＞λ2＞…＞λn，轴长逐次递减。 （1） K-L变换 3.3.3 统计分析融合 2）K-L变换本质 特征值的大小反映了这一方向上主分量所具有信息量的多少及其相对重要性。其中，与椭圆的主轴(最长轴)一致的断面称为数据的第一主分量，其方向即第一特征向量φ1的方向，它的长度为第一特征值λ1。因此，第一主分量表示了数据的最大变化量，它包括了全部信息量的最大部分。第二主分量是与第一主分量正交的最大断面，表示了没有被第一主分量表示的数据的最大变化量。在二维空间中，第二主分量与椭圆的短轴一致，逐次递减。 （1） K-L变换 3.3.3 统计分析融合 2）K-L变换本质 （1） K-L变换 3.3.3 统计分析融合 2）K-L变换本质 对于n维情况，有n个主成分，其随后的主成分依次为： ·在Y空间中与前一主分量垂直的椭圆的最大断面； ·表示数据中依次减少而没有被前面的主分量表示的最大变化量。 因此，第一主分量、第二主分量、…、一直到第n主分量所含的信息量依次减少，到λn几乎为零。在有用信息减少的同时突出了噪声，因此在第n主分量几乎全部是分离出的噪声。 3.3.3 统计分析融合 （1） K-L变换 3）K-L变换实施 a 根据原始图像矩阵X求出它的协方差矩阵?x b 由特征方程 （1） K-L变换 3.3.3 统计分析融合 求出协方差矩阵?x的各个特征值λi, 将其按λ1≥λ2 ≥… ≥λn排列。式中：λ为特征值；I为单位矩阵；u为特征向量。 3）K-L变换实施 c 取变换矩阵A＝UT，即得到了K—L变换的具体表达式： （1） K-L变换 3.3.3 统计分析融合 3）K-L变换实施 经过K-L变换后，得到一组新的变量（即的各个行向量），它们依次被称为第一主成分、第二主成分……第n主成分。因为变换矩阵的行是?x的特征向量，所以Y的第i个分量实际上是X各分量以第i个特征向量的各分量为权的加权和，整个Y的各分量均是X的各分量的信息的线性组合，它综合了原有各特征的信息而不是简单地取舍，从而使得新的n维随机矢量很好地反映原有事物的特征。 （1） K-L变换 3.3.3 统计分析融合 4）K-L变换特点 a 变换前后的方差总和不变，只是把原来的方差不等量地再分配到新的主成分图像中。变换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集中的方向，第二主成分取与第一主成分正交且数据散布次集中的方向，余此类推。因此，第一主成分包含了总方差的绝大部分（一般在60％以上），而方差与信息量相一致，所以变换的结果使得第一主成分几乎包含了原来各波段图像信息的绝大部分，其余主成分所包含的信息依次迅速减小。 （1） K-L变换 3.3.3 统计分析融合 3）比值运算 遥感图像在获取时，由于地形起伏以及太阳斜射地面等因素的影响，造成在不同的地形部位，如阳坡和阴坡的辐射量有很大的不同。导致同一地物在不同地形部位的图像上形成亮度差异，即同物异谱现象。比值算法能去除地形坡度和方向引起的辐射量变化，在一定程度上消除同物异谱现象，是图像自动分类前常采用的预处理方法之一。 3.3.2 图像融合基本方法 （1）代数运算融合 3）比值运算 比值运算表 （1）代数运算融合 地形部位 波 段 TM1 TM2 TM1/TM2 阳 坡 28 43 0.65 阴 坡 22 34 0.65 3