图像变换08-6课件.ppt

2.K-L变换(Hotelling变换) 主分量分析(PCA） 目的 一般而言， K-L变换的目的是寻找任意统计分布的数据集合之主要分量的子集 相应的基向量组满足正交性且由它定义的子空间最优地考虑了数据的相关性 将原始数据集合变换到主分量空间使单一数据样本的互相关性(cross-correlation)降低到最低点 K－L变换就是选取一个合适的正交变换T，使得变换后的图像Y=[T]X 由Y经反变换而恢复的 （向量x的估 值）和原图像具有最小的均方误差，即 实现K-L变换的过程 设 j=1,…,s是N维向量的数据集合，m是其均值向量： 差别向量是 协方差矩阵是： 求出协方差矩阵的从大到小排列的特征值 及满足下列条件的特征向量 有了特征向量集合，任何数据x可以投影到特征空间（以特征向量为基向量）中的表示： 相反地，任何数据x可以表示成如下的线性组合形式： 如果用A代表以特征向量为列向量构成的矩阵，则A的转置定义了一个线性变换： 变换后的协方差矩阵为： 上述去相关的主分量分析方法可以用于降低数据的维数。通过略去对应于若干较小特征值的特征向量来给y降维 K-L变换在图像处理中的作用 K-L变换是图象分析与模式识别中的重要工具，用于特征抽取，降低特征数据的维数 K-L变换用于图像压缩时可以实现有损压缩和无损压缩 K-L变换后的N幅图象统计上互不相关，因此K-L变换可以去除图象数据的相关性，提取主要信息 利用K-L变换提取AVIRIS高光谱影像的主成分分量 原图第一波段（共224个波段） K－L变换取前10个分量的第一分量 K－L逆变换后图像的的第一分量 K-L变换的性质和特点： （1）总方差不变性：K-L变换是正交线性变换，所以变换前后的方差总和不变，变换只是把原来的方差不等量的再分配到新的主成分图像中； （2）正交性：变换后得到的主成分之间不相关。 （3）第一主成分包含了总方差的绝大部分（一般在80%以上），也就是说K-L变换的结果使得第一主成分几乎包含了原来多波段图像信息的绝大部分，即信息量最大，其余各主成分的方差依次减少，因此后面的主成分所包含的信息量也剧减； K-L变换 因此，在遥感分析前进行K－L变换可以实现： 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K－L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，数据量可减少到43％，既实现了数据压缩，也可作为分类前的特征选择。 图像增强：K－L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。 计算机处理时，需要根据被处理的图像计算变换矩阵A。由于K－L变换使用较为普遍。故常用的图像处理软件包中都具有这一功能，不必用户自已计算，也免去了许多编程工作。 3. K-T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数据结构后提出的一种经验性的多波段图像多波段图像的正交线性变换，又称K-T变换。 该变换也是一种坐标空间发生旋转的线性变换，但旋转后的坐标轴不是指向主成分方向，而是指向与地面景物有密切关系的方向。 3. K-T变换（缨帽变换） Kauth和Thomas通过对陆地卫星MSS图像反映农作物和植被的生长过程的研究发现，MSS图像信息随时间变化的空间分布形态是呈规律性变化，它象一个顶部有缨子的毡帽，即植被信息的波谱数据点随时间变换的轨迹是一个缨帽，且具有较明显的三维结构，而缨帽的底面恰好反应了土壤信息的数据特征，称为土壤面，其与植被的波谱特征互不相关。 MSS图像的缨帽变换 一种固定的经验线性变换，使波谱空间旋转到几个有意义的方向上，即: 式中：X为由MSS图像四个波段数据组成的矩阵，每一行为一 个波段的像元组成的向量； Y为缨帽变换后的数据矩阵； R为缨帽变换的正交变换矩阵；R=[R1，R2，R3，R4]； 变换后对应于R1的特征量称为“亮度”，它在数值上是MSS四个波段的加权和，反映了地物总的电磁波辐射水平，对应于R2的特征称为“绿色物”，它等于MSS6与MSS7的加权和再减去MSS4与MSS5的加权和，反映了植物的生长状况；对应于R3的特征叫做“黄色物”，它是MSS5与MSS7的加权和减去MSS4与MSS6的加权和。 R1，R2，R3，R4是相