遥感图像处理A课件 第四章+图像变换+-+遥感图像处理.pptVIP

* 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 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 * 新的主成分代表了什么？ 通过计算每个波段k与各个主成分p的相关，可以确定每个波段的“载荷”或其与每个主成分的联系。计算公式： * 从上表可看出：第1主成分的最大相关波段是4、5、7，这表明，该主主成分为近红外、中红外反射波段；相反，第2主成分仅在可见光第1、2、3波段具有较高的相关性，因此这是一个可见光波谱主成分；第5、6、7主成分没有提供有用的信息，并且包含了大部分的系统噪声。 * K-L变换的性质和特点 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； ?? 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； 第一主成分相当于原来各波段的加权和，而且每个波段的加权值与该波段的方差大小成正比（方差大说明该波段图像所包含的信息量大，在第一主成分中占的比重大），反映了地物总的反射强度。 * 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-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。 * 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；对应于R4的特征叫做“其他”。 * R1，R2，R3，R4是相互正交的单位列向量，Kauth和Thomas根据MSS图像实例得出的各个单位列向量为： 式中，r 为补偿向量，意在避免Y有负值出现。 * TM图像的缨帽变换 MSS图像的缨帽变换被提出后，Crist和Cicone在1984年通过对对TM图像数据特征的研究，给出了TM图像的缨帽变换系数（不包括红外波段）。TM图像6个波段变换后的前3个变量反映的信息内容有明显差别（其他3个变量的信息特征还有待于进一步研究），按顺序分别为亮度、绿度和湿度； ??亮度：它是TM图像6个波段的加权和，代表总的电磁波辐射水平； ??绿度：与亮度垂直，反映了可见光波段与近红外波段之间的差异；与影像上绿色植被的数量密切相关。 ??湿度：与冠层和土壤湿度有关。 * TM图像缨帽变换系数表 * 高分辨率数据缨帽变换 高分辨率卫星数据IKONOS和QuickBird经过改进的缨帽变换后，可以提高对植被的识别效率。特别是对乔木、灌木、草和农田的区分更好，另外，对区分植被和人工地物的效率也不错。 ??对于高分辨率数据，缨帽变换系数R矩阵如下： *