试述PCA,MNF的基本流程,并比较其异同 .pdfVIP

1、试述PCA,MNF的基本流程,并比较其异同.

（1）主成分分析（PCA）将多个变量通过线性变换以选出较少个互不相关的新变量的一种

多元统计分析方法，是数学上处理降维的一种方法。

PCA算法的基本流程：

①读取高光谱数据Z：Z(x),i1,2,，m。其中x为象元在空间的位置，m为波段

i

TE(Z)0

数。Z[Z(x),,Z(x)]，一般需先对原始数据进行标准化处理，即假设。

1m

②求协方差矩阵：D(Z)



③计算协方差矩阵的特征值、特征向量p：pp。这一步可以用Matlab中的函



数[P,]eig()实现。将各个特征值按从大到小的顺序排列，对应的特征向量组成的矩

阵为P。

④把特征向量作用到图像，即图像在所有相应特征向量方向的投影就称之为主成分变

T

换：X=PS。X的各行依次为第一主成分、第二主成分，……

（2）最小噪声分离变换（MNF）用于判定图像数据内在的维数（即波段数），分离数据中

的噪声，减少随后处理中的计算需求量。

假设所获取的高光谱图像的每个观测信号Z可以表示为z=s+n，其中n为噪声，s为理性状

况下的信号。Z=（z1，z2，…，zL），n=（n1，…，nL）。MNF算法基本流程为:

①把混有噪声的信号Z进行高通滤波得到噪声n；



②分别求Z、n的协方差矩阵；

zn





③计算噪声协方差矩阵的特征值和特征向量P，由组成的对角矩阵记为，由p

nnnn

组成的矩阵记为E。

1

FE

④求的白化矩阵F：2；

nn

TTT

⑤计算噪声白化之后的观测数据FZ的协方差矩阵cov(FZ)FF

wz

⑥求的特征值和特征向量，由所以特征值构成的对角阵记为，相应特征向量构成的

ww

矩阵记为G；

TGTT

⑦将G作用到FZ的每个象元上，FZ即为MNF变换后得到的图像。

二者的比较：

不同点：

TTTT1

①在MNF中，总的变换为HFG，而HHGFGFGG，因此H不是正交

n

变换。PCA中的变换为正交变换。②PCA变换后各成分按照方差从大到小的顺序排列，MNF

变换后各成分按照信噪比从大到小的顺序排列。③PC