第四章_遥感数字图像增强处理(三).ppt

* 多光谱增强的目的： 对多光谱图像进行线性变换，减少各波段之间的信息冗余，保留主要信息，压缩数据量，增强和提取有利于解译的数据。 主要方法： K-L变换 K-T变换 * 1、多光谱空间 注意：多光谱空间仅表示各波段光谱信息之间的关系，与像元点在图像中的位置无关。 * 2、K-L变换 K-L变换原理 Karhunen-Loeve变换，又称主成分变换（Principal Component Analysis，PCA），Hotelling变换 原理：对多波段图像进行线性变换，形成新的光谱空间。 即： X——变换前多光谱空间的像元矢量； Y——变换后多光谱空间的像元矢量； A——线性矩阵 * 根据主成分变换的数学原理，A是X空间的协方差矩阵的特征向量矩阵的转置矩阵，即： * n=3时， 结果：Y的各分量是X的各分量的线性组合，综合了原有各分量的信息；各分量系数不一样。 * 变换后Y的协方差矩阵为对角矩阵 由小到大排列，变换后的Y的各分量相互独立。 * K-L变换分析 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每个分量的相对重要性。 PCA1——数据的最大变化量，包括了全部信息量的最大部分。 PCA2——没有被PCA1表示的数据的最大变化量。 注意：整个图像信息的综合分析，对于特定的图像分析并不适用。特定地物特征分析需要分析其光谱特征，从而选择相应的波段。 K-L变换的特点 ① 从几何意义来看，变换后的主分量空间坐标系与变换前的空间坐标系相比旋转了一个角度，而且新坐标系一定指向数据信息量较大的方向(主分量方向之一)。 ② 就变换后的新波段主分量而言，K-L变换后的新波段主分量包括的信息量不同，呈逐渐减少趋势。其中，第一主分量集中了最大的信息量，常常占80％以上，第二、第三主分量的信息量依次快速递减，到第n分量信息几乎为0。由于K-L变换对不相关的噪声没有影响，所以信息减少时，便突出了噪声，最后的分量几乎全是噪声。所以这种变换又可分离出噪声。 * K-L变换结果分析 （1）K-L变换后，得到 一组新的变量（即Y的各个行向量），称为第n主成分； （2）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每个分量的相对重要性； （3）第一主成分相当于原来各波段的加权和，且每个波段的加权值与该波段的方差大小成正比（方差大，信息量大），反映了地物总的辐射强度。 * K-L变换计算步骤 第一步：由原始图像矩阵X求其协方差矩阵 第二步：由特征方程式 求出协方差矩阵 的各个特征值 并将 排序。 * 第三步：求各特征值 对应的特征向量 第四步：取变换矩阵 第五步：计算K-L变换的表达式 * K-L变换的应用 数据压缩 图像增强：前几分量包含主要信息，后几个分量噪声较多； 分类前预处理：减少分类波段数，提高分类精度 K-L变换是特征选择常用方法！！ * 3、K-T变换 Kauth-Thomas变换，又称缨帽变换（tasseled cap） 用途 植被研究，特别是分析农业特征提供了一个优化显示的方法 数据压缩 * 变换模型 X——变换前多光谱空间的像元矢量； Y——变换后多光谱空间的像元矢量； c——变换矩阵， a——避免出现负值所加的常数 对原图像的坐标空间进行平移和旋转 新坐标轴具有明显的景观含义，可与地物直接联系 * 转换系数 K-T变换是一种特殊的PCA变换，其转换系数是固定的，独立于单个图像，不同图像产生的结果可以进行比较。 * MSS的转换系数 y1—亮度分量（土壤亮度指数，Soil Brightness），主要反映土壤反射率变化的信息； y2—绿度分量（绿度指数，Greenness），反映地面植被的绿度； y3—黄度分量（黄度指数，Yellow Stuff），植被的枯萎程度； y4—噪声，无实际意义。 注意：对不同地区特点和传感器，系数是调整变化的，y1，y2集中了95%或更多的信息。 * TM的转换系数 y1—亮度分量（TM六个波段分量的加权和，反映了总体的亮度变化）； y2—绿度分量（与亮度分量垂直，是近红外与可见光波段的比值，反映可见光波段特别是红光波段与近红外波段之间的对比） y3—湿度分量（与土壤湿度有关，反映可见光与近红外波段及红外5、7波段的差值，而5、7波段对土壤和植被的湿度最为敏感）。 注意：对不同地区特点和传感器，系数是调整变化的。 * 对于TM图像而言，可见光-红外六个波段数据蕴含着很丰富的信息，经K-T变换的前三个分量主要反映土壤亮度（BI）、绿度（GVI）和湿度（WI），第四分量为噪声。