福州大学空间中心遥感课件_第4讲遥感数字图像增强处理讲解.ppt

遥感数字图像增强处理,数字图像增强的主要目的 图像增强image enhancement按照分析目的，对图 象数据进行加工，突出图象中的有用信息，扩大不同 影像特征（如不同灰度与颜色）之间的差距，以提高 对图象的解译和分析能力，更符合实际应用的需要。 增强图象目视效果 提高图象质量和突出所需信息,数字图像增强的主要内容 对比增强改变图像灰度等级,提高图像对比度 空间变换增强消除边缘和噪声,平滑图像，突出边缘和线状地物,锐化图像 多波段图象处理 彩色变换 波段运算 多光谱变换,遥感图像增强,对比度变换,对比度变换是一种通过改变图象像元的灰度值来改变图象像元的对比度，从而改善图象质量的处理方法。因为灰度值是辐射强度的反映，所以也称为辐射增强。 常用的方法有灰度级阈值、密度分割、线性变换与非线性变换等,图象直方图,数字图象可以用直方图来形象表示像元灰度值的分布情况，从中可以粗略分析图像的质量。像元灰度一般应符合某种统计分布规律（地物正常情况下通常是正态分布） 如果图象的直方图接近正态分布，说明图象灰度接近随机分布，适合用统计方法分析。 如果直方图的峰值偏向亮度坐标轴左侧，说明图象偏暗，峰值偏向右侧，说明图象偏亮。以上情况造成对比度降低，图象质量较差,图象质量评价,图象直方图,阈值分割,二值分割将图象中的所有灰度值根据指定的门限值（阈值）进行分割，生成大于或小于阈值的两类，生成二值图象。 密度分割将图象的灰度根据指定的系列阈值间隔进行分割，并将每一间隔范围内的不同灰度值显示为相同的值,知识库 Oust自适应分割根据类内间距最小与类间间距最大原则,阈值分割示例,二值分割提取海面油污,方法一 方法二 逻辑并,ASAR数据,分割评价,一致性估计 形状标准,对比度变换,线性变换 为了改善图象对比度，必须按照某种方式改变图象的灰度值，即运算过程中有一个变换函数。如果变换函数是线性的或分段线性的，这种变换就是线性变换。线性变换是图象增强处理最常用的方法,最大值,最小值,线性变换,设计一个变换函数，将灰度值为0，15的图象拉伸为0，30 横坐标xa为变换前的灰度值，纵坐标xb为变换前的灰度值，变换函数为一条直线,线性变换,变换后的灰度值,变换后的直方图,线性变换,通过调整参数b1,b2，即改变变换直线的形态，可以产生不同的变换效果。如a2-a1b2-b1，则灰度范围缩小，图象被压缩，对于a2-a1，是取灰度的全部或部分，需要根据对图象显示效果的需要人为确定,变换前图象的范围为a1, a2,变换后的范围为b1, b2, 变换关系为直线，则变换方程为,分段线性变换,分段线性变换是将图像灰度f（x，y）的区间分割为若干区间，然后对每个区间进行线性拉伸，常用的是分三段线性变换。即某些像元值范围被拉伸，某些范围被压缩。在实际应用中，根据要求，有目的的选取间断点的位置，决定拉伸那一段或者压缩那一段的灰度范围，或者只处理某一段的灰度,对比度拉伸示例,Low contrast,contrast Stretching,Threshold,非线性变换,当变换函数为非线性时，即为非线性变换。常用的非线性变换有 对数变换 指数变换 三角函数变换,指数变换,在亮度较高的部分扩大亮度的间隔，属于拉伸；而在亮度较底的部分缩小亮度间隔，属于压缩。其数学表达式为 其中 a, b ,c为调节参数，可以改变指数函数形态，实现不同的拉伸比例,指数实例,a, b ,c取不同参数时的 指数扩展实验结果,对数变换,在亮度较高的部分缩小亮度的间隔，属于压缩；而在亮度较底的部分扩大亮度间隔，属于拉伸。其数学表达式为 其中 a, b ,c为调节参数，可以改变对数函数形态，实现不同的拉伸比例,三角函数,三角函数常用的正弦和正切， 需要注意三角函数的周期性与取值范围，采用适当的a,b值来控制输出像元的范围。 直方图中频数较高的部分得到扩展。 可以实现多周期的调整，进行彩色编码,直方图变换,直方图变换是使输入图象灰度值的频率分布（直方图）与所希望的直方图形状一致而变换灰度值的方法 典型的变换有 直方图均衡（Histogram equalization通过灰度变换将随机分布的图象直方图修改成均匀分布的直方图 直方图正态化（Histogram normalization把非正态分布的直方图变换为具有正态分布的直方图。 直方图匹配（ Histogram matching是通过非线性变换使得一个图像的直方图与另一个图像的直方图类似,直方图均衡,直方图正态化,原图,均衡化后,直方图均衡,直方图均衡化后的飞机图片及其直方图，可见其直方图与原图的直方图相比是很均衡的，但必须说明的是，离散情况下不可能作到绝对的一致,直方图匹配,直方图匹配经常作为相邻图象拼接或应用多时相遥感图象进行动态变化分析研究的预处理,通过直方图匹配可以部分消除由于太阳高度角或大气影响造成的相邻图象的效果差异,对比度增强效果总结,全面均等反差调整（线性扩展） 原直方图有明显两峰或严重偏斜（分段线性扩展） 扩展直方图中部，压缩两端 （正弦扩展，高斯扩展及直方图均衡） 扩展直方图暗部（分段线性扩展，对数扩展） 扩展直方图亮部（对数扩展） 扩展直方图两端（正切扩展,数字图象增强,对比度增强 空间变换 多波段图象处理 彩色变换 波段运算 多光谱变换,空间变换,对比度增强是通过但单个像元的运算从整体上改善图象的质量。而空间变换则侧重于图象的空间特征或频率，突出图象上的某些特征为目的，如边缘线或方向特征的增强。因此通常像元与其周围相邻像元的关系，采用空间域的邻域处理方法,空间频率,空间频率主要指图象中色调变化的“平滑”或“粗糙”程度。 高空间频率（高频）区域称为“粗糙”，即图象在小范围内变化很大（道路或房屋的边缘）；低空间频率（低频）区域称为“平滑”，即图象的亮度变化相对很小（草地，水体和大面积水田,图象卷积运算（邻域运算） 在空间域上对图象作局部检测的运算，以实现平滑或锐化的目的。具体做法是选定一卷积函数（模板），实际上是一个M*N的图象.二维卷积运算是在图象中使用模板来实现运算。 空间滤波是图象卷积处理的一种特殊应用 空间滤波是一种几何增强处理，通过选择不同的模板，可以实现图象的平滑或锐化,空间域增强,卷积运算,从图象左上角开始开一与模板大小相同的窗口，图象窗口与模板像元的灰度值对应相乘相加。假设模板大小为M*N，窗口值为 模板为tm, n , 则卷积运算,空间滤波,平滑 图象中出现某些亮度过大的区域，或出现噪声时，采用平滑的方法可以减小变化，使亮度平滑或去掉不必要的噪声点。主要的目的是消除或者压制随机噪声，提高信噪比。 重要方法有 均值滤波 中值滤波 选择性平均,均值滤波,均值滤波将每个像元在以其为中心的区域内取平 均值来替代该像元值，以达到去掉噪声和平滑图象 的目的。如区域范围取作M*N时，求均值公式为,计算时通常采用3*3的模板进行卷积运算,选择性平均,平滑处理会减弱或消除边缘及线性特征，造成图象边缘模糊。 （1）先用边缘检测算子确定“边缘像元”，只对非边缘的像元进行平均。 （2）先用边缘检测算子确定“边缘像元”及边缘走向，然后在边缘上沿边缘走向定向平均，非边缘的像元进行平均处理。 （3）采用加权平均方法，给予邻点的权值取决于该点是否在边缘或线条上,中值滤波,中值滤波将每个像元以其为中心的邻域内取中间亮度值来替代该像元值，以达到去掉噪声的目的。计算方法与模板卷积类似。 结构模板 中值滤波在消除噪声方面很有效，并且不会使边缘模糊，但容易破坏细线和棱角 “”保留可保留水平线，垂直线和棱角；“”可以保留斜线,比较中值滤波与均值滤波,锐化,为了突出图象的边缘，线状目标或者灰度变化率大的部分，可采用锐化的方法提取所需要的信息。 常用的方法 罗伯特Robort 梯度 苏贝尔Sobel梯度 拉谱拉斯Laplacian梯度 方向Directional梯度,罗伯特Robort 梯度,罗伯特梯度可以近似地用模板计算,这相当于取窗口2*2大小，用模板t1做卷积计算后取绝对值加上模板t2计算后取绝对值。计算结果放在左上角的fi, j位置。算法的意义在于用交叉的方法检测出像元与其邻域上下之间或左右之间或对角线方向之间的差异，最终产生一个梯度影像，突出边缘信息。有时为了突出主要边缘，需要将图象其它亮度差异部分模糊掉，采用设定正阈值的方法，只保留较大梯度值来改善锐化后的效果,苏贝尔Sobel梯度,与罗伯特梯度方法相比，苏贝尔方法较多地考虑了邻域点的关系，使窗口由2*2扩大到3*3，检测边界更加精确,拉普拉斯,在模板运算中，拉普拉斯算子可以定义为四邻域或八邻域的形式 拉普拉斯算法的意义与前两种算法不同，它不检测均匀的亮度变化，而是检测变化率的变化，相当于二阶微分。计算出的图象更加突出亮度值突变的位置,四邻域,八邻域,特点 同时增强所有边缘和线条信息；在增强边缘信息的同时，压制了不同地物之间亮度的差别,八邻域,梯度算子实验,罗伯特梯度,苏贝尔梯度,拉普拉斯4邻域,拉普拉斯8邻域,拉普拉斯8邻域,原始图象,拉普拉斯,如果需要兼顾形态和波谱信息两个方面，需要把边缘的空间形态和亮度变化同时显示出来。因此 同时给中间项加1。拉普拉斯算子为,方向梯度,检测垂直边界 检测水平方向边界 检测对角线边界,方向梯度,90方向,0方向,45方向,135方向,可能存在的问题与解决方案 可能的缺点不一定可以检测出可靠的边缘，这是因为 （1）真实的灰度变化不一定是阶跃的，基于阶跃假定的算子要检出多个边缘； （2）真实灰度的变化可能发生在很宽的尺度范围上，不可能设想利用一个固定的局部算子最佳地检出所有的灰度变化； （3）噪声不可避免地影响边缘检测； （4）真实的边缘不一定是各向同性的。 改进的方法 （1）发展非线性边缘检测技术； （2）边缘松弛方法；自适应窗口 （3）假设检验的统计边缘检测技术； （4）发展各向异性的边缘检测方法PDM， Level set,存在问题,滤波函数有低通滤波，高通滤波和带通滤波等 低通滤波用于消除高频信息的情况。由于图象的噪声成分通常存在于高频成分中，所以可以消除噪声。（平滑） 高通滤波仅让高频成分通过，用于目标轮廓的增强 。（锐化） 带通滤波仅保留一定范围内的成分，可用于提取消除每隔一定间隔的干扰噪声,空间滤波,傅氏变换增强,傅立叶变换是一种特殊的积分变换。它能将满足一定条件的某个函数表示成正弦基函数的线性组合或者积分。 傅氏滤波将原来难以处理的时域信号转换成易于分析的频域信号（信号的频谱），对图象进行傅氏变换后得出频率函数后，人为地改造所产生的频率函数（压制或者去掉某些频率成分而增强其它频率成分，然后反向变换得出图象的过程,傅立叶变换的物理意义,图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。如大面积的沙漠在图像中是一片灰度变化缓慢的区域，对应的频率值很低；而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域，对应的频率值较高 傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数，傅立叶逆变换是将图像的频率分布函数变换为灰度分布函数,傅立叶变换,原始图象的低频部分分布在光谱的中心，逐渐变高的频率分布在中心的周围，原始图象在水平上的特征趋向于产生傅氏变换光谱中的垂直要素，而原始图象在垂直上的特征趋向于产生傅氏变换光谱中的水平要素,原始图象,频谱图象,原始图象,频谱图象,傅氏变换增强,低通滤波,高通滤波,低通滤波,高通滤波,傅氏变换增强,噪声去除,原始图象,FFT变换,低通滤波,遥感图像增强,对比度增强 空间变换 多波段图象处理 彩色变换 波段运算 多光谱变换,彩色变换,由于人的视觉对不同色彩的分辨能力远远高于对不同灰度或黑白程度的分辨能力，彩色增强在图象处理中应用广泛，效果显著。要在一幅图象上显示多波段变换的图象信息，更需要应用彩色增强方法。彩色增强或显示有三种方式 （1）真彩色图象上显示的色调与真实颜色相同或近似。（TM图象由三个可见光波段，TM1（蓝色）， TM2（绿色）， TM3（红色）合成的图象近似真彩色。 （2）假彩色任意三个波段或者经过处理产生的三个分量图象分别用红、绿、蓝显示合成彩色。 （3）伪彩色由单波段或者单分量图象按照其像元值的大小分别赋与不同的色彩,真彩色图象,TM1（蓝色）， TM2（绿色）， TM3（红色）合成的图象近似真彩色。因为蓝光波长较短，可见光中的蓝色波段的光波易于被大气中的水气等物质折射（散射系数与波长的4次方成反比,真彩色图象,标准假彩色合成,标准假彩色TM的7个波段中，第2波段是绿色波段0.520.60,第3波段是红色波段0.600.76,第4波段是近红外波段0.760.90,当4，3，2波段被赋于红绿蓝色时，这一彩色合成方案称为标准假彩色合成。这是一种最为常用的假彩色合成方案,标准假彩色合成TM4,3,2,TM波段的相关性,假彩色合成,在实际应用时，应根据不同的应用目的经实验，分析寻找最佳合成方案。通常以合成后的信息量最大和波段之间的信息相关最小最为波段合成的最佳目标。如TM的4，5，3波段依次赋予红，绿，蓝色进行合成，可以突出较为丰富的信息，包括水体，山区，平原以及线性特征等， 这一合成方案甚至优于标准假彩色合成,标准假彩色合成TM4，5，3,伪彩色及密度分割,一般的伪彩色变换是由输入的单波段图象通过三个独立的数学变换产生红绿蓝三个组分图象，然后合成伪彩色图象,输入亮度,输出亮度,红,绿,蓝,密度分割,密度分割是伪彩色增强中最简单的一种方法。把图象的亮度分为数目不多的若干层，对每一层赋予不同的颜色,密度分割,彩色变换,在图象处理中通常有2种彩色坐标系统，一是由红R， 绿（G），蓝（B）三原色构成的彩色空间；另一种彩色空间由色调H，饱和度S和强度I三个变量构成的，称为孟赛尔Munsell彩色系统。 RGB HIS 孟赛尔变换 HIS RGBRGB变换,彩色变换,RGB HIS,变换公式,RGB HIS,数字图象增强,对比度增强 空间变换 多波段图象处理 彩色变换 波段运算 多光谱变换,波段运算,多波段图象或多时相图象，完成空间配准后，通过系列运算对图象进行增强，突出不同地物波谱特征或不同时相图象特征的变化。 常用的方法有 比值法 差值法,比值运算,是增强不同岩石、土壤之间差别，研究植被类型及分布的最简便最常用的方法。比值法在增强岩石波谱特征的微小差别的同时，还会消除或减弱地形信息和亮度的差别。 任意一个N波段图象，可能的比值图象个数为NN-1/2, 定义为,其中，a, b是调节因子,比值法消除地形的影响,地形的影响一般是给辐射值加一个乘法因子h，使其亮度变为hx。 H在阴坡和阳坡的数字是不相同的，在图象上形成不同色调。求两波段的比值，就消除了地形的这种影响。 因为太阳方位相背的陡坡及其落影中没有反射的辐射，只有大气散射，相当于一个叠加在地物反射能量上面的附加的辐射量，因而不同波段差别很大，简单的比值可能增加这种差异。修正的比值法,比值法特点,比值在增强波谱特征的同时，也会增强噪声，包括系统噪声和随机噪声。 比值在大于1和小于1的两部分，反映波谱特征的差别的强弱是不一致的。低比值的部分实际上是被压缩了，造成直方图显著右偏。 一般需要做非线性变换，常采用对数变换或反正切变换,0.25,0.75,0.5,1.0,1.5,2,3,4,5,X,Y,两个波段的比值Y/x等值线,波段组合比值,组合比值是以两个或者更多波段的和或差作为分子或分母而求得的比值，主要包括和差比值，交叉比值和标准化比值三种。 和差比值由两个波段的和或差构成的比值，相当对基本比值做非线性扩展,0,1,1,0 1 2 3 4 5,波段组合比值,交叉比值由三个或更多的波段构成的比值，其中分子可分母所包含的波段是不相同的。如,标准化比值以单个波段为分子，所有波段和为分母得出的比值。如果有N个波段。则,相当与两个分母相同的单比值平均， 有利于消除噪声,分母相当于总的亮度或返照率，有利于 区分色调相似而亮度不同的土壤或岩石,最佳比值图象选择,TM有6个波段，可以产生PNN-130种不同组合，三个做假彩色合成，有P/3P-34060种组合方案,最佳指数OIF确定法,SD- 比值的标准差 CC-比值的两两相关系数。 OIF越大，则该三个比值包含的信息量越大，信息的重复或冗余越小,植被指数,多光谱波段经线性和非线性组合构成的对职别有一定指示意义的各种数值，叫植被指数。 植被指数多采用红波段和近红外波段组合为主，其定量测量可表明植被的活力。且植被指数比单波段测量生物量具有更好的敏感性和抗干扰性， 植被指数的发展非为三类 基于波段的线性组合或原始波段的比值RVI，由经验发展而来，没有考虑大气，土壤亮度和颜色影响，也未考虑土壤与植被之间作用的影响。 基于物理知识，将电磁波辐射，大气，植被覆盖和土壤背景的相互作用组合在一起考虑，并通过数学和物理及其逻辑经验及通过模拟将原植被指数不断改进发展PVI, SAVI, MSAVI, NDVI等） 针对高光谱及热红外遥感发展而来的植被指数，如DVI, Ts-VI, PRI 等,光谱特征,健康的绿色植被在Nir和R波段的反射差异比较大，原因在于R对绿色植被来说是 强吸收，Nir则是高反射,常用的植被指数,比值植被指数 RVI是基于原始的波段比值，由经验方法发展而来，比用单波段监测植被更为敏感。但未考虑大气影响土壤亮度、土壤颜色，也未考虑土壤与植被之间作用的影响，严重影响了它的应用，当植被覆盖不够茂盛小于50时），它的分辨能力很弱,归一化植被指数 NDVI对绿色植被表现敏感，常用来进行全球和区域的植被状态进行研究，是目前应用最广泛的植被指数。但其容易受大气、土壤背景等影响，对于研究植被覆盖比较稀疏的地方效果较差,NDVI缺点,1在植被高覆盖区容易饱和。这除了红光通道就容易饱和外主要是基于NIRRed比值的NDVI算式本身存在容易饱和的缺陷； 2没有考虑树冠背景对植被指数的影响； 3NDVI的比值算式和最大值合成算法MVC确实消涂了某些内部和外部噪音。但最终的合成产品仍然有较多噪音,常用的植被指数,权重植被指数 为土壤线的斜率。 垂直植被指数 a, b为可调参数,这两种植被指数的目的是试图排除土壤背景对植被生物量的干扰。PVI虽然能够克服土壤水分含量变化的影响，但它是利用红光和近红外反射辐射直接读取数据，两个波段的漂移都严重影响PVI，即使红光和近红外同步漂移也不例外。NDVI采用比值的方法，使得抗NDVI漂移能力较强。此外，NDVI与PVI在描述植被和土壤悲剧的光谱行为上存在矛盾，因此，Huete提出了土壤调整植被指数,常用的植被指数,土壤调整植被指数 SAVI在独立于传感器的情况下，在描述植被覆盖和土壤背景方面具有很大的优势，可以有效消除平行于土壤线的土壤背景的影响。当植被密度高时，L0.25,当植被密度中等时， L0.5,当植被密度较低时，L1。当使用固定的L0.5值来反映植被密度时，土壤背景得到明显的压缩。相比之下，NDVI容易高估植被量而WDVI容易低估植被量，而SAVI仅在低植被覆盖时略高估，而在高植被覆盖时略低估，因此SAVI是更好的指标。但L需要具有研究区域植被量的先验知识。虽然L0.5时效果比NDVI,PVI效果好，但其常大于红波段的反射率导致缓冲了反射率的正常变动,常用的植被指数,增强植被指数 G为调节因子，一般G2.5，C1, C2为大气调节系数，C16, C27.5。L为土壤调节因子， 通常L1。EVI为MODIS陆地植被指数产品之一。 为了消除大气对植被指数带来的影响，Kanfman1992提出了抵抗大气的植被指数ARVI，它考虑到大气对光谱影响的波段相关性，用红蓝波段的组合替代NDVI中的R波段。基于ARVI，任何植被指数的R波段都可以用红蓝波段的组合替代，达到减小大气影响的效果。增强植被指数充分考虑了大气、土壤对植被指数的影响而提出,其它的植被指数,植被指数,NDVI,RVI,差值法,差值法通常用于提取多时相图象中随时间而变换的信息，例如，城市扩展变化。多波段图象不同波段之间的差别，也可以用差值法加以增强。计算公式为,a, b是调节系数，通常使差值为零的取中间值，大于64的取255， 负值去最小（0），因此通常为a2, b128。 （1）不同季节的图象太阳高度角差别很大，地形起伏明显的地区对地区随时间的变化造成很大影响，因此，先做太阳角改正 （2）不同时相图象的几何方面存在差异，计算差值之前要先做几何配置； （3）差值图象与平均亮度有关，计算差值之前要把两个图象的反差调整到比较一致，如等均值反差扩展,差值法,CBERS02-2004-03-05,TM, 2000-05-04,福州多时相图象,差值法提取土地利用变化,TM85,TM90,差值图象,转换图象,Adaboost ,数字图象增强,对比度增强 空间变换 多波段图象处理 彩色变换 波段运算 多光谱变换,多光谱变换,遥感数据通常是多光谱图象，波段多，信息量大，在图象处理时，常耗费大量的时间，并占据大量的磁盘空间。实际上，遥感数据波段之间都有不同程度的相关性，存在数据冗余。多光谱变换可以通过函数变换，达到保留主要信息，降低数据良，增强或提取有用信息的目的。变换的本质是对遥感图象实现线性变换，使多光谱空间的坐标系按照一定规律进行旋转,多光谱变换,多光谱空间就是一个n维坐标系，每一个坐标轴代表一个波段，坐标值为相应的灰度值，坐标系内的每一个点代表一个像元。像元点在坐标系中的位置可以表示成一个n维向量其中每个分量xi表示该点在第i个坐标轴上的投影。这种多光谱空间只表示各波段之间的关系，而不包括任何该点在图象中的位置信息。它没有图象空间的意义，遥感数据采用的波段数就是光谱空间的维数,主要的变换有 主成分变换； 典型分析； 缨帽变换,主成分变换,主成分变换，在数学上称为K-L变换，是一种在统计特征基础上的多维正交线性变换，通过这种变换后产生一组新的图象。组分的数目可以等于或少于原来波段数。 主成分变换的目的是要将原来多个波段中的有用信息集中到数目近可能少的新的组分图象中，并使这些组分图象之间互不相关，即包含各自不同的地物信息,主成分变换原理,设,其中 ， 求主成分就是寻找X的线性函数 使相应的方差尽可能地大，即,主成分变换原理,由线性代数定理可知 ，且,因此,而且当 时有,主成分变换原理,上述推导表明 的主成分就是以 的特征向量为系数的线性组合，它们互不相关，其方差为 的特征根。 在解决实际问题时，一般不是取P个主成分，而是根据累计贡献率的大小取前k个k P。值得指出的是当协差阵 未知时，可用其估计值S（样本协差阵）来代替。各主成分的贡献率定义为,同理， ，而且,主成分变换的主要特点,经过PCA变换后，新坐标系的坐标轴一定指向椭圆的长半轴和短半轴的方向,主成分变换的主要特点,变换前后方差总和不变，只是把原来的方差不等量地再分配到新的组分图象中。 第一组分取得方差的绝大部分8090，其余各分量很小，且依次减小； 个组分之间相互垂直，即互不相关，因此利于假彩色合成显示不同地物之间的差别； 第一组分一般是原图象各波段的加权和，每个波段的加权值与该波段的方差大小成正比，接近各波段的平均值，反映地物的返照率。 第二组分反映第4，5与6，7波段之间的差别，相当于相关程度较低波段之间的差距,主成分变换的主要特点,第三四组分相关程度较高波段之间的信息或噪声。 第一组分图象包含信息量大，噪声降低，有利于细部特征的提取与分析，适用于进行高通滤波，线性特征增强和提取和密度分割 主成分变换是一种数据压缩技术，即把原来的多变量数据在信息损失最小的前提下，变换为近可能少的新的变量以减小数据的维数,TM影像与特征值,一,二,三,四,六,五,PCA 变换,改进的PCA变换NAPCA,NAPCA变换也称MNF变换，最小噪声分离变换 同主分量变换相似的一种方法，它被用来分离数据中的噪声，确定数据内在的维数，减少随后处理的计算量。 主要有两个步骤 对图象中的噪声进行估计 ，并进行噪声“白化”处理。 一般的PCA变换,典型分析,典型分析是用在训练组取得的分类统计特征基础上的正交线性变换，因而可以用线性变换模式 来表征。问题的关键在于找到合适的变换矩阵C。由选定的训练组得出若干类别的统计数之后，每一类有一个协方差矩阵。把所有各类协方差矩阵平均或合并在一起，得出一个类内类协方差矩阵W，代表每类内部的差距。各类均值向量与整个图象的均值向量之间也存在差异，反映这类差异的是类间协方差矩阵A,典型分析,典型分析满足两个条件 类似主成分那样的坐标轴旋转或坐标变换，使类与类之间的差距在新的坐标轴上最大限度的表现出来，坐标轴之间互不相关； 对坐标轴进行适当调整，使类内每个变换后的组分方差相同。 变换关系为,其中D是一个对角矩阵，类似主成分那样以特征为对角线，作用是保证新的 变量轴之间互不相关。I是单位矩阵，作用是使类内的协方差变小并归一化,典型分析,典型分析后的类内协方差调整到各个轴一致,其它矩阵变换,其它的正交变换有 离散傅立叶变换 哈达玛变换 小波变换 余弦变换,缨帽变换（Kauth-Thomas变换,缨帽变换是一种根据多波段遥感数据的信息结构分析而确定的一种正交变换，其变换公式为 X和Y分别为变换前后的像元矢量， B是变换矩阵。 缨帽变换的应用主要针对MSS和TM数据，它抓住了地面景物，特别是植被和土壤在多光谱空间中的特点，对于陆地卫星在农业方面的应用具有重要的意义,缨帽变换,变换后 结果的前三个分量与地面景物的关系密切y1为亮度，实际是TM的 6个波段的加权和，反映图象总体的返照率。Y2为绿度，从变换矩阵的第2行系数看，波长较长的红外波段5和7，有很明显的抵消，剩下4与1，2，3波段，刚好是近红外与可见光部分的差值，反映了绿色生物量的特征。Y3为湿度，该分量反映了可见光与近红外波段14与波长较长的红外波段5和7波段的差值，而5和7波段对土壤湿度和植被湿度最为敏感，易于反映湿度特征。对于红外波段，没有反映的水体和其他地物，“湿度”值并不代表水分多少,缨帽变换,图中为农作物在生长过程中在植被视面中的位置。其中1为农作物破土前的裸土；2附近为植物的生长，反映出叶子逐渐茂盛阶段，绿度的增加，阴影的扩大，亮度降低；3为植物最茂盛阶段，裸土和阴影几乎全被植物覆盖而使绿度和亮度都增加了，直到4农作物衰老枯萎，绿度迅速降低,植被视面,1、裸土；2、植物的生长； 3、植物最茂盛；4、衰老,缨帽变换,土壤视面除了亮度，又增加了湿度分量。在植物生长过程中，湿度点从1向2点和3点逐渐增加，经过一个恒定过程，再稍许变化。这一平面没有表现出土壤线的线性规律，而是散布在整个土壤视面中,1、裸土；2、植物的生长； 3、植物最茂盛；4、衰老,土壤视面,缨帽变换,过度视面既反映了植被信息又反映了土壤信息。图中所有坐标均没有标明原点，今表示了各分量增长的方向，如果将三个分量立体化可以更加清楚反映出农作物生长过程中的三维形态,过度区视面,1、裸土；2、植物的生长； 3、植物最茂盛；4、衰老,缨帽变换,亮度,绿度,湿度,缨帽变换的主要缺点是它是依赖传感器的，因此其转换系数对每种 传感器是不相同的,知识提升,独立成分分析Independent Component Analysis, ICA 应用了高阶矩信息 核主成分变换Kernel Principal Component Analysis, KPCA线性特征非线性特征