《遥感图像处理-多光谱变换》由会员分享，可在线阅读，更多相关《遥感图像处理-多光谱变换（51页珍藏版）》请在金锄头文库上搜索。
1、遥感图像处理,多光谱变换,图像运算,2019/9/7,邱永红,3,图像运算,图像运算是指对两幅或两幅以上的输入图像的对应像元逐个地进行和、差、积、商的四则运算，以产生有增强效果的图像 图像运算是一种比较简单和有效的增强处理，是遥感图像将增强处理中常用的一种方法 进行代数运算处理的遥感图像必须进行大气辐射校正、噪音抑制、几何配准等预处理,2019/9/7,邱永红,4,加法运算,指两幅或多幅同样大小的图像对应象元的灰度值相加 可用于削弱图像的加性噪声,2019/9/7,邱永红,5,差值运算,指两幅同样大小的图像对应象元的灰度值相减 用于动态监测、运动目标检测和跟踪及目标识别等,2019/9/7,邱
2、永红,6,差值运算,应用 增强在两个不同波段间亮度差异大的目标 检测同一区域内目标的运动变化,TM4TM3,TM41999.9TM42001.9,2019/9/7,邱永红,7,比值运算,两个波段对应像元的灰度值之比或几个波段组合的对应像元灰度值之比 简单比值运算 组合比值运算,2019/9/7,邱永红,8,比值运算,应用 可以扩大不同地物的光谱差异，区分在单波段中容易发生混淆的地物 可以消除或减弱地形阴影、云影影响和植被干扰以及显示隐伏构造等 运用图像相除应注意它的缺点 比值使得原来图像的独立波谱意义不存在了，失去了地物的总的反射强度信息 比值处理常常放大了噪声，因而比值处理前应充分做好消除噪
3、声的工作,2019/9/7,邱永红,9,TM4/TM3可突出植被信息,TM4,TM3,可以扩大不同地物的光谱差异，区分在单波段中容易发生混淆的地物,2019/9/7,邱永红,10,TM5/TM7抑制地形阴影,TM5,TM7,可以消除或减弱地形阴影、云影影响和植被干扰以及显示隐伏构造等,2019/9/7,邱永红,11,植被指数,植被指数(VI, Vegetation Indices)是基于植被在红光波段(R)的强吸收和近红外波段(IR)的强反射，通过这两个波段影像的比值或线性组合来表达植被信息（如叶面指数、植被覆盖度、生物量等）的参考量 差值植被指数 比值植被指数 归一化差值植被指数 绿度植被指
4、数：KT变换中的绿度,2019/9/7,邱永红,12,差值植被指数 DVI,TM432,2019/9/7,邱永红,13,比值植被指数 RVI,TM432,2019/9/7,邱永红,14,归一化差值植被指数 NDVI,TM432,2019/9/7,邱永红,15,植被指数,多光谱变换,2019/9/7,邱永红,17,多光谱变换,多光谱遥感影像，特别是陆地卫星的TM等传感器，波段多，信息量大 数据量太大，在图像处理计算时，也常常耗费大量的机时、占据大量的磁盘空间。 实际上，一些波段的遥感数据之间都有不同程度的相关性，存在着数据冗余。,2019/9/7,邱永红,18,1-蓝 2-绿 3-红,TM,Co
5、rrelation Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Band 1 1.0000 0.9568 0.9380 0.0130 0.8070 0.8454 Band 2 0.9568 1.0000 0.9793 0.1187 0.8486 0.8691 Band 3 0.9380 0.9793 1.0000 0.0803 0.8807 0.8995 Band 4 0.0130 0.1187 0.0803 1.0000 0.0925 -0.0703 Band 5 0.8070 0.8486 0.8807 0.0925 1.0000 0.9594 Ba
6、nd 6 0.8454 0.8691 0.8995 -0.0703 0.9594 1.0000,2019/9/7,邱永红,19,1-蓝 2-绿 3-红,4-近红外,TM,Correlation Band 1 Band 2 Band 3 Band 4 Band 5 Band 6 Band 1 1.0000 0.9568 0.9380 0.0130 0.8070 0.8454 Band 2 0.9568 1.0000 0.9793 0.1187 0.8486 0.8691 Band 3 0.9380 0.9793 1.0000 0.0803 0.8807 0.8995 Band 4 0.0130
7、0.1187 0.0803 1.0000 0.0925 -0.0703 Band 5 0.8070 0.8486 0.8807 0.0925 1.0000 0.9594 Band 6 0.8454 0.8691 0.8995 -0.0703 0.9594 1.0000,2019/9/7,邱永红,20,多光谱变换,多光谱变换方法可通过函数变换，达到保留主要信息、降低数据量，增强有用信息的目的 变换的本质是对遥感图像实行线性变换，使多光谱空间的坐标系按一定规律进行旋转,2019/9/7,邱永红,21,多光谱空间,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，坐标值为亮度值，坐标系内的每一
8、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，即亮度值,2019/9/7,邱永红,22,多光谱变换,通过线性变换，以获得新的波段数据，实现在降低数据冗余、压缩数据量的同时保留主要信息、增强有用信息的目的 本质是对多光谱遥感图像实行线性变换，使多光谱空间的坐标系按一定规律进行旋转,2019/9/7,邱永红,23,多光谱变换,主要方法 主成分变换，Principal Components Transformation 缨帽变换 ,Tasseled Cap Transformation,2019/9/7,邱永红,24,主成分变换,即主
9、成分分析(PCA)、卡夫林列夫变换(KL变换) ，是根据各波段之间的协方差或相关系数构建的一种正交线性变换方法 变换的目的就是把原来多波段图像中的有用信息集中到数目尽可能少的新的主成分图像中，并使这些主成分图像之间互不相关，也就是说各个主成分包含的信息内容是不重叠的，从而大大减少总的数据量并使图像信息得到增加,2019/9/7,邱永红,25,主成分变换的性质和特点,K-L变换是一种线性变换，而且是当取Y的前p（pm）个主成分经反变换而恢复的图像X和原图像X在均方误差最小意义上的最佳正交变换。它具有以下性质和特点 （1）由于是正交线性变换，所以变换前后的方差总和不变，变换只是把原来的方差（方差大
10、说明信息量大）不等量的再分配到新的主成分图像中 （2）第一主成分包含了总方差的绝大部分（一般在80%以上），信息最丰富，图像对比度大，其余各主成分的方差依次减小 （3）变换后各主成分之间的相关系数为零，也就是说各主成分间的内容是不同的，是“正交”的,2019/9/7,邱永红,26,（4）是一种数据压缩和去相关技术，即把原来的多变量数据在信息损失最少的前提下，变换为尽可能少的互不相关的新的变量，以减少数据的维数，便于显示和分析。 （5）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。其余各主成分相当于不同波段组合的加权差值图像。 （6）第一主成分还降低了噪声，有
11、利于细部特征的增强和分析，适用于进行高通滤波，线性特征增强和提取以及密度分割等处理。,（7）在几何意义上相当于进行空间坐标的旋转，第一主成分取波谱空间中数据散布最大的方向；第二主成分则取与第一主成分正交且数据散布次大的方向，其余依此类推。,2019/9/7,邱永红,27,主成分变换,矩阵,其中，m和n分别为波段数（或称变量数）和每幅图像中的像元数；矩阵中每一行矢量表示一个波段的图像,对于线性变换Y=TX，如果变换矩阵T是正交矩阵，并且它是由原始图像数据矩阵X的协方差矩阵S的特征向量所组成，则称此变换为主成分变换,2019/9/7,邱永红,28,主成分变换的具体过程,根据原始图像数据矩阵X，求出
12、它的协方差矩阵S。,（即为第i个波段的均值）,S是一个实对称矩阵,2019/9/7,邱永红,29,主成分变换的具体过程,求S矩阵的特征值和特征向量，并且成变换矩阵T。,2019/9/7,邱永红,30,若以各特征方量为列构成矩阵，即,U矩阵满足：UTU=UUT=I（单位矩阵），则U矩阵是正交矩阵。 U矩阵的转置矩阵即为所求的K-L变换的变换矩阵T。,T=,2019/9/7,邱永红,31,主成分变换的具体过程,逐象元进行变换,将T其代入Y=TX，则：,即,2019/9/7,邱永红,32,主成分变换的应用,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KL变换后，第一，或前二或前三个
13、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，实现数据压缩，也可作为分类前的特征选择。 图像增强 KL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。,2019/9/7,邱永红,33,1-蓝 2-绿 3-红,4-近红外 5-近红外 7-近红外,TM,2019/9/7,邱永红,34,1 2 3,4 5 6,TM PC,2019/9/7,邱永红,35,PC Eigenvalue Percent 1 402.3551 86.93% 2 30.68
14、51 93.56% 3 23.0599 98.55% 4 2.7862 99.15% 5 2.1766 99.62% 6 1.7623 100.00%,2019/9/7,邱永红,36,Inv PC,1 2 3,4 5 6,2019/9/7,邱永红,37,真彩色：TM321,假彩色,TM432 TM741,2019/9/7,邱永红,38,TM PC123,缨帽变换,2019/9/7,邱永红,40,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多时相数据，提出的一种经验性的、固定核的多波段图像的线性组合变换 ，又称K-T变换,2019/9/7,邱永
15、红,41,缨帽变换要点,K-T变换可表示为 其中x为图像象元矢量，R为变换矩阵，c为避免u中出现负值而定义的常向量。不同传感器的数据，R不同,TM数据,2019/9/7,邱永红,42,缨帽变换的物理意义,MSS数据为4波段数据 变换后， u1为“亮度(Brightness)”特征，反映地物总体辐射强度，土壤亮度； u2为“绿度(Greenness)”特征，反映地面植被状况； u3为“黄度(Yellowness)”特征，反映地面黄色物质； u4无明确物理意义。,2019/9/7,邱永红,43,缨帽变换的物理意义,TM数据为6波段数据 变换后， u1为“亮度(Brightness)”特征，反映地物
16、总体辐射强度，土壤亮度； u2为“绿度(Greenness)”特征，反映地面植被状况； 为“湿度(Waterness)”特征，反映地面水体及土壤湿度、植被含水量等 ； U4无明确物理意义。,2019/9/7,邱永红,44,TM数据6波段数据,2019/9/7,邱永红,45,最小噪声分离变换,Minimum Noise Fraction Rotation MNF Rotation,MNF变换,主成分分析与噪声 主成分分析能把多波段影像中的有用信息集中到数目尽可能少的特征影像组，并使不同波段的影像互不相关，从而达到减少数据量的效果。 主成分分析对噪声比较敏感，主成分变换后的影像并不能消除噪声的影响 MNF变换 是以信噪比为衡量标准的线性变换,即最小噪声分离变换。 该方法不但可以将目标等有效信息集中到尽可能少的低维数据
