遥感教程第1-14页¶
目录
There is a tendency for multiband data sets/images to be somewhat redundant wherever bands are adjacent to each other in the (multi-)spectral range. Thus, such bands are said to be correlated (relatively small variations in DNs for some features). A statistically-based program, called Principal Components Analysis, decorrelates the data by transforming DN distributions around sets of new multi-spaced axes. The underlying basis of PCA is described in a link. Color composites made from images representing individual components often show information not evident in other enhancement products. Canonical Analysis and Decorrelation Stretching are also mentioned.
主成分分析¶
我们现在准备概述本教程中讨论的最后两种图像增强类型。两者都适用于信息提取和解释，但与分类分开处理（在本节后面讨论）。我们将首先对主要成分分析或 PCA （也可参见附录C）。（您可以在这里阅读PCA理论的总结，或者直接阅读本页其余部分的评论和图片；该理论很“难”，因此请查看链接，然后决定。）PCA是一个去相关过程，它通过统计的方式重新组织DN值。我们在分析中选择的光谱带数量。在生成这些值时，我们使用了所有七个波段，并要求生成所有七个分量（分量的数目由波段的数目固定，因为它们必须相等）。
实际上，这是第一个组件的正常特征，因为它广泛模拟标准黑白摄影，并且包含场景固有的大部分相关信息。山丘看起来更逼真，因为大多数TM波段的明暗对比度都很低。注意波浪的内部结构，没有任何迹象表明海洋中的泥沙负荷。这个 histogram 第一台PC中有两个峰值。第一个，在左边，构成海洋像素，第二个，在右边，构成陆地像素。
` <>`__1-15: Describe this image relative to, say, the histogram-equalization stretched image seen on the previous page. `ANSWER <Sect1_zanswer.html#1-15>`__
当我们看到 histogram 在第二台PC机中，我们看到，尽管总范围（最大值-最小值）大于第一台PC机，但大多数像素都在49左右的小范围内。因此，按照惯例，第二个pc的方差（方差是标准偏差平方）比第一个pc小。由于大部分像素落在如此窄的范围内，图像显示不好（左下方）。为了使图像可以查看（右下），我们展开（数值拉伸）它，然后对结果应用直方图均衡。此过程（直方图均衡）生成 histogram 其中，最频繁值之间的空间增加，频率较低的值合并并压缩。如果我们不进行这种转换，图像将显示为色调平坦，只有两个灰色水平定义了大部分陆地表面，一个灰色水平定义了海洋。然而，以前很小的差别现在被放大了，在计算机显示器上更容易看到。破波波是唯一一种非常明亮的波。
` <>`__1-16: Make some general observations on how the tonal patterns in PC 2 differ from patterns observed in, for instance, Band TM 3. `ANSWER <Sect1_zanswer.html#1-16>`__
下面PC3图像中的一些灰色模式可以与两种组合的植被类别广泛相关：
明亮的色调来自高尔夫球场和许多农田的球道。稍暗的色调与一些草原、森林或树木区以及沿海沼泽地一致。注意，海滩和海浪几乎都以图案的形式消失了。
断路器完全消失在下面的PC4图像中，而场景的其余部分相当平坦，有几个图案以中灰色显示。
` <>`__1-17: Anything unusual about PC 4 that might be meaningful? `ANSWER <Sect1_zanswer.html#1-17>`__
您可能想知道剩下的PC（通过PC7）是什么样子的，它们是否显示了任何有用的信息。例如，在检查了PC6之后，我们的回答是，我们熟悉的功能确实出现了，但在解释上可能没有什么新功能。请注意，下面图片中的波浪是黑色的-有趣但可能毫无意义；高尔夫球场的图案也是黑色的。
这四张PC图像中的任何三张都可以制作成各种颜色的复合材料，包括蓝色、绿色和红色。总之，24种不同的组合是可能的。在这篇评论的实验中，下一幅由pc 4=蓝色，pc 1=绿色和pc 3=红色组成的图片被证明是最有趣的。在这一版本中，高尔夫球场有一个独特的颜色标志（橙红色）和一个独特的内部结构。大多数其他植被呈现红色到紫色的红色，但是草原 (**v** _）有一个不寻常的颜色，可描述为绿橙色。山丘和山脉较亮的斜坡呈中绿色，而阴影中的一些区域呈蓝色。市区也有深蓝的颜色。海滩酒吧现在变成了绿松石，相邻的破岩带是橄榄绿。
第3页第5节给出了PCA实际应用的非常有指导意义的例子。
PCA的变种称为 规范分析（CA） . 尽管PCA使用所有像素（无论是标识还是类）来派生组件，但在CA中，一个将涉及的像素限制为与预先标识的特征/类关联的像素。这要求在场景中的一到多个区域的图像显示（单波段或彩色合成）中可以识别这些特征（通过照片解释）。这些像素被“屏蔽”为培训站点，正如您将在第1-16页开始的分类讨论中看到的那样。然后，它们的多波段值（在现场区域内）以PCA的方式进行处理。这种选择性的方法被设计用来优化场景中其他地方相同特征的识别和定位。
PCA的另一个用途，主要是作为改善图像增强的手段，被称为 去相关拉伸 （DS）。DS优化了颜色分配，这些颜色在自然色和假色复合材料中不易区分。由于地形和温度的关系，这种跨端相关性的降低强调了较小但通常是诊断性的反射率或发射率变化。第一步是将波段数据转换为至少前三个PC。通过规范化PC向量的方差来重新调整每个组件。然后拉伸每个PC图像，通常遵循高斯模式。然后，拉伸的PC数据被投影回原始通道，这些通道被增强以最大限度地提高光谱灵敏度。
用于生成各种MorroBay图像的idrisi Windows版本不包含DS过程中的最后一步。然而，下面是从互联网上收集到的两个例子。第一幅图显示了一个未知区域的陆地卫星次新世：左边是标准的假彩色合成图；右边是DS图像-这说明了提取和强调左图像中不明显音调差异的能力：
ASTER数据的用户发现去相关扩展在图像显示中特别有效。无论所使用的波段是可见光波段、SWIR波段还是热红外波段，拉伸都是有效的。这三个aster场景（同样是一个未知区域）显示了ds的效果；阅读所用乐队的标题。
PC彩色复合材料与DS彩色复合材料的差异一般不大，但后者的额外统计数据处理往往会带来更好的产品。