遥感数字图像处理_遥感影像多光谱变换

输入 1、2、3、4、5、7 六个波段，点击 OK，弹出对话框
文件和影像的导出路径，分别命名为 jingyuan_pcsta 和 jingyuan_pc。然后将变换后的不同 主成分分别加载在不同的窗体中，进行比较。 ②统计值分析：点击 Basic Tools|Statistics|View Statistics File，加载 jingyuan_pcsta，得 出各主成分的特征信息，然后结合对应的影像进行比较。 2、去相关拉伸： 加载子区影像 LT20110727_jingyuan，并以 432 波段合成显示在主窗体中，然后点击 Transform|Decorrelation Stretch，弹出对话框 将会以 4、3、2 波段进行去相关拉伸） ，点击 OK，弹出对话框 ，选择 Display#1（这样 ，
T x [ ij ]M N E ( x mx )( x mx )
式中，Σx 是 N×N 的实对称矩阵，其对角线元素 σii 为 xi 的方差，σij 和 σji 为 xi 与 yi 之间的协方差，并且 σij= σji。进而对于任意的 N 维列向量 y=[y1, y2, …, yN]T，满足半正定性 条件，有 yTΣxy>0。 实际上，mx 与 Σ x 可通过样本 x1, x2, …, xM 来估计，即
mx x 1 M 1 M
x
i 1 M i 1
M
i
x x
i
T
i
mx mx T
根据线性代数理论可知，存在正交矩阵 U=[u1, u2, …, uN]，使得协方差矩阵 Σ x 对角线 化，即
U T U UU T I 0 L 0 1 0 L 0 2 U T xU M M M M 0 L N 0
2 / 10
2011 年遥感数字图像处理 05 次实习报告
②实质：去相关拉伸是对图像的主成分进行对比度拉伸处理，而不是对原始图像进 行拉伸。当然在操作时，只需要输入原始图像就可以了，系统将首先对原始图像进行主 成分变换，并对主成分图像进行对比度拉伸处理，然后进行主成分逆变换，依据当时的 特征矩阵，将图像恢复到 RGB 空间。 4、樱帽变换 Tasseled Cap，又称为 Kauth-Thomas(K-T)变换，是一种特殊的主成分变 化 Y CX A ①变化公式： T 其中 X x1 , x2 , x3 , x4 , x5 , x7 ，对应于 TM 影响的 1、2、3、4、5、7 波段。变换后得到 T Y y1 , y2 , y3 , y4 , y5 , y7 这六个分量正交。 ②意义：y1 代表亮度分量，是 TM 六个波段亮度值的加权和，反映了总体的亮度变 化；y2 代表绿度分量，与亮度分量垂直，是近红外与可见光波段的对比；又称为绿度植 被指数（GVI） ；y3 代表黄度或湿度分量，主要与土壤湿度/水分状况有关；y4 对于 MSS 数据没有意义，而对于 TM 数据代表霾，大气辐射衰减效应。 5、 色彩变换 ①定义：色彩变换是将遥感图像从 RGB 三种颜色组成的彩色空间转换到以亮度（V） 、 色度（H） 、饱和度（S）作为定量参数的彩色空间，以便使图像的颜色与人眼看到的更为 接近。其中，亮度表示整个图像的明亮程度，取值范围是 0～1；色度代表像元的颜色， 取值范围是 0～360；饱和度代表颜色的纯度，取值范围是 0～1。 ②RGB 和 HSV 两种色彩模型可以相互转换，主要有以下两种方法： A）一般方法 B）最简单的 HSV 变换
选择导出路径， 命名为 Decorrelation。 最后将 Decorrelation 影像加载到主窗体中与原影像 进行比较。 3、樱帽变换： ①樱帽变换 : 加载子区影像 LT20110727_jingyuan ，并显示在主窗体中，然后点击 Transform|Tasseled Cap ， 弹 出 对 话 框 ， 选 择 影 像 ，在其中的 Input File
，选择导出路径，命名为 HSV742。
将 HSV742 影像的各个波段加载到主窗口中进行对比分析。 ②RGB 模型转到 HLS：同上面的步骤，只是选择 Transform|Color Transforms|RGB to HLS，将结果命名为 HLS742。 5、自然色彩变换： ①计算影像 spotxs.img 中三个波段的平均值：加载 SPOTS 影像 spotxs.img，并 321 波
3 / 10
2011 年遥感数字图像处理 05 次实习报告
数据准备
1、实习 1 中截取的大小为 512×512 的子区 Landsat TM 影像，LT20110727_jingyuan。 2、SPOT 影像案例数据 spotxs.img。
操作方法及过程
1、主成分变化： ①主成分变化：加载大小为 512×512 的子区影像 LT20110727_jingyuan，以 432 波段 合成显示，然后点击 Transform|Principal Component|Forward PC Rotation|Compute New Statistics And Rotate， 弹出对话框 ， 选择影像 LT20110727_jingyuan， ，选择统计
2011 年遥感数字图像处理 05 次实习报告
实习序号及题 目 实习人姓名 任课教师姓名 实习地点
实习 5. 遥感影像多光谱变换
专业班级及编号 实习指导教师姓名
榆中校区实验楼 A209
09 地基
01 号
实习日期时间
2011 年 11 月 22 日
ቤተ መጻሕፍቲ ባይዱ
实习目的
1、理解主成份变换、去相关拉伸、樱帽变换、色彩变换、自然色彩变换的原理、方 法和操作步骤。 2、掌握利用特征空间视图对影像中若干典型地物（如水体、农田、居民地、道路等） 进行遥感影像分析。
基本原理
1、多光谱空间 ①定义：一个 n 维坐标系，每一个坐标轴代表影像的一个波段，坐标值域等于该波 段像元灰度值的值域。影像的波段数就是对应多光谱空间的维数。多光谱空间又称为影 像的特征空间，相当于 n 个波段影像在 n 维空间中的散点图。 ②特点：多光谱影像中的每个像元点在多光谱空间中都对应于坐标空间中的一个点， 并可以表示为一个 n 维矢量 X。 多光谱空间中像元矢量之间的距离仅反映各像元之间光谱
LT20110727_jingyuan，点击 OK，弹出对话框
Type 中选择 Landsate 5 TM，最后选择导出路径，命名为 Tasseled_Cap。 ②各波段比较：将经过樱帽变换处理的影像 Tasseled_Cap 的 Brightness、Greenness、 Third 三个波段的影像加载到主窗体中，分析各波段的光谱特征。 4、色彩变换： ①RGB 模型转到 HSV：加载子区影像 LT20110727_jingyuan，并 742 波段合成显示在 主窗体中， 然后点击 Transform|Color Transforms|RGB to HSV， 弹出对话框 选择 Display#1，点击 OK，弹出对话框 ，
Y AX
其中 X 为多光谱空间中的各个像元矢量，A 为变换系数矩阵，Y 为变换后生成的各个 主成份分量。经过 K-L 变换后，Y 的各个行向量依次称为第一主成分、第二主成分，…， 第 N 主成分。 第一主成分包含了原影像的大部分信息；第二主成分包含了第一主成分不能表达的 信息，信息量少于第一主成分；第三主成分包含了前两个主成分未能表达的信息，信息 量相应小于第二主成分；其余信息依次分布在其他主成分中，其信息量不断递减，最后 的几个波段的影像上实际仅包含噪声信息。 对于 N 维随机列矢量 x =[x1, x2, …, xM] T， 其对应波段的均值矢量和协方差矩阵可定义 为： mx E[ X ]
式中，I 为单位矩阵；λ1, λ2, ……λN 为 Σx 的特征根（特征值，Eigen Values） ，且 λ1 ≥ λ2 ≥… ≥ λN；ui 为 Σ x 中的与 λi 对应的归一化特征矢量，即
i I x ui 0
用于完成特征值计算的正交矩阵就称为特征矩阵（Eigen Matrix） 。 3、去相关拉伸 ①定义：通过去相关拉伸变换把相关性很高的波段进行去相关拉伸处理，减弱它们 之间的相关性，然后进行拉伸，从而使深色区域的地物差异界线反映得更加清楚。
6、自然色彩变换 ①定义：自然色彩变换就是模拟自然色彩对多波段数据进行变换，输出自然色彩图 像。变换过程中关键是三个输入波段光谱范围的确定，这三个波段依次是近红外、红、 绿，如果三个波段定义不够恰当，则转换以后的图像也不可能是真正的自然色彩。 ②方法：红光波段不动 R=R0；用绿光波段代表蓝光波段 B=G0；新的绿光波段计算方 法 A）平均法：G=(R0+G0+B0)/3 B）加权法：G=(G0×3+B0)/4
实习内容
1、主成分变化： 数据：实习 1 中截取的子区 Landsat TM 影像 LT20110727_jingyuan。 要求：保存并记录特征值和特征值矩阵，比较变换后各个波段的影像特征，说明从 各个波段可以提取的影像信息，根据特征值说明变换后各个波段在影像总信息中的百分 比。 2、去相关拉伸： 数据：实习 1 中截取的子区 Landsat TM 影像 LT20110727_jingyuan。 要求：比较变换前后的影像特征。 3、樱帽变换： 数据：实习 1 中截取的子区 Landsat TM 影像 LT20110727_jingyuan。 要求：比较变换后各个波段的影像特征，注意传感器类型的选择。 4、色彩变换： 数据：实习 1 中截取的子区 Landsat TM 影像 LT20110727_jingyuan。 要求：分析变换后影像各个波段的色彩特征。 5、自然色彩变换： 数据：SPOT 影像案例数据 spotxs.img。 要求：采用以下方法：蓝色采用 b1 波段代替；绿色用（b1+ b2+ b3）/3 波段算法来 实现；红色用 b2 表示。说明参与变换的各个波段影像的光谱特征，比较变换前后的影像 特征，分析变换后影像信息的特点。
r R RG B g G B b RG B RG B
3G B H tan R G R B min R, G, B S 1 V RG B V 3
V max r , g , b 0 如果V 0 S min(r , g , b) V 如果V 0 V 0 如果S 0 60* g b 如果V r S *V br 如果V g H 60* 2 S *V rg 如果V b 60* 2 S *V 如果H 0 H 360
1 / 10
2011 年遥感数字图像处理 05 次实习报告
信息的远近关系，但并不表示像元点之间的空间位置关系。换句话说，在光谱空间中相 近的像元在实际的地理空间中可能相距甚远。 2、主成分变换 Principal Component Analysis（PCA） ，亦称 Karhunen-Loève （K-L）变 换，或霍特林（Hotelling ）变换 ①定义：主成分变换实质上就是在多光谱空间中根据像元灰度矢量散点的空间分布 特征（主要是均值、方差分布）对影像进行平移、旋转变换，使变换后各个坐标轴与影 像多光谱空间变化的主要方向保持一致。 ②意义：主成分变换去除了原影像各个波段之间的相关性，把有用的信息集中到数 目尽可能少的几个主成分影像波段上，从而提高了影像分析的效率。变换后坐标轴的原 点位置取决于多光谱空间中的均值矢量，坐标轴的大小与各个波段方差、协方差成正比。 ③具体操作：多光谱遥感影像主成分变换结果可用矩阵形式表示，即