对多通道图像应用去相关拉伸
直线解相关(没有对比拉伸选项)的结果可能包括超出类支持的数值范围的值金宝appuint8
或uint16
(负值,或值超过255
或65535
分别)。在这些情况下,decorrstretch
将输出固定在支持的范围内。金宝app
为类双
,decorrstretch
仅在为的值时夹住输出托尔
,指定线性对比度拉伸,然后夹紧间隔[0 1]
.
可选参数不相互作用,除了线性拉伸通常改变带内均值和带内标准差。因此,当你可以指定TargetMean
和TargetSigma
随着托尔
,其效果将被修改。
去相关拉伸是一种线性的、像素级的操作,具体参数取决于实际和期望(目标)图像统计的值。向量一个
在输入图像的每个频带中包含给定像素值的一个
转换成相应的像素b
在输出图像B
如下:
b = T * (a - m) + m_target
.
一个
和b
是nBands
1向量,T
是一个nBands
——- - - - - -nBands
矩阵,米
和m_target
是nBands
- × 1向量
米
包含图像中每个频带的平均值,或指定的图像像素子集的平均值
m_target
包含每个频带中期望的输出平均值。默认的选择是m_target = m
.
线性变换矩阵T
取决于以下内容:
图像的频带间样本协方差,或指定的图像子集的样本协方差(使用的相同子集米
),用matrix表示浸
每个频带中期望的输出标准差。它可以用一个对角矩阵表示,SIGMA_target
.默认的选择是SIGMA_target =σ
,在那里σ
是包含各波段样本标准差的对角线矩阵。σ
应该从相同的像素计算,被用于米
和浸
,意思很简单:
SIGMA(k,k) =√(Cov(k,k), k = 1,…nBands)
.
浸
,σ
,SIGMA_target
是nBands
——- - - - - -nBands
,以及矩阵相关系数
,λ
,V
下面的定义。
计算的第一步T
是对协方差矩阵进行特征分解吗浸
或者相关矩阵
Corr = inv(SIGMA) * Cov * inv(SIGMA)
.
在基于相关的方法中,相关系数
分解:Corr = V V'
.
在协方差法中,浸
分解:Cov = V V'
.
λ
一个对角矩阵的特征值和V
正交矩阵也能变换吗相关系数
或浸
来λ
.
下一步是计算每个频带的拉伸因子,它是对应特征值的平方根的倒数。定义对角矩阵是很方便的年代
包含拉伸因子的,如:
S(k,k) = 1 /√(k,k)
.
最后,矩阵T
是由任意一个计算出来的
T = SIGMA_target V S V' inv(SIGMA)
(correlation-based方法)
或
T = SIGMA_target V S V'
(covariance-based方法)。
当带方差一致时,两种方法得到相同的结果。
替换T
进入表达式b
:
b = m_target + SIGMA_target V S V' inv(SIGMA) * (a - m)
或
b = m_target + SIGMA_target V S V' * (a - m)
从右到左阅读,你可以看到去相关拉伸:
从每个频带中移除平均值
用标准偏差对每个波段进行归一化(仅用相关法)
将带旋转到特征空间相关系数
或浸
适用于一段年代
在特征空间中,使图像去相关并在特征空间中归一化
旋转回原来的频带空间,在那里频带保持去相关和标准化
根据缩放每个波段SIGMA_target
在每个波段恢复一个平均值。