主要内容

decorrstretch

解相关延伸应用于多通道图像

所有的页面崩溃

语法

S = decorrstretch (A)
S = decorrstretch(名称,值)

描述

年代= decorrstretch (一个)解相关延伸适用于RGB或多光谱图像一个并返回结果年代。每个波段的均值和方差年代是一样的吗一个。

解相关延伸的主要目的是视觉增强。解相关拉伸是一种增强图像的颜色差异。

例子

年代= decorrstretch (一个,名称,值)使用名称-值对解相关的控制方面,如目标每个乐队的平均值和标准偏差。

例子

全部折叠

打开生活的脚本

这个例子展示了如何使用解相关延伸突出元素森林图像通过夸大的颜色差异。

读一个图像到工作区中。

[X,地图]= imread (“forest.tif”);

应用解相关延伸使用decorrstretch。

S = decorrstretch (ind2rgb (X,地图),“托尔”,0.01);

显示原始图像和增强的图像。

图imshow (X,地图)标题(原始图像的)

图包含一个坐标轴对象。标题为原始图像的坐标轴对象包含一个类型的对象的形象。

图imshow (S)标题(“增强的图像”)

图包含一个坐标轴对象。标题增强图像的坐标轴对象包含一个类型的对象的形象。

输入参数

全部折叠

图像增强,指定为RGB图像和多光谱图像的大小米——- - - - - -n——- - - - - -nBands。对于一个RGB图像,nBands= 3。

数据类型:单|双|int16|uint8|uint16

名称-值参数

指定可选的双参数作为Name1 = Value1,…,以=家,在那里的名字参数名称和吗价值相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。

R2021a之前,用逗号来分隔每一个名称和值,并附上的名字在报价。

例子:“模式”、“协方差的

解相关方法,指定为逗号分隔组成的“模式”和下面的值。

  • “相关”——使用结构相关矩阵的特征分解。

  • 协方差的——使用结构协方差矩阵的特征分解。

数据类型:字符|字符串

目标输出的平均值乐队,指定为逗号分隔组成的“TargetMean”和一个真正的标量或矢量的长度nBands。默认情况下,TargetMean是一个1 -nBands包含每个乐队的样本均值向量,它保留了前后band-wise意味着解相关。

TargetMean必须的类双,但使用相同的值作为输入图像的像素。例如,如果一个是类uint8,然后127.5将是一个合理的价值。如果值需要被夹到标准输入/输出图像类的范围,它可以影响结果。

数据类型:双

目标标准偏差值输出的乐队,指定为逗号分隔组成的“TargetSigma”和积极的标量或矢量的长度nBands。默认情况下,TargetSigma是一个1 -nBands向量包含每个乐队的样本标准差,而保留了前后band-wise方差解相关。统一的目标标准偏差被忽略(zero-variance)乐队。

TargetSigma必须类双,但使用相同的值作为输入图像的像素。例如,如果一个的类uint8,然后50.0将是一个合理的价值。

数据类型:双

线性对比度拉伸解相关拉伸后,指定为逗号分隔组成的“托尔”和一个数值标量或2-element数值向量类双。指定的值托尔覆盖的价值TargetMean或TargetSigma。如果你不指定托尔默认情况下,然后decorrstretch不执行线性对比度拉伸。

托尔如有相同的意思stretchlim,在那里托尔= [LOW_FRACT HIGH_FRACT]指定图像饱和的分数较低,强度高。如果您指定托尔作为一个标量值LOW_FRACT =托尔和HIGH_FRACT = 1 -托尔,饱和分数较低,强度高。

小的调整托尔能很强烈地影响输出的视觉外观。

数据类型:双

的子集一个用于计算band-means、协方差和相关性,指定为一个包含两个数组单元阵列的像素下标{rowsubs, colsubs}。rowsubs和colsubs向量或矩阵匹配包含行和列下标的大小,分别。

使用这个选项来减少计算量,防止无效或非代表性像素影响转换,或两者兼而有之。例如,您可以使用rowsubs和colsubs排除云层覆盖的领域。如果不指定,decorrstretch使用的所有像素一个。

数据类型:双

输出参数

全部折叠

解相关拉伸图像,作为数字数组返回相同的大小和类图像作为输入,一个。

提示

  • 直解相关的结果(不对比度拉伸选项)可能包括值超出所支持的数值范围类金宝appuint8或uint16(消极的价值观,或值超过255年或65535年分别)。在这些情况下,decorrstretch夹其输出的支持范围。金宝app

  • 为类双,decorrstretch夹子的输出只有当你提供一个值托尔,指定一个线性对比度拉伸之后,夹紧的时间间隔[0 1]。

  • 可选参数不互动,除了一个线性拉伸通常改变band-wise意味着和band-wise标准差。因此,虽然您可以指定TargetMean和TargetSigma随着托尔,他们的影响将被修改。

算法

解相关拉伸是一个线性,pixel-wise操作的具体参数取决于实际和预期的值(目标)图像数据。向量一个包含给定像素的值在每个乐队的输入图像一个转化为相应的像素b在输出图像B如下:

b = T * (- m) + m_target。

一个和b是nBands1向量,T是一个nBands——- - - - - -nBands矩阵,米和m_target是nBands1的向量,

  • 米图像中包含的每个乐队,或您指定的图像像素的一个子集

  • m_target包含所需的输出意味着在每一个乐队。默认选择是m_target = m。

线性变换矩阵T取决于以下:

  • 图像的样本协方差结构,或您指定的图像的一个子集(用于相同的子集米),由矩阵表示浸

  • 在每个乐队的期望输出值的标准偏差。这是方便地表示为一个对角矩阵,SIGMA_target。默认选择是SIGMA_target =σ,在那里σ是对角矩阵包含每个乐队的样本标准差。σ应该从相同的像素被用于计算吗米和浸,这仅仅意味着:

    σ(k, k =√x (k, k), k = 1,……nBands)。

浸,σ,SIGMA_target是nBands——- - - - - -nBands,矩阵相关系数,λ,V下面的定义。

计算的第一步T是执行的协方差矩阵的协浸或相关矩阵

相关系数=发票(σ)* x *发票(σ)。

  • 在correlation-based方法中,相关系数分解:相关系数= Vλ'。

  • 在covariance-based方法中,浸分解:x = Vλ'。

λ是一个对角矩阵的特征值和V正交矩阵的转换相关系数或浸来λ。

下一步是计算每个乐队的拉伸系数,即逆平方根相应的特征值。它是方便定义一个对角矩阵年代包含弹性因素,这样:

S (k, k) = 1 /√(λ(k, k))。

最后,矩阵T计算从

T = SIGMA_target V S V的发票(σ)(correlation-based方法)

或

T = SIGMA_target V S V '(covariance-based方法)。

这两种方法产生相同的结果如果频带方差制服。

替换T成的表达式b:

b = m_target + SIGMA_target V S V '发票(σ)*(米)

或

b = m_target + SIGMA_target V S V ' *(米)

从右到左和阅读,你可以看到解相关延伸:

  1. 删除一个意味着从每个乐队

  2. 可实现每个乐队的标准差(correlation-based方法只有)

  3. 旋转的乐队的特征空间相关系数或浸

  4. 适用于一段年代在特征空间,使特征空间中的图像decorrelated和规范化

  5. 回到最初的旋转band-space,乐队保持decorrelated和规范化

  6. 每个乐队根据重新调节SIGMA_target

  7. 恢复一个意味着在每一个乐队。

版本历史

之前介绍过的R2006a

另请参阅

|