decorrstretch
解相关延伸应用于多通道图像
描述
例子
输入参数
输出参数
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app
uint8
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nBands
1向量,T
是一个nBands
——- - - - - -nBands
矩阵,米
和m_target
是nBands
1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:
删除一个意味着从每个乐队
可实现每个乐队的标准差(correlation-based方法只有)
旋转的乐队的特征空间
相关系数
或浸
适用于一段
年代
在特征空间,使特征空间中的图像decorrelated和规范化回到最初的旋转band-space,乐队保持decorrelated和规范化
每个乐队根据重新调节
SIGMA_target
恢复一个意味着在每一个乐队。
版本历史
之前介绍过的R2006a