MNF最小噪声分离变换
一、原理:
一、MNF原理:
最小噪声分离变换(Minimum Noise Fraction Rotation,MNF Rotation)工具用于判定图像数据内在的维数(即波段数),分离数据中的噪声,减少随后处理中的计算需求量。MNF本质上是两次层叠的主成分变换。第一次变换(基于估计的噪声协方差矩阵)用于分离和重新调节数据中的噪声,这步操作使变换后的噪声数据只有最小的方差且没有波段间的相关。第二步是对噪声白化数据(Noise-whitened)的标准主成分变换。
二、MNF与PCA对比:
主成分分析(PCA)是遥感数字图像处理中运用比较广泛的一种算法,是在统计特征基础上的多维(多波段)正交线性变换。通过PCA变换,可以把多波段图像中的有用信息集中到数量尽可能少的新的主成分图像中,并使这些主成分图像之间互不相关,从而大大减少总的数据量。但PCA变换对噪声比较敏感,即信息量大的主成分分量,信噪比不一定高,当某个信息量大的主成分中包含的噪声的方差大于信号的方差时,该主成分分量形成的图像质量就差[4, 5], PCA变换用于融合处理并不是为了减少噪声,而是通过该变换,使得多光谱影像在各个波段具有统计独立性,便于分别采用相应的融合策略。针对PCA变换的不足,Green等曾经提出最小噪声分离(MNF)变换,随后,又对MNF变换进行了修改[4, 5],它本质上是含有两次叠置处理的主成分分析。
三、MNF数学推导:
第一步,利用高通滤波器模板对整幅影像或具有同一性质的影像数据块进行滤波处理,得到噪声协方差矩阵CN,将其对角化为矩阵DN,即
式中,DN为CN的特征值按照降序排列的对角矩阵;U为由特征向量组成的正交矩阵。进一步变换公式(1)可得
式中,I为单位矩阵;P为变换矩阵。当P应用于影像数据X时,通过Y=PX变换,将原始影像投影到新的空间,产生的变换数据中的噪声具有单位方差,且波段间不相关。
第二步,对噪声数据进行标准主成分变换。公式为
式中,CD为影像X的协方差矩阵;CD-adj为经过P变换后的矩阵,进一步将其对角化为矩阵DD-adj
式中,DD-adj为CD-adj的特征值按照降序排列的对角矩阵;V为由特征向量组成的正交矩阵。通过以
上2个步骤得到MNF的变换矩阵TMNF,TMNF=PV。
四、结论:
由此可知,MNF变换具有PCA变换的性质,是一种正交变换,变换后得到的向量中的各元素互不相关,第一分量集中了大量的信息,随着维数的增加,影像质量逐渐下降,按照信噪比从大到小排列,而不像PCA变换按照方差由大到小排列,从而克服了噪声对影像质量的影响。正因为变换过程中的噪声具有单位方差,且波段间不相关,所以它比PCA变换更加优越[4]。
MNF最小噪声分离变换相关推荐
- MNF最小噪声分离变换(转)
一.MNF原理: 最小噪声分离变换(Minimum Noise Fraction Rotation,MNF Rotation)工具用于判定图像数据内在的维数(即波段数),分离数据中的噪声,减少随后处理 ...
- 遥感图像处理:最小噪声分离变换(Minimum Noise Fraction Rotation,MNF Rotation)
遥感图像处理:最小噪声分离变换(Minimum Noise Fraction Rotation,MNF Rotation 1.PCA变换 2.MNF 3.PCA和MNF 1.PCA变换 在统计学中,主 ...
- 图像mnf正变换_最小噪声分离(MNF)
最小噪声分离变换(Minimum Noise Fraction Rotation,MNF Rotation)工具用于判定图像数据内在的维数(即波段数),分离数据中的噪声,减少随后处理中的计算需求量.M ...
- 主成分分析、最小噪声分离、缨帽变换和独立成分分析之间的异同
不同点: PCA是通过正交变化将相关变量转换为不相关变量的过程,按照信息量(方差)大小排列: MNF相当于进行两次PCA(第一次对图像噪声进行PCA,第二次对噪声分离后的图像进行PCA),并按照信噪比 ...
- 基于深度神经网络的高光谱影响分类方法研究---MNF+自动编码器+Softmax (准确率比较低,17年的论文)
论文地址 基于深度神经网络的高光谱影响分类方法研究 装备学院学报 遥感影像分类的问题:预处理复杂,高维特征提取困难,分类不够精确等缺陷 首先采用最大噪声分数来降低特征空间维度,然后将自动编码器与sof ...
- 基于 Sentinel-2 卫星数据的像元三分法模型
Github项目 一.基本概念 端元:组成混合像元的纯净地物被称作是端元: 混合像元产生的原因: 传感器的采样频率小于或等于地表空间变异的频率,使得单个像元对应地面的面积较大, 故包含了多种地物类型: ...
- ENVI 混合像元分解
一.混合像元分解的过程 在影像已经完成预处理的前提下(如几何校正.大气校正.去噪等),混合像元分解的一般的过程:首先获取端元波谱(从图像上.波谱库中或者其他来源),然后选择一种分解模型在每个像素中获取 ...
- 遥感相关专业英语词汇汇总
对网络上英语专业词汇进行汇总整理,如下表: 序号 英语基础词汇 摄影测量与遥感专业英语词汇 英语基础词汇 英语基础词汇-生态环境与遥感 1 Absorbed photosynthetically ac ...
- 分类特征的选择和提取
分类特征,指参与遥感分类运算的数据,其数据源既可以是遥感特征信息,也可以是非遥感特征信息如高程.气温等因子.对遥感图像进行分类特征选择和提取,目的是求出一组对分类最有效的特征,它直接关系到分类结果的优 ...
最新文章
- 树莓派应用:摄像头条形码扫描
- 个人在 laravel 开发中使用到的一些技巧(持续更新)
- nmap 添加自定义指纹
- python file operations
- FZU 1019猫捉老鼠
- Leetcode 39 组合总和 (每日一题 20210806)
- 学术之问2018-04-05
- util中注入service
- 【codevs2304】【BZOJ1875】HH去散步,第一次的矩阵加速DP
- C# AE axGlobeControl The 3D Analyst extension has not been enabled.
- 使用PostSharp在.NET平台上实现AOP(转)
- Codeforces Round #446 (Div. 2) D. Gluttony 构造,思维
- Tomcat安装配置(详细步骤)
- [蓝桥杯-138译码器和74hc573锁存器的关系]
- 反射和动态代理的区别
- C程序设计(谭浩强)的几处错误
- git push origin HEAD
- 社区的网络舆情信息监测具体实施方案
- python全双工聊天窗口编程学习之旅
- Android 日历提供器(二)
热门文章
- php通用查询系统excel,Laravel+Excel通用查询填报系统
- 深入解读云场景下的网络抖动
- 学计算机要买什么笔记本,学计算机的买什么笔记本
- 浏览器渲染机制面试_前端面试大全:浏览器渲染原理-文件无法渲染
- cdb.exe的利用
- 开门的磁卡在哪里配_门禁卡能配吗?
- linux 计算标准差,shell计算均值和标准差的工具:datamash
- iOS打开沙盒html,ios 开发中,沙盒目录解释
- VM虚拟机 .vmdk文件,拆分多个文件,合并单个文件
- less函数的使用 c语言,less即学即用