图像mnf正变换_PCA和MNF变换及MNF错误
PCA
和
MNF
变换及
MNF
错误
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。
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,它本质上是含有两次叠置处理的主成分分析。
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
DN=UTCNU
(
1
)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
I=PTCNP
(
2
)式中,
I
为单位矩阵;
P
为变换矩阵,
P=UD-1/2N
。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
CD-adj=PTCDP
(
3
)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-adjDD-adj=VTCD-adjV
(
4
)
式中,
DD-adj
为
CD-adj
的特征值按照降序排列对角矩阵;
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.
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。
MNF
变换融合流程由可知
,
整个
MNF
融合算法和
PCA
融合算法的替换法相似
,
经过以下
5
步完成。
(
1
)
将多光谱影像和带有地理坐标的全色影像进行几何配准,得到与全色影像有相同地理坐标和尺寸
的多光谱影像;(
2
)对多光谱影像进行
MNF
正变换。此时关键是噪声区域的选择,选择区域的不同会带
来融合效果的差异,通常选择性质相似的平面小区域,将小区域统计的噪声运用到整景影像中去;
(
3
)进
行全色影像与
MNF
变换的第一分量
(
MNF1
)
的直方图匹配,使之与第一分量有相同的均值与方差;
(
4
)
用匹配后的高分辨率影像代替第一分量(
MNF1
)。该分量包含了所有波段的共有空间信息,而每个波段
的光谱信息是独特的;(
5
)最后对匹配后的高分辨率影像和
MNF
变换的其它分量(
MNF2
,
MNF3
等)
进行
MNF
反变换,得到空间分辨率提高了的融合影像。
看到错误提示框,是迭代次数太多,初步可判断是不是特征值值太多还是数据本身有问题。
对于是否是特征值太多的问题:可以通过以下方法查看,当将特征值查看按钮设为
yes
,如果进程继续运
行,应该可以看到迭代的曲线,如果没有看到迭代曲线而依然出现上述错误提示框,可以判断是数据有问
题。
针对数据问题:因为我采用的数据是通过除法运算得到的,因为在
ENVI
一般处理分母为
0
是赋值为
nan
的方式,所以基本上可以判断是由于无效值造成的。解决方法就是把无效值掩掉,但是做完掩膜操作没有
成功。那么再考虑从源头做起,就是处理分母为
0
的情况。
处理分母为
0
的问题:我做除法的时候用的是波段运算,由于
bandmath
不会自动判断分母为
0
,一种方
法是编写一个
idl
函数判断简单的方法就是用
envi
自动的
ratios
,这个工具对分母为
0
做了判断。如果不
会用
ratios
,可以先用
bandmath
,不过在相除时候,给分母加一个
0.000001
。
ratios
和
bandmath
都可以
解决上述提示框所出现的错误,只是
ratios
的结果应该要更精确些
图像mnf正变换_PCA和MNF变换及MNF错误相关推荐
- 图像mnf正变换_PCA和MNF变换
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. 针对PCA变换的不足,Green等曾经提出 ...
- 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 ...
- 图像mnf正变换_基于MNF 变换的多元变化检测变化信息的集中
展开全部 (一)基于MNF变换的变化信息集中的基本流程 MNF变换是一种多元62616964757a686964616fe58685e5aeb931333433616234线性统计变换方法,是针对一组 ...
- 图像滤镜艺术--编码基础(Photoshop基础变换的代码实现)
原文:图像滤镜艺术--编码基础(Photoshop基础变换的代码实现) 自从上一篇博客写完之后,到现在已经有段时间了,这段时间不是不想接着写,只是想做的更好了在写出来给大家看呵呵. 今天,我将给大家介 ...
- 图像加密 关于二维Arnold变换,广义Arnold变换和更一般形式变换的练习(Matlab实现)
索引 1. 将其离散化,应用到图像变换,假设图像大小为 N × N N\times N N×N, ( m n ) = ( 1 1 1 2 ) ( i j ) m o d N , i , j = 0 , ...
- 9.4 Python图像处理之图像数学形态学-基于灰度形态学的应用(形态梯度、形态平滑、高帽变换、低帽变换)
9.4 Python图像处理之图像数学形态学-基于灰度形态学的应用(形态梯度.形态平滑.高帽变换.低帽变换) 文章目录 9.4 Python图像处理之图像数学形态学-基于灰度形态学的应用(形态梯度.形 ...
- 数字图像处理-空间域图像增强(一)(图像反转,对数变换,幂次变换、分段线性变换)
空间域增强的第一部分:图像反转,对数变换,幂次变换.分段线性变换 (s:现点值,r: 原点值) 图像反转: 这个无需多说,就是把黑变白,白变黑,拿八位灰度图像来说 表达式:s=255-r 作用:看清暗 ...
- 理解离散傅立叶变换(一. 傅立叶变换的由来)
理解离散傅立叶变换(一) ------傅立叶变换的由来 关于傅立叶变换,不管是书本还是在网上可以非常easy找到关于傅立叶变换的描写叙述,可是大都是些故弄玄虚的文章,太过抽象,尽是一些让人看了就望而生 ...
- opencv-python:16_形态学处理【二】(开操作、闭操作、形态学梯度、顶帽变换、黑帽变换,去除皮肤镜中的毛发噪音、cv2.morphologyEx())
形态学处理[二] 开操作.闭操作.形态学梯度.顶帽变换.黑帽变换 相关函数有:cv2.morphologyEx().cv2.getStructuringElement() 有趣的应用:去除皮肤镜中的毛 ...
最新文章
- Python中的__new__(new函数)
- boost::mp11::mp_map_insert相关用法的测试程序
- 为什么async/await方法不能有lock或Monitor
- @SpringBootApplication(exclude = {DataSourceAutoConfiguration.class}) 注解的作用
- linux ubutu书籍,Ubuntu Linux入门到精通[图书]
- 读取速度500m/s和1000m/s的硬盘,装系统使用起来有区别吗?
- 应用安全测试的发展趋势
- pytorch view()函数
- pb中控件变颜色_基于GDI+技术开发工业仪表盘控件
- 【三维路径规划】基于matlab遗传算法无人机三维路径规划【含Matlab源码 1526期】
- android模拟器模拟nfc功能吗,android – 开始使用NFC模拟器
- Tidabie Tidal Music 潮汐音乐下载转换器
- eNSP路由器启动不了
- 为什么我会感到迷茫? 文/江湖一剑客
- 基于空间句法的城市道路可达性分析
- 一招,提高 Github 成员微信群运营效率
- 广东省第三届职业技能大赛网络安全项目模块B
- 【已解决】Unknown error 1146
- 读 L. S. Stavrianos 之 《全球通史:从史前到21世纪》
- 毕设 老年公寓管理系统
热门文章
- 数电实验三 数据选择器及其应用 任务一:用74151芯片采用降维的方法实现F=ABC+ABD+ACD+BCD; 任务二:用74151芯片采用降维方式实现F=BCD反+BC反+A反D;
- kinit什么意思_kinit
- 2022CCF中国软件大会(CCF ChinaSoft)“系统软件教育”论坛成功召开
- JavaScript实现网页计算器
- postman批量添加 header 小技巧
- Python统计文件夹大小
- EmpireToken创造超级代币
- 快捷指令,自动化脚本工具
- web3.js基础知识简单汇总
- CAD导入卫星地图几种方式