设x=[x1x2…xN]T是一个N维随机矢量,其各分量的二阶矩存在,进一步假设得到了M个矢量采样x1,x2,…,xM。在实际应用中,可将图像看成随机矢量。
例如,具有N个像素的图像f(m,n)在某个通信信道传输了N次,由于受到随机干扰,接收到的是一个图像样本集合{f1(m,n),f2(m,n),…,fM(m,n)}。对第i次获得的图像fi(m,n),可用一个N维随机列矢量xi表示,从而图像样本集合可表示为{x1,x2,…,xM}。
式中,N表示波段数,M表示每幅图像中像元的个数;矩阵X中每一行表示一个波段的图像。矩阵X中第i个列矢量可看成N伪随机列矢量的样本,记为xi,从而矩阵X可表示为[x1x2…xM]。
对于N维随机列矢量x=[x1x2…xN]T,其均值矢量与协方差矩阵可定义为
式中,Cx是N×N的实对称矩阵,其对角线元素cii为xi的方差,cij为xi与xj之间的协方差,并且cij=cji。进一步,可以证明Cx是半正定的,即对于任意的N维列矢量y=[y1y2…yN]T,有yTCxy≥0。
在实际应用中,mx与Cx可通过样本x1,x2,…,xM来估计,即
由于Cx是半正定的,根据线性代数的知识可知,存在正交矩阵U=[u1u2…uN],使得Cx对角化,即
式中,I为单位矩阵;λ1,λ2,…,λN为Cx的特征根,且λ1≥λ2≥…≥λN≥0;ui为Cx的与λi对应的归一化特征矢量,即
(λiI-Cx)ui=0
随机列矢量x=[x1x2…xN]T的K-L变换定义为
y=UT(x-mx) (2-31)
其反变换为
x=Uy+mx (2-32)(www.xing528.com)
对于遥感多光谱图像,K-L变换略有不同,即
y=UTx (2-33)
其反变换为
x=Uy (2-34)
遥感多光谱图像的K-L变换结果也可用矩阵形式表示,即
经过K-L变换后,UTX的各个行向量依次称为第一主分量、第二主分量、…、第N主分量。UTX的第一主分量包含了X的绝大部分能量信息。
采用式(2-31)对随机列矢量x=[x1x2…xN]T进行K-L变换,得到矢量y。容易验证y的均值矢量my与协方差矩阵Cy分别为
Cy是一个对角矩阵,主对角线的元素就是Cx的特征值,主对角线以外的元素为0,从而,y的各分量之间是不相关的,也就是,K-L变换能够充分去除相关性。由于λi也是Cx的特征值,所以Cy与Cx具有相同的特征值与特征矢量。
K-L反变换式(2-32)可以精确重建x。在很多应用中,取y的前K个分量,把其他分量置为0,得到,用来近似重建x,即
也就是,利用Cx中与K个最大特征值对应的K个特征矢量来近似重建x。容易验证,是x的无偏估计,即
并且,与x之间误差能量(均方误差)为
式(2-36)表明,如果K=N,即利用Cx的所有特征矢量来重建,则两者之间的均方误差为0,可得到精确重建。由于λj是单调递减的,因此,可以根据误差的要求来选取特征矢量的个数K,此外,通过选择对应最大特征值的K个特征矢量可以使得与x之间的均方误差达到最小,即K-L变换是在均方误差最小意义下的最优变换。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。