主要内容

去脱离

将去相关延伸到多通道图像

页面上倒塌

语法

S = decorrstretch (A)
s = decorrstretch（a，name，值）

描述

年代= decorrstretch (一个）对RGB或多光谱图像应用去相关拉伸一个并返回结果年代．每个频段的平均值和方差年代和in一样吗一个．

去相关拉伸的主要目的是增强视觉效果。去相关拉伸是增强图像色差的一种方法。

例子

年代= decorrstretch (一个，名称,值）使用名称-值对来控制去关联延伸的各个方面，例如每个波段的目标均值和标准偏差。

例子

全部折叠

打开直播脚本

这个例子展示了如何使用去相关拉伸来突出森林图像中的元素，通过夸大颜色差异。

将图像读入工作区。

[X, map] = imread('Forest.tif'）;

应用去序伸展使用去脱离．

S = decorrstretch (ind2rgb (X,地图),'tol', 0.01);

显示原始图像和增强图像。

图imshow（x，地图）标题（'原始图像​​'）

图中包含一个坐标轴。标题为“原始图像”的轴包含一个类型为“图像”的对象。

图imshow（s）标题（“增强的图像”）

图中包含一个坐标轴。具有标题增强图像的轴包含类型图像的对象。

输入参数

全部折叠

要增强的图像，指定为RGB图像或大小的多光谱图像米-经过-n-经过-NBABRS.．对于RGB图像，NBABRS.= 3。

数据类型：单身的|双倍的|int16|uint8.|uint16

名称-值对的观点

指定可选的逗号分隔的对名称,值论点。姓名参数名和价值是相应的价值。姓名必须出现在引号内。可以以任意顺序指定多个名称和值对参数name1，value1，...，namen，valuen．

例子：“模式”、“协方差的

Decourelation方法，指定为逗号分隔对组成“模式”和下列值。

  • '相关性'-利用带间相关矩阵的特征分解。

  • 协方差的- 使用带对带协方差矩阵的特征分解。

数据类型：char|细绳

目标平均值的输出频带，指定为逗号分隔对组成“TargetMean”和一个真正的标量或长度矢量NBABRS.．默认情况下,Targetmean.是一个1 -NBABRS.传染媒介包含每个频带的样本均值，其在去相关性伸展之前和之后保留带明智的装置。

Targetmean.必须是课堂双倍的，但使用与输入图像中的像素相同的值。例如，如果一个是类uint8.,然后127.5将是一个合理的价值。如果需要将值夹紧到输入/输出图像类的标准范围内，它可能会影响结果。

数据类型：双倍的

目标标准差值的输出频带，指定为逗号分隔对组成'targetsigma'和一个正的标量或长度向量NBABRS.．默认情况下,TargetSigma是一个1 -NBABRS.包含每个波段的样本标准差的向量，它保留了去相关拉伸前后的波段方差。对于均匀(零方差)波段，忽略目标标准差。

TargetSigma必须是课程双倍的，但使用与输入图像中的像素相同的值。例如，如果一个是课堂uint8.,然后50．0将是一个合理的价值。

数据类型：双倍的

线性对比拉伸跟随去相关拉伸，指定为逗号分隔对组成'tol'和类中的数字标量或2元素数字向量双倍的．指定值为托尔覆盖价值Targetmean.或者TargetSigma．如果您未指定托尔，然后默认情况下去脱离不进行线性对比度拉伸。

托尔与相同的含义长拉伸， 在哪里tol = [low_fract high_fract]指定图像在低强度和高强度下饱和的比例。如果您指定托尔作为标量值，那么low_fract = tol.和HIGH_FRACT = 1 - Tol，在低强度和高强度下饱和相同的组分。

小调托尔可以强烈地影响输出的视觉外观。

数据类型：双倍的

子集一个用于计算指定为包含两个像素下标阵列的单元数组的频带均值，协方差和相关性{Rowsubs，Colsubs}．rowsubs.和COLSUB.分别包含行下标和列下标的大小匹配的向量或矩阵。

使用此选项可减少计算量，以防止无效或非代表性像素影响转换或两者。例如，您可以使用rowsubs.和COLSUB.排除云层覆盖的区域。如果不指定,去脱离使用所有像素一个．

数据类型：双倍的

输出参数

全部折叠

去相关性拉伸图像，作为与输入图像相同大小和类的数字阵列返回，一个．

提示

  • 直接去序（没有对比拉伸选项的结果）可以包括落在类支持的数值范围之外的值万博1manbetxuint8.或者uint16（负值或超出值255.或者65535分别)。在这些情况下,去脱离将其输出固定到支持范围。万博1manbetx

  • 上课双倍的，去脱离仅在提供值时夹紧输出托尔，指定一个线性对比度拉伸，然后夹紧到间隔[0 1]．

  • 可选参数不相互作用，不同之处在于线性拉伸通常会改变带明智的方式和带明智标准偏差。因此，虽然您可以指定Targetmean.和TargetSigma随着托尔，其效果将被修改。

算法

去相关延伸是线性的像素明智的操作，其中特定参数取决于实际和期望的（目标）图像统计的值。矢量一个在输入图像的每个波段中包含一个给定像素的值一个被转换为相应的像素b在输出图像中B如下：

b = T * (a - m) + m_target．

一个和b是NBABRS.-By-1载体，T是一个NBABRS.-经过-NBABRS.矩阵,米和m_target.是NBABRS.乘以1的向量

  • 米包含图像中或指定的图像像素子集中每个波段的平均值

  • m_target.包含每个频带中所需的输出均值。默认选择是m_target = m．

线性变换矩阵T取决于以下内容：

  • 图像的带 - 带采样协方差，或指定的图像的子集（用于使用相同的子集米），由矩阵表示浸

  • 每个频带中的期望输出标准偏差。这方便地由对角线矩阵表示，SIGMA_target．默认选择是sigma_target = sigma.， 在哪里Sigma.是否包含每个频带的样本标准偏差的对角线矩阵。Sigma.应该从相同的像素被使用米和浸，这意味着简单：

    sigma（k）= sqrt（cov（k，k），k = 1，...，nbands）．

浸，Sigma.,SIGMA_target是NBABRS.-经过-NBABRS.，就像矩阵一样corr，lambda.,V下面的定义。

计算的第一步T是对协方差矩阵进行特征分解吗浸或相关矩阵

Corr = inv(SIGMA) * Cov * inv(SIGMA)．

  • 在基于相关的方法中，corr分解：Corr = V LAMBDA V'．

  • 在协方差法中，浸分解：cov = v lambda v'．

lambda.是特征值和的对角矩阵吗V正交矩阵也变换吗corr或者浸到lambda.．

下一步是计算每个频段的拉伸因子，这是相应特征值的逆平面根。定义对角线矩阵是方便的年代包含拉伸因素，使：

s（k，k）= 1 / sqrt（lambda（k，k））．

最后，矩阵T从两者都计算

t = sigma_target v s v'inv（sigma）(correlation-based方法)

或者

t = sigma_target v s v'（基于协方差的方法）。

如果带差异是均匀的，这两种方法会产生相同的结果。

替代T进入表达b：

b = m_target + sigma_target v s v'inv（sigma）*（a - m）

或者

b = m_target + sigma_target v s v'*（a - m）

并从右到左侧，您可以看到去相关性弹力：

  1. 从每个乐队中移除一个平均值

  2. 通过标准偏差（仅基于相关的方法）将每个频段标准化

  3. 将带旋转到的特征空间corr或者浸

  4. 适用于一段年代在特征空间中，使图像在特征空间中去相关和归一化

  5. 旋转回原始带空间，频段保持去相关并标准化

  6. 根据每个波段重新调整SIGMA_target

  7. 恢复每个波段的平均值。

另请参阅

|

在R2006A之前介绍

图像处理工具箱文档

万博1manbetx

与Matlab引入深度学习

与Matlab引入深度学习

下载电子书