将去相关延伸到多通道图像
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。
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:
从每个乐队中移除一个平均值
通过标准偏差(仅基于相关的方法)将每个频段标准化
将带旋转到的特征空间corr
或者浸
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
旋转回原始带空间,频段保持去相关并标准化
根据每个波段重新调整SIGMA_target
恢复每个波段的平均值。