去脱离
将去相关延伸到多通道图像
描述
例子
突出森林场景中的颜色差异
此示例显示如何通过筛选颜色差异来使用去相关性以突出显示林图像中的元素。
将图像读入工作区。
[x，地图] = imread（'Forest.tif'）;
应用去序伸展使用去脱离。
s = decorrstretch（Ind2RGB（X，MAP），'tol'，0.01）;
显示原始图像和增强型图像。
图imshow（x，地图）标题（'原始图像'）
图imshow（s）标题（'增强图像'）
输入参数
输出参数
尖端
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1manbetx
uint8.或者uint16（负值或超出值255.或者65535.， 分别）。在这些情况下，去脱离将其输出夹紧到支持的范围。万博1manbetx上课
双倍的那去脱离仅在提供值时夹紧输出托，指定线性对比度拉伸，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，它们的效果将被修改。
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。矢量一种包含输入图像的每个频带中给定像素的值一种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。
一种和B.是NBABRS.-By-1载体，T.是一个NBABRS.-经过-NBABRS.矩阵，和m和m_target.是NBABRS.- 1个向量，这样
m包含图像中每个频带的平均值，或者在您指定的图像像素的子集中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
m），由矩阵表示COV.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.应该从使用的相同像素计算m和COV.，这意味着简单：sigma（k）= sqrt（cov（k，k），k = 1，...，nbands）。
COV.那Sigma.， 和sigma_target.是NBABRS.-经过-NBABRS.，就像矩阵一样corr那lambda.， 和V.如下定义。
计算的第一步T.是执行协方差矩阵的特征分解COV.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'。在基于协方差的方法中，
COV.分解：cov = v lambda v'。
lambda.是特征值的对角线矩阵和V.是转换的正交矩阵corr或者COV.至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S.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）（基于相关的方法）
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
将乐队旋转到尖锐的空间中
corr或者COV.适用一个伸展
S.在eIgenspace中，将图像留下去相关并在eIgenspace中归一化旋转回原始带空间，频段保持去相关并标准化
按照每个频段重新分配
sigma_target.在每个乐队中恢复平均值。
您还可以从以下列表中选择一个网站：
