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。
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。