decorrstretch
应用去相关拉伸多通道图像
描述
例子
突出森林场景的色差
这个例子展示了如何使用去相关拉伸来通过夸大色差来突出显示森林图像中的元素。
将图像读入工作区。
[X, map] = imread()“forest.tif”）;
应用解相关拉伸使用decorrstretch。
S = decorrstretch(ind2rgb(X,map))，“托尔”, 0.01);
显示原始图像和增强图像。
图imshow(X,map)原始图像的）
图imshow(S)标题(“增强的图像”）
输入参数
输出参数
提示
直接解相关(不带对比度扩展选项)的结果可能包括超出类支持的数值范围的值万博1manbetx
uint8或uint16(负值，或值超过255或65535分别)。在这些情况下，decorrstretch将其输出夹紧到支持的范围。万博1manbetx为类
双，decorrstretch只在为提供值时才钳住输出托尔，指定线性对比度拉伸，然后对间隔进行箝位[0 1]。可选参数不会相互作用，除了线性拉伸通常会改变带向均值和带向标准差。因此，虽然您可以指定
TargetMean和TargetSigma随着托尔，它们的效果将被修改。
算法
去相关拉伸是一种线性的、逐像素的操作，其中特定参数取决于实际和期望的(目标)图像统计值。向量一个包含输入图像的每个波段中给定像素的值一个转换成相应的像素b输出图像中B如下:
b = T * (a - m) + m_target。
一个和b是nBands1向量,T是一个nBands——- - - - - -nBands矩阵,米和m_target是nBands- × 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包含每个波段所需的输出平均值。默认选项为M_target = m。
线性变换矩阵T取决于以下内容:
图像的频带间样本协方差，或指定的图像子集的频带间样本协方差(用于的子集相同)
米)，用矩阵表示浸每个波段的期望输出标准差。这个很方便地用对角矩阵表示，
SIGMA_target。默认选项为SIGMA_target = SIGMA,在那里σ是包含每个波段样本标准差的对角矩阵。σ应该从使用的相同像素计算米和浸，意思很简单:SIGMA(k,k) = sqrt(Cov(k,k)， k = 1，…nBands)。
浸，σ,SIGMA_target是nBands——- - - - - -nBands，矩阵也是如此相关系数，λ,V，定义如下。
计算的第一步T是对协方差矩阵进行特征分解吗浸或者相关矩阵
Corr = inv(SIGMA) * Cov * inv(SIGMA)。
在基于相关性的方法中，
相关系数分解:Corr = V V'。在协方差法中，
浸分解:Cov = V V'。
λ是一个特征值的对角矩阵吗V这个正交矩阵能变换其中之一吗相关系数或浸来λ。
下一步是计算每个波段的拉伸因子，这是相应特征值的倒数平方根。定义对角矩阵很方便年代包含拉伸因子，使得:
S(k,k) = 1 /√((k,k))。
最后,矩阵T是由
T = SIGMA_target V S V' inv(SIGMA)(correlation-based方法)
或
T = SIGMA_target V S V'(covariance-based方法)。
如果波段方差一致，两种方法得到相同的结果。
替换T变成表达式forb：
b = m_target + SIGMA_target V S V' inv(SIGMA) * (a - m)
或
b = m_target + SIGMA_target V S V' * (a - m)
从右向左读，你可以看到解相关延伸:
从每个波段去除平均值
按标准偏差对每个波段进行归一化(仅基于相关性的方法)
旋转带到的特征空间
相关系数或浸应用拉伸
年代在特征空间中，使图像去相关并在特征空间中归一化旋转回原始频带空间，其中频带保持去相关和归一化
重新缩放每个波段
SIGMA_target恢复每个波段的平均值。
