文本内容:
遥感变换内涵KT遥感KT变换穗帽变换(又称穗帽变换)是一种特殊的主成分分析,和主成分分析不同的是其转换系数是固定的,因此它独立于单个图像,不同图像产生的土壤亮度和绿度可以互相比较随着植被生长,在绿度图像上的信息增强,土壤亮度上的信息减弱,当植物成熟和逐渐凋落时,其在绿度图像特征减少,在黄度上的信息增强这种解释可以应用于不同区域上的不同植被和作物,但穗帽变换无法包含一些不是绿色的植被和不同的土壤类型的信息总体上穗帽变换能够较好的分离土壤和植被他的一个缺点是她依赖于传感器(主要是波段),因此其转换系数对每种遥感器是不同的例如:遥感影像分类特征变量的确定利用穗帽变换矩阵系数可以将南原始六个TM影像波段(去除热红外TM6波段)构成的六维光谱空间转为具有物理意义的亮度、绿度和湿度特征空间穗帽变换的实质是对原始TM影像光谱空间坐标轴进行旋转,使亮度、绿度和湿度特征轴分别平行于南亮度、绿度和湿度这三个物理参数变化引起的像元点在光谱空间的位移方向,同时穿过这些点构成的点群基于穗帽变换的水稻面积遥感估算结果监督分类的主要方法有最大似然法(Maximum LikelihoodClassifier,MLC)最小距离法(Nearest—Mean Classifier)平行六面体法、马氏距离法、光谱角和神经网络方法其中最大似然法是传统单像元分类的基本方法,它考虑各类别的协方差矩阵,如果在有足够多的训练样本及类别分布的先验概率,且数据接近正态分布的条件下,分类精度高但是因为本研究区比较小,所能够选取的样本数量较少,特别是一些较小类地物,基本满足不了最大似然法数据服从正态分布和具有较大数据量样本的条件所以,本研究选用最小距离法进行分类最小距离法是一种常见的监督分类方法,它首先利用训练样本数据计算出每一类的均值向量及标准差向量,然后以均值向量作为该类在特征空间中的中心位置.计算输入图像中每个像元到各类中心的距离,到哪类距离最小,则将该像元归到哪一类这种方法是以距离为判别准则最小距离法具有简单、快速的特点,并且对数据概率分布没有要求,对训练样本数目要求低,不需要类别先验概率,其缺点是没有考虑各类别的协方差矩阵,因此其分类精度受到一定限制。