實驗四
主成分變換和主成分逆變換
一實驗目的
通過本次實習操作，了解遙感影象主成分變換和主成分逆變換的原理和基本變換過程，
掌握有關變換操作的基本方法和步驟，
深刻理解遙感影象主成分變換和主成分逆變換的意義
並對結果進行比較分析。
二實驗原理
k-l變換是離散
karhunen-loeve
變換的簡稱，
又常稱作主成份變換
principal component
analysis
。它是對某一多光譜影象
x，利用
k-l變換矩陣
a進行線性組合，而產生一組新
的多光譜影象
y的操作，表示式為：yax
a的作用是過多波段的像元亮度加權係數，
實現線性變換。由於變換前各波段之間又很強的相關性，經過
k-l變換組合，輸出影象
y的各分量之間將具有最小的相關性。
主成分逆變換
(inverse
principal
components
analysis)
是將經主成分變換獲得的影象重新
恢復到ｒｇｂ彩色空間，
應用時輸入的影象必須是由主成分變換得到的影象，
而且必須有當
時的特徵矩陣(
*.mtx
)參與變換。
三實驗內容
直方圖均衡化；主成份變換；主成分逆變換。
四實驗資料
原始資料影象：
主成分分析
主成分分析 pca 分析乙個隨機向量的中的主成分 主成分一般不是隨機向量中的某乙個分量，而是不同分量的線性組合，根據資訊理論的觀點，資訊的多少與方差有關，所以 主成分是方差最大的幾個成分 主成分分析的方法是求隨機向量的協方差矩陣 用樣本協方差矩陣代替 對於差異較大的資料，可採用相關矩陣代替協方差矩陣...
主成分分析
理論要點 1 主成分分析是一種無監督學習，因此不能用交叉驗證來檢驗誤差 2 在處理資料之前，要對資料做中心化處理 3 p太大的話，做特徵分解用svd 4 一共有min n 1,p 個主成分，因為中心化以後，rank要降一維 5 主成分的載荷向量就是協方差矩陣的特徵向量，對應特徵值最大的是第一主成分，...
主成分分析
1.概念 將一組可能存在相關性的隨機變數轉變成互不相關的隨機變數。這個概念裡有三個地方需要理解清楚。1 隨機變數的指代 在資料集中，每乙個樣本，即將資料集理解成乙個 的話，乙個樣本就是一行，則每一列就是乙個特徵，也就是乙個隨機變數，一列的所有取值就是隨機變數的所有可能取值 說的所有可能取值只針對訓練...