|
|
Die Bilddaten einer multispektralen Szene zeigen oft große Ähnlichkeit zwischen den Kanälen. Vor allem in benachtbarten Spektralbereichen ist die Korrelation oft hoch. Das bedeutet, dass überschüssige, redundante Information in einer Szene vorhanden ist. Bei manchen Verarbeitungen ist es daher nützlich, die wesentlichen Informationen zu konzentrieren, damit die Spektralunterschiede zu verstärken und die Interpretierbarkeit zu verbessern. Dies führt außerdem zu einer Datenreduktion.
Eine Methode, dies zu erreichen, ist die Hauptkomponentenanalyse (engl. Principal Component Analysis; PCA), auch HKA genannt. Sie leitet aus den vorhandenen Bilddaten neue Datensätze ab, die die unkorrelierten Spektralunterschiede beinhalten.
Die mathematische Ableitung soll hier nicht ausführlich erklärt werden, sondern nur die wesentlichen Merkmale der HKA. Weiterführende Literatur: Kraus (1990), Haberäcker (1991).
Verwendung:
- Klassifikation (nur wenn Originalgrauwerte
nicht
erhalten werden müssen)
- Datenreduktion
- Erzeugung eines synthetischen Farbbildes
Im Folgenden soll die Hauptkomponententransformation annhand eines 2-kanaligen Bildes beschrieben werden . Die Transformation der Originalgrauwerte in neue Grauwerte erfolgt daher in einem 2-dimensionalen Merkmalsraum. Bei einer vollständigen Transformation besitzt der Merkmalsraum so viele Dimensionen wie Kanäle, z.B bei Landsat TM mit 7 Kanälen 7 Dimensionen.
| Home > Lernmodule > Modul 6 |