K-L变换也常称为主成分变换(PCA)或霍特林变换,是一种基于图像统计特性的变换,它的协方差矩阵除对角线以外的元素都是零,消除了数据之间的相关性,从而在信息压缩方面起着重要作用。在模式识别和图像处理中一个主要的问题就是降维,在实际的模式识别问题中,我们选择的特征经常彼此相关,在识别这些特征时,数量很多,大部分都是无用的。如果我们能减少特征的数量,即减少特征空间的维数,那么我们将以更少的存储和计算复杂度获得更好的准确性。如何寻找一种合理的综合性方法,使得:1减少特征量的个数。2尽量不损失或者稍损失原特征中所包含的信息。3使得原本相关的特征转化为彼此不相关(用相关系数阵衡量)。K-L变换即主成分分析就可以简化大维数的数据集合。它还可以用于许多图像的处理应用中,例如:压缩、分类、特征选择等。
K-L变换的原理:目的是寻找任意统计分布的数据集合主要分量的子集。基向量满足相互正交性,且由它定义的空间最优的考虑了数据的相关性。将原始数据集合变换到主分量空间使单一数据样本的互相关性(cross-correlation)降低到最低点。
对某一n个波段的多光谱图像实行一个线性变换,即对该多光谱图像组成的光谱空间X乘以一个线性变换矩阵A,产生一个新的光谱空间Y,即产生一幅新的n个波段的多光谱图像。其表达式为Y = AX。式中:X为变换前多光谱空间的像元矢量;Y为变换后多光谱空间的像元矢量;A为一个n×n的线性变换矩阵。
对于K-L变换中的矩阵A,必须满足以下要求:A为n×n正交矩阵,A=[φ1,φ2,φ3,…,φn]。对正交矩阵A来说,取φi为X的协方差矩阵∑x的特征向量,协方差矩阵除对角线以外的元素都是零。变换Y=ATX与反变换X=AY即为K-L变换的变换公式。A的作用实际上对各分量加一个权重系数,实现线性变换。Y的各分量的信息的线性组合,它综合了原有各分量的信息而不是简单的取舍,这使得新的n维随机向量Y能够较好的反映事物的本质特征。
一维K-L变换举例:
第一步:定义协方差矩阵
如果是二维的图像或数据,可以通过行堆叠或列堆叠等方式将其转换为一维。