decorrstretch
Примените фрагмент декорреляции к многоканальному изображению
Описание
S = decorrstretch(A)A и возвращает результат в S. Среднее значение и отклонение в каждой полосе S эквивалентны в A.
Основная цель фрагмента декорреляции является визуальным улучшением. Декорреляция, простирающаяся, является способом улучшить цветовые различия в изображении.
S = decorrstretch(A,Name,Value)
Примеры
Различия в цвете подсветки в лесной сцене
В этом примере показано, как использовать декорреляцию, простирающуюся, чтобы подсветить, что элементы в лесу отображают путем преувеличения цветовых различий.
Считайте изображение в рабочую область.
[X, map] = imread('forest.tif');Примените декорреляцию, расширяющую использование decorrstretch.
S = decorrstretch(ind2rgb(X,map),'tol',0.01);Отобразите оригинальное изображение и улучшенное изображение.
figure
imshow(X,map)
title('Original Image')
figure
imshow(S)
title('Enhanced Image')
Входные параметры
Выходные аргументы
Советы
Результаты прямой декорреляции (без контрастной опции фрагмента) могут включать значения, которые выходят за пределы числовой области значений, поддержанной классом
uint8илиuint16(отрицательные величины или значения, превышающие255или65535, соответственно). В этих случаях,decorrstretchфиксирует его выход к поддерживаемой области значений.Для класса
double,decorrstretchфиксирует выход только, когда вы вводите значение дляTol, определение линейного контрастного фрагмента, сопровождаемого путем зажима к интервалу[0 1].Дополнительные параметры не взаимодействуют, за исключением того, что линейный фрагмент обычно изменяет и мудрые полосой средние значения и мудрые полосой стандартные отклонения. Таким образом, в то время как можно задать
TargetMeanиTargetSigmaнаряду сTol, их эффекты будут изменены.
Алгоритмы
Фрагмент декорреляции является линейной, мудрой пикселем операцией, в которой определенные параметры зависят от значений фактической и желаемой (целевой) статистики изображений. Векторный a содержание значения данного пикселя в каждой полосе входа отображает A преобразовывается в соответствующий пиксель b в выходном изображении B можно следующим образом:
b = T * (a - m) + m_target.
a и b nBands- 1 вектор, T nBands- nBands матрица и m и m_target nBands- 1 векторизовал таким образом что
mсодержит среднее значение каждой полосы в изображении, или в подмножестве пикселей изображения, которые вы задаетеm_targetсодержит желаемое выходное среднее значение в каждой полосе. Выбором по умолчанию являетсяm_target = m.
Матрица линейного преобразования T зависит от следующего:
Выборочная ковариация от полосы к полосе изображения, или подмножества изображения, которое вы задаете (то же подмножество, как используется для
m), представленный матричнымCovЖелаемое выходное стандартное отклонение в каждой полосе. Это удобно представлено диагональной матрицей,
SIGMA_target. Выбором по умолчанию являетсяSIGMA_target = SIGMA, гдеSIGMAдиагональная матрица, содержащая демонстрационное стандартное отклонение каждой полосы.SIGMAдолжен быть вычислен из тех же пикселей, которые использовались дляmиCov, что означает просто что:SIGMA(k,k) = sqrt(Cov(k,k), k = 1,..., nBands).
Cov\sigma, и SIGMA_target nBands- nBands, как матрицы Corr\lambda, и V, заданный ниже.
Первый шаг в вычислении T должен выполнить собственное разложение любого ковариационная матрица Cov или корреляционная матрица
Corr = inv(SIGMA) * Cov * inv(SIGMA).
В основанном на корреляции методе,
Corrанализируется:Corr = V LAMBDA V'.В основанном на ковариации методе,
Covанализируется:Cov = V LAMBDA V'.
LAMBDA диагональная матрица собственных значений и V ортогональная матрица, которая преобразовывает любой Corr или Cov к LAMBDA.
Следующий шаг должен вычислить фактор фрагмента для каждой полосы, которая является обратным квадратным корнем из соответствующего собственного значения. Удобно задать диагональный матричный S содержа факторы фрагмента, такие, что:
S(k,k) = 1 / sqrt(LAMBDA(k,k)).
Наконец, матричный T вычисляется из также
T = SIGMA_target V S V' inv(SIGMA) (основанный на корреляции метод)
или
T = SIGMA_target V S V' (основанный на ковариации метод).
Эти два метода приводят к идентичным результатам, если отклонения полосы универсальны.
Замена T в выражение для b:
b = m_target + SIGMA_target V S V' inv(SIGMA) * (a - m)
или
b = m_target + SIGMA_target V S V' * (a - m)
и читая справа налево, вы видите, что декорреляция простирается:
Удаляет среднее значение из каждой полосы
Нормирует каждую полосу на ее стандартное отклонение (только основанный на корреляции метод)
Вращает полосы в eigenspace
CorrилиCovПрименяет фрагмент
Sв eigenspace, оставляя изображение декоррелируемым и нормированным в eigenspaceВращается назад к исходному пробелу полосы, где полосы остаются декоррелируемыми и нормированными
Перемасштабирует каждую полосу согласно
SIGMA_targetВосстанавливает среднее значение в каждой полосе.