遥感数字图像的主成分分析
遥感图像分析的基本原理与方法
遥感图像分析的基本原理与方法遥感图像分析是一种通过获取和解释地球表面的图像数据来研究地理现象和环境变化的方法。
它利用遥感技术获取的图像数据进行数据处理和分析，以揭示地球的表面特征、变化和趋势。
本文将介绍遥感图像分析的基本原理和方法，并探讨其在地质、环境和农业等领域的应用。
一、遥感图像分析的基本原理遥感图像分析依赖于传感器获取的电磁辐射数据。
电磁辐射是能量在电磁波形式下传播的过程，其波长范围从长波到短波，包括可见光、红外线和微波等。
传感器可以通过不同波段的响应来获取不同的辐射数据，从而得到不同频谱范围内的图像数据。
在遥感图像中，每个像素代表一块地表区域的平均辐射量。
图像数据可以由数字矩阵表示，其中每个像素的灰度值或颜色值表示该区域的辐射强度或反射率。
通过对这些数据进行处理和分析，可以获得地表特征的信息。
二、遥感图像分析的方法1. 预处理遥感图像预处理是为了去除图像中的噪声、增强特征和调整图像的对比度等。
常见的预处理步骤包括去噪、辐射校正、大气校正和几何校正等。
这些步骤可以提高图像质量并准确反映地表特征。
2. 特征提取特征提取是指从遥感图像中提取有用的地物信息。
可以根据图像的灰度、色彩、纹理和形状等特征来区分不同的地物类型。
常用的特征提取方法包括直方图均衡化、主成分分析、变化检测和物体识别等。
3. 分类与识别遥感图像分类是将图像中的像素按照其地物类型划分为不同的类别。
分类可以基于监督或无监督方法进行。
其中，监督分类依赖于训练样本和分类器，而无监督分类则是通过数据的统计分布和聚类分析进行分类。
4. 变化检测变化检测是利用多期遥感图像比较分析同一地区在不同时间的变化情况。
通过对像素之间的差异进行检测和分析，可以揭示地表的变化趋势和时空模式。
变化检测在环境监测、城市规划和资源管理等领域具有重要应用价值。
三、遥感图像分析的应用1. 地质勘探遥感图像分析可以帮助地质学家在不同尺度上研究地球表面的地质结构和岩矿成分。
基于R语言主成分分析的遥感图像分类算法研究
基于R语言主成分分析的遥感图像分类算法研究主成分分析（Principal Component Analysis, PCA）是一种广泛应用于数据降维的统计方法，它可以将高维数据转化为低维数据，同时保留数据的最大方差。
遥感图像分类是通过遥感技术获取的图像进行目标分类和识别的过程。
本文将基于R 语言，探讨如何利用主成分分析来进行遥感图像分类算法研究。
一、引言遥感图像分类是遥感信息处理领域中的一个重要研究内容。
传统的遥感图像分类方法主要基于像元，即将图像分为一个个像元进行分类，但这种方法忽略了像元间的相关性，导致分类结果的精度不高。
因此，本文将尝试利用主成分分析来降低数据维度，并根据降维后的数据进行遥感图像分类，以提高分类的准确性。
二、主成分分析理论主成分分析是一种通过线性变换将数据从原始空间变换到新的空间，使得变换后的数据投影具有最大的方差的统计分析方法。
主成分分析通过计算协方差矩阵的特征值和特征向量，确定新坐标系的基，即主成分。
主成分的数量一般要小于原始数据的维度，可用于数据降维和特征提取。
三、遥感图像分类算法1. 数据预处理首先，需要对遥感图像进行预处理，包括辐射校正、大气校正、几何校正等。
经过预处理后得到的遥感图像可以用于后续的主成分分析和分类算法。
2. 主成分分析使用R语言中的prcomp()函数进行主成分分析。
该函数可以计算出主成分的特征值和特征向量，并按照特征值的大小排序。
选取最大的几个主成分作为新的特征进行数据降维。
3. 分类算法利用降维后的数据进行传统的遥感图像分类算法，如支持向量机（Support Vector Machine, SVM）、随机森林等。
这些分类算法可以根据降维后的数据进行训练，然后用于对新的遥感图像进行分类和识别。
四、实验与结果本文选取了一幅包含土地覆盖类型的遥感图像进行实验。
首先，对图像进行预处理，包括辐射校正、大气校正等。
然后，使用R语言中的prcomp()函数对预处理后的图像进行主成分分析，并选取前几个主成分作为新的特征。
遥感科学与技术envi实验 主成分分析
第4章变换域处理方法实践练习问题：采用landsat5_image.dat进行主成分正变换并采用前3个主成分分量进行反变换，要求记录主要操作步骤。
操作步骤：（1）加载数据启动ENVI，在菜单栏中选择File > Open加载遥感数据landsat5_image.dat，采用真彩色显示图像（图1）。
图1（2）主成分分析在菜单栏中选择Transform > PCA Rotation >Forward PC Rotation New Statistics and Rotate，弹出Principal Components Input File对话框,在该对话框中选择landsat5_image.dat数据，点击OK。
图2（3）计算主成分正变换参数在Forward PC Parameters对话框中，填写正变换参数：1）点击“Stats Subset”按钮可以基于一个空间子集或感兴趣区计算统计信息。
该统计将被应用于整个文件或文件的空间子集。
2）在“Stats X/Y Resize Factor”文本框中键入小于1的调整系数，用于计算统计值时的数据二次采样。
键入一个小于1的调整系数，将会提高统计计算速度。
3）使用箭头切换按钮，选择是根据“Covariance Matrix”（协方差矩阵）还是根据“Correlation Matrix”(相关系数矩阵)计算主成分波段。
4）在“Output Data Type”菜单中，选择所需的输出文件数据类型为“Floating Point”，如图3。
图3点击OK之后，输出forward_pc.dat数据，图4是生成的第一主成分，同时也会弹出PC Eigenvalues对话框，可以看出各主成分的特征值（图5）。
图 4图 5。
遥感数字图像处理教程
遥感数字图像处理教程第一章名词解释1、遥感数字图像（P1）:以数字形式存储和表达的遥感图像2、A/D 转换（P1）：把模拟图像转变成数字图像称为模/数转换，记作A/D 转换3、D/A 转换（P1）：把数字图像转 变成模拟图像称为数/模转换，记作D/A 转换简答题1、模拟图像（照片）与遥感数字图像有什么区别？ （P2） 答表1.1遥感数字图像与印刷照片的区别颜色没有特定的规则，在处理过程「二可以根据需 要通过合成产生多个波段（3-8000） 2、怎么理解图像处理的两个观点？ （P7）答：两种观点是：离散方法的观点和连续方法的观点。
1 .离散方法：图像的存储和表示均为数字形式，数字是离散的，因此，使用离散 方法进行图像处理才是合理的。
与该方法相关的一个概念是空间域。
空间域图像 处理以图像平面本身为参考，直接对图像中的像素进行处理。
2 .连续方法：图像通常源自物理世界，它们服从可用连续数学描述的规律，因此 具有连续性，应该使用连续数学方法进行图像处理。
与该方法相关的一个主要概 念是频率域。
频率域基于傅里叶变换，频率域的图像处理是对傅里叶变换后产生 的反映频率信息的图像进行处理。
完成频率域图像处理后，往往要变换回到空间 域进行图像的显示和对比。
四、论述题1、什么是遥感数字图像处理，主要内容有哪些？ （P2）答：遥感数字图像处理是通过计算机图像处理系统对遥感图像中的像素进行系列 操作的过程。
（1）图像增强：使用多种方法去除噪声，增强显示图像整体或突出图像中的特 定地物的信息，使图像更容易理解、解释和判读。
例：例如灰度拉伸、平滑、锐 化、彩色合成、主成分（K-L ）变换、K-T 变换、代数运算、图像融合照片来自于模拟方式通过摄影系统产生没有像素没有行列结构没有才」推行o 表示投有数据任何点，都没有编号摄影受电黑波谱的成像范围限制遛感数字图像 来自干数字方式 通过扫描和数码相机产生 基本利成单位是像素 具有行和列 可能会观察到扫描行 。
主成分分析在遥感处理中的应用
主成分分析在遥感处理中的应用冯尚荣，陈庆涛（成都理工大学 地球科学学院，四川 成都 ６１００００）摘 要：主成分分析通过对遥感数据不同波段进行降维，得到不同的不相关的线性分量数据，然后提取出贡献率大的分量并且舍弃掉冗余且信息量不大的分量。
之后能够合理的对权重较大的分量数据进行分析。
本文通过对主成分分析的介绍然后说明了主成分分析在遥感影像处理中的具体应用。
具体为首先进行数据压缩来降解遥感数据的维度，达到去掉冗余数据的目的。
随后进行图像增强，最后根据使用者不同需要来进行不同类型的相关分析。
最后根据以上过程来进行实际操作，在进行主成分分析得到协方差矩阵之后处理各分量特征值，可知第一、第二、第三分量贡献率已达到９９．５％，故只需提取前三分量进行分析即可。
关键词：主成分分析；遥感数据；图像增强；分量特征值中图分类号：ＴＰ５７１ 文献标识码：Ａ 文章编号：１００２－５０６５（２０１９）１１－０２５５－２Application of Principal Component Analysis in Remote Sensing ProcessingFENG Shang-rong, CHEN Qing-tao（Ｃｏｌｌｅｇｅ ｏｆ Ｇｅｏｓｃｉｅｎｃｅｓ， Ｃｈｅｎｇｄｕ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ， Ｃｈｅｎｇｄｕ ６１００００， Ｃｈｉｎａ）Abstract: Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ （ＰＣＡ） ｒｅｄｕｃｅｓ ｔｈｅ ｄｉｍｅｎｓｉｏｎ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｄａｔａ ｉｎ ｄｉｆｆｅｒｅｎｔ ｂａｎｄｓ ｔｏ ｏｂｔａｉｎ ｄｉｆｆｅｒｅｎｔ ｕｎｒｅｌａｔｅｄ ｌｉｎｅａｒ ｃｏｍｐｏｎｅｎｔ ｄａｔａ， ａｎｄ ｔｈｅｎ ｅｘｔｒａｃｔｓ ｃｏｍｐｏｎｅｎｔｓ ｗｉｔｈ ｈｉｇｈ ｃｏｎｔｒｉｂｕｔｉｏｎ ｒａｔｅ ａｎｄ ｄｉｓｃａｒｄｓ ｒｅｄｕｎｄａｎｔ ｃｏｍｐｏｎｅｎｔｓ ｗｉｔｈ ｌｉｔｔｌｅ ｉｎｆｏｒｍａｔｉｏｎ． Ａｆｔｅｒ ｔｈａｔ， ｔｈｅ ｃｏｍｐｏｎｅｎｔ ｄａｔａ ｗｉｔｈ ｌａｒｇｅｒ ｗｅｉｇｈｔ ｃａｎ ｂｅ ａｎａｌｙｚｅｄ ｒｅａｓｏｎａｂｌｙ． Ｉｎ ｔｈｉｓ ｐａｐｅｒ， ｔｈｅ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ ｉｓ ｉｎｔｒｏｄｕｃｅｄ， ａｎｄ ｔｈｅｎ ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ ｉｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ ｉｓ ｅｘｐｌａｉｎｅｄ． Ｆｏｒ ｔｈｅ ｆｉｒｓｔ ｔｉｍｅ， ｄａｔａ ｃｏｍｐｒｅｓｓｉｏｎ ｉｓ ｕｓｅｄ ｔｏ ｄｅｇｒａｄｅ ｔｈｅ ｄｉｍｅｎｓｉｏｎ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｄａｔａ， ｓｏ ａｓ ｔｏ ｒｅｍｏｖｅ ｒｅｄｕｎｄａｎｔ ｄａｔａ． Ｔｈｅｎ， ｉｍａｇｅ ｅｎｈａｎｃｅｍｅｎｔ ｉｓ ｃａｒｒｉｅｄ ｏｕｔ． Ｆｉｎａｌｌｙ， ｄｉｆｆｅｒｅｎｔ ｔｙｐｅｓ ｏｆ ｃｏｒｒｅｌａｔｉｏｎ ａｎａｌｙｓｉｓ ａｒｅ ｃａｒｒｉｅｄ ｏｕｔ ａｃｃｏｒｄｉｎｇ ｔｏ ｄｉｆｆｅｒｅｎｔ ｎｅｅｄｓ ｏｆ ｕｓｅｒｓ． Ｆｉｎａｌｌｙ， ｔｈｅ ａｃｔｕａｌ ｏｐｅｒａｔｉｏｎ ｉｓ ｃａｒｒｉｅｄ ｏｕｔ ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ａｂｏｖｅ ｐｒｏｃｅｓｓ． Ａｆｔｅｒ ｔｈｅ ｃｏｖａｒｉａｎｃｅ ｍａｔｒｉｘ ｉｓ ｏｂｔａｉｎｅｄ ｂｙ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ， ｔｈｅ ｅｉｇｅｎｖａｌｕｅｓ ｏｆ ｅａｃｈ ｃｏｍｐｏｎｅｎｔ ａｒｅ ｐｒｏｃｅｓｓｅｄ． Ｉｔ ｃａｎ ｂｅ ｓｅｅｎ ｔｈａｔ ｔｈｅ ｃｏｎｔｒｉｂｕｔｉｏｎ ｒａｔｅｓ ｏｆ ｔｈｅ ｆｉｒｓｔ， ｓｅｃｏｎｄ ａｎｄ ｔｈｉｒｄ ｃｏｍｐｏｎｅｎｔｓ ｈａｖｅ ｒｅａｃｈｅｄ ９９．５％， ｓｏ ｏｎｌｙ ｔｈｅ ｆｉｒｓｔ ｔｈｒｅｅ ｃｏｍｐｏｎｅｎｔｓ ａｒｅ ｅｘｔｒａｃｔｅｄ ｆｏｒ ａｎａｌｙｓｉｓ．Keywords: Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ； Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｄａｔａ； Ｉｍａｇｅ Ｅｎｈａｎｃｅｍｅｎｔ； Ｃｏｍｐｏｎｅｎｔ Ｅｉｇｅｎｖａｌｕｅｓ1 方法主成分分析（Principal Component Analysis，PCA），是一种统计方法，对于原先的所有变量，将重复的变量或者关系紧密的变量删除，建立信息尽可能少的具有代表性的新变量，这些新变量也被称为是主成分是不相关的，而在反映问题的方面尽可能保持原来的信息[1]。
遥感数字图像处理(ERDAS)
• 色彩变换（RGB-IHS）
– 将图像从红绿蓝彩色空间转换到以亮度、色度、 饱和度为定位参数的彩色空间，以便使图像颜 色与人眼看到的更接近。
• 指数计算
– 应用一定的数学方法，将遥感图像中不同波段 的灰度值进行各种组合运算，计算反映矿物及 植被等的常用比率和指数（植被指数，裸露指 数等）
傅立叶变换
植被指数： 水体指数： 建筑指数：
专题制图输出
根据工作需要和制图区域的地别特点，进行地图四面的整体设计，设计内 容也括图幅大小尺寸、图面布置方式、地图比例尺、图名及图例说明等； 需要淮备专题制图输出的数据层，也就是要在窗口中打开有关的图像或图 形文件； 启动地图编辑器，正式开始制作专题地图； 确走地图的内图框，同时确定输出地图所也含的实际区域范围，生成基本 的的制图输出图面内容： 在主要图面内容周围，放置图廓线、格网线、坐标注记，以及图名、图例、 比例尺、指北针等图廓外要素； 设首打印机，打印输出地图。
20 20
250/500/1000
产品
蓝
绿
红
近红外
短波红外
中波红外
热红外
全色
Landsat-7
1
1
1
1
2
1
1
Landsat-5
1
1
1
1
2
1
Spot-4
1
1
1
1
1
Spot-5
1
1
1
1
1
QuickBird
1
1
1
1
1
Modis
36
产品
多光谱数据
PAN数据
备注
全景范围
SPOT-2/4
基于主成分分析的遥感图像分类算法研究
基于主成分分析的遥感图像分类算法研究遥感技术在地理信息系统、城市规划、环境监测等领域有着广泛的应用。
遥感图像分类是将遥感图像中的像素分为具有不同地物类型的像素，在遥感领域中占有十分重要的地位。
主成分分析(PCA)是一种常用的数据降维与特征提取算法，可以在遥感图像分类中提供有效的信息。
一、遥感图像分类及方法遥感图像分类是将遥感图像中的每个像素根据其光谱特征分为特定的类别，如水体、土地、林地和建筑等。
遥感图像分类方法常见的有有监督分类和无监督分类。
有监督分类需要依靠标签，将已知类别的样本输入分类器中进行训练，最后再将遥感图像通过分类器进行分类。
而无监督分类则是不需要标签，直接对图像中相似的像素进行聚类分类。
二、主成分分析作用主成分分析作为一种数据预处理技术，利用原始数据的线性组合，将高维度数据转化为低维度数据，降低了系统的复杂度。
在遥感图像分类中，PCA可以提取出遥感图像中的特征，以便更好地进行分类。
PCA可以消除遥感图像中的冗余信息，减少图像中存在的多余的特征，使分类器更加精确和高效。
三、主成分分析在遥感图像分类中的应用在遥感图像分类中，主成分分析可用于两个方面：特征提取和数据压缩。
首先，主成分分析通过线性变换，将一组高维数据转化为一组低维数据，从而获得一组新的主成分特征，提取出来的特征可以更好地反映不同地物的光谱特征，从而提供了更准确的分类结果。
其次，PCA可以实现数据压缩，减少图像中的不必要信息，使得分类器的训练和分类速度更快，提高分类效率。
四、主成分分析在遥感图像分类中的实现步骤主成分分析在遥感图像分类中的实现步骤如下：1、对于一幅遥感图像，首先需要进行预处理，包括去除干扰噪声、进行边缘增强等处理。
2、采集遥感图像的原始数据，并将其进行去均值处理，即减去均值，这样可以消除相互之间的影响。
3、计算遥感图像数据的协方差矩阵，通过求解协方差矩阵的特征值和特征向量，即可得到主成分。
4、选取主成分，将其投影到特征空间中，获得新的特征向量和子空间，然后采用遥感图像分类算法对其进行分类。
主成分分析
浅析主成分分析法的原理张小丽(武汉大学遥感信息工程学院,湖北武汉,430079)【摘要】图像特征是图像分析的重要依据，获取图像特征信息的操作称为特征提取。
它作为模式识别，图像理解或信息量压缩的基础是很重要的。
在目前的遥感图像处理研究中，多利用光谱特征。
主成分分析也称为K-L变换，是在统计特征基础上的多维（如多波段）正交线性变换，也是遥感数字图像处理中最常用的一种变换算法。
本文就对光谱特征提取的主成分分析方法分析其原理，具体步骤及优缺点。
【关键词】遥感图像；特征提取；光谱特征；主成分分析1 引言以计算机自动分类为研究方向的遥感图像解译技术的一般工作流程是图像预处理、特征提取、特征选择、分类处理。
在这三项工作中，特征提取、特征选择是保证遥感图像分类精度的关键。
遥感图像模式的特征主要表现为光谱特征、纹理特征以及形状特征三种。
特征提取分为光谱特征提取、纹理特征提取，形状特征提取。
光谱特征提取和纹理特征提取分别对应于影像要素级序中的初级和第二级影像要素，目前应用较多的是光谱特征提取。
光谱特征提取常采用K-T变换、K-L变换。
2 光谱特征光谱特征是图像中目标物的颜色及灰度或者波段间的亮度比等。
光谱特征通过原始波段的点运算获得。
光谱特征的特点是，它对应于每个像元，但与像元的排列等空间结构无关。
光谱特征是一种地物区别于另一种地物的本质特征，是组成地物成分、结构等属性的反映，正常情况下不同地物具有不同的光谱特征（在一些特殊情况下会出现同物异谱、同谱异物现象），因此根据地物光谱特征可以对遥感图像进行特征提取。
在遥感图像的所有信息中最直接应用的是地物的光谱信息，地物光谱特性可通过光谱特征曲线来表达。
遥感图像中每个像素的亮度值代表的是该像素中地物的平均辐射值，它随地物的成分、纹理、状态、表面特征及所使用电磁波波段的不同而变化。
3 K-L变换（主成分分析）3.1原理K-L变换即主成分分析。
主成分变换具有方差浓聚、重新分配、数据量压缩的作用，并且可更准确、特征地揭示多波段数据结构内部的遥感信息。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实习8 遥感数字图像的主成分分析
主成分分析（PCA）是用于多波段数据的一个线性变换，变换数据到一个新的坐标系统，以使数据的差异达到最大。
这一技术对于增强信息含量、隔离噪声、减少数据维数非常有用。
ENVI 能完成正向的和逆向的PC 旋转。
一、实验目的
1、了解遥感数字图像主成分分析的原理和方法（参见梅安新教材P123-127）；
2、掌握在ENVI或Idrisi中进行主成分分析的过程和方法（或流程和操作）；
3、深刻理解主成分分析（K-L变换）产生的处理效果、处理意义与实用价值。
二、实验原理
K-L变换是离散Karhunen-Loeve变换（卡洛南-洛伊变换）的简称，又常被称作主成分变换。
它是对某一多光谱图像X，利用K-L变换矩阵A进行线性组合，而产生一组新的多光谱图像Y的操作。
表达式为：Y=AX，式中X为变换前的多光谱空间的像元矢量；Y为变换后的主分量空间的像元矢量；矩阵A是X空间协方差矩阵∑x的特征向量矩阵的转置矩阵。
变换前各波段之间有很强的相关性，变换后输出图像Y的各分量y i之间将具有最小的相关性，新波段主分量包括的信息量不同，呈递减趋势，第一主分量集中了最大的信息量，第二、第三主分量的信息量依次快速递减，最后的分量几乎全是噪声。
三、正向主成分分析的实验操作步骤
正向主成分分析/计算统计值分析的选择：使用Transform\Principal Components\Forward PC Rotation (正向的PC 旋转) \Compute New Statistics and Rotate(计算新的统计值和旋转) 可一次完成转换特征值、协方差、矩阵等的计算，并自动完成主成分的变换，得到特征值曲线图，以及各主成分的图像。
正向的PC 旋转用一个线性变换使数据差异达到最大。
当你运用正向的PC 旋转时，ENVI 允许你计算新的统计值，或将已经存在的统计项进行旋转。
输出值可以存为字节型、浮点型、整型、长整型或双精度型。
你也可以基于特征值抽取PC旋转输出的部分内容，生成只有你需要的PC波段的输出。
一旦旋转完成，将会出现PC特征值图。
显示出每一个输出的PC 波段的差异量。
PC 波段将显示在Available Bands List 中。
这一选项用于计算数据特征值、协方差或相关系数以及PC 正向的旋转。
1 选择Transforms→Principal Components →Forward PC Rotation→Compute New Statistics and Rotate。
2 出现Principal Components Input File 对话框时，选择输入文件。
3 出现Forward PC（Rotation）Parameters 对话框时，在“Stats X/Y Resize Factor”文本框中键入小于1 的调整系数，对计算统计值的数据进行二次抽样。
键入一个小于1 的调整系数，以提高统计计算的速度。
例如，在统计计算时，用一个0.1 的调整系数将只用到十分之一的像元。
（默认值为1，表示用全部像元做计算）
4 若需要，键入一个输出统计文件名。
5 点击按钮，选择是否计算“Covariance Matrix”（点上下箭头图标，还可选相关矩阵）。
计算主成分时，一般选择使用协方差矩阵。
当波段之间数据范围差异较大时，选择相关系数矩阵，并且需要标准化。
6 选用“File”或“Memory”输出。
若选择输出到“File”，在标有“Enter Output Filename”的文本框里键入要输出的文件名；或用“Choose”按钮选择一个输出文件名。
7 从“Output Data Type”菜单里，选择输出类型（字节型，整型，无符号整型，长整型，无符号长整型，浮点型，双精度型）为Floating Point。
8 用下列选项，选择输出PC 波段数。
·限定输出PC 波段数，键入需要的数字，或用“Number of Output PC Bands”标签附近的按钮确定输出的PC 波段数。
默认的输出波段数等于输入的波段数。
·通过检查特征值，选择输出的PC 波段数。
A 点击“Select Subset from Eigenvalues”标签附近的按钮，选择“YES”。
特征值将被计算，出现Select Output PC Bands 对话框，列表显示着每一个波段和其相应的特征值。
同时也为所有波段显示出每个波段中包含的数据变化的累积百分比。
B 在“Number of Output P
C Bands”文本框里，键入一个数字或点击按钮，确定输出的波段数。
特征值大的PC 波段包含最大量的数据差异。
较小的特征值包含较少的数据信息和较多的噪声。
有时，为存储磁盘空间，最好仅仅输出特征值大的那些波段。
C 在Select Output PC Bands 对话框里，点击“OK”。
输出的PC 旋转将只包含你选择的波段数。
例如，如果你选择“4”作为输出的波段数，则只有前4 个波段会出现在你的输出文件里。
9 选择上面一个选项以后，在Forward PC Rotation Parameters 对话框里，点击“OK”为选择的输入文件计算协方差或相关系数和特征值，并进行正向的PC 旋转。
当ENVI 已经处理完毕，将出现PC EigenValues 绘图窗口，PC 波段将被导入Available Bands List 中。
10 比较观察各个成分的图像，信息主要集中在前三个成分，最后一个成分则主要为噪声。
（自己补充）
你可以从Available Bands List列表中选择显示各PC，也可将PC1、PC2和PC3合成RGB显示，
可见色彩非常饱和；PC4、PC5、PC6合成RGB显示，可以看到很多噪声。
（1）变换后可将前三个波段合成或用单波段灰度图显示，并同时打开原来的TM图像的6个波段，比较二者的差异；合成时为了得到好的植被显示效果，变换后的含信息量最多的第一主成分可分别指定为绿通道或红通道。
（2）可见变换后的第一主成分图像十分清楚，第二、三主成分图像其次；从第四主成分图像开始图像模糊不清，到第六主成分图像都剩下些随机的噪声。
（3）在Available Bands List对话框中，用鼠标右击生成的主成分文件名，选Quick Stats可计算生成的每个主成分的统计特征（平均值、最大值、各取值的像元数、累计百分数等），也可用Edit Header编辑头文件（但没出结果）。
11 在主菜单中，选择Basic Tools→Statistics→View Statistics Files，打开主成分分析中得到的统计文件，可以得到各波段的基本统计值、协方差矩阵、相关系数矩阵和特征向量矩阵。
四、思考题
简述主成分分析的作用和在遥感多波段图像处理中的意义。