Embed Size (px)
Citation preview
EC
E/O
PT
I533 Digital Im
age Processing class notes 337 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
La
nd
sa
t Them
atic
Ma
pp
er (TM
) mu
ltisp
ectra
l im
ag
es o
f desert a
nd
ag
ricu
lture
nea
r Yu
ma
, A
rizon
a
TM
1
TM2
TM3
TM4
TM5
TM6
TM7
SEN
SO
RS
Mu
ltisp
ectra
l
rela
tively
low
sp
ectra
l resolu
tion
(ty
pic
ally
50
–10
0n
m) a
nd
sm
all
nu
mb
er (ty
pic
ally
5-1
0) o
f d
iscre
te s
pectra
l ba
nd
s
typ
ica
lly a
cq
uire
d w
ith m
ulti-
pa
th o
r mu
ltiple
, filtere
d o
ptic
al
syste
ms
first s
ate
llite m
ultis
pectra
l sen
sor w
as L
an
dsa
t in 1
97
2
La
nd
sa
t ima
ge s
ize
≈
25
0M
B
Com
mon
“colo
r” im
ag
es, e
.g.
vid
eo o
r ca
mera
ph
oto
s, a
re 3
-b
an
d e
xa
mp
les o
f mu
ltisp
ectra
l im
ag
es
EC
E/O
PT
I533 Digital Im
age Processing class notes 338 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
Com
bin
e b
an
d im
ag
es in
colo
r com
posite
for
inte
rpre
tatio
n
For e
xa
mp
le, C
olo
r Infra
Red
(CIR
) com
posite
uses:
red
colo
r assig
ned
to n
ea
r IR s
en
sor b
an
dg
reen
colo
r assig
ned
to re
d s
en
sor b
an
db
lue c
olo
r assig
ned
to g
reen
sen
sor b
an
d
veg
eta
tion
ap
pea
rs re
d ,
soil a
pp
ea
rs y
ello
w - g
rey,
wa
ter a
pp
ea
rs b
lue - b
lack
EC
E/O
PT
I533 Digital Im
age Processing class notes 339 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
Hyp
ers
pectra
l
rela
tively
hig
h s
pectra
l resolu
tion
(typ
ica
lly
5–10
nm
) an
d la
rge n
um
ber (ty
pic
ally
20
0) o
f n
ea
rly-c
on
tigu
ou
s b
an
ds
typ
ica
lly a
cq
uire
d w
ith a
n im
ag
ing
sp
ectro
mete
r over th
e w
avele
ng
th ra
ng
e 4
00
to
24
00
nm
hig
h s
pectra
l resolu
tion
pote
ntia
lly a
llow
s
hig
h d
iscrim
ina
tion
of s
urfa
ce fe
atu
res
prim
arily
airb
orn
e - e
.g. A
irborn
e V
isib
le-
Infra
Red
Ima
gin
g S
pectro
mete
r (AV
IRIS
) op
era
ted
by N
ASA
/JPL, 1
98
9 - d
ate
first s
ate
llite h
yp
ers
pectra
l sen
sor is
Hyp
erio
n
on
NA
SA
EO
-1, 2
00
0 - d
ate
Hyp
erio
n im
ag
e s
ize
≈
1.1
GB
AvIR
IS h
yp
ers
pectra
l ima
ge c
ub
e o
f Los A
lam
os, N
M (c
ou
rtesy C
hris
B
ore
l, LA
NL)
EC
E/O
PT
I533 Digital Im
age Processing class notes 340 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
Fea
ture
dis
crim
ina
tion
usin
g h
yp
ers
pectra
l ima
gery
0
500
1000
1500
2000
2500400800
12001600
20002400
soilgrass
buildingw
ater
DN
wavelength (nm
)
wa
ter
soil
bu
ildin
g
gra
ss
Airb
orn
e V
isib
le-In
fraR
ed
Ima
g-
ing
Sp
ectro
mete
r (AV
IRIS
) of
Pa
lo A
lto, C
A
EC
E/O
PT
I533 Digital Im
age Processing class notes 341 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
Sp
ectra
l movie
of A
VIR
IS im
ag
e, P
alo
Alto
, CA
0
0.2
0.4
0.6
0.8 1
0.4
0.8
1.2
1.6
22
.4
transmittance
wavelength (µ
m)
CO
2H2O
H2O
H2O
H2O
CO
2
CO
2
CO
2,
H2O
CO
2,
EC
E/O
PT
I533 Digital Im
age Processing class notes 342 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
DA
TA R
EPR
ESEN
TATIO
N
•K
-dim
en
sio
na
l sp
ace fo
rmed
by D
Ns in
K s
pectra
l ba
nd
s o
f a
mu
lti- or h
yp
ers
pectra
l ima
ge
•K
-dim
en
sio
na
l colu
mn
vecto
r
pix
el a
t (i,j):
DN
ijK[
]D
Nij1
DN
ij2 …D
NijK
T=
DN
ij1
DN
ij2
…D
NijK
=
EC
E/O
PT
I533 Digital Im
age Processing class notes 343 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
Exa
mp
le m
ults
ipectra
l da
ta v
ecto
r at p
ixel p
for
3-b
an
ds
DN
p3
DN
p1
DN
p2
DN
p
DN
p1
DN
p2
DN
p3
=
DN
3
DN
1D
N2
•In
thre
e d
imen
sio
ns, e
ach
p
ixel p
lots
as a
vecto
r
•D
ata
sp
ace is
qu
an
tized
into
(2
Q
)
K
volu
me
ele
men
ts, o
r “b
ins”
With
3 b
an
ds a
nd
8 b
its/p
ixel,
nu
mb
er o
f possib
le d
ata
vecto
rs
25
6
3
= 1
6,7
77
,21
6
With
20
0 b
an
ds a
nd
11
bits
/pix
el,
nu
mb
er o
f possib
le d
ata
vecto
rs =
20
48
20
0
EC
E/O
PT
I533 Digital Im
age Processing class notes 344 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
K-d
imen
sio
na
l his
tog
ram
•th
e v
alu
e o
f his
t
DN
at a
pa
rticu
lar
DN
vecto
r is th
e n
um
ber o
f pix
els
th
at h
ave th
at v
ecto
r
•sca
lar fu
nctio
n o
f a v
ecto
r
histDN
countD
N(
)N⁄
=P
DF
DN
()
≈
EC
E/O
PT
I533 Digital Im
age Processing class notes 345 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
Sca
tterg
ram
s a
nd
Sca
tterp
lots
•Sca
tterg
ram
is g
reyle
vel v
isu
aliz
atio
n o
f K-D
his
tog
ram
sca
tterg
ram
in 2
-D
Note
, the “
fea
ture
s” in
sca
tter-s
pa
ce, c
orre
sp
on
din
g to
ob
jects
in im
ag
e s
pa
ce
DN
2
DN4
DN3
DN
2D
N3
DN4
1800
1600
1400
1200
1000
800
600
400
2000
pixels
pixels
DN2D
N3
0 200
400
600
800
1000
1200
1400
1600
1800600500400300
200
1000
pixels
pixels
DN2D
N4
0 100
200
300
400
500
600400
350
300
250
200
150
100500
pixels
pixels
DN3D
N4
0 50 100
150
200
250
300
350
400
EC
E/O
PT
I533 Digital Im
age Processing class notes 346 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
•Sca
tterp
lot is
a b
ina
ry
plo
t of th
e K
-D
his
tog
ram
Exa
mp
le fo
r K =
3 v
iew
ed
from
diffe
ren
t dire
ctio
ns
70
60
50
40
30
20
100
70
6050
4030
2010
0
180
160
140
120
100
80
60
40
20
0
DN4
DN4
DN
2
DN3
•
•
•• •
•••• •
•
• ••
•
•••• ••
•
• •
•
••
•• ••• •
• •••
•
•
•
••
•• ••
•
•
•
•
•
•
••
••
•
•
• • • •• •
•• •••
• ••
•
• ••
•
••
••
•
•
• •
•• •
•• •
•
• ••• •• ••
••• •• •
•
•• •• ••
•• •
• • • •
•
••
•
•
••
•
•
•
• • •
•
••
••
•
•
•
••••
•
•
•
• • ••• •• • •
•
•
•• •
•• •
• ••
••
•
•••
•
•
•
• •• •• • ••
• •• •
••
•
•
••
• • ••
•
•
•• • • ••
••
••••
• •
•
•••
••• •
••
•
•
• •
••
•
•
••
••••
•
•
•
••
•••
••
•
•• ••• ••
•
•• •
• • •••
•
••
•
• •
•
•• ••
• • •
• • ••• •••
•
•••
••••
•• ••
• •••
••
••
• •
•
•
•• •
•
•••
•• ••
• ••• •
•
•
•
••• •
•••
•• •
••
••
•
••
•••
•
• •
•
•
•
•
•
••
•• •• •
••
•
• ••
••
•
0
20
40
60
80
100
120
140
160
180
7060
5040
3020
100
7060
5040
3020
100
180
160
140
120
100806040200
DN4
DN4
DN2D
N3
• •
• ••
•
•• •• ••
•
••• •
•
••
•
•••
•
•
•
•
••• ••
•
•
•• •
•••• • •••
•
• •• •• •
•
•• •
•
••••
•
• •
• •
•
•
•
••
••
•
• •
•
•
••
••
•
••• •
•• ••
••
••
••• •
••• • ••
•
•
•
•
••
•
•••• •
••
••
•
••
•
•
•
•
••
• • ••
•
•
• ••
•
•
••
•
••
•
• • •
•
••
•
•• •
•
•
•
•
••
• • •••• •• •
•
• •• •• •
•
••
•
•
• ••
•
••
•
•
••
•
• ••
•
•
• •
•
•
•
•
•• ••• •
•• •• •• •
•
•
•
•
• ••••
•••
•
•
•
•
••
•
••
••• ••
•
••
•
•
• ••• • •••
• ••
••
••
••
• •
••
•
•
•• •
••••
•
•
• ••••
•
•
•
•
• •••
••
• •••••
•
• •
•
•
•
••
•
•
••••
•
•
••
•
•
• • •••
•
•••
•
••
•
•
•
•
••
•
•
•
•
• •• •• •
••
•
•
•
•
•••••
•
•••
••
•• •
•
•
•
0 20 40 60 80 100
120
140
160
180
70
6050
4030
2010
0
7060
5040
3020
100
180
160
140
120
100806040200
DN4
DN4
DN2
DN
3
• •
• ••
•
•• •• ••
•
••• •
•
••
•
•••
•
•
•
•
•• • •
•
•
•
•• •
•••• • •••
•
• •• •• •
•
•• •
•
••••
•
• •
• •
•
•
•
••
••
•
• •
•
•
••
••
•
••• •
•• ••
••
••
••• •
••• • ••
•
•
•
•
••
•
• ••• •
••
••
•
••
•
•
•
•
••
• • ••
•
•
• ••
•
•
••
•
••
•
• • •
•
••
•
•• •
•
•
•
•
••
• • •••• ••
•
•
• •• •
• •
•
••
•
•
• ••
•
••
•
•
••
•
• ••
•
•
• •
•
•
•
•
•• ••• •
•• •• •• •
•
•
•
•
• ••••
••
•
•
•
•
•
••
•
••
••• ••
•
••
•
•
• ••
• • •••
• ••
••
••
••
• •
••
•
•
•• •
••••
•
•
• ••••
•
•
•
•
• •••
••
• •••••
•
• •
•
•
•
••
•
•
••••
•
•
••
•
•
• • •••
•
•••
•
••
•
•
•
•
••
•
•
•
•
• •• •• •
••
•
•
•
•
••
•••
•
•••
••
•• •
•
•
•
0 20 40 60 80 100
120
140
160
180
EC
E/O
PT
I533 Digital Im
age Processing class notes 347 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
•2
-D s
ca
tterp
lot o
bta
ined
by p
roje
ctin
g 3
-D s
ca
tterp
lot
ca
n a
lso b
e o
bta
ined
by th
resh
old
ing
the 2
-D s
ca
tterg
ram
7060
5040
3020
100
7060
5040
3020
100
180
160
140
120
100806040200
DN4
DN4
DN2D
N3
• •
• ••
•
•• •• ••
•
••• •
•
••
•
•••
•
•
•
•
••• ••
•
•
•• •
•••• • •••
•
• •• •• •
•
•• •
•
••••
•
• •
• •
•
•
•
••
••
•
• •
•
•
••
••
•
••• •
•• ••
••
••
••• •
••• • ••
•
•
•
•
••
•
•••• •
••
••
•
••
•
•
•
•
••
• • ••
•
•
• ••
•
•
••
•
••
•
• • •
•
••
•
•• •
•
•
•
•
••
• • •••• •• •
•
• •• •• •
•
••
•
•
• ••
•
••
•
•
••
•
• ••
•
•
• •
•
•
•
•
•• ••• •
•• •• •• •
•
•
•
•
• ••••
•••
•
•
•
•
••
•
••
••• ••
•
••
•
•
• ••• • •••
• ••
••
••
••
• •
••
•
•
•• •
••••
•
•
• ••••
•
•
•
•
• •••
••
• •••••
•
• •
•
•
•
••
•
•
••••
•
•
••
•
•
• • •••
•
•••
•
••
•
•
•
•
••
•
•
•
•
• •• •• •
••
•
•
•
•
•••••
•
•••
••
•• •
•
•
•
0 20 40 60 80 100
120
140
160
180
DN
2
DN
3
•••••
••
•
•
•
•
•
•
•
•
•••••
•
•
••••
•••
•
•
••
•
••
•
••
•
••
•
•
••
•
•
••
•
•
•
••
•••
•
••
•
••
•
•
••
•
•
••
•
•
•
••
•
•
•
•
•
••
•••
••••
•
•
•
•
• •
•
•
•
•
•
•
•
•
•
•
•
• •
•
•••
•
••
•
••
•••
•
•
•
•
••
•
•
•
•• •
•
•
•
••
•
••
•
•
•
••
•
•
•
•
•
••
••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
••
•
•
•
••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
••
•
••
•
• •
•
•
•••
•
•
•
••
•
•
•
•
•••
•
•
•
•
•
•
•
•
•
•
•••
•
•
•••
•
•
••
•
•
••
•••
•
•
•
•••
•
•
••
•
•
•
••
•
•
•
•
•
•
• •
•
•
•
•
•
•
••
•
•
•
•
•
•
••
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
• •
•
••
•
•
••
•
•
•
•
••
•
•
•
•
•
• •
•
•
••
•
••
••
•
•
••
•
•
•
•
•
•
••
•
•
• •••
••
•
•
•
010
2030
4050
6070
0 10 20 30 40 50 60 70
7060
5040
3020
100
7060
5040
3020
100
180
160
140
120
100806040200
DN4
DN4
DN2D
N3
• •
• ••
•
•• •• ••
•
••• •
•
••
•
•••
•
•
•
•
••• ••
•
•
•• •
•••• • •••
•
• •• •• •
•
•• •
•
••••
•
• •
• •
•
•
•
••
••
•
• •
•
•
••
••
•
••• •
•• ••
••
••
••• •
••• • ••
•
•
•
•
••
•
•••• •
••
••
•
••
•
•
•
•
••
• • ••
•
•
• ••
•
•
••
•
••
•
• • •
•
••
•
•• •
•
•
•
•
••
• • •••• •• •
•
• •• •• •
•
••
•
•
• ••
•
••
•
•
••
•
• ••
•
•
• •
•
•
•
•
•• ••• •
•• •• •• •
•
•
•
•
• ••••
•••
•
•
•
•
••
•
••
••• ••
•
••
•
•
• ••• • •••
• ••
••
••
••
• •
••
•
•
•• •
••••
•
•
• ••••
•
•
•
•
• •••
••
• •••••
•
• •
•
•
•
••
•
•
••••
•
•
••
•
•
• • •••
•
•••
•
••
•
•
•
•
••
•
•
•
•
• •• •• •
••
•
•
•
•
•••••
•
•••
••
•• •
•
•
•
0 20 40 60 80 100
120
140
160
180
7060
5040
3020
100
7060
5040
3020
100
180
160
140
120
100806040200
DN4
DN4
DN2D
N3
•
•
•• •
•••• •
•
• ••
•
•••• ••
•
• •
•
••
•• ••• •
• ••• •
•
•
••
•• ••
• •
•
•
•
•••
••
•
•
• • • •• ••• •••
• ••
•
• ••
•
••
•
•
•
•
• •
•• •
•• •
•
• ••• •• ••
••• •• •
•
•• •• ••
•• •
• • • •
•
••
•
•
••
•
•
•
• • •
•
••
••
•
•
•
•••••
•
•
• • ••• •• • •
•
•
•• •
•• •
• ••
••
•
•••
•
•
•
• •• •• • ••••• •
••
•
•
••• • •
•
•
•
•• • • ••
•• ••••
• ••
•••
••• •
••
•
•
• •
••
•
•
••
••••
•
•
•
••
•••
•
••
•• ••• ••
•
•• •
• • •••
•
••
•
• •
•
••••
• • •
• • ••• •••
•
••••
•••
•• ••
• •••
••
••
• •
•
•
•• •
•
•
••••
••
• ••• ••
•
•
••• •
•••
•• •
••••
•
• ••
•••
• •
•
•
•
•
•
••
•• •• •
••
•
• • •
•
•
•
0 20 40 60 80 100
120
140
160
180
7060
5040
3020
100
180
160
140
120
100806040200
DN
4
DN
3
• •
• ••
•
••
•• ••
•
••• •
•
•
••
•••
•
•
•
•
•• • •
••
•
•• •
•••• • •••
•
• •• •• •
•
•• •
•
•••
••
• •
• •
•
•
•
••
•
•
•
• •
•
•
••
••
•
••• •
•• ••
••
••
••• •
••
• • •••
•
••
••
•• •
•• •
••
••
•
• •
•
•
•
•
••
• • ••
•
•
• ••
•
•
••
•
••
•
• • •
•
••
•
•• •
•
•
•
•
••
• • •••• •• •
•
• •• •
• •
•
••
•
•
• ••
•
••
•
•
••
•
• ••
•
•
• •
•
•
•
•
••
••• •
•• •
• •• •
• •
•
•
• ••••
••
•
•
•
•
•
••
•
••
•••
••
•
• •
••
• ••
• • •••
• ••
••
••
••• •
••
•
•
•• •
••••
•
•
• ••••
•
•
•
•
• • ••
••
• ••••
•
•• •
•
•
•
••
•
•
••••
•
•
••
•
•
• • •••
•
•••
•
• •
••
•
•••
•
•
•
•• •• •• •
••
•
•
•
•
••
•••
•
•••
••
•• •
•
•
•
7060
5040
3020
100
DN
4
DN
2
•
• •
••
•
• •• • •• •
•
••
•••
•
•
•• •• •
•••
•••
••• • •
•
•
• ••
••
••
•• •• •
•
• •••••
•
• •• ••••
• ••
•
•
••
•••
••
•
•••
•• •• •• • ••• •
•
••
•••
• ••
•• •• •
••
••
•••
• • •• • ••
••
••• •
•
•
••
•
• •
•
•
• •••
•
• ••
•
••• •
•••
••
•
•
••
•••
••
•
•
• • •• •• •••
••••
•• • ••
• •••
• • • • •• •• •
••
••• •• ••
•• •
••
••
••
••• • •
•
••• •
•
••
•
••• ••• ••
••
•• • •
••
•
• •• •
•
••
•• • ••
•• ••• •• •
•
•• ••
• •• •••
• ••• ••
• • •••• •
•••
•••
••
••
••
•
•
••••• •
• •
•••
••
•
• ••
•
•
••
•
••• ••• ••
••
•• ••••
••• • • •••••
•• ••
•
•
•• • •••••
•
••• ••••
••
0 20 40 60 80
100
120
140
160
180
ba
nd
3 v
s b
an
d 2
ba
nd
4 v
s b
an
d 3
ba
nd
4 v
s b
an
d 2
EC
E/O
PT
I533 Digital Im
age Processing class notes 348 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
All p
ossib
le 2
-D
sca
tterp
lots
for a
7-
ba
nd
La
nd
sa
t TM im
ag
e
23
45
67
123456
EC
E/O
PT
I533 Digital Im
age Processing class notes 349 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
Sp
ectra
l Cova
rian
ce a
nd
Corre
latio
n
•M
ultiv
aria
te D
N m
ea
n v
ecto
r
•M
ultiv
aria
te D
N c
ova
rian
ce m
atrix
Ele
men
ts a
re c
ova
rian
ce b
etw
een
ba
nd
s m
an
d n
:
Dia
gon
al e
lem
en
ts a
re v
aria
nce o
f ba
nd
k
µµ µµD
Np
N⁄p
1= N∑
DN
T⟨
⟩=
=
C
c11
…c
1K
……
…c
K1
…c
KK
DN
µ–
()
DN
µ–
() T
⟨⟩
==
cm
nD
Npm
µµ µµm
–(
)D
Npn
µµ µµn
–(
)p
1= N∑
N1
–(
)⁄
=
ckk
EC
E/O
PT
I533 Digital Im
age Processing class notes 350 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
•M
ultiv
aria
te D
N c
orre
latio
n m
atrix
Corre
latio
n b
etw
een
ba
nd
s m
an
d n
:
Norm
aliz
ed
by v
aria
nce in
ea
ch
ba
nd
•Sp
ecia
l pro
pertie
s o
f cova
rian
ce
an
d c
orre
latio
n m
atric
es
an
d
are
sym
metric
, i.e.,
an
d
If a
nd
a
re d
iag
on
al, th
e p
ixel v
alu
es in
ba
nd
s m
an
d n
are
un
corre
late
d
R
1…
ρ1K
……
…ρ
K1
…1
1–
ρm
n1 or ρ
mn
1≤
≤≤
,=
ρm
nc
mn
cm
mc
nn⋅
() 1
2⁄⁄
=
CR
cm
nc
nm=
ρm
nρ
nm=
CR
sca
tterp
lot s
ha
pe a
nd
corre
latio
n
DN
m
DN
n
ρm
n1
≈ρ
mn
1–≈
high correlation
moderate correlation
ρm
n0
cmm
cnn=
,≈
ρm
n0
cmm
cnn<
,≈
no correlation
0ρ
mn
<1
≤0
ρm
n>
1–≥
EC
E/O
PT
I533 Digital Im
age Processing class notes 351 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
Prin
cip
al C
om
pon
en
t Tran
sfo
rm
•A
KA
Ka
rhu
nen
-Loeve o
r Hote
lling
tran
sfo
rm
•lin
ea
r ma
trix tra
nsfo
rm
wh
ere
:
PC is
the K
–dim
en
sio
na
l prin
cip
al c
om
pon
en
t vecto
r
WPC is
a K
x K
tran
sfo
rma
tion
ma
trix
DN
is th
e o
rigin
al m
ulti- o
r hyp
ers
pectra
l pix
el v
ecto
r
•ea
ch
prin
cip
al c
om
pon
en
t is a
weig
hte
d a
vera
ge o
f all s
pectra
l b
an
ds
PC
WP
CD
N⋅
=
EC
E/O
PT
I533 Digital Im
age Processing class notes 352 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
•Pro
pertie
s o
f the P
CT
dia
gon
aliz
es th
e c
ova
rian
ce m
atrix
, C, o
f the o
rigin
al im
ag
e,
sin
ce
is d
iag
on
al, th
e P
C c
om
pon
en
ts a
re u
ncorre
late
d
The d
iag
on
al e
lem
en
ts o
f a
re th
e e
igen
va
lues o
f the d
ata
ea
ch
eig
en
va
lue,
, is e
qu
al to
the v
aria
nce o
f the k
th P
C a
nd
is fo
un
d b
y
solv
ing
the c
ha
racte
ristic
eq
ua
tion,
Note
, trace o
f Cp
c eq
ua
ls tra
ce o
f C, i.e
. the s
um
of th
e e
igen
va
lues e
qu
als
the
su
m o
f the o
rigin
al im
ag
e b
an
d v
aria
nces
WP
C
CP
CW
PC C
WP
CT
=CP
C
CP
C
CP
C
eigenvalue 1…
0…
……
0…
eigenvalue K
λ1
…0
……
…0
…λ
K
==
λk
Cλλ λλ
k I–
0=
EC
E/O
PT
I533 Digital Im
age Processing class notes 353 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
con
sis
ts o
f the e
igen
vecto
rs o
f the d
ata
alo
ng
its ro
ws,
ea
ch
eig
en
vecto
r, , c
on
sis
ts o
f the w
eig
hts
ap
plie
d to
the o
rigin
al b
an
ds to
ob
tain
the k
th P
C a
nd
is fo
un
d b
y s
olv
ing
the e
qu
atio
n,
WP
C
WP
C
eigenvector1 t
:
eigenvectorK t
e1 t:eK t
e11
…e
1K
:
:e
K1
…e
KK
==
=
ek
Cλ
k I–
()e
k0
=
EC
E/O
PT
I533 Digital Im
age Processing class notes 354 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
Exa
mp
le
•D
ata
pixelD
N1
DN
2
12
2
22
3
33
4
44
3
55
4
65
5
0 1 2 3 4 5
01
23
45
DN2
DN
1
Ch
ara
cte
ristic
Eq
ua
tion
wh
ich
ha
s s
olu
tion
s
an
d
µ3.503.50
=
C1.9
1.11.1
1.1=
R1
0.7610.761
1=
Cλλ λλ
k I–
0=
1.9λ
–1.1
1.11.1
λ–
0=
λ2
3λ0.88
+–
0=
λ2.67
=λ
0.33=
EC
E/O
PT
I533 Digital Im
age Processing class notes 355 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
•Th
ere
fore
Note
tha
t PC1
accou
nts
for 2
.67
/3 =
0.8
9 o
f tota
l va
rian
ce in
da
ta
•Fin
d e
igen
vecto
rs u
sin
g
For e
xa
mp
le, fo
r eig
en
vecto
r e1
, w
hic
h a
re n
ot in
dep
en
den
t.
Fro
m e
ither e
qu
atio
n
•Eig
en
vecto
rs a
re o
rthog
on
al u
nit v
ecto
rs im
plie
s
.
•Solv
ing
sim
ulta
neou
sly
with
ab
ove e
qu
atio
n g
ives e
igen
vecto
r
an
d, w
ith a
sim
ilar a
na
lysis
, eig
en
vecto
r
CP
C2.67
00
0.33=
Cλ
k I–
()e
k0
=
0.77e11
–1.10e
12+
0=
1.10e11
1.57e12
–0
=
e11
1.43e12
=
e11 2
e12 2
+1
=
e1
0.820.57
=e
20.57
–0.82=
EC
E/O
PT
I533 Digital Im
age Processing class notes 356 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
•Fin
al tra
nsfo
rma
tion
ma
trix
W
PC
0.820.57
0.57–
0.82=
Fin
d a
nd
plo
t new
coord
ina
tes o
f da
ta p
oin
ts
in P
C s
pa
ce
EC
E/O
PT
I533 Digital Im
age Processing class notes 357 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
•W
hy u
se th
e P
CT?
Decorre
late
s th
e s
pectra
l da
ta o
ptim
ally
Com
pre
sses th
e v
aria
nce
DN
1
PC
1
PC
2
DN
2
λ1
λ2 …
λK
>>
0
200
400
600
800
12
34
56
TM
bandsP
C bands
DN variance
band or PC
index
EC
E/O
PT
I533 Digital Im
age Processing class notes 358 D
r. Robert A
. Schowengerdt 2003
MU
LTIS
PECTR
AL IM
AGE P
RO
CESSIN
G I
•W
hy n
ot u
se th
e P
CT?
da
ta-d
ep
en
den
t
• W
coeffic
ien
ts c
ha
ng
e fro
m s
cen
e-to
-scen
e
• M
akes c
on
sis
ten
t inte
rpre
tatio
n o
f PC im
ag
es
diffic
ult
sp
ectra
l deta
ils, p
artic
ula
rly in
sm
all a
rea
s,
ma
y b
e lo
st if h
igh
er-o
rder P
Cs a
re ig
nore
d
com
pu
tatio
na
lly e
xp
en
siv
e fo
r larg
e im
ag
es
or fo
r ma
ny s
pectra
l ba
nd
s
