遥感图像处理课程设计指导书1.docx
《遥感图像处理课程设计指导书1.docx》由会员分享，可在线阅读，更多相关《遥感图像处理课程设计指导书1.docx（32页珍藏版）》请在冰点文库上搜索。
遥感图像处理课程设计指导书1
遥感图像处理课程设计指导书
1概述
1.1课程设计任务、性质与目标
遥感图像处理课程介绍了遥感图像处理的基础知识、图像校正、图像增强、图像分类以及图像分析等方面的内容，并介绍基本方法。
遥感图像处理课程设计使学生掌握遥感图像处理的基本方法，掌握对不同任务进行不同处理的基本流程以及采用不同的处理方法。
1.2课程设计过程及考核
时限：
课程设计任务在2周内完成。
方式：
采取分组选题的方式。
提交材料：
1.课程设计报告书（按照《课程设计报告书》规范格式排版打印）
考核与成绩确定：
根据课程设计报告书质量和对程序的测试运行结果评定成绩等级，分为优秀、良好、中、及格和不及格5个等级。
2预备知识
主要介绍遥感图像处理的基本方法。
2.1图像校正
主要内容
●数字图像的性质与特点
●辐射校正
●图像的几何畸变
●几何校正的方法
●几何校正的重采样、内插方法
数字图像
遥感数据的表示既有模拟图像又有数字图像。
–模拟图像：
普通像片那样的灰度级及颜色连续变化的图像
–数字图像：
而是以数字形式表示的遥感影像。
包括把模拟图像数字化的图像。
数字图像的性质与特点
–把模拟图像分割成同样形状的小单元，进行空间离散化处理叫采样（sampling）。
–以各个小单元的平均亮度值或中心部分的亮度值作为该单元的亮度值，为亮度值的离散化处理，即量化（quantization）。
以上两种过程结合起来叫图像的数字化（digitization）。
由于传感器上探测元件的灵敏度直接影响有效量化的级数，因此，不同传感器提供的有效量化的级数是不同的。
像素（像元）是遥感数字图像最基本的单位，是成像过程的采样点，也是计算机图像处理的最小单元。
像素具有空间特征和属性特征。
由于传感器从空间观测地球表面，因此每个像素含有特定的地理位置的信息，并表征一定的面积。
对于多光谱扫描仪提供的数字图像来说，一个像素对应的地表面积是由传感器上瞬间视场角所决定的，瞬间视场角在地表的投影面称地面分辨率（或空间分辨率），由于传感器种类不同，它的瞬间视场角也不同，因此，对应的地面分辨率是不同的。
像素的属性特征采用亮度值来表达，在不同波段上，相同地点的亮度值可能是不同的，这是因为地物在不同波段上辐射电磁波的特征不同造成的。
遥感数字图像中像素的数值是由传感器所探测到的地面目标地物的电磁辐射强度决定的。
入射到传感器中的电磁波被探测器元件转化为电信号，经过模/数转换，成为绝对辐射亮度值R。
为便于应用，R又被转换为能够表征地物辐射亮度的相对值。
像素有正像素和混合像素之分。
正像素：
像素内只包含一种地物。
如水体，它的亮度值代表了水体的光谱特征。
混合像素：
像素内包括两种或两种以上地物。
如出苗不久的麦田，它的一个像素亮度位内包含麦苗和土壤的光谱特征。
●数字图像的特点
–便于计算机处理与分析：
计算机是以二进制方式处理各种数据的。
采用数字形式表示遥感图像，便于计算机处理。
因此，与光学图像处理方式相比，遥感数字图像是一种适于计算机处理的图像表示方法。
–图像信息损失低：
由于遥感数字图像是用二进制表示的，因此在获取、传输和分发过程中，不会因长期存储而损失信息，也不会因多次传输和复制而产生图像失真。
而模拟方法表现的遥感图像会因多次复制而使图像质量下降。
–抽象性强：
尽管不同类别的遥感数字图像，有不同的视觉效果，对应不同的物理背景，但由于它们都采用数字形式表示，便于建立分析模型，进行计算机解译和运用遥感图像专家系统。
多波段数字图像的数据格式
●BSQ方式（bandsequential）
各波段的二维图像数据按波段顺序排列。
●BIL方式（bandinterleavedbyline）
对每一行中代表一个波段的光谱值进行排列，然后按波段顺序排列该行，最后对各行进行重复。
●BIP方式（bandinterleavedbypixel）
在一行中，每个像元按光谱波段次序进行排列，然后对该行的全部像元进行这种波段次序排列，最后对各行进行重复。
●辐射校正（radiometriccorrection）：
消除辐射量失真
利用遥感器观测目标物辐射或反射的电磁能量时，从遥感器得到的测量值与目标物的光谱反射率或光谱辐射亮度等物理量是不一致的，这是因为测量值中包含太阳位置及角度条件、薄雾等大气条件所引起的失真。
为了正确评价目标物的反射特性及辐射特性，必须消除这些失真。
引起辐射畸变的因素：
遥感器的灵敏度特性、太阳高度及地形、大气等。
●由遥感器的灵敏度特性引起的畸变校正
由光学系统的特性引起的畸变校正：
在使用透镜的光学系统中，例如在摄像面中，存在着边缘部分比中心部分发暗的现象（边缘减光）。
如果以光轴到摄象面边缘的视场角为è，则理想的光学系统中某点的光量与太阳高度及地形等引起的畸变校正
视场角和太阳角的关系引起的亮度变化的校正：
太阳光在地表反射、扩散时，其边缘更亮的现象叫太阳光点（sunspot），太阳高度高时容易产生。
太阳光点与边缘减光等都可以用推算阴影曲面的方法进行校正。
阴影曲面是指在图像的明暗范围内，由太阳光点及边缘减光引起的畸变部分。
地形倾斜的影响校正：
当地形倾斜时，经过地表扩散、反射再入射到遥感器的太阳光的辐射亮度就会依倾斜度而变化。
可以采取用地表的法线矢量和太阳光入射矢量的夹角进行校正的方法，以及对消除了光路辐射成分的图像数据采用波段间的比值进行校正的方法等。
由遥感器引起的误差或由太阳高度引起的误差，一般在数据生产过程中由生产单位根据遥感器参数进行校正，而不需要用户进行自行处理。
用户应该考虑大气影响引起的辐射畸变。
大气影响的粗略纠正
中的附加项和附加因子求出，最终求出地物反射率R，从而恢复遥感影像中地面目标的真实面目。
当大气透过率变化不大时，有时只要去掉含ED和Lp的数据项就可修正图像的亮度，使图像中像元之间的亮度变化真正反映不同像元地物反射率之间的变化关系。
这种对大气影响的纠正是通过纠正辐射亮度的办法实现的，因此也称作辐射校正。
精确的校正公式需要找出每个波段像元亮度值与地物反射率的关系。
为此需得到卫星飞行时的大气参数，以求出透过率Tè、Tö等因子。
如果不通过特别的观测，一般很难得到这些数据，所以，常常采用一些简化的处理方法，只去掉主要的大气影响，使图像质量满足基本要求。
●直方图最小值去除法
基本思想在于一幅图像中总可以找到某种或某几种地物，其辐射亮度或反射率接近0，例如，地形起伏地区山的阴影处，反射率极低的深海水体处等，这时在图像中对应位置的像元亮度值应为0。
实测表明，这些位置上的像元亮度不为零。
这个值就应该是大气散射导致的程辐射度值。
具体校正方法十分简单，首先确定条件满足，即该图像上确有辐射亮度或反射亮度应为零的地区，则亮度最小值必定是这一地区大气影响的程辐射度增值。
校正时，将每一波段中每个像元的亮度值都减去本波段的最小值。
使图像亮度动态范围得到改善，对比度增强，从而提高了图像质量。
●回归分析法
假定某红外波段，存在程辐射为主的大气影响，且亮度增值最小，接近于零，设为波段a。
现需要找到其他波段相应的最小值，这个值一定比a波段的最小值大一些，设为波段b，分别以a，b波段的像元亮度值为坐标，作二维光谱空间，两个波段中对应像元在坐标系内用一个点表示。
由于波段之间的相关性，通过回归分析在众多点中一定能找到一条直线与波段b的亮度Lb轴相交。
几何校正
当遥感图像在几何位置上发生了变化，产生诸如行列不均匀，像元大小与地面大小对应不准确，地物形状不规则变化等畸变时，即说明遥感影像发生了几何畸变。
遥感影像的总体变形（相对于地面真实形态而言）是平移、缩放、旋转、偏扭、弯曲及其他变形综合作用的结果。
产生畸变的图像给定量分析及位置配准造成困难，因此遥感数据接收后，首先由接收部门进行校正，这种校正往往根据遥感平台、地球、传感器的各种参数进行处理。
而用户拿到这种产品后，由于使用目的不同或投影及比例尺的不同，仍旧需要作进一步的几何校正。
●遥感影像变形的原因
–遥感器的内部畸变：
由遥感器结构引起的畸变。
–遥感平台位置和运动状态变化的影响
–地形起伏的影响
–地球表面曲率的影响
–大气折射的影响
–地球自转的影响
遥感影像变形的原因
●遥感平台位置和运动状态变化的影响
无论是卫星还是飞机，运动过程中都会由于种种原因产生飞行姿势的变化从而引起影像变形。
–航高：
当平台运动过程中受到力学因素影响，产生相对于原标准航高的偏离，或者说卫星运行的轨道本身就是椭圆的。
航高始终发生变化，而传感器的扫描视场角不变，从而导致图像扫描行对应的地面长度发生变化。
航高越向高处偏离，图像对应的地面越宽
●遥感平台位置和运动状态变化的影响
–航速：
卫星的椭圆轨道本身就导致了卫星飞行速度的不均匀，其他因素也可导致遥感平台航速的变化。
航速快时，扫描带超前，航速慢时，扫描带滞后，由此可导致图像在卫星前进方向上（图像上下方向）的位置错动。
●遥感平台位置和运动状态变化的影响
–俯仰：
遥感平台的俯仰变化能引起图像上下方向的变化，即星下点俯时后移，仰时前移，发生行间位置错动。
●遥感平台位置和运动状态变化的影响
–翻滚：
遥感平台姿态翻滚是指以前进方向为轴旋转了一个角度。
可导致星下点在扫描线方向偏移，使整个图像的行向翻滚角引起偏离的方向错动。
●遥感平台位置和运动状态变化的影响
–偏航：
指遥感平台在前进过程中，相对于原前进航向偏转了一个小角度，从而引起扫描行方向的变化，导致图像的倾斜畸变。
●地形起伏的影响
–当地形存在起伏时，会产生局部像点的位移，使原来本应是地面点的信号被同一位置上某高点的信号代替。
由于高差的原因，实际像点P距像幅中心的距离相对于理想像点P0距像幅中心的距离移动了△r。
●地表曲率的影响
–地球是球体，严格说是椭球体，因此地球表面是曲面。
这一曲面的影响主要表现在两个方面，一是像点位置的移动，当选择的地图投影平面是地球的切平面时，使地面点P0相对于投影平面点P有一高差△h。
遥感影像变形的原因
几何畸变校正
–从具有几何畸变的图像中消除畸变的过程。
也可以说是定量地确定图像上的像元坐标（图像坐标）与目标物的地理坐标（地图坐标等）的对应关系（坐标变换式）。
●几何校正的方法
–系统性校正：
当知道了消除图像几何畸变的理论校正公式时，可把该式中所含的与遥感器构造有关的校准数据（焦距等）及遥感器的位置、姿态等的测量值代入到理论校正式中进行几何校正。
该方法对遥感器的内部畸变大多是有效的。
可是在很多情况下，遥感器的位置及姿态的测量值精度不高，所以外部畸变的校正精度也不高。
–非系统性校正：
利用控制点的图像坐标和地图坐标的对应关系，近似地确定所给的图像坐标系和应输出的地图坐标系之间的坐标变换式。
坐标变换式经常采用1次、2次等角变换式，2次、3次投影变换式或高次多项式。
坐标变换式的系数可从控制点的图像坐标值和地图坐标值中根据最小2乘法求出。
–复合校正：
把理论校正式与利用控制点确定的校正式组合起来进行校正。
①分阶段校正的方法，即首先根据理论校正式消除几何畸变（如内部畸变等），然后利用少数控制点，根据所确定的低次校正式消除残余的畸变（外部畸变等）；②提高几何校正精度的方法，即利用控制点以较高的精度推算理论校正式中所含的遥感器参数、遥感器的位置及姿态参数。
●具体步骤——重采样
重采样的两种方法
–对输入图像的各个象元在变换后的输出图像坐标系上的相应位置进行计算，把各个象元的数据投影到该位置上。
–对输出图像的各个象元在输入图像坐标系的相应位置进行逆运算，求出该位置上的象元数据。
该方法是经常采用的方法。
1.最邻近内插法以距内插点最近的观测点的像元值为所求的像元值。
该方法最大可产生0.5个像元的位置误差，优点是不破坏原来的像元值，处理速度快。
2.双线性内插法使用内插点周围的4个观测点的像元值，对所求的像元值进行线性内插。
缺点是破坏了原来的数据，但具有平均化的滤波效果。
3.3次卷积内插法使用内插点周围的16个观测点的像元值，用3次卷积函数对所求像元值进行内插。
缺点是破坏了原来的数据，但具有图像的均衡化和清晰化的效果，可得到较高的图像质量。
2．2图像增强
数字图象增强目的
●增强目视效果
●提高图像质量和突出所需信息，
有利于分析判读或作进一步的处理
●对比度变换
●空间滤波
●彩色变换
●图像运算
●多光谱变换
对比度变换
是一种通过改变图像像元的亮度值来改变图像像元对比度，从而改善图像质量的图像处理方法。
因为亮度值是辐射强度的反映，所以也称之为辐射增强。
常用的方法有对比度线性变换和非线性变换。
每一幅图像都可以求出其像元亮度值的直方图，观察直方图的形态，可以粗略地分析图像的质量。
一般来说，一幅包含大量像元的图像，其像元亮度值应符合统计分布规律，即假定像元亮度随机分布时，直方图应是正态分布的。
实际工作中，若图像的直方图接近正态分布，则说明图像中像元的亮度接近随机分布，是一幅适合用统计方法分析的图像。
当观察直方图形态时，发现直方图的峰值偏向亮度坐标轴左侧，则说明图像偏暗。
峰值偏向坐标轴右侧，则说明图像偏亮，峰值提升过陡、过窄，说明图像的高密度值过于集中，以上情况均是图像对比度较小，图像质量较差的反映。
●线性变换
为了改善图像的对比度，必须改变图像像元的亮度值，并且这种改变需符合一定的数学规律，即在运算过程中有一个变换函数。
如果变换函数是线性的或分段线性的，这种变换就是线性变换。
线性变换是图像增强处理最常用的方法。
非线性变换
当变换函数是非线性时，即为非线性变换。
非线性变换的函数很多，常用的有指数变换和对数变换。
●指数变换
其意义是在亮度值较高的部分扩大亮度间隔，属于拉伸，而在亮度值较低的部分缩小亮度间隔，属于压缩，其数学表达式为
●对数变换
与指数变换相反，它的意义是在亮度值较低的部分拉伸，而在亮度值较高的部分压缩，其数学表达式为
空间滤波
对比度扩展的辐射增强是通过单个像元的运算从整体上改善图像的质量。
而空间滤波则是以重点突出图像上的某些特征为目的的，如突出边线或纹理等，因此通过像元与其周围相邻像元的关系，采用空间域中的邻域处理方法。
它仍属于一种几何增强处理，主要包括平滑和锐化。
●图像卷积运算
是在空间域上对图像作局部检测的运算，以实现平滑和锐化的目的。
具体作法是选定一卷积函数，又称“模板”，实际上是一个M×N图像。
二维的卷积运算是在图像中使用模板来实现运算的。
●平滑
图像中出现某些亮度变化过大的区域，或出现不该有的亮点（“噪声”）时，采用平滑的方法可以减小变化，使亮度平缓或去掉不必要的“噪声”点。
具体方法有：
–均值平滑
–中值滤波
–均值平滑
锐化
为了突出图像的边缘、线状目标或某些亮度变化率大的部分，可采用锐化方法。
有时可通过锐化，直接提取出需要的信息。
锐化后的图像已不再具有原遥感图像的特征而成为边缘图像。
锐化的方法很多，在此只介绍常用的几种：
–罗伯特梯度
–索伯尔梯度
–拉普拉斯算法
–定向检测
梯度的概念
反映了相邻像元的亮度变化率，也就是说，图像中如果存在边缘，如湖泊、河流的边界，山脉和道路等，则边缘处有较大的梯度值。
对于亮度值较平滑的部分，亮度梯度值较小。
因此，找到梯度较大的位置，也就找到边缘，然后再用不同的梯度计算值代替边缘处像元的值，也就突出了边缘，实现了图像的锐化。
空间滤波
●滤波函数有低通滤波、高通滤波和带通滤波等。
–低通滤波用于仅让低频的空间频率成分通过而消除高频成分的场合，由于图像的噪声成分多数包含在高频成分中，所以可用于噪声的消除。
–高通滤波仅让高频成分通过，可应用于目标物轮廓的增强。
–带通滤波由于仅保留一定的频率成分，所以可用于提取、消除每隔一定间隔出现的干扰条纹的噪声。
彩色变换
亮度值的变化可以改善图像的质量，但就人眼对图像的观察能力而言，一般正常人眼只能分辨20级左右的亮度级，而对彩色的分辨能力则可达100多种，远远大于对黑白亮度值的分辨能力。
不同的彩色变换可大大增强图像的可读性，在此介绍常用的三种彩色变换方法。
–单波段彩色变换
–多波段色彩变换
–HSI变换
彩色变换：
单波段彩色变换
单波段黑白遥感图像可按亮度分层，对每层赋予不同的色彩，使之成为一幅彩色图像。
这种方法又叫密度分割，即按图像的密度进行分层，每一层所包含的亮度值范围可以不同。
例如，亮度0～10为第一层，赋值1，11～15为第二层，赋值2，16～30为第三层，赋值3，等等，再给1，2，3等分别赋不同的颜色，于是生成一幅彩色图像。
目前计算机显示彩色的能力很强，理论上完全可以将256层的黑白亮度赋予256种彩色，因此彩色变换很有前景。
对于遥感影像而言，将黑白单波段影像赋上彩色总是有一定目的的，如果分层方案与地物光谱差异对应得好，可以区分出地物的类别。
例如在红外波段，水体的吸收很强，在图像上表现为接近黑色，这时若取低亮度值为分割点并以某种颜色表现则可以分离出水体；同理砂地反射率高，取较高亮度为分割点，可以从亮区以彩色分离出砂地。
因此，只要掌握地物光谱的特点，就可以获得较好的地物类别图像。
当地物光谱的规律性在某一影像上表现不太明显时，也可以简单地对每一层亮度值赋色，以得到彩色影像，也会较一般黑白影像的目视效果好。
彩色变换：
多波段彩色变换
根据加色法彩色合成原理，选择遥感影像的某三个波段，分别赋予红、绿、蓝三种原色，就可以合成彩色影像。
由于原色的选择与原来遥感波段所代表的真实颜色不同，因此生成的合成色不是地物真实的颜色，因此这种合成叫做假彩色合成。
多波段影像合成时，方案的选择十分重要，它决定了彩色影像能否显示较丰富的地物信息或突出某一方面的信息。
以陆地卫星Landsat的TM影像为例，TM的7个波段中，第2波段是绿色波段（0．52～0．60ìm），第4段波段是近红外波段（0．76～0．90ìmp，当4，3，2波段被分别赋予红、绿、蓝色时，即绿波段赋蓝，红波段赋绿，红外波段赋红时，这一合成方案被称为标准假彩色合成，是一种最常用的合成方案。
实际应用时，应根据不同的应用目的经实验、分析，寻找最佳合成方案，以达到最好的目视效果。
通常，以合成后的信息量最大和波段之间的信息相关最小作为选取合成的最佳目标，例如，TM的4，5，3波段依次被赋予红、绿、蓝色进行合成，可以突出较丰富的信息，包括水体、城区、山区、平原及线性特征等，有时这一合成方案甚至优于标准的4，3，2波段的假彩色合成
彩色变换：
HSI变换
HSI代表色调、饱和度和明度（hue，saturation,intensity）。
这种色彩模式可以用近似的颜色立体来定量化。
如图所示，颜色立体曲线锥形改成上下两个六面金字塔状。
环绕垂直轴的圆周代表色调（H），以红色为0o，逆时针旋转，每隔60o改变一种颜色并且数值增加1，一周360o刚好6种颜色，顺序为红、黄、绿、青、蓝、品红。
垂直轴代表明度（I），取黑色为0，白色为1，中间为0.5。
从垂直轴向外沿水平面的发散半径代表饱和度（S），与垂直轴相交处为0，最大饱和度为1。
根据这一定义，对于黑白色或灰色，即色调H无定义，饱和度S＝0，当色调处于最大饱和度时S＝l，这时I＝0．5。
从常用的红绿蓝表达方式到HSI表达方式，有专门的算法进行转换，常用的图像处理软件系统均有此项功能。
图像运算
两幅或多幅单波段影像，完成空间配准后，通过一系列运算，可以实现图像增强，达到提取某些信息或去掉某些不必要信息的目的。
●差值运算
●比值运算
图像运算：
差值运算
即两幅同样行、列数的图像，对应像元的亮度值相减。
差值运算应用于两个波段时，相减后的值反映了同一地物光谱反射率之间的差。
由于不同地物反射率差值不同，两波段亮度值相减后，差值大的被突出出来。
例如，当用红外波段减红波段时，植被的反射率差异很大，相减后的差值就大，而土壤和水在这两个波段反射率差值就很小，因此相减后的图像可以把植被信息突出出来。
如果不作相减，在红外波段上植被和土壤，在红色波段上植被和水体均难区分。
因此图像的差值运算有利于目标与背景反差较小的信息提取，如冰雪覆盖区，黄土高原区的界线特征；海岸带的潮汐线等。
图像运算：
差值运算
差值运算还常用于研究同一地区不同时相的动态变化。
如监测森林火灾发生前后的变化和计算过火面积；监测水灾发生前后的水域变化和计算受灾面积及损失；监测城市在不同年份的扩展情况及计算侵占农田的比例等。
有时为了突出边缘，也用差值法将两幅图像的行、列各移一位，再与原图像相减，也可起到几何增强的作用。
图像运算：
比值运算
两幅同样行、列数的图像，对应像元的亮度值相除（除数不为0）
比值运算可以检测波段的斜率信息并加以扩展，以突出不同波段间地物光谱的差异，提高对比度。
该运算常用于突出遥感影像中的植被特征、提取植被类别或估算植被生物量，这种算法的结果称为植被指数，常用算法：
近红外波段／红波段
或（近红外-红）/（近红外+红）
比值运算对于去除地形影响也非常有效。
由于地形起伏及太阳倾斜照射，使得山坡的向阳处与阴影处在遥感影像上的亮度有很大区别，同一地物向阳面和背阴面亮度不同，给判读解译造成困难，特别是在计算机分类时不能识别。
由于阴影的形成主要是地形因子的影响，比值运算可以去掉这一因子影响，使向阳与背阴处都毫无例外地只与地物反射率的比值有关。
比值处理还有其他多方面的应用，例如对研究浅海区的水下地形有效，对土壤富水性差异、微地貌变化、地球化学反应引起的微小光谱变化等，对与隐伏构造信息有关的线性特征等都能有不同程度的增强效果。
图像相关
图像相关（imagecorrelation）是指在两张不同的图像中存在同一个目标物时，识别2图像中相互对应的物体位置所采用的技术。
它除了主要用于寻找立体图像的对应点以外，还用于对不同时期拍摄的图像控制点的自动识别等。
如在一幅图像A上设定n×n的窗口，在另一幅图像B中寻找对应其中心点的点。
在搜索中，在B图像上移动n×n的窗口，求出表示窗口内图像间的相似性的互相关或相关系数为最大的点。
多光谱变换
遥感多光谱影像，特别是陆地卫星的TM等传感器，波段多，信息量大，对图像解译很有价值。
但数据量太大，在图像处理计算时，也常常耗费大量的机时、占据大量的磁盘空间。
实际上，一些波段的遥感数据之间都有不同程度的相关性，存在着数据冗余。
多光谱变换方法可通过函数变换，达到保留主要信息，降低数据量；增强或提取有用信息的目的。
其变换的本质是对遥感图像实行线性变换，使多光谱空间的坐标系按一定规律进行旋转。
所谓多光谱空间就是一个n维坐标系，每一个坐标轴代表一个波段，坐标值为亮度值，坐标系内的每一个点代表一个像元。
像元点在坐标系中的位置可以表示成一个n维向量：
其中每个分量xi表示该点在第i个坐标轴上的投影，即亮度值。
这种多光谱空间只表示各波段光谱之间的
多光谱变换：
K-L变换
K－L变换是离散（Karhunen－loeve）变换的简称，又被称作主成分变换。
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，表达式为：
Y=AX
K－L变换的特点：
从几何意义来看，变换后的主分量空间坐标系与变换前的多光谱空间坐标系相比旋转了一个角度。
而且新坐标系的坐标轴一定指向数据信息量较大的方向。
以二维空间为例，假定某图像像元的分布呈椭圆状，那么经过旋转后，新坐
升级会员 