穗帽變換是指根據經驗確定的變換矩陣將圖像投影綜合變換到三維空間，其立體形態形似帶纓穗的帽子，變換後能看到穗帽的最大剖面，充分反映植物生長枯萎程度、土地信息變化，大氣散射物理影響和其它景物變化程度的一種線性特徵變換的圖像處理方法。
基本介紹
- 中文名：穗帽變換
- 外文名：Kautlr-Thomas Transformation
- 別稱：K-T變換
- 方式：一種線性特徵變換的圖像處理方法
- 所屬領域：測繪科學
- 定義：講變換矩陣變換到三維空間
簡介,研究發展,套用舉例,遙感影像分類特徵變數的確定,基於穗帽變換的水稻面積遙感估算結果,
簡介
穗帽變換（又稱KT變換）是一種特殊的主成分分析，和主成分分析不同的是其轉換係數是固定的，因此它獨立於單個圖像，不同圖像產生的土壤亮度和綠度可以互相比較。隨著植被生長，在綠度圖像上的信息增強，土壤亮度上的信息減弱，當植物成熟和逐漸凋落時，其在綠度圖像特徵減少，在黃度上的信息增強。這種解釋可以套用於不同區域上的不同植被和作物，但穗帽變換無法包含一些不是綠色的植被和不同的土壤類型的信息。
總體上穗帽變換能夠較好的分離土壤和植被。他的一個缺點是她依賴於感測器（主要是波段），因此其轉換係數對每種遙感器是不同的。
研究發展
主成分分析的相關係數是原數據波段間協方差或相關係數的函式。這個特徵使得主成分分析可以根據實際的圖像產生從數據壓縮角度看來最好的轉換，但卻使得從不同圖像得到的主成分難以進行互相比較。通常可以按照實際圖像上的物理特徵對主成分圖像進行解譯，但這種解譯對每幅圖像都是不同的。顯然研究一種基於圖像物理特徵上的固定轉換，對於數據分析是非常有用的。這種固定轉換最早由Kauth和Thomas(1976)提出。他們在用MSS研究農作物生長時注意到MSS圖像DN值的散點圖表現出一定連續性，比如一個三角形的分布存在於第二和第四波段之間。隨著作物生長這個分布顯示出一個似“穗帽”的形狀和一個後來被稱作“土壤面”的底部。隨著作物生長農作物像元值移到穗帽區，當作物成熟及凋落時，像元值回到土壤面。他們用一種線性變換將四個波段的MSS轉換產生4個新軸，分別定義為一個由非植被特性決定的“土壤亮度指數”(soil brightness)；一個與土壤亮度軸相垂直的、由植被特性決定的“綠度指數”(greenness)；以及“黃度指數”(yellow stuff)和“噪聲”(nonsuch)，後者往往指示大氣條件。這種轉換就是“穗帽變換”(Tctasseledcap trasform)。
穗帽變換(又稱K—T變換)是一種特殊的主成分分析，和主成分分析不同的是其轉換係數是固定的，因此它獨立於單個圖像，不同圖像產生的土壤亮度和綠度可以互相比較。隨著植被生長，在綠度圖像上的信息增強，土壤亮度上的信息減弱，當植被成熟和逐漸凋落時，其在綠色度圖像特徵減少，在黃度上的信息增強。這種解釋可以套用於不同區域上的不同植被和作物，但穗帽變換無法包含一些不是綠色的植被和不同的土壤類型的信息。
總體上，我們可以說穗帽變換能較好地分離土壤和植被。穗帽變換的一個缺點是它依賴於遙感器(主要是波段)，因此其轉換係數對每種遙感器是不同的。
套用舉例
由於原始影像各個波段之間往往存在較強的相關性，如果不加選擇地利用這些波段進行分類，不但增加多餘的運算，有時反而會影響分類的準確性。因此，對原始影像卵個波段進行變換提取特徵波段參與分類是提高分類精度的一種有效手段。光譜波段特徵變換的方法包括主成分變換、植被指數變換等。本研究使用穗帽變換(K-T變換)獲取新的特徵變數(即亮度、綠度和濕度變數)，從而開展研究區地物的分類以及水稻種植面積的提取。穗帽變換具有以下優點：①減少數據維數和數據量；②對於某一固定感測器的任何數據，變換矩陣係數無需重新定義，也無需調整即可直接使用；③穗帽變換後得到的特徵變數直接對應重要的物理參數。
遙感影像分類特徵變數的確定
利用穗帽變換矩陣係數可以將南原始六個TM影像波段(去除熱紅外TM6波段)構成的六維光譜空間轉為具有物理意義的亮度、綠度和濕度特徵空間。穗帽變換的實質是對原始TM影像光譜空間坐標軸進行旋轉，使亮度、綠度和濕度特徵軸分別平行於南亮度、綠度和濕度這三個物理參數變化引起的像元點在光譜空間的位移方向，同時穿過這些點構成的點群。
基於穗帽變換的水稻面積遙感估算結果
監督分類的主要方法有最大似然法(Maximum Likelihood Classifier，MLC)、最小距離法(Nearest—Mean Classifier)、平行六面體法、馬氏距離法、光譜角和神經網路方法。其中最大似然法是傳統單像元分類的基本方法，它考慮各類別的協方差矩陣，如果在有足夠多的訓練樣本及類別分布的先驗機率，且數據接近常態分配的條件下，分類精度高。但是因為本研究區比較小，所能夠選取的樣本數量較少，特別是一些較小類地物，基本滿足不了最大似然法數據服從常態分配和具有較大數據量樣本的條件。所以，本研究選用最小距離法進行分類。
最小距離法是一種常見的監督分類方法，它首先利用訓練樣本數據計算出每一類的均值向量及標準差向量，然後以均值向量作為該類在特徵空間中的中心位置．計算輸入圖像中每個像元到各類中心的距離，到哪類距離最小，則將該像元歸到哪一類。這種方法是以距離為判別準則。最小距離法具有簡單、快速的特點，並且對數據機率分布沒有要求，對訓練樣本數目要求低，不需要類別先驗機率，其缺點是沒有考慮各類別的協方差矩陣，因此其分類精度受到一定限制。
